추가 적립 안내

TensorFlow와 sklearn을 사용해 금융이나 경제 맥락에 인공지능을 접목하는 방법론을 설명한다. 먼저 경제학이 추구하는 지향점과 머신러닝의 특징과 장점을 비교해 같은 점과 다른 점을 분석한 다음 양 측면에서 어떻게 활용할 수 있는지를 방대한 참고문헌과 함께 설명한다. 기초적인 회귀에서 출발해 결정 트리와 랜덤 포레스트를 살펴보고 이미지 처리와 자연어 처리가 금융 맥락에서 어떻게 활발하게 활용되고 있는지 설명한다. 특히 자연어 처리 부분이 금융 맥락과 접목되는 지점은 다양한 실습과 예제를 통해 손쉽게 이해하도록 돕는다.
금융 데이터의 특징인 시계열 데이터는 RNN과 LSTM를 활용해 설명한다. 또한 생성적 모델을 적용하는 방법과 이론적 모델 부분도 다룬다. 각 장은 모두 예제와 코드를 지원하며 이를 통해 각 상황을 스스로 학습하고 판단할 기초를 제공한다. 책에서 제공하는 방대한 참고문헌은 금융 맥락에서 인공지능을 접목하려던 수많은 학자의 발자취를 살펴볼 귀중한 자료다.

◆ TensorFlow 2로 머신러닝 모델을 정의, 훈련, 평가하는 방법
◆ 딥러닝, 자연어 처리 등의 머신러닝 기반 개념을 경제와 금융에 적용하는 방법
◆ 경제의 이론 모델 해결 방법

1장, 'TensorFlow 2'에서는 TensorFlow 2를 소개하고 경제와 금융에서 어떻게 사용할 수 있는지 설명한 다음 2장 이후 자료를 이해하는 데 필요한 예비 사항을 설명한다.
2장, '머신러닝과 경제학'에서는 머신러닝의 요소를 경제와 금융에 도입하는 데 유리한 작업을 살펴본다.
3장, '회귀'는 회귀에 대한 더 광범위한 계량경제학 정의를 채택하지만 머신러닝에 일반적으로 적용되는 방법을 소개한다.
4장, '트리'에서는 라이브러리를 살펴보고 알래스카주에 대한 HMDA 데이터에 트리 기반 모델을 적용해 훈련한다.
5장, '이미지 분류'에서는 이미지 데이터 관련 광범위한 개요를 제공하고 경제와 금융 분야에서의 잠재적 사용을 알아본다.
6장, '텍스트 데이터'에서는 경제와 금융 맥락에서 텍스트를 준비해 적용하는 방법을 설명한다.
7장, '시계열'은 시계열 예측에서 머신러닝의 가치를 설명한다.
8장, '차원 축소'에서는 머신러닝과 경제학 모두에서 사용되는 두 가지 기법인 PCA와 부분 최소 제곱을 간략히 설명한다.
9장, '생성적 모델'에서는 GDP 성장 데이터로 VAE를 훈련해 유사한 시계열을 생성할 수 있다.

[옮긴이의 말]

인과 관계에 집중하는 경제나 금융은 예측이나 분류에 집중된 것으로 보이는 머신러닝 기법과 잘 안 맞아 보일 수도 있다. 저자는 경제와 금융에 전통적 머신러닝과 딥러닝을 접목하기 위해 수많은 학자의 연구를 범주별로 설명해준다. 저자가 추천하는 참고문헌만 따라가면 연구가 이뤄지는 맥락, 성공적인 분야, 개선이 더 많이 필요한 부분을 알 수 있다.
많은 예제를 TensorFlow와 sklearn을 사용해 시연하며 이를 통해 주요 머신러닝, 딥러닝 기법이 경제와 금융에 접목되는 것을 직접 실습해볼 수 있다. 경제나 금융 분야에 인공지능을 접목하고 싶다면 가장 먼저 읽어야 할 필독서다. 전체 개요는 물론 방대한 참고문헌은 이 분야 선구자의 노력을 가장 손쉽게 습득할 수 있는 출발점이 될 것이다.

1장. TensorFlow 2
__TensorFlow 설치하기
__TensorFlow 2의 변경 사항
__경제와 금융을 위한 TensorFlow
____머신러닝
____이론적 모델
__텐서 소개
__TensorFlow의 선형 대수와 미적분
____상수와 변수
____선형 대수
____브로드캐스팅
____미적분
__TensorFlow에서 사용할 데이터 로딩
__요약
__참고문헌

2장. 머신러닝과 경제학
__빅데이터: 계량경제학을 위한 새로운 트릭
__예측 정책 문제
__머신러닝: 응용 계량경제학 접근
__경제학에 대한 머신러닝의 영향
____머신러닝과 전통적 계량경제의 방법
____기성 ML 루틴
____정책 분석
____활발한 연구 및 예측
__경제학자가 알아야 할 머신러닝 방법
__텍스트 데이터
____텍스트를 데이터로 표현하기
____통계적 방법
____응용
__거시경제 예측에서의 머신러닝의 유용성
__요약
__참고문헌

3장. 회귀
__선형 회귀
____개요
____최소 제곱법
____최소 절대 편차
____기타 손실함수
__부분 선형 모델
__비선형 회귀
__로지스틱 회귀
__손실함수
____이산 종속변수
____연속 종속변수
__최적화 프로그램
____확률적 그래디언트 하강법
____최신 최적화 도구
__요약
__참고문헌

4장. 트리
__의사결정 트리
____개요
____특징공학
____훈련
__회귀 트리
__랜덤 포레스트
__그래디언트 부스트 트리
____분류 트리
____회귀 트리
__모델 튜닝
__요약
__참고문헌

5장. 이미지 분류
__이미지 데이터
__신경망
__Keras
____순차적 API
____함수적 API
__추정기
__컨볼루션 신경망
____컨볼루션 계층
____컨볼루션 신경망 훈련하기
__사전 훈련된 모델
____특징 추출
____모델 미세 조정
__요약
__참고문헌

6장. 텍스트 데이터
__데이터 정리 및 준비
____데이터 수집
____텍스트 데이터 표기법
____데이터 준비
__단어 주머니 모델
__사전 기반 방법
__단어 임베딩
__주제 모델링
__텍스트 회귀
__텍스트 분류
__요약
__참고문헌

7장. 시계열
__머신러닝의 순차 모델
____밀집 신경망
____재현 신경망
____장·단기 메모리
____중간 은닉 상태
__다변량 예상
____LSTM
____그래디언트 부스트 트리
__요약
__참고문헌

8장. 차원 축소
__경제학에서의 차원 축소
____주성분 분석
____부분 최소 제곱
__오토 인코더 모델
__요약
__참고문헌

9장. 생성적 모델
__가변 오토 인코더
__생성적 적대 네트워크
__경제와 금융 분야에서의 응용
__요약
__참고문헌

10장. 이론적 모델
__이론적 모델 해결
____케이크 먹기 문제
____신고전주의 비즈니스 사이클 모델
__심층 강화 학습
__요약
__참고문헌