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)

Jannes Klaas 著 彭勝陽 譯

  • 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)-preview-1
  • 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)-preview-2
  • 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)-preview-3
  • 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)-preview-4
  • 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)-preview-5
  • 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)-preview-6
  • 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)-preview-7
  • 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)-preview-8
  • 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)-preview-9
  • 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)-preview-10
  • 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)-preview-11
  • 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)-preview-12
  • 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)-preview-13
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)-preview-1

買這商品的人也買了...

商品描述

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Pythonscikit-learnKerasTensorFlow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

作者簡介

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。

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