從統計世界走向人工智能：實戰案例與算法（簡體書）

本書首先簡單敘述了從數學到統計、從統計到人工智能的發展，然後結合大量的實際的商業應用案例介紹了諸多經典的機器學習算法，比如LASSO回歸、MCMC、決策樹、隨機森林和神經網絡等等。通過11個大模型介紹了11個商業案例。通過面板數據的方式，基於統計回歸模型，用美國最大的點評類社區Yelp的數據對上市公司的股價做了分析與評估；用LASSO回歸來預測動力煤的價格，對工作生產有極大意義；以有監督的機器學習方法中的樸素貝葉斯估計為例，介紹如何通過算法預測下一季度財務質量好的公司；基於MCMC算法估計參數期望；通過聚類分析對銀行信用進行畫像，避免重大信用風險並獲取收益；挖掘高頻交易訂單簿中蘊含的結構信息，利用隨機森林方法預測市場行為；用Xgboost方法做汽車行業的供需預測，給汽車生產型企業做了前瞻性指導；在投資擇時領域應用支持向量機形成策略；從電商商品評論文本數據分析需求出發，對京東平臺海爾熱水器的用戶評價情況進行LDA主題模型分析，挖掘品牌評論中有用信息，提供銷售建議；知識圖譜中命名實體識別的算法介紹；基於卷積神經網絡的人臉識別系統搭建。

序
前言
第1章 數學→統計→人工智能
1.1 數學與統計
1.2 數據與統計
1.2.1 動態的數據
1.2.2 非結構化的數據
1.2.3 商業場景的數據初始化
1.2.4 統計中的數據與商業中的數據
1.3 統計與人工智能
1.3.1 人工智能的開端
1.3.2 人工智能的解決方法
1.3.3 從統計建模到人工智能
1.4 人工智能與企業商業賦能的進階發展
1.4.1 階段性發展
1.4.2 更高一層發展模式
1.5 人工智能+人：未來職業暢想
1.5.1 人與機器的充分融合
1.5.2 歷史上企業轉型的特徵
1.5.3 人機協作與融合
1.5.4 未來職業場景
第2章 點評數據對上市公司的影響――基於統計回歸模型
2.1 通過點評網站數據研究上市公司
2.1.1 有效市場假說
2.1.2 Yelp數據庫介紹
2.2 點評網站數據處理
2.2.1 數據獲取
2.2.2 變量提取
2.2.3 面板數據準備
2.3 回歸模型設計
2.3.1 模型一：普通 OLS
2.3.2 模型二：引入時間趨勢項
2.3.3 模型三：固定效應模型
2.4 點評網站對公司的價值分析
2.5 延伸場景及應用
第3章 LASSO回歸及重要能源價格預測
3.1 通過多變量研究重要能源價格
3.2 回歸模型的遞進
3.2.1 從線性回歸到Ridge回歸
3.2.2 Ridge回歸與LASSO回歸
3.3 用LASSO回歸預測重要能源價格
3.3.1 預測框架――理解行業邏輯
3.3.2 數據清洗
3.3.3 模型初試――讓模型跑起來
3.3.4 如何改進――提高預測精度
3.4 LASSO回歸總結以及延伸應用
第4章 樸素貝葉斯方法在財務報表分析中的應用
4.1 通過三大報表推演企業未來財務
4.2 樸素貝葉斯理論介紹
4.2.1 貝葉斯理論的思想
4.2.2 樸素貝葉斯方法
4.2.3 樸素貝葉斯方法的參數估計
4.3 用樸素貝葉斯方法對企業未來財務的預測
4.3.1 分析框架
4.3.2 數據準備
4.3.3 模型測試
4.3.4 模型改進
4.4 樸素貝葉斯方法的總結以及延伸應用
第5章 MCMC方法及生物案例分析
5.1 MCMC理論介紹
5.1.1 馬氏鏈
5.1.2 蒙特卡羅方法
5.1.3 MCMC方法
5.1.4 Metropolis-Hastings算法
5.1.5 獨立鏈
5.1.6 隨機遊動鏈
5.1.7 Gibbs抽樣
5.1.8 鏈的診斷
5.2 癌細胞分裂實例介紹
5.2.1 結腸癌細胞背景介紹
5.2.2 案例分析
5.2.3 MCMC方法總結以及延伸應用
第6章 聚類分析及銀行信用畫像
6.1 通過客戶數據分類建立銀行信貸標準
6.2 無監督學習之聚類分析
6.2.1 距離：聚類的基礎
