资源搜

资源名称：Python机器学习算法 PDF  内容简介： 《Python机器学习算法》是一本机器学习入门读物，注重理论与实践的结合。全书主要包括6个部分，每个部分均以典型的机器学习算法为例，从算法原理出发，由浅入深，详细介绍算法的理论，并配合目前流行的Python语言，从零开始，实现每一个算法，以加强对机器学习算法理论的理解、增强实际的算法实践能力，最终达到熟练掌握每一个算法的目的。与其他机器学习类图书相比，《Python机器学习算法》同时包含算法理论的介绍和算法的实践，以理论支撑实践，同时，又将复杂、枯燥的理论用简单易懂的形式表达出来，促进对理论的理解。 资源目录： 0 绪论 1 0.1 机器学习基础 1 0.1.1 机器学习的概念 1 0.1.2 机器学习算法的分类 2 0.2 监督学习 3 0.2.1 监督学习 3 0.2.2 监督学习的流程 3 0.2.3 监督学习算法 4 0.3 无监督学习 4 0.3.1 无监督学习 4 0.3.2 无监督学习的流程 4 0.3.3 无监督学习算法 5 0.4 推荐系统和深度学习 6 0.4.1 推荐系统 6 0.4.2 深度学习 6 0.5 Python和机器学习算法实践 6 参考文献 7 第一部分 分类算法 1 Logistic Regression 10 1.1 Logistic Regression模型 10 1.1.1 线性可分VS线性不可分 10 1.1.2 Logistic Regression模型 11 1.1.3 损失函数 13 1.2 梯度下降法 14 1.2.1 梯度下降法的流程 14 1.2.2 凸优化与非凸优化 15 1.2.3 利用梯度下降法训练Logistic Regression模型 17 1.3 梯度下降法的若干问题 18 1.3.1 选择下降的方向 18 1.3.2 步长的选择 19 1.4 Logistic Regression算法实践 20 1.4.1 利用训练样本训练Logistic Regression模型 20 1.4.2 最终的训练效果 22 1.4.3 对新数据进行预测 23 参考文献 26 2 Softmax Regression 27 2.1 多分类问题 27 2.2 Softmax Regression算法模型 28 2.2.1 Softmax Regression模型 28 2.2.2 Softmax Regression算法的代价函数 28 2.3 Softmax Regression算法的求解 29 2.4 Softmax Regression与Logistic Regression的关系 31 2.4.1 Softmax Regression中的参数特点 31 2.4.2 由Softmax Regression到Logistic Regression 31 2.5 Softmax Regression算法实践 32 2.5.1 对Softmax Regression算法的模型进行训练 33 2.5.2 最终的模型 34 2.5.3 对新的数据的预测 35 参考文献 39 3 Factorization Machine 40 3.1 Logistic Regression算法的不足 40 3.2 因子分解机FM的模型 42 3.2.1 因子分解机FM模型 42 3.2.2 因子分解机FM可以处理的问题 43 3.2.3 二分类因子分解机FM算法的损失函数 43 3.3 FM算法中交叉项的处理 43 3.3.1 交叉项系数 43 3.3.2 模型的求解 44 3.4 FM算法的求解 45 3.4.1 随机梯度下降（Stochastic Gradient Descent） 45 3.4.2 基于随机梯度的方式求解 45 3.4.3 FM算法流程 46 3.5 因子分解机FM算法实践 49 3.5.1 训练FM模型 50 3.5.2 最终的训练效果 53 3.5.3 对新的数据进行预测 55 参考文献 57 4 支持向量机 58 4.1 二分类问题 58 4.1.1 二分类的分隔超平面 58 4.1.2 感知机算法 59 4.1.3 感知机算法存在的问题 61 4.2 函数间隔和几何间隔 61 4.2.1 函数间隔 62 4.2.2 几何间隔 62 4.3 支持向量机 63 4.3.1 间隔最大化 63 4.3.2 支持向量和间隔边界 64 4.3.3 线性支持向量机 65 4.4 支持向量机的训练 66 4.4.1 学习的对偶算法 66 4.4.2 由线性支持向量机到非线性支持向量机 68 4.4.3 序列最小最优化算法SMO 69 4.5 支持向量机SVM算法实践 74 4.5.1 训练SVM模型 74 4.5.2 利用训练样本训练SVM模型 81 4.5.3 利用训练好的SVM模型对新数据进行预测 85 参考文献 88 5 随机森林 89 5.1 决策树分类器 89 5.1.1 决策树的基本概念 89 5.1.2 选择最佳划分的标准 91 5.1.3 停止划分的标准 94 5.2 CART分类树算法 95 5.2.1 CART分类树算法的基本原理 95 5.2.2 CART分类树的构建 95 5.2.3 利用构建好的分类树进行预测 98 5.3 集成学习（Ensemble Learning） 99 5.3.1 集成学习的思想 99 5.3.2 集成学习中的典型方法 99 5.4 随机森林（Random Forests） 101 5.4.1 随机森林算法模型 101 5.4.2 随机森林算法流程 102 5.5 随机森林RF算法实践 104 5.5.1 训练随机森林模型 105 5.5.2 最终的训练结果 109 5.5.3 对新数据的预测 110 参考文献 113 6 BP神经网络 114 6.1 神经元概述 114 6.1.1 神经元的基本结构 114 6.1.2 激活函数 115 6.2 神经网络模型 116 6.2.1 神经网络的结构 116 6.2.2 神经网络中的参数说明 117 6.2.3 神经网络的计算 117 6.3 神经网络中参数的求解 118 6.3.1 神经网络损失函数 118 6.3.2 损失函数的求解 119 6.3.3 BP神经网络的学习过程 120 6.4 BP神经网络中参数的设置 126 6.4.1 非线性变换 126 6.4.2 权重向量的初始化 126 6.4.3 学习率 127 6.4.4 隐含层节点的个数 127 6.5 BP神经网络算法实践 127 6.5.1 训练BP神经网络模型 128 6.5.2 最终的训练效果 132 6.5.3 对新数据的预测 133 参考文献 136 第二部分 回归算法 7 线性回归 138 7.1 基本线性回归 138 7.1.1 线性回归的模型 138 7.1.2 线性回归模型的损失函数 