王青天，硕士，曾任某互联网金融公司机器学习研究工程师，从事风控建模工作。对机器学习、风控建模、工业互联网等方向有浓厚的兴趣和广泛的研究。
　　
　　孔越，博士，曾留学英国剑桥大学。涉猎金融风控和“AI+药物研发”等多个人工智能应用领域。曾参与多项国家自然科学基金项目和欧洲科研基金项目，发表多篇SCI论文。

　　《Python金融大数据风控建模实战：基于机器学习》是一本基于Python语言的金融大数据风控建模入门读物。书中结合人工智能领域流行的机器学习算法进行信用评分卡模型构建，从而解决金融领域核心的风险控制问题。
　　《Python金融大数据风控建模实战：基于机器学习》共19章，分为4篇。第1篇“智能风控背景”，旨在由浅入深地代领读者走进金融科技领域，带领他们了解智能风控的相关知识，并全面、系统地认识评分卡；第2篇“评分卡理论与实战基础”，围绕评分卡构建的完整流程，向读者一一讲述每个环节的理论知识，并进行代码实践，帮助读者获得从0到1构建评分卡模型的工程能力；第3篇“评分卡理论与实战进阶”，旨在从建模中可能遇到的问题出发，提供一些解决问题或提升模型效果的思路，使建立的评分卡具有更好的业务适应能力及预测能力；第4篇“Lending Club数据集实战”，结合真实信贷场景的数据集，带领读者完成从数据分析到评分卡生成的各个流程，旨在让读者体验真实的场景，掌握评分卡实战技能，同时为读者在实际工作中构建评分卡提供参考。
　　《Python金融大数据风控建模实战：基于机器学习》适合有一定Python语言基础的金融风控从业人员阅读，也适合想要学习人工智能如何应用于金融场景中的开发人员及业务人员阅读。另外，金融、计算机等相关专业的学生，以及金融科技从业人员及相关培训学员也可将该书作为教材或者兴趣读物阅读。

前言
第1篇 智能风控背景
第1章 金融科技介绍
1．1 金融科技的前世今生
1．2 金融科技正深刻地改变和塑造着金融业态
1．3 新兴科技不断强化金融科技的应用能力
1．4 金融风险控制面临着的挑战
1．5 智能风控和评分卡
1．6 评分卡模型的开发流程
第2章 机器学习介绍
2．1 机器学习的概念
2．2 机器学习的分类
2．2．1 有监督学习
2．2．2 无监督学习
2．2．3 强化学习
2．3 机器学习与人工智能的关系
2．4 机器学习与数学的关系
2．5 机器学习与深度学习
第3章 评分卡模型介绍
3．1 申请评分卡
3．1．1 数据获取
3．1．2 好坏样本定义
3．1．3 观察期与表现期确定
3．1．4 样本分层
3．1．5 数据清洗与预处理
3．1．6 特征工程
3．1．7 模型训练与优化
3．2 行为评分卡
3．2．1 数据获取
3．2．2 时间窗口
3．2．3 特征工程
3．3 催收评分卡
3．3．1 催收评分卡分类
3．3．2 催收策略
3．4 反欺诈模型
3．4．1 欺诈风险与信用风险比较
3．4．2 欺诈模型好坏样本定义
3．4．3 欺诈主体分析
3．4．4 反欺诈方法介绍

