本书采用生动活泼的语言，从入门者的角度，讲解了Python 语言和sklearn 模块库内置的各种经典机器学习算法；介绍了股市外汇、比特币等实盘交易数据在金融量化方面的具体分析与应用，包括对未来股票价格的预测、大盘指数趋势分析等。简单风趣的实际案例让广大读者能够快速掌握机器学习在量化分析方面的编程，为进一步学习金融科技奠定扎实的基础。
作者简介
内容简介
前言
第1章 Python与机器学习
1.1 scikit-learn模块库
1.2 开发环境搭建
1.3 机器学习:从忘却开始
1.4 学习路线图
第2章 机器学习编程入门
2.1 经典机器学习算法
2.2 经典爱丽丝
2.3 机器学习算法流程
2.4 机器学习数据集
2.5 数据切割函数
2.6 线性回归算法
第3章 金融数据的预处理
3.1 至简归一法
3.2 股票池与Rebase
3.3 金融数据切割
3.4 preprocessing模块
第4章 机器学习快速入门
4.1 回归算法
4.2 LR线性回归模型
4.3 常用评测指标
4.4 多项式回归
4.5 逻辑回归算法模型
第5章 模型验证优化
5.1 交叉验证评估器
5.2 交叉验证评分
第6章 决策树
6.1 决策树算法
6.2 决策树回归函数
6.3 决策树分类函数
6.4 GBDT算法
6.5 迭代决策树函数
第7章 随机森林算法和极端随机树算法
7.1 随机森林函数
7.2 决策树测试框架
7.3 决策树测试函数
7.4 极端随机树算法
7.5 极端随机树函数
第8章 机器学习算法模式
8.1 学习模式
8.2 机器学习五大流派
8.3 经典机器学习算法
8.4 小结
第9章 概率编程
9.1 朴素贝叶斯的上证之旅
9.2 隐马尔可夫模型
第10章 实例算法
K最近邻算法
第11章 正则化算法
11.1 岭回归算法
11.2 套索回归算法
11.3 弹性网络算法
11.4 最小角回归算法
第12章 聚类分析
12.1 K均值算法
12.2 BIRCH算法
12.3 小结
第13章 降维算法
13.1 主成分分析
13.2 奇异值分解算法
第14章 集成算法
14.1 sklearn内置集成算法
14.2 装袋算法
14.3 AdaBoost迭代算法
第15章 支持向量机
15.1 支持向量机算法
15.2 SVM函数接口
第16章 人工神经网络算法
多层感知器
附录A sklearn常用模块和函数
附录B 量化分析常用指标