139 7.2 线性回归的最小二乘解法 140 7.2.1 线性回归的最小二乘解法 140 7.2.2 广义逆的概念 141 7.3 牛顿法 141 7.3.1 基本牛顿法的原理 141 7.3.2 基本牛顿法的流程 142 7.3.3 全局牛顿法 142 7.3.4 Armijo搜索 144 7.3.5 利用全局牛顿法求解线性回归模型 145 7.4 利用线性回归进行预测 146 7.4.1 训练线性回归模型 147 7.4.2 最终的训练结果 149 7.4.3 对新数据的预测 150 7.5 局部加权线性回归 152 7.5.1 局部加权线性回归模型 152 7.5.2 局部加权线性回归的最终结果 153 参考文献 154 8 岭回归和Lasso回归 155 8.1 线性回归存在的问题 155 8.2 岭回归模型 156 8.2.1 岭回归模型 156 8.2.2 岭回归模型的求解 156 8.3 Lasso回归模型 157 8.4 拟牛顿法 158 8.4.1 拟牛顿法 158 8.4.2 BFGS校正公式的推导 158 8.4.3 BFGS校正的算法流程 159 8.5 L-BFGS求解岭回归模型 162 8.5.1 BGFS算法存在的问题 162 8.5.2 L-BFGS算法思路 162 8.6 岭回归对数据的预测 165 8.6.1 训练岭回归模型 166 8.6.2 最终的训练结果 168 8.6.3 利用岭回归模型预测新的数据 168 参考文献 171 9 CART树回归 172 9.1 复杂的回归问题 172 9.1.1 线性回归模型 172 9.1.2 局部加权线性回归 173 9.1.3 CART算法 174 9.2 CART回归树生成 175 9.2.1 CART回归树的划分 175 9.2.2 CART回归树的构建 177 9.3 CART回归树剪枝 179 9.3.1 前剪枝 179 9.3.2 后剪枝 180 9.4 CART回归树对数据预测 180 9.4.1 利用训练数据训练CART回归树模型 180 9.4.2 最终的训练结果 182 9.4.3 利用训练好的CART回归树模型对新的数据预测 185 参考文献 187 第三部分 聚类算法 10 K-Means 190 10.1 相似性的度量 190 10.1.1 闵可夫斯基距离 191 10.1.2 曼哈顿距离 191 10.1.3 欧氏距离 191 10.2 K-Means算法原理 192 10.2.1 K-Means算法的基本原理 192 10.2.2 K-Means算法步骤 193 10.2.3 K-Means算法与矩阵分解 193 10.3 K-Means算法实践 195 10.3.1 导入数据 196 10.3.2 初始化聚类中心 197 10.3.3 聚类过程 198 10.3.4 最终的聚类结果 199 10.4 K-Means++算法 200 10.4.1 K-Means算法存在的问题 200 10.4.2 K-Means++算法的基本思路 202 10.4.3 K-Means++算法的过程和最终效果 204 参考文献 205 11 Mean Shift 206 11.1 Mean Shift向量 206 11.2 核函数 207 11.3 Mean Shift算法原理 209 11.3.1 引入核函数的Mean Shift向量 209 11.3.2 Mean Shift算法的基本原理 210 11.4 Mean Shift算法的解释 212 11.4.1 概率密度梯度 212 11.4.2 Mean Shift向量的修正 213 11.4.3 Mean Shift算法流程 213 11.5 Mean Shift算法实践 217 11.5.1 Mean Shift的主过程 218 11.5.2 Mean Shift的最终聚类结果 219 参考文献 221 12 DBSCAN 222 12.1 基于密度的聚类 222 12.1.1 基于距离的聚类算法存在的问题 222 12.1.2 基于密度的聚类算法 225 12.2 DBSCAN算法原理 225 12.2.1 DBSCAN算法的基本概念 225 12.2.2 DBSCAN算法原理 227 12.2.3 DBSCAN算法流程 228 12.3 DBSCAN算法实践 231 12.3.1 DBSCAN算法的主要过程 232 12.3.2 Mean Shift的最终聚类结果 234 参考文献 236 13 Label Propagation 237 13.1 社区划分 237 13.1.1 社区以及社区划分 237 13.1.2 社区划分的算法 238 13.1.3 社区划分的评价标准 239 13.2 Label Propagation算法原理 239 13.2.1 Label Propagation算法的基本原理 239 13.2.2 标签传播 240 13.2.3 迭代的终止条件 242 13.3 Label Propagation算法过程 244 13.4 Label Propagation算法实践 244 13.4.1 导入数据 245 13.4.2 社区的划分 246 13.4.3 最终的结果 247 参考文献 248 第四部分 推荐算法 14 协同过滤算法 250 14.1 推荐系统的概述 250 14.1.1 推荐系统 250 14.1.2 推荐问题的描述 251 14.1.3 推荐的常用方法 251 14.2 基于协同过滤的推荐 252 14.2.1 协同过滤算法概述 252 14.2.2 协同过滤算法的分类 252 14.3 相似度的度量方法 253 14.3.1 欧氏距离 254 14.3.2 皮尔逊相关系数（Pearson Correlation） 254 14.3.3 余弦相似度 254 14.4 基于协同过滤的推荐算法 256 14.4.1 基于用户的协同过滤算法 256 14.4.2 基于项的协同过滤算法 258 14.5 利用协同过滤算法进行推荐 260 14.5.1 导入用户-商品数据 260 14.5.2 利用基于用户的协同过滤算法进行推荐 261 14.5.3 利用基于项的协同过滤算法进行推荐 262 参考文献 264 15 基于矩阵分解的推荐算法 265 15.1 矩阵分解 265 15.2 基于矩阵分解的推荐算法 266 15.2.1 损失函数 266 15.2.2 损失函数的求解 266 15.2.3 加入正则项的损失函数即求解方法 267 15.2.4 预测 269 15.3 利用矩阵分解进行推荐 270 15.3.1 利用梯度下降对用户商品矩阵分解和预测 270 15.3.2 最终的结果 272 15.4 非负矩阵分解 273 15.4.1 非负矩阵分解的形式化定义 274 