具体描述
《普通高等教育"十一五"国家级规划教材,复旦博学•护理系列•社区护理(第2版)》分为7篇29章。第1篇从社区护理概论开始。因为社区护理是护理学与公共卫生学的结合，所以第2篇为社区护理中的公共卫生原则。第3篇社区护理的工具主要是健康教育和社区沟通技巧，也包括作为中国特色的中医社区护理技术。社区护理的服务对象从个人扩展到家庭和社区，故第4、5篇是以社区和家庭为服务对象的护理。最后2篇的内容占全书的54％，主要论述重点人群（儿童和青少年、妇女、老年人、残疾人、慢性非传染性疾病病人等）的社区护理，以及临终关怀，社区康复单独成章列入最后一篇。
《深度学习在金融风控中的前沿应用》 图书简介 在数据爆炸的时代，金融行业正经历着一场由人工智能驱动的深刻变革。风险控制作为金融机构的生命线，其复杂性和实时性要求传统的统计模型和风控手段不断升级。本书聚焦于当前科技前沿——深度学习技术在金融风险管理领域的最新、最深层次的应用与实践。我们旨在为金融工程师、数据科学家、风险管理专业人士以及对量化金融抱有浓厚兴趣的读者，提供一个系统、深入且高度实战化的技术蓝图。 本书并非对基础统计或传统信用评分模型的简单回顾，而是直接切入当前行业痛点，探讨如何利用复杂神经网络结构处理高维、非线性、时序相关的金融海量数据，以实现更精准、更具前瞻性的风险预测与管理。 --- 第一部分：深度学习基础与金融数据的特性重塑 本部分为理解后续高级应用奠定理论基础，重点在于如何将金融特有的数据结构适配深度学习模型的输入要求。 第一章：金融数据的多模态挑战与预处理 金融数据并非单一的数值序列。它涵盖了结构化的交易记录、非结构化的新闻舆情、半结构化的监管报告，以及时间序列的宏观经济指标。本章首先系统梳理这些多模态数据的特点——高频噪声、稀疏性、爆发性缺失以及时间依赖性。 我们将深入探讨针对这些特性的数据重塑技术： 时间序列的特征工程深化： 不仅仅是简单的滞后项，而是引入波动率聚集模型（如GARCH族的深度学习替代模型）对时间依赖性的建模。 文本数据的深度嵌入（Text Embedding for Finance）： 介绍定制化的BERT（如FinBERT）在理解金融研报、合同条款、监管公告中的特定术语和情感倾向上的优化策略。探讨如何将这些嵌入向量与其他数值特征进行有效的融合。 图数据构建与处理： 针对反欺诈和关联交易网络，详细介绍如何构建金融实体图（客户、账户、设备、交易对手），并介绍图神经网络（GNN）在揭示隐藏关联风险方面的应用，如异构图注意力网络（HAN）在识别欺诈团伙中的作用。 第二章：核心深度学习架构在风险识别中的适配性分析 本章将对几种主流的深度学习架构进行深入剖析，并明确其最适合解决的金融风控问题。 循环神经网络（RNN）家族的进阶应用： 重点讲解长短期记忆网络（LSTM）和门控循环单元（GRU）在处理高频交易数据的序列预测中的局限性与改进方向，例如引入自注意力机制（Self-Attention）来增强长距离依赖的捕获能力。 卷积神经网络（CNN）在特征提取中的非传统角色： 探讨如何将一维CNN应用于特征窗口的自动提取（替代传统滑动窗口），以及二维CNN在处理多指标组合构成的“特征图”时的应用潜力。 Transformer 架构的革命性引入： 阐述Transformer模型（特别是其核心的多头注意力机制）如何彻底解决序列建模中的梯度消失和并行计算瓶颈，并将其应用于信用评分、违约预测的时序建模。 --- 第二部分：前沿模型在核心风控场景的精细化落地 本部分是本书的核心，专注于将理论模型转化为高精度的业务解决方案。 第三章：信用风险的动态量化与早预警系统 传统的信用评分模型（如逻辑回归、决策树）往往是静态的。本章探讨如何利用深度学习实现对借款人风险的动态、实时的评估。 深度生存分析模型（Deep Survival Analysis）： 介绍如何结合Cox比例风险模型与神经网络结构，预测违约事件发生的具体时间点，而不仅仅是二元分类，这对于提前介入和风险干预至关重要。 