第2篇 评分卡理论与实战基础
第4章 数据清洗与预处理
4．1 数据集成
4．2 数据清洗
4．3 探索性数据分析
4．4 Python代码实践
4．4．1 数据集成
4．4．2 数据清洗
4．4．3 探索性数据分析
第5章 变量编码方法
5．1 无监督编码
5．1．1 One-hot编码
5．1．2 Dummy variable编码
5．1．3 Label编码
5．2 有监督编码
5．2．1 WOE编码
5．2．2 WOE编码与One-hot编码比较
5．3 Python代码实践
5．3．1 One-hot编码
5．3．2 Dummy variable编码
5．3．3 Label编码
5．3．4 WOE编码
第6章 变量分箱方法
6．1 变量分箱流程
6．2 优Chi-merge卡方分箱方法
6．3 Best-KS分箱方法
6．4 优IV分箱方法
6．5 基于树的优分箱方法
6．6 Python代码实践
6．6．1 优Chi-merge分箱
6．6．2 优IV分箱
6．6．3 基于树的分箱
第7章 变量选择
7．1 过滤法变量选择
7．2 包装法变量选择
7．3 嵌入法变量选择
7．4 Python代码实践
7．4．1 过滤法变量选择
7．4．2 包装法变量选择
7．4．3 嵌入法变量选择
第8章 Logistic回归模型
8．1 Logistic回归模型原理
8．2 过拟合与欠拟合
8．3 Python代码实践
第9章 模型的评估指标
9．1 正负样本的选择
9．2 标准评估指标
9．3 概率密度评估指标
9．4 概率分布评估指标
9．5 Python代码实践
第10章 评分卡分数转化
10．1 由概率到分数的转换
10．2 变量的分值计算
10．3 评分卡性能评估
10．4 Python代码实践
第11章 模型在线监控
11．1 稳定性监控
11．2 单调性监控
11．3 性能监控指标
11．4 Python代码实践

第3篇 评分卡理论与实战进阶
第12章 样本不均衡处理
12．1 数据层下采样样本不均衡的处理方法
12．1．1 随机下采样方法
12．1．2 样本邻域选择的下采样方法
12．1．3 样本邻域清理的下采样方法
12．1．4 Bagging集成的下采样方法
12．1．5 Boosting集成的下采样方法
12．2 数据层上采样样本不均衡的处理方法
12．2．1 随机上采样方法
12．2．2 SMOTE样本生成方法
12．2．3 Borderline-SMOTE样本生成方法
12．3 算法层样本不均衡的处理方法
12．4 模型评估层样本不均衡的处理方法
12．5 Python代码实践
12．5．1 数据层下采样样本不均衡处理代码实现
12．5．2 数据层上采样样本不均衡处理代码实现
第13章 特征工程进阶
13．1 数据层特征工程
13．2 算法层特征工程
13．2．1 基于树模型的特征生成
13．2．2 FM特征交
13．3 Python代码实践
13．3．1 数据层特征工程代码实现
13．3．2 算法层特征工程代码实现
第14章 决策树模型
14．1 决策树模型的原理
14．2 决策树学习
14．3 决策树与过拟合
14．4 Python代码实践
第15章 神经网络模型
15．1 神经元模型
15．2 神经网络的网络结构
15．3 神经网络的学习策略
15．4 Python代码实践
第16章 支持向量机模型
16．1 感知器模型
16．1．1 感知器模型的原理
16．1．2 感知器与支持向量机模型
16．2 线性可分支持向量机
16．3 线性支持向量机
16．4 非线性支持向量机
16．5 感知器相关模型比较
16．6 Python代码实践
16．6．1 线性支持向量机模型代码实现
16．6．2 非线性支持向量机模型代码实现
第17章 集成学习
17．1 Bagging与Boosting对比
17．2 Random Forest模型原理
17．3 Adaboost模型原理
17．4 GBDT模型原理
17．5 Xgboost模型原理
17．6 Python代码实践
17．6．1 Random Forest模型
17．6．2 Adaboost模型
17．6．3 GBDT模型
17．6．4 Xgboost模型
第18章 模型融合
18．1 Blending方法原理
18．2 Stacking方法原理
18．3 Python代码实践
18．3．1 Blending模型融合代码实现
18．3．2 Stacking模型融合代码实现

第4篇 Lending Club数据集实战
第19章 完整的模型开发实现
19．1 数据源介绍
19．2 数据的获取与预处理
19．2．1 数据准备
19．2．2 好坏样本定义
19．2．3 数据清洗与预处理
19．3 特征工程
19．3．1 简单的特征工程
19．3．2 变量分箱与编码
19．3．3 变量选择
19．4 模型构建与评估
19．4．1 模型构建与优化
19．4．2 模型评估
19．5 评分卡生成

附录A 主要符号表
附录B 开发环境简介
参考文献