由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
音像智能风控(原理算法与工程实践)梅子行
¥ ×1
序
前言
章 风控建模与规则挖掘 / 1
1.1 信贷与风险 / 1
1.1.1 信贷业务与互联网金融风控体系 / 1
1.1.2 信贷风险与控制 / 4
1.2 工业建模流程 / 5
1.2.1 抽象业务 / 6
1.2.2 定义标签 / 6
1.. 样本选取 / 7
1.2.4 特征工程与模型调优 / 9
1.2.5 上线监控与评估报表 / 10
1.3 规则挖掘方案 / 13
1.4 本章小结 / 20
第2章 集成模型评分卡 / 21
2.1 特征工程解析 / 21
2.1.1 特征与模型 / 22
2.1.2 信用模型的特征 / 22
2.2 特征衍生方案 / 24
. 离散处理 / 27
..1 one-hot编码 / 27
..2 WOE编码 / 28
2.4 迭代特征筛选方案 / 33
2.5 自动化调参 / 38
2.5.1 自动化调参策略 / 38
2.5.2 参数搜索方案 / 39
2.5.3 调参框架搭建 / 40
2.6 递归特征删除方案 / 43
2.7 评分卡制作 / 44
2.7.1 逻辑回归评分卡 / 45
2.7.2 集成模型的评分映 / 55
2.7.3 针对业务改写评价函数 / 59
2.8 本章小结 / 60
第3章 迁移学习与冷启动 / 61
3.1 迁移学习基础 / 61
3.1.1 应用场景 / 62
3.1.2 概念介绍 / 62
3.2 迁移学习方 / 63
3.2.1 三类常见算法 / 63
3.2.2 迁移的实现方法 / 64
3.3 少量有标签样本的迁移方案 / 65
3.3.1 TrAdaBoost模型 / 65
3.3.2 跨场景迁移模型 / 67
3.4 无标签样本迁移之JDA / 76
3.4.1 JDA模型 / 76
3.4.2 模型应用 / 79
3.5 无标签样本迁移之DTELM / 80
3.5.1 ELM模型 / 81
3.5.2 DTELM模型 / 82
3.5.3 模型应用 / 84
3.6 迁移样本筛选方案 / 88
3.6.1 背景介绍 / 88
3.6.2 算法框架概览 / 88
3.6.3 搭建融合框架 / 89
3.7 本章小结 / 93
第4章 幸存者偏差 / 95
4.1 幸存者偏差的含义 / 95
4.2 增量学习 / 96
4.3 生成对抗网络 / 97
4.3.1 GAN模型介绍 / 98
4.3.2 GAN与幸存者偏差 / 99
4.4 高斯混合模型 / 100
4.4.1 GMM算法原理 / 101
4.4.2 GMM简单应用 / 103
4.4.3 GMM中的概率模型 / 104
4.4.4 GMM样本生成 / 107
4.5 信息准则 / 110
4.5.1 赤池信息准则 / 110
4.5.2 贝叶斯信息准则 / 111
4.5.3 AIC与BIC比较 / 111
4.6 本章小结 / 112
第5章 不均衡学习 / 113
5.1 样本不均衡 / 113
5.2 代价加权方案 / 114
5.3 插值过采样方案 / 115
5.3.1 SMOTE算法 / 115
5.3.2 过采样算法实践 / 116
5.4 半监督学习方案 / 121
5.4.1 前提设 / 122
5.4. SVM / 122
5.4.3 LP / 127
5.5 本章小结 / 130
第6章 异常检测 / 132
6.1 离群点与欺诈检测 / 133
6.2 z-score检验 / 134
6.3 LOF异常检测法 / 134
6.3.1 原理与算法流程 / 135
6.3.2 LOF样本清洗方案 / 137
6.4 IF异常检测法 / 139
6.4.1 原理与算法流程 / 139
6.4.2 PreA模型与冷启动 / 141
6.5 本章小结 / 144
第7章 模型优化 / 145
7.1 多损失函数分段预测 / 145
7.1.1 两种损失函数 / 146
7.1.2 融合流程 / 146
7.2 树模型特征衍生 / 149
7.2.1 GBDT离散化 / 149
7.2.2 融合方案详解 / 150
7.. 特征衍生细节 / 151
7.2.4 案例 / 151
7.3 时间序列建模 / 160
7.3.1 RNN / 160
7.3.2 LSTM / 163
7.3.3 门控结构 / 164
7.3.4 LSTM行为评分卡案例 / 166
7.4 高维稀疏数据建模 / 170
7.4.1 算法原理 / 171
7.4.2 算法应用 / 172
7.5 模型融合 / 173
7.5.1 模型融合基础 / 173
7.5.2 模型筛选 / 174
7.5.3 业务应用方案 / 181
7.6 本章小结 / 183
第8章 知识图谱 / 184
8.1 复杂网络基础 / 184
8.2 中心度与相似 / 187
8.3 节点分类 / 193
8.3.1 朴素节点分类 / 193
8.3.2 邻节点加权投票 / 195
8.3.3 一致标签传播 / 197
8.4 社区发现算法 / 200
8.4.1 基础概念 / 200
8.4.2 Girvan-Newman算法 / 201
8.4.3 Louvain算法 / 202
8.4.4 社区评估 / 204
8.5 网络表示学习 / 206
8.5.1 矩阵分解 / 207
8.5.2 节点嵌入 / 210
8.6 图卷积神经网络 / 215
8.6.1 卷积神经网络 / 215
8.6.2 傅里叶变换 / 217
8.6.3 拉普拉斯算子 / 219
8.6.4 GCN中的图卷积 / 221
8.7 本章小结 / 225
参考文献 / 226
作者介绍梅子行风控技术专家、AI技术专家和算法专家,现就职于满帮科技,负责机器学习在风控领域的算法优化。历任多家知名金融科技公司的风控算法研究员、数据挖掘。师承Experian、Discover等企业的风控专家,擅长深度学习、复杂网络、迁移学习、异常检测等非传统机器学习方法,热衷于数据挖掘以及算法的跨领域优化实践。公众号与知乎专栏:“大数据风控与机器学习”。
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格