Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Titre original :
Econometrics and Data Science: Apply Data Science Techniques to Model Complex Problems and Implement Solutions for Economic Problems
Contenu du livre :
Ce livre permet de se familiariser avec l'application des approches d'apprentissage automatique dans la recherche macroéconomique. Ce livre réunit l'économie et la science des données.
L'auteur, Tshepo Chris Nokeri, commence par vous présenter l'analyse de covariance, l'analyse de corrélation, la validation croisée, l'optimisation des hyperparamètres, l'analyse de régression et l'analyse des résidus. En outre, il présente une approche pour faire face à la multi-colinéarité. Il démystifie ensuite un modèle de série temporelle connu sous le nom de modèle additif. Il révèle une technique de binarisation d'une caractéristique économique pour effectuer une analyse de classification à l'aide de la régression logistique. Il présente le modèle de Markov caché, utilisé pour découvrir les modèles cachés et la croissance de l'économie mondiale. L'auteur démontre des techniques d'apprentissage automatique non supervisé telles que l'analyse en composantes principales et l'analyse en grappes. Les concepts clés de l'apprentissage profond et les façons de structurer les réseaux neuronaux artificiels sont explorés, de même que leur entraînement et l'évaluation de leurs performances. La technique de simulation de Monte Carlo est appliquée pour stimuler le pouvoir d'achat de la monnaie dans une économie. Enfin, le modèle d'équation structurelle (SEM) est envisagé pour intégrer l'analyse de corrélation, l'analyse factorielle, l'analyse multivariée, l'analyse causale et l'analyse de cheminement.
Après avoir lu ce livre, vous devriez être en mesure de reconnaître le lien entre l'économétrie et la science des données. Vous saurez comment appliquer une approche d'apprentissage automatique à la modélisation de problèmes économiques complexes et d'autres qui vont au-delà de ce livre. Vous saurez comment contourner et améliorer les performances des modèles, ainsi que les implications pratiques d'une approche d'apprentissage automatique en économétrie, et vous serez en mesure de traiter des problèmes économiques urgents.
Ce que vous apprendrez
⬤ Examiner des structures causales complexes, multivariées et linéaires grâce à la technique de l'analyse structurelle et du cheminement, y compris la non-linéarité et les états cachés.
⬤ Vous vous familiariserez avec les applications pratiques de l'apprentissage automatique et de l'apprentissage profond dans le domaine de l'économétrie.
⬤ Comprendre le cadre théorique et l'élaboration d'hypothèses, ainsi que les techniques de sélection des modèles appropriés.
⬤ Développer, tester, valider et améliorer les principaux modèles d'apprentissage automatique supervisés (c'est-à-dire la régression et la classification) et non supervisés (c'est-à-dire la réduction des dimensions et l'analyse des grappes), ainsi que les réseaux neuronaux, les modèles de Markov et les modèles SEM.
⬤ Les étudiants doivent être en mesure d'interpréter les données et les modèles et de les présenter.
Pour qui ce livre s'adresse-t-il ?
Scientifiques de données débutants et intermédiaires, économistes, ingénieurs en apprentissage automatique, statisticiens et dirigeants d'entreprise.
Autres informations sur le livre :
| ISBN : | 9781484274330 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 228 |
Achat:
Actuellement disponible, en stock.
