- 科学出版社
- 9787030746337
- 1-1
- 460257
- 48250088-1
- 平装胶订
- 2023-06
- 理工、经管类
- 本科 研究生及以上
内容简介
本书是在大数据框架下，全面介绍金融科技在处理真实场景金融问题时需要掌握的最重要的几类机器学习方法，并将重点放在实施过程中需要用到的特征提取、可解释性、隐私保护与数据安全共享等相关内容的讨论上。
本书内容分三部分:第一部分由1～6章组成，主要讲常规情况下，机器学习在金融场景特别是大数据风控中的建模应用；第二部分由第7章和第8章组成，主要讲在数据隐私保护和安全要求下，机器学习如何进行大数据风控建模；第三部分由9～16章组成，主要讲如何基于吉布斯抽样算法建立特征提取的理论
和标准框架及其在包含投资和融资等7个不同金融场景中的应用。
本书具有五个特点：一是面向应用需求，介绍机器学习在金融场景特别是大数据风控中的建模应用；二是紧扣应用，聚焦智能投顾和大数据信用评价两大领域；三是针对算法，重点讲逻辑回归和集成学习建模；四是针对数据安全和隐私保护问题，建立密文机器学习模型，实现数据共享；五是针对特征工程，基于吉布斯抽样算法，建立支持非线性特征提取的理论和标准框架。
本书内容分三部分:第一部分由1～6章组成，主要讲常规情况下，机器学习在金融场景特别是大数据风控中的建模应用；第二部分由第7章和第8章组成，主要讲在数据隐私保护和安全要求下，机器学习如何进行大数据风控建模；第三部分由9～16章组成，主要讲如何基于吉布斯抽样算法建立特征提取的理论
和标准框架及其在包含投资和融资等7个不同金融场景中的应用。
本书具有五个特点：一是面向应用需求，介绍机器学习在金融场景特别是大数据风控中的建模应用；二是紧扣应用，聚焦智能投顾和大数据信用评价两大领域；三是针对算法，重点讲逻辑回归和集成学习建模；四是针对数据安全和隐私保护问题，建立密文机器学习模型，实现数据共享；五是针对特征工程，基于吉布斯抽样算法，建立支持非线性特征提取的理论和标准框架。
