互联网
类型
可以朗读
语音朗读
313千字
字数
2021-12-01
发行日期
展开全部
主编推荐语
本书系统讲解Python编程、数据挖掘、主要金融应用场景的数据挖掘方法。
内容简介
本书是金融数据挖掘与分析领域的实战性著作，它能指导零Python编程基础和零数据挖掘与分析基础的读者快速掌握金融数据挖掘与分析的工具、技术和方法。
目录
- 版权信息
- 作者介绍
- 推荐语
- 前言
- 第1章 Python工作环境准备
- 1.1 Anaconda环境安装
- 1.2 常用Python交互工具
- 1.3 Jupyter Notebook简介
- 1.4 习题
- 第2章 Python入门
- 2.1 Python基础知识
- 2.2 Python基础语法
- 2.3 Python变量类型
- 2.4 Python运算符
- 2.4.1 算术运算符
- 2.4.2 比较运算符
- 2.4.3 赋值运算符
- 2.4.4 按位运算符
- 2.4.5 逻辑运算符
- 2.4.6 成员运算符
- 2.4.7 身份运算符
- 2.4.8 运算符优先级
- 2.5 Python条件与循环语句
- 2.5.1 条件语句
- 2.5.2 循环语句
- 2.6 Python函数
- 2.7 Python模块
- 2.8 Python文件处理
- 2.9 Python异常
- 2.10 数据分析相关库
- 2.10.1 NumPy
- 2.10.2 Matplotlib
- 2.10.3 PySpark
- 2.10.4 其他常用库
- 2.11 习题
- 第3章 数据预处理
- 3.1 数据分析工作流程
- 3.2 数据预处理
- 3.2.1 数据集导入
- 3.2.2 数据概览
- 3.2.3 数据清洗
- 3.2.4 类别变量转换
- 3.2.5 数据分割
- 3.2.6 特征缩放
- 3.3 鸟瞰机器学习
- 3.4 习题
- 第4章 数据挖掘方法
- 4.1 分类分析
- 4.1.1 决策树
- 4.1.2 支持向量机
- 4.1.3 分类算法的选择
- 4.2 聚类分析
- 4.2.1 K均值算法
- 4.2.2 聚类算法和分类算法的区别
- 4.3 回归分析
- 4.3.1 变量间的关系
- 4.3.2 回归分析算法的分类和步骤
- 4.3.3 回归分析算法的选择
- 4.4 关联分析
- 4.4.1 关联规则
- 4.4.2 关联规则的序列模式
- 4.5 时间序列分析
- 4.5.1 时间序列分析方法和步骤
- 4.5.2 时间序列的三种预测模式
- 4.6 异常检测
- 4.7 推荐算法
- 4.8 习题
- 第5章 网络舆情采集与热点分析
- 5.1 网络舆情概述
- 5.1.1 大数据网络舆情背景
- 5.1.2 舆情处理过程
- 5.2 舆情数据采集
- 5.2.1 网络舆情采集工具
- 5.2.2 网络舆情数据爬取实例
- 5.3 实战：微博热点话题聚类
- 5.4 习题
- 第6章 舆情研判之情感分类
- 6.1 情感分析介绍
- 6.1.1 情感分析分类
- 6.1.2 情感分析文本预处理
- 6.1.3 实战：中文文本处理练习
- 6.2 情感分类方法
- 6.2.1 基于词典的情感分类
- 6.2.2 基于机器学习的情感分类
- 6.2.3 基于深度学习模型的情感分类
- 6.3 情感分类实战演练
- 6.3.1 淘宝家电商品评论情感分类预测
- 6.3.2 京东客户评论情感倾向预测
- 6.4 习题
- 第7章 用机器学习方法预测股价
- 7.1 股市数据分析价值
- 7.1.1 案例背景
- 7.1.2 案例价值
- 7.2 ARIMA模型
- 7.3 实战：基于SVM和ARIMA的股价预测
- 7.4 习题
- 第8章 用人工智能方法预测股价
- 8.1 神经网络预测方法
- 8.1.1 门控循环单元
- 8.1.2 VADER情感分析
- 8.2 实战：基于LSTM和GRU的股价预测
- 8.3 实战：股票市场新闻情感分析
- 8.4 习题
- 第9章 个人信用评分
- 9.1 个人信用评分概述
- 9.1.1 需求背景
- 9.1.2 国内外发展状况
- 9.2 信用评分的技术与方法
- 9.2.1 信用评分的简要历史
- 9.2.2 信用评分的主要模型与方法
- 9.3 信用评分卡模型
- 9.3.1 模型介绍
- 9.3.2 数据分箱
