商品简介
本教材针对金融行业数据量大、更新快的特点,着重介绍了数据挖掘与分析技术在金融行业尤其是银行业中的应用。本书的主要内容包括:数据挖掘概述、金融数据挖掘概述、基于大数据的金融数据挖掘概述、数据仓库技术、数据挖掘与分析技术、大数据挖掘与分析技术、数据挖掘技术在零售银行信用风险管理中的应用、数据挖掘技术在巴塞尔资本协议下的银行风险计量中的应用、数据挖掘技术在客户关系管理中的应用、数据挖掘技术在金融市场分析与预测中的应用、数据挖掘技术在互联网金融中的应用、基于大数据的金融科技战略与实施、数据安全与隐私保护,并针对当前的大数据浪潮,给出了金融数据挖掘与分析领域的应对策略。
目录
基础篇
章 引言
节 数据挖掘的概念
第2节 金融数据挖掘的意义和应用
第3节 Python金融数据挖掘基础
本章小结
重要概念
复习思考题
参考文献
第2章 Python基本知识
节 数据类型
第2节 流程控制
第3节 函数与模块
本章小结
重要概念
复习思考题
参考文献
第3章 NumPy科学计算包
节 创建数组
第2节 数组运算
第3节 矩阵运算
第4节 综合应用
本章小结
重要概念
复习思考题
参考文献
第4章 Pandas数据分析包
节 数据结构
第2节 数据处理
第3节 案例:银行卡消费统计分析
本章小结
重要概念
复习思考题
参考文献
第5章 图形绘制
节 基本概念
第2节 Matplotlib图形绘制
第3节 Seaborn图形绘制
第4节 案例:股票价格变动图形绘制
本章小结
重要概念
复习思考题
参考文献
第6章 数据源处理
节 网络数据源
第2节 网页爬虫
第3节 文件数据资源
第4节 案例:世行GDP数据获取与对比
本章小结
重要概念
复习思考题
参考文献
第7章 Python文本挖掘
节 基本概念
第2节 文本分析处理
第3节 案例:基于股评文本的情绪分析
本章小结
重要概念
复习思考题
参考文献
算法篇
第8章 关联规则算法
节 Apriori算法原理
第2节 Python代码实现
第3节 案例:信用卡推荐
本章小结
重要概念
复习思考题
参考文献
第9章 决策树分类算法
节 决策树算法原理
第2节 Python代码实现
第3节 案例:基于决策树的理财产品促销
本章小结
重要概念
复习思考题
参考文献
0章 朴素贝叶斯分类算法
节 朴素贝叶斯分类算法原理
第2节 Python代码实现
第3节 案例:基于朴素贝叶斯的理财产品促销
本章小结
重要概念
复习思考题
参考文献
1章 K近邻分类与K均值聚类算法
节 K近邻分类原理与实现
第2节 K均值聚类原理与实现
第3节 案例:银行客户群体划分
本章小结
重要概念
复习思考题
参考文献
2章 使用Scikit-Learn包进行数据挖掘
节 Scikit-Learn简介
第2节 Scikit-Learn包基本应用
第3节 案例:房地产区域价格分析
本章小结
重要概念
复习思考题
参考文献
3章 人工神经网络算法
节 人工神经网络模型
第2节 人工神经网络分类算法
第3节 案例:股票价格波动分析
本章小结
重要概念
复习思考题
参考文献
4章 相关、回归与时间序列分析
节 相关分析
第2节 回归分析
第3节 逻辑回归
第4节 案例:股票与周期变动商品的时间序列分析
本章小结
重要概念
复习思考题
参考文献
应用篇
5章 综合案例1:信用卡虚假交易识别
节 案例背景
第2节 算法评价指标
第3节 数据概况
第4节 操作流程
6章 综合案例2:网络贷款违约预测
节 案例背景
第2节 数据概况
第3节 操作流程
7章 综合案例3:信用评分模型开发
节 案例背景
第2节 数据概况
第3节 操作流程
参考文献
内容摘要
本书介绍了金融数据挖掘的基本原理、方法和应用。全书共17章,分为基础篇、算法篇和应用篇三部分。基础篇概述金融数据挖掘的应用,介绍实验环境的搭建和三个与数据分析密切相关的Python第三方程序包等;算法篇针对数据分类、数据聚类、关联分析以及时间序列分析等领域介绍主要的数据挖掘算法与应用;应用篇介绍三个典型的金融数据挖掘综合应用案例。本书着重于数据挖掘在金融领域的应用实践,而不过分拘泥繁杂的数据挖掘理论,而且书中使用的所有案例都精心选自金融领域的关键场景,贴近实际。本书可作为高等院校财经类专业学生学习数据挖掘的教材,也可作为金融、财会和商务等领域从业人员的学习用书。
以下为对购买帮助不大的评价