第1章 人工智能應(yīng)用場(chǎng)景——金融風(fēng)控 1.1 反欺詐與信用評(píng)估 1.2 信用評(píng)估模型介紹 1.3 客戶(hù)營(yíng)銷(xiāo)與風(fēng)控管理 1.4 建模中的拒絕推斷 1.5 評(píng)分卡模型 第2章 人工智能中的機(jī)器學(xué)習(xí)和模型評(píng)價(jià) 2.1 機(jī)器學(xué)習(xí)預(yù)測(cè)結(jié)果推廣性理論 2.2 機(jī)器學(xué)習(xí)問(wèn)題的分類(lèi) 2.3 二分類(lèi)模型的評(píng)價(jià)方法 2.4 多分類(lèi)模型的評(píng)價(jià)方法 2.5 回歸模型的評(píng)價(jià)方法 第3章 機(jī)器學(xué)習(xí)建模重要步驟 3.1 數(shù)據(jù)收集 3.2 數(shù)據(jù)清洗轉(zhuǎn)換和預(yù)處理 3.3 特征工程 3.4 模型的選擇和建立 3.5 模型的監(jiān)控 第4章 機(jī)器學(xué)習(xí)常用算法原理 4.1 回歸算法 4.2 梯度下降優(yōu)化 4.3 樸素貝葉斯、支持向量機(jī)和決策樹(shù)算法 4.4 集成算法、隨機(jī)森林算法和梯度增強(qiáng)機(jī)算法 4.5 無(wú)監(jiān)督學(xué)習(xí)算法 4.6 神經(jīng)網(wǎng)絡(luò)算法 第5章 深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí) 5.1 深度學(xué)習(xí)算法 5.2 強(qiáng)化學(xué)習(xí)算法 第6章 機(jī)器學(xué)習(xí)和最優(yōu)化 6.1 最優(yōu)化理論和機(jī)器學(xué)習(xí)的關(guān)系 6.2 最優(yōu)化理論的分類(lèi)和理解 6.3 機(jī)器學(xué)習(xí)算法中最優(yōu)化應(yīng)用 第7章 自然語(yǔ)言處理算法原理 7.1 文本數(shù)據(jù)處理和NLP基礎(chǔ) 7.2 機(jī)器學(xué)習(xí)算法在NLP中的應(yīng)用 7.3 深度學(xué)習(xí)在NLP中的應(yīng)用 第8章 信用卡客戶(hù)細(xì)分 8.1 EDA探索性數(shù)據(jù)分析 8.2 數(shù)據(jù)預(yù)處理和特征工程 8.3 K-Means聚類(lèi)建模和分組個(gè)數(shù)選擇 8.4 建模結(jié)果可視化和分析 第9章 保險(xiǎn)公司時(shí)間序列生活事件預(yù)測(cè) 9.1 樸素貝葉斯算法和馬爾可夫鏈算法應(yīng)用 9.2 時(shí)間序列特征工程和梯度增強(qiáng)機(jī)算法 9.3 深度學(xué)習(xí)算法的應(yīng)用 第10章 電商網(wǎng)站交易欺詐預(yù)測(cè) 10.1 EDA探索性數(shù)據(jù)分析 10.2 模型選擇 10.3 數(shù)據(jù)特征工程 第11章 信用卡和信用貸款風(fēng)險(xiǎn)預(yù)測(cè) 11.1 信用卡客戶(hù)風(fēng)險(xiǎn)預(yù)測(cè)和管理 11.2 個(gè)人信用分期貸款風(fēng)險(xiǎn)預(yù)測(cè) 第12章 美國(guó)舊金山房屋成交價(jià)格預(yù)測(cè) 12.1 EDA探索性數(shù)據(jù)分析和特征工程 12.2 房屋價(jià)格預(yù)測(cè)建模和驗(yàn)證 第13章 股票短期回報(bào)率預(yù)測(cè) 13.1 EDA探索性數(shù)據(jù)分析 13.2 數(shù)據(jù)預(yù)處理和特征工程 13.3 短期回報(bào)率預(yù)測(cè)模型