Sieci neuronowe

Uczenie maszynowe w finansach z Pythonem

Nathan George

Data Science Professor

prawo Moore'a dla GPU

Potencjał sieci neuronowych

Sieci neuronowe oferują:

nieliniowość
interakcje między zmiennymi
dostosowywalność

podstawowy diagram sieci neuronowej

diagram sieci z podstawowymi obliczeniami

matematyka sieci neuronowej

diagram aktywacji sieci neuronowej

funkcja aktywacji

funkcja straty

przejście w przód

przejście wstecz

logo Keras i TensorFlow

Implementacja sieci neuronowej w Keras

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

Implementacja sieci neuronowej w 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'))

Dopasowywanie modelu

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()

wykres straty

Ocena wydajności modelu

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

Wizualizacja wydajności

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

predykcje a wartości rzeczywiste

Zbuduj sieć neuronową!

Uczenie maszynowe w finansach z Pythonem