[套装书]零售金融：数据化用户经营方法、工具与实践+深入理解XGBoost：高效机器学习算法与进阶（2册）

作者
雷健雄 王黎理何龙
丛书名
出版社
机械工业出版社
ISBN
9782001141122
简要
简介
内容简介书籍经济管理学书籍 ---------------------------零售金融：数据化用户经营方法、工具与实践--------------------------- 本书以如何更好地“了解你的用户”（KYC）为主轴，按照金融机构和用户形成关系的发展顺序及用户生命周期的时间顺序，详细解析了消费信贷业务在用户经营管理上想要取得成功的秘诀。本书详细阐述了数据驱动在了解用户、制定策略过程中的价值和应用，介绍了在信贷用户经营过程中用到的各类大数据分析方法、常用的机器学习算法、预测模型的开发及管理流程，还着重介绍了经营过程中各个阶段所涉及的策略开发及其背后的逻辑思维，包括潜在用户挖掘、用户开发策略、授信准入、风险定价、风险管理、反欺诈、额度管理、授权交易管理、用户促活、用户留存、用户交互、贷后催收、合规管理、反洗钱以及用户服务等。 本书贴近真实场景，兼具权威性与前瞻性，是广泛适用的普及读物，适合对大数据驱动业务感兴趣的企业高管、决策者、创业者、数据分析师、风险管理者、产品经理以及相关专业的学生等，还可以为中国日益兴起的互联网金融及直销银行的数据化运营提供借鉴。 ---------------------------深入理解XGBoost：高效机器学习算法与进阶--------------------------- 本书主要介绍：XGBoost相关的机器学习基础算法；XGBoost安装编译与简单使用；XGBoost的实现原理与理论证明；XGBoost基于CPU多线程的实现以及分布式训练方法；剖析XGBoost源码，从代码层面洞彻XGBoost的实现原理，以及XGBoost的应用与调优，通过典型示例为读者提供使用参考，掌握实战技能。 通过阅读本书，不仅能使读者理解XGBoost的原理，将XGBoost应用到业务场景中，更能从源码的角度深入学习XGBoost的并行化和分布式实现等优化技术，以更短的时间训练出高准确度的模型，使XGBoost成为学习和工作中的一把利剑。
目录



