金融中的机器学习
全新正版 极速发货
￥ 85.35 7.1折 ￥ 119.9 全新
库存3件
广东广州
认证卖家担保交易快速发货售后保障
作者[英]简尼斯·克拉斯（JannesKlaas）著,曾荣飞 译
出版社人民邮电出版社
ISBN9787115563095
出版时间2021-07
装帧平装
开本16开
定价119.9元
货号31175167
上书时间2024-06-02
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
简尼斯·克拉斯（JannesKlaas）是一名拥有金融学和经济学背景的量化分析师。他曾主导过两个机器学习训练营项目，也同研发数据驱动类应用的公司和交易策略类公司有过合作。目前，他的研究领域包括系统风险和大规模自动化的知识挖掘。
目录
第 1章 神经网络和基于梯度的优化1
1.1 本书的内容概要2
1.2 什么是机器学习3
1.3 监督学习4
1.4 非监督学习5
1.5 强化学习5
1.5.1 极其有效的数据6
1.5.2 模型即是错6
1.6 创建工作区8
1.7 使用Kaggle内核8
1.8 使用AWS深度学习AMI12
1.9 近似函数12
1.10 前向传递13
1.11 逻辑回归器14
1.12 优化模型参数17
1.13 评估模型损失18
1.13.1 梯度下降19
1.13.2 反向传播20
1.13.3 参数更新22
1.13.4 阶段小结22
1.14 深度网络25
1.15 Keras简介29
1.15.1 导入Keras库30
1.15.2 Keras中的双层模型30
1.15.3 Keras和TensorFlow33
1.16 张量和计算图33
1.17 练习35
1.18 本章小结35
第 2章 机器学习在结构化数据中的应用37
2.1 数据38
2.2 启发式模型、基于特征的模型和E2E模型40
2.3 机器学习软件栈41
2.4 启发式方法42
2.4.1 使用启发式模型来预测42
2.4.2 F1分数43
2.4.3 基于混淆矩阵的评价44
2.5 特征工程方法45
2.5.1 特征源于直觉—诈骗者永不眠46
2.5.2 专家视角—转账后提款48
2.5.3 统计奇事—余额中的错误48
2.6 Keras库的数据准备49
2.6.1 one-hot编码50
2.6.2 实体嵌入（entity embeddings）51
2.7 使用Keras创建预测模型54
2.7.1 提取目标55
2.7.2 创建测试集55
2.7.3 创建验证集56
2.7.4 训练数据的过采样56
2.7.5 构建模型57
2.8 基于决策树方法的简要入门61
2.8.1 一个简单的决策树61
2.8.2 随机森林62
2.8.3 XGBoost63
2.9 E2E模型64
2.10 练习65
2.11 本章小结65
第3章 计算机视觉的应用66
3.1 卷积神经网络68
3.1.1 过滤MNIST数据集68
3.1.2 第二个过滤器70
3.2 彩色图片的过滤技术71
3.3 Keras ConvNet组成模块72
3.3.1 Conv2D72
3.3.2 最大池化76
3.3.3 Flatten层77
3.3.4 Dense层78
3.3.5 训练MNIST78
3.4 神经网络的延展83
3.4.1 动量83
3.4.2 Adam优化器84
3.4.3 正则化（regularization）85
3.4.4 失效（dropout）88
3.4.5 批归一化（BatchNorm）90
3.5 采用大图片数据集91
3.6 采用预训练模型93
3.6.1 修改VGG1695
3.6.2 随机图像增强96
3.7 模块度权衡99
3.8 计算机视觉不止分类100
3.8.1 人脸识别100
3.8.2 边框预测102
3.9 练习104
3.10 本章小结104
第4章 理解时间序列106
4.1 数据的可视化与Pandas准备107
4.1.1 汇总全局特征统计109
4.1.2 检查采样时间序列112
4.1.3 不同平稳特性115
4.1.4 为什么平稳性重要116
4.1.5 让时间序列具有平稳性116
4.1.6 何时忽略平稳性问题118
4.2 快速傅里叶变换118
4.3 自相关121
4.4 构建训练和测试方案123
4.5 回测124
4.6 中位数预测126
4.7 ARIMA模型128
4.8 卡曼滤波131
4.9 神经网络预测136
4.10 Conv1D142
4.11 因果卷积和扩张卷积143
4.12 简单的RNN145
4.13 LSTM146
4.14 循环dropout149
4.15 贝叶斯深度学习150
4.16 练习153
4.17 本章小结154
第5章 用自然语言处理解析文本数据155
5.1 spaCy的入门指南156
5.2 命名实体识别158
5.3 词性标记166
5.4 基于规则的匹配168
5.4.1 在匹配器中添加自定义函数170
5.4.2 匹配器添加到pipeline中172
5.4.3 基于规则和学习相结合的系统172
5.5 正则表达式173
5.5.1 Python正则表达式174
5.5.2 Pandas正则表达式175
5.5.3 何时使用正则表达式175
5.6 文本分类任务175
5.7 准备数据176
5.7.1 清理字符176
5.7.2 词形还原177
5.7.3 制定目标178
5.7.4 准备训练集和测试集179
5.8 词袋模型179
5.9 主题模型181
5.10 单词嵌入183
5.10.1 针对单词向量训练的预处理184
5.10.2 加载预先训练的单词向量186
