了得網計算機/網絡_PYTHON機器學習與量化投資何海群著程序設計（新）專業科技新

●目錄章 Python 與機器學習...... 1 1.1 scikit-learn 模塊庫........ 2 1.1.1 scikit-learn 的缺點. 3 1.1.2 scikit-learn 算法模塊......... 4 1.1.3 scikit-learn 六大功能......... 5 1.2 開發環境搭建...... 8 1.2.1 AI 領域的標準編程語言：Python 8 1.2.2 zwPython：難度降低90%，性能提高10 倍.. 9 1.2.3 “零對像”編程模式........ 11 1.2.4 開發平臺搭建...... 12 1.2.5 程序目錄結構...... 12 案例1-1：重點模塊版本測試.... 13 1.3 機器學習：從忘卻開始....... 17 1.4 學習路線圖........ 20 第2 章機器學習編程入門..... 21 2.1 經典機器學習算法..... 21 2.2 經典愛麗絲........ 22 案例2-1：經典愛麗絲.... 24 案例2-2：愛麗絲進化與文本矢量化.. 26 2.3 機器學習算法流程..... 28 2.4 機器學習數據集......... 28 案例2-3：愛麗絲分解.... 29 2.5 數據切割函數.... 33 2.6 線性回歸算法.... 34 案例2-4：愛麗絲回歸.... 35 第3 章金融數據的預處理..... 40 3.1 至簡歸一法........ 40 案例3-1：麻煩的外彙數據........ 41 案例3-2：尷.... 45 案例3-3：兇殘的比特幣 49 3.2 股票池與Rebase......... 51 3.2.1 股票池........ 51 3.2.2 Rebase 與歸一化.. 52 案例3-4：股票池Rebase 歸一化........ 53 3.3 金融數據切割.... 57 案例3-5：當上證遇到機器學習 58 3.4 preprocessing 模塊..... 63 案例3-6：比特幣與標準化........ 65 案例3-7：比特幣與歸一化........ 69 第4 章機器學習快速入門..... 72 4.1 回歸算法. 72 4.2 LR 線性回歸模型....... 73 案例4-1：上證指數之LR 回歸事件... 76 4.3 常用評測指標.... 81 4.4 多項式回歸........ 83 案例4-2：上證指數的多項式故事...... 83 案例4-3：預測比特幣價格........ 86 4.5 邏輯回歸算法模型..... 87 案例4-4：上證指數預測邏輯回歸版.. 88 第5 章模型驗證優化..... 96 5.1 交叉驗證評估器......... 96 案例5-1：交叉驗證........ 98 5.2 交叉驗證評分.. 101 案例5-2：交叉驗證評分 101 第6 章決策樹.... 103 6.1 決策樹算法...... 103 6.1.1 ID3 算法與C4.5 算法... 105 6.1.2 常用決策樹算法 106 6.1.3 sklearn 內置決策樹算法 107 6.2 決策樹回歸函數....... 109 案例6-1：決策樹回歸算法...... 110 6.3 決策樹分類函數....... 115 案例6-2：決策樹分類算法...... 116 6.4 GBDT 算法...... 121 6.5 迭代決策樹函數....... 122 案例6-3：GBDT 回歸算法...... 123 案例6-4：GBDT 分類算法...... 128 第7 章隨機森林算法和極端隨機樹算法 133 7.1 隨機森林函數.. 135 7.2 決策樹測試框架....... 137 案例7-1：RF 回歸算法大測試 138 7.3 決策樹測試函數....... 140 案例7-2：上證的RF 回歸頻道......... 142 案例7-3：當比特幣踫到RF 回歸算法......... 146 案例7-4：上證和RF 分類算法......... 147 7.4 極端隨機樹算法....... 150 7.5 極端隨機樹函數....... 151 案例7-5：極端隨機樹回歸算法........ 152 案例7-6：上證指數案例應用.. 154 案例7-7：ET、比特幣，誰更極端... 155 第8 章機器學習算法模式... 159 8.1 學習模式. 161 8.2 機器學習五大流派... 164 8.3 經典機器學習算法... 165 8.4 小結........ 166 第9 章概率編程 167 9.1 樸素貝葉斯的上證之旅..... 168 案例9-1：上證樸素貝葉斯算法........ 170 9.2 隱馬爾可夫模型....... 175 案例9-2：HMM 模型與模型保存..... 176 案例9-3：HMM 算法與模型讀取..... 180 0 章實例算法......... 185 K 最近鄰算法 186 案例10-1：次驚喜――KNN 算法......... 187 案例10-2：KNN 分類.. 190 1 章正則化算法..... 192 11.1 嶺回歸算法.... 193 案例11-1：新高度――嶺回歸算法... 195 11.2 套索回歸算法 197 案例11-2：套索回歸算法應用 199 11.3 彈性網絡算法 201 案例11-3：彈性網絡算法應用 202 11.4 最小角回歸算法..... 204 案例11-4：LARS 算法應用..... 204 2 章聚類分析......... 206 12.1 K 均值算法.... 207 案例12-1：K 均值算法應用.... 208 12.2 BIRCH 算法... 210 案例12-2：BIRCH 算法應用... 211 12.3 小結...... 213 3 章降維算法......... 215 13.1 主成分分析.... 216 案例13-1：主成分分析的應用 218 案例13-2：PCA 算法的上證戲法..... 223 13.2 奇異值分解算法..... 227 案例13-3：奇異果傳說：SVD 228 4 章集成算法......... 229 14.1 sklearn 內置集成算法....... 231 14.2 裝袋算法......... 232 案例14-1：裝袋回歸算法........ 232 案例14-2：裝袋分類算法........ 234 14.3 AdaBoost 迭代算法. 236 案例14-3：AdaBoost 迭代回歸算法. 237 案例14-4：AdaBoost 迭代分類算法. 239 5 章支持向量機..... 242 15.1 支持向量機算法..... 242 15.2 SVM 函數接口........ 244 案例15-1：SVM 回歸算法...... 245 案例15-2：SVM 分類算法...... 247 6 章人工神經網絡算法. 250 16.1 多層感知器.... 252 案例16-1：多層感知器回歸算法...... 253 案例16-2：多層感知器分類算法...... 256 附錄A sklearn 常用模塊和函數..... 259 附錄B 量化分析常用指標.... 284

"前言本書特色本書全程采用黑箱模式和MBA 案例模式，結合大量經典案例，介紹sklearn 機器學習模塊庫和常用的機器學習算法，懂Excel 就能看懂本書；逆向式課件模式，結合大量案例、圖表，層層剖析；三位一體的課件模式：圖書+開發平臺+成套的教學案例，繫統講解、逐步深入。本書是《零起點Python 機器學習快速入門》的後續之作，為了篇幅，省略了Python 基礎教程，以及sklearn 等機器學習方面的入門內容，沒有經驗的讀者，建議先閱讀《零起點Python 機器學習快速入門》，再閱讀本書，這樣會收到事半功倍的效果。本書簡單實用，書中配備大量的圖表說明，本書特點如下。 IT 零起點：無須任何電腦編程基礎，隻要會打字、會使用Excel，就能看懂本書，利用本書配套的Python 軟件包，輕松學會如何利用Python對股票數據進行專業分析和量化投資分析。投資零起......

商品搜索

商品分类

【醫學】

【各大出版社】