從統(tǒng)計世界走向人工智能：實戰(zhàn)案例與算法

目錄
序
前言
第1章 數(shù)學(xué)→統(tǒng)計→人工智能 1
1.1 數(shù)學(xué)與統(tǒng)計 1
1.2 數(shù)據(jù)與統(tǒng)計 1
1.2.1 動態(tài)的數(shù)據(jù) 1
1.2.2 非結(jié)構(gòu)化的數(shù)據(jù) 2
1.2.3 商業(yè)場景的數(shù)據(jù)初始化 3
1.2.4 統(tǒng)計中的數(shù)據(jù)與商業(yè)中的數(shù)據(jù) 3
1.3 統(tǒng)計與人工智能 3
1.3.1 人工智能的開端 5
1.3.2 人工智能的解決方法 5
1.3.3 從統(tǒng)計建模到人工智能 6
1.4 人工智能與企業(yè)商業(yè)賦能的進(jìn)階發(fā)展 6
1.4.1 階段性發(fā)展 6
1.4.2 更高一層發(fā)展模式 7
1.5 人工智能+人：未來職業(yè)暢想 7
1.5.1 人與機(jī)器的充分融合 7
1.5.2 歷史上企業(yè)轉(zhuǎn)型的特征 8
1.5.3 人機(jī)協(xié)作與融合 8
1.5.4 未來職業(yè)場景 9
第2章 點(diǎn)評數(shù)據(jù)對上市公司的影響——基于統(tǒng)計回歸模型 11
2.1 通過點(diǎn)評網(wǎng)站數(shù)據(jù)研究上市公司 11
2.1.1 有效市場假說 11
2.1.2 Yelp數(shù)據(jù)庫介紹 11
2.2 點(diǎn)評網(wǎng)站數(shù)據(jù)處理 12
2.2.1 數(shù)據(jù)獲取 12
2.2.2 變量提取 14
2.2.3 面板數(shù)據(jù)準(zhǔn)備 16
2.3 回歸模型設(shè)計 18
2.3.1 模型一：普通 OLS 18
2.3.2 模型二：引入時間趨勢項 18
2.3.3 模型三：固定效應(yīng)模型 19
2.4 點(diǎn)評網(wǎng)站對公司的價值分析 19
2.5 延伸場景及應(yīng)用 22
第3章 LASSO回歸及重要能源價格預(yù)測 24
3.1 通過多變量研究重要能源價格 24
3.2 回歸模型的遞進(jìn) 25
3.2.1 從線性回歸到Ridge回歸 25
3.2.2 Ridge回歸與LASSO回歸 26
3.3 用LASSO回歸預(yù)測重要能源價格 28
3.3.1 預(yù)測框架——理解行業(yè)邏輯 28
3.3.2 數(shù)據(jù)清洗 29
3.3.3 模型初試——讓模型跑起來 29
3.3.4 如何改進(jìn)——提高預(yù)測精度 31
3.4 LASSO回歸總結(jié)以及延伸應(yīng)用 35
第4章 樸素貝葉斯方法在財務(wù)報表分析中的應(yīng)用 36
4.1 通過三大報表推演企業(yè)未來財務(wù) 36
4.2 樸素貝葉斯理論介紹 37
4.2.1 貝葉斯理論的思想 37
4.2.2 樸素貝葉斯方法 38
4.2.3 樸素貝葉斯方法的參數(shù)估計 38
4.3 用樸素貝葉斯方法對企業(yè)未來財務(wù)的預(yù)測 39
4.3.1 分析框架 39
4.3.2 數(shù)據(jù)準(zhǔn)備 40
4.3.3 模型測試 42
4.3.4 模型改進(jìn) 45
4.4 樸素貝葉斯方法的總結(jié)以及延伸應(yīng)用 48
第5章 MCMC方法及生物案例分析 49
5.1 MCMC理論介紹 49
5.1.1 馬氏鏈 49
5.1.2 蒙特卡羅方法 50
5.1.3 MCMC方法 51
5.1.4 Metropolis-Hastings算法 51
5.1.5 獨(dú)立鏈 52
5.1.6 隨機(jī)游動鏈 52
5.1.7 Gibbs抽樣 53
5.1.8 鏈的診斷 53
5.2 癌細(xì)胞分裂實例介紹 53
5.2.1 結(jié)腸癌細(xì)胞背景介紹 53
5.2.2 案例分析 54
5.2.3 MCMC方法總結(jié)以及延伸應(yīng)用 56
第6章 聚類分析及銀行信用畫像 58
6.1 通過客戶數(shù)據(jù)分類建立銀行信貸標(biāo)準(zhǔn) 58
6.2 無監(jiān)督學(xué)習(xí)之聚類分析 59
6.2.1 距離：聚類的基礎(chǔ) 60
6.2.2 K-均值聚類 61
6.2.3 均值遷移聚類 63
6.2.4 基于密度的聚類方法 65
6.2.5 聚類方法的對比與評價 67
6.3 用聚類方法對銀行信貸質(zhì)量分類 68
6.3.1 分析框架 68
6.3.2 數(shù)據(jù)準(zhǔn)備 69
6.3.3 模型初試 72
6.3.4 模型改進(jìn) 76
6.4 聚類分析總結(jié)以及延伸應(yīng)用 81
第7章 基于隨機(jī)森林模型的高頻交易訂單結(jié)構(gòu)分析與價格變動預(yù)測 82
7.1 采用隨機(jī)森林模型做高頻交易 82
7.2 隨機(jī)森林模型介紹 83
7.2.1 決策樹 83
7.2.2 信息熵 84
7.2.3 隨機(jī)森林算法 85
7.2.4 OOB方法 86
