中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
智能風控:原理、算法與工程實踐 版權信息
- ISBN：9787111643531
- 條形碼：9787111643531 ; 978-7-111-64353-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能風控:原理、算法與工程實踐 本書特色
內容介紹
本書基于Python全面介紹了機器學習在信貸風控領域的應用與實踐，從原理、算法與工程實踐3個維度全面展開，包含21種實用算法和26個解決方案。
作者是智能風控、人工智能和算法領域的專家，曾在多家知名金融科技企業從事風控算法方面的研究與實踐，經驗豐富，本書得到了風控領域9位專家的高度評價。
全書一共8章，每個章節都由問題、算法、案例三部分組成，具有系統性和實戰性。
第1-2章講解了信貸業務的基礎知識以及常用的規則引擎、信用評估引擎的建模方法。
第3章以項目冷啟動為背景，講解了風控領域應用廣泛的遷移學習方法。
第4-5章介紹了幸存者偏差與不均衡學習中所使用的無監督學習與半監督學習方法。
第6章闡述了無監督的異常識別算法，該算法常用于數據清洗與冷啟動項目，是反欺詐引擎中常用的個體欺詐檢測方法。
第7章分享了一些經作者實踐證明效果較好的模型優化方法，并對模型融合的思路進行了較為詳細的介紹。內容介紹
本書基于Python全面介紹了機器學習在信貸風控領域的應用與實踐，從原理、算法與工程實踐3個維度全面展開，包含21種實用算法和26個解決方案。
作者是智能風控、人工智能和算法領域的專家，曾在多家知名金融科技企業從事風控算法方面的研究與實踐，經驗豐富，本書得到了風控領域9位專家的高度評價。
全書一共8章，每個章節都由問題、算法、案例三部分組成，具有系統性和實戰性。
第1-2章講解了信貸業務的基礎知識以及常用的規則引擎、信用評估引擎的建模方法。
第3章以項目冷啟動為背景，講解了風控領域應用廣泛的遷移學習方法。
第4-5章介紹了幸存者偏差與不均衡學習中所使用的無監督學習與半監督學習方法。
第6章闡述了無監督的異常識別算法，該算法常用于數據清洗與冷啟動項目，是反欺詐引擎中常用的個體欺詐檢測方法。
第7章分享了一些經作者實踐證明效果較好的模型優化方法，并對模型融合的思路進行了較為詳細的介紹。
第8章重點講解了知識圖譜相關的復雜網絡基礎知識及網絡表示學習方法，其中的社區發現算法常用于團伙欺詐檢測。此外，本章中的部分方法對信用評估模型的優化也有很大幫助。
智能風控:原理、算法與工程實踐 內容簡介
（1）作者是風控、AI、算法領域的專家，曾在多家知名金融科技公司從事基于機器學習的風控算法優化工作，經驗十分豐富。
（2）從原理、算法、工程實踐3個維度全面展開，全面介紹了現階段風控領域面臨的挑戰，以及機器學習在各種風控場景中的應用。
（3）基于Python新版本撰寫，每個章節都包含問題、案例、算法3個部分，實操性強。
（4）科大訊飛劉鵬等10位專家聯袂推薦。
（5）包含21種實用算法與26個解決方案
智能風控第二彈來襲！
智能風控:原理、算法與工程實踐 目錄
推薦序
前言
第1章 風控建模與規則挖掘 / 1
1.1 信貸與風險 / 1
1.1.1 信貸業務與互聯網金融風控體系 / 1
1.1.2 信貸風險與控制 / 4
1.2 工業建模流程 / 5
1.2.1 抽象業務 / 6
1.2.2 定義標簽 / 6
1.2.3 樣本選取 / 7
1.2.4 特征工程與模型調優 / 9
1.2.5 上線監控與評估報表 / 10
1.3 規則挖掘方案 / 13
1.4 本章小結 / 20
第2章 集成模型評分卡 / 21
2.1 特征工程解析 / 21
2.1.1 特征與模型 / 22
2.1.2 信用模型的特征 / 22
2.2 特征衍生方案 / 24
2.3 離散處理 / 27
2.3.1 one-hot編碼 / 27
2.3.2 WOE編碼 / 28
2.4 迭代特征篩選方案 / 33
2.5 自動化調參 / 38
2.5.1 自動化調參策略 / 38
2.5.2 參數搜索方案 / 39
2.5.3 調參框架搭建 / 40
2.6 遞歸特征刪除方案 / 43
2.7 評分卡制作 / 44
2.7.1 邏輯回歸評分卡 / 45
2.7.2 集成模型的評分映射 / 55
