消息首页搜索举报

全新正版现货金融商业算法建模:基于Python和SAS:based on Pyth

正版新书现货可以下单一般就是有货的下午5点前订单当天发货

69.22 6.4折 109 全新

仅1件

北京丰台

认证卖家担保交易快速发货售后保障

作者赵仁乾[等]著

出版社机械工业出版社

ISBN9787111692775

出版时间2021-10

版次1

装帧平装

开本16开

纸张胶版纸

定价109元

货号R_11301348

上书时间2024-01-23

黎明书店

十四年老店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 7小时
好评率暂无

最新上架

刘伟见现代诗系（全4册） ¥93.22

天下秦商:庚寅 2010年 ¥165.20

邓秀水彩画集 ¥40.12

工艺木雕 ¥20.65

原始的音迹——姚恒璐钢琴音乐作品选 ¥44.25

壮锦谣:壮家女儿唐彩妹独唱音乐会 ¥28.32

为祖国干杯??著名男高音歌唱家聂建华独唱专辑 ¥26.55

康建东交响作品音乐会 ¥38.35

甘州文化精粹丛书（全8册） ¥168.74

商品详情

品相描述：全新

商品描述: 基本信息
书名:金融商业算法建模:基于Python和SAS:based on Python and SAS
定价：109.00元
作者:赵仁乾[等]著
出版社：机械工业出版社
出版日期：2021-10-01
ISBN：9787111692775
字数：
页码：
版次：
装帧：平装
开本：16开
商品重量：
编辑推荐
（1）作者背景资深：4位作者都是在金融领域有10~20年数据挖掘和算法建模经验的资深专家，技术功底深厚，业务经验丰富。（2）金融业务驱动：以真实的业务场景和案例为驱动，涵盖金融业务经营的全流程，告别纯理论和不接地气。（3）9大模板：针对决策类、识别类、优化分析类3大主题，9大模板：客户价值预测、营销响应预测、细分画像、交叉销售、申请反欺诈、违规行为识别、预测、运筹优化、流程挖掘。（4）数据建模闭环：涵盖分析框架、模型算法、模型评估、模型监控、算法工程化等完整的数据建模闭环。
内容提要
内容简介这是一本贯穿金融业务经营全流程，以业务为驱动的金融数据挖掘与建模著作，涵盖分析框架、模型算法、模型评估、模型监控、算法工程化等整个数据建模的闭环。本书的4位作者都是在金融领域有有多年工作经验的大数据专家，不仅技术功底深厚、业务经验丰富，而且对金融行业从业者的需求痛点和图书市场的供给情况有深入了解，他们通过精心策划和写作，让本书内容独树一帜：涵盖金融业务经营全流程，全部以业务驱动，包含大量针对具体场景的实战案例。本书针对决策类、识别类、优化分析类3大主题，9大模板：客户价值预测、营销响应预测、细分画像、交叉销售、申请反欺诈、违规行为识别、预测、运筹优化、流程挖掘，详细讲解了每个模板算法原理、评估方法、优化方法和应用案例等，内容上极力做到准确、明晰、直观与实用。此外，本书还对数据科学项目中比较容易被忽视的内容做了补充，包括模型评估、模型监控、算法工程化，能指导读者构建易读、高效、健壮的数据科学工程。本书坚持理论与实践相结合，通过图形、示例、公式帮助读者快速掌握算法与优化理论的同时，还打造了一套可轻松适配各种分析场景与需求的工具模板，力图帮助读者从理论快速跨越到实践。
目录
前言章　金融建模综述11.1　企业中数据分析的层级11.2　操作层面的数据分析对象与成果41.3　数据挖掘方法分类介绍41.3.1　预测性—有监督学习51.3.2　描述性—无监督学习101.4　数据挖掘方法论121.5　数据挖掘建模框架的3个原则141.6　利用SAS EM创建数据挖掘项目161.6.1　创建数据挖掘项目161.6.2　给项目添加逻辑库和数据集201.6.3　SAS EM项目的系统文档介绍26第2章　决策类模型282.1　客户价值预测282.1.1　线性回归模型概述282.1.2　Python案例：线性回归建模332.1.3　多元线性回归的变量筛选402.1.4　Python案例：多元线性回归变量筛选432.1.5　模型假设检验442.1.6　残差分析482.1.7　强影响点分析492.1.8　Python案例：线性回归调优实战502.1.9　线性回归的完整流程小结592.1.10　正则化612.1.11　Python案例：岭回归与Lasso回归实战652.2　营销响应预测702.2.1　使用逻辑回归预测用户响应率702.2.2　比较逻辑回归与线性回归702.2.3　图解逻辑回归712.2.4　逻辑回归算法概述732.2.5　分类模型的评估752.2.6　分类变量的处理792.2.7　Python案例：逻辑回归建模实战802.2.8　SAS EM案例：贷款违约预测实战882.2.9　逻辑回归建模小结1042.3　细分画像1042.3.1　主成分分析1052.3.2　因子分析1162.3.3　变量聚类1272.3.4　样本聚类1—层次聚类1302.3.5　样本聚类2—K-Means聚类1362.4　交叉销售1652.4.1　关联规则1652.4.2　序列模式185第3章　识别类模型1953.1　申请反欺诈1953.1.1　决策树1953.1.2　组合算法2283.1.3　近邻域法2533.1.4　朴素贝叶斯2573.1.5　支持向量机2633.1.6　神经网络2763.2　违规行为识别2943.2.1　孤立森林2963.2.2　局部异常因子304第4章　优化分析类模型3084.1　预测技术3084.1.1　效应分解法3094.1.2　基于动力模型的ARIMA3174.1.3　基于深度学习的LSTM3334.2　运筹优化3414.2.1　线性规划3424.2.2　整数规划3444.2.3　非线性规划3474.3　流程挖掘3484.3.1　业务流程挖掘的总体理念3484.3.2　流程发现3524.3.3　流程监控3534.3.4　流程遵循3544.3.5　Python案例：利用pm4py实现流程挖掘355第5章　模型评估与模型监控3635.1　模型评估3635.1.1　混淆矩阵3635.1.2　ROC曲线3635.1.3　KS统计量3655.1.4　洛伦兹曲线与基尼系数3665.2　模型监控3685.2.1　前端监控—业务指标3685.2.2　前端监控—评分分布稳定性3685.2.3　前端监控—特征分布稳定性3705.2.4　后端监控—评分正确性3715.2.5　后端监控—变量有效性372第6章　算法工程化3746.1　构建合理的项目工程结构3746.1.1　为什么要构建合理的项目工程结构3746.1.2　什么是一个数据科学项目应有的结构3756.2　如何编写规范的数据工程代码3786.2.1　代码可读性3796.2.2　数据处理性能381附录　SAS EM节点说明386
作者介绍

序言