5.0
用户推荐指数
互联网 类型
7.9 豆瓣评分
可以朗读 语音朗读
297千字 字数
2020-05-01 发行日期
展开全部

主编推荐语

结合机器学习算法，进行信用评分卡模型的构建，手把手带你零门槛学习金融领域的风险控制。

内容简介

本书采用Python语言进行代码实战。

Python在各行各业的应用越来越普及，从云端到客户端，再到物联网终端，Python应用无处不在。更为重要的是，Python语言是人工智能的首选编程语言，本书聚焦的智能风控领域，正是人工智能对金融数据的应用场景，对此，Python具有无可比拟的优势。

关于Python语言实践和人工智能算法理论与实践的书籍颇为丰富，而结合信贷领域场景的算法应用类图书却比较稀缺，本书的出版将会改变这一现状。本书的核心内容包括算法理论与Python代码实践，旨在在构建评分卡的全流程内，先进行算法理论讲解，然后再进行代码实践，全面提升读者构建评分卡的理论造诣和工程能力。

目录

  • 版权信息
  • 前言
  • 第1篇 智能风控背景
  • 第1章 金融科技介绍
  • 1.1 金融科技的前世今生
  • 1.2 金融科技正深刻地改变和塑造着金融业态
  • 1.3 新兴科技不断强化金融科技的应用能力
  • 1.4 金融风险控制面临着前所未有的挑战
  • 1.5 智能风控和评分卡
  • 1.6 评分卡模型的开发流程
  • 第2章 机器学习介绍
  • 2.1 机器学习的概念
  • 2.2 机器学习的分类
  • 2.3 机器学习与人工智能的关系
  • 2.4 机器学习与数学的关系
  • 2.5 机器学习与深度学习
  • 第3章 评分卡模型介绍
  • 3.1 申请评分卡
  • 3.2 行为评分卡
  • 3.3 催收评分卡
  • 3.4 反欺诈模型
  • 第2篇 评分卡理论与实战基础
  • 第4章 数据清洗与预处理
  • 4.1 数据集成
  • 4.2 数据清洗
  • 4.3 探索性数据分析
  • 4.4 Python代码实践
  • 第5章 变量编码方法
  • 5.1 无监督编码
  • 5.2 有监督编码
  • 5.3 Python代码实践
  • 第6章 变量分箱方法
  • 6.1 变量分箱流程
  • 6.2 最优Chi-merge卡方分箱方法
  • 6.3 Best-KS分箱方法
  • 6.4 最优IV分箱方法
  • 6.5 基于树的最优分箱方法
  • 6.6 Python代码实践
  • 第7章 变量选择
  • 7.1 过滤法变量选择
  • 7.2 包装法变量选择
  • 7.3 嵌入法变量选择
  • 7.4 Python代码实践
  • 第8章 Logistic回归模型
  • 8.1 Logistic回归模型原理
  • 8.2 过拟合与欠拟合
  • 8.3 Python代码实践
  • 第9章 模型的评估指标
  • 9.1 正负样本的选择
  • 9.2 标准评估指标
  • 9.3 概率密度评估指标
  • 9.4 概率分布评估指标
  • 9.5 Python代码实践
  • 第10章 评分卡分数转化
  • 10.1 由概率到分数的转换
  • 10.2 变量的分值计算
  • 10.3 评分卡性能评估
  • 10.4 Python代码实践
  • 第11章 模型在线监控
  • 11.1 稳定性监控
  • 11.2 单调性监控
  • 11.3 性能监控指标
  • 11.4 Python代码实践
  • 第3篇 评分卡理论与实战进阶
  • 第12章 样本不均衡处理
  • 12.1 数据层下采样样本不均衡的处理方法
  • 12.2 数据层上采样样本不均衡的处理方法
  • 12.3 算法层样本不均衡的处理方法
  • 12.4 模型评估层样本不均衡的处理方法
  • 12.5 Python代码实践
  • 第13章 特征工程进阶
  • 13.1 数据层特征工程
  • 13.2 算法层特征工程
  • 13.3 Python代码实践
  • 第14章 决策树模型
  • 14.1 决策树模型的原理
  • 14.2 决策树学习
  • 14.3 决策树与过拟合
  • 14.4 Python代码实践
  • 第15章 神经网络模型
  • 15.1 神经元模型
  • 15.2 神经网络的网络结构
  • 15.3 神经网络的学习策略
  • 15.4 Python代码实践
  • 第16章 支持向量机模型
  • 16.1 感知器模型
  • 16.2 线性可分支持向量机
  • 16.3 线性支持向量机
  • 16.4 非线性支持向量机
  • 16.5 感知器相关模型比较
  • 16.6 Python代码实践
  • 第17章 集成学习
  • 17.1 Bagging与Boosting对比
  • 17.2 Random Forest模型原理
  • 17.3 Adaboost模型原理
  • 17.4 GBDT模型原理
  • 17.5 Xgboost模型原理
  • 17.6 Python代码实践
  • 第18章 模型融合
  • 18.1 Blending方法原理
  • 18.2 Stacking方法原理
  • 18.3 Python代码实践
  • 第4篇 Lending Club数据集实战
  • 第19章 完整的模型开发实现
  • 19.1 数据源介绍
  • 19.2 数据的获取与预处理
  • 19.3 特征工程
  • 19.4 模型构建与评估
  • 19.5 评分卡生成
  • 附录A 主要符号表
  • 附录B 开发环境简介
  • 参考文献
展开全部

评分及书评

5.0
3个评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。