5.10.3 单词向量的时间序列模型190
5.11 具有单词嵌入的文档相似度191
5.12 快速浏览Keras函数API192
5.13 注意力机制195
5.14 注意力模块197
5.15 seq2seq模型199
5.15.1 seq2seq架构概述199
5.15.2 数据200
5.15.3 字符编码202
5.15.4 构建推断模型206
5.15.5 翻译208
5.16 练习210
5.17 本章小结211
第6章 生成模型的应用212
6.1 理解自编码器213
6.1.1 MNIST的自编码器214
6.1.2 信用卡自编码器217
6.2 使用t-SNE可视化隐空间221
6.3 变分自编码器225
6.3.1 MNIST实例226
6.3.2 使用Lambda层227
6.3.3 Kullback-Leibler散度228
6.3.4 创建自定义损失230
6.3.5 使用VAE生成数据231
6.3.6 针对端到端诈骗检测系统的VAE233
6.4 时间序列的VAE234
6.5 GAN236
6.5.1 MNIST GAN238
6.5.2 理解GAN隐向量245
6.5.3 GAN训练技巧245
6.6 使用更少的数据—主动学习248
6.6.1 高效使用标签预算248
6.6.2 采用机器来为人类打标签250
6.6.3 未打标签数据的伪标签251
6.6.4 使用生成模型251
6.7 用于诈骗检测的SGAN251
6.8 练习258
6.9 本章小结258
第7章 金融市场中的强化学习259
7.1 “接水果”游戏—强化学习的快速指南260
7.1.1 Q-learning将强化学习变成监督学习262
7.1.2 定义Q-learning模型265
7.1.3 训练玩“接水果”游戏266
7.2 马尔可夫过程和贝尔曼方程—强化学习的形式化介绍268
7.3 优势动作评论（A2C）模型273
7.3.1 学习平衡275
7.3.2 学习交易286
7.4 进化策略和基因算法290
7.5 强化学习工程的实用建议292
7.5.1 设计良好的收益函数292
7.5.2 强鲁棒性的强化学习294
7.6 强化学习技术前沿295
7.6.1 多代理强化学习295
7.6.2 学习如何去学习296
7.6.3 通过强化学习理解大脑297
7.7 练习298
7.8 本章小结298
第8章 调试和发布产品299
8.1 调试数据300
8.1.1 如何查看数据是否胜任任务300
8.1.2 没有足够数据该怎么办302
8.1.3 单元测试数据302
8.1.4 保证数据隐私并遵守法规306
8.1.5 为训练准备数据308
8.1.6 了解何种输入导致何种预测309
8.2 调试模型311
8.2.1 Hyperas搜索超参311
8.2.2 高效的学习率搜索316
8.2.3 学习率调度318
8.2.4 TensorBoard监控训练320
8.2.5 梯度爆炸和消失324
8.3 部署325
8.3.1 快速上线326
8.3.2 理解和监控指标327
8.3.3 了解数据的来源328
8.4 性能建议329
8.4.1 使用合适的硬件329
8.4.2 使用分布式训练和TF估计器329
8.4.3 使用CuDNNLSTM优化层331
8.4.4 优化管道331
8.4.5 使用Cython加速代码334
8.4.6 缓存频繁的请求336
8.5 练习336
8.6 本章小结336
第9章 挑战偏见338
9.1 机器学习中不公平的来源339
9.2 法律视角340
9.3 量化公平341
9.4 训练公平344
9.5 因果学习354
9.5.1 获得因果模型355
9.5.2 工具变量356
9.5.3 非线性因果模型357
9.6 解释模型来确保公平359
9.7 不公平则是复杂系统的失败364
9.7.1 复杂系统本质上是危险系统365
9.7.2 诸多故障引发灾难365
9.7.3 复杂系统以降级模式运行365
9.7.4 人工操作既能引发事故也能防止事故365
9.7.5 无事故操作要求有故障经验365
9.8 开发公平模型的检查清单366
9.8.1 模型开发人员的目标是什么366
9.8.2 数据存在偏见吗366
9.8.3 错误是否有偏见366
9.8.4 如何整合反馈367
9.8.5 模型可解释吗367
9.8.6 模型部署后会发生什么367
9.9 练习367
9.10 本章小结368
第 10章 贝叶斯推理和概率编程369
10.1 贝叶斯推理入门指南370
10.1.1 扁平先验371
10.1.2 < 50%先验373
10.1.3 先验与后验374
10.1.4 马尔可夫链蒙特卡罗算法376
10.1.5 Metropolis-Hastings MCMC381
10.1.6 从概率编程到深度概率编程386
10.2 本章小结387
结束语388
推荐读物389
内容摘要
机器学习是设计与应用算法的科学，可从数据中进行学习和预测，其应用已经非常普遍。金融领域集中了大量的交易数据，为人工智能技术的运用奠定了良好的数据基础。本书面向金融领域的读者，介绍了机器学习技术的原理与实践。
本书包括10章，介绍了神经网络算法、结构化数据的处理、计算机视觉处理技术、时间序列分析、自然语言处理、生成模型的应用、强化学习技术、数据建模与调试、贝叶斯推理和概率编程等内容。
本书由资深金融从业者编写，融合了其在金融项目中关于机器学习的实践经验，适合金融领域的数据科学家、数据分析师、金融科技公司的技术研发人员以及对金融领域的机器学习技术感兴趣的读者阅读。
— 没有更多了 —
以下为对购买帮助不大的评价