Jaringan Saraf

Machine Learning untuk Keuangan dengan Python

Nathan George

Data Science Professor

hukum Moore GPU

Potensi jaringan saraf

Jaringan saraf memiliki:

nonlinieritas
interaksi variabel
kebolehsuaian

diagram jaringan saraf dasar

diagram jaringan dengan matematika dasar

matematika jaringan saraf

aktivasi jaringan saraf

fungsi aktivasi

fungsi loss

forward pass

backwards pass

logo keras dan tensorflow

Membangun jaringan saraf dengan Keras

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

Membangun jaringan saraf dengan 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'))

Melatih model

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()

plot loss

Mengecek kinerja

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

Plot kinerja

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

prediksi vs aktual

Buat jaringan saraf!

Machine Learning untuk Keuangan dengan Python