会员
大数据智能风控：模型、平台与业务实践
更新时间：2024-08-06 17:02:24 最新章节：封底
书籍简介
这是一本深入讲解智能风控理论体系和风控全生命周期业务实践的著作。作者基于在银行业10余年的风控经验，首先详细讲解了“大数据、模型、风控平台”三位一体的智能风控体系，能为风控实践提供扎实的理论指导；然后围绕风控的全生命周期，从贷前评估、贷中监控、贷后管理以及智能反欺诈、智能催收等角度全面讲解了智能风控的业务实践，深刻揭示了智能风控体系的精髓。第1~2章全面而深入地探讨了智能风控的背景知识：首先对基础信贷业务进行了细致解析，读者可以从中了解其运作方式和重要性；然后，梳理了智能风控是如何随着技术的进步和市场的需求逐渐成熟和完善的。第3~5章围绕“数据、模型、风控平台”三位一体的智能风控理论体系展开：首先介绍了内部数据、外部数据、个人征信数据在智能风控中的应用，以及智能数据体系的构建；然后深入探讨了智能风控模型的算法、评价指标、开发流程；最后讲解了风控平台的理论框架、设计原则、架构设计、建设流程以及决策引擎的建设。第6~8章围绕风控的全生命周期探讨了风控策略在实际业务中的应用，包括贷前评估、贷中监控、贷后管理，以及智能反欺诈和智能催收体系的建设和业务实践，能帮助读者将理论知识转化为实际操作能力，更好地应对现实业务中的挑战。第9章对智能风控的未来发展进行了展望，不仅为读者揭示了未来的机遇，也提供了对于如何应对未来挑战的思考。
品牌：机械工业出版社
上架时间：2024-06-01 00:00:00
出版社：机械工业出版社
本书数字版权由机械工业出版社提供，并由其授权上海阅文信息技术有限公司制作发行
最新章节
邓甄 李钦
同类热门书
最新上架
- 会员随着ChatGPT等大语言模型的迅速发展，大语言模型已经成为人工智能领域发展的快车道，不同领域涌现出各种强大的新模型。开发者想要独立构建、部署符合自身需求的大语言模型，需要理解大语言模型的实现框架和基本原理。本书梳理大语言模型的发展，首先介绍Transformer模型的基本原理、结构和模块及在NLP任务中的应用；然后介绍由只编码（Encoder-Only）到只解码（Decoder-Only）的技术计算机6.6万字
- 会员ChatGPT作为人工智能领域的一大进步，引起了热议，其强大功能的背后离不开大模型的支持。大模型指的是参数规模超过千万的机器学习模型，主要应用于语音识别、计算机视觉等领域。本书聚焦大模型，对大模型的技术场景和商业应用展开详细叙述。本书主要从典型应用ChatGPT入手，探寻其背后支撑大模型的魅力。首先，本书对大模型的基础概念、产业格局、带来的新型商业模式进行讲解，展现了大模型的发展现状和商业化潜力。计算机13.2万字
- 会员《ChatGLM3大模型本地化部署、应用开发与微调》作为《PyTorch2.0深度学习从零开始学》的姊妹篇，专注于大模型的本地化部署、应用开发以及微调等。《ChatGLM3大模型本地化部署、应用开发与微调》不仅系统地阐述了深度学习大模型的核心理论，更注重实践应用，通过丰富的案例和场景，引导读者从理论走向实践，真正领悟和掌握大模型本地化应用的精髓。全书共分13章，全方位、多角度地展示了大模型本地化计算机13万字
- 会员本书参照产业界自动驾驶技术研发的基本流程，充分借鉴了产业界在自动驾驶技术领域中的实际研发经验，以高性能的智能小车和高度仿真的车道沙盘为实验教具和运行环境，深入浅出地讲解自动驾驶技术的原理与实际应用，为初学者打开一扇通往人工智能世界的大门。本书以帮助初学者如何从无到有地打造出具备自动驾驶功能的智能小车为主线，内容分为看车（了解自动驾驶）、造车（设计智能小车）、开车（收集训练数据）、写车（编写自动驾驶计算机14.9万字
- 会员本书以人工智能为核心，上篇讲述了人工智能理论知识及发展蓝图规划，目的是帮助读者认识人工智能，找到入局人工智能领域的途径和方法；中篇罗列了可以为人工智能赋能的前沿技术，包括NLP、机器学习、大数据、物联网、区块链等；下篇总结了人工智能对交通、农业、医疗、制造、教育、金融、文娱等行业的影响和作用，旨在让读者了解人工智能是如何在这些行业实现商业化落地的。本书从多个角度出发，描绘了一幅完整的人工智能发展蓝计算机15.8万字
- 会员《PyTorch深度学习应用实战》以统计学/数学为出发点，介绍深度学习必备的数理基础，讲解PyTorch的主体架构及最新的模块功能，包括常见算法与相关套件的使用方法，例如对象侦测、生成对抗网络、深度伪造、图像中的文字辨识、脸部辨识、BERT/Transformer、聊天机器人、强化学习、自动语音识别、知识图谱等。本书配有大量案例及图表说明，同时以程序设计取代定理证明，缩短学习过程，增加学习乐趣。计算机15.2万字
- 会员本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者。机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最计算机7.4万字