正版新书]DEEPSEEK金融大模型实战钱兴会 相雪 著978711179522

前言
第1章 解密大模型：金融科技新时代/
1.1大模型的定义与类型/
1.1.1什么是大模型/
1.1.2国内外主流大模型介绍/
1.1.3大模型基础：Token、算力/
1.1.4大模型基础：Transfomer、Embedding/
1.2大模型核心能力场景/
1.2.1基础场景：自然语言处理等/
1.2.2复杂场景：篇章生成等/
1.2.3多模态识别：图像、视频、语音的分析生成/
1.2.4推理能力/
1.3金融大模型的典型应用场景/
1.3.1风险管理/
1.3.2市场预测/
1.3.3客户服务/
1.4DeepSeek大模型介绍/
1.4.1DeepSeek大模型发展历程与重点突破/
1.4.2DeepSeek-V3模型原理与价值/
1.4.3DeepSeek-R1模型原理与价值/
第2章 DeepSeek金融大模型开发环境准备与提示工程/
2.1金融大模型应用的形态/
2.1.1大模型原生能力应用/
2.1.2RAG应用/
2.1.3Agent应用/
2.1.4Copilot应用/
2.2DeepSeek大模型开发体验/
2.2.1Python环境搭建/
2.2.2注册DeepSeek访问服务/
2.2.3私有化部署DeepSeek模型/
2.2.4大模型使用示例/
2.3大模型核心基础：提示工程/
2.3.1提示工程介绍/
2.3.2提示工程指令：Zero-Shot指令/
2.3.3提示工程指令：Few-Shot指令/
2.3.4提示工程指令：CoT指令/
2.3.5提示工程指令模板设计/
第3章 DeepSeek金融大模型开发框架/
3.1大模型开发框架：LangChain/
3.1.1LangChain的基本概念与生态/
3.1.2基于LangChain开发大模型应用的过程/
3.1.3实操：LangChain环境搭建/
3.1.4实操：LangChain调用DeepSeek模型服务/
3.1.5实操：LangChain开发RAG应用/
3.1.6实操：LangChain开发Agent应用/
3.2向量工具/
3.2.1Embedding概述/
3.2.2基于LangChain的Embedding开发实例/
3.3向量数据库/
3.3.1向量数据库技术原理介绍/
3.3.2常见向量数据库介绍/
3.3.3基于LangChain调用向量数据库/
第4章 DeepSeek金融大模型微调与对齐/
4.1大模型微调流程与工具/
4.1.1直觉大模型微调流程与模型评估/
4.1.2推理大模型微调流程与模型评估/
4.1.3大模型训练工具/
4.2金融直觉大模型领域微调实践/
4.2.1金融直觉大模型微调背景/
4.2.2基于DeepSeek的SFT/
4.2.3基于DeepSeek的RLHF微调/
4.3金融推理大模型领域微调实践/
4.3.1金融推理大模型微调背景/
4.3.2DeepSeek-R1实现金融推理模型训练/
4.3.3DeepSeek的强化学习训练/
4.3.4DeepSeek的模型蒸馏/
第5章 DeepSeek金融大模型赋能风险管理：信贷审核助手/
5.1案例背景与业务需求/
5.1.1信贷审核助手的定义/
5.1.2业务需求分析/
5.1.3项目实施阶段划分与预期效果/
5.2信贷审核助手功能设计/
5.2.1大模型场景匹配/
5.2.2功能设计/
5.2.3应用层技术架构设计/
5.2.4模型选型/
5.2.5指令设计/
5.3模型领域对齐/
5.3.1领域数据准备/
5.3.2模型对齐与微调脚本/
5.3.3模型微调效果评估/
5.4上机实战：信贷审核助手应用开发/
5.4.1信贷审核助手应用程序结构/
5.4.2信贷审核助手功能实现：知识助手（信贷制度问答）/
5.4.3信贷审核助手功能实现：数据助手（智能取数）/
5.4.4信贷审核助手功能实现：任务助手（融资方案推荐）/
5.4.5信贷审核助手功能实现：文档助手（尽调报告撰写）/
5.4.6信贷审核助手功能实现：风控助手（舆情风险分析）/
5.4.7信贷审核助手功能实现：软件界面实现/
5.5实验结果与性能评估/
5.5.1实验评价设计/
5.5.2性能评估与改进/
第6章 DeepSeek大模型赋能银行风险合规：反洗钱报告生成助手/
6.1案例背景/
6.1.1项目需求分析/
6.1.2项目实施阶段划分与预期效果/
6.2反洗钱报告生成助手功能设计/
6.2.1风险指标提取方法/
6.2.2需求场景匹配/
6.2.3功能设计/
6.2.4模型选型/
6.2.5指令设计/
6.3模型领域对齐/
6.3.1领域数据准备/
6.3.2模型对齐与微调脚本/
6.3.3模型效果评估/
6.4上机实战：反洗钱报告生成助手的开发与部署/
6.4.1反洗钱报告生成助手应用程序结构/
6.4.2反洗钱报告生成助手应用功能实现/
6.5实验结果与性能评估/
6.5.1实验结果分析/
6.5.2性能评估与改进/
第7章 DeepSeek大模型赋能证券客户经营：个性化投资策略生成助手/
7.1案例背景与投资策略需求/
7.1.1客户个性化理财服务的重要性/
7.1.2业务需求分析/
7.1.3项目实施阶段划分与预期效果/
7.2个性化投资策略生成助手功能设计/
7.2.1个性化投资策略生成方法/
7.2.2大模型场景匹配/
7.2.3功能设计/
7.2.4应用层技术架构设计/
7.2.5RAG设计/
7.2.6指令设计/
7.3模型选择与领域对齐/
7.3.1领域数据准备/
7.3.2模型对齐与微调脚本/
7.3.3模型效果评估/
7.4上机实战：个性化投资策略生成助手的开发与部署/
7.4.1个性化投资策略生成助手应用程序结构/
7.4.2个性化投资策略生成助手功能实现/
7.5实验结果与性能评估/
7.5.1实验结果分析/
7.5.2性能评估与改进/
第8章 DeepSeek大模型赋能内审合规：合规报告自动生成助手/
8.1案例背景与合规需求/
8.1.1合规检查的定义/
8.1.2业务需求分析/
8.2合规报告自动生成助手功能设计/
8.2.1合规检查报告生成方法/
8.2.2大模型场景匹配/
8.2.3功能设计/
8.2.4应用层技术架构设计/
8.2.5智能体设计/
8.2.6模型选型/
8.2.7指令设计/
8.3模型选择与领域对齐/
8.3.1领域数据准备/
8.3.2模型对齐与微调/
8.3.3模型效果评估/
8.4上机实战：合规报告自动生成助手的开发与部署/
8.4.1合规报告自动生成助手应用程序结构/
8.4.2合规报告自动生成助手功能实现/
8.5实验结果与性能评估/
8.5.1实验结果分析/
8.5.2性能评估与改进/
第9章 DeepSeek大模型赋能理财智能营销：客户服务机器人/
9.1案例背景与营销需求/
9.1.1客户服务机器人的定义/
9.1.2业务需求分析/
9.1.3项目实施阶段划分与预期效果/
9.2客户服务机器人功能设计/
9.2.1客户服务机器人的核心业务流程/
9.2.2大模型蒸馏场景匹配/
9.2.3功能设计/
9.2.4应用层技术架构设计/
9.2.5蒸馏大模型应用设计/
9.3模型与领域对齐/
9.3.1领域数据准备/
9.3.2模型对齐与微调/
9.4上机实战：客户服务机器人开发/
9.4.1客户服务机器人应用程序结构/
9.4.2客户服务机器人功能实现/
9.5实验结果与性能评估/
9.5.1实验结果分析/
9.5.2性能评估与改进/