6.2.2 K-均值聚類
6.2.3 均值遷移聚類
6.2.4 基於密度的聚類方法
6.2.5 聚類方法的對比與評價
6.3 用聚類方法對銀行信貸質量分類
6.3.1 分析框架
6.3.2 數據準備
6.3.3 模型初試
6.3.4 模型改進
6.4 聚類分析總結以及延伸應用
第7章 基於隨機森林模型的高頻交易訂單結構分析與價格變動預測
7.1 採用隨機森林模型做高頻交易
7.2 隨機森林模型介紹
7.2.1 決策樹
7.2.2 信息熵
7.2.3 隨機森林算法
7.2.4 OOB方法
7.2.5 參數選擇概述
7.3 高頻交易訂單結構信息挖掘
7.3.1 分析框架
7.3.2 數據清洗
7.3.3 模型初試
7.3.4 模型改進
7.4 隨機森林方法總結以及延伸應用
第8章 基於Xgboost的汽車行業供需預測
8.1 梯度提升與Xgboost
8.1.1 GB
8.1.2 GBDT
8.1.3 Xgboost
8.1.4 分布式Xgboost的設計理念
8.2 汽車行業案例
8.2.1 汽車案例的行業分析
8.2.2 數據預處理
8.2.3 Xgboost模型訓練
8.2.4 結果展示
8.3 Xgboost在汽車行業應用的案例評價以及延伸應用
第9章 支持向量機原理及在投資擇時中的運用
9.1 通過時機選擇研究金融市場的買賣
9.2 SVM介紹
9.2.1 SVM是什麼
9.2.2 線性分類器
9.2.3 核函數
9.3 在 Python中使用SVM
9.4 量化投資中的應用――使用SVM進行期貨擇時
9.4.1 技術指標擇時背景
9.4.2 SVM股指期貨擇時策略
9.4.3 SVM擇時策略結果分析
9.4.4 SVM擇時策略優化改進
9.5 SVM擇時總結以及延伸應用
第10章 基於LDA模型的電商產品評論主題分析
10.1 通過文本信息調研獲得用戶評價分析
10.1.1 文本挖掘
10.1.2 LDA模型
10.2 調研文本的數據處理
10.2.1 數據來源
10.2.2 文本評論分詞
10.2.3 情感分析
10.3 LDA主題模型介紹
10.3.1 模型介紹
10.3.2 模型參數估計
10.3.3 模型的評價
10.4 LDA模型的算法
10.5 電商產品評價分析
10.5.1 結果展示
10.5.2 模型的不足和改進
10.6 LDA模型總結以及延伸應用
第11章 LSTM神經網絡及糖尿病知識圖譜構建
11.1 基於神經網絡的糖尿病知識圖譜構建
11.1.1 自然語言處理
11.1.2 實體識別
11.1.3 糖尿病文本數據集介紹
11.2 BiLSTM+CRF算法理論介紹
11.2.1 RNN
11.2.2 LSTM
11.2.3 BiLSTM
11.2.4 CRF
11.3 BiLSTM+CRF模型評價
11.3.1 獲得上下文信息
11.3.2 考慮到輸出規則
11.4 糖尿病知識圖譜構建過程
11.4.1 BiLSTM+CRF模型框架分析
11.4.2 數據處理
11.4.3 模型初試
11.4.4 BiLSTM+CRF模型改進
第12章 卷積神經網絡在人臉識別中的應用
12.1 人臉識別技術的最新發展
12.2 基於卷積神經網絡的MINST手寫數字識別
12.2.1 卷積神經網絡
12.2.2 MINST手寫數字識別
12.2.3 卷積層
12.2.4 池化層
12.2.5 全連接層
12.2.6 代碼：MINST手寫數字識別的Keras實現
12.2.7 數據預處理
12.2.8 模型定義
12.2.9 模型訓練
12.2.10 效果評估
12.2.11 模型預測
12.2.12 總結
12.3 通過FaceNet網絡結構實現人臉識別
12.3.1 FaceNet網絡結構
12.3.2 人臉識別的案例介紹
12.3.3 案例準備
12.3.4 人臉檢測
12.3.5 人臉識別
12.4 卷積神經網絡總結和延伸應用
參考文獻
彩圖