球盟会借助大量可用的数据计算资源，机器学习取得了长足的进步。金融业的核心是信息处理公司，以这些公司为代表的金融业有很多机会部署机器学习这一新兴技术。

这是一本专注于金融行业的现代机器学习实用指南。本书采用代码优先的方法，解释了一些有用的机器学习算法是如何工作的，以及它们如何用于解决实际问题。

三种类型的读者将从本书中受益

球盟会

· 想进入金融行业并想了解各种潜在应用和相关问题的数据科学家；

· 金融科技公司的开发人员，或希望更新技能以将现代机器学习方法纳入建模过程的量化金融从业者；

球盟会· 正在为未来的就业打下基础并期望在工作场所获得实用技能的学生；

本书假定读者具有线性代数、统计学、概率论、微积分等方面的背景。但是，您无需成为上述每个数学领域的专家，只需掌握基础知识即可。本书不要求读者具备足够的金融知识。

为了学习示例代码，您应该熟悉 Python 语言和常见的数据科学相关库中国机械学习网，例如 pandas、NumPy 和 Matplotlib。本书的示例代码使用 Jupyter Notebooks 作为编辑器。

本书概要

第 1 章“神经网络和基于梯度的优化”讨论了机器学习包括哪些类别以及它们在不同金融领域的使用背后的动机。我们将了解神经网络的工作原理并从头开始构建神经网络模型。

第 2 章“机器学习在结构化数据中的应用”处理具有固定字段的数据，例如关系数据库中的数据。我们将完成模型创建过程：从启发式模型到简单的基于特征工程的模型，再到完全基于学习的模型。此外，我们还将学习如何使用 scikit-learn 来评估模型，如何训练基于树的模型（如随机森林），以及如何使用 Keras 构建神经网络模型。

第 3 章“计算机视觉的应用”描述了计算机视觉允许我们大规模解释和观察现实世界的过程。在本章中，我们将学习使计算机视觉能够识别图像内容的技术。我们还将了解卷积神经网络和 Keras 模块，并使用这些模块来设计和训练尖端的计算机视觉模型。

第 4 章“了解时间序列”讨论了分析时间相关数据所需的大部分工具。在本章中，我们首先讨论了一些行业专业人士用来建模时间序列的工具中国机械学习网，并描述了如何在 Python 中有效地使用它们。我们将了解现代机器学习算法如何挖掘时间序列中的模式，并讨论现代机器学习技术如何得到传统技术的补充。

第 5 章，“解析文本数据的自然语言处理”讨论如何使用 spaCy 库和大量新闻数据来快速高效地完成命名实体识别和情感分析等常见任务。我们将学习如何使用 Keras 库来创建自定义语言模型。本章还介绍了 Keras 函数式应用程序编程接口（Application Programming Intorface中国机械学习网，API），它可以让我们构建更复杂的模型（例如不同语言之间的翻译模型）。

第 6 章“生成模型的应用”介绍了如何使用生成模型生成数据。当我们没有足够的数据，或者当我们想通过模型观察数据来分析数据时，使用生成模型来生成数据是很有用的。在本章中，我们将学习（变分）自动编码器和生成对抗模型。我们将学习使用 t-SNE 算法来合理使用上述工具，用它们来解决传统问题（如信用卡欺诈检测）。我们将学习使用机器学习来辅助人工标注操作，从而提高数据收集和标注的效率。最后，通过主动学习来收集有用的数据，大大减少所需的数据量。

第 7 章“金融市场中的强化学习”讨论强化学习。强化学习不需要人类“正确”地标记和训练数据。本章讨论并实现了几种强化学习算法，从 Q-learning 到 A2C（Advantage Actor-Critic）算法。我们将讨论其背后的理论及其与经济学领域的相关性，并了解如何在现实世界案例中直接使用强化学习来挖掘组合形成。

第 8 章“隐私、调试和发布生产”解决了在构建和发布复杂模型时可能遇到的各种问题。我们将讨论如何调试和测试数据，在模型训练期间保持对数据隐私的敏感性，如何为训练准备数据，并分析模型预测其运行方式的原因。我们将学习自动调整模型超参数，学习使用学习率来减少过度拟合，并学习诊断和避免梯度消失和爆炸。本章还解释了如何监控和理解生产中的适当指标，并讨论了如何提高建模速度。

第 9 章“挑战偏见”讨论了机器学习模型可能不公平地学习的政策。本章重点介绍了增强模型公平性的几种方法，包括枢轴学习和因果学习。本章展示了如何检查模型和挖掘偏差。最后讨论了模型所在的复杂系统中的不公平性如何导致系统失败，并给出了一个检查表来帮助模型减少偏差。

球盟会第 10 章中国机械学习网，“贝叶斯推理和概率编程”使用 PyMC3 讨论使用概率编程的理论和实践优势。我们实现了一个采样器以数值方式理解贝叶斯理论中国机械学习网，并最终学会推断股价波动的分布。