15.4.2 损失函数 274 15.4.3 优化问题的求解 274 15.5 利用非负矩阵分解进行推荐 277 15.5.1 利用乘法规则进行分解和预测 277 15.5.2 最终的结果 278 参考文献 279 16 基于图的推荐算法 280 16.1 二部图与推荐算法 280 16.1.1 二部图 280 16.1.2 由用户商品矩阵到二部图 281 16.2 PageRank算法 282 16.2.1 PageRank算法的概念 282 16.2.2 PageRank的两个假设 283 16.2.3 PageRank的计算方法 283 16.3 PersonalRank算法 285 16.3.1 PersonalRank算法原理 285 16.3.2 PersonalRank算法的流程 286 16.4 利用PersonalRank算法进行推荐 288 16.4.1 利用PersonalRank算法进行推荐 288 16.4.2 最终的结果 291 参考文献 291 第五部分 深度学习 17 AutoEncoder 294 17.1 多层神经网络 294 17.1.1 三层神经网络模型 294 17.1.2 由三层神经网络到多层神经网络 295 17.2 AutoEncoder模型 296 17.2.1 AutoEncoder模型结构 296 17.2.2 AutoEncoder的损失函数 297 17.3 降噪自编码器Denoising AutoEncoder 298 17.3.1 Denoising AutoEncoder原理 298 17.3.2 Denoising AutoEncoder实现 299 17.4 利用Denoising AutoEncoders构建深度网络 302 17.4.1 无监督的逐层训练 302 17.4.2 有监督的微调 303 17.5 利用TensorFlow实现Stacked Denoising AutoEncoders 306 17.5.1 训练Stacked Denoising AutoEncoders模型 306 17.5.2 训练的过程 307 参考文献 308 18 卷积神经网络 309 18.1 传统神经网络模型存在的问题 309 18.2 卷积神经网络 311 18.2.1 卷积神经网络中的核心概念 311 18.2.2 卷积神经网络模型 312 18.3 卷积神经网络的求解 313 18.3.1 卷积层（Convolution Layer） 313 18.3.2 下采样层（Sub-Sampling Layer） 316 18.3.3 全连接层（Fully-Connected Layer） 316 18.4 利用TensorFlow实现CNN 316 18.4.1 CNN的实现 316 18.4.2 训练CNN模型 320 18.4.3 训练的过程 321 参考文献 321 第六部分 项目实践 19 微博精准推荐 324 19.1 精准推荐 324 19.1.1 精准推荐的项目背景 324 19.1.2 精准推荐的技术架构 325 19.1.3 离线数据挖掘 326 19.2 基于用户行为的挖掘 327 19.2.1 基于互动内容的兴趣挖掘 327 19.2.2 基于与博主互动的兴趣挖掘 328 19.3 基于相似用户的挖掘 329 19.3.1 基于“@”人的相似用户挖掘 329 19.3.2 基于社区的相似用户挖掘 329 19.3.3 基于协同过滤的相似用户挖掘 331 19.4 点击率预估 332 19.4.1 点击率预估的概念 332 19.4.2 点击率预估的方法 332 19.5 各种数据技术的效果 334 参考文献 335 附录A 336 附录B 341

资源名称：Python程序设计（第3版） 内容简介： 本书是面向大学计算机科学专业第一门程的教材。本书以Python语言为工具，采用相当传统的方法，强调解决问题、设计和编程是计算机科学的核心技能。 全书共13章，包含两个附录。第1章到第5章介绍计算机与程序、编写简单程序、数字计算、对象和图形、字符串处理等基础知识。第6章到第8章介绍函数、判断结构、循环结构和布尔值等话题。第9章到第13章着重介绍一些较为高级的程序设计方法，包括模拟与设计、类、数据集合、面向对象设计、算法设计与递归等。附录部分给出了Python快速参考和术语表。每一章的末尾配有丰富的练习，包括复习问题、讨论和编程联系等多种形式，帮助读者巩固该章的知识和技能。 本书特色鲜明、示例生动有趣、内容易读易学，是美国颇受欢迎的教程，适合Python入门程序员阅读，也适合高校计算机专业的教师和学生参考。 资源目录： 内容提要 序 前言 第1章　计算机和程序 第2章　编写简单程序 第3章　数字计算 第4章　对象和图形 第5章　序列：字符串、列表和文件 第6章　定义函数 第7章　判断结构 第8章　循环结构和布尔值 第9章　模拟与设计 第10章　定义类 第11章　数据集合 第12章　面向对象设计 第13章　算法设计与递归 附录A Python快速参考 附录B 术语表 资源截图：

资源名称：Python金融实战 PDF 内容简介： Python凭借其简单、易读、可扩展性以及拥有巨大而活跃的科学计算社区，在需要数据分析和处理大量数据的金融领域得到了广泛而迅速的应用，并且成为越来越多专业人士*的编程语言之一。 本书通过12章内容介绍了Python在金融领域的应用，从Python的安装、基础语法，再到一系列简单的编程示例，本书循序渐进地引导读者学习Python。同时，本书还结合Python的各个模块以及金融领域中的期权价格、金融图形绘制、时间序列、期权定价模型、期权定价等内容，深度揭示了Python在金融行业中的应用技巧。 本书适合金融、会计等相关专业的高校师生阅读，也适合金融领域的研究人员和从业人员参考学习。对于有一定计算机编程基础，但想要从事金融行业的读者，本书也是不错的参考用书。 