- 9.3.3 WOE值
- 9.3.4 IV值
- 9.3.5 逻辑回归算法原理
- 9.3.6 模型评价指标
- 9.3.7 建立信用评分卡
- 9.4 实战：信用评分卡
- 9.4.1 读取数据
- 9.4.2 数据预处理
- 9.4.3 探索性分析
- 9.4.4 模型分析
- 9.4.5 建立信用评分卡
- 9.5 习题
- 第10章 个人信用等级评估
- 10.1 概述
- 10.2 个人信用等级评估方法
- 10.2.1 决策树
- 10.2.2 随机森林
- 10.2.3 XGBoost简介
- 10.2.4 多重共线性
- 10.2.5 数据重采样
- 10.3 实战：个人信用等级评估
- 10.3.1 导入相应包并读取数据
- 10.3.2 查看数据情况
- 10.3.3 数据预处理及相关函数构建
- 10.3.4 模型训练
- 10.3.5 预测并生成结果
- 10.4 习题
- 第11章 企业信用评估
- 11.1 企业信用评估概述
- 11.2 企业信用评估的技术与方法
- 11.2.1 支持向量机
- 11.2.2 朴素贝叶斯
- 11.2.3 感知机
- 11.3 实战：企业信用评估
- 11.3.1 导入相应包并读取数据
- 11.3.2 数据预处理
- 11.3.3 可视化各变量总体分布直方图
- 11.3.4 建模分析预测企业违约情况
- 11.3.5 模型评估
- 11.3.6 模型预测
- 11.4 习题
- 第12章 用户画像
- 12.1 用户画像的价值
- 12.1.1 用户画像的定义
- 12.1.2 标签体系
- 12.1.3 用户画像的意义
- 12.2 用户画像的构建
- 12.2.1 用户画像的构建步骤
- 12.2.2 创建用户画像的方法
- 12.2.3 丰富用户画像
- 12.3 实战：电商用户画像构建
- 12.4 实战：电商用户行为分析
- 12.5 习题
- 第13章 目标客户运营
- 13.1 目标客户运营概述
- 13.2 目标客户运营模型
- 13.2.1 目标客户模型探索
- 13.2.2 目标客户聚类算法
- 13.3 目标客户的挖掘与分类
- 13.3.1 挖掘目标客户
- 13.3.2 目标客户的可视化工具
- 13.3.3 基于RFM模型的客户分类
- 13.3.4 基于LRFMC模型的客户分类
- 13.4 实战：商场客户细分管理
- 13.4.1 导入相关库
- 13.4.2 数据可视化及分析
- 13.4.3 K均值聚类分析
- 13.5 实战：航空公司VIP客户体系管理
- 13.5.1 数据集说明
- 13.5.2 导入相关库
- 13.5.3 数据分析及可视化
- 13.5.4 特征属性的相关性分析
- 13.5.5 属性规约
- 13.5.6 构建聚类模型
- 13.5.7 客户分群可视化
- 13.6 习题
- 第14章 智能推荐
- 14.1 精准营销概述
- 14.1.1 传统营销
- 14.1.2 新时代营销
- 14.2 智能推荐概述
- 14.2.1 Apriori算法
- 14.2.2 FP-Growth算法
- 14.2.3 关联规则的应用实例
- 14.3 实战：火锅店推荐
- 14.3.1 导入相关库
- 14.3.2 数据可视化及分析
- 14.3.3 特色菜推荐
- 14.3.4 K均值聚类分析
- 14.3.5 智能推荐器
- 14.4 实战：基于关联规则的数据挖掘
- 14.4.1 导入相关库
- 14.4.2 数据可视化及分析
- 14.4.3 关联分析——Apriori算法
- 14.5 习题
- 参考文献
展开全部
评分及书评
评分不足
1个评分
给这本书评了4.0金融数据挖掘一本结合理论与实战的金融分析书籍。它以 Python 语言为工具，深入浅出地介绍了金融数据挖掘的技术和方法。书中案例丰富，注重实践操作，适合金融专业人士和数据分析师提升技能。特点在于将复杂的金融分析概念以 Python 代码的形式具体化，易于理解和应用，是金融数据分析领域的实用手册。其中，第三章《数据预处理》、第五章《网络舆情采集与热点分析、情感分类》、尤其是第七八章，《用机器学习和人工智能方法预测股价》，个人比较感兴趣。
出版方
机械工业出版社有限公司
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
