第1章 人工智能應(yīng)用場景——金融風(fēng)控 1.1 反欺詐與信用評估 1.2 信用評估模型介紹 1.3 客戶營銷與風(fēng)控管理 1.4 建模中的拒絕推斷 1.5 評分卡模型 第2章 人工智能中的機器學(xué)習(xí)和模型評價 2.1 機器學(xué)習(xí)預(yù)測結(jié)果推廣性理論 2.2 機器學(xué)習(xí)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(xué)習(xí)建模重要步驟 3.1 數(shù)據(jù)收集 3.2 數(shù)據(jù)清洗轉(zhuǎn)換和預(yù)處理 3.3 特征工程 3.4 模型的選擇和建立 3.5 模型的監(jiān)控 第4章 機器學(xué)習(xí)常用算法原理 4.1 回歸算法 4.2 梯度下降優(yōu)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(jiān)督學(xué)習(xí)算法 4.6 神經(jīng)網(wǎng)絡(luò)算法 第5章 深度學(xué)習(xí)和強化學(xué)習(xí) 5.1 深度學(xué)習(xí)算法 5.2 強化學(xué)習(xí)算法 第6章 機器學(xué)習(xí)和最優(yōu)化 6.1 最優(yōu)化理論和機器學(xué)習(xí)的關(guān)系 6.2 最優(yōu)化理論的分類和理解 6.3 機器學(xué)習(xí)算法中最優(yōu)化應(yīng)用 第7章 自然語言處理算法原理 7.1 文本數(shù)據(jù)處理和NLP基礎(chǔ) 7.2 機器學(xué)習(xí)算法在NLP中的應(yīng)用 7.3 深度學(xué)習(xí)在NLP中的應(yīng)用 第8章 信用卡客戶細分 8.1 EDA探索性數(shù)據(jù)分析 8.2 數(shù)據(jù)預(yù)處理和特征工程 8.3 K-Means聚類建模和分組個數(shù)選擇 8.4 建模結(jié)果可視化和分析 第9章 保險公司時間序列生活事件預(yù)測 9.1 樸素貝葉斯算法和馬爾可夫鏈算法應(yīng)用 9.2 時間序列特征工程和梯度增強機算法 9.3 深度學(xué)習(xí)算法的應(yīng)用 第10章 電商網(wǎng)站交易欺詐預(yù)測 10.1 EDA探索性數(shù)據(jù)分析 10.2 模型選擇 10.3 數(shù)據(jù)特征工程 第11章 信用卡和信用貸款風(fēng)險預(yù)測 11.1 信用卡客戶風(fēng)險預(yù)測和管理 11.2 個人信用分期貸款風(fēng)險預(yù)測 第12章 美國舊金山房屋成交價格預(yù)測 12.1 EDA探索性數(shù)據(jù)分析和特征工程 12.2 房屋價格預(yù)測建模和驗證 第13章 股票短期回報率預(yù)測 13.1 EDA探索性數(shù)據(jù)分析 13.2 數(shù)據(jù)預(yù)處理和特征工程 13.3 短期回報率預(yù)測模型