《从统计世界走向人工智能：实战案例与算法》求取 ⇩

第1章数学→统计→人工智能1

1.1 数学与统计1

1.2数据与统计1

1.2.1 动态的数据1

1.2.2 非结构化的数据2

1.2.3 商业场景的数据初始化3

1.2.4 统计中的数据与商业中的数据3

1.3统计与人工智能3

1.3.1 人工智能的开端5

1.3.2 人工智能的解决方法5

1.3.3 从统计建模到人工智能6

1.4人工智能与企业商业赋能的进阶发展6

1.4.1 阶段性发展6

1.4.2 更高一层发展模式7

1.5人工智能＋人：未来职业畅想7

1.5.1 人与机器的充分融合7

1.5.2 历史上企业转型的特征8

1.5.3 人机协作与融合8

1.5.4 未来职业场景9

第2章点评数据对上市公司的影响——基于统计回归模型11

2.1通过点评网站数据研究上市公司11

2.1.1 有效市场假说11

2.1.2 Yelp数据库介绍11

2.2点评网站数据处理12

2.2.1 数据获取12

2.2.2 变量提取14

2.2.3 面板数据准备16

2.3回归模型设计18

2.3.1 模型一：普通OLS18

2.3.2 模型二：引入时间趋势项18

2.3.3 模型三：固定效应模型19

2.4 点评网站对公司的价值分析19

2.5 延伸场景及应用22

第3章LASSO回归及重要能源价格预测24

3.1 通过多变量研究重要能源价格24

3.2回归模型的递进25

3.2.1 从线性回归到Ridge回归25

3.2.2 Ridge回归与LASSO回归26

3.3用LASSO回归预测重要能源价格28

3.3.1 预测框架——理解行业逻辑28

3.3.2 数据清洗29

3.3.3 模型初试——让模型跑起来29

3.3.4 如何改进——提高预测精度31

3.4 LASSO回归总结以及延伸应用35

第4章朴素贝叶斯方法在财务报表分析中的应用36

4.1 通过三大报表推演企业未来财务36

4.2朴素贝叶斯理论介绍37

4.2.1 贝叶斯理论的思想37

4.2.2 朴素贝叶斯方法38

4.2.3 朴素贝叶斯方法的参数估计38

4.3用朴素贝叶斯方法对企业未来财务的预测39

4.3.1 分析框架39

4.3.2 数据准备40

4.3.3 模型测试42

4.3.4 模型改进45

4.4 朴素贝叶斯方法的总结以及延伸应用48

第5章MCMC方法及生物案例分析49

5.1MCMC理论介绍49

5.1.1 马氏链49

5.1.2 蒙特卡罗方法50

5.1.3 MCMC方法51

5.1.4 Metropolis-Hastings算法51

5.1.5 独立链52

5.1.6 随机游动链52

5.1.7 Gibbs抽样53

5.1.8 链的诊断53

5.2癌细胞分裂实例介绍53

5.2.1 结肠癌细胞背景介绍53

5.2.2 案例分析54

5.2.3 MCMC方法总结以及延伸应用56

第6章聚类分析及银行信用画像58

6.1 通过客户数据分类建立银行信贷标准58

6.2无监督学习之聚类分析59

6.2.1 距离：聚类的基础60

6.2.2 K-均值聚类61

6.2.3 均值迁移聚类63

6.2.4 基于密度的聚类方法65

6.2.5 聚类方法的对比与评价67

6.3用聚类方法对银行信贷质量分类68

6.3.1 分析框架68

6.3.2 数据准备69

6.3.3 模型初试72

6.3.4 模型改进76

6.4 聚类分析总结以及延伸应用81

第7章基于随机森林模型的高频交易订单结构分析与价格变动预测82

7.1 采用随机森林模型做高频交易82

7.2随机森林模型介绍83

7.2.1 决策树83

7.2.2 信息熵84

7.2.3 随机森林算法85

7.2.4 OOB方法86

7.2.5 参数选择概述86

7.3高频交易订单结构信息挖掘87

7.3.1 分析框架87

7.3.2 数据清洗87

7.3.3 模型初试91

7.3.4 模型改进94

7.4 随机森林方法总结以及延伸应用96

第8章基于Xgboost的汽车行业供需预测97

8.1梯度提升与Xgboost97

8.1.1 GB97

8.1.2 GBDT98

8.1.3 Xgboost98

8.1.4 分布式Xgboost的设计理念99

8.2汽车行业案例100

8.2.1 汽车案例的行业分析100

8.2.2 数据预处理101

8.2.3 Xgboost模型训练103

8.2.4 结果展示104

8.3 Xgboost在汽车行业应用的案例评价以及延伸应用105

第9章支持向量机原理及在投资择时中的运用106

9.1 通过时机选择研究金融市场的买卖106

9.2SVM介绍106

9.2.1 SVM是什么106

9.2.2 线性分类器108

9.2.3 核函数109

9.3 在Python中使用SVM111

9.4量化投资中的应用——使用SVM进行期货择时113

9.4.1 技术指标择时背景113

9.4.2 SVM股指期货择时策略114

9.4.3 SVM择时策略结果分析115

9.4.4 SVM择时策略优化改进118

9.5 SVM择时总结以及延伸应用118

第10章基于LDA模型的电商产品评论主题分析119

10.1通过文本信息调研获得用户评价分析119

10.1.1 文本挖掘119

10.1.2 LDA模型119

10.2调研文本的数据处理120

10.2.1 数据来源120

10.2.2 文本评论分词120

10.2.3 情感分析121

10.3LDA主题模型介绍121

10.3.1 模型介绍121

10.3.2 模型参数估计122

10.3.3 模型的评价123

10.4 LDA模型的算法124

10.5电商产品评价分析125

10.5.1 结果展示125

10.5.2 模型的不足和改进126

10.6 LDA模型总结以及延伸应用127

第11章LSTM神经网络及糖尿病知识图谱构建128

11.1基于神经网络的糖尿病知识图谱构建128

11.1.1 自然语言处理128

11.1.2 实体识别128

11.1.3 糖尿病文本数据集介绍129

11.2BiLSTM十CRF算法理论介绍129

11.2.1 RNN129

11.2.2 LSTM131

11.2.3 BiLSTM133

11.2.4 CRF134

11.3BiLSTM＋CRF模型评价134

11.3.1 获得上下文信息134

11.3.2 考虑到输出规则134

11.4糖尿病知识图谱构建过程135

11.4.1 BiLSTM＋CRF模型框架分析135

11.4.2 数据处理136

11.4.3 模型初试141

11.4.4 BiLSTM＋CRF模型改进144

第12章卷积神经网络在人脸识别中的应用145

12.1 人脸识别技术的最新发展145

12.2基于卷积神经网络的MINST手写数字识别145

12.2.1 卷积神经网络145

12.2.2 MINST手写数字识别146

12.2.3 卷积层146

12.2.4 池化层147

12.2.5 全连接层147

12.2.6 代码：MINST手写数字识别的Keras实现147

12.2.7 数据预处理148

12.2.8 模型定义149

12.2.9 模型训练150

12.2.10 效果评估150

12.2.11 模型预测150

12.2.12 总结150

12.3通过FaceNet网络结构实现人脸识别151

12.3.1 FaceNet网络结构151

12.3.2 人脸识别的案例介绍152

12.3.3 案例准备152

12.3.4 人脸检测152

12.3.5 人脸识别154

12.4 卷积神经网络总结和延伸应用155

参考文献156