人工智能原理與實踐

人工智能的日益廣泛的應用和普及，而要深入理解人工智能，
我們必須全面理解底層的各類機器學習算法基本原理並能駕馭人工智能各種應用。
  本書分為13章，前7章為原理篇。
原理篇中，我們重點討論機器學習模型建模的全部流程，各類常用的機器學習算法原理，
深度學習和強化學習原理，機器學習涉及的優化論原理，以及機器學習和自然語言處理技術。
後面6章為實戰篇，我們重點討論信用卡場景中的客戶細分，保險行業中的生活事件時間序列預測，
電商交易中欺詐客戶預測，信用卡和金融貸款場景中的風控預測，
房價估值和預測，以及股市短期回報率預測等多個實際應用場景。
  本書理論知識覆蓋面廣而又保留了最有價值的推導，特別適合在各個行業工作的數據科學從業者，
在校學習的人工智能和數據科學專業學生，科技公司的管理者和決策者，以及人工智能的初學者和愛好者。

劉春雷
畢業於中國科學技術大學物理專業，本科畢業後，前往美國留學深造，
並且獲得了美國卡耐基梅隆大學機器學習專業碩士和美國匹茲堡大學物理專業博士的學位。
在研究生和博士學習中，結合數據挖掘，機器學習理論知識和大數據技術，在應用物理領域做出了傑出的工作和成就。
經過多年博士以及博士後階段的學習和研究工作後，作者又先後在美國智庫型研究公司和華爾街商業銀行工作，
積累了大量把人工智能，機器學習算法和數據科學技術應用到工業實踐中的經驗。
作者近的工作為北京的金融科技創新企業，研究人工智能技術應用到金融科技和其他關乎提高人們生活和工作效率的行業中。

第1章 人工智能應用場景——金融風控
1.1 反欺詐與信用評估
1.2 信用評估模型介紹
1.3 客戶營銷與風控管理
1.4 建模中的拒絕推斷
1.5 評分卡模型
第2章 人工智能中的機器學習和模型評價
2.1 機器學習預測結果推廣性理論
2.2 機器學習問題的分類
2.3 二分類模型的評價方法
2.4 多分類模型的評價方法
2.5 回歸模型的評價方法
第3章 機器學習建模重要步驟
3.1 數據收集
3.2 數據清洗轉換和預處理
3.3 特徵工程
3.4 模型的選擇和建立
3.5 模型的監控
第4章 機器學習常用算法原理
4.1 回歸算法
4.2 梯度下降優化
4.3 樸素貝葉斯、支持向量機和決策樹算法
4.4 集成算法、隨機森林算法和梯度增強機算法
4.5 無監督學習算法
4.6 神經網絡算法
第5章 深度學習和強化學習
5.1 深度學習算法
5.2 強化學習算法
第6章 機器學習和化
6.1 化理論和機器學習的關係
6.2 化理論的分類和理解
6.3 機器學習算法中化應用
第7章 自然語言處理算法原理
7.1 文本數據處理和NLP基礎
7.2 機器學習算法在NLP中的應用
7.3 深度學習在NLP中的應用
第8章 信用卡客戶細分
8.1 EDA探索性數據分析
8.2 數據預處理和特徵工程
8.3 K-Means聚類建模和分組個數選擇
8.4 建模結果可視化和分析
第9章 保險公司時間序列生活事件預測
9.1 樸素貝葉斯算法和馬爾可夫鏈算法應用
9.2 時間序列特徵工程和梯度增強機算法
9.3 深度學習算法的應用
第10章 電商網站交易欺詐預測
10.1 EDA探索性數據分析
10.2 模型選擇
10.3 數據特徵工程
第11章 信用卡和信用貸款風險預測
11.1 信用卡客戶風險預測和管理
11.2 個人信用分期貸款風險預測
第12章 美國舊金山房屋成交價格預測
12.1 EDA探索性數據分析和特徵工程
12.2 房屋價格預測建模和驗證
第13章 股票短期回報率預測
13.1 EDA探索性數據分析
13.2 數據預處理和特徵工程
13.3 短期回報率預測模型