机器学习是设计与应用算法的科学，可从数据中进行学习和预测，其应用已经非常普遍。金融领域集中了大量的交易数据，为人工智能技术的运用奠定了良好的数据基础。本书面向金融领域的读者，介绍了机器学习技术的原理与实践。 本书包括10章，介绍了神经网络算法、结构化数据的处理、计算机视觉处理技术、时间序列分析、自然语言处理、生成模型的应用、强化学习技术、数据建模与调试、贝叶斯推理和概率编程等内容。 本书由资深金融从业者编写，融合了其在金融项目中关于机器学习的实践经验，适合金融领域的数据科学家、数据分析师、金融科技公司的技术研发人员以及对金融领域的机器学习技术感兴趣的读者阅读。

第1章 神经网络和基于梯度的优化
1.1 本书的内容概要
1.2 什么是机器学习
1.3 监督学习
1.4 非监督学习
1.5 强化学习
1.5.1 极其有效的数据
1.5.2 模型即是错
1.6 创建工作区
1.7 使用Kaggle内核
1.8 使用AWS深度学习AMI
1.9 近似函数
1.10 前向传递
1.11 逻辑回归器
1.12 优化模型参数
1.13 评估模型损失
1.13.1 梯度下降
1.13.2 反向传播
1.13.3 参数更新
1.13.4 阶段小结
1.14 深度网络
1.15 Keras简介
1.15.1 导入Keras库
1.15.2 Keras中的双层模型
1.15.3 Keras和TensorFlow
1.16 张量和计算图
1.17 练习
1.18 本章小结
第2章 机器学习在结构化数据中的应用
2.1 数据
2.2 启发式模型、基于特征的模型和E2E模型
2.3 机器学习软件栈
2.4 启发式方法
2.4.1 使用启发式模型来预测
2.4.2 F1分数
2.4.3 基于混淆矩阵的评价
2.5 特征工程方法
2.5.1 特征源于直觉—诈骗者永不眠
……
第3章 计算机视觉的应用
第4章 理解时间序列
第5章 用自然语言处理解析文本数据
第6章 生成模型的应用
第7章 金融市场中的强化学习
第8章 调试和发布产品
第9章 挑战偏见
第10章 贝叶斯推理和概率编程
结束语
推荐读物