| 作者 |
| 郑江 李丙洋 刘正配 罗丹 邹天涌 王健宗 何安珣 李泽远 毛鑫宇 梅子行 |
| 丛书名 |
| 金融科技 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782109261030 |
| 简要 |
| 简介 |
| 本书基于Python全面介绍了机器学习在信贷风控领域的应用与实践，从原理、算法与工程实践3个维度全面展开，包含21种实用算法和26个解决方案。 作者是智能风控、人工智能和算法领域的资深专家，曾在多加知名金融科技企业从事风控算法方面的研究与实践，经验丰富，本书得到了风控领域9位专家的高度评价。 全书一共8章，每个章节都由问题、算法、案例三部分组成，具有系统性和实战性。 第1-2章讲解了信贷业务的基础知识以及常用的规则引擎、信用评估引擎的建模方法。 第3章以项目冷启动为背景，讲解了风控领域应用广泛的迁移学习方法。 第4-5章介绍了幸存者偏差与不均衡学习中所使用的无监督学习与半监督学习方法。 第6章阐述了无监督的异常识别算法，该算法常用于数据清洗与冷启动项目，是反欺诈引擎中常用的个体欺诈检测方法。 第7章分享了一些经作者实践证明效果较好的模型优化方法，并对模型融合的思路进行了较为详细的介绍。 第8章重点讲解了知识图谱相关的复杂网络基础知识及网络表示学习方法，其中的社区发现算法常用于团伙欺诈检测。此外，本章中的部分方法对信用评估模型的优化也有很大帮助。 |
| 目录 |
| [套装书具体书目] 8066795 - 智能风控：原理、算法与工程实践 - 9787111643531 - 机械工业出版社 - 定价 89 8069615 - 智能风控：Python金融风险管理与评分卡建模 - 9787111653752 - 机械工业出版社 - 定价 89 8075159 - 金融智能：AI如何为银行、保险、证券业赋能 - 9787111666097 - 机械工业出版社 - 定价 79 8078730 - 中小银行运维架构：解密与实战 - 9787111676171 - 机械工业出版社 - 定价 109 8082647 - 智能风控平台：架构、设计与实现 - 9787111686385 - 机械工业出版社 - 定价 89 ---------------------------8082647 - 智能风控平台：架构、设计与实现--------------------------- 前 言 第一部分 智能风控基础 第1章 认识智能风控 2 1.1 什么是风控 2 1.1.1 风控的定义和作用 3 1.1.2 什么是大数据风控 6 1.1.3 什么是智能风控 7 1.2 风控的目标 8 1.2.1 控风险 8 1.2.2 稳增长 9 1.2.3 保平衡 10 1.3 风险的管理 11 1.3.1 三道防线 13 1.3.2 七大系统 13 1.3.3 五大体系 15 1.3.4 八大风险 16 1.4 本章小结 17 第2章 智能风控进化史 18 2.1 智能风控1.0 19 2.2 智能风控2.0 21 2.3 智能风控3.0 27 2.4 本章小结 31 第3章 风控与业务场景的契合 33 3.1 业务催生风险 33 3.1.1 风险滋生 34 3.1.2 风险爆发 35 3.1.3 风险阻塞 35 3.1.4 风险迭代 36 3.2 业务场景下的风控 37 3.2.1 电商风控 37 3.2.2 支付风控 43 3.2.3 信贷风控 48 3.2.4 保险风控 55 3.3 本章小结 59 第二部分 智能风控平台 第4章 智能风控业务 62 4.1 智能信贷业务背景 62 4.1.1 传统金融和互联网的碰撞 63 4.1.2 智能信贷业务应用 67 4.2 智能信贷风控业务背景 72 4.2.1 信贷风控和金融科技的碰撞 73 4.2.2 智能信贷风控业务应用 75 4.3 本章小结 78 第5章 智能风控平台架构 79 5.1 智能风控业务架构 79 5.1.1 信贷业务组织结构 80 5.1.2 传统信贷风控业务架构 81 5.1.3 智能风控业务架构组成 84 5.2 智能风控系统功能架构 93 5.2.1 智能风控系统功能架构组成 93 5.2.2 数据平台 95 5.2.3 接口管理系统 96 5.2.4 分析引擎系统 98 5.2.5 数据挖掘系统 99 5.2.6 关系网络系统 