人工智能的日益广泛的应用和普及,而要深入理解人工智能,我们必须全面理解底层的各类机器学习算法基本原理并能驾驭人工智能各种应用。
本书分为13章,前7章为原理篇。原理篇中,我们重点讨论机器学习模型建模的全部流程,各类常用的机器学习算法原理,深度学习和强化学习原理,机器学习涉及的优化论原理,以及机器学习和自然语言处理技术。后面6章为实战篇,我们重点讨论信用卡场景中的客户细分,保险行业中的生活事件时间序列预测,电商交易中欺诈客户预测,信用卡和金融贷款场景中的风控预测,房价估值和预测,以及股市短期回报率预测等多个实际应用场景。
本书理论知识覆盖面广而又保留了最有价值的推导,特别适合在各个行业工作的数据科学从业者,在校学习的人工智能和数据科学专业学生,科技公司的管理者和决策者,以及人工智能的初学者和爱好者。
刘春雷,毕业于中国科学技术大学物理专业,本科毕业后,前往美国留学深造,并且获得了美国卡耐基梅隆大学机器学习专业硕士和美国匹兹堡大学物理专业博士的学位。在研究生和博士学习中,结合数据挖掘,机器学习理论知识和大数据技术,在应用物理领域做出了杰出的工作和成就。经过多年博士以及博士后阶段的学习和研究工作后,作者又先后在美国智库型研究公司和华尔街商业银行工作,积累了大量把人工智能,机器学习算法和数据科学技术应用到工业实践中的经验。作者最近的工作为北京的金融科技创新企业,研究人工智能技术应用到金融科技和其他关乎提高人们生活和工作效率的行业中。
第1章 人工智能应用场景——金融风控
1.1 反欺诈与信用评估
1.2 信用评估模型介绍
1.3 客户营销与风控管理
1.4 建模中的拒绝推断
1.5 评分卡模型
第2章 人工智能中的机器学习和模型评价
2.1 机器学习预测结果推广性理论
2.2 机器学习问题的分类
2.3 二分类模型的评价方法
2.4 多分类模型的评价方法
2.5 回归模型的评价方法
第3章 机器学习建模重要步骤
3.1 数据收集
3.2 数据清洗转换和预处理
3.3 特征工程
3.4 模型的选择和建立
3.5 模型的监控
第4章 机器学习常用算法原理
4.1 回归算法
4.2 梯度下降优化
4.3 朴素贝叶斯、支持向量机和决策树算法
4.4 集成算法、随机森林算法和梯度增强机算法
4.5 无监督学习算法
4.6 神经网络算法
第5章 深度学习和强化学习
5.1 深度学习算法
5.2 强化学习算法
第6章 机器学习和最优化
6.1 最优化理论和机器学习的关系
6.2 最优化理论的分类和理解
6.3 机器学习算法中最优化应用
第7章 自然语言处理算法原理
7.1 文本数据处理和NLP基础
7.2 机器学习算法在NLP中的应用
7.3 深度学习在NLP中的应用
第8章 信用卡客户细分
8.1 EDA探索性数据分析
8.2 数据预处理和特征工程
8.3 K-Means聚类建模和分组个数选择
8.4 建模结果可视化和分析
第9章 保险公司时间序列生活事件预测
9.1 朴素贝叶斯算法和马尔可夫链算法应用
9.2 时间序列特征工程和梯度增强机算法
9.3 深度学习算法的应用
第10章 电商网站交易欺诈预测
10.1 EDA探索性数据分析
10.2 模型选择
10.3 数据特征工程
第11章 信用卡和信用贷款风险预测
11.1 信用卡客户风险预测和管理
11.2 个人信用分期贷款风险预测
第12章 美国旧金山房屋成交价格预测
12.1 EDA探索性数据分析和特征工程
12.2 房屋价格预测建模和验证
第13章 股票短期回报率预测
13.1 EDA探索性数据分析
13.2 数据预处理和特征工程
13.3 短期回报率预测模型