人工智慧原理與實踐(2022年北京大學出版社出版的圖書)

內容簡介

人工智慧的日益廣泛的套用和普及，而要深入理解人工智慧，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慧各種套用。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，機器學習涉及的最佳化論原理，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套用場景。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，在校學習的人工智慧和數據科學專業學生，科技公司的管理者和決策者，以及人工智慧的初學者和愛好者。

圖書目錄

第1章人工智慧套用場景——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 客戶行銷與風控管理

1.4 建模中的拒絕推斷

1.5 評分卡模型

第2章人工智慧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 梯度下降最佳化

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 神經網路算法

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章機器學習和最最佳化

6.1 最最佳化理論和機器學習的關係

6.2 最最佳化理論的分類和理解

6.3 機器學習算法中最最佳化套用

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中的套用

7.3 深度學習在NLP中的套用

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套用

人工智慧原理與實踐(2022年北京大學出版社出版的圖書)

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條