25-Day14.md

Day14 学习小结

机器学习在金融中的应用

本次课请来的是惠安金科的校友为我们进行了介绍机器学习在金融中的应用。

首先对一些常用聚类算法进行了详细介绍，然后就介绍了一些常用的图挖掘算法。随后介绍了人工智能在金融领域的典型应用，如智能交易、智能风控、智能营销等等，介绍了人工智能在其中起到的重要作用和产生的效果。最后是人工智能在金融风控和合规的应用，利用AI建立模型，对盗刷卡一类的异常行为进行分析等。

总结在金融应用如下：

• 了解并控制风险。

• 产品推荐。

• 投资。

• 找到可能有违法的行为的用户。

  • 洗钱、欺诈等。

• 聚类算法：

  相似性度量 - 返回O1和O2的非相似性，即越低的数字代表越相似

  相似性度量性质要求

  1. D(A,B) = D(B,A) 对称性
  2. D(A,A) = 0 自我相似性
  3. D(A,B) = 0 iff A==B 非负性
  4. D(A,B) <= D(A,C) + D(C,B)

• 监督学习和非监督学习

  之前深度学习的训练集都是有一个“标准答案”的标签，使用这样的数据集为训练集的机器学习成为监督学习。没有标签信息来告诉算法哪个对象属于哪个分组，今天我们将介绍聚类算法。

  介绍了 Unsupervised learning 很多算法，在很多情况下不知道数据是属于什么类。

  看了Andrew Ng 的机器学习视频对这方面了解更深刻了

• 图创建和挖掘

  1.Louvain算法

  2.图的分割：通用聚类算法

  3.图的分割：Girvan-Newman法（切割得到有层次的分叠，得到哪些点是紧密关联的）；图的 Girvan–Newman algorithm 可以帮助找到图中的 community。

• 典型应用：识别单用户行为和团伙关联异常

• 问题：

  （1）缺少标签

  （2）数据孤岛