---------------------------零售金融：数据化用户经营方法、工具与实践---------------------------


赞　誉
推荐序
序言一
序言二
致　谢
第1章　消费信贷行业的创新与数据驱动/1
1.1　消费信贷行业简述/1
1.2　大数据背景下消费信贷行业的创新/3
1.3　消费信贷业务要以用户经营为中心/6
1.4　KYC的重要性/9
1.5　大数据思维的本质/11
1.6　讨论：数据驱动文化的建立和组织架构设计/19
第2章　新用户获取及用户分群的策略设计/24
2.1　潜在用户挖掘：内部名单和外部名单/25
2.2　用户分群以及激活响应排序/26
2.3　新用户获取策略的设计和效果监控/36
2.4　新手礼包的设计与效果监控/40
2.5　用户分群的定性分析思路探讨/41
2.6　RFM用户分群分析方法/44
2.7　案例1：年轻持卡用户分群策略及效果分析/46
2.8　案例2：数据驱动App获取用户的新思路/49
第3章　用户准入和授信/53
3.1　授信数据来源/54
3.2　授信风险评估：申请评分卡/59
3.3　申请欺诈的识别/65
3.4　信用额度优化：授信及初始额度策略/67
3.5　差异化风险定价/68
3.6　观察期、表现期基本流程/69
3.7　FICO信用分介绍/71
3.8　案例：Python环境下的评分卡构建过程/73
第4章　存量用户的经营策略/82
4.1　存量用户生命周期管理的方法及划分依据/82
4.2　新用户成长期策略思路/86
4.3　成熟期用户的经营策略思路/88
4.4　衰退期用户的监控及对策/91
4.5　流失期用户的二次召回/93
4.6　存量用户的价值提升策略/95
4.7　存量用户的额度管理和定价策略/98
4.8　存量用户经营效果的监控/100
4.9　用户画像的构建及验证方法探讨/101
4.10　案例1：“母婴用户”标签预测模型的探索/105
4.11　案例2：账单分期用户的经营思路探究/111
第5章　用户生命价值的计量/118
5.1　用户生命价值体系框架概述/119
5.2　衡量用户当前价值/121
5.3　衡量用户潜在价值/137
5.4　结论/138
5.5　案例：信用卡用户生命价值的评估/139
第6章　贷中授权交易策略详解/141
6.1　授权交易的定义和决策范围/142
6.2　授权交易的具体策略/143
6.3　授权交易的额度设定/146
6.4　授权交易策略的验证/147
6.5　授权交易策略的部署/147
6.6　授权交易补充策略/147
6.7　案例：授权交易策略的冠军挑战赛/148
第7章　贷后催收的新思维/150
7.1　突破传统催收策略的逻辑思维/150
7.2　利用大数据分析让催收成为一种竞争优势/155
7.3　催收分析能力转型的要点及方向/156
7.4　案例：机器学习提升催收效率/157
第8章　数据挖掘与用户服务/161
8.1　大数据正在改变用户服务的不同方面/162
8.2　大数据技术的具体应用/163
8.3　案例：利用文本挖掘发现用户的真实需求和用户的态度/165
第9章　大数据提升反洗钱效率/169
9.1　反洗钱合规面临的问题/169
9.2　大数据，大挑战/170
9.3　大数据技术驱动变革/171
9.4　金融机构的实践/172
9.5　案例：用机器学习模型判断用户风险等级并解决样本数据不平衡问题/176
第10章　数据驱动的工具箱：数据挖掘和常用建模方法概述/182
10.1　数据分析能力的进阶/183
10.2　模型开发的基本流程/184
10.3　数据收集和假设检验/189
10.4　因子分析/主成分分析/196
10.5　决策树/205
10.6　随机森林算法/210
10.7　梯度提升决策树/215
10.8　贝叶斯分类/223
10.9　支持向量机/227
10.10　聚类分析/230
10.11　线性回归和逻辑回归/235
10.12　推荐算法/243
10.13　神经网络/248
10.14　社交网络分析/256
10.15　文本挖掘/259
10.16　讨论：模型的解释性VS.模型的准确性/268
第11章　模型的评审、验证和生命周期管理/276
11.1　模型管理的全流程/276
11.2　模型管理系统/277
11.3　模型风险等级/278
11.4　模型检查的时间点/279
11.5　模型验证数据库/279
11.6　模型文档/280
11.7　模型生命周期管理/281
11.8　讨论：模型验证团队的架构设计/282
第12章　大数据：用户忠诚度计划背后的秘密武器/283
12.1　引言/283
12.2　构建用户激励体系，陪伴用户成长/284
12.3　用户忠诚度的衡量方法及评价标准/289
12.4　案例：世界十大零售银行用户忠诚度计划简介/292
参考文献/300


