Autor Nokeri, Tshepo Chris
|
|
Documentos disponibles escritos por este autor (2)
Hacer una sugerencia Refinar búsqueda
Título : Data Science Revealed : With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning Tipo de documento: documento electrónico Autores: Nokeri, Tshepo Chris, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XX, 252 p. 95 ilustraciones ISBN/ISSN/DL: 978-1-4842-6870-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Obtenga información sobre técnicas de ciencia de datos, como ingeniería y visualización de datos, modelado estadístico, aprendizaje automático y aprendizaje profundo. Este libro le enseña cómo seleccionar variables, optimizar hiperparámetros, desarrollar canalizaciones y entrenar, probar y validar modelos automáticos y de aprendizaje profundo. Cada capítulo incluye un conjunto de ejemplos que le permitirán comprender los conceptos, suposiciones y procedimientos detrás de cada modelo. El libro cubre métodos paramétricos o modelos lineales que combaten el ajuste insuficiente o excesivo utilizando técnicas como Lasso y Ridge. Incluye análisis de regresión complejos con suavizado, descomposición y pronóstico de series temporales. Da una nueva mirada a los modelos no paramétricos para la clasificación binaria (análisis de regresión logística) y métodos de conjunto como árboles de decisión, máquinas de vectores de soporte y Bayes ingenuo. Cubre el método no paramétrico más popular para datos de eventos temporales (el estimador de Kaplan-Meier). También cubre formas de resolver problemas de clasificación utilizando redes neuronales artificiales, como máquinas de Boltzmann restringidas, perceptrones multicapa y redes de creencias profundas. El libro analiza técnicas de agrupamiento de aprendizaje no supervisado, como el método K-means, los enfoques aglomerativo y Dbscan, y técnicas de reducción de dimensiones como la importancia de las características, el análisis de componentes principales y el análisis discriminante lineal. E introduce inteligencia artificial sin conductor utilizando H2O. Después de leer este libro, podrá desarrollar, probar, validar y optimizar modelos estadísticos de aprendizaje automático y aprendizaje profundo, y diseñar, visualizar e interpretar conjuntos de datos. Usted podrá: Diseñar, desarrollar, entrenar y validar modelos de aprendizaje automático y aprendizaje profundo. Encontrar hiperparámetros óptimos para un rendimiento superior del modelo. Mejorar el rendimiento del modelo utilizando técnicas como la reducción de dimensiones y la regularización. Extraer información significativa para la toma de decisiones mediante la visualización de datos. Nota de contenido: Chapter 1: An Introduction to Simple Linear Regression Analysis -- Chapter 2: Advanced Parametric Methods -- Chapter 3: Time Series Analysis -- Chapter 4: High-Quality Time Series Analysis -- Chapter 5: Logistic Regression Analysis -- Chapter 6: Dimension Reduction and Multivariate Analysis Using Linear Discriminant Analysis -- Chapter 7: Finding Hyperplanes Using Support Vectors -- Chapter 8: Classification Using Decision Trees -- Chapter 9: Back to the Classics -- Chapter 10: Cluster Analysis -- Chapter 11: Survival Analysis -- Chapter 12: Neural Networks -- Chapter 13: Machine Learning Using H2O. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Data Science Revealed : With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning [documento electrónico] / Nokeri, Tshepo Chris, Autor . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XX, 252 p. 95 ilustraciones.
