本书侧重于实证维度的经济和金融问题，以及如何用机器学习方法求解这些问题，通过建立相关模型得出相应的结论。这包括各种区分深度学习模型(DNNs、cnn、lstm和DQNs)、生成机器学习模型(gan和VAEs)和基于树的模型。本书内容还涵盖了经济学和机器学习的经验方法的交叉，包括回归分析，自然语言处理，和降维。本书的读者对象为本专科学生以及研究生，在经济和金融领域工作的数据科学家，公共和私营部门的经济学家，以及社会科学研究者。

序 机器学习的浪潮正在席卷全球,诸如机器学习(Machine Learning)、深度学习(Deep Learning)、神经网络(Neural Network)等专业词汇，也逐渐走入了大众的视野。 互联网技术和计算机技术的不断发展使得人们在互联网上生成了海量的数据，而计算机运算力的提升和机器学习新算法(如深度学习等)的出现, 则促进了机器学习的大爆发。 机器学习最基本的做法是使用算法来解析数据，从中学习规则和关系, 然后对真实世界中的问题做出决策和预测。 目前机器学习方法在指纹识别、人脸识别和物体检测等领域都已达到了商业化的要求。而深度学习则更是将机器学习的应用领域扩大到无人驾驶汽车、语音识别、医疗技术等领域。 机器学习目前已经在经济与金融领域崭露头角，获得了一些非常成功的应用。例如，通过图像识别可以预测港口或交通枢纽的物流及人流信息，从而预测该区域的经济状况。 本书对机器学习模型和方法在经济与金融领域的典型应用，以及未来可能的应用做了较为深入的介绍。 在内容讲述方面，本书深入浅出，摒弃了许多复杂的数学公式，通过一个个具体的案例，对机器学习在经济与金融领域不同方向的应用做了生动的讲解，让读者能很快掌握相关机器学习模型的原理和机制。 读者学习完本书之后，结合一些机器学习、深度学习的理论基础，将可以独立进行机器学习在经济与金融领域的应用开发。 为了与国内读者的阅读习惯保持一致，译者将程序的运行结果统一放在了“程序运行结果”一栏。 书中的程序代码基本无须修改就可以直接运行，因此读者在阅读本书之前，只需要具备简单的Python语言基础即可。 在翻译本...