機器學習與經濟大數據分析

劉徵馳

買這商品的人也買了...

相關主題

商品描述

面對數位經濟背景下大數據分析的現實需求,本書分別從經濟理論闡述、數學原理推導、程式碼實現三個角度,
系統性全面地闡述了各類經典機器學習模式的理論內涵與適用範圍,
以及基於 Python 程式語言進行演算法訓練、模型測試和參數調優的具體方法。
本書配有A、B兩個附錄,介紹了 Python 語言基本語法規則,以及經濟大數據分析所涉及的Python 工具包。
本書旨在培養能夠綜合運用經濟學思維、數理分析方法、數據科學工具,分析和解決經濟社會發展中的理論和實際問題的複合型人才;
可作為高等院校經濟管理、電腦等專業本科生、研究生、MBA 教材,
也可作為相關企業員工內部培訓教學課程或經濟數據分析從業人員的參考讀物。

目錄大綱

第1章經濟大數據分析概論
1.1 數位經濟時代的大數據
1.2 大數據分類
1.3 機器學習簡述
1.4 機器學習與計量經濟學的方法差異
1.5 機器學習與計量經濟學的融合應用
本章小結
課後習題
第2章機器學習與資料分析
2.1 機器學習基本原則
2.2 機器學習工具包:Scikit-learn
2.3 Scikit-learn進階API
2.4 經濟資料分析案例
本章小結
課後習題
第3章線性迴歸與模型擬合
3.1 線性迴歸模型
3.2 模型擬合問題
3.3 偏差與變異數
3.4 過擬合與正規化
本章註解
本章小結
課後習題
第4章邏輯迴歸與模型評估
4.1 從線性迴歸到邏輯迴歸
4.2 二元分類預測案例
4.3 多元分類問題
4.4 模型評估方法
本章註解
本章小結
課後習題
第5章支援向量機與核函數
5.1 支援向量機模型
5.2 近似線性可分情形
5.3 支援向量機與邏輯迴歸的差異
5.4 核函數基本原理
5.5 非線性支援向量機
5.6模型拓展:支援向量迴歸
5.7 財政收入預測案例
本章註解
本章小結
課後習題
第6章決策樹與整合學習
6.1 決策樹模型
6.2 整合學習
6.3 樹的橫向整合:隨機森林
6.4 樹的縱向整合:梯度提升樹
6.5 決策樹與邏輯迴歸整合
6.6 銀行借貸風險預測案例
本章註
本章小結
課後習題
第7章貝葉斯分類與生成式學習
7.1 貝葉斯分類模型原理
7.2 基於樸素貝葉斯的文本分類
7.3 基於LDA的文本主題分析
7.4 生成式學習的延伸討論
本章註釋
本章小結
課後習題
第8章聚類降維與無監督學習
8.1 監督學習與無監督學習
8.2 聚類模型:K-均值聚類
8.3 降維模型:主成分分析
8.4 顧客價值分析案例
本章小結
課後習題