Descripción
Este libro presenta el aprendizaje por refuerzo con teoría matemática y ejemplos prácticos de finanzas cuantitativas utilizando la biblioteca TensorFlow.
Reinforcement Learning for Finance comienza describiendo métodos para entrenar redes neuronales. A continuación, analiza las CNN y RNN, dos tipos de redes neuronales utilizadas como redes de aprendizaje profundo en el aprendizaje por refuerzo. Además, el libro profundiza en la teoría del aprendizaje por refuerzo, explicando el proceso de decisión de Markov, la función de valor, la política y los gradientes de política, con sus formulaciones matemáticas y algoritmos de aprendizaje. Cubre los algoritmos recientes de aprendizaje por refuerzo, desde redes de doble Q profundo hasta gradientes de política deterministas profundos de doble retardo y redes generativas antagónicas con ejemplos que utilizan la biblioteca Python de TensorFlow. También sirve como una guía práctica rápida para la programación de TensorFlow, cubriendo conceptos que van desde variables y gráficos hasta diferenciación automática, capas, modelos y funciones de pérdida.
Después de completar este libro, comprenderá el aprendizaje por refuerzo con redes Q profundas y generativas antagónicas utilizando la biblioteca TensorFlow.
Lo que aprenderá
A quién va dirigido este libroCientíficos de datos, ingenieros de aprendizaje automático y programadores de Python que quieran aplicar el aprendizaje por refuerzo para resolver problemas.
Autor: Samit Ahlawat
Editorial: Apress
Publicado: 27/12/2022
Páginas: 423
Tipo de encuadernación: Tapa blanda
Peso: 1.35 libras
Tamaño: 9.21 de alto x 6.14 de ancho x 0.89 de profundidad
ISBN13: 9781484288344
ISBN10: 1484288343
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Lenguajes | Python
Reinforcement Learning for Finance comienza describiendo métodos para entrenar redes neuronales. A continuación, analiza las CNN y RNN, dos tipos de redes neuronales utilizadas como redes de aprendizaje profundo en el aprendizaje por refuerzo. Además, el libro profundiza en la teoría del aprendizaje por refuerzo, explicando el proceso de decisión de Markov, la función de valor, la política y los gradientes de política, con sus formulaciones matemáticas y algoritmos de aprendizaje. Cubre los algoritmos recientes de aprendizaje por refuerzo, desde redes de doble Q profundo hasta gradientes de política deterministas profundos de doble retardo y redes generativas antagónicas con ejemplos que utilizan la biblioteca Python de TensorFlow. También sirve como una guía práctica rápida para la programación de TensorFlow, cubriendo conceptos que van desde variables y gráficos hasta diferenciación automática, capas, modelos y funciones de pérdida.
Después de completar este libro, comprenderá el aprendizaje por refuerzo con redes Q profundas y generativas antagónicas utilizando la biblioteca TensorFlow.
Lo que aprenderá
- Comprender los fundamentos del aprendizaje por refuerzo
- Aplicar técnicas de programación de aprendizaje por refuerzo para resolver problemas de finanzas cuantitativas
- Obtener información sobre las redes neuronales convolucionales y las redes neuronales recurrentes
- Comprender el proceso de decisión de Markov
A quién va dirigido este libroCientíficos de datos, ingenieros de aprendizaje automático y programadores de Python que quieran aplicar el aprendizaje por refuerzo para resolver problemas.
Autor: Samit Ahlawat
Editorial: Apress
Publicado: 27/12/2022
Páginas: 423
Tipo de encuadernación: Tapa blanda
Peso: 1.35 libras
Tamaño: 9.21 de alto x 6.14 de ancho x 0.89 de profundidad
ISBN13: 9781484288344
ISBN10: 1484288343
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Lenguajes | Python
Sobre el autor
Samit Ahlawat es vicepresidente sénior de investigación cuantitativa y modelado de capital en J.P. Morgan Chase en Nueva York, EE. UU. En su cargo actual, es responsable de construir estrategias de negociación para la gestión de activos y de construir modelos de gestión de riesgos. Sus intereses de investigación incluyen inteligencia artificial, gestión de riesgos y estrategias de negociación algorítmica. Ha impartido charlas en el instituto CQF sobre inteligencia artificial, ha sido autor de varios artículos de investigación en finanzas y posee una patente para la tecnología de reconocimiento facial. En su tiempo libre, contribuye a código abierto.