机器学习及其在金融领域中的应用

前言
第1章 机器学习简介
1.1 机器学习概述
1.1.1 机器学习的含义
1.1.2 机器学习的方法
1.1.3 机器学习的发展历程
1.1.4 机器学习的意义
1.2 机器学习的基本术语
1.3 机器学习的分类
1.3.1 监督学习
1.3.2 无监督学习
1.3.3 半监督学习、主动学习
第2章 机器学习与金融
2.1 机器学习在金融领域应用的基础
2.2 机器学习在金融领域中的应用
2.3 机器学习在金融领域中应用的优势
2.4 机器学习在金融领域应用的发展趋势
第3章 监督学习基础
3.1 监督学习概述
3.1.1 基本术语
3.1.2 学习过程
3.2 模型评估和模型选择
3.2.1 损失函数
3.2.2 风险函数
3.2.3 测试误差和泛化能力
3.2.4 训练误差和过拟合
3.3 正则化与交叉验证
3.3.1 正则化
3.3.2 交叉验证
3.4 监督学习的应用
3.4.1 回归问题
3.4.2 分类问题
3.4.3 监督学习算法简介
第4章 k近邻法
4.1 足近邻算法
4.2 距离度量
4.3 足值的选择
4.4 分类决策规则
4.5 算例
第5章 朴素贝叶斯法
5.1 贝叶斯决策理论
5.1.1 贝叶斯定理
5.1.2 贝叶斯分类基本原理
5.1.3 朴素贝叶斯分类基本方法
5.2 朴素贝叶斯法的参数估计
5.2.1 多项式模型
5.2.2 高斯模型
5.2.3 伯努利模型
5.2.4 贝叶斯估计
5.3 朴素贝叶斯分类器
5.3.1 朴素贝叶斯算法
5.3.2 朴素贝叶斯法在文本分类中的应用
5.3.3 对朴素贝叶斯法的评价
第6章 决策树
6.1 决策树的学习
6.1.1 决策树介绍
6.1.2 决策树学习的基本算法
6.2 特征选择
6.2.1 决策树特征选择问题
6.2.2 常用特征选择指标
6.3 决策树剪枝
6.3.1 预剪枝
6.3.2 后剪枝
6.4 连续值与缺失值处理
6.4.1 连续值处理
……
第7章 逻辑回归
第8章 支持向量机
第9章 隐马尔可夫模型
第10章 集成学习
第11章 无监督学习基础
第12章 聚类
第13章 主成分分析
第14章 马尔可夫链蒙特卡罗法
第15章 特征工程
第16章 sklearn介绍和应用
第17章 机器学习在银行领域中的应用
第18章 机器学习在保险领域中的应用
第19章 机器学习在互联网金融中的应用
第20章 机器学习在量化投资中的应用
彩图