101 5.2.7 决策引擎系统 103 5.2.8 指标管理系统 106 5.2.9 风控服务管理系统 108 5.2.10 贷中监控系统 110 5.2.11 贷后管理系统 111 5.2.12 贷后催收系统 113 5.2.13 智能语音机器人 115 5.2.14 风险管理系统 117 5.2.15 风险报表系统 120 5.2.16 平台管理系统 122 5.3 智能风控系统技术架构 125 5.3.1 访问层 127 5.3.2 展现层 127 5.3.3 系统层 129 5.3.4 大数据平台 133 5.4 智能风控平台业务、功能、技术架构的区别 135 5.5 本章小结 136 第三部分 智能风控平台设计 第6章 智能风控平台核心系统 138 6.1 决策引擎系统 139 6.1.1 决策引擎系统的定义 139 6.1.2 规则 140 6.1.3 模型 145 6.1.4 评分卡 146 6.1.5 表达式 149 6.1.6 模型监控 151 6.1.7 决策流管理 154 6.1.8 风控报告 158 6.1.9 风险审核 161 6.1.10 通用功能 164 6.2 指标管理系统 167 6.2.1 指标管理系统的定义 168 6.2.2 指标列表 170 6.2.3 指标配置 170 6.3 接口管理系统 172 6.3.1 接口管理系统的定义 172 6.3.2 IP管理 174 6.3.3 API管理 175 6.3.4 码值管理 182 6.3.5 自动测试 185 6.3.6 文档管理 187 6.3.7 流量管理 189 6.3.8 监控预警 191 6.4 风险管理系统 193 6.4.1 风险管理系统的定义 193 6.4.2 名单管理 194 6.4.3 标签管理 198 6.4.4 自动检测 200 6.4.5 风险画像 202 6.5 核心系统运作方式 203 6.6 本章小结 205 第7章 智能风控平台次核心系统 206 7.1 贷中监控系统 206 7.1.1 贷中监控系统的定义 207 7.1.2 自动监控 208 7.1.3 风险预警 212 7.1.4 监控统计 213 7.2 贷后管理系统 216 7.2.1 贷后管理系统的定义 217 7.2.2 贷后风险管理 218 7.2.3 资产风险管理 220 7.2.4 贷后流程管理 221 7.2.5 贷后任务管理 228 7.3 平台管理系统 232 7.3.1 平台管理系统的定义 232 7.3.2 角色管理 233 7.3.3 权限管理 236 7.3.4 机构管理 238 7.3.5 用户管理 239 7.3.6 日志管理 240 7.4 本章小结 241 ---------------------------8078730 - 中小银行运维架构：解密与实战--------------------------- 前 言 致 谢 第1章 商业银行运维路漫漫 1 1.1 商业银行信息化建设背景 1 1.1.1 背景的背景 2 1.1.2 道路有些崎岖 3 1.1.3 驶入平坦的快车道 5 1.2 IT服务理论演进路径 6 1.2.1 ITIL 7 1.2.2 ITSM 10 1.2.3 DevOps 11 1.2.4 ITIL与DevOps对比 14 1.3 IT运维支撑团队面临的挑战 16 1.3.1 业务模式变革的挑战 16 1.3.2 拆IT系统“烟囱”的挑战 17 1.3.3 新形势下网络安全的挑战 18 1.3.4 IT架构快速演进的挑战 19 1.3.5 IT服务可靠性及服务流程的挑战 20 1.4 IT运维变革助力数字化转型 22 1.5 本章小结 25 第2章 商业银行IT基础架构的前世 26 2.1 传统架构从无到有的演进 26 2.1.1 分散式架构 27 2.1.2 集中式架构 28 2.2 商业银行的传统IT基础架构 30 2.2.1 商业银行的传统IT基础设施 30 2.2.2 商业银行的传统网络架构 31 2.2.3 商业银行的传统灾备架构 36 2.3 本章小结 44 第3章 商业银行IT基础架构的今生 45 3.1 商业银行IT架构的变革 45 3.1.1 总线+微服务架构 45 3.1.2 容器化架构 47 3.2 分区分层：网络架构 47 3.2.1 网络架构设计思路 47 3.2.2 数据中心网络架构 49 3.3 “矛”与“盾”：网络安全架构 52 3.3.1 金融网络安全要求 53 3.3.2 金融网络安全体系 53 3.3.3 金融网络安全技术 56 3.3.4 小结 59 3.4 “云”：计算架构 59 3.4.1 信息系统分级 59 3.4.2 整体架构 60 3.4.3 分布式计算 62 3.4.4 “云”资源管理 62 3.4.5 容器环境的计算架构 65 3.5 分久必合、合久必分：存储架构 66 3.5.1 分：直连存储 66 3.5.2 合：集中存储 68 3.5.3 合：存储虚拟化 72 3.5.4 分：分布式存储 73 3.6 有备无患：备份架构 75 3.6.1 备份对象与技术 75 3.6.2 数据备份系统介绍 76 3.6.3 数据备份方案 78 3.6.4 数据备份优化 79 3.6.5 备份管理 80 3.7 本章小结 81 第4章 平凡的运维日常 82 4.1 运维组织管理 82 4.2 自动化巡检 83 4.2.1 自动化巡检分类 84 4.2.2 自动化巡检实现 84 4.3 系统变更 89 4.3.1 发布方式 90 4.3.2 发布策略 93 4.3.3 发布实践 95 4.4 组件化 96 4.4.1 配置管理 96 4.4.2 日志收集 102 4.5 系统监控 106 4.5.1 基础设施层监控 107 4.5.2 系统层监控 107 4.5.3 应用层监控 108 4.5.4 业务层监控 109 4.5.5 用户体验层监控 110 4.6 事件管理 110 4.6.1 什么是事件管理 110 4.6.2 事件管理流程 111 4.6.3 事件应急处理 112 4.6.4 事件管理制度及分级 113 4.6.5 事件管理优化 114 4.7 运维标准化 115 4.7.1 域名化 116 4.7.2 做好基线配置 117 4.7.3 基础运行环境标准化 117 4.7.4 网络标准化 120 4.7.5 数据库标准化 122 4.8 本章小结 126 第5章 构建立体化监控体系 127 5.1 为什么我们“没有”发现问题 128 5.2 构建立体化监控体系 129 5.2.1 流行监控系统面面观 130 5.2.2 规划监控体系 139 5.2.3 监控实践 147 5.2.4 事件响应与监控告警 158 5.3 全链路监控 160 5.3.1 原理扫盲 160 5.3.2 全链路监控实现方案 162 5.4 云/容器时代的监控系统 169 5.4.1 试用新一代监控系统Prometheus 171 5.4.2 服务监控 179 5.4.3 监控告警 184 5.4.4 容器监控 189 5.5 再谈监控 200 5.6 本章小结 202 第6章 构建自动化运维体系 203 6.1 自动化运维概述 203 6.1.1 传统IT运维的现状 203 6.1.2 自动化运维的发展因素 204 6.1.3 自动化运维的发展阶段 204 6.1.4 自动化运维体系的规划 205 6.2 自动化运维建设的经验分享 207 6.2.1 CMDB 207 6.2.2 离不开的自动部署 215 6.2.3 容器云平台的建设 223 6.2.4 为DBA减负 240 6.3 自动化运维体系中关于安全的思考 244 6.3.1 平台设计方面的安全保障 244 6.3.2 功能测试验证的安全保障 245 6.4 本章小结 245 第7章 智能化运维探索 247 7.1 运维方式的演进 247 7.1.1 从手工到智能化 248 7.1.2 运维的现状和未来形势 249 7.2 智能化运维的基础 251 7.2.1 运维基础工具及平台 251 7.2.2 运维开放平台 253 7.2.3 运维大数据平台 255 7.3 新型运维协作方式 260 7.3.1 ChatOps介绍 261 7.3.2 ChatOps的应用与实践 265 7.3.3 人工智能与ChatOps 277 7.4 智能运维机器人 284 7.4.1 运维工程研发体系 285 7.4.2 智能运维大脑 286 7.5 本章小结 304 第8章 银行双活数据中心架构 305 8.1 双活建设评估 306 8.1.1 容灾建设目标评估 306 8.1.2 双活建设方案评估 307 8.1.3 成本投入评估 308 8.1.4 科技能力评估 309 8.2 双活建设要点 311 8.3 