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、Istm和DONs）、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。

以赛亚·赫尔，是瑞典中央银行研究部的资深经济学家，博士毕业于美国波士顿学院，从事计算经济学、机器学习、微观金融、金融科技等方面的研究。Isaiah Hull博士也在DataCamp平台上讲授课程，包括“基于Python的TensorFlow导论”（Introduction to TensorFlow in Python）等，目前正从事将量子计算、量子货币引入经济学科中的交叉学科研究项目。

第1章 TensorFlow 2简介
1.1 安装TensorFlow
1.2 TensorFlow 2和TensorFlow 1的区别
1.3 TensorFlow与经济金融
1.3.1 机器学习
1.3.2 理论模型
1.4 张量简介
1.5 TensorFlow中的线性代数和微积分
1.5.1 常量和变量
1.5.2 线性代数
1.5.3 微分学
1.6 在TensorFlow中加载应用数据
1.7 本章小结
参考文献
第2章 机器学习与经济学
2.1 大数据：计量经济学的新绝技（Varian，2014）
2.2 策略预测问题（Kleinberg等，2015）
2.3 “机器学习：一个应用计量经济学技巧”（Mullainathan和Spiess，2017）
2.4 “机器学习对经济学的影响”（Athey，2019）
2.4.1 机器学习和传统计量经济学方法
2.4.2 现有的机器学习程序
2.4.3 政策分析
2.4.4 研究热点和预测
2.5 “经济学家应该了解的机器学习方法”（Athey和Imbens，2019）
2.6 “将文本作为数据”（Gentzkow等，2019）
2.6.1 将文本表示为数据
2.6.2 统计方法
2.6.3 应用
2.7 “如何让机器学习对宏观经济预测有用”（Coulombe等，2019）
2.8 本章小结
参考文献
第3章 回归
3.1 线性回归
3.1.1 概述
3.1.2 普通最小二乘法
3.1.3 最小绝对偏差
3.1.4 其他的损失函数
3.2 部分线性模型
3.3 非线性回归
3.4 逻辑回归
3.5 损失函数
3.5.1 离散因变量
3.5.2 连续因变量
3.6 优化器
3.6.1 随机梯度下降（Stochastic Gradient Descent，SGD）
3.6.2 一些改进的优化器
3.7 本章小结
参考文献
第4章 树
4.1 决策树
4.1.1 概述
4.1.2 特征工程
4.1.3 模型训练
4.2 回归树
4.3 随机森林
4.4 梯度提升树
4.4.1 分类树
4.4.2 回归树
4.5 模型调优
4.6 本章小结
参考文献
第5章 图像分类
5.1 图像数据
5.2 神经网络
5.3 Keras
5.3.1 序贯式API
5.3.2 函数式API
5.4 Estimators
5.5 卷积神经网络
5.5.1 卷积层
5.5.2 卷积神经网络的训练
5.6 预训练好的模型
5.6.1 特征提取
5.6.2 模型调优
5.7 本章小结
参考文献
第6章 文本数据
6.1 数据清洗和准备
6.1.1 数据收集
6.1.2 文本数据表征
6.1.3 数据准备
6.2 词袋模型
6.3 基于词典的方法
6.4 词嵌入
6.5 主题建模
6.6 文本回归
6.7 文本分类
6.8 本章小结
参考文献
第7章 时间序列
7.1 机器学习的序贯模型
7.1.1 稠密神经网络
7.1.2 循环神经网络
7.1.3 长短期记忆
7.1.4 中间隐状态
7.2 多元预测
7.2.1 LSTM
7.2.2 梯度提升树
7.3 本章小结
参考文献
第8章 降维
8.1 经济学中的降维
8.1.1 主成分分析
8.1.2 偏最小二乘
8.2 自编码器模型
8.3 本章小结
参考文献
第9章 生成式模型
9.1 变分自编码器
9.2 生成式对抗网络
9.3 经济与金融领域的应用
9.4 本章小结
参考文献
第10章 理论模型
10.1 处理理论模型
10.1.1 吃蛋糕问题
10.1.2 新古典商业周期模型
10.2 深度强化学习
10.3 本章小结
参考文献
术语/短语中英文对照及索引表