金融數據挖掘與商務智慧型——Python編程實踐

《金融數據挖掘與商務智慧型——Python編程實踐》是2023年清華大學出版社出版的圖書，作者是譚勵。

基本介紹

• 中文名：金融數據挖掘與商務智慧型——Python編程實踐
• 作者：譚勵
• 出版時間：2023年11月1日
• 出版社：清華大學出版社
• ISBN：9787302633860 
• 定價：49.80 元

內容簡介

本書是金融商務領域的基礎教材，以Python語言介紹了機器學習在商務領域的套用。全書分12章: 第1～3章介紹商務智慧型和數據挖掘的基本概念，它們是進行商務智慧型套用的預備知識；第4～11章系統深入地講解現今已成熟的機器學習算法和在商務領域的實際套用；第12章根據具體的商業案例，採用已介紹的算法知識，通過不同的方法進行實際的套用，可以作為學習本書內容之後的研究重點。

圖書目錄

目錄

第1章商務智慧型概述〈〈〈1

1.1商務智慧型的概念1

1.1.1數據、信息與知識1

1.1.2商務智慧型的定義2

1.1.3商務智慧型的特點3

1.1.4商務智慧型的過程4

1.2商務智慧型的產生與發展4

1.3商務智慧型與分析5

1.3.1商務智慧型套用背景5

1.3.2商務智慧型關鍵技術分析5

1.4商務智慧型的系統架構及實施8

1.4.1商務智慧型系統架構8

1.4.2商務智慧型系統要素8

1.4.3商務智慧型系統實施9

1.5主流商務智慧型產品11

1.6商務智慧型的未來發展趨勢14

1.7商務智慧型的套用14

1.8本章小結15

第2章商務智慧型中的核心技術〈〈〈16

2.1數據預處理16

2.1.1數據預處理概述16

2.1.2數據預處理的必要性16

2.1.3數據預處理的基本方法17

2.1.4數據清洗17

2.1.5數據集成21

2.1.6數據變換22

2.1.7數據歸約30

2.2數據抽取—轉換—裝載31

2.2.1相關概念312.2.2數據抽取—轉換—裝載建模過程33

2.2.3數據抽取—轉換—裝載模式介紹33

2.3多維數據模型35

2.3.1多維數據模型的概念35

2.3.2多維數據模型的構建方法35

2.4在線上分析處理38

2.4.1在線上分析處理簡介38

2.4.2在線上分析處理的分類39

2.4.3在線上分析處理的基本概念和典型操作40

2.4.4在線上分析處理系統的實現途徑及實施過程41

2.4.5在線上分析處理的主流工具43

2.5數據可視化43

2.5.1數據可視化簡介43

2.5.2數據可視化的優勢44

2.5.3數據可視化工具45

2.6本章小結53

第3章數據挖掘概述〈〈〈54

3.1數據挖掘的起源與發展54

3.1.1數據挖掘的起源54

3.1.2數據挖掘的發展56

3.2數據挖掘所要解決的問題57

3.3數據挖掘的定義60

3.4數據挖掘的過程62

3.5數據挖掘系統63

3.6數據挖掘的功能和方法64

3.6.1數據挖掘的功能64

3.6.2數據挖掘的方法64

3.7數據挖掘的典型套用領域66

3.8數據挖掘的發展趨勢69

3.9本章小結69

第4章Apriori關聯規則算法〈〈〈71

4.1Apriori算法原理71

4.1.1頻繁項集的評估標準71

4.1.2Apriori算法思想72

4.1.3Apriori算法流程73

4.2Python代碼實現74

4.3案例41: 信用卡消費推薦78

4.3.1實驗步驟78

4.3.2實驗結果79

4.3.3實驗總結87

4.4本章小結87

第5章決策樹分類算法〈〈〈88

5.1決策樹算法原理88

5.1.1決策樹是什麼88

5.1.2如何生成決策樹88

5.1.3決策樹生成之後做什麼90

5.1.4決策樹算法步驟90

5.1.5決策樹算法的優勢和劣勢91

5.2Python代碼實現92

5.3案例51: 基於決策樹的理財產品促銷98