资源目录：   第1章 Python简介及安装 1 1.1 Python简介 1 1.2 如何安装Python 3 1.3 Python的不同版本 3 1.4 运行Python的3种方式 4 1.4.1 用GUI启动Python 4 1.4.2 从Python命令行启动Python 5 1.4.3 从DOS窗口启动Python 6 1.5 如何退出Python 7 1.6 错误提示 7 1.7 Python语言是区分大小写的 8 1.8 变量的初始化 8 1.9 寻找在线帮助 9 1.10 查找学习手册和教程 10 1.11 如何找出Python的版本 12 1.12 小结 12 练习题 12 第2章 用Python完成普通计算器的功能 14 2.1 变量的赋值及显示 15 2.2 错误提示 15 2.3 不能调用没有赋值的变量 16 2.4 选择有意义的变量名 16 2.5 使用dir()来查找变量和函数 17 2.6 删除或取消变量 17 2.7 基本数学运算：加、减、乘、除 18 2.8 幂函数、取整和余数函数 19 2.9 一个真正的幂函数 20 2.10 选择合适的数值精度 21 2.11 找出某个内置函数的详细信息 22 2.12 列出所有内置函数 22 2.13 导入数学模块 23 2.14 、e、对数和指数函数 24 2.15 import math与from math import*的区别 24 2.16 一些常用的函数 25 2.16.1 print()函数 25 2.16.2 type()函数 26 2.16.3 下划线_ 26 2.16.4 结合两个字符串 26 2.16.5 将小写字符变成大写字符的函数：upper() 27 2.17 元组数据类型 28 2.18 小结 29 练习题 30 第3章 用Python编写一个金融计算器 32 3.1 编写不需要保存的Python函数 33 3.2 函数的输入参数及它们的预设值 33 3.3 缩进格式在Python编程中至关重要 34 3.4 检查自己编写的函数是否存在 35 3.5 在Python编辑器里定义函数 35 3.6 利用import()在Python编辑器里激活自己编写的函数 36 3.7 使用Python编辑器调试程序 37 3.8 调用pv_f()函数的两种方法 37 3.9 生成自制的模块 38 3.10 两种注释方法 39 3.10.1 第1种注释方法 39 3.10.2 第2种注释方法 39 3.11 查找有关pv_f()函数的信息 40 3.12 条件函数：if() 41 3.13 计算年金 41 3.14 利率换算 42 3.15 连续复利利率 44 3.16 数据类型：列表 45 3.17 净现值和净现值法则 45 3.18 投资回收期和投资回收期法则 47 3.19 内部收益率和内部收益率法则 47 3.20 显示在某个目录下的指定文件 49 3.21 用Python编写一个专业金融计算器 49 3.22 将我们的目录加到Python的路径上 50 3.23 小结 52 练习题 52 第4章 编写Python程序计算看涨期权价格 56 4.1 用空壳法编写一个程序 57 4.2 用注释法编写一个程序 59 4.3 使用和调试他人编写的程序 61 4.4 小结 61 练习题 61 第5章 模块简介 64 5.1 什么是模块 64 5.2 导入模块 65 5.2.1 为导入的模块取个简称 66 5.2.2 显示模块里的所有函数 66 5.2.3 比较import math和from math import * 67 5.2.4 删除已经导入的模块 67 5.2.5 导入几个指定的函数 68 5.2.6 找出所有的内置模块 69 5.2.7 找出所有可用的模块 69 5.2.8 找到一个已安装的模块的目录位置 71 5.2.9 有关模块的更多信息 72 5.2.10 查找某个未安装的模块 72 5.3 模块之间的相互依赖性 73 5.4 小结 74 练习题 75 第6章 NumPy和SciPy模块简介 76 6.1 安装NumPy和SciPy模块 77 6.2 从Anaconda启动Python 77 6.2.1 使用NumPy的示例 78 6.2.2 使用SciPy的示例 79 6.3 显示NumPy和SciPy包含的所有函数 82 6.4 关于某个函数的详细信息 83 6.5 理解列表数据类型 83 6.6 使用全一矩阵、全零矩阵和单位矩阵 84 6.7 执行数组操作 84 6.8 数组的加、减、乘、除 85 6.8.1 进行加减运算 85 6.8.2 执行矩阵乘法运算 85 6.8.3 执行逐项相乘的乘法运算 86 6.9 x.sum()函数 87 6.10 遍历数组的循环语句 87 6.11 使用与模块相关的帮助 87 6.12 SciPy的一系列子函数包 88 6.13 累积标准正态分布 89 6.14 与数组相关的逻辑关系 90 6.15 SciPy的统计子模块（stats） 90 6.16 SciPy模块的插值方法 91 6.17 使用SciPy求解线性方程 92 6.18 利用种子（seed）生成可重复的随机数 93 6.19 在导入的模块里查找函数 94 6.20 优化算法简介 95 6.21 线性回归和资本资产定价模型（CAPM） 95 6.22 从文本文件(.txt)输入数据：loadtxt()和getfromtxt()函数 96 6.23 独立安装NumPy模块 97 6.24 数据类型简介 97 6.25 小结 98 练习题 98 第7章 用matplotlib模块绘制与金融相关的图形 101 7.1 通过ActivePython安装matplotlib模块 102 7.2 通过Anaconda安装matplotlib模块 103 7.3 matplotlib模块简介 103 7.4 了解简单利率和复利利率 106 7.5 为图形添加文字 107 7.6 杜邦等式的图示 109 7.7 净现值图示曲线 110 7.7.1 有效地使用颜色 113 7.7.2 使用不同形状 114 7.8 图形演示分散投资的效果 115 7.9 股票的数目和投资组合风险 117 7.10 从雅虎财经网站下载历史价格数据 119 7.10.1 用直方图显示收益率分布 120 7.10.2 比较单只股票的收益和市场收益 122 7.11 了解现金的时间价值 124 7.12 用烛台图展示IBM的每日收盘价 125 7.13 用图形展示价格变化 126 7.14 同时展示收盘价和交易量 129 7.14.1 在图形上添加数学公式 130 7.14.2 在图形上添加简单的图像 131 7.14.3 保存图形文件 132 7.15 比较个股的表现 132 7.16 比较多只股票的收益率与波动率 133 7.17 查找学习手册、示例和有关视频 135 7.18 独立安装matplotlib模块 136 7.19 小结 136 练习题 136 第8章 时间序列的统计分析 139 8.1 安装pandas和statsmodels模块 140 8.1.1 在Anaconda命令提示符下启动Python 140 8.1.2 使用DOS窗口启动Python 141 8.1.3 使用Spyder启动Python 142 8.2 Pandas和statsmodels模块简介 143 8.2.1 如何使用Pandas模块 143 8.2.2 statsmodels模块示例 144 8.3 开源数据 145 8.4 用Python代码输入数据 147 8.4.1 从剪贴板输入数据 147 8.4.2 从雅虎财经网站下载历史价格数据 