人工智能原理与实践

第1章 人工智能应用场景——金融风控 1.1 反欺诈与信用评估 1.2 信用评估模型介绍 1.3 客户营销与风控管理 1.4 建模中的拒绝推断 1.5 评分卡模型 第2章 人工智能中的机器学习和模型评价 2.1 机器学习预测结果推广性理论 2.2 机器学习问题的分类 2.3 二分类模型的评价方法 2.4 多分类模型的评价方法 2.5 回归模型的评价方法 第3章 机器学习建模重要步骤 3.1 数据收集 3.2 数据清洗转换和预处理 3.3 特征工程 3.4 模型的选择和建立 3.5 模型的监控 第4章 机器学习常用算法原理 4.1 回归算法 4.2 梯度下降优化 4.3 朴素贝叶斯、支持向量机和决策树算法 4.4 集成算法、随机森林算法和梯度增强机算法 4.5 无监督学习算法 4.6 神经网络算法 第5章 深度学习和强化学习 5.1 深度学习算法 5.2 强化学习算法 第6章 机器学习和*优化 6.1 *优化理论和机器学习的关系 6.2 *优化理论的分类和理解 6.3 机器学习算法中*优化应用 第7章 自然语言处理算法原理 7.1 文本数据处理和NLP基础 7.2 机器学习算法在NLP中的应用 7.3 深度学习在NLP中的应用 第8章 信用卡客户细分 8.1 EDA探索性数据分析 8.2 数据预处理和特征工程 8.3 K-Means聚类建模和分组个数选择 8.4 建模结果可视化和分析 第9章 保险公司时间序列生活事件预测 9.1 朴素贝叶斯算法和马尔可夫链算法应用 9.2 时间序列特征工程和梯度增强机算法 9.3 深度学习算法的应用 第10章 电商网站交易欺诈预测 10.1 EDA探索性数据分析 10.2 模型选择 10.3 数据特征工程 第11章 信用卡和信用贷款风险预测 11.1 信用卡客户风险预测和管理 11.2 个人信用分期贷款风险预测 第12章 美国旧金山房屋成交价格预测 12.1 EDA探索性数据分析和特征工程 12.2 房屋价格预测建模和验证 第13章 股票短期回报率预测 13.1 EDA探索性数据分析 13.2 数据预处理和特征工程 13.3 短期回报率预测模型