2.7.3 針對業務改寫評價函數 / 59
2.8 本章小結 / 60
第3章 遷移學習與冷啟動 / 61
3.1 遷移學習基礎 / 61
3.1.1 應用場景 / 62
3.1.2 概念介紹 / 62
3.2 遷移學習方法論 / 63
3.2.1 三類常見算法 / 63
3.2.2 遷移的實現方法 / 64
3.3 少量有標簽樣本的遷移方案 / 65
3.3.1 TrAdaBoost模型 / 65
3.3.2 跨場景遷移模型 / 67
3.4 無標簽樣本遷移之JDA / 76
3.4.1 JDA模型 / 76
3.4.2 模型應用 / 79
3.5 無標簽樣本遷移之DTELM / 80
3.5.1 ELM模型 / 81
3.5.2 DTELM模型 / 82
3.5.3 模型應用 / 84
3.6 遷移樣本篩選方案 / 88
3.6.1 背景介紹 / 88
3.6.2 算法框架概覽 / 88
3.6.3 搭建融合框架 / 89
3.7 本章小結 / 93
第4章 幸存者偏差 / 95
4.1 幸存者偏差的含義 / 95
4.2 增量學習 / 96
4.3 生成對抗網絡 / 97
4.3.1 GAN模型介紹 / 98
4.3.2 GAN與幸存者偏差 / 99
4.4 高斯混合模型 / 100
4.4.1 GMM算法原理 / 101
4.4.2 GMM簡單應用 / 103
4.4.3 GMM中的概率模型 / 104
4.4.4 GMM樣本生成 / 107
4.5 信息準則 / 110
4.5.1 赤池信息準則 / 110
4.5.2 貝葉斯信息準則 / 111
4.5.3 AIC與BIC比較 / 111
4.6 本章小結 / 112
第5章 不均衡學習 / 113
5.1 樣本不均衡 / 113
5.2 代價敏感加權方案 / 114
5.3 插值過采樣方案 / 115
5.3.1 SMOTE算法 / 115
5.3.2 過采樣算法實踐 / 116
5.4 半監督學習方案 / 121
5.4.1 前提假設 / 122
5.4.2 S3VM / 122
5.4.3 LP / 127
5.5 本章小結 / 130
第6章 異常檢測 / 132
6.1 離群點與欺詐檢測 / 133
6.2 z-score檢驗 / 134
6.3 LOF異常檢測法 / 134
6.3.1 原理與算法流程 / 135
6.3.2 LOF樣本清洗方案 / 137
6.4 IF異常檢測法 / 139
6.4.1 原理與算法流程 / 139
6.4.2 PreA模型與冷啟動 / 141
6.5 本章小結 / 144
第7章 模型優化 / 145
7.1 多損失函數分段預測 / 145
7.1.1 兩種損失函數 / 146
7.1.2 融合流程 / 146
7.2 樹模型特征衍生 / 149
7.2.1 GBDT離散化 / 149
7.2.2 融合方案詳解 / 150
7.2.3 特征衍生細節 / 151
7.2.4 案例 / 151
7.3 時間序列建模 / 160
7.3.1 RNN / 160
7.3.2 LSTM / 163
7.3.3 門控結構 / 164
7.3.4 LSTM行為評分卡案例 / 166
7.4 高維稀疏數據建模 / 170
7.4.1 算法原理 / 171
7.4.2 算法應用 / 172
7.5 模型融合 / 173
7.5.1 模型融合基礎 / 173
7.5.2 模型篩選 / 174
7.5.3 業務應用方案 / 181
7.6 本章小結 / 183
第8章 知識圖譜 / 184
8.1 復雜網絡基礎 / 184
8.2 中心度與相似性 / 187
8.3 節點分類 / 193
8.3.1 樸素節點分類 / 193
8.3.2 鄰節點加權投票 / 195
8.3.3 一致性標簽傳播 / 197
8.4 社區發現算法 / 200
8.4.1 基礎概念 / 200
8.4.2 Girvan-Newman算法 / 201
8.4.3 Louvain算法 / 202
8.4.4 社區評估 / 204
8.5 網絡表示學習 / 206
8.5.1 矩陣分解 / 207
8.5.2 節點嵌入 / 210
8.6 圖卷積神經網絡 / 215
8.6.1 卷積神經網絡 / 215
8.6.2 傅里葉變換 / 217
8.6.3 拉普拉斯算子 / 219