147 8.4.3 从txt文件输入数据 148 8.4.4 从Excel文件输入数据 149 8.4.5 从csv文件输入数据 150 8.4.6 从网页下载数据 150 8.4.7 从MATLAB数据文件输入数据 152 8.5 几个重要的函数 152 8.5.1 使用pd.Series()生成一维时间序列 152 8.5.2 使用日期变量 153 8.5.3 使用DataFrame数据类型 154 8.6 计算回报率 156 8.6.1 从日回报率计算月回报率 157 8.6.2 从日回报率计算年回报率 159 8.7 按日期合并数据集 160 8.8 构建n只股票的投资组合 161 8.9 T-检验和F-检验 162 8.9.1 检验方差是否相等 163 8.9.2 测试“一月效应” 164 8.10 金融研究和实战的应用举例 165 8.10.1 基于52周最高价和最低价的交易策略 165 8.10.2 用Roll（1984）模型来估算买卖价差 166 8.10.3 用Amihud（2002）模型来估算反流动性指标 167 8.10.4 Pastor和Stambaugh（2003）流动性指标 168 8.10.5 Fama-French三因子模型 171 8.10.6 Fama-MacBeth回归模型 173 8.10.7 滚动式估算市场风险系数 174 8.10.8 在险价值简介 177 8.11 构建有效组合边界 178 8.11.1 估计方差-协方差矩阵 178 8.11.2 优化-最小化 181 8.11.3 构建一个最优投资组合 181 8.11.4 构建n只股票的有效组合边界 183 8.12 插值法简介 186 8.13 输出数据到外部文件 187 8.13.1 输出数据到一个文本文件 187 8.13.2 输出数据到一个二进制文件 188 8.13.3 从二进制文件读取数据 188 8.14 用Python分析高频数据并计算买卖价差 188 8.15 更多关于使用Spyder的信息 194 8.16 一个有用的数据集 195 8.17 小结 196 练习题 197 第9章 Black-Scholes-Merton期权定价模型 201 9.1 看涨期权和看跌期权的收益和利润 损失函数 202 9.2 欧式期权与美式期权 205 9.3 现金流、不同类型的期权、权利和责任 206 9.4 正态分布、标准正态分布和累积标准正态分布 206 9.5 不分红股票的期权定价模型 209 9.6 用于期权定价的p4f模块 210 9.7 已知分红股票的欧式期权价格 212 9.8 多种交易策略 213 9.8.1 股票多头和看涨期权空头的组合 214 9.8.2 跨式期权组合—具有同样执行价格的看涨期权和看跌期权的组合 215 9.8.3 日历套利组合 216 9.8.4 蝶式看涨期权组合 218 9.9 期权价格和输入参数之间的关系 219 9.10 与期权相关的希腊字母 219 9.11 期权平价关系及其图形表示 221 9.12 二叉树法及其图形表示 223 9.12.1 为欧式期权定价的二叉树法 229 9.12.2 为美式期权定价的二叉树法 229 9.13 套期保值策略 230 9.14 小结 231 练习题 232 第10章 Python的循环语句和隐含波动率的计算 235 10.1 隐含波动率的定义 236 10.2 for循环简介 237 10.2.1 使用for循环计算隐含波动率 237 10.2.2 欧式期权的隐含波动率 238 10.2.3 看跌期权的隐含波动率 239 10.2.4 enumerate()函数简介 240 10.3 用for循环计算内部收益率及多个内部收益率 241 10.4 while循环简介 243 10.4.1 使用键盘命令停止无限循环 244 10.4.2 使用while循环计算隐含波动率 244 10.4.3 多重嵌套的for循环 246 10.5 美式看涨期权的隐含波动率 246 10.6 测试一个程序的运行时间 247 10.7 二分搜索的原理 248 10.8 顺序访问与随机访问 249 10.9 通过循环访问数组的元素 250 10.9.1 利用for循环赋值 251 10.9.2 通过循环访问词典的元素 251 10.10 从CBOE网站下载期权数据 252 10.11 从雅虎财经网页下载期权数据 254 10.11.1 从雅虎财经网页检索不同的到期日期 254 10.11.2 从雅虎财经网页下载当前价格 255 10.12 看跌期权和看涨期权的比率及其短期趋势 255 10.13 小结 258 练习题 258 第11章 蒙特卡罗模拟和期权定价 261 11.1 产生服从标准正态分布的随机数 262 11.1.1 产生服从（高斯）正态分布的随机样本 263 11.1.2 利用种子（seed）生成相同的随机数 263 11.1.3 产生n个服从正态分布的随机数 263 11.1.4 正态分布样本的直方图 264 11.1.5 对数正态分布的图形表示 265 11.1.6 产生服从泊松分布的随机数 266 11.1.7 产生服从均匀分布的随机数 266 11.2 利用蒙特卡罗模拟计算的近似值 267 11.3 从 只股票中随机选择m只 268 11.4 可重复和不可重复的随机取样 270 11.5 年收益率的分布 271 11.6 模拟股价变化 273 11.7 图形展示期权到期日的股票价格的分布 275 11.8 寻找有效的投资组合和有效边界 276 11.8.1 寻找基于两只股票的有效组合及相关系数的影响 276 11.8.2 构建n只股票的有效边界 281 11.9 算术平均值与几何平均值 283 11.10 预测长期回报率 284 11.11 用模拟法为看涨期权定价 285 11.12 奇异期权简介 286 11.12.1 利用蒙特卡罗模拟给均价期权定价 286 11.12.2 利用蒙特卡罗模拟给障碍式期权定价 288 11.13 障碍式期权的平价关系及其图形演示 289 11.14 具有浮动执行价格的回望式期权的定价 293 11.15 使用Sobol序列来提高效率 294 11.16 小结 294 练习题 295 第12章 波动率和GARCH模型 296 12.1 传统的风险测度-标准方差 297 12.2 检验正态分布 297 12.3 下偏标准方差 300 12.4 检验两个时间段的波动率是否相等 302 12.5 利用Breusch和Pagan（1979）方法检验异方差 303 12.6 从雅虎财经网页检索期权数据 306 12.7 波动率的微笑曲线和斜度 307 12.8 波动率集聚效应的图形表示 309 12.9 ARCH模型及ARCH（1）随机过程的模拟 310 12.10 GARCH（广义ARCH）模型 312 12.10.1 模拟GARCH随机过程 312 12.10.2 采用改良的garchSim()函数模拟GARCH(p,q)模型 313 12.10.3 由Glosten、Jagannanthan和 Runkle（1993）提出的GJR_ GARCH模型简介 315 12.11 小结 319 练习题 319 (责任编辑：小锋) 资源截图：

