bonacenter的博客

Mohammad Zoynul Abedin, M. Kabir Hassan, Petr Hajek, Mohammed Mohi Uddin - The Essentials of Machine Learning in Finance and Accounting-Routledge (2021)

Jun Chen, Edward P.K. Tsang - Detecting Regime Change in Computational Finance_ Data Science, Machine Learning and Algorithmic Trading-CRC Press (2021)

John Hull - Machine Learning in Business_ An Introduction to the World of Data Science (2020)

Stephan S. Jones (Editor)_ Frank M. Groom (Editor) - Artificial Intelligence and Machine Learning for Business for Non-Engineers-CRC Press (2019).pdf

Abdullah Karasan - Machine Learning for Financial Risk Management with Python_ Algorithms for Modeling Risk-O'Reilly Media (2022)

RATNER, BRUCE - Statistical and machine-learning data mining_ techniques for better predictive modeling-CRC Press (2017)

(Studies in Big Data, 77) Aboul Ella Hassanien, Ashraf Darwish - Machine Learning and Big Data Analytics Paradigms_ Analysis, Applications and Challenges-Springer (2021).pdf

Successful Algorithmic Trading - by Halls-Moore 共208页。 包括交易系统，数据平台开发，建模，表现与风险管理，自动交易，等6个部分。 比较新，大概2014,2015年的。

 大数据时代的来临，给当今的商业带来了极大的冲击，多数电商人无不“谈大数据色变”，并呈现出一种观望、迷茫、手足无措的状态。车品觉，作为一名经验丰富的电商人，在敬畏大数据的同时，洞悉到了数据时代商业发展的更多契机，他创新了数据框架的建立和使用，重新量化了数据价值的指标，并挖掘了在无线数据和多屏时代下商业发展的本质……在他看来，改变思维方式，即可改变数据和商业的未来。  《决战大数据》将视角投入到“大数据实践”的领域，对数据收集、数据化运营、运营数据、无线数据、数据盲点和噪音、数据分类和数据价值、养数据、多屏时代等大数据应用的热点问题做出了详细的解答，对当今的大数据进行了多角度思考，并提出了做好“个人大数据管理”的前瞻性建议，创建了一个数据化运营和运营数据的闭环系统。同时，《决战大数据》首次揭开阿里巴巴运营数据的神秘面纱，解密了其数据实践的“混、通、晒”内三板斧和“存、管、用”外三板斧，对于当今的绝大多数电商企业来说十分有借鉴意义。