对抗性训练与模型鲁棒性： 探讨利用生成对抗网络（GANs）生成“边缘案例”或“合成欺诈样本”，用于增强现有分类模型的抗干扰能力，提高模型在黑天鹅事件中的区分度。 可解释性AI（XAI）在信用决策中的应用： 深度学习模型常被诟病为“黑箱”。本章将重点介绍LIME、SHAP值在金融场景下的具体实施，确保模型决策过程的透明度和监管合规性，实现风险决策的“可解释的准确性”。 第四章：反欺诈（AML/KYC）的深度图挖掘与行为模式识别 反欺诈是深度学习展现出巨大潜力的领域，特别是针对复杂、协同性的金融犯罪网络。 异构信息网络分析： 详细阐述如何利用多层异构图卷积网络（HGCN）或关系图卷积网络（R-GCN）来建模客户、设备指纹、IP地址、交易对手之间的复杂关系。重点讲解如何设计节点特征和边权重来捕获“可疑路径”。 时空图网络（STGNN）在异常交易流检测中的应用： 针对大额、跨区域的资金流动，介绍结合时空信息（如交易发生的时间和地理位置）的图网络模型，用于实时发现具有空间和时间同步性的异常模式。 无监督与半监督学习在欺诈识别中的突破： 鉴于欺诈样本的稀缺性，深入探讨自编码器（Autoencoders）及其变体（如VAE）在学习正常交易数据分布后，识别偏离该分布的异常交易的实战技巧。 第五章：市场风险与量化交易中的时频分析 本章面向高频交易和资产管理领域，关注如何利用深度学习处理高频市场的噪声与信号。 多尺度时间卷积网络（TCN）： 介绍TCN如何替代RNN处理高频市场数据，其并行计算优势和对长期依赖的有效捕获能力。重点分析其在波动率预测和订单簿深度预测中的应用。 深度强化学习（DRL）在最优执行策略中的应用： 将市场微观结构建模为环境，将交易代理建模为智能体。深入探讨Actor-Critic框架（如A2C/PPO）如何学习最优的限价单和市价单组合策略，以最小化市场冲击成本。 生成模型对极端市场情景的压力测试： 利用深度生成模型（如WGANs）生成高度逼真的、符合特定市场波动的压力测试情景数据，超越传统历史情景回溯的局限性，为资本充足率计算提供更严谨的输入。 --- 第三部分：模型部署、治理与未来展望 模型只有成功部署并得到有效治理，才能真正产生价值。 第六章：生产环境的优化、监控与迭代 模型压缩与边缘部署： 探讨剪枝（Pruning）、量化（Quantization）技术，使复杂的深度学习模型能够在延迟要求严格的实时风控系统中快速响应。 模型漂移的深度检测机制： 建立基于特征空间分布变化和预测性能下降的双重自动监控系统，结合实时反馈机制，实现模型的自动再训练和版本控制。 第七章：监管科技（RegTech）与深度学习的融合 合规报告自动化： 如何利用NLP技术从监管文件中自动提取关键指标和要求，并将其转化为模型训练的约束条件。 可解释性作为监管工具： 深入讨论如何将XAI工具链标准化，以满足巴塞尔协议和各国金融监管机构对模型透明度和问责制的要求。 结语： 本书力求通过详尽的数学推导、详实的案例分析和高质量的代码片段（Python/PyTorch实现），为读者提供一套从理论到生产部署的完整工具集。它不仅是一本技术手册，更是对金融风险管理未来图景的深入探索与实践指南。掌握这些前沿技术，将是金融机构在新时代竞争中保持领先的关键。
作者简介
冯正仪，女，复旦大学护理学院教授、研究生导师。1968年毕业于上海第一医学院医学系，任内科医生20年、高级护理教师20年，承教内科护理学、社区护理等，获上海市高等教育教学成果三等奖。主编教育部规划教材3本，主编专著《糖尿病的饮食治疗》。主要研究方向为社区护理，以负责人立项课题10项、获奖8项，发表论文70余篇。
目录信息
读后感
评分
评分
评分
评分
评分
用户评价
评分
评分
评分
评分
评分
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有