دانلود کتاب Data mining in finance: advances in relational and hybrid methods

ترجمه فارسی توضیحات (ترجمه ماشینی)

داده کاوی در امور مالی: پیشرفت در روش های رابطه ای و ترکیبی

داده کاوی در امور مالی یک نمای کلی از رویکردهای الگوریتمی اصلی برای داده کاوی پیش بینی، شامل روش های آماری، شبکه های عصبی، روش های مبتنی بر قانون، درخت تصمیم و منطق فازی ارائه می دهد و سپس مناسب بودن این رویکردها را برای داده کاوی مالی بررسی می کند. این کتاب به طور خاص بر داده کاوی رابطه ای (RDM) تمرکز دارد، که یک روش یادگیری است که قادر به یادگیری قوانین بیانی بیشتری نسبت به سایر رویکردهای نمادین است. بنابراین RDM برای ماینینگ مالی مناسب‌تر است، زیرا می‌تواند از دانش زیربنایی دامنه استفاده بیشتری کند. داده‌کاوی رابطه‌ای همچنین توانایی بهتری در توضیح قوانین کشف‌شده دارد – توانایی بسیار مهمی برای اجتناب از الگوهای جعلی که به ناگزیر زمانی که تعداد متغیرهای مورد بررسی بسیار زیاد است به وجود می‌آیند. الگوریتم‌های قبلی برای داده‌کاوی رابطه‌ای، که به نام برنامه‌نویسی منطق استقرایی (ILP) نیز شناخته می‌شوند، از ناکارآمدی محاسباتی نسبی رنج می‌برند و ابزارهای نسبتاً محدودی برای پردازش داده‌های عددی دارند. داده کاوی در امور مالی یک رویکرد جدید را معرفی می کند که داده کاوی رابطه ای را با تجزیه و تحلیل اهمیت آماری قوانین کشف شده ترکیب می کند. این باعث کاهش فضای جستجو و افزایش سرعت الگوریتم ها می شود. این کتاب همچنین ابزارهای تعاملی و منطق فازی را برای استخراج دانش از کارشناسان ارائه می‌کند و فضای جستجو را بیشتر کاهش می‌دهد. داده کاوی در امور مالی شامل تعدادی مثال عملی از پیش‌بینی S&P 500، نرخ ارز، جهت سهام و رتبه‌بندی سهام برای پرتفوی است که به خوانندگان علاقه‌مند اجازه می‌دهد تا مدل‌های خود را بسازند. این کتاب یک مرجع عالی برای محققان و متخصصان در زمینه های هوش مصنوعی، یادگیری ماشین، داده کاوی، کشف دانش و ریاضیات کاربردی است.

Data mining in finance: advances in relational and hybrid methods

Data Mining in Finance presents a comprehensive overview of major algorithmic approaches to predictive data mining, including statistical, neural networks, ruled-based, decision-tree, and fuzzy-logic methods, and then examines the suitability of these approaches to financial data mining. The book focuses specifically on relational data mining (RDM), which is a learning method able to learn more expressive rules than other symbolic approaches. RDM is thus better suited for financial mining, because it is able to make greater use of underlying domain knowledge. Relational data mining also has a better ability to explain the discovered rules — an ability critical for avoiding spurious patterns which inevitably arise when the number of variables examined is very large. The earlier algorithms for relational data mining, also known as inductive logic programming (ILP), suffer from a relative computational inefficiency and have rather limited tools for processing numerical data. Data Mining in Finance introduces a new approach, combining relational data mining with the analysis of statistical significance of discovered rules. This reduces the search space and speeds up the algorithms. The book also presents interactive and fuzzy-logic tools for `mining’ the knowledge from the experts, further reducing the search space. Data Mining in Finance contains a number of practical examples of forecasting S&P 500, exchange rates, stock directions, and rating stocks for portfolio, allowing interested readers to start building their own models. This book is an excellent reference for researchers and professionals in the fields of artificial intelligence, machine learning, data mining, knowledge discovery, and applied mathematics.