（1）作者是风控、AI、算法领域的专家，曾在多家知名金融科技公司从事基于机器学习的风控算法优化工作，经验十分丰富。 （2）从原理、算法、工程实践3个维度全面展，全面介绍了现阶段风控领域面临的挑战，以及机器学习在各种风控场景中的应用。 （3）基于Python新版本撰写，每个章节都包含问题、案例、算法3个部分，实操性强。 （4）科大讯飞刘鹏等10位专家联袂推荐。
售 价：¥
纸质售价：¥61.40购买纸书
6.4
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
推荐序
前言
第1章 风控建模与规则挖掘
1.1 信贷与风险
1.1.1 信贷业务与互联网金融风控体系
1.1.2 信贷风险与控制
1.2 工业建模流程
1.2.1 抽象业务
1.2.2 定义标签
1.2.3 样本选取
1.2.4 特征工程与模型调优
1.2.5 上线监控与评估报表
1.3 规则挖掘方案
1.4 本章小结
第2章 集成模型评分卡
2.1 特征工程解析
2.1.1 特征与模型
2.1.2 信用模型的特征
2.2 特征衍生方案
2.3 离散处理
2.3.1 one-hot编码
2.3.2 WOE编码
2.4 迭代特征筛选方案
2.5 自动化调参
2.5.1 自动化调参策略
2.5.2 参数搜索方案
2.5.3 调参框架搭建
2.6 递归特征删除方案
2.7 评分卡制作
2.7.1 逻辑回归评分卡
2.7.2 集成模型的评分映射
2.7.3 针对业务改写评价函数
2.8 本章小结
第3章 迁移学习与冷启动
3.1 迁移学习基础
3.1.1 应用场景
3.1.2 概念介绍
3.2 迁移学习方法论
3.2.1 三类常见算法
3.2.2 迁移的实现方法
3.3 少量有标签样本的迁移方案
3.3.1 TrAdaBoost模型
3.3.2 跨场景迁移模型
3.4 无标签样本迁移之JDA
3.4.1 JDA模型
3.4.2 模型应用
3.5 无标签样本迁移之DTELM
3.5.1 ELM模型
3.5.2 DTELM模型
3.5.3 模型应用
3.6 迁移样本筛选方案
3.6.1 背景介绍
3.6.2 算法框架概览
3.6.3 搭建融合框架
3.7 本章小结
第4章 幸存者偏差
4.1 幸存者偏差的含义
4.2 增量学习
4.3 生成对抗网络
4.3.1 GAN模型介绍
4.3.2 GAN与幸存者偏差
4.4 高斯混合模型
4.4.1 GMM算法原理
4.4.2 GMM简单应用
4.4.3 GMM中的概率模型
4.4.4 GMM样本生成
4.5 信息准则
4.5.1 赤池信息准则
4.5.2 贝叶斯信息准则
4.5.3 AIC与BIC比较
4.6 本章小结
第5章 不均衡学习
5.1 样本不均衡
5.2 代价敏感加权方案
5.3 插值过采样方案
5.3.1 SMOTE算法
5.3.2 过采样算法实践
5.4 半监督学习方案
5.4.1 前提假设
5.4.2 S3VM
5.4.3 LP
5.5 本章小结
第6章 异常检测
6.1 离群点与欺诈检测
6.2 z-score检验
6.3 LOF异常检测法
6.3.1 原理与算法流程
6.3.2 LOF样本清洗方案
6.4 IF异常检测法
6.4.1 原理与算法流程
6.4.2 PreA模型与冷启动
6.5 本章小结
第7章 模型优化
7.1 多损失函数分段预测
7.1.1 两种损失函数
7.1.2 融合流程
7.2 树模型特征衍生
7.2.1 GBDT离散化
7.2.2 融合方案详解
7.2.3 特征衍生细节
7.2.4 案例
7.3 时间序列建模
7.3.1 RNN
7.3.2 LSTM
7.3.3 门控结构
7.3.4 LSTM行为评分卡案例
7.4 高维稀疏数据建模
7.4.1 算法原理
7.4.2 算法应用
7.5 模型融合
7.5.1 模型融合基础
7.5.2 模型筛选
7.5.3 业务应用方案
7.6 本章小结
第8章 知识图谱
8.1 复杂网络基础
8.2 中心度与相似性
8.3 节点分类
8.3.1 朴素节点分类
8.3.2 邻节点加权投票
8.3.3 一致性标签传播
8.4 社区发现算法
8.4.1 基础概念
8.4.2 Girvan-Newman算法
8.4.3 Louvain算法
8.4.4 社区评估
8.5 网络表示学习
8.5.1 矩阵分解
8.5.2 节点嵌入
8.6 图卷积神经网络
8.6.1 卷积神经网络
8.6.2 傅里叶变换
8.6.3 拉普拉斯算子
8.6.4 GCN中的图卷积
8.7 本章小结
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