8.6.4 GCN中的圖卷積 / 221
8.7 本章小結 / 225
參考文獻 / 226
前言
第1章 風控建模與規則挖掘 / 1
1.1 信貸與風險 / 1
1.1.1 信貸業務與互聯網金融風控體系 / 1
1.1.2 信貸風險與控制 / 4
1.2 工業建模流程 / 5
1.2.1 抽象業務 / 6
1.2.2 定義標簽 / 6
1.2.3 樣本選取 / 7
1.2.4 特征工程與模型調優 / 9
1.2.5 上線監控與評估報表 / 10
1.3 規則挖掘方案 / 13
1.4 本章小結 / 20
第2章 集成模型評分卡 / 21
2.1 特征工程解析 / 21
2.1.1 特征與模型 / 22
2.1.2 信用模型的特征 / 22
2.2 特征衍生方案 / 24
2.3 離散處理 / 27
2.3.1 one-hot編碼 / 27
2.3.2 WOE編碼 / 28
2.4 迭代特征篩選方案 / 33
2.5 自動化調參 / 38
2.5.1 自動化調參策略 / 38
2.5.2 參數搜索方案 / 39
2.5.3 調參框架搭建 / 40
2.6 遞歸特征刪除方案 / 43
2.7 評分卡制作 / 44
2.7.1 邏輯回歸評分卡 / 45
2.7.2 集成模型的評分映射 / 55
2.7.3 針對業務改寫評價函數 / 59
2.8 本章小結 / 60
第3章 遷移學習與冷啟動 / 61
3.1 遷移學習基礎 / 61
3.1.1 應用場景 / 62
3.1.2 概念介紹 / 62
3.2 遷移學習方法論 / 63
3.2.1 三類常見算法 / 63
3.2.2 遷移的實現方法 / 64
3.3 少量有標簽樣本的遷移方案 / 65
3.3.1 TrAdaBoost模型 / 65
3.3.2 跨場景遷移模型 / 67
3.4 無標簽樣本遷移之JDA / 76
3.4.1 JDA模型 / 76
3.4.2 模型應用 / 79
3.5 無標簽樣本遷移之DTELM / 80
3.5.1 ELM模型 / 81
3.5.2 DTELM模型 / 82
3.5.3 模型應用 / 84
3.6 遷移樣本篩選方案 / 88
3.6.1 背景介紹 / 88
3.6.2 算法框架概覽 / 88
3.6.3 搭建融合框架 / 89
3.7 本章小結 / 93
第4章 幸存者偏差 / 95
4.1 幸存者偏差的含義 / 95
4.2 增量學習 / 96
4.3 生成對抗網絡 / 97
4.3.1 GAN模型介紹 / 98
4.3.2 GAN與幸存者偏差 / 99
4.4 高斯混合模型 / 100
4.4.1 GMM算法原理 / 101
4.4.2 GMM簡單應用 / 103
4.4.3 GMM中的概率模型 / 104
4.4.4 GMM樣本生成 / 107
4.5 信息準則 / 110
4.5.1 赤池信息準則 / 110
4.5.2 貝葉斯信息準則 / 111
4.5.3 AIC與BIC比較 / 111
4.6 本章小結 / 112
第5章 不均衡學習 / 113
5.1 樣本不均衡 / 113
5.2 代價敏感加權方案 / 114
5.3 插值過采樣方案 / 115
5.3.1 SMOTE算法 / 115
5.3.2 過采樣算法實踐 / 116
5.4 半監督學習方案 / 121
5.4.1 前提假設 / 122
5.4.2 S3VM / 122
5.4.3 LP / 127
5.5 本章小結 / 130
第6章 異常檢測 / 132
6.1 離群點與欺詐檢測 / 133
6.2 z-score檢驗 / 134
6.3 LOF異常檢測法 / 134
6.3.1 原理與算法流程 / 135
6.3.2 LOF樣本清洗方案 / 137
6.4 IF異常檢測法 / 139
6.4.1 原理與算法流程 / 139
6.4.2 PreA模型與冷啟動 / 141
6.5 本章小結 / 144
第7章 模型優化 / 145
7.1 多損失函數分段預測 / 145
7.1.1 兩種損失函數 / 146
7.1.2 融合流程 / 146
7.2 樹模型特征衍生 / 149
7.2.1 GBDT離散化 / 149
7.2.2 融合方案詳解 / 150
7.2.3 特征衍生細節 / 151
7.2.4 案例 / 151
7.3 時間序列建模 / 160
