1. 本書是聚焦於金融業的現代機器學習使用指南2. 配套代碼+圖片講解幫助讀者快速上手3. 詳細的理論推到和算法分析，引導讀者了解機器學習的內核4. 知識點與代碼示例環環相扣，理論與編程實踐完美結合

●第1章神經網絡和基於梯度的優化
1.1本書的內容概要
1.2什麼是機器學習
1.3監督學習
1.4非監督學習
1.5強化學習
1.5.1極其有效的數據
1.5.2模型即是錯
1.6創建工作區
1.7使用Kaggle內核
1.8使用AWS深度學習AMI
1.9近似函數
1.10前向傳遞
1.11邏輯回歸器
1.12優化模型參數
1.13評估模型損失
1.13.1梯度下降
1.13.2反向傳播
1.13.3參數更新
1.13.4階段小結
1.14深度網絡
1.15Keras簡介
1.15.1導入Keras庫
1.15.2Keras中的雙層模型
1.15.3Keras和TensorFlow
1.16張量和計算圖
1.17練習
1.18本章小結
第2章機器學習在結構化數據中的應用
2.1數據
2.2啟發式模型、基於特征的模型和E2E模型
2.3機器學習軟件棧
2.4啟發式方法
2.4.1使用啟發式模型來預測
2.4.2F1分數
2.4.3基於混淆矩陣的評價
2.5特征工程方法
2.5.1特征源於直覺—詐騙者永不眠
……
第3章計算機視覺的應用
第4章理解時間序列
第5章用自然語言處理解析文本數據
第6章生成模型的應用
第7章金融市場中的強化學習
第8章調試和發布產品
第9章挑戰偏見
第10章貝葉斯推理和概率編程
結束語
推薦讀物

機器學習是設計與應用算法的科學，可從數據中進行學習和預測，其應用已經非常普遍。金融領域集中了大量的交易數據，為人工智能技術的運用奠定了良好的數據基礎。本書面向金融領域的讀者，介紹了機器學習技術的原理與實踐。本書包括10章，介紹了神經網絡算法、結構化數據的處理、計算機視覺處理技術、時間序列分析、自然語言處理、生成模型的應用、強化學習技術、數據建模與調試、貝葉斯推理和概率編程等內容。本書由資深金融從業者編寫，融合了其在金融項目中關於機器學習的實踐經驗，適合金融領域的數據科學家、數據分析師、金融科技公司的技術研發人員以及對金融領域的機器學習技術感興趣的讀者閱讀。

(英)簡尼斯·克拉斯 著 曾榮飛 譯