Python与机器学习实战：决策树、集成学习、支持向量机与神经网络算法详解及编程实现 第1章　Python与机器学习入门 1 1.1 机器学习绪论 1 1.1.1 什么是机器学习 2 1.1.2 机器学习常用术语 3 1.1.3 机器学习的重要性 6 1.2 人生苦短，我用Python 7 1.2.1 为何选择Python 7 1.2.2 Python 在机器学习领域的优势 8 1.2.3 Anaconda的安装与使用 8 1.3 第一个机器学习样例 12 1.3.1 获取与处理数据 13 1.3.2 选择与训练模型 14 1.3.3 评估与可视化结果 15 1.4 本章小结 17 第2章　贝叶斯分类器 18 2.1 贝叶斯学派 18 2.1.1 贝叶斯学派与频率学派 19 2.1.2 贝叶斯决策论 19 2.2 参数估计 20 2.2.1 极大似然估计（ML估计） 21 2.2.2 极大后验概率估计（MAP估计） 22 2.3 朴素贝叶斯 23 2.3.1 算法陈述与基本架构的搭建 23 2.3.2 MultinomialNB的实现与评估 31 2.3.3 GaussianNB的实现与评估 40 2.3.4 MergedNB的实现与评估 43 2.3.5 算法的向量化 50 2.4 半朴素贝叶斯与贝叶斯网 53 2.4.1 半朴素贝叶斯 53 2.4.2 贝叶斯网 54 2.5 相关数学理论 55 2.5.1 贝叶斯公式与后验概率 55 2.5.2 离散型朴素贝叶斯算法 56 2.5.3 朴素贝叶斯和贝叶斯决策 58 2.6 本章小结 59 第3章　决策树 60 3.1 数据的信息 60 3.1.1 信息论简介 61 3.1.2 不确定性 61 3.1.3 信息的增益 65 3.1.4 决策树的生成 68 3.1.5 相关的实现 77 3.2 过拟合与剪枝 92 3.2.1 ID3、C4.5的剪枝算法 93 3.2.2 CART剪枝 100 3.3 评估与可视化 103 3.4 相关数学理论 111 3.5 本章小结 113 第4章　集成学习 114 4.1 “集成”的思想 114 4.1.1 众擎易举 115 4.1.2 Bagging与随机森林 115 4.1.3 PAC框架与Boosting 119 4.2 随机森林算法 120 4.3 AdaBoost算法 124 4.3.1 AdaBoost算法陈述 124 4.3.2 弱模型的选择 126 4.3.3 AdaBoost的实现 127 4.4 集成模型的性能分析 129 4.4.1 随机数据集上的表现 130 4.4.2 异或数据集上的表现 131 4.4.3 螺旋数据集上的表现 134 4.4.4 蘑菇数据集上的表现 136 4.5 AdaBoost算法的解释 138 4.6 相关数学理论 139 4.6.1 经验分布函数 139 4.6.2 AdaBoost与前向分步加法模型 140 4.7 本章小结 142 第5章　支持向量机 144 5.1 感知机模型 145 5.1.1 线性可分性与感知机策略 145 5.1.2 感知机算法 148 5.1.3 感知机算法的对偶形式 151 5.2 从感知机到支持向量机 153 5.2.1 间隔最大化与线性SVM 154 5.2.2 SVM算法的对偶形式 158 5.2.3 SVM的训练 161 5.3 从线性到非线性 163 5.3.1 核技巧简述 163 5.3.2 核技巧的应用 166 5.4 多分类与支持向量回归 180 5.4.1 一对多方法（One-vs-Rest） 180 5.4.2 一对一方法（One-vs-One） 181 5.4.3 有向无环图方法（Directed Acyclic Graph Method） 181 5.4.4 支持向量回归（Support Vector Regression） 182 5.5 相关数学理论 183 5.5.1 梯度下降法 183 5.5.2 拉格朗日对偶性 185 5.6 本章小结 187 第6章　神经网络 188 6.1 从感知机到多层感知机 189 6.2 前向传导算法 192 6.2.1 算法概述 193 6.2.2 激活函数（Activation Function） 195 6.2.3 损失函数（Cost Function） 199 6.3 反向传播算法 200 6.3.1 算法概述 200 6.3.2 损失函数的选择 202 6.3.3 相关实现 205 6.4 特殊的层结构 211 6.5 参数的更新 214 6.5.1 Vanilla Update 217 6.5.2 Momentum Update 217 6.5.3 Nesterov Momentum Update 219 6.5.4 RMSProp 220 6.5.5 Adam 221 6.5.6 Factory 222 6.6 朴素的网络结构 223 6.7 “大数据”下的网络结构 227 6.7.1 分批（Batch）的思想 228 6.7.2 交叉验证 230 6.7.3 进度条 231 6.7.4 计时器 233 6.8 相关数学理论 235 6.8.1 BP算法的推导 235 6.8.2 Softmax + log-likelihood组合 238 6.9 本章小结 240 第7章　卷积神经网络 241 7.1 从NN到CNN 242 7.1.1 “视野”的共享 242 7.1.2 前向传导算法 243 7.1.3 全连接层（Fully Connected Layer） 250 7.1.4 池化（Pooling） 251 7.2 利用TensorFlow重写NN 252 7.2.1 反向传播算法 252 7.2.2 重写Layer结构 253 7.2.3 实现SubLayer结构 255 7.2.4 重写CostLayer结构 261 7.2.5 重写网络结构 262 7.3 将NN扩展为CNN 263 7.3.1 实现卷积层 263 7.3.2 实现池化层 266 7.3.3 实现CNN中的特殊层结构 267 7.3.4 实现LayerFactory 268 7.3.5 扩展网络结构 270 7.4 CNN的性能 272 7.4.1 问题描述 272 7.4.2 搭建CNN模型 273 7.4.3 模型分析 280 7.4.4 应用CNN的方法 283 7.4.5 Inception 286 7.5 本章小结 289 附录A　Python入门 290 附录B　Numpy入门 303 附录C　TensorFlow入门 310

《用Python写网络爬虫》，本书作者[澳]理查德 劳森（Richard Lawson），译者李斌，由人民邮电出版社于2016年9月出版。

python数据挖掘入门与实践是一本Python入门数据挖掘技术指南，由澳大利亚计算机科学博士罗伯特·莱顿(RobertLayton)编著。本书使用简单易学且拥有丰富第三方库和良好社区氛围的Python语言，由浅入深，以真实数据作为研究对象，真刀实枪地向读者介绍Python数据挖掘的实现方法，全面释放python的数据分析能力，常握大数据时代核心技术，让用户可以轻松入门挖掘技术并将其应用于实际项目。通过本书，读者将迈入数据挖掘的殿堂，透彻理解数据挖掘基础知识，掌握解决数据挖掘实际问题的杰出实践。

《Python 3爬虫、数据清洗与可视化实战》共分11 章，6 个核心主题：其一是Python 基础入门，包括环境配置、基本操作、数据类型、语句和函数；其二是Python 爬虫的构建，包括网页结构解析、爬虫流程设计、代码优化、效率优化、容错处理、反防爬虫、表单交互和模拟页面点击；其三是Python 数据库应用，包括MongoDB、MySQL 在Python中的连接与应用；其四是数据清洗和组织，包括NumPy 数组知识、