4位资深金融大数据专家撰写，面向金书籍 pdf下载

●前言
第1章金融建模综述1
1.1企业中数据分析的层级1
1.2操作层面的数据分析对象与成果4
1.3数据挖掘方法分类介绍4
1.3.1预测性——有监督学习5
1.3.2描述性——无监督学习10
1.4数据挖掘方法论12
1.5数据挖掘建模框架的3个原则14
1.6利用SASEM创建数据挖掘项目16
1.6.1创建数据挖掘项目16
1.6.2给项目添加逻辑库和数据集20
1.6.3SASEM项目的系统文档介绍26
第2章决策类模型28
2.1客户价值预测28
2.1.1线性回归模型概述28
2.1.2Python案例：线性回归建模33
2.1.3多元线性回归的变量筛选40
2.1.4Python案例：多元线性回归变量筛选43
2.1.5模型假设检验44
2.1.6残差分析48
2.1.7强影响点分析49
2.1.8Python案例：线性回归调优实战50
2.1.9线性回归的完整流程小结59
2.1.10正则化61
2.1.11Python案例：岭回归与Lasso回归实战65
2.2营销响应预测70
2.2.1使用逻辑回归预测用户响应率70
2.2.2比较逻辑回归与线性回归70
2.2.3图解逻辑回归71
2.2.4逻辑回归算法概述73
2.2.5分类模型的评估75
2.2.6分类变量的处理79
2.2.7Python案例：逻辑回归建模实战80
2.2.8SASEM案例：贷款违约预测实战88
2.2.9逻辑回归建模小结104
2.3细分画像104
2.3.1主成分分析105
2.3.2因子分析116
2.3.3变量聚类127
2.3.4样本聚类1——层次聚类130
2.3.5样本聚类2——K-Means聚类136
2.4交叉销售165
2.4.1关联规则165
2.4.2序列模式185
第3章识别类模型195
3.1申请反欺诈195
3.1.1决策树195
3.1.2组合算法228
3.1.3近邻域法253
3.1.4朴素贝叶斯257
3.1.5支持向量机263
3.1.6神经网络276
3.2违规行为识别294
3.2.1孤立森林296
3.2.2局部异常因子304
第4章优化分析类模型308
4.1预测技术308
4.1.1效应分解法309
4.1.2基于动力模型的ARIMA317
4.1.3基于深度学习的LSTM333
4.2运筹优化341
4.2.1线性规划342
4.2.2整数规划344
4.2.3非线性规划347
4.3流程挖掘348
4.3.1业务流程挖掘的总体理念348
4.3.2流程发现352
4.3.3流程监控353
4.3.4流程遵循354
4.3.5Python案例：利用pm4py实现流程挖掘355
第5章模型评估与模型监控363
5.1模型评估363
5.1.1混淆矩阵363
5.1.2ROC曲线363
5.1.3KS统计量365
5.1.4洛伦兹曲线与基尼系数366
5.2模型监控368
5.2.1前端监控——业务指标368
5.2.2前端监控——评分分布稳定性368
5.2.3前端监控——特征分布稳定性370
5.2.4后端监控——评分正确性371
5.2.5后端监控——变量有效性372
第6章算法工程化374
6.1构建合理的项目工程结构374
6.1.1为什么要构建合理的项目工程结构374
6.1.2什么是一个数据科学项目应有的结构375
6.2如何编写规范的数据工程代码378
6.2.1代码可读性379
6.2.2数据处理性能381
附录SASEM节点说明386