掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
以利為利:財政關系與地方政府行為
-
>
立足飯碗 藏糧于地——基于中國人均耕地警戒值的耕地保護視角
-
>
營銷管理
-
>
茶葉里的全球貿易史(精裝)
-
>
近代華商股票市場制度與實踐(1872—1937)
-
>
麥肯錫圖表工作法
-
>
海龜交易法則
機器學習及其在金融領域中的應用 版權信息
- ISBN：9787312048791
- 條形碼：9787312048791 ; 978-7-312-04879-1
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習及其在金融領域中的應用 內容簡介
機器學習是一門多領域學科，在金融領域應用廣泛。本書從機器學習基礎概念人手，由淺入深，由概念理論延伸至實際應用，介紹了機器學習中關于監督學習和無監督學習的相關理論及其在金融領域中的應用。其中，理論部分闡述了常見的監督學習算法和無監督學習算法，以更為直觀和形象的方法來介紹相關復雜理論，尤其適合經管類專業學生閱讀。應用部分闡述了機器學習算法在金融各領域中的應用，其中的案例以現實金融問題為基礎，利用機器學習算法來解決金融問題(部分案例給出具體的算法和Python代碼實現)。在每章*后給出了復習思考題，有利于學生更好地掌握本書內容。本書是經管類學生進人大數據金融和金融科技領域較好的人門教材。
機器學習及其在金融領域中的應用 目錄
前言
第1章 機器學習簡介
1.1 機器學習概述
1.1.1 機器學習的含義
1.1.2 機器學習的方法
1.1.3 機器學習的發展歷程
1.1.4 機器學習的意義
1.2 機器學習的基本術語
1.3 機器學習的分類
1.3.1 監督學習
1.3.2 無監督學習
1.3.3 半監督學習、主動學習
第2章 機器學習與金融
2.1 機器學習在金融領域應用的基礎
2.2 機器學習在金融領域中的應用
2.3 機器學習在金融領域中應用的優勢
2.4 機器學習在金融領域應用的發展趨勢
第3章 監督學習基礎
3.1 監督學習概述
3.1.1 基本術語
3.1.2 學習過程
3.2 模型評估和模型選擇
3.2.1 損失函數
3.2.2 風險函數
3.2.3 測試誤差和泛化能力
3.2.4 訓練誤差和過擬合
3.3 正則化與交叉驗證
3.3.1 正則化
3.3.2 交叉驗證
3.4 監督學習的應用
3.4.1 回歸問題
3.4.2 分類問題
3.4.3 監督學習算法簡介
第4章 k近鄰法
4.1 足近鄰算法
4.2 距離度量
4.3 足值的選擇
4.4 分類決策規則
4.5 算例
第5章 樸素貝葉斯法
5.1 貝葉斯決策理論
5.1.1 貝葉斯定理
5.1.2 貝葉斯分類基本原理
5.1.3 樸素貝葉斯分類基本方法
5.2 樸素貝葉斯法的參數估計
5.2.1 多項式模型
5.2.2 高斯模型
5.2.3 伯努利模型
5.2.4 貝葉斯估計
5.3 樸素貝葉斯分類器
5.3.1 樸素貝葉斯算法
5.3.2 樸素貝葉斯法在文本分類中的應用
5.3.3 對樸素貝葉斯法的評價
第6章 決策樹
6.1 決策樹的學習
6.1.1 決策樹介紹
6.1.2 決策樹學習的基本算法
6.2 特征選擇
6.2.1 決策樹特征選擇問題
6.2.2 常用特征選擇指標
6.3 決策樹剪枝
6.3.1 預剪枝
6.3.2 后剪枝
6.4 連續值與缺失值處理
6.4.1 連續值處理
……
第7章 邏輯回歸
第8章 支持向量機
第9章 隱馬爾可夫模型
第10章 集成學習
第11章 無監督學習基礎
第12章 聚類
第13章 主成分分析
第14章 馬爾可夫鏈蒙特卡羅法
第15章 特征工程
第16章 sklearn介紹和應用
第17章 機器學習在銀行領域中的應用
第18章 機器學習在保險領域中的應用
第19章 機器學習在互聯網金融中的應用
第20章 機器學習在量化投資中的應用
彩圖
第1章 機器學習簡介
1.1 機器學習概述
1.1.1 機器學習的含義
1.1.2 機器學習的方法
1.1.3 機器學習的發展歷程
1.1.4 機器學習的意義
1.2 機器學習的基本術語
1.3 機器學習的分類
1.3.1 監督學習
1.3.2 無監督學習
1.3.3 半監督學習、主動學習
第2章 機器學習與金融
2.1 機器學習在金融領域應用的基礎
2.2 機器學習在金融領域中的應用
2.3 機器學習在金融領域中應用的優勢
2.4 機器學習在金融領域應用的發展趨勢
第3章 監督學習基礎
3.1 監督學習概述
3.1.1 基本術語
3.1.2 學習過程
3.2 模型評估和模型選擇
3.2.1 損失函數
3.2.2 風險函數
3.2.3 測試誤差和泛化能力
3.2.4 訓練誤差和過擬合
3.3 正則化與交叉驗證
3.3.1 正則化
3.3.2 交叉驗證
3.4 監督學習的應用
3.4.1 回歸問題
3.4.2 分類問題
3.4.3 監督學習算法簡介
第4章 k近鄰法
4.1 足近鄰算法
4.2 距離度量
4.3 足值的選擇
4.4 分類決策規則
4.5 算例
第5章 樸素貝葉斯法
5.1 貝葉斯決策理論
5.1.1 貝葉斯定理
5.1.2 貝葉斯分類基本原理
5.1.3 樸素貝葉斯分類基本方法
5.2 樸素貝葉斯法的參數估計
5.2.1 多項式模型
5.2.2 高斯模型
5.2.3 伯努利模型
5.2.4 貝葉斯估計
5.3 樸素貝葉斯分類器
5.3.1 樸素貝葉斯算法
5.3.2 樸素貝葉斯法在文本分類中的應用
5.3.3 對樸素貝葉斯法的評價
第6章 決策樹
6.1 決策樹的學習
6.1.1 決策樹介紹
6.1.2 決策樹學習的基本算法
6.2 特征選擇
6.2.1 決策樹特征選擇問題
6.2.2 常用特征選擇指標
6.3 決策樹剪枝
6.3.1 預剪枝
6.3.2 后剪枝
6.4 連續值與缺失值處理
6.4.1 連續值處理
……
第7章 邏輯回歸
第8章 支持向量機
第9章 隱馬爾可夫模型
第10章 集成學習
第11章 無監督學習基礎
第12章 聚類
第13章 主成分分析
第14章 馬爾可夫鏈蒙特卡羅法
第15章 特征工程
第16章 sklearn介紹和應用
第17章 機器學習在銀行領域中的應用
第18章 機器學習在保險領域中的應用
第19章 機器學習在互聯網金融中的應用
第20章 機器學習在量化投資中的應用
彩圖
展開全部
書友推薦
- >
羅庸西南聯大授課錄
- >
姑媽的寶刀
- >
有舍有得是人生
- >
回憶愛瑪儂
- >
煙與鏡
- >
山海經
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
我從未如此眷戀人間
本類暢銷
