本书是在大数据框架下，全面介绍金融科技在处理真实场景金融问题时需要掌握的*重要的几类机器学习方法，并将**放在实施过程中需要用到的特征提取、可解释性、隐私保护与数据**共享等相关内容的讨论上。 本书内容分三部分:**部分由1～6章组成，主要讲常规情况下，机器学习在金融场景特别是大数据风控中的建模应用；第二部分由第7章和第8章组成，主要讲在数据隐私保护和**要求下，机器学习如何进行大数据风控建模；第三部分由9～16章组成，主要讲如何基于吉布斯抽样算法建立特征提取的理论 和标准框架及其在包含投资和融资等7个不同金融场景中的应用。 本书具有五个特点：一是面向应用需求，介绍机器学习在金融场景特别是大数据风控中的建模应用；二是紧扣应用，聚焦智能投顾和大数据信用评价两大领域；三是针对算法，**讲逻辑回归和集成学习建模；四是针对数据**和隐私保护问题，建立密文机器学习模型，实现数据共享；五是针对特征工程，基于吉布斯抽样算法，建立支持非线性特征提取的理论和标准框架。