新書推薦：
《
枪与炮：武器百科全书（全2册）
》
售價：HK$
437.8
《
神的人类学：海舍尔的宗教哲学
》
售價：HK$
77.0
《
那些和爱有关的人
》
售價：HK$
66.0
《
民国粤味 2： 府邸食单
》
售價：HK$
63.8
《
今日幼儿教育（第15版）/教育治理与领导力丛书
》
售價：HK$
294.8
《
能量自愈
》
售價：HK$
108.9
《
好望角系列丛书·断裂与延续：从奥斯曼帝国到现代土耳其
》
售價：HK$
151.8
《
中国俗文学史（新校本）
》
售價：HK$
96.8
|
| 編輯推薦： |
|
宏观经济学研究正步入“智能计算”新时代。 传统数量方法在处理高维、非线性及异质性主体模型时常面临“维数诅咒”的瓶颈。而机器学习，特别是深度学习，为我们推开了一扇新的窗口。 《机器学习与数量宏观经济学：以PyTorch为工具》正是应运而生的开创之作。它将宏观经济学研究与机器学习方法有机结合，展示了如何利用PyTorch工具强大的自动微分和张量计算能力，高效求解含有复杂摩擦和异质性的动态随机一般均衡模型，从而将宏观经济的数量分析推向新的高度。 作者冯志钢教授兼具深厚的宏观经济学功底与计算技术，更难得的是，他拥有将高深理论深入浅出呈现的教学热忱。本书源自其深受欢迎的大学课程与B站“中南宏观”频道视频课，凝结了其多年研究与教学心血。经由中南财经政法大学李小平教授翻译，确保中文版的专业性与可读性。 对于致力于突破宏观经济学研究边界的经济学者，本书不仅是一部高质量教材，更是一把开启宏观经济学未来研究范式的关键钥匙。
|
| 內容簡介： |
|
本书将机器学习技术与数量宏观经济学有机融合，通过案例分析与数学推导，系统展示了如何运用机器学习方法解决高维动态均衡模型问题——特别是含有异质代理人和不完全市场条件下的模型问题，为宏观经济学研究者提供了一部详实的方法指南和案例集锦。 在书中，作者首先阐述机器学习的基本原理及关键概念；然后，介绍如何应用PyTorch进行机器学习，以期为读者提供必要的工具；最后，在介绍典型随机增长模型的传统解法后，作者通过详实的过程演示，一步步指导读者如何基于机器学习方法对标准模型进行高效求解，及对包含各类摩擦的非最优模型进行数值模拟。书中案例配有相关 PyTorch 代码实现，以期帮助读者理解如何将理论概念转化为实际应用。本书源自作者在中南财经政法大学、对外经济贸易大学等院校所讲授的课程，以及在bilibili网站“中南宏观”个人频道发布的视频课程。本书为攻克计算宏观经济学难题奠定了坚实基础，为宏观经济学研究者提供了创新的关键工具。
|
| 關於作者： |
|
作者：冯志钢，湖北省广济县(今武穴市)人；自2009年起，先后在苏黎世大学、普渡大学、伊利诺伊大学厄巴纳-香槟分校、中南财经政法大学从事教学与研究工作；现任美国内布拉斯加大学奥马哈分校经济系终身教授。主要研究领域涵盖宏观经济学、数量方法与人工智能、公共财政学、劳动经济学及卫生经济学，在相关领域积累了一定的研究经验。于2020年在bilibili网站创建“中南宏观”频道，致力于通过新媒体平台普及经济学知识，深入浅出地讲解宏观经济学理论与前沿动态，构建学术研究与知识传播之间的桥梁。译者：李小平，中南财经政法大学校长助理、科学研究部部长，入选中宣部文化名家暨“四个一批”人才、国家“万人计划”哲学社会科学领军人才、教育部青年长江学者、湖北省“楚天名师”、湖北省有突出贡献的中青年专家，教育部新世纪优秀人才支持计划获得者，湖北省新世纪优秀人才支持计划获得者，第三批“全国高校黄大年式教师团队”负责人，国家一流本科线下课程“国际商务”负责人。兼任第一届全国数字经济专业学位研究生教育指导委员会委员、中国宏观经济管理教育学会副会长、湖北省世界经济学会副会长、中国美国经济学会副秘书长、中国世界经济学会常务理事、武汉市政府咨询委员会委员、国家社科基金重大项目和一般项目通讯评审专家等。
|
| 目錄：
|
|