7.3.1 RNN / 160
7.3.2 LSTM / 163
7.3.3 門控結構 / 164
7.3.4 LSTM行為評分卡案例 / 166
7.4 高維稀疏數據建模 / 170
7.4.1 算法原理 / 171
7.4.2 算法應用 / 172
7.5 模型融合 / 173
7.5.1 模型融合基礎 / 173
7.5.2 模型篩選 / 174
7.5.3 業務應用方案 / 181
7.6 本章小結 / 183
第8章 知識圖譜 / 184
8.1 復雜網絡基礎 / 184
8.2 中心度與相似性 / 187
8.3 節點分類 / 193
8.3.1 樸素節點分類 / 193
8.3.2 鄰節點加權投票 / 195
8.3.3 一致性標簽傳播 / 197
8.4 社區發現算法 / 200
8.4.1 基礎概念 / 200
8.4.2 Girvan-Newman算法 / 201
8.4.3 Louvain算法 / 202
8.4.4 社區評估 / 204
8.5 網絡表示學習 / 206
8.5.1 矩陣分解 / 207
8.5.2 節點嵌入 / 210
8.6 圖卷積神經網絡 / 215
8.6.1 卷積神經網絡 / 215
8.6.2 傅里葉變換 / 217
8.6.3 拉普拉斯算子 / 219
8.6.4 GCN中的圖卷積 / 221
8.7 本章小結 / 225
參考文獻 / 226
展開全部
智能風控:原理、算法與工程實踐 相關資料
風控是金融和交易類業務的核心環節，此領域缺乏邏輯實證主義體系下的整體框架。本書在這方面做出了非常有價值的總結，它會幫助風控人員快速建立起合理的思考方式和扎實的方法論。 ——劉鵬 科大訊飛副總裁，《計算廣告》作者 本書主要關注金融科技在信貸領域的創新應用，算法原理與工程實踐并重，在理論與現實之間架起了一座堅實的橋梁。 ——李志勇 西南財經大學金融學院信用管理系主任/《信用評分工具》等書譯者 本書可讀性強，漫畫風格；實戰性強，每個知識點都有案例；技術和算法在風控領域也比較超前，如生成對抗網絡、遷移學習等。閱讀過程像是給自己的風控體系做診斷，在確認病因后，本書還提供了藥方。 ——黃瑩 歷任微軟解決方案專家/DataVisor資深風控顧問 對于初學者而言，書的易讀性很重要，這本書的*特點是內容表達形式豐富多樣。還給出了大量源代碼，讓讀者很容易上手實踐。 ——閆光 某四大風險咨詢高級總監/信息安全專家 本書全面講解了機器學習算法在風控和反欺詐領域的應用，讀者既能學習機器學習算法，又能理解智能風控在業務中的具體應用。 ——艾輝 融360高級技術經理/前餓了么高級技術經理 將書中的遷移學習、模型融合、圖卷積神經網絡等新知識點與自身的策略知識與業務經驗相結合，建立客群分層衍生變量、融合模型等，模型性能會有較大提升，值得大家反復閱讀。 ——周立烽 前阿里系禧云、騰訊系微盟風控總監 本書*的特點是對多種新興檢測方法的覆蓋，它很好地平衡了理論性與工程性的比例，并提供了全面的實例代碼，值得從業者和研究者反復閱讀。 ——趙越 卡內基梅隆大學在讀博士/PyOD作者 作者基于豐富的從業經驗，結合詳實的案例，為讀者提供了風控模型策略開發的全流程方案。 ——謝士晨 中銀富登高級數據分析經理/R和Python包ScoreCard作者 如果你正在從事或者希望從事數據分析、風控建模、算法工程類工作，相信此書不會讓你失望。 ——翟錕 華億嘉科技風控總監 全書以案例驅動，案例多來自一線業務，有非常強的業務指向性，所提供的方案與代碼也有非常強的實操性。 ——范曉鋒 阿里巴巴本地生活資深總監
智能風控:原理、算法與工程實踐 作者簡介
作者介紹
梅子行
風控技術專家、AI技術專家和算法專家，現就職于滿幫科技，負責機器學習在風控領域的算法優化。歷任多家知名金融科技公司的風控算法研究員、數據挖掘工程師。
師承Experian、Discover等企業的風控專家，擅長深度學習、復雜網絡、遷移學習、異常檢測等非傳統機器學習方法，熱衷于數據挖掘以及算法的跨領域優化實踐。
公眾號與知乎專欄：“大數據風控與機器學習”。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
自卑與超越
- >
我與地壇
- >
回憶愛瑪儂
- >
山海經
- >
經典常談
- >
史學評論
- >
姑媽的寶刀
本類暢銷
