Deep Learning für Finanzen

Kapitel 2. Wesentliche probabilistische Methoden für Deep Learning

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

Der Aufstieg und die Zugänglichkeit der Technologie haben es jedem ermöglicht, maschinelles Lernen und Deep-Learning-Algorithmen zur Datenanalyse und -optimierung einzusetzen. Aber leider versteht eine große Zahl von Nutzern die Grundlagen der verschiedenen Lernmodelle nicht. Das macht maschinelles Lernen für sie zu einer Art Mystery Box, was ein Rezept für ein Desaster ist.

Das Verständnis grundlegender Konzepte in den Bereichen Wahrscheinlichkeit, Statistik und Mathematik ist wichtig, um Daten zu verstehen und zu beherrschen und um Modelle zu erstellen, die Daten interpretieren und vorhersagen sollen. In diesem Kapitel werden die Grundlagen der Wahrscheinlichkeitsrechnung vorgestellt, die entweder direkt oder indirekt mit den Algorithmen zusammenhängen. Es ist zwar unwahrscheinlich, dass du diese Wahrscheinlichkeitskonzepte in deinem Alltag verwendest, aber es ist wichtig zu wissen, woher einige Algorithmen ihre Annahmen nehmen.

Eine Einführung in die Wahrscheinlichkeitsrechnung

Bei derWahrscheinlichkeitsrechnung geht es um die Beschreibung von Zufallsvariablen und Zufallsereignissen. Die Welt ist voller Zufälle, und der beste Weg, sich im Chaos zurechtzufinden, ist der Versuch, es mit probabilistischen Methoden zu erklären. Zugegeben, der Ausdruck " Chaos erklären" mag ein Widerspruch ...