双活建设方案 313 8.3.1 存储级双活 314 8.3.2 应用级双活 318 8.3.3 业务级双活 321 8.3.4 双活建设方案总结 325 8.4 双活基础架构改造 325 8.4.1 应用层改造 326 8.4.2 中间件层改造 329 8.4.3 网络层改造 349 8.4.4 存储层改造 354 8.5 双活应急场景 355 8.5.1 业务系统故障 358 8.5.2 数据库宕机故障 359 8.5.3 网络中断故障 362 8.5.4 自然灾害场景 364 8.6 本章小结 365 第9章 下一代数据中心技术 366 9.1 软件定义数据中心 367 9.1.1 软件定义服务器 367 9.1.2 软件定义网络 368 9.1.3 软件定义存储 373 9.1.4 超融合 376 9.2 下一代云计算技术 379 9.2.1 Kata Containers 379 9.2.2 Service Mesh 381 9.2.3 Serverless 383 9.3 混合云 385 9.4 边缘计算 386 9.4.1 基于Kubernetes的边缘计算技术 387 9.4.2 边缘计算安全 388 9.5 本章小结 389 ---------------------------8075159 - 金融智能：AI如何为银行、保险、证券业赋能--------------------------- 前言 第1章 全面了解人工智能1 1.1 人工智能的定义和应用2 1.1.1 人工智能的定义2 1.1.2 人工智能的十大应用8 1.2 人工智能的三大流派14 1.2.1 符号主义流派15 1.2.2 连接主义流派16 1.2.3 行为主义流派17 1.3 人工智能发展历程17 1.3.1 第一次兴起：1956—197418 1.3.2 第一次低谷：1974—198023 1.3.3 第二次兴起：1980—198724 1.3.4 第二次低谷：1987年至21世纪初30 1.3.5 第三次兴起：2006年至今30 第2章 走近人工智能技术38 2.1 人工智能基础技术39 2.1.1 云计算39 2.1.2 大数据44 2.1.3 区块链49 2.1.4 5G57 2.2 人工智能应用技术60 2.2.1 机器学习61 2.2.2 计算机视觉67 2.2.3 自然语言处理71 2.2.4 语音识别73 2.2.5 联邦学习75 2.2.6 图计算81 2.2.7 图神经网络85 第3章 金融智能：人工智能催生智慧金融89 3.1 人工智能对金融业的必要性90 3.1.1 金融科技和金融智能的概念90 3.1.2 传统金融行业的痛点和局限91 3.1.3 金融智能的特点与优势92 3.2 人工智能对金融界的影响94 3.2.1 金融智能是当前趋势热点94 3.2.2 传统金融到智慧金融的发展历程95 3.2.3 金融企业的科技转型97 3.2.4 互联网公司布局金融行业102 3.2.5 新兴金融科技公司的诞生107 3.3 金融智能领域未来的发展112 3.3.1 金融智能发展的驱动因素113 3.3.2 产业未来生态结构121 3.3.3 金融智能的5个发展趋势122 第4章 金融智能引领银行新生态125 4.1 银行业的发展现状126 4.1.1 银行业概览126 4.1.2 我国银行业发展历程128 4.1.3 科技对银行业发展的影响133 4.2 传统银行业的痛点139 4.2.1 贷款业务方面的痛点139 4.2.2 存款业务方面的痛点142 4.2.3 支付业务方面的痛点143 4.3 传统银行的转型道路143 4.3.1 传统金融机构与金融科技企业合作144 4.3.2 部分银行互联网贷款、线上业务办理145 4.4 智能化在银行业的应用场景与解决方案146 4.4.1 “智慧员工”推动银行发展，提升用户体验147 4.4.2 声纹识别助力银行风控防堵150 4.4.3 线下刷脸支付便利生活154 4.4.4 RPA加速银行业务流程自动化156 4.4.5 智能预测分析工具阻绝失败交易158 4.4.6 大数据技术加强银行风险管理160 4.4.7 图计算技术洞察反洗钱风险164 4.4.8 区块链助推征信的数据共享交易166 4.4.9 区块链技术融入跨境支付应用170 4.4.10 联邦学习为“数据孤岛”破局174 4.5 “智能银行”的挑战与未来176 