资源名称：Python数据科学导论 PDF 下载 内容简介： 本书涵盖的主题非常广泛，介绍了数据科学方方面面的知识，每一章都侧重于介绍数据科学的某一方面，为读者以后的深入学习打下基础。具体内容包括：第1、2章系统介绍大数据科学的背景知识及框架结构；第3~5章介绍机器学习相关知识；第6~9章介绍几个比较有趣的数据科学主题。本书是学习数据科学知识的入门教材，在深入学习本书的实例前，需要掌握SQL、Python及HTML5的入门知识，了解统计学和机器学习相关知识。 资源目录： 译者序  前言  关于本书  关于作者  关于封面插图  第1章　大数据世界中的数据科学1  1.1　数据科学和大数据的好处和用途2  1.2　数据种类3  1.2.1　结构化数据3  1.2.2　非结构化数据3  1.2.3　自然语言数据4  1.2.4　计算机数据4  1.2.5　图类数据5  1.2.6　音频、视频和图像数据5  1.2.7　流数据6  1.3　数据科学过程6  1.3.1　设置研究目标6  1.3.2　检索数据6  1.3.3　数据准备7  1.3.4　数据探索7  1.3.5　数据建模7  1.3.6　展示与自动化7  1.4　大数据生态系统与数据科学7  1.4.1　分布式文件系统7  1.4.2　分布式编程框架9  1.4.3　数据集成框架9  1.4.4　机器学习框架9  1.4.5　NoSQL数据库10  1.4.6　调度工具10  1.4.7　基准测试工具10  1.4.8　系统部署11  1.4.9　服务开发11  1.4.10　安全11  1.5　Hadoop工作示例介绍11  1.6　本章小结16 第2章　数据科学过程17  2.1　数据科学过程概述17  2.2　步骤1：定义研究目标并创立项目章程19  2.2.1　了解研究的目标和背景20  2.2.2　创立项目章程20  2.3　步骤2：检索数据20  2.3.1　从存储在公司内部的数据开始21  2.3.2　不要害怕去购买数据21  2.3.3　检查数据质量以预防问题发生22  2.4　步骤3：数据的清洗、整合以及转换22  2.4.1　数据清洗22  2.4.2　尽可能早地修正错误27  2.4.3　从不同的数据源整合数据28  2.4.4　数据转换30  2.5　步骤4：探索性数据分析32  2.6　步骤5：构建模型35  2.6.1　模型与变量的选择35  2.6.2　模型执行36  2.6.3　模型诊断与模型比较39  2.7　步骤6：展示结果并在其上搭建应用程序40  2.8　本章小结40 第3章　机器学习42  3.1　什么是机器学习，为什么需要关注它42  3.1.1　机器学习在数据科学中的应用43  3.1.2　机器学习在数据科学过程中的使用43  3.1.3　Python工具在机器学习中的应用44  3.2　建模过程45  3.2.1　特征工程以及模型选取46  3.2.2　模型的训练47  3.2.3　模型的验证47  3.2.4　预测新的观测值48  3.3　机器学习的类型48  3.3.1　有监督学习48  3.3.2　无监督学习53  3.4　半监督学习60  3.5　本章小结61 第4章　单机上处理大数据63  4.1　大数据处理过程中遇到的难题63  4.2　处理巨量数据的通用技术64  4.2.1　选择合适的算法65  4.2.2　选择合适的数据结构71  4.2.3　选择合适的工具73  4.3　处理大数据集的通用编程技巧75  4.3.1　不必重复发明轮子75  4.3.2　充分利用硬件76  4.3.3　减少计算需求76  4.4　案例研究1：预测恶意URL77  4.4.1　步骤1：确立研究目标77  4.4.2　步骤2：获取URL数据77  4.4.3　步骤4：数据探索78  4.4.4　步骤5：建模79  4.5　案例研究2：在数据库中建立一个推荐系统80  4.5.1　所需的工具及技术80  4.5.2　步骤1：研究问题82  4.5.3　步骤3：数据准备82  4.5.4　步骤5：建模86  4.5.5　步骤6：展示与自动化86  4.6　本章小结88 第5章　大数据世界的第一步89  5.1　数据分布存储和框架处理89  5.1.1　Hadoop：存储和处理大数据集的框架90  5.1.2　Spark：取代MapReduce以获得更好的性能92  5.2　案例研究：借贷的风险评估93  5.2.1　步骤1：研究目标94  5.2.2　步骤2：数据检索95  5.2.3　步骤3：数据准备98  5.2.4　步骤4（数据探索）和步骤6（报告形成）101  5.3　本章小结111 第6章　了解NoSQL112  6.1　NoSQL简介114  6.1.1　ACID：关系型数据库核心原则114  6.1.2　CAP理论：多节点数据库的问题115  6.1.3　NoSQL数据库的BASE原则116  6.1.4　NoSQL数据库的种类117  6.2　案例研究：这是什么疾病123  6.2.1　步骤1：设置研究目标124  6.2.2　步骤2和步骤3：数据检索与数据准备124  6.2.3　步骤4：数据探索131  6.2.4　再回到步骤3：为描述疾病概况做数据准备137  6.2.5　再回到步骤4：为描述疾病概况做数据探索140  6.2.6　步骤6：展示与自动化140  6.3　本章小结141 第7章　图数据库的兴起143  7.1　互联数据及图数据库概述143  7.2　图数据库Neo4j概述146  7.3　数据互联案例：食谱推荐引擎152  7.3.1　步骤1：设置研究目标153  7.3.2　步骤2：数据检索154  7.3.3　步骤3：数据准备155  7.3.4　步骤4：数据探索157  7.3.5　步骤5：数据建模159  7.3.6　步骤6：数据展示162  7.4　本章小结162 第8章　文本挖掘和文本分析164  8.1　现实世界中的文本挖掘165  8.2　文本挖掘技术169  8.2.1　词袋169  8.2.2　词干提取和词形还原170  8.2.3　决策树分类器171  8.3　案例研究：Reddit帖子分类173  8.3.1　自然语言工具包173  8.3.2　数据科学过程综述及第1步：研究目标175  8.3.3　第2步：数据检索175  8.3.4　第3步：数据准备178  8.3.5　步骤4：数据探索180  8.3.6　再回到步骤3：数据准备的调整182  8.3.7　步骤5：数据分析185  8.3.8　步骤6：展示与自动化188  8.4　本章小结189 第9章　面向终端用户的数据可视化191  9.1　数据可视化选项192  9.2　Crossfilter—Javaｓｃｒｉｐｔ MapReduce库194  9.2.1　安装195  9.2.2　利用Crossfilter筛选药品数据集198  9.3　用dc.js创建一个交互式控制面板201  9.4　控制面板开发工具205  ...... 资源截图：

