Avis des lecteurs
Résumé:Ce livre est une ressource complète sur les applications de l'apprentissage automatique et de l'IA en finance, louée pour son approche pratique, sa couverture étendue des sujets et ses études de cas utiles avec des exemples de code. Il est recommandé pour les professionnels de la finance et les étudiants, mais certaines critiques soulignent des problèmes importants avec un contenu obsolète, des illustrations incorrectes et une présentation en noir et blanc.
Avantages:⬤ Une couverture complète des applications ML/AI en finance.
⬤ Approche pratique avec des études de cas et des exemples de code utiles.
⬤ Idéal pour les débutants et les data scientists expérimentés.
⬤ Bien structuré et facile à suivre.
⬤ Le code de soutien disponible sur GitHub améliore la convivialité.
⬤ Certains contenus sont obsolètes et nécessitent des mises à jour du code.
⬤ Des illustrations incorrectes ont été relevées dans certains chapitres.
⬤ Certains lecteurs ont reçu une version en noir et blanc, ce qui diminue l'efficacité du matériel visuel.
⬤ Certaines explications de haut niveau manquent de profondeur par rapport aux informations disponibles ailleurs.
(basé sur 19 avis de lecteurs)
Titre original :
Machine Learning and Data Science Blueprints for Finance: From Building Trading Strategies to Robo-Advisors Using Python
Contenu du livre :
Au cours des prochaines décennies, l'apprentissage automatique et la science des données transformeront le secteur financier. Grâce à cet ouvrage pratique, les analystes, les traders, les chercheurs et les développeurs apprendront à créer des algorithmes d'apprentissage automatique cruciaux pour le secteur. Vous examinerez les concepts de l'apprentissage automatique et plus de 20 études de cas sur l'apprentissage supervisé, non supervisé et par renforcement, ainsi que sur le traitement du langage naturel (NLP).
Idéal pour les professionnels travaillant dans des hedge funds, des banques d'investissement et de détail, et des entreprises de fintech, ce livre approfondit également la gestion de portefeuille, le trading algorithmique, la tarification des produits dérivés, la détection des fraudes, la prédiction du prix des actifs, l'analyse des sentiments et le développement de chatbots. Vous explorerez les problèmes réels rencontrés par les praticiens et apprendrez des solutions scientifiquement fondées, étayées par du code et des exemples.
Ce livre couvre :
⬤ Les modèles d'apprentissage supervisé basés sur la régression pour les stratégies de trading, la tarification des produits dérivés et la gestion de portefeuille.
⬤ Les modèles d'apprentissage supervisé basés sur la classification pour la prédiction du risque de défaut de crédit, la détection de la fraude et les stratégies de trading.
⬤ Les techniques de réduction de la dimensionnalité avec des études de cas dans la gestion de portefeuille, la stratégie de trading et la construction de courbes de rendement.
⬤ Les algorithmes et les techniques de regroupement pour trouver des objets similaires, avec des études de cas dans les stratégies de négociation et la gestion de portefeuille.
⬤ Modèles et techniques d'apprentissage par renforcement utilisés pour élaborer des stratégies de trading, de couverture de produits dérivés et de gestion de portefeuille.
⬤ Techniques NLP utilisant des bibliothèques Python telles que NLTK et scikit-learn pour transformer le texte en représentations significatives.
Autres informations sur le livre :
| ISBN : | 9781492073055 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 428 |
Achat:
Actuellement disponible, en stock.
