Künstliche Intelligenz im Finanzwesen

Kapitel 7. Dichte neuronale Netze

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

[Wenn du versuchst, die Bewegungen einer Aktie an der Börse anhand ihrer jüngsten Kursentwicklung vorherzusagen, wirst du wahrscheinlich keinen Erfolg haben, denn die Kursentwicklung enthält nicht viele Vorhersageinformationen.

François Chollet (2017)

In diesem Kapitel geht es um wichtige Aspekte von dichten neuronalen Netzen. In den vorherigen Kapiteln wurde diese Art von neuronalen Netzen bereits verwendet. Insbesondere dieMLPClassifier und MLPRegressor Modelle von scikit-learn und das Sequential Modell von Keras zur Klassifizierung und Schätzung sind dichte neuronale Netze (DNNs). Dieses Kapitel konzentriert sich ausschließlich auf Keras, da es mehr Freiheit und Flexibilität bei der Modellierung von DNNs bietet.¹

"Die Daten" stellt den Devisen-Datensatz vor, der in den anderen Abschnitten dieses Kapitels verwendet wird. Die "Basisprognose" erstellt eine Basisprognose für den neuen Datensatz. Die Normalisierung der Trainings- und Testdaten wird in "Normalisierung" vorgestellt . In den Kapiteln "Dropout" und "Regularisierung" werden Dropout und Regularisierung als gängige Methoden zur Vermeidung von Overfitting behandelt. Bagging, eine weitere Methode zur Vermeidung von Overfitting, die bereits in Kapitel 6 verwendet wurde, wird in "Bagging" erneut behandelt . Unter "Optimierer" schließlich wird die Leistung ...