【提取码获取方法】  关注公众号，回复“7834” 即可获取网盘提取码 资源名称：Python核心编程(第二版)   资源截图：

资源名称：Python进阶 资源截图：

资源名称：Python入门 教程内容： 1.程序设计的基础知识 2.数据类型、运算符与表达式、变量赋值与简单IO操作 3.程序控制结构 4.函数与递归函数 5.字符串 6.列表与元组 7.字典与集合

资源名称：Python核心编程(第3版) 资源截图：

资源名称：智普python就业班实地培训视频教程   教程内容：智普Python就业班实地培训视频教程 ,原版课程是按日期排版的，看到上面只有视频以及教程都是按顺序排列的，我就不按日期排了。 智普python视频教程  01 Python简介智普python视频教程  02 分支语句if基础智普python视频教程  03 分支语句与或非智普python视频教程  04 分支语句嵌套智普python视频教程  05 分支语句习题1智普python视频教程  06 分支语句习题2智普python视频教程  07 多分支语句智普python视频教程  08 循环体while基本框架智普python视频教程  09 循环体while基础习题1智普python视频教程  10 循环体while基础习题2智普python视频教程  11 循环体while基础习题3智普python视频教程  12 多重循环体智普python视频教程  13 多重循环体习题1智普python视频教程  14 多重循环体习题2智普python视频教程  15 多重循环体习题3智普python视频教程  16 字符串基础智普python视频教程  17 字符串基本运算智普python视频教程  18 字符串基本访问智普python视频教程  19 字符串基本操作习题智普python视频教程  20 字符串操作习题答案智普python视频教程  21 字符串chr函数智普python视频教程  22 字符串ord函数智普python视频教程  23 字符串和两重循环体智普python视频教程  24 字符串与两重循环习题答案智普python视频教程  25 字符串查找两个子串智普python视频教程  26 字符串查找两个子串答案智普python视频教程  27 字符串查找两个子串图解智普python视频教程  28 字符串切片智普python视频教程  29 字符串切片习题智普python视频教程  30 字符串切片习题答案智普python视频教程  31 字符串切片习题删除子串智普python视频教程  32 字符串函数基础智普python视频教程  33 字符串函数基础习题智普python视频教程  34 字符串函数find8智普python视频教程  35 字符串函数基础习题分析智普python视频教程  36 字符串函数find习题智普python视频教程 37 简单图片爬虫1智普python视频教程 38 简单图片爬虫2智普python视频教程 39 字符串函数indexFindReplaceStrip智普python视频教程 40 自己设计mystrip函数智普python视频教程 41 列表List基本概念智普python视频教程 42 用for遍历列表智普python视频教程 43 求列表里最大值智普python视频教程 44 求列表里最大值方法二智普python视频教程 45 求列表里第二大值智普python视频教程 46 ListFindTwoMaxUsingFor智普python视频教程 47 列表加法运算智普python视频教程 48 list与Type函数智普python视频教程 49 打印多层列表智普python视频教程 50 列表访问步长智普python视频教程 51 列表和Split函数智普python视频教程 52 列表习题_split以及文件读写智普python视频教程 53 列表习题答案_split以及文件读写智普python视频教程 54 列表与元组智普python视频教程 55 列表的Insert函数及习题智普python视频教程 56 列表插入函数习题智普python视频教程 57 列表Apend和Extend函数智普python视频教程 58 列表Apend和Extend函数习题及答案智普python视频教程 59 列表pop函数智普python视频教程 60 列表pop函数习题及答案智普python视频教程 61 列表remove函数智普python视频教程 62 列表remove函数习题及答案智普python视频教程 63 列表通过pop去重智普python视频教程 64 列表通过append去重智普python视频教程 65 列表去重append去重方法智普python视频教程 66 列表通过集合去重智普python视频教程 67 如何定义一个函数智普python视频教程 68 函数的形参和实参智普python视频教程 69 自定义函数习题：统计字符个数智普python视频教程 70 自定义函数习题：统计子串个数智普python视频教程 71 自定义函数习题：查找子串智普python视频教程 72 自定义函数习题：找列表最大值智普python视频教程 73 全局变量智普python视频教程 73 自定义函数习题：找列表第二大值智普python视频教程 74 自定义函数习题：列表去重智普python视频教程 75 自定义函数习题：删除列表某值智普python视频教程 76 自定义函数习题：删除列表某值智普python视频教程 77 函数返回值智普python视频教程 78 函数多值返回智普python视频教程 79 函数预定义值智普python视频教程 80 自定义函数习题：find函数智普python视频教程 82 切片匹配智普python视频教程 83 形参赋值问题智普python视频教程 84 函数作为形参智普python视频教程 85 函数作为形参习题及答案智普python视频教程 86 函数作为形参习题智普python视频教程 87 map函数解析智普python视频教程 