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 neuronaux offrent :

non-linéarité
interactions entre variables
personnalisation

schéma d'un réseau neuronal de base

schéma avec math de base

math des réseaux neuronaux

activation : schéma de réseau

fonction d'activation

fonction de perte

propagation avant

rétropropagation

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 la performance

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 la performance

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

prédictions vs valeurs réelles

Créez un réseau de neurones !

Machine Learning pour la finance en Python