Kapitel 8. Rekurrente neuronale Netze
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Die Geschichte wiederholt sich nicht, aber sie reimt sich.
Mark Twain (wahrscheinlich)
Mein Leben schien eine Aneinanderreihung von Ereignissen und Unfällen zu sein. Doch wenn ich zurückblicke, erkenne ich ein Muster.
Bernoît Mandelbrot
In diesem Kapitel geht es um rekurrente neuronale Netze (RNNs). Dieser Netzwerktyp wurde speziell dafür entwickelt, um aus sequentiellen Daten wie Text- oder Zeitreihendaten zu lernen. Die Diskussion in diesem Kapitel ist wie immer praxisorientiert und stützt sich hauptsächlich auf ausgearbeitete Python-Beispiele, für die Keras verwendet wird.1
"Erstes Beispiel" und "Zweites Beispiel" stellen RNNs anhand von zwei einfachen Beispielen mit numerischen Beispieldaten vor. Die Anwendung von RNNs zur Vorhersage sequenzieller Daten wird veranschaulicht. "Financial Price Series" arbeitet dann mit Daten aus Finanzpreisreihen und wendet den RNN-Ansatz an, um eine solche Reihe direkt durch Schätzung vorherzusagen. " Financial Return Series" arbeitet dann mit Renditedaten, um die künftige Richtung des Preises eines Finanzinstruments ebenfalls über einen Schätzungsansatz vorherzusagen. " Financial Features" fügt dem Mix zusätzlich zu den Preis- und Renditedaten finanzielle Merkmale hinzu, um die Marktrichtung vorherzusagen. In diesem Abschnitt werden drei verschiedene Ansätze vorgestellt: ...
Get Künstliche Intelligenz im Finanzwesen now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
