機(jī)器學(xué)習(xí)及其在金融領(lǐng)域中的應(yīng)用

前言
第1章 機(jī)器學(xué)習(xí)簡(jiǎn)介
1.1 機(jī)器學(xué)習(xí)概述
1.1.1 機(jī)器學(xué)習(xí)的含義
1.1.2 機(jī)器學(xué)習(xí)的方法
1.1.3 機(jī)器學(xué)習(xí)的發(fā)展歷程
1.1.4 機(jī)器學(xué)習(xí)的意義
1.2 機(jī)器學(xué)習(xí)的基本術(shù)語(yǔ)
1.3 機(jī)器學(xué)習(xí)的分類(lèi)
1.3.1 監(jiān)督學(xué)習(xí)
1.3.2 無(wú)監(jiān)督學(xué)習(xí)
1.3.3 半監(jiān)督學(xué)習(xí)、主動(dòng)學(xué)習(xí)
第2章 機(jī)器學(xué)習(xí)與金融
2.1 機(jī)器學(xué)習(xí)在金融領(lǐng)域應(yīng)用的基礎(chǔ)
2.2 機(jī)器學(xué)習(xí)在金融領(lǐng)域中的應(yīng)用
2.3 機(jī)器學(xué)習(xí)在金融領(lǐng)域中應(yīng)用的優(yōu)勢(shì)
2.4 機(jī)器學(xué)習(xí)在金融領(lǐng)域應(yīng)用的發(fā)展趨勢(shì)
第3章 監(jiān)督學(xué)習(xí)基礎(chǔ)
3.1 監(jiān)督學(xué)習(xí)概述
3.1.1 基本術(shù)語(yǔ)
3.1.2 學(xué)習(xí)過(guò)程
3.2 模型評(píng)估和模型選擇
3.2.1 損失函數(shù)
3.2.2 風(fēng)險(xiǎn)函數(shù)
3.2.3 測(cè)試誤差和泛化能力
3.2.4 訓(xùn)練誤差和過(guò)擬合
3.3 正則化與交叉驗(yàn)證
3.3.1 正則化
3.3.2 交叉驗(yàn)證
3.4 監(jiān)督學(xué)習(xí)的應(yīng)用
3.4.1 回歸問(wèn)題
3.4.2 分類(lèi)問(wèn)題
3.4.3 監(jiān)督學(xué)習(xí)算法簡(jiǎn)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(lèi)決策規(guī)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(lèi)基本原理
5.1.3 樸素貝葉斯分類(lèi)基本方法
5.2 樸素貝葉斯法的參數(shù)估計(jì)
5.2.1 多項(xiàng)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(jì)
5.3 樸素貝葉斯分類(lèi)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(lèi)中的應(yīng)用
5.3.3 對(duì)樸素貝葉斯法的評(píng)價(jià)
第6章 決策樹(shù)
6.1 決策樹(shù)的學(xué)習(xí)
6.1.1 決策樹(shù)介紹
6.1.2 決策樹(shù)學(xué)習(xí)的基本算法
6.2 特征選擇
6.2.1 決策樹(shù)特征選擇問(wèn)題
6.2.2 常用特征選擇指標(biāo)
6.3 決策樹(shù)剪枝
6.3.1 預(yù)剪枝
6.3.2 后剪枝
6.4 連續(xù)值與缺失值處理
6.4.1 連續(xù)值處理
……
第7章 邏輯回歸
第8章 支持向量機(jī)
第9章 隱馬爾可夫模型
第10章 集成學(xué)習(xí)
第11章 無(wú)監(jiān)督學(xué)習(xí)基礎(chǔ)
第12章 聚類(lèi)
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(yīng)用
第17章 機(jī)器學(xué)習(xí)在銀行領(lǐng)域中的應(yīng)用
第18章 機(jī)器學(xué)習(xí)在保險(xiǎn)領(lǐng)域中的應(yīng)用
第19章 機(jī)器學(xué)習(xí)在互聯(lián)網(wǎng)金融中的應(yīng)用
第20章 機(jī)器學(xué)習(xí)在量化投資中的應(yīng)用
彩圖