Нейронные сети

Машинное обучение для финансов на Python

Nathan George

Data Science Professor

Закон Мура для GPU

Потенциал нейронных сетей

Нейронные сети обладают:

нелинейностью
взаимодействием переменных
гибкостью настройки

базовая схема нейронной сети

схема сети с базовой математикой

математика нейронной сети

схема нейронной сети с активациями

функция активации

функция потерь

прямой проход

обратный проход

логотипы Keras и TensorFlow

Реализация нейронной сети с помощью Keras

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

Реализация нейронной сети с помощью 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'))

Обучение модели

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()

график потерь

Оценка качества модели

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

Визуализация результатов

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

прогнозы vs фактические значения

Создайте нейронную сеть!

Машинное обучение для финансов на Python