本书介绍了金融数据挖掘的基本原理、方法和应用。全书共17章，分为基础篇、算法篇和应用篇三部分。基础篇概述金融数据挖掘的应用，介绍实验环境的搭建和三个与数据分析密切相关的Python第三方程序包等；算法篇针对数据分类、数据聚类、关联分析以及时间序列分析等领域介绍主要的数据挖掘算法与应用；应用篇介绍三个典型的金融数据挖掘综合应用案例。
本书着重于数据挖掘在金融领域的应用实践，而不过分拘泥繁杂的数据挖掘理论，而且书中使用的所有案例都精心选自金融领域的关键场景，贴近实际。本书可作为高等院校财经类专业学生学习数据挖掘的教材，也可作为金融、财会和商务等领域从业人员的学习用书。

基础篇
第1章 引言
第1节 数据挖掘的概念
第2节 金融数据挖掘的意义和应用
第3节 Python金融数据挖掘基础
本章小结
重要概念
复习思考题
参考文献
第2章 Python基本知识
第1节 数据类型
第2节 流程控制
第3节 函数与模块
本章小结
重要概念
复习思考题
参考文献
第3章 NumPy科学计算包
第1节 创建数组
第2节 数组运算
第3节 矩阵运算
第4节 综合应用
本章小结
重要概念
复习思考题
参考文献
第4章 Pandas数据分析包
第1节 数据结构
第2节 数据处理
第3节 案例：银行卡消费统计分析
本章小结
重要概念
复习思考题
参考文献
第5章 图形绘制
第1节 基本概念
第2节 Matplotlib图形绘制
第3节 Seaborn图形绘制
第4节 案例：股票价格变动图形绘制
本章小结
重要概念
复习思考题
参考文献
第6章 数据源处理
第1节 网络数据源
第2节 网页爬虫
第3节 文件数据资源
第4节 案例：世行GDP数据获取与对比
本章小结
重要概念
复习思考题
参考文献
第7章 Python文本挖掘
第1节 基本概念
第2节 文本分析处理
第3节 案例：基于股评文本的情绪分析
本章小结
重要概念
复习思考题
参考文献
算法篇
第8章 关联规则算法
第1节 Apriori算法原理
第2节 Python代码实现
第3节 案例：信用卡推荐
本章小结
重要概念
复习思考题
参考文献
第9章 决策树分类算法
第1节 决策树算法原理
第2节 Python代码实现
第3节 案例：基于决策树的理财产品促销
本章小结
重要概念
复习思考题
参考文献
第10章 朴素贝叶斯分类算法
第1节 朴素贝叶斯分类算法原理
第2节 Python代码实现
第3节 案例：基于朴素贝叶斯的理财产品促销
本章小结
重要概念
复习思考题
参考文献
第11章 K近邻分类与K均值聚类算法
第1节 K近邻分类原理与实现
第2节 K均值聚类原理与实现
第3节 案例：银行客户群体划分
本章小结
重要概念
复习思考题
参考文献
第12章 使用Scikit-Learn包进行数据挖掘
第1节 Scikit-Learn简介
第2节 Scikit-Learn包基本应用
第3节 案例：房地产区域价格分析
本章小结
重要概念
复习思考题
参考文献
第13章 人工神经网络算法
第1节 人工神经网络模型
第2节 人工神经网络分类算法
第3节 案例：股票价格波动分析
本章小结
重要概念
复习思考题
参考文献
第14章 相关、回归与时间序列分析
第1节 相关分析
第2节 回归分析
第3节 逻辑回归
第4节 案例：股票与周期变动商品的时间序列分析
本章小结
重要概念
复习思考题
参考文献
应用篇
第15章 综合案例1：信用卡虚假交易识别
第1节 案例背景
第2节 算法评价指标
第3节 数据概况
第4节 操作流程
第16章 综合案例2：网络贷款违约预测
第1节 案例背景
第2节 数据概况
第3节 操作流程
第17章 综合案例3：信用评分模型开发
第1节 案例背景
第2节 数据概况
第3节 操作流程
参考文献