机器学习与经济大数据分析：基于Python实现 / 数字中国·数字经济创新规划教材
￥65.00定价
作者： 刘征驰
出版时间：2024-04
出版社：北京大学出版社
- 北京大学出版社
- 9787301349724
- 1版
- 527239
- 62251250-7
- 2024-04
- 数字经济
- 本科 高职 五年制高职 高职本科（应用型本科） 中职
作者简介
内容简介
面对数字经济背景下大数据分析的现实需求，本书分别从经济理论阐述、数学原理推导、程序代码实现三个角度，系统全面地阐释了各类经典机器学习模型的理论内涵和适用范围，以及基于 Python 编程语言进行算法训练、模型测试和参数调优的具体方法。本书配有A、B两个附录，介绍了 Python 语言基本语法规则，以及经济大数据分析所涉及的Python 工具包。
本书旨在培养能够综合运用经济学思维、数理分析方法、数据科学工具，分析和解决经济社会发展中的理论和实际问题的复合型人才；可作为高等院校经济管理、计算机等专业本科生、研究生、MBA 教材，也可作为相关企业员工内部培训教程或经济数据分析从业者的参考读物。
本书旨在培养能够综合运用经济学思维、数理分析方法、数据科学工具，分析和解决经济社会发展中的理论和实际问题的复合型人才；可作为高等院校经济管理、计算机等专业本科生、研究生、MBA 教材，也可作为相关企业员工内部培训教程或经济数据分析从业者的参考读物。
目录
第1章 经济大数据分析概论// 1
1. 1 数字经济时代的大数据 // 1
1. 2 大数据分类 // 2
1. 3 机器学习简述 // 4
1. 4 机器学习与计量经济学的方法差异 // 5
1. 5 机器学习与计量经济学的融合应用 // 8
本章小结 // 9
课后习题 // 10
第2章 机器学习与数据分析 // 11
2. 1 机器学习基本原理 // 11
2. 2 机器学习工具包: Scikit-learn // 16
2. 3 Scikit-learn 高级API // 30
2. 4 经济数据分析案例 // 43
本章小结 // 59
课后习题 // 59
第3章 线性回归与模型拟合 // 61
3. 1 线性回归模型 // 61
3. 2 模型拟合问题 // 72
3. 3 偏差与方差 // 82
3. 4 过拟合与正则化 // 89
本章注释 // 97
本章小结 // 97
课后习题 // 98
第4章 逻辑回归与模型评估 // 99
4. 1 从线性回归到逻辑回归 // 99
4. 2 二元分类预测案例 // 104
4. 3 多元分类问题 // 113
4. 4 模型评估方法 // 117
本章注释 // 128
本章小结 // 129
课后习题 // 129
第5章 支持向量机与核函数 // 131
5. 1 支持向量机模型 // 131
5. 2 近似线性可分情形 // 136
5. 3 支持向量机与逻辑回归的差异 // 143
5. 4 核函数基本原理 // 148
5. 5 非线性支持向量机 // 150
5. 6 模型拓展: 支持向量回归 // 155
5. 7 财政收入预测案例 // 157
本章注释 // 170
本章小结 // 170
课后习题 // 171
第6章 决策树与集成学习 // 172
6. 1 决策树模型 // 172
6. 2 集成学习 // 181
6. 3 树的横向集成: 随机森林 // 185
6. 4 树的纵向集成: 梯度提升树 // 189
6. 5 决策树和逻辑回归集成 // 193
6. 6 银行借贷风险预测案例 // 201
本章注释 // 223
本章小结 // 224
课后习题 // 224
第7章 贝叶斯分类与生成式学习 // 226
7. 1 贝叶斯分类模型原理 // 226
7. 2 基于朴素贝叶斯的文本分类 // 231
7. 3 基于LDA 的文本主题分析 // 246
7. 4 对生成式学习的延伸讨论 // 262
本章注释 // 265
本章小结 // 265
课后习题 // 265
第8章 聚类降维与无监督学习 // 267
8. 1 监督学习与无监督学习 // 267
8. 2 聚类模型: K -均值聚类 // 268
8. 3 降维模型: 主成分分析 // 278
8. 4 客户价值分析案例 // 293
本章小结 // 306
课后习题 // 307
1. 1 数字经济时代的大数据 // 1
1. 2 大数据分类 // 2
1. 3 机器学习简述 // 4
1. 4 机器学习与计量经济学的方法差异 // 5
1. 5 机器学习与计量经济学的融合应用 // 8
本章小结 // 9
课后习题 // 10
第2章 机器学习与数据分析 // 11
2. 1 机器学习基本原理 // 11
2. 2 机器学习工具包: Scikit-learn // 16
2. 3 Scikit-learn 高级API // 30
2. 4 经济数据分析案例 // 43
本章小结 // 59
课后习题 // 59
第3章 线性回归与模型拟合 // 61
3. 1 线性回归模型 // 61
3. 2 模型拟合问题 // 72
3. 3 偏差与方差 // 82
3. 4 过拟合与正则化 // 89
本章注释 // 97
本章小结 // 97
课后习题 // 98
第4章 逻辑回归与模型评估 // 99
4. 1 从线性回归到逻辑回归 // 99
4. 2 二元分类预测案例 // 104
4. 3 多元分类问题 // 113
4. 4 模型评估方法 // 117
本章注释 // 128
本章小结 // 129
课后习题 // 129
第5章 支持向量机与核函数 // 131
5. 1 支持向量机模型 // 131
5. 2 近似线性可分情形 // 136
5. 3 支持向量机与逻辑回归的差异 // 143
5. 4 核函数基本原理 // 148
5. 5 非线性支持向量机 // 150
5. 6 模型拓展: 支持向量回归 // 155
5. 7 财政收入预测案例 // 157
本章注释 // 170
本章小结 // 170
课后习题 // 171
第6章 决策树与集成学习 // 172
6. 1 决策树模型 // 172
6. 2 集成学习 // 181
6. 3 树的横向集成: 随机森林 // 185
6. 4 树的纵向集成: 梯度提升树 // 189
6. 5 决策树和逻辑回归集成 // 193
6. 6 银行借贷风险预测案例 // 201
本章注释 // 223
本章小结 // 224
课后习题 // 224
第7章 贝叶斯分类与生成式学习 // 226
7. 1 贝叶斯分类模型原理 // 226
7. 2 基于朴素贝叶斯的文本分类 // 231
7. 3 基于LDA 的文本主题分析 // 246
7. 4 对生成式学习的延伸讨论 // 262
本章注释 // 265
本章小结 // 265
课后习题 // 265
第8章 聚类降维与无监督学习 // 267
8. 1 监督学习与无监督学习 // 267
8. 2 聚类模型: K -均值聚类 // 268
8. 3 降维模型: 主成分分析 // 278
8. 4 客户价值分析案例 // 293
本章小结 // 306
课后习题 // 307
