目录

●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 PyTorch 3.1.4 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:强化学习与非很优经济体 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