機器學習及其在金融領(lǐng)域中的應(yīng)用

前言
第1章 機器學習簡介
1.1 機器學習概述
1.1.1 機器學習的含義
1.1.2 機器學習的方法
1.1.3 機器學習的發(fā)展歷程
1.1.4 機器學習的意義
1.2 機器學習的基本術(shù)語
1.3 機器學習的分類
1.3.1 監(jiān)督學習
1.3.2 無監(jiān)督學習
1.3.3 半監(jiān)督學習、主動學習
第2章 機器學習與金融
2.1 機器學習在金融領(lǐng)域應(yīng)用的基礎(chǔ)
2.2 機器學習在金融領(lǐng)域中的應(yīng)用
2.3 機器學習在金融領(lǐng)域中應(yīng)用的優(yōu)勢
2.4 機器學習在金融領(lǐng)域應(yīng)用的發(fā)展趨勢
第3章 監(jiān)督學習基礎(chǔ)
3.1 監(jiān)督學習概述
3.1.1 基本術(shù)語
3.1.2 學習過程
3.2 模型評估和模型選擇
3.2.1 損失函數(shù)
3.2.2 風險函數(shù)
3.2.3 測試誤差和泛化能力
3.2.4 訓練誤差和過擬合
3.3 正則化與交叉驗證
3.3.1 正則化
3.3.2 交叉驗證
3.4 監(jiān)督學習的應(yīng)用
3.4.1 回歸問題
3.4.2 分類問題
3.4.3 監(jiān)督學習算法簡介
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 貝葉斯分類基本原理
5.1.3 樸素貝葉斯分類基本方法
5.2 樸素貝葉斯法的參數(shù)估計
5.2.1 多項式模型
5.2.2 高斯模型
5.2.3 伯努利模型
5.2.4 貝葉斯估計
5.3 樸素貝葉斯分類器
5.3.1 樸素貝葉斯算法
5.3.2 樸素貝葉斯法在文本分類中的應(yīng)用
5.3.3 對樸素貝葉斯法的評價
第6章 決策樹
6.1 決策樹的學習
6.1.1 決策樹介紹
6.1.2 決策樹學習的基本算法
6.2 特征選擇
6.2.1 決策樹特征選擇問題
6.2.2 常用特征選擇指標
6.3 決策樹剪枝
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
第9章 隱馬爾可夫模型
第10章 集成學習
第11章 無監(jiān)督學習基礎(chǔ)
第12章 聚類
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 機器學習在銀行領(lǐng)域中的應(yīng)用
第18章 機器學習在保險領(lǐng)域中的應(yīng)用
第19章 機器學習在互聯(lián)網(wǎng)金融中的應(yīng)用
第20章 機器學習在量化投資中的應(yīng)用
彩圖