Réseaux de neurones

Machine Learning pour la finance en Python

Nathan George

Data Science Professor

Loi de Moore pour les GPU

Le potentiel des réseaux de neurones

Les réseaux de neurones offrent :

non-linéarité
interactions entre variables
forte personnalisation

schéma de réseau de neurones basique

schéma avec mathématiques de base

maths des réseaux de neurones

activations dans un réseau de neurones

fonction d'activation

fonction de perte

propagation avant

propagation arrière

logos keras et tensorflow

Implémenter un réseau avec keras

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

Implémenter un réseau avec keras

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense


model = Sequential()

model.add(Dense(50,
                input_dim=scaled_train_features.shape[1],
                activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='linear'))

Ajuster le modèle

model.compile(optimizer='adam', loss='mse')
history = model.fit(scaled_train_features, 
                    train_targets, 
                    epochs=50)

plt.plot(history.history['loss'])
plt.title('loss:' + str(round(history.history['loss'][-1], 6)))
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

courbe de perte

Évaluer les performances

from sklearn.metrics import r2_score

# calculate R^2 score
train_preds = model.predict(scaled_train_features)
print(r2_score(train_targets, train_preds))

0.4771387560719418

Tracer les performances

# plot predictions vs actual
plt.scatter(train_preds, train_targets)
plt.xlabel('predictions')
plt.ylabel('actual')
plt.show()

prédictions vs réel

Créez un réseau de neurones !

Machine Learning pour la finance en Python