面向金融的机器学习(影印版)(英文版)

本书探索了机器学习的 新进展，展示了如何将其 应用于包括保险、交易和 贷款在内的整个金融领域 。书中解释了主要机器学 习技术背后的概念和算法 ，并提供了用于自制模型 的Python代码示例。 本书基于Jannes Klaas为 金融专业人士举办机器学 习培训课程的经验。书中 并未提供现成的金融算法 ，而是着重介绍了能够以 多种方式应用的高级机器 学习概念和思想。 书中展示了机器学习如 何处理结构化数据、文本 、图像和时间序，涵盖了 生成对抗性学习、强化学 习、调试和发布机器学习 产品等方面的内容，讨论 了如何克服机器学习中的 偏差，最后探究了贝叶斯 推理和概率编程。 你将从本书中学到： 将机器学习应用于结构 化数据、自然语言、照片 以及书面文本； 机器学习如何检测诈骗 、预测金融趋势、分析客 户情绪等； 在Python、scikit-learn 、Keras和TensorFlow中实 现启发式基线、时间序列 、生成模型和增强学习； 深入挖掘神经网络，研 究GAN和强化学习的应用 ； 调试机器学习应用并为 上线做准备； 解决机器学习中的偏差 和隐私问题。

Preface Chapter 1：Neural Networks and Gradient．Based optimization Our iourney in this book What iS machine Iearning? Supervised Iearning Unsupervised learning Reinforcement learning The unreaS0nabIe effectiveness of data AIl models are wrong Setting up your workspace Using Kaggle kernels Running notebooks Iocally Installing TensorFIow Installing Keras Using data locally Using the AWS deep learning AMI Approximating functions A forward pass A logistic regressor Python version of our Iogistic regressor optimizing model parameters Measuring modelloSS Gradient descent Backpropaqation Parameter updates Putting it all together A deeper network A brief introduction to Keras lmporting Keras A two-layer modeIin Keras Stacking layers Compiling the model Training the model Keras and TensorFIow Tensors and the computational graph Exercises Summary Chapter 2:Applying Maching Learning to Structured Data The data Heuristic，feature．based。and E2E models The machine Iearning software stack The heuristic approach Making predictions using the heuristic model The F1 score Evaluating with a confusion matrix The feature engineering approach A feature from intuition—fraudsters don’t sleep Expeinsight—transfer．then cash out StatisticaI quirks—errors in balances Preparing the data for the Keras library