金融人才 × 機器學習聯手出擊：專為 FinTech 領域打造的機器學習指南 (Machine Learning for Finance)

購買商店

金融人才 × 機器學習聯手出擊：專為 FinTech 領域打造的機器學習指南 (Machine Learning for Finance)

$455.00

馬上購買

內容描述

金融人才×機器學習聯手出擊：專為FinTech領域打造的機器學習指南
Machine Learning for Finance

一本專為金融專業人士編寫的機器學習指南！對於所有從事金融資料分析的讀者來說，機器學習將是一門如虎添翼的技術。本書介紹許多新穎的、進階的機器學習模型，並示範如何將它們應用於金融產業（包括保險、交易和貸款）。本書亦詳細解說機器學習背後的觀念和演算法，著重於金融應用，提供豐富詳盡的Python程式碼範例。

本書展示機器學習在結構化資料、文字、影像及時間序列上的工作方式，並深度探討眾多關鍵的機器學習模型，從簡單迴歸到高階神經網路，還有GAN、強化學習、對抗偏見、貝氏推論和機率規劃等內容。

本書範圍廣泛，但方法卻深入且實用。如果你在FinTech領域工作，或想投入FinTech領域，並希望獲得當今領域最有價值的技術之一，本書就是為你而準備的！

在這本書中，你將學到：
・將機器學習應用於結構化資料、自然語言、照片和書面文字
・機器學習如何偵測詐欺行為、預測金融趨勢、分析客戶情緒等等
・使用Python、scikit-learn、Keras和TensorFlow實作啟發式基準線、時間序列、生成模型和強化學習
・深入研究神經網路、檢視GAN和强化學習的應用
・對機器學習應用程式進行除錯，並為其啟動做好準備
・解決機器學習的偏見和隱私問題

目錄大綱

前言

Chapter 1：神經網路與基於梯度的優化
本書的學習之旅
什麼是機器學習？
監督式學習
非監督式學習
強化學習
設定工作區
使用Kaggle內核
使用AWS深度學習AMI
優化模型參數
測量模型損失
建立更深層的網路
Keras簡介
張量和運算圖
練習題
小結

Chapter 2：機器學習在結構化資料之應用
人工合成資料
啟發式模型、特徵式模型和E2E模型
機器學習軟體需求
啟發式方法
特徵工程方法
準備Keras資料
使用Keras建立預測模型
決策樹簡介
E2E模型
練習題
小結

Chapter 3：電腦視覺應用
卷積神經網路
彩色影像過濾器
ConvNets在Keras的程式區塊
為我們的神經網路提供更多樣的功能
處理大型影像資料集
使用預先訓練的模型
權衡模組化
分類之外的電腦視覺技術
練習題
小結

Chapter 4：理解時間序列
Pandas資料視覺化準備工作
快速傅立葉變換
自相關性
建立訓練和測試規則
回溯測試說明
預測中位數
ARIMA
卡爾曼過濾器
Conv1D卷積層
擴張和因果卷積層
簡易RNN
LSTM
遞歸丟棄
貝葉斯深度學習
練習題
小結

Chapter 5：使用自然語言處理解析文字資料
spaCy入門指引
命名實體識別
詞性（POS）標記
基於規則的匹配方式
正規表示法
文字分類任務
準備資料
詞袋
主題模型
詞嵌入
「詞嵌入」的文件相似性
快速瀏覽Kera函數式API
注意力機制
Seq2seq模型
練習題
小結

Chapter 6：使用生成模型
了解自動編碼器
使用t-SNE視覺化潛在空間
變分自動編碼器
用於時間序列的VAE
GAN
使用較少的資料－主動學習
將SGAN應用於詐欺偵測
練習題
小結

Chapter 7：在金融市場中應用強化學習
Catch：強化學習的快速入門
更正式地介紹RL：「馬可夫過程」和「貝爾曼方程式」
優勢行動者-評論家模型
進化策略和基因演算法
RL工程之實用提示
最先進的RL技術
練習題
小結

Chapter 8：隱私權、除錯和發佈你的產品
對資料進行除錯
對你的模型進行除錯
部署
效能提示
練習題
小結

Chapter 9：對抗偏差或偏見
機器學習中不公平的來源
法律觀點
觀察公平性
公平訓練
因果學習
解讀模型以確保公平性
複雜系統失敗的不公平現象
制定公平模式的清單
練習題
小結

Chapter 10：貝氏推論和機率規劃
貝氏推論的直觀指南
小結
後會有期
延伸閱讀

作者介紹

Jannes Klaas 是一位具有經濟學和金融學背景的量化研究員（quantitative researcher）。他曾經在鹿特丹（Rotterdam）的「圖靈學會」（Turing Society）擔任機器學習的首席開發者，教授金融領域的機器學習。他領導過機器學習訓練營，並與金融公司合作開發資料驅動應用程式和交易策略。

Jannes目前是牛津大學的研究生，他的研究興趣包括系統性風險（systemic risk）和大規模自動化知識發掘。