本书是一本利用Python技术，结合人工智能、神经网络和机器学习、遗传算法等互联网技术进行相应行业模型开发的技术图书。 本书第1～4 章主要讲解了利用Python软件分析模型开发的入门知识，包括开发工具的使用、测试技术难点等内容；第5～7 章主要讲解了利用人工智能中的神经网络技术进行技术研发，利用数据挖掘技术完善行业技术模型的数据加载与分析等内容；第8～9 章主要讲解了利用大数据进行技术配置和风险控制等内容；第10～11 章主要讲解了利用机器学习与遗传算法进行相应模型开发等内容。 全书内容专业，案例丰富翔实，是作者多年来利用开发软件和人工智能结合进行相关领域软件开发与探索的最佳结晶。本书不仅适合想利用 Python进行软件开发的用户，也适合有一定经验但想深入掌握人工智能、机器学习技术进行行业应用的用户使用，还可以作为机构培训的优秀教材。

本书是一本利用Python技术，结合人工智能、神经网络和机器学习、遗传算法等互联网技术进行相应行业模型开发的技术图书。 本书第1～4 章主要讲解了利用Python软件分析模型开发的入门知识，包括开发工具的使用、测试技术难点等内容；第5～7 章主要讲解了利用人工智能中的神经网络技术进行技术研发，利用数据挖掘技术完善行业技术模型的数据加载与分析等内容；第8～9 章主要讲解了利用大数据进行技术配置和风险控制等内容；第10～11 章主要讲解了利用机器学习与遗传算法进行相应模型开发等内容。 全书内容专业，案例丰富翔实，是作者多年来利用开发软件和人工智能结合进行相关领域软件开发与探索的最佳结晶。本书不仅适合想利用 Python进行软件开发的用户，也适合有一定经验但想深入掌握人工智能、机器学习技术进行行业应用的用户使用，还可以作为机构培训的优秀教材。

全书内容分为三篇。第一篇（基础篇）主要介绍数据挖掘与量化投资的关系，以及数据挖掘的概念、实现过程、主要内容、主要工具等内容。第二篇（技术篇）系统介绍了数据挖掘的相关技术及这些技术在量化投资中的应用，主要包括数据的准备、数据的探索、关联规则方法、数据回规方法、分类方法、聚类方法、预测方法、诊断方法、时间序列方法、智能优化方法等内容。第三篇（实践篇）主要介绍数据挖掘技术在量化投资中的综合应用实例，包括统计套利策略的挖掘与优化、配对交易策略的挖掘与实现、数据挖掘在股票程序化交易中的综合应用，以及基于数据挖掘技术的量化交易系统的构建。 《量化投资：数据挖掘技术与实践（MATLAB版）》的读者对象为从事投资、数据挖掘、数据分析、数据管理工作的专业人士；金融、经济、管理、统计等专业的教师和学生；希望学习MATLAB的广大科研人员、学者和工程技术人员。

全书内容分为三篇。第一篇（基础篇）主要介绍数据挖掘与量化投资的关系，以及数据挖掘的概念、实现过程、主要内容、主要工具等内容。第二篇（技术篇）系统介绍了数据挖掘的相关技术及这些技术在量化投资中的应用，主要包括数据的准备、数据的探索、关联规则方法、数据回规方法、分类方法、聚类方法、预测方法、诊断方法、时间序列方法、智能优化方法等内容。第三篇（实践篇）主要介绍数据挖掘技术在量化投资中的综合应用实例，包括统计套利策略的挖掘与优化、配对交易策略的挖掘与实现、数据挖掘在股票程序化交易中的综合应用，以及基于数据挖掘技术的量化交易系统的构建。 《量化投资：数据挖掘技术与实践（MATLAB版）》的读者对象为从事投资、数据挖掘、数据分析、数据管理工作的专业人士；金融、经济、管理、统计等专业的教师和学生；希望学习MATLAB的广大科研人员、学者和工程技术人员。

