王青天 孔越編著， 2020年6月第一版
第一章介紹，介紹金融科技fintech是指使用技術提供財務解決方案。人工智能和機器學習技術可以幫助包括欺詐預防、風險管理、客戶服務和營銷等多個環節的智能化。個人借貸交易的不同階段涉及線上借貸行業的9種風險：信用檢查不足、中介不充分、還款不及時、流動性不足、缺乏透明度、運營和技術失敗、法律風險、過度杠桿和道德缺失，其中信用檢查不足風險是最需要控制的風險。
個人信貸中信用風險評估的關鍵是，通過分析借貸人的信用信息，評估借款人的償還能力和意願量化違約風險。信用評分卡模型是個人信貸風險管理中的重要手段。評分卡模型過包括申請評分卡、行為評分卡、催收評分卡，除此之外還有反欺詐模型（無征信前、申請數據、第三方數據）、營銷評分卡和客戶流失卡等。欺詐行為氛圍個人欺詐和團伙欺詐，個人欺詐往往形式各異難以形成普適的規則，只能通過不斷積累和總結規則庫來進行甄別；對於團伙欺詐啊，需要借助知識圖譜技術發現欺詐團伙潛在的關系網，找到異常狀態進行甄別。因此，反欺詐模型一般采用基於規則與策略的方法。
接下來講了評分卡模型的開發流程。
第二章，機器學習介紹
機器學習分為有監督學習、無監督學習和強化學習。
有監督學習分為分類問題（離散）和回歸（連續）問題。常見算法有線性回歸模型、神經網絡模型、支持向量機模型、決策樹模型、隨機森林、Xgboost模型和深度學習模型等。評分卡模型的開發就是有監督學習，而且是分類問題。
無監督學習的任務一般為聚類分析、降維、關聯規則分析。常見聚類：Kmeans、混合高斯模型、DBCAN和AP算法等。線性降維方法：PCA，SVD分解；非線性：KPCA。關聯規則分析：Apriori和FP-growth，可以通過關聯分析挖掘欺詐數據的特征集，形成反欺詐規則。
強化學習又稱增強學習（Reinforcement Learning），是一種特定場景下通過不斷試錯的方式進行自我更新並學習的方法。