ISBN : 978-1-4842-6870-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Aprendizaje automático Python (lenguaje de programa informático) Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Obtenga información sobre técnicas de ciencia de datos, como ingeniería y visualización de datos, modelado estadístico, aprendizaje automático y aprendizaje profundo. Este libro le enseña cómo seleccionar variables, optimizar hiperparámetros, desarrollar canalizaciones y entrenar, probar y validar modelos automáticos y de aprendizaje profundo. Cada capítulo incluye un conjunto de ejemplos que le permitirán comprender los conceptos, suposiciones y procedimientos detrás de cada modelo. El libro cubre métodos paramétricos o modelos lineales que combaten el ajuste insuficiente o excesivo utilizando técnicas como Lasso y Ridge. Incluye análisis de regresión complejos con suavizado, descomposición y pronóstico de series temporales. Da una nueva mirada a los modelos no paramétricos para la clasificación binaria (análisis de regresión logística) y métodos de conjunto como árboles de decisión, máquinas de vectores de soporte y Bayes ingenuo. Cubre el método no paramétrico más popular para datos de eventos temporales (el estimador de Kaplan-Meier). También cubre formas de resolver problemas de clasificación utilizando redes neuronales artificiales, como máquinas de Boltzmann restringidas, perceptrones multicapa y redes de creencias profundas. El libro analiza técnicas de agrupamiento de aprendizaje no supervisado, como el método K-means, los enfoques aglomerativo y Dbscan, y técnicas de reducción de dimensiones como la importancia de las características, el análisis de componentes principales y el análisis discriminante lineal. E introduce inteligencia artificial sin conductor utilizando H2O. Después de leer este libro, podrá desarrollar, probar, validar y optimizar modelos estadísticos de aprendizaje automático y aprendizaje profundo, y diseñar, visualizar e interpretar conjuntos de datos. Usted podrá: Diseñar, desarrollar, entrenar y validar modelos de aprendizaje automático y aprendizaje profundo. Encontrar hiperparámetros óptimos para un rendimiento superior del modelo. Mejorar el rendimiento del modelo utilizando técnicas como la reducción de dimensiones y la regularización. Extraer información significativa para la toma de decisiones mediante la visualización de datos. Nota de contenido: Chapter 1: An Introduction to Simple Linear Regression Analysis -- Chapter 2: Advanced Parametric Methods -- Chapter 3: Time Series Analysis -- Chapter 4: High-Quality Time Series Analysis -- Chapter 5: Logistic Regression Analysis -- Chapter 6: Dimension Reduction and Multivariate Analysis Using Linear Discriminant Analysis -- Chapter 7: Finding Hyperplanes Using Support Vectors -- Chapter 8: Classification Using Decision Trees -- Chapter 9: Back to the Classics -- Chapter 10: Cluster Analysis -- Chapter 11: Survival Analysis -- Chapter 12: Neural Networks -- Chapter 13: Machine Learning Using H2O. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
Título : Implementing Machine Learning for Finance : A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios Tipo de documento: documento electrónico Autores: Nokeri, Tshepo Chris, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XVIII, 182 p. 53 ilustraciones ISBN/ISSN/DL: 978-1-4842-7110-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Ingeniería financiera Tecnología e Innovación Financiera Aprendizaje automático Python (lenguaje de programa informático) Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Reúna el aprendizaje automático ()ML) y el aprendizaje profundo (DL) en el comercio financiero, con énfasis en la gestión de inversiones. Este libro explica enfoques sistemáticos para la gestión de carteras de inversiones, el análisis de riesgos y el análisis de desempeño, incluido el análisis predictivo que utiliza procedimientos de ciencia de datos. El libro presenta el reconocimiento de patrones y el pronóstico de precios futuros que ejerce efectos en los modelos de análisis de series de tiempo, como el modelo de media móvil integrada autorregresiva (ARIMA), el modelo ARIMA estacional (SARIMA) y el modelo aditivo, y cubre el modelo de mínimos cuadrados y el Modelo de memoria larga a corto plazo (LSTM). Presenta reconocimiento de patrones ocultos y predicción del régimen de mercado aplicando el modelo gaussiano oculto de Markov. El libro cubre la aplicación práctica del modelo K-Means en la agrupación de acciones. Establece la aplicación práctica del método de Varianza-Covarianza y del método de Simulación (utilizando Simulación Monte Carlo) para la estimación del valor en riesgo. También incluye la clasificación de la dirección del mercado utilizando tanto el clasificador logístico como el clasificador de perceptrón multicapa. Finalmente, el libro presenta análisis de desempeño y riesgo para carteras de inversión. Al final de este libro, debería poder explicar cómo funciona el comercio algorítmico y su aplicación práctica en el mundo real, y saber cómo aplicar modelos de ML y DL supervisados y no supervisados para reforzar la toma de decisiones de inversión e implementar y optimizar estrategias de inversión. sistemas. Usted: Comprenderá los fundamentos del mercado financiero y el comercio algorítmico, así como los modelos de aprendizaje supervisados y no supervisados que son apropiados para la gestión sistemática de carteras de inversiones. Conocerá los conceptos de ingeniería de características, visualización de datos y optimización de hiperparámetros. Diseñará, construirá y probará de forma supervisada. y modelos ML y DL no supervisados Descubra la estacionalidad, las tendencias y los regímenes de mercado, simulando un cambio en el mercado y problemas de estrategia de inversión y prediciendo la dirección y los precios del mercado. Estructurar y optimizar una cartera de inversiones con clases de activos preeminentes y medir el riesgo subyacente. Nota de contenido: Chapter 1: Introduction to Financial Markets and Algorithmic Trading -- Chapter 2: Forecasting Using ARIMA, SARIMA, and the Additive Model -- Chapter 3: Univariate Time Series Using Recurrent Neural Nets -- Chapter 4: Discover Market Regimes -- Chapter 5: Stock Clustering -- Chapter 6: Future Price Prediction Using Linear Regression -- Chapter 7: Stock Market Simulation -- Chapter 8: Market Trend Classification Using ML and DL -- Chapter 9: Investment Portfolio and Risk Analysis. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Implementing Machine Learning for Finance : A Systematic Approach to Predictive Risk and Performance Analysis for Investment Portfolios [documento electrónico] / Nokeri, Tshepo Chris, Autor . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XVIII, 182 p. 53 ilustraciones.
