发帖
雷达卡
目录：
- 1.python与机器学习(环境搭建、介绍scikit-learn模块，学习路线图)
- 2.机器学习编程入门(介绍一些经典的算法，爱丽丝分解，数据切割函数，线性回归算法)
- 3.金融数据的预处理(归一法，股票池与rebase，金融数据切割，preprocessing模块）
- 4. 机器学习快速入门（回归算法，lr线性回归模型，常用评测指标，多项式回归）
- 5.模型验证优化(交叉验证评估其，交叉验证评分）
- 6.决策树
- 7.随机森林算法和极端随机数算法
- 8.机器学习算法模式
- 9.概率编程
- 10. 实例算法(knn)
- 11.正则化算法
- 12.聚类分析
- 13. 降维算法
- 14.集成算法
- 15.支持向量机
- 16.人工神经网络算法
本书名为 "Python机器学习与量化投资"，主要介绍了Python编程语言在机器学习和金融领域的应用。全书共16章，内容涵盖了机器学习的基本原理、金融数据预处理、各种经典算法的实现，以及模型验证与优化方法。
首先，第1章为读者介绍了Python与机器学习的基本概念，以及如何搭建开发环境并使用scikit-learn模块。接着，第2章通过讲解经典算法和数据处理技巧，帮助读者迅速入门机器学习编程。
在金融领域，数据预处理至关重要。因此，第3章详细介绍了金融数据预处理方法，如归一法、股票池构建、金融数据切割等。接下来，第4章针对回归算法展开讨论，包括线性回归模型、评测指标以及多项式回归等内容。
为了使模型在实际应用中更加准确，第5章讲解了如何通过交叉验证评估和评分来优化模型。在后续章节中，本书还介绍了许多重要的机器学习算法，包括决策树（第6章）、随机森林算法与极端随机数算法（第7章）、机器学习算法模式（第8章）、概率编程（第9章）等。
本书还为读者提供了许多实际应用案例，如k近邻算法（第10章）、正则化算法（第11章）、聚类分析（第12章）、降维算法（第13章）、集成算法（第14章）、支持向量机（第15章）和人工神经网络算法（第16章）等。
总之，本书适合对Python和机器学习感兴趣的读者，无论是初学者还是有一定基础的开发者。通过本书，您将学会如何运用Python实现各种机器学习算法，并在金融领域进行量化投资分析。
《Python机器学习与量化投资》.pdf
(9.58 MB)
京公网安备 11010802022788号
