量化交易之路
2017年2月3日
第0节 abupy量化环境
2017年2月3日

》》》点我购买本书《《《

编辑推荐

适读人群 :本书适合能看懂Python 代码,对机器学习感兴趣,期望入门的读者。
都说这年头不会点机器学习不好意思出门,但高深的数学理论,复杂的算法又让很多人忘而却步,不知从何下手,《机器学习篇》绕过理论障碍,打通了一条由浅入深的机器学习之路。
丰富的实战案例讲解,介绍如何将机器学习技术运用到股票量化交易、图片渲染、图片识别等领域。

》》》点我购买本书《《《

内容简介

机器学习需要一条脱离过高理论门槛的入门之路。本书《机器学习篇》从小红帽采蘑菇的故事开篇,介绍了基础的机器学习分类模型的训练(第1章)。如何评估、调试模型?如何合理地发掘事物的特征?如何利用几个模型共同发挥作用?后续章节一步一步讲述了如何优化模型,更好地完成分类预测任务(第2章),并且初步尝试将这些技术运用到金融股票交易中(第3章)。自然界*好的非线性模型莫过于人类的大脑。《深度学习篇》从介绍并对比一些常见的深度学习框架开始(第4章),讲解了DNN模型的直观原理,尝试给出一些简单的生物学解释,完成简单的图片识别任务(第5章)。后续章节在此基础上,完成更为复杂的图片识别CNN模型(第6章)。接着,本书展示了使用Caffe完成一个完整的图片识别项目,从准备数据集,到完成识别任务(第7章)。后面简单描述了RNN模型(第8章),接着展示了一个将深度学习技术落地到图片处理领域的项目(第9章)。

作者简介

阿布:多年互联网金融技术从业经验,曾就职于奇虎360、百度互联网证券、百度金融等互联网型金融公司,现自由职业,个人量化交易者,擅长个人中小资金量化交易领域系统开发,以及为中小型量化私募资金提供技术解决方案、技术支持、量化培训等工作。

胥嘉幸:北京大学硕士,先后就职于百度金融证券、百度糯米搜索部门。多年致力于大数据机器学习方面的研究,有深厚的数学功底和理论支撑。在将机器学习技术融于传统金融量化领域方面颇有研究。

目录

第一篇 机器学习篇
第1 章 初识机器学习 .................................................................................... 2
1.1 机器学习——赋予机器“学习”的灵魂 ..................................................................... 2
1.1.1 小红帽识别毒蘑菇 ................................................................................................................... 2
1.1.2 三种机器学习问题 ................................................................................................................... 6
1.1.3 常用符号 .................................................................................................................................. 6
1.1.4 回顾 .......................................................................................................................................... 7
1.2 KNN——相似的邻居请投票 ........................................................................................ 7
1.2.1 模型原理 .................................................................................................................................. 7
1.2.2 鸢尾花卉数据集(IRIS) ....................................................................................................... 9
1.2.3 训练模型 .................................................................................................................................. 9
1.2.4 评估模型 ................................................................................................................................ 12
1.2.5 关于KNN ............................................................................................................................... 14
1.2.6 运用KNN 模型 ...................................................................................................................... 15
1.2.7 回顾 ........................................................................................................................................ 16
1.3 逻辑分类I:线性分类模型 ........................................................................................ 16
1.3.1 参数化的模型 ........................................................................................................................ 16
1.3.2 逻辑分类:预测..................................................................................................................... 18
1.3.3 逻辑分类:评估..................................................................................................................... 22
1.3.4 逻辑分类:训练..................................................................................................................... 23
1.3.5 回顾 ........................................................................................................................................ 24
1.4 逻辑分类II:线性分类模型 ....................................................................................... 24
1.4.1 寻找模型的权重..................................................................................................................... 24
VI ∣ 机器学习之路——Caffe、Keras、scikit-learn 实战
1.4.2 去均值和归一化..................................................................................................................... 31
1.4.3 实现 ........................................................................................................................................ 33
1.4.4 回顾 ........................................................................................................................................ 34
第2 章 机器学习进阶 .................................................................................. 35
2.1 特征工程 ...................................................................................................................... 35
2.1.1 泰坦尼克号生存预测 ............................................................................................................. 35
2.1.2 两类特征 ................................................................................................................................ 38
2.1.3 构造非线性特征..................................................................................................................... 41
2.1.4 回顾 .................................................................................

前言/序言

  前言
  越来越多的人期待能挤进机器学习这一行业,这些人往往有一些编程和自学能力,但数学等基础理论能力不足。对于这些人群,从头开始学习概率统计等基础学科是痛苦的,如果直接上手使用机器学习工具往往又感到理解不足,缺少点什么。本书就是面向这一人群,避过数学推导等复杂的理论推衍,介绍模型背后的一些简单直观的理解,以及如何上手使用。本书希望能够得到这些人的喜爱。
  本书包含两部分:机器学习篇和深度学习篇。
  机器学习篇(1~3 章)主要从零开始,介绍什么是数据特征,什么是机器学习模型,如何训练模型、调试模型,以及如何评估模型的成绩。通过一些简单的任务例子,讲解在使用模型时如何分析并处理任务数据的特征,如何组合多个模型共同完成任务,并在第3章初步尝试将机器学习技术运用到股票交易中,重复熟悉这些技术的同时,感受机器学习技术在落地到专业领域时常犯的错误。
  深度学习篇(4~9 章)则主要介绍了一些很基础的深度学习模型,如DNN、CNN等,简单涵盖了一些RNN 的概念描述。我们更关注模型的直观原理和背后的生物学设计理念,希望读者能够带着这些理解,直接上手应用深度学习框架。说一点关于阅读本书的建议。本书在编写时不关注模型技术的数学推导及严谨表述,转而关注其背后的直观原理理解。建议读者以互动执行代码的方式学习,所有示例使用IPython Notebook 编写。读者可在Git 上找到对应章节的内容,一步一步运行书中讲解的知识点,直观感受每一步的执行效果。具体代码下载地址:https://github.com/bbfamily/abu。
  本书适合有Python 编程能力的读者。如果读者有简单的数学基础,了解概率、矩阵则更佳。使用过Numpy、pandas 等数据处理工具的读者读起来也会更轻松,但这些都不是必需的。如果读者缺乏Python 编程能力,或者希望进一步获得Numpy、pandas 等工具使用相关的知识,可以关注公众号:abu_quant,获得一些技术资料及文章。
  感谢出版社提供机会让我们编写本书,感谢编辑不辞辛苦地和我沟通排版等细节问题。
  本书的完成同样需要感谢我们的几位朋友:吴汶(老虎美股)、刘兆丹(百度金融),感谢你们在本书编写作过程中提供的有力支持。感谢本书的试读人员:蔡志威、李寅龙。

》》》点我购买本书《《《

发表评论

电子邮件地址不会被公开。 必填项已用*标注