Python machine learning

本書首先介紹在強化學習環境中工作所需的工具、庫和設置，涵蓋了強化學習的構成模塊，深入探討基於值的方法，如Q-learning和SARSA算法的應用。讀者將學習如何結合使用Q-learning和神經網絡來解決複雜問題。此外，在學習*d*dPG和TD3確定性算法之前，讀者將學習策略梯度方法，如TRPO和PPO，以提高性能和穩定性。本書還介紹模仿學習的原理，以及Dagger如何教智能體飛行。讀者將探索進化策略和黑盒優化技術。最後，讀者將掌握探索方法，如UCB和UCB1，並開發一個名為ESBAS的元算法。

這是一本介紹如何應用大數據和機器學習技術來解決投資問題並提高投資績效的專著。近年來，機器學習和數據科學在投資中發揮著越來越大的作用。從本質上講，機器學習模型在挖掘數據背後的非線性關係上要強于傳統模型。借助機器學習和大數據，投資經理能夠做出以往傳統模型無法實現的預測，進而做出明智的決策。然而，在投資中，並不是所有的數據集和機器學習技術都對金融應用有用，也不是所有的機器學習技術都可以“即插即用”。《大數據、機器學習與量化投資》這本書由資深量化分析專家托尼‧吉達主編，彙集了多位業內頗具影響力的專家學者的前沿分享，闡釋如何應用大數據和機器學習技術來解決投資問題並提高投資績效。這本書共有13章，理論嚴謹，案例豐富，內容涵蓋機器學習在投資管理中的應用現狀和前景、另類數據和大數據在宏觀交易中的應用、處理大數據集的難點和解決方案、挖掘社交媒體數據集分析企業文化、使用自然語言處理技術進行投資者情緒分析、基於支持向量回歸的全球戰術性資產配置策略、強化學習和深度學習在投資組合優化中的應用等主題，可以作為量化投資從業者、金融算法研究人員、高等院校計算機專業和金融工程專業的師生以及機器學習愛好者的參考用書。

機器學習(Machine Learning，ML)是人工智能的一個分支，它是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。機器學習方法可以根據經驗數據自動完成模型參數學習，而不需要人為設定規則，大幅降低了人工分析的工作量和難度，已成為目前解決人工智能相關問題的主要方式。

近年來，人工智能與機器人在全世界範圍內備受關注。但是從2014年開始，國際權威調研機構高德納諮詢公司(Gartner)每年公佈的十大技術中，“大數據”這樣的詞語已經不再出現了。這不是因為“大數據”不再重要，而是意味著自2015年以後，“大數據”已經包含在十大技術裡，或者已經成為這些技術的基礎。“大數據”不僅可以用於構建和應用分析模型，還可以應用於機器學習(Machine Learning)、人工智能等諸多領域。本書從多種觀點出發，闡述了對大數據分析的理解和在環境、大數據企劃與設計層面上需要考慮的問題。

特色1. 數據處理和數據分析並重。針對金融大數據結構複雜、數據源和格式變換大的特點，充分講述SAS軟件DATA步強大的數據處理功能，強化金融數據處理內容。2. 將SAS數據分析能力強和R和Python靈巧和業界流行的特點相結合，建立融合SAS和R及Python的數據處理和分析教材構架，進行教學大綱、授課教案到教材、案例集和習題集等課程要件建設。3. 以《金融計量經濟學》為知識依托，以海通證券金融工程部、天風證券金融工程部、等有名券商量化金融策略為具體案例內容，以權益（股票）市場和債券（固定收益）市場為主要應用領域，以日數據（daily data）為主、高頻日內數據（intraday data）為輔，建立從數據搜集到數據清理、從投資組合到交易策略和算法交易等金融量化方法的教學案例。創新點1. 填補國內教材空白。作為一款權威的數據處理和統計分析軟件，多年來SAS在國內（尤其是銀行系統）得到了廣泛應用。已出版的教材多以操作和數據處理編程為主，針對金融數據處理和分析的書籍並不多見，尤其講解金融數據分析的SAS過程步（Proc step）的教材難以見到。本教材擬對分析金融時間序列的SAS過程進行詳細和全面的介紹，充分揭示SAS在處理和分析金融時間序列數據上的優勢，填補國內教材空白。2.SAS Viya平臺介紹和R、Python的軟件融合。SAS Viya 2016年推出以來，得到了很快的發展，出現了基於SAS Viya 云分析服務CAS的很多應用，國內一些金融機構也採用了SAS Viya構建自己的數據分析平臺。但國內介紹SAS Viya的書很少，沒有發現介紹利用SAS Viya中的ACTION進行金融數據分析的書籍。對SAS Viya的介紹以及利用SAS Viya中的Econometrics8.4 ACTION、Visal Statistical Analysis ACTION、Deep Learning ACTION等進行金融數據處理和分析的內容，是本教材的創新之處。

本書共6章。第1章介紹機器學習的基本概念及其發展史、機器學習分類、常見機器學習算法及其特點；第2章搭建機器學習開發環境，主要包括Anaconda\PyCham\Python軟件的安裝及使用，以及常見機器學習庫的介紹和安裝使用方法；第3章介紹監督學習的4個經典算法：線性回歸、決策樹、k近鄰和支持向量機算法，其重點在算法的應用；第4章介紹主成分分析降維算法、K-means聚類算法；第5章介紹人工神經網絡基礎，並通過房價預測和手寫數字識別實例進行驗證；第6章介紹強化學習的基本概念，有模型學習和無模型學習，最後介紹了Q-Learning算法和Sarsa算法。