经济 类型
6.7 豆瓣评分
可以朗读 语音朗读
179千字 字数
2020-01-01 发行日期
展开全部

主编推荐语

全面介绍机器学习在信贷风控领域的应用与实践。

内容简介

本书回答被众多金融从业者问及的一个普遍性问题：“为什么金融领域如此偏爱Python？”

书中的回答包括以下三点：第一，Python是开放的（Python is open）。Python不仅免费而且还是开源的，同样金融也是海纳百川、兼收并蓄的，Python与金融的“碰撞”必将创造出一个更加开放与包容的金融科技世界。第二，Python是强大的（Python is powerful）。Python拥有大量第三方模块和工具包，便于开展各类科学数据分析与可视化工作，即使在机器学习、深度学习等前沿的人工智能领域，Python的工具包也发挥着不可替代的作用。而如今在整个金融行业数字化、智能化转型的关键阶段，强大的Python将助力金融业的转型。第三，Python是简洁的（Python is simple）。Python的语法结构与代码的简洁性，使得无论是缺乏计算机编程经验的新手，还是熟练驾驭C++、Java、R等语言的编程老手，对Python都比较容易上手。而简洁性这一点也恰恰是当前金融业不断追求的，自从2008年全球金融危机以来，金融领域的一个典型特征就是金融产品的交易结构和规则日趋简洁。

目录

  • 版权信息
  • 推荐序
  • 前言
  • 第1章 风控建模与规则挖掘
  • 1.1 信贷与风险
  • 1.1.1 信贷业务与互联网金融风控体系
  • 1.1.2 信贷风险与控制
  • 1.2 工业建模流程
  • 1.2.1 抽象业务
  • 1.2.2 定义标签
  • 1.2.3 样本选取
  • 1.2.4 特征工程与模型调优
  • 1.2.5 上线监控与评估报表
  • 1.3 规则挖掘方案
  • 1.4 本章小结
  • 第2章 集成模型评分卡
  • 2.1 特征工程解析
  • 2.1.1 特征与模型
  • 2.1.2 信用模型的特征
  • 2.2 特征衍生方案
  • 2.3 离散处理
  • 2.3.1 one-hot编码
  • 2.3.2 WOE编码
  • 2.4 迭代特征筛选方案
  • 2.5 自动化调参
  • 2.5.1 自动化调参策略
  • 2.5.2 参数搜索方案
  • 2.5.3 调参框架搭建
  • 2.6 递归特征删除方案
  • 2.7 评分卡制作
  • 2.7.1 逻辑回归评分卡
  • 2.7.2 集成模型的评分映射
  • 2.7.3 针对业务改写评价函数
  • 2.8 本章小结
  • 第3章 迁移学习与冷启动
  • 3.1 迁移学习基础
  • 3.1.1 应用场景
  • 3.1.2 概念介绍
  • 3.2 迁移学习方法论
  • 3.2.1 三类常见算法
  • 3.2.2 迁移的实现方法
  • 3.3 少量有标签样本的迁移方案
  • 3.3.1 TrAdaBoost模型
  • 3.3.2 跨场景迁移模型
  • 3.4 无标签样本迁移之JDA
  • 3.4.1 JDA模型
  • 3.4.2 模型应用
  • 3.5 无标签样本迁移之DTELM
  • 3.5.1 ELM模型
  • 3.5.2 DTELM模型
  • 3.5.3 模型应用
  • 3.6 迁移样本筛选方案
  • 3.6.1 背景介绍
  • 3.6.2 算法框架概览
  • 3.6.3 搭建融合框架
  • 3.7 本章小结
  • 第4章 幸存者偏差
  • 4.1 幸存者偏差的含义
  • 4.2 增量学习
  • 4.3 生成对抗网络
  • 4.3.1 GAN模型介绍
  • 4.3.2 GAN与幸存者偏差
  • 4.4 高斯混合模型
  • 4.4.1 GMM算法原理
  • 4.4.2 GMM简单应用
  • 4.4.3 GMM中的概率模型
  • 4.4.4 GMM样本生成
  • 4.5 信息准则
  • 4.5.1 赤池信息准则
  • 4.5.2 贝叶斯信息准则
  • 4.5.3 AIC与BIC比较
  • 4.6 本章小结
  • 第5章 不均衡学习
  • 5.1 样本不均衡
  • 5.2 代价敏感加权方案
  • 5.3 插值过采样方案
  • 5.3.1 SMOTE算法
  • 5.3.2 过采样算法实践
  • 5.4 半监督学习方案
  • 5.4.1 前提假设
  • 5.4.2 S3VM
  • 5.4.3 LP
  • 5.5 本章小结
  • 第6章 异常检测
  • 6.1 离群点与欺诈检测
  • 6.2 z-score检验
  • 6.3 LOF异常检测法
  • 6.3.1 原理与算法流程
  • 6.3.2 LOF样本清洗方案
  • 6.4 IF异常检测法
  • 6.4.1 原理与算法流程
  • 6.4.2 PreA模型与冷启动
  • 6.5 本章小结
  • 第7章 模型优化
  • 7.1 多损失函数分段预测
  • 7.1.1 两种损失函数
  • 7.1.2 融合流程
  • 7.2 树模型特征衍生
  • 7.2.1 GBDT离散化
  • 7.2.2 融合方案详解
  • 7.2.3 特征衍生细节
  • 7.2.4 案例
  • 7.3 时间序列建模
  • 7.3.1 RNN
  • 7.3.2 LSTM
  • 7.3.3 门控结构
  • 7.3.4 LSTM行为评分卡案例
  • 7.4 高维稀疏数据建模
  • 7.4.1 算法原理
  • 7.4.2 算法应用
  • 7.5 模型融合
  • 7.5.1 模型融合基础
  • 7.5.2 模型筛选
  • 7.5.3 业务应用方案
  • 7.6 本章小结
  • 第8章 知识图谱
  • 8.1 复杂网络基础
  • 8.2 中心度与相似性
  • 8.3 节点分类
  • 8.3.1 朴素节点分类
  • 8.3.2 邻节点加权投票
  • 8.3.3 一致性标签传播
  • 8.4 社区发现算法
  • 8.4.1 基础概念
  • 8.4.2 Girvan-Newman算法
  • 8.4.3 Louvain算法
  • 8.4.4 社区评估
  • 8.5 网络表示学习
  • 8.5.1 矩阵分解
  • 8.5.2 节点嵌入
  • 8.6 图卷积神经网络
  • 8.6.1 卷积神经网络
  • 8.6.2 傅里叶变换
  • 8.6.3 拉普拉斯算子
  • 8.6.4 GCN中的图卷积
  • 8.7 本章小结
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

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。