5.3.1實驗原理98

5.3.2實驗步驟98

5.3.3實驗結果99

5.3.4實驗總結108

5.4本章小結108

第6章樸素貝葉斯分類算法〈〈〈109

6.1樸素貝葉斯分類算法原理109

6.1.1貝葉斯原理109

6.1.2樸素貝葉斯110

6.1.3樸素貝葉斯算法流程113

6.1.4樸素貝葉斯算法的優缺點113

6.2Python代碼實現114

6.3案例61: 基於樸素貝葉斯的理財產品促銷118

6.3.1實驗步驟118

6.3.2實驗結果118

6.3.3實驗總結125

6.4本章小結125

第7章k近鄰分類與k均值聚類算法〈〈〈126

7.1k近鄰分類原理與實現126

7.1.1距離126

7.1.2k值選擇127

7.1.3分類規則128

7.1.4k近鄰算法分類的工作原理總結128

7.1.5k近鄰算法分類的優缺點128

7.1.6k近鄰算法分類的代碼128

7.2k近鄰算法案例131

7.2.1實驗原理132

7.2.2實驗步驟132

7.2.3實驗結果133

7.2.4實驗總結139

7.3k均值聚類原理與實現140

7.3.1什麼是k均值聚類算法140

7.3.2k均值聚類的算法過程140

7.3.3k均值聚類的算法代碼144

7.4k均值聚類案例150

7.4.1實驗原理150

7.4.2實驗步驟151

7.4.3實驗結果151

7.4.4實驗總結158

7.5本章小結159

第8章神經網路算法〈〈〈160

8.1人工神經網路模型160

8.1.1人工神經網路的概念160

8.1.2人工神經網路的發展161

8.1.3人工神經網路的特點163

8.1.4人工神經網路的結構165

8.1.5人工神經網路模型169

8.2案例81: 股票價格波動分析172

8.2.1實驗步驟173

8.2.2實驗結果175

8.2.3實驗總結182

8.3本章小結182

第9章線性回歸模型〈〈〈183

9.1線性回歸183

9.2線性回歸實例187

9.2.1算法原理187

9.2.2實驗步驟188

9.2.3實驗結果191

9.3本章小結195

第10章邏輯回歸模型〈〈〈196

10.1邏輯回歸模型的算法原理196

10.1.1什麼是邏輯回歸196

10.1.2向量化198

10.1.3正則化199

10.1.4多類分類問題200

10.2案例101: 客戶流失預警模型200

10.2.1實驗原理201

10.2.2實驗步驟201

10.2.3實驗結果201

10.3本章小結206

第11章AdaBoost算法與數據聚類模型〈〈〈207

11.1AdaBoost算法原理207

11.1.1AdaBoost是什麼207

11.1.2AdaBoost算法流程207

11.1.3AdaBoost實例208

11.1.4AdaBoost的誤差界212

11.1.5AdaBoost指數損失函式推導213

11.1.6AdaBoost代碼實現216

11.2DBSCAN算法的基本原理219

11.2.1DBSCAN算法的基本概念219

11.2.2DBSCAN算法描述220

11.2.3DBSCAN算法實例221

11.2.4DBSCAN算法的優缺點222

11.3本章小結223

第12章綜合案例〈〈〈224

12.1案例121: 信用卡虛假交易實例224

12.1.1實驗原理224

12.1.2實驗步驟229

12.1.3實驗結果229

12.1.4實驗總結241

12.2案例122: 房價租金預測243

12.2.1實驗原理243

12.2.2實驗結果246

12.2.3實驗總結251

12.3案例123: 金融客戶貸款違約預測實例253

12.3.1實驗結果253

12.3.2實驗總結255

12.4本章小結255

參考文獻〈〈〈256