4.5.1 银行信用体系的革新176 4.5.2 银行模式的开放化177 4.5.3 加密前提下的银行数据共享179 4.5.4 智能银行自主预测与规避风险180 4.5.5 科技把控银行监管尺度182 第5章 金融智能开启保险新常态183 5.1 保险业发展现状184 5.1.1 保险业的起源与发展186 5.1.2 中国保险业的发展历程188 5.1.3 科技对保险业发展的影响193 5.2 传统保险业的痛点196 5.2.1 客服痛点196 5.2.2 理赔痛点198 5.2.3 风控痛点201 5.2.4 营销痛点206 5.3 传统保险业的转型道路210 5.4 智能化在保险业的应用场景与解决方案212 5.4.1 智能客服213 5.4.2 智能理赔216 5.4.3 智能风控224 5.4.4 智能营销 225 5.5 “智能保险”的挑战与未来233 第6章 金融智能打造证券新业态239 6.1 证券业发展现状240 6.1.1 证券业的概念240 6.1.2 我国证券业的发展历程及趋势243 6.1.3 科技对证券业发展的影响247 6.2 传统证券业的痛点248 6.3 传统证券业的转型道路250 6.3.1 金融智能引领证券业务模式变革250 6.3.2 金融智能与证券业深度融合251 6.3.3 金融智能加速传统证券业的线上化转型253 6.4 金融智能在证券业的应用场景及解决方案254 6.4.1 创新应用254 6.4.2 业务应用260 6.5 “智能证券”的挑战与未来271 6.5.1 证券市场格局日趋多元化271 6.5.2 智能化推动证券监管规则重塑272 6.5.3 证券信息透明化遏制智能证券风险273 ---------------------------8069615 - 智能风控：Python金融风险管理与评分卡建模--------------------------- 推荐序 前言 第1章 信用管理基础 /1 1.1 信用与管理 /2 1.2 风控术语解读 /3 1.2.1 信贷基础指标 /4 1.2.2 信贷风险指标 /5 1.3 企业信贷风控架构 /7 1.4 本章小结 /10 第2章 评分卡 /11 2.1 评分卡概念 /12 2.1.1 适用客群 /13 2.1.2 用途 /14 2.2 建模流程 /15 2.3 模型设计 /16 2.3.1 业务问题转化 /17 2.3.2 账龄分析与时间窗口设计 /17 2.3.3 数据集切分 /19 2.3.4 样本选择 /20 2.3.5 采样与加权 /21 2.4 数据与变量解读 /25 2.5 本章小结 /26 第3章 机器学习 /27 3.1 基本概念 /28 3.1.1 空间表征 /29 3.1.2 模型学习 /31 3.1.3 模型评价 /32 3.2 广义线性模型 /33 3.2.1 多元线性回归模型 /34 3.2.2 经验风险与结构风险 /35 3.2.3 极大似然估计 /38 3.3 逻辑回归 /39 3.3.1 sigmoid函数 /40 3.3.2 最大似然估计 /41 3.3.3 多项逻辑回归学习 /41 3.3.4 标准化 /42 3.4 性能度量 /44 3.4.1 误差 /45 3.4.2 混淆矩阵与衍生指标 /45 3.4.3 不均衡模型评价 /48 3.4.4 业务评价 /52 3.5 上线部署与监控 /55 3.5.1 上线部署 /55 3.5.2 前端监控 /57 3.5.3 后端监控 /59 3.6 迭代与重构 /61 3.6.1 模型迭代 /61 3.6.2 模型重构 /62 3.7 辅助模型 /62 3.7.1 XGBoost /63 3.7.2 模型解释性 /74 3.7.3 因子分解机 /81 3.8 模型合并 /82 3.9 本章小结 /86 第4章 用户分群 /87 4.1 辛普森悖论 /88 4.2 监督分群 /90 4.2.1 决策树原理 /90 4.2.2 决策树分群 /92 4.2.3 生成拒绝规则 /95 4.3 无监督分群 /105 4.3.1 GMM原理 /106 4.3.2 GMM分群 /107 4.4 用户画像与聚类分析 /108 4.4.1 数据分布可视化 /109 4.4.2 K均值聚类 /110 4.4.3 均值漂移聚类 /111 4.4.4 层次聚类 /113 4.4.5 tSNE聚类 /114 4.4.6 DBSCAN聚类 /115 4.4.7 方差分析 /117 4.5 本章小结 /119 第5章 数据探索与特征工程 /120 5.1 探索性数据分析 /121 5.1.1 连续型变量 /122 5.1.2 离散型变量 /123 5.1.3 代码实现 /123 5.2 特征生成 /126 5.2.1 特征聚合 /127 5.2.2 特征组合 /145 5.3 特征变换 /147 5.3.1 卡方分箱 /148 5.3.2 聚类分箱 /150 5.3.3 分箱对比 /151 5.3.4 箱的调整 /154 5.3.5 两种特殊的调整方法 /156 5.3.6 WOE映射 /158 5.4 本章小结 /158 第6章 特征筛选与建模 /159 6.1 初步筛选 /160 6.1.1 缺失率 /160 6.1.2 信息量 /161 6.1.3 相关性 /162 6.1.4 代码实现 /163 6.2 逐步回归 /164 6.2.1 F检验 /165 6.2.2 常见逐步回归策略 /165 6.2.3 检验标准 /166 6.2.4 代码实现 /167 6.3 稳定性 /167 6.4 负样本分布图 /169 6.5 评分卡案例 /171 6.6 本章小结 /189 第7章 拒绝推断 /190 7.1 偏差产生的原因 /191 7.2 数据验证 /193 7.3 标签分裂 /193 7.4 数据推断 /195 7.4.1 硬截断法 /195 7.4.2 模糊展开法 /198 7.4.3 重新加权法 /199 7.4.4 外推法 /200 7.4.5 迭代再分类法 /202 7.5 本章小结 /204 第8章 模型校准与决策 /205 8.1 模型校准的意义 /206 8.2 校准方法 /207 8.2.1 通用校准 /208 8.2.2 多模型校准 /210 8.2.3 错误分配 /214 8.2.4 权重还原 /215 8.3 决策与应用 /215 8.3.1 最优评分切分 /216 8.3.2 交换集分析 /216 8.3.3 人工干预 /218 8.4 本章小结 /219 第9章 模型文档 /220 9.1 模型背景 /221 9.2 模型设计 /222 9.2.1 模型样本 /222 9.2.2 坏客户定义 /222 9.3 数据准备 /223 9.3.1 数据提取 /223 9.3.2 历史趋势聚合 /224 9.3.3 缺失值与极值处理 /224 9.3.4 WOE处理 /225 9.4 变量筛选 /225 9.4.1 根据IV值进行初筛 /226 9.4.2 逐步回归分析 /226 9.4.3 模型调优 /226 9.5 最终模型 /227 9.5.1 模型变量 /227 9.5.2 模型表现 /228 9.5.3 模型分制转换 /228 9.6 表现追踪 /228 9.7 附件 /229 9.8 本章小结 /231 ---------------------------8066795 - 智能风控：原理、算法与工程实践--------------------------- 推荐序 前言 第1章 风控建模与规则挖掘 / 1 1.1 信贷与风险 / 1 1.1.1 信贷业务与互联网金融风控体系 / 1 1.1.2 信贷风险与控制 / 4 1.2 工业建模流程 / 5 1.2.1 抽象业务 / 6 1.2.2 定义标签 / 6 1.2.3 样本选取 / 7 1.2.4 特征工程与模型调优 / 9 1.2.5 上线监控与评估报表 / 10 1.3 规则挖掘方案 / 13 1.4 本章小结 / 20 第2章 集成模型评分卡 / 21 2.1 特征工程解析 / 21 2.1.1 特征与模型 / 22 2.1.2 信用模型的特征 / 22 2.2 特征衍生方案 / 24 2.3 离散处理 / 27 2.3.1 one-hot编码 / 27 2.3.2 WOE编码 / 28 2.4 迭代特征筛选方案 / 33 2.5 自动化调参 / 38 2.5.1 自动化调参策略 / 38 2.5.2 参数搜索方案 / 39 2.5.3 调参框架搭建 / 40 2.6 递归特征删除方案 / 43 2.7 评分卡制作 / 44 2.7.1 逻辑回归评分卡 / 45 2.7.2 集成模型的评分映射 / 55 2.7.3 针对业务改写评价函数 / 59 2.8 本章小结 / 60 第3章 迁移学习与冷启动 / 61 3.1 迁移学习基础 / 61 3.1.1 应用场景 / 62 3.1.2 概念介绍 / 62 3.2 迁移学习方法论 / 63 3.2.1 三类常见算法 / 63 3.2.2 迁移的实现方法 / 64 3.3 少量有标签样本的迁移方案 / 65 3.3.1 TrAdaBoost模型 / 65 3.3.2 跨场景迁移模型 / 67 3.4 无标签样本迁移之JDA / 76 3.4.1 JDA模型 / 76 3.4.2 模型应用 / 79 3.5 无标签样本迁移之DTELM / 80 3.5.1 ELM模型 / 81 3.5.2 DTELM模型 / 82 3.5.3 模型应用 / 84 3.6 迁移样本筛选方案 / 88 3.6.1 背景介绍 / 88 3.6.2 算法框架概览 / 88 3.6.3 搭建融合框架 / 89 3.7 本章小结 / 93 第4章 幸存者偏差 / 95 4.1 幸存者偏差的含义 / 95 4.2 增量学习 / 96 4.3 生成对抗网络 / 97 4.3.1 GAN模型介绍 / 98 4.3.2 GAN与幸存者偏差 / 99 4.4 高斯混合模型 / 100 4.4.1 GMM算法原理 / 101 4.4.2 GMM简单应用 / 103 4.4.3 GMM中的概率模型 / 104 4.4.4 GMM样本生成 / 107 4.5 信息准则 / 110 4.5.1 赤池信息准则 / 110 4.5.2 贝叶斯信息准则 / 111 4.5.3 AIC与BIC比较 / 111 4.6 本章小结 / 112 第5章 不均衡学习 / 113 5.1 样本不均衡 / 113 5.2 代价敏感加权方案 / 114 5.3 插值过采样方案 / 115 5.3.1 SMOTE算法 / 115 5.3.2 过采样算法实践 / 116 5.4 半监督学习方案 / 121 5.4.1 前提假设 / 122 5.4.2 S3VM / 122 5.4.3 LP / 127 5.5 本章小结 / 130 第6章 异常检测 / 132 6.1 离群点与欺诈检测 / 133 6.2 z-score检验 / 134 6.3 LOF异常检测法 / 134 6.3.1 原理与算法流程 / 135 6.3.2 LOF样本清洗方案 / 137 6.4 IF异常检测法 / 139 6.4.1 原理与算法流程 / 139 6.4.2 PreA模型与冷启动 / 141 6.5 本章小结 / 144 第7章 模型优化 / 145 7.1 多损失函数分段预测 / 145 7.1.1 两种损失函数 / 146 7.1.2 融合流程 / 146 7.2 树模型特征衍生 / 149 7.2.1 GBDT离散化 / 149 7.2.2 融合方案详解 / 150 7.2.3 特征衍生细节 / 151 7.2.4 案例 / 151 7.3 时间序列建模 / 160 7.3.1 RNN / 160 7.3.2 LSTM / 163 7.3.3 门控结构 / 164 7.3.4 LSTM行为评分卡案例 / 166 7.4 高维稀疏数据建模 / 170 7.4.1 算法原理 / 171 7.4.2 算法应用 / 172 7.5 模型融合 / 173 7.5.1 模型融合基础 / 173 7.5.2 模型筛选 / 174 7.5.3 业务应用方案 / 181 7.6 本章小结 / 183 第8章 知识图谱 / 184 8.1 复杂网络基础 / 184 8.2 中心度与相似性 / 187 8.3 节点分类 / 193 8.3.1 朴素节点分类 / 193 8.3.2 邻节点加权投票 / 195 8.3.3 一致性标签传播 / 197 8.4 社区发现算法 / 200 8.4.1 基础概念 / 200 8.4.2 Girvan-Newman算法 / 201 8.4.3 Louvain算法 / 202 8.4.4 社区评估 / 204 8.5 网络表示学习 / 206 8.5.1 矩阵分解 / 207 8.5.2 节点嵌入 / 210 8.6 图卷积神经网络 / 215 8.6.1 卷积神经网络 / 215 8.6.2 傅里叶变换 / 217 8.6.3 拉普拉斯算子 / 219 8.6.4 GCN中的图卷积 / 221 8.7 本章小结 / 225 参考文献 / 226 |