[套装书]智能风控：原理、算法与工程实践+数据中台：让数据用起来（2册）_[套装书]智能风控：原理、算法与工程实践+数据中台：让数据用起来（2册）PDF下载_[套装书]智能风控：原理、算法与工程实践+数据中台：让数据用起来（2册）电子书,介绍,[套装书]智能风控：原理、算法与工程实践+数据中台：让数据用起来（2册）txt,作者,视频教程,在线阅读,[套装书]智能风控：原理、算法与工程实践+数据中台：让数据用起来（2册）梅子行付登坡江敏任寅姿孙少忆

[套装书]智能风控：原理、算法与工程实践+数据中台：让数据用起来（2册）

作者

梅子行付登坡江敏任寅姿孙少忆

丛书名

金融科技

出版社

机械工业出版社

ISBN

9782003102294

简要

简介

本书基于Python全面介绍了机器学习在信贷风控领域的应用与实践，从原理、算法与工程实践3个维度全面展开，包含21种实用算法和26个解决方案。作者是智能风控、人工智能和算法领域的资深专家，曾在多加知名金融科技企业从事风控算法方面的研究与实践，经验丰富，本书得到了风控领域9位专家的高度评价。全书一共8章，每个章节都由问题、算法、案例三部分组成，具有系统性和实战性。第1-2章讲解了信贷业务的基础知识以及常用的规则引擎、信用评估引擎的建模方法。第3章以项目冷启动为背景，讲解了风控领域应用广泛的迁移学习方法。第4-5章介绍了幸存者偏差与不均衡学习中所使用的无监督学习与半监督学习方法。第6章阐述了无监督的异常识别算法，该算法常用于数据清洗与冷启动项目，是反欺诈引擎中常用的个体欺诈检测方法。第7章分享了一些经作者实践证明效果较好的模型优化方法，并对模型融合的思路进行了较为详细的介绍。第8章重点讲解了知识图谱相关的复杂网络基础知识及网络表示学习方法，其中的社区发现算法常用于团伙欺诈检测。此外，本章中的部分方法对信用评估模型的优化也有很大帮助。 ---------------------------数据中台：让数据用起来--------------------------- . 内容简介什么是数据中台？什么样的企业需要建数据中台？数据中台应该如何架构与设计？建设数据中台的系统方法论是什么？一个完整的数据中台有哪些组成部分？如何从0到1实现一个数据中台？数据中台应该如何运营？数据中台的安全如何保障？ …… 以上所有问题都能在本书中找到答案！这是一部系统讲解数据中台建设、管理与运营的著作，旨在帮助企业将数据转化为生产力，顺利实现数字化转型。本书由国内数据中台领域的领先企业数澜科技官方出品，几位联合创始人亲自执笔，7位作者都是资深的数据人，大部分作者来自原阿里巴巴数据中台团队。他们结合过去帮助百余家各行业头部企业建设数据中台的经验，系统总结了一套可落地的数据中台建设方法论。本书得到了包括阿里巴巴集团联合创始人在内的多位行业专家的高度评价和推荐。全书一共11章，从建设、管理、运营、安全等维度全方位地讲解了数据中台。第1~2章全面介绍了数据中台产生的背景、发展阶段、企业应该具备的3个认知，以及什么是数据中台、数据中台的4个核心能力、数据中台的业务价值与技术价值等；第3~4章详细讲解了数据中台的架构设计、建设方法论，以及企业建设数据中台的成熟度评估和应用场景分析；第5~9章深入地讲解了数据汇聚与联通、数据开发、数据体系建设、数据资产管理、数据服务体系建设等数据中台的核心模块，以及如何从0到1实现一个数据中台；第10~11章详细地讲解了数据中台的管理、运营和安全保障。

---------------------------智能风控：原理、算法与工程实践---------------------------

推荐序
前言
第1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
1.2.3　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
2.3　离散处理　/ 27
2.3.1　one-hot编码　/ 27
2.3.2　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　集成模型的评分映射　/ 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　迁移学习方法论　/ 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　代价敏感加权方案　/ 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　前提假设　/ 122
5.4.2　S3VM　/ 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
7.2.3　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　中心度与相似性　/ 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　一致性标签传播　/ 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

---------------------------数据中台：让数据用起来---------------------------

赞誉
作者简介
前言
第1章　数据中台：信息化的下一站1
1.1　数据中台产生的大背景2
1.2　数据中台的3个核心认知11
1.3　数据中台的3个发展阶段13
1.4　开启信息化的下一站16
第2章　什么是数据中台20
2.1　解码数据中台22
2.2　数据中台必备的4个核心能力24
2.3　数据中台需要厘清的2个概念29
2.4　数据中台VS现有信息架构32
2.5　数据中台的业务价值与技术价值34
第3章　数据中台建设与架构39
3.1　持续让数据用起来的价值框架40
3.2　数据中台建设方法论42
3.3　数据中台架构53
3.4　中台手记（一）：我说服老板立项了57
第4章　数据中台建设的评估与选择62
4.1　企业数据应用的成熟度评估63
4.2　企业数据中台建设的应用场景75
4.3　中台手记（二）：打仗前手里得有一张“粮草”清单79
第5章　数据汇聚联通：打破企业数据孤岛82
5.1　数据采集、汇聚的方法和工具83
5.2　数据交换产品90
5.3　数据存储的选择94
第6章　数据开发：数据价值提炼工厂102
6.1　数据计算能力的4种类型104
6.2　离线开发110
6.3　实时开发117
6.4　算法开发120
6.5　中台手记（三）：选一个适合自己的技术平台真的很重要132
第7章　数据体系建设136
7.1　数据体系规划137
7.2　贴源数据层建设——全域数据统一存储140
7.3　统一数仓层建设——标准化的数据底座144
7.4　标签数据层建设——数据价值魅力所在157
7.5　应用数据层建设——灵活支撑业务需求179
7.6　中台手记（四）：即将开启的数据淘金之旅183
第8章　数据资产管理189
8.1　数据资产的定义和3个特征190
8.2　数据资产管理现状和挑战191
8.3　数据资产管理的4个目标192
8.4　数据资产管理在数据中台架构中的位置193
8.5　数据治理194
8.6　数据资产管理与数据治理的关系201
8.7　数据资产管理职能202
8.8　数据资产管理效果评估234
8.9　数据资产管理的7个成功要素239
8.10　中台手记（五）：家里的这点家底可得管好了242
第9章　数据服务体系建设245
9.1　补全数据应用的最后“一公里”246
9.2　4种常见的数据服务249
9.3　3种常见的数据应用262
9.4　数据服务背后的产品技术274
9.5　中台手记（六）：解决“数据应用最后一公里”问题280
第10章　数据中台运营机制284
10.1　数据中台运营效果评估模型285
10.2　数据中台运营的4个价值切入点287
10.3　数据资产运营291
10.4　数据成本运营316
10.5　数据中台运营的实践经验325
10.6　数据中台运营的要素与口诀330
10.7　中台手记（七）：让数据用起来331
第11章　数据安全管理335
11.1　数据安全面临的挑战336
11.2　贯穿数据全生命周期的数据安全管理体系344
11.3　大数据平台安全管理技术手段348
11.4　中台手记（八）：数据安全！数据安全！数据安全！357
附录　6大行业解决方案架构图359

有问题微信扫码联系