ISBN : 978-1-4842-7110-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Ingeniería financiera Tecnología e Innovación Financiera Aprendizaje automático Python (lenguaje de programa informático) Pitón Índice Dewey: 006.31 Máquina de aprendizaje Resumen: Reúna el aprendizaje automático ()ML) y el aprendizaje profundo (DL) en el comercio financiero, con énfasis en la gestión de inversiones. Este libro explica enfoques sistemáticos para la gestión de carteras de inversiones, el análisis de riesgos y el análisis de desempeño, incluido el análisis predictivo que utiliza procedimientos de ciencia de datos. El libro presenta el reconocimiento de patrones y el pronóstico de precios futuros que ejerce efectos en los modelos de análisis de series de tiempo, como el modelo de media móvil integrada autorregresiva (ARIMA), el modelo ARIMA estacional (SARIMA) y el modelo aditivo, y cubre el modelo de mínimos cuadrados y el Modelo de memoria larga a corto plazo (LSTM). Presenta reconocimiento de patrones ocultos y predicción del régimen de mercado aplicando el modelo gaussiano oculto de Markov. El libro cubre la aplicación práctica del modelo K-Means en la agrupación de acciones. Establece la aplicación práctica del método de Varianza-Covarianza y del método de Simulación (utilizando Simulación Monte Carlo) para la estimación del valor en riesgo. También incluye la clasificación de la dirección del mercado utilizando tanto el clasificador logístico como el clasificador de perceptrón multicapa. Finalmente, el libro presenta análisis de desempeño y riesgo para carteras de inversión. Al final de este libro, debería poder explicar cómo funciona el comercio algorítmico y su aplicación práctica en el mundo real, y saber cómo aplicar modelos de ML y DL supervisados y no supervisados para reforzar la toma de decisiones de inversión e implementar y optimizar estrategias de inversión. sistemas. Usted: Comprenderá los fundamentos del mercado financiero y el comercio algorítmico, así como los modelos de aprendizaje supervisados y no supervisados que son apropiados para la gestión sistemática de carteras de inversiones. Conocerá los conceptos de ingeniería de características, visualización de datos y optimización de hiperparámetros. Diseñará, construirá y probará de forma supervisada. y modelos ML y DL no supervisados Descubra la estacionalidad, las tendencias y los regímenes de mercado, simulando un cambio en el mercado y problemas de estrategia de inversión y prediciendo la dirección y los precios del mercado. Estructurar y optimizar una cartera de inversiones con clases de activos preeminentes y medir el riesgo subyacente. Nota de contenido: Chapter 1: Introduction to Financial Markets and Algorithmic Trading -- Chapter 2: Forecasting Using ARIMA, SARIMA, and the Additive Model -- Chapter 3: Univariate Time Series Using Recurrent Neural Nets -- Chapter 4: Discover Market Regimes -- Chapter 5: Stock Clustering -- Chapter 6: Future Price Prediction Using Linear Regression -- Chapter 7: Stock Market Simulation -- Chapter 8: Market Trend Classification Using ML and DL -- Chapter 9: Investment Portfolio and Risk Analysis. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
