金融大数据与机器学习
课程编码：18087B025100M3026Z
英文名称：Financial Big Data and Machine Learning
课时：32
学分：2.00
课程属性：专业课
主讲教师：田英杰
教学目的要求
本课程是金融专业硕士的选修课，从金融大数据的特点出发，讲述以机器学习为主的数据挖掘理论与方法，使得学生能对金融大数据与机器学习方法有基本的掌握，并能理解实际的金融大数据分析问题本质，从而进行解决。
预修课程
无
大纲内容
第一章 总体介绍 4.0学时 田英杰
第1节 大数据基本概念
第2节 大数据挖掘基本概念
第3节 金融大数据挖掘概述
第4节 大数据预处理与可视化
第二章 分类问题与支持向量机 4.0学时 田英杰
第1节 分类问题概念
第2节 最大间隔法
第3节 最优化基础
第4节 线性可分SVM
第5节 线性SVM
第6节 统计学习理论基础
第7节 金融大数据应用案例
第三章 分类问题与决策树和集成学习 4.0学时 田英杰
第1节 决策树与ID3算法
第2节 C4.5算法
第3节 随机森林
第4节 Adaboost
第5节 金融大数据应用案例
第四章 分类问题与逻辑回归 4.0学时 田英杰
第1节 一元线性回归
第2节 多元线性回归
第3节 logistics回归
第4节 金融大数据应用案例
第五章 回归问题与算法 2.0学时 田英杰
第1节 回归问题概念
第2节 支持向量回归机
第3节 岭回归
第4节 Lasso回归
第5节 金融大数据应用案例
第六章 聚类问题与算法 4.0学时 田英杰
第1节 聚类问题概念
第2节 K-均值聚类
第3节 均值漂移与密度聚类
第4节 层次聚类与支持向量机聚类
第5节 模糊聚类与高斯混合模型聚类
第6节 谱聚类与近邻传播聚类
第7节 金融大数据应用案例
第七章 降维问题与算法 4.0学时 田英杰
第1节 降维问题概念
第2节 线性降维
第3节 非线性降维
第4节 金融大数据应用案例
第八章 大数据与机器学习问题热点 2.0学时 田英杰
第1节 文本大数据挖掘
第2节 图像视频大数据挖掘
第3节 多示例学习
第4节 多视角学习
第5节 多任务学习
第6节 迁移学习
第九章 数据挖掘软件和工具详细介绍 4.0学时 田英杰
第1节 分类算法步骤展示
第2节 回归算法步骤展示
第3节 聚类算法步骤展示
第4节 降维算法步骤展示
参考书
1、
支持向量机理论、算法与拓展@机器学习@统计学习方法@金融数据挖掘与分析
田英杰@周志华@李航@郑志明
2009年8月@2016年1月@2012年3月@2015年10月
科学出版社@清华大学出版社@清华大学出版社@机械工业出版社
课程教师信息
田英杰，国科大经管学院研究员