第一章 机器学习基础1.1 通过 Sora 理解机器学习1.1.1 流形分布定理和低维数据1.1.2 Sora 的突破与局限性1.1.3 临界态和物理悖论:机器学习的新前沿1.2 机器学习与宏观经济学中的均衡1.2.1 经济模型与物理系统模型的对比1.2.2 推动机器学习和经济建模进步的几何方法1.3 机器学习的要素、目标及评估1.3.1 理解要素1.3.2 机器学习的目标:泛化1.3.3 评估性能1.4 机器学习的三要素1.4.1 模型1.4.2 学习准则1.4.3 优化算法1.5 泛化与模型选择1.5.1 泛化误差、过拟合与欠拟合1.5.2 偏差-方差权衡1.5.3 评估泛化性能的技术1.5.4 正则化技术1.5.5 集成方法1.5.6 模型可解释性和可说明性1.6 机器学习的一个简单实例———线性回归1.6.1 参数学习1.7 小结习题第二章 机器学习中的神经网络2.1 神经元2.2 激活函数2.2.1 神经元的线性变换2.2.2 神经网络线性变换、Arrow-Debreu 资产模型和流形分布定理2.2.3 通过激活函数进行非线性变换2.2.4 Sigmoid 函数2.2.5 Hard-Logistic 和 Hard-Tanh 函数2.2.6 ReLU 函数2.2.7 Swish 函数2.2.8 GELU 函数2.2.9 Maxout 单元2.2.10 选择激活函数2.3 网络结构2.4 前馈神经网络2.4.1 通用近似定理2.4.2 机器学习中的应用2.4.3 参数学习2.4.4 Dropout 技术2.5 反向传播算法2.5.1 反向传播算法的数学基础2.5.2 神经网络中反向传播的示例2.5.3 优化与改进2.6 自动梯度计算2.6.1 数值微分2.6.2 符号微分2.6.3 自动微分2.7 小结习题第三章 PyTorch 与机器学习3.1 PyTorch 简介3.1.1 什么是 PyTorch 3.1.2 使用 PyTorch 进行机器学习的优势3.1.3 安装 PyTorch3.1.4 PyTorch 基础3.2 PyTorch 中的张量3.2.1 什么是张量 理解 PyTorch 的核心数据结构3.2.2 张量操作3.3 在 PyTorch 中构建神经网络3.3.1 理解神经网络的结构3.3.2 激活函数3.3.3 损失函数3.3.4 在 PyTorch 中优化算法3.4 准备训练数据3.4.1 生成用于回归的随机数据3.4.2 创建 PyTorch 数据集3.4.3 数据加载器和批处理3.4.4 数据变换和增强3.5 训练模型3.5.1 Autograd:PyTorch 的自动微分引擎3.5.2 模型训练和优化3.5.3 定义模型架构3.5.4 初始化模型和设备选择3.5.5 训练循环3.5.6 监控训练进度3.6 保存和加载模型3.6.1 保存训练好的模型参数3.6.2 加载预训练模型3.6.3 在动态宏观模型中的应用3.7 超参数调优3.7.1 理解超参数3.7.2 超参数调优技术3.7.3 使用 PyTorch 的内置超参数调优工具3.8 使用 PyTorch 训练回归模型3.9 JIT 编译加速执行3.10 小结习题第四章 随机增长模型的数值方法4.1 模型设置4.1.1 社会规划者问题4.1.2 求解方法4.2 扰动法4.3 投影法4.3.1 有限元方法4.3.2 切比雪夫多项式的谱方法4.3.3 Smolyak 算法4.3.4 与神经网络的联系4.4 值函数迭代4.5 不同求解方法的表现4.6 小结习题第五章 通过机器学习求解动态均衡模型5.1 消费-储蓄问题5.2 深度学习解法5.2.1 生命周期回报5.2.2 欧拉方程5.2.3 贝尔曼方程5.3 PyTorch 实例5.4 深度学习方法的优势5.5 小结习题第六章 通过机器学习分析异质代理人模型6.1 具有总量不确定性的异质代理人模型6.1.1 经济环境6.1.2 竞争均衡6.2 主要计算挑战6.2.1 将分布作为状态变量6.2.2 分布的演化6.3 基于机器学习的算法6.3.1 基于直方图的分布近似6.3.2 基于神经网络的函数近似6.3.3 值函数和策略函数迭代算法6.4 小结习题第七章:强化学习与非最优经济体7.1 经济环境7.1.1 家庭7.1.2 政府7.1.3 政府问题的递归表示7.2 均衡的计算7.2.1 集合 Ω 的刻画7.2.2 通过机器学习计算均衡7.2.3 数值算法概述7.3 小结习题参考文献
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