本书系统地介绍了数据挖掘理论、方法与应用，包括数据特征分析与预处理，经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等），大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）等理论与方法。在此基础上，每章均有基于Python语言的实例应用。本书可以作为高等院校数据科学与大数据技术专业相关课程的教材，以及计算机、软件工程等专业的教材或参考书。高职高专学校相关专业也可选用部分内容开展教学。

《数据挖掘(第2版)》较全面系统地介绍了数据挖掘中常用和常见的数据挖掘方法，以及文本与视频数据挖掘方法。《数据挖掘(第2版)》的主要内容包括：数据挖掘基本知识、数据挖掘预处理方法、决策树分类及其他分类方法、关联知识挖掘方法、各种聚类分析方法，以及文本挖掘所涉及表示、分类和聚类等方法，还包括视频挖掘所涉及的视频镜头检测、字幕提取、视频摘要和视频检索等主要分析方法。数据挖掘技术，又称为数据库知识发现，是20世纪90年代在信息技术领域开始迅速发展起来的计算机技术。作者结合自己近20年从事人工智能、机器学习、数据挖掘等方面的科研工作积累与教学经验，编著此书。

本书系统地介绍了数据挖掘理论、方法与应用，包括数据特征分析与预处理，经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等），大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）等理论与方法。在此基础上，每章均有基于Python语言的实例应用。本书可以作为高等院校数据科学与大数据技术专业相关课程的教材，以及计算机、软件工程等专业的教材或参考书。高职高专学校相关专业也可选用部分内容开展教学。

“如果你想学习如何用一款统计专家和数据挖掘专家所开发的免费软件包，那就选这本书吧。本书包括大量实际案例，它们充分体现了R软件的广度和深度。” —— Bernhard Pfahringer, 新西兰怀卡托大学 本书利用大量给出必要步骤、代码和数据的具体案例，详细描述了数据挖掘的主要过程和技术，广泛涵盖数据大小、数据类型、分析目标、分析工具等方面的各种具有挑战性的问题。 本书的支持网站（http://www.liaad.up.pt/~ltorgo/DataMiningWithR/）给出了案例研究的所有代码、数据集以及R函数包。 本书特色 通过仔细选择的案例涵盖了主要的数据挖掘技术。 给出的代码和方法可以方便地复制或者改编后应用于自己的问题。 不要求读者具有R、数据挖掘或统计技术的基础知识。 包含R和MySQL基础知识的简介。 提供了对数据挖掘技术的特性、...(展开全部)

“如果你想学习如何用一款统计专家和数据挖掘专家所开发的免费软件包，那就选这本书吧。本书包括大量实际案例，它们充分体现了R软件的广度和深度。” —— Bernhard Pfahringer, 新西兰怀卡托大学 本书利用大量给出必要步骤、代码和数据的具体案例，详细描述了数据挖掘的主要过程和技术，广泛涵盖数据大小、数据类型、分析目标、分析工具等方面的各种具有挑战性的问题。 本书的支持网站（http://www.liaad.up.pt/~ltorgo/DataMiningWithR/）给出了案例研究的所有代码、数据集以及R函数包。 本书特色 通过仔细选择的案例涵盖了主要的数据挖掘技术。 给出的代码和方法可以方便地复制或者改编后应用于自己的问题。 不要求读者具有R、数据挖掘或统计技术的基础知识。 包含R和MySQL基础知识的简介。 提供了对数据挖掘技术的特性、...(展开全部)

Python是一种带有动态语义的、解释性的、面向对象的高级编程语言。其高级内置数据结构，结合动态类型和动态绑定，使其对于敏捷软件开发非常具有吸引力。同时，Python作为脚本型（胶水）语言连接现有的组件也十分高效。Python语法简洁，可读性强，从而能降低程序的维护成本。不仅如此，Python支持模块和包，鼓励程序模块化和代码重用。