金融中的人工智能

第10章　现实工作中的注意事项

本章作为本书的结尾部分，给我们这段短短的金融业人工智能实践之旅划上了句号。在本章中，我们还将介绍一些有用的提示，以了解将这些人工智能技术纳入日常现实工作所需注意的事项。这一部分对应于CRISP-DM建模方法论的理解业务步骤，即我们在第1章中介绍的实施任何数据挖掘项目的实现方法。

在本章中，我们将首先总结在第2章～第9章中所学的技巧和知识，然后将介绍一些前瞻性的主题，这些主题将是我们金融业人工智能实践之旅的延伸。

以下是本章将要涉及的主题。

● 本书所涵盖技术的摘要。

● 对金融专业人士、监管机构和政府的影响。

● 如何提取特征并获取业务领域知识。

● 与人工智能部署相关的IT生产环境考虑因素。

● 去哪里寻找更多的用例。

● 哪些领域需要更多的实际研究？

10.1　本书所涵盖技术的摘要

本书随着金融业各个业务板块的细分，介绍了相当多的数据和人工智能技术。我们用较少的复杂公式或专业术语浏览了一遍人工智能模型。

我们学习了统计模型、优化模型和机器学习模型。在机器学习模型中，我们讨论了无监督学习、有监督学习和强化学习。在有监督学习模型运行的数据类型方面，我们讨论了结构化数据、图像和自然语言。关于数据处理，我们还介绍了一些很有帮助的抽样和测试方法。现在，我们将回顾本书迄今为止所涵盖的人工智能建模技术。

● 先从有监督学习开始，这是一种需要在学习之前对输入数据进行标注的技术。建模就是从标注中学习。

● 无监督学习并不需要给输入数据加上标注，它不需要预先经过标注或训练的数据。学习是通过基于模式和重复识别对象实现的。

● 强化学习是基于评估所达到的下一个即时目标与最终目标的距离的。这种技术需要用户立即反馈或输入才能达到最终目标。　　

● 人工神经网络是模拟人脑神经网络的概念。人脑中的神经元在人工神经网络中体现为节点。 ...