钱兴会
北京市人工智能行业协会专家、清华大数据产业联盟专家委员会专家、广东大数据产业联盟专家委员。曾任职于知名金融科技企业、国际型银行、世界知名资产管理集团，服务了数十家大型银行、证券、保险企业。专业背景涵盖了风险管理、客户行为分析以及产品优化等多个领域，拥有多年金融人工智能项目经验，擅长通过人工智能提升业务效率与决策质量。在金融领域的多项数据驱动项目中发挥了关键作用，通过构建高效的数据模型，帮助金融机构实现了信贷审批流程的优化和客户关系的精细化管理。除了技术能力，还具备出色的项目管理和团队协作能力，曾成功带领团队完成多个大型人工智能项目。拥有多项软件著作权、专利，发表多篇金融人工智能方向专业论文。

相雪
澳大利亚莫纳什大学银行和金融专业硕士，前世界知名资产管理集团风险分析专家、数据科学家。在数据分析、风险管理和市场营销领域积累了大量专业知识，尤其擅长利用大数据与AI技术优化信贷决策和客户关系管理。曾领导多个项目成功落地，通过精准的数据模型和深入的市场洞察，帮助金融机构提升了风险控制能力和营销效果。对行业趋势有敏锐的洞察力，善于运用先进的分析工具将复杂的数据转化为可行的商业策略。此外，热衷于分享知识，积极参与行业研讨会和培训课程，致力于推动金融行业的数字化转型与创新发展。

覆盖7大金融业务场景、20+实战模块、5000+行可运行代码；一本书带你构建真正落地的DeepSeek金融智能系统。