---------------------------深入理解XGBoost：高效机器学习算法与进阶---------------------------


前言
第1章　机器学习概述1
1.1　何谓机器学习1
1.1.1　机器学习常用基本概念2
1.1.2　机器学习类型3
1.1.3　机器学习应用开发步骤4
1.2　集成学习发展与XGBoost提出5
1.2.1　集成学习5
1.2.2　XGBoost6
1.3　小结7
第2章　XGBoost骊珠初探9
2.1　搭建Python机器学习环境9
2.1.1　Jupyter Notebook10
2.1.2　NumPy11
2.1.3　Pandas18
2.1.4　Matplotlib32
2.1.5　scikit-learn39
2.2　搭建XGBoost运行环境39
2.3　示例：XGBoost告诉你蘑菇是否有毒42
2.4　小结44
第3章　机器学习算法基础45
3.1　KNN45
3.1.1　KNN关键因素46
3.1.2　用KNN预测鸢尾花品种47
3.2　线性回归52
3.2.1　梯度下降法53
3.2.2　模型评估55
3.2.3　通过线性回归预测波士顿房屋价格55
3.3　逻辑回归57
3.3.1　模型参数估计59
3.3.2　模型评估60
3.3.3　良性/恶性乳腺肿瘤预测61
3.3.4　softmax64
3.4　决策树65
3.4.1　构造决策树66
3.4.2　特征选择67
3.4.3　决策树剪枝71
3.4.4　决策树解决肿瘤分类问题71
3.5　正则化75
3.6　排序78
3.6.1　排序学习算法80
3.6.2　排序评价指标81
3.7　人工神经网络85
3.7.1　感知器85
3.7.2　人工神经网络的实现原理87
3.7.3　神经网络识别手写体数字90
3.8　支持向量机92
3.8.1　核函数95
3.8.2　松弛变量97
3.8.3　通过SVM识别手写体数字98
3.9　小结99
第4章　XGBoost小试牛刀100
4.1　XGBoost实现原理100
4.2　二分类问题101
4.3　多分类问题109
4.4　回归问题113
4.5　排序问题117
4.6　其他常用功能121
4.7　小结145
第5章　XGBoost原理与理论证明146
5.1　CART146
5.1.1　CART生成147
5.1.2　剪枝算法150
5.2　Boosting算法思想与实现151
5.2.1　AdaBoost151
5.2.2　Gradient Boosting151
5.2.3　缩减153
5.2.4　Gradient Tree Boosting153
5.3　XGBoost中的Tree Boosting154
5.3.1　模型定义155
5.3.2　XGBoost中的Gradient Tree Boosting156
5.4　切分点查找算法161
5.4.1　精确贪心算法161
5.4.2　基于直方图的近似算法163
5.4.3　快速直方图算法165
5.4.4　加权分位数概要算法167
5.4.5　稀疏感知切分点查找算法167
5.5　排序学习169
5.6　DART174
5.7　树模型的可解释性177
5.7.1　Saabas177
5.7.2　SHAP179
5.8　线性模型原理183
5.8.1　Elastic Net回归183
5.8.2　并行坐标下降法184
5.8.3　XGBoost线性模型的实现185
5.9　系统优化187
5.9.1　基于列存储数据块的并行学习188
5.9.2　缓存感知访问190
5.9.3　外存块计算191
5.10　小结192
第6章　分布式XGBoost193
6.1　分布式机器学习框架Rabit 193
6.1.1　AllReduce193
6.1.2　Rabit195
6.1.3　Rabit应用197
6.2　资源管理系统YARN 200
6.2.1　YARN的基本架构201
6.2.2　YARN的工作流程202
6.2.3　XGBoost on YARN203
6.3　可移植分布式XGBoost4J205
6.4　基于Spark平台的实现208
6.4.1　Spark架构208
6.4.2　RDD210
6.4.3　XGBoost4J-Spark211
6.5　基于Flink平台的实现223
6.5.1　Flink原理简介224
6.5.2　XGBoost4J-Flink227
6.6　基于GPU加速的实现229
6.6.1　GPU及其编程语言简介229
6.6.2　XGBoost GPU加速原理230
6.6.3　XGBoost GPU应用236
6.7　小结239
第7章　XGBoost进阶240
7.1　模型训练、预测及解析240
7.1.1　树模型训练240
7.1.2　线性模型训练256
7.1.3　模型预测258
7.1.4　模型解析261
7.2　树模型更新264
7.2.1　updater_colmaker264
7.2.2　updater_histmaker264
7.2.3　updater_fast_hist271
7.2.4　其他更新器276
7.3　目标函数278
7.3.1　二分类279
7.3.2　回归280
7.3.3　多分类282
7.3.4　排序学习284
7.4　评估函数288
7.4.1　概述289
7.4.2　二分类291
7.4.3　多分类295
7.4.4　回归296
7.4.5　排序297
7.5　小结299
第8章　模型选择与优化300
8.1　偏差与方差300
8.2　模型选择303
8.2.1　交叉验证304
8.2.2　Bootstrap306
8.3　超参数优化307
8.3.1　网格搜索308
8.3.2　随机搜索310
8.3.3　贝叶斯优化313
8.4　XGBoost超参数优化315
8.4.1　XGBoost参数介绍315
8.4.2　XGBoost调参示例319
8.5　小结334
第9章　通过XGBoost实现广告分类器335
9.1　PCA335
9.1.1　PCA的实现原理335
9.1.2　通过PCA对人脸识别数据降维338
9.1.3　利用PCA实现数据可视化341
9.2　通过XGBoost实现广告分类器343
9.3　小结357
第10章　基于树模型的其他研究与应用358
10.1　GBDT、LR融合提升广告点击率358
10.2　mGBDT360
10.3　DEF362
10.4　一种基于树模型的强化学习方法366
10.5　小结370



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4