介绍了机器学习中关于监督学习和无监督学习的相关理论及其在金融领域中的应用。从机器学习基础概念入手，由浅入深，由概念理论延伸至实际应用。其中，理论篇深入浅出地阐述了常见的监督学习算法和无监督学习算法，以更为直观和形象的方法来介绍相关复杂理论，尤其适合经管类专业学生阅读。此外，应用篇阐述了机器学习算法在金融各领域中的应用，其中的案例以现实金融问题为基础，利用机器学习算法来解决金融问题（部分案例给出具体的算法和Python代码实现）。在每章最后给出了复习思考题，有利于学生更好地掌握本书内容。本书是经管类学生进入大数据金融和金融科技领域较好的入门教程。
当你走在路上，看到路边的花心生欢喜，掏出手机想查查它们的芳名，打开软件、上传照片后，很快软件给出了识别结果：这是白丁香；当你在音乐软件上听歌，突然被一首歌惊艳了，于是你给这首歌标记了一颗红心表示喜欢，天软了一批风格的歌曲，仿佛软件懂你的心意。如今，机器学从高精尖的学术工程研究泛化开来，普及到我们生活的方方面面。这能的智能实现，都依赖于机器学过计算机应用聚类、分类、回归算法结已有数据内涵的统计规律，并对新数据应用统计规律作预测或判断。
本章1.pan>节介绍机器学本概念，1.2节介绍机器学本术语，1.3节介绍机器学类。
1.pan>机器学
1.1.pan>机器学义
机器学及线代数、概率论、统计学、信息论、运筹学等多领域的交叉学科，是应用计算机的寻找数据内含的统计规律并应用统计规律获取结果的实践过程。
从流程看，机器学分为“数据一模型一数据”三段：向模型输入已知数据求取参数，对训练好的模型调参以提高率和降低复杂度，向优化后的模型输入未知数据作分类或预测。简而言之，是训练模型、优化模型、应用模型。
从对象看，机器学绕数行的实践：首先对数行预处理和筛选，然后针对数据结构选择合适的模型，再对新数据作处理得到结果。这也客观要求数据具备规律，只有具备规律的数据才能应用统计方法，才能得到有意义的结果。
从目的看，机器学了从数据中提取我们想要的结果，具体分为两步：步即中间目的，是通过对已有数行分析搭建概率统计模型；步即终目的，是根据学概率统计模型对新数行分析。在这个过程中要优化学，提率，在学率和时间复杂度中达到均衡。
从形式看，机器学符合自然模式的思考方式。机器学上是通过相关对事物关行判别，而人类本质上是通过逻辑对事物关行判别。人类具有思维，会对思行整理，会用因果关系穿针引线，将线索归纳为逻辑线条；现阶段机器没有思维，往往是计算变量间的相关，并以公式综合展现数据间的关系。我们很难证明风吹和树动的逻辑关系，毕竟逻辑是主观的，但很容易证明风吹和树动之间存在强相关关系，因为相关是客观的。
1.1.2机器学法
机器学分为监督学监督学监督学动学类，其中基础广泛的是监督学监督学督学用有明确标注结果的数据构建统计模型的学；无监督学用无明确标注结果的数据构建统计模型的学；半监督学动学强化学学监督学发展而来的。在每个大类下，机器学身经百战、的算法。例如，在监督学有kk均值聚类、PCA等算法，可用于聚类或降维。
苟小菊，主编。苟小菊，中国科学技术大学管理学院金融专业硕士中心副主任，副教授，发表各类学术论文20余篇，出版著作两部。研究方向为国际商务、公共管理、金融工程。
书单推荐
