万本电子书0元读

万本电子书0元读

顶部广告

金融商业算法建模:基于Python和SAS电子书

(1)作者背景资深:4位作者都是在金融领域有10~20年数据挖掘和算法建模经验的资深专家,技术功底深厚,业务经验丰富。(2)金融业务驱动:以真实的业务场景和案例为驱动,涵盖金融业务经营的全流程,告别纯理论和不地气。(3)独创9大模板:针对决策类、识别类、优化分析类3大主题,独创9大模板:客户价值预测、营销响应预测、细分画像、交叉销售、申请反欺诈、违规行为识别、预测、运筹优化、流程挖掘。(4)数据建模闭环:涵盖分析框架、模型算法、模型评估、模型监控、算法工程化等完整的数据建模闭环。

售       价:¥

纸质售价:¥100.30购买纸书

41人正在读 | 0人评论 6.5

作       者:赵仁乾,田建中,叶本华,常国珍

出  版  社:机械工业出版社

出版时间:2021-10-01

字       数:25.9万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
内容简介 这是一本贯穿金融业务经营全流程,以业务为驱动的金融数据挖掘与建模著作,涵盖分析框架、模型算法、模型评估、模型监控、算法工程化等整个数据建模的闭环。 本书的4位作者都是在金融领域有有多年工作经验的大数据专家,不仅技术功底深厚、业务经验丰富,而且对金融行业从业者的需求痛和图书市场的供给情况有深了解,他们通过精心策划和写作,让本书内容独树一帜:涵盖金融业务经营全流程,全部以业务驱动,包含大量针对具体场景的实战案例。 本书针对决策类、识别类、优化分析类3大主题,独创9大模板:客户价值预测、营销响应预测、细分画像、交叉销售、申请反欺诈、违规行为识别、预测、运筹优化、流程挖掘,详细讲解了每个模板算法原理、评估方法、优化方法和应用案例等,内容上极力做到准确、明晰、直观与实用。 此外,本书还对数据科学项目中比较容易被忽视的内容做了补充,包括模型评估、模型监控、算法工程化,能指导读者构建易读、高效、健壮的数据科学工程。 本书坚持理论与实践相结合,通过图形、示例、公式帮助读者快速掌握算法与优化理论的同时,还造了一套可轻松适配各种分析场景与需求的工具模板,力图帮助读者从理论快速跨越到实践。<br/>【推荐语】<br/>(1)作者背景资深:4位作者都是在金融领域有10~20年数据挖掘和算法建模经验的资深专家,技术功底深厚,业务经验丰富。 (2)金融业务驱动:以真实的业务场景和案例为驱动,涵盖金融业务经营的全流程,告别纯理论和不地气。 (3)独创9大模板:针对决策类、识别类、优化分析类3大主题,独创9大模板:客户价值预测、营销响应预测、细分画像、交叉销售、申请反欺诈、违规行为识别、预测、运筹优化、流程挖掘。 (4)数据建模闭环:涵盖分析框架、模型算法、模型评估、模型监控、算法工程化等完整的数据建模闭环。<br/>
目录展开

作者简介

前言

第1章 金融建模综述

1.1 企业中数据分析的层级

1.2 操作层面的数据分析对象与成果

1.3 数据挖掘方法分类介绍

1.3.1 预测性——有监督学习

1.3.2 描述性——无监督学习

1.4 数据挖掘方法论

1.5 数据挖掘建模框架的3个原则

1.6 利用SAS EM创建数据挖掘项目

1.6.1 创建数据挖掘项目

1.6.2 给项目添加逻辑库和数据集

1.6.3 SAS EM项目的系统文档介绍

第2章 决策类模型

2.1 客户价值预测

2.1.1 线性回归模型概述

2.1.2 Python案例:线性回归建模

2.1.3 多元线性回归的变量筛选

2.1.4 Python案例:多元线性回归变量筛选

2.1.5 模型假设检验

2.1.6 残差分析

2.1.7 强影响点分析

2.1.8 Python案例:线性回归调优实战

2.1.9 线性回归的完整流程小结

2.1.10 正则化

2.1.11 Python案例:岭回归与Lasso回归实战

2.2 营销响应预测

2.2.1 使用逻辑回归预测用户响应率

2.2.2 比较逻辑回归与线性回归

2.2.3 图解逻辑回归

2.2.4 逻辑回归算法概述

2.2.5 分类模型的评估

2.2.6 分类变量的处理

2.2.7 Python案例:逻辑回归建模实战

2.2.8 SAS EM案例:贷款违约预测实战

2.2.9 逻辑回归建模小结

2.3 细分画像

2.3.1 主成分分析

2.3.2 因子分析

2.3.3 变量聚类

2.3.4 样本聚类1——层次聚类

2.3.5 样本聚类2——K-Means聚类

2.4 交叉销售

2.4.1 关联规则

2.4.2 序列模式

第3章 识别类模型

3.1 申请反欺诈

3.1.1 决策树

3.1.2 组合算法

3.1.3 最近邻域法

3.1.4 朴素贝叶斯

3.1.5 支持向量机

3.1.6 神经网络

3.2 违规行为识别

3.2.1 孤立森林

3.2.2 局部异常因子

第4章 优化分析类模型

4.1 预测技术

4.1.1 效应分解法

4.1.2 基于动力模型的ARIMA

4.1.3 基于深度学习的LSTM

4.2 运筹优化

4.2.1 线性规划

4.2.2 整数规划

4.2.3 非线性规划

4.3 流程挖掘

4.3.1 业务流程挖掘的总体理念

4.3.2 流程发现

4.3.3 流程监控

4.3.4 流程遵循

4.3.5 Python案例:利用pm4py实现流程挖掘

第5章 模型评估与模型监控

5.1 模型评估

5.1.1 混淆矩阵

5.1.2 ROC曲线

5.1.3 KS统计量

5.1.4 洛伦兹曲线与基尼系数

5.2 模型监控

5.2.1 前端监控——业务指标

5.2.2 前端监控——评分分布稳定性

5.2.3 前端监控——特征分布稳定性

5.2.4 后端监控——评分正确性

5.2.5 后端监控——变量有效性

第6章 算法工程化

6.1 构建合理的项目工程结构

6.1.1 为什么要构建合理的项目工程结构

6.1.2 什么是一个数据科学项目应有的结构

6.2 如何编写规范的数据工程代码

6.2.1 代码可读性

6.2.2 数据处理性能

附录 SAS EM节点说明

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部