7.2.5 參數(shù)選擇概述 86
7.3 高頻交易訂單結(jié)構(gòu)信息挖掘 87
7.3.1 分析框架 87
7.3.2 數(shù)據(jù)清洗 87
7.3.3 模型初試 91
7.3.4 模型改進(jìn) 94
7.4 隨機(jī)森林方法總結(jié)以及延伸應(yīng)用 96
第8章 基于Xgboost的汽車行業(yè)供需預(yù)測 97
8.1 梯度提升與Xgboost 97
8.1.1 GB 97
8.1.2 GBDT 98
8.1.3 Xgboost 98
8.1.4 分布式Xgboost的設(shè)計理念 99
8.2 汽車行業(yè)案例 100
8.2.1 汽車案例的行業(yè)分析 100
8.2.2 數(shù)據(jù)預(yù)處理 101
8.2.3 Xgboost模型訓(xùn)練 103
8.2.4 結(jié)果展示 104
8.3 Xgboost在汽車行業(yè)應(yīng)用的案例評價以及延伸應(yīng)用 105
第9章 支持向量機(jī)原理及在投資擇時中的運(yùn)用 106
9.1 通過時機(jī)選擇研究金融市場的買賣 106
9.2 SVM介紹 106
9.2.1 SVM是什么 106
9.2.2 線性分類器 108
9.2.3 核函數(shù) 109
9.3 在 Python中使用SVM 111
9.4 量化投資中的應(yīng)用——使用SVM進(jìn)行期貨擇時 113
9.4.1 技術(shù)指標(biāo)擇時背景 113
9.4.2 SVM股指期貨擇時策略 114
9.4.3 SVM擇時策略結(jié)果分析 115
9.4.4 SVM擇時策略優(yōu)化改進(jìn) 118
9.5 SVM擇時總結(jié)以及延伸應(yīng)用 118
第10章 基于LDA模型的電商產(chǎn)品評論主題分析 119
10.1 通過文本信息調(diào)研獲得用戶評價分析 119
10.1.1 文本挖掘 119
10.1.2 LDA模型 119
10.2 調(diào)研文本的數(shù)據(jù)處理 120
10.2.1 數(shù)據(jù)來源 120
10.2.2 文本評論分詞 120
10.2.3 情感分析 121
10.3 LDA主題模型介紹 121
10.3.1 模型介紹 121
10.3.2 模型參數(shù)估計 122
10.3.3 模型的評價 123
10.4 LDA模型的算法 124
10.5 電商產(chǎn)品評價分析 125
10.5.1 結(jié)果展示 125
10.5.2 模型的不足和改進(jìn) 126
10.6 LDA模型總結(jié)以及延伸應(yīng)用 127
第11章 LSTM神經(jīng)網(wǎng)絡(luò)及糖尿病知識圖譜構(gòu)建 128
11.1 基于神經(jīng)網(wǎng)絡(luò)的糖尿病知識圖譜構(gòu)建 128
11.1.1 自然語言處理 128
11.1.2 實體識別 128
11.1.3 糖尿病文本數(shù)據(jù)集介紹 129
11.2 BiLSTM+CRF算法理論介紹 129
11.2.1 RNN 129
11.2.2 LSTM 131
11.2.3 BiLSTM 133
11.2.4 CRF 134
11.3 BiLSTM+CRF模型評價 134
11.3.1 獲得上下文信息 134
11.3.2 考慮到輸出規(guī)則 134
11.4 糖尿病知識圖譜構(gòu)建過程 135
11.4.1 BiLSTM+CRF模型框架分析 135
11.4.2 數(shù)據(jù)處理 136
11.4.3 模型初試 141
11.4.4 BiLSTM+CRF模型改進(jìn) 144
第12章 卷積神經(jīng)網(wǎng)絡(luò)在人臉識別中的應(yīng)用 145
12.1 人臉識別技術(shù)的最新發(fā)展 145
12.2 基于卷積神經(jīng)網(wǎng)絡(luò)的MINST手寫數(shù)字識別 145
12.2.1 卷積神經(jīng)網(wǎng)絡(luò) 145
12.2.2 MINST手寫數(shù)字識別 146
12.2.3 卷積層 146
12.2.4 池化層 147
12.2.5 全連接層 147
12.2.6 代碼：MINST手寫數(shù)字識別的Keras實現(xiàn) 147
12.2.7 數(shù)據(jù)預(yù)處理 148
12.2.8 模型定義 149
12.2.9 模型訓(xùn)練 150
12.2.10 效果評估 150
12.2.11 模型預(yù)測 150
12.2.12 總結(jié) 150
12.3 通過FaceNet網(wǎng)絡(luò)結(jié)構(gòu)實現(xiàn)人臉識別 151
12.3.1 FaceNet網(wǎng)絡(luò)結(jié)構(gòu) 151
12.3.2 人臉識別的案例介紹 152
12.3.3 案例準(zhǔn)備 152
12.3.4 人臉檢測 152
12.3.5 人臉識別 154
12.4 卷積神經(jīng)網(wǎng)絡(luò)總結(jié)和延伸應(yīng)用 155
參考文獻(xiàn) 156
彩圖