88 通过map找三数里的最小值智普python视频教程 89 map和index使用智普python视频教程 90 map和ord使用示例智普python视频教程 91 map和zip函数智普python视频教程 92 字典基本概念智普python视频教程 93 字典习题及答案智普python视频教程 94 字典遍历智普python视频教程 95 通过zip产生字典智普python视频教程 96 字典的值和键智普python视频教程 97 通过字典值查找其键智普python视频教程 98 字典函数get和setDefault智普python视频教程 99 通过字典实现百万条数据快速检索普python视频教程 100 字典习题：公交查询一条线路智普python视频教程 101 公交查询：构造线路智普python视频教程 102 公交查询：直达线路智普python视频教程 103 公交查询：起点和终点线路智普python视频教程 104 公交查询：两次换乘线路智普python视频教程 105 公交查询：三次换乘线路智普python视频教程 106 复习习题01智普python视频教程 107 复习习题02智普python视频教程 108 复习习题03智普python视频教程 109 复习习题04智普python视频教程 110 函数无名变参智普python视频教程 111 函数无名变参练习智普python视频教程 112 函数无名变参习题答案智普python视频教程 113 函数有名形参智普python视频教程 114 函数有名形参及字典set函数智普python视频教程 115 匿名函数lambda智普python视频教程 116 模块基本概念智普python视频教程 117 模块字节码文件智普python视频教程 118 模块环境配置智普python视频教程 119 模块调用及自测智普python视频教程 120 集合set基本概念智普python视频教程 121 集合set基础练习智普python视频教程 122 集合set习题01智普python视频教程 123 集合set习题02智普python视频教程 124 集合set习题03智普python视频教程 125 集合set习题04智普python视频教程 126 集合set习题05智普python视频教程 127 集合set习题06智普python视频教程 128 集合set习题07智普python视频教程 129 集合set习题08智普python视频教程 130 集合set其他相关函数智普python视频教程 131 文件读操作智普python视频教程 132 文件读子目录操作智普python视频教程 133 文件读父目录操作智普python视频教程 134 文件读绝对路径智普python视频教程 135 文件read函数智普python视频教程 136 文件readline函数智普python视频教程 137 文件readlines函数智普python视频教程 138 文件对象及遍历操作智普python视频教程 139 文件写操作智普python视频教程 140 文件writeline函数智普python视频教程 141 文件习题1_3智普python视频教程 142 文件习题4方法一智普python视频教程 143 文件习题4方法二智普python视频教程 144 文件习题4方法三智普python视频教程 145 文件习题5方法一智普python视频教程 146 文件习题5方法二智普python视频教程 147 文件习题6编程思路智普python视频教程 148 文件习题6提取数据智普python视频教程 149 文件习题6提取内容智普python视频教程 150 文件习题6写入智普python视频教程 151 文件习题6数据处理智普python视频教程 152 文件习题6输出智普python视频教程 156 文件习题7大数据文件处理智普python视频教程 157 文件习题8智普python视频教程 158 文件习题9智普python视频教程 159 MySQL基础智普python视频教程 160 MySQL登陆及建库智普python视频教程 161 建表和简单查询智普python视频教程 162 什么是数据库01智普python视频教程 163 什么是数据库02智普python视频教程 164 约束not null智普python视频教程 165 约束primaryKey智普python视频教程 166 约束auto_Increment智普python视频教程 167 约束default智普python视频教程 168 插入记录_无约束智普python视频教程 169 插入记录_约束notNull智普python视频教程 170 插入记录_约束primaryKey智普python视频教程 171 插入记录_约束autoIncrement智普python视频教程 172 插入记录_约束default智普python视频教程 173 复习智普python视频教程 174 delete和where智普python视频教程 174 查询select和as智普python视频教程 174 查询select和where智普python视频教程 175 update和where智普python视频教程 176 select和not in智普python视频教程 177 select嵌套智普python视频教程 178 select嵌套练习智普python视频教程 179 select和all智普python视频教程 180 select和exist智普python视频教程 181 select和union智普python视频教程 182 select和join智普python视频教程 182 select和join_20150120130604智普python视频教程 183 内连接智普python视频教程 184 内连接习题智普python视频教程 185 左连接智普python视频教程 186 右连接智普python视频教程 187 右链接习题智普python视频教程 188 连接习题智普python视频教程 189 python数据库编程基础01智普python视频教程 190 python数据库编程插入02智普python视频教程 191 python数据库编程查询03智普python视频教程 192 python读大数据文件到数据库编程01智普python视频教程 193 python读大数据文件到数据库编程02智普python视频教程 194 python读大数据文件到数据库编程03智普python视频教程 195 python读大数据文件到数据库编程04

资源名称：Python大战机器学习 资源截图：