Python 機器學習：基於 PyTorch 和 Scikit-Learn Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python

Sebastian Raschka，Yuxi (Hayden) Liu，Vahid Mirjalili 譯者 李波//張帥//趙煬

Python 機器學習：基於 PyTorch 和 Scikit-Learn

買這商品的人也買了...

相關主題

商品描述

本書深入介紹了機器學習領域的基本概念和方法，除介紹了Python機器學習庫和用機器學習庫搭建神經網絡模型的方法外，
還介紹了機器學習算法的數學理論、工作原理、使用方法、實現細節以及如何避免機器學習算法實現過程中的常見問題。
本書涵蓋了多種用於文本和圖像分類的機器學習與深度學習方法，以及用於生成新數據的生成對抗網絡（GAN）
和用於訓練智能體的強化學習，還介紹了深度學習的新動態，包括圖神經網絡和用於自然語言處理（NLP）的大型transformer。
本書講解清晰，示例生動，理論和實踐部分相對平衡，
既可以作為機器學習領域初學者的入門教程，也可以作為讀者開發機器學習項目時的參考書。

目錄大綱

譯者序
序
前言
作者簡介
審校者簡介
第1章賦予計算機從數據中學習的能力
1.1 將數據轉化為知識的智能係統
1.2 三種機器學習類型
1.2.1 用於預測未來的監督學習
1.2.2 解決交互問題的強化學習
1.2.3 發現數據中隱藏規律的無監督學習
1.3 基本術語與符號
1.3.1 本書中使用的符號和約定
1.3.2 機器學習術語
1.4 構建機器學習系統的路線圖
1.4.1 數據預處理——讓數據可用
1.4.2 訓練和選擇預測模型
1.4.3 使用未見過的數據對模型進行評估
1.5 使用Python實現機器學習算法
1.5.1 從Python Package Index中安裝Python和其他軟件包
1.5.2 使用Anaconda Python軟件包管理器
1.5.3 科學計算、數據科學和機器學習軟件包
1.6 本章小結
第2章訓練簡單的機器學習分類算法
2.1 人工神經元——機器學習早期歷史一瞥
2.1.1 人工神經元的定義
2.1.2 感知機學習規則
2.2 使用Python實現感知機學習算法
2.2.1 面向對象的感知機API
……
第3章Scikit-Learn機器學習分類算法之旅
第4章構建良好的訓練數據集——數據預處理
第5章通過降維方法壓縮數據
第6章模型評估和超參數調優的最佳實踐
第7章組合不同模型的集成學習
第8章用機器學習進行情感分析
第9章預測連續目標變量的回歸分析
第10章處理無標籤數據的聚類分析
第11章從零開始實現多層人工神經網絡
第12章用PyTorch並行訓練神經網絡
第13章深入探討PyTorch的工作原理
第14章使用深度卷積神經網絡對圖像進行分類
第15章用循環神經網絡對序列數據建模
第16章transformer：利用注意力機制改善自然語言處理效果
第17章用於合成新數據的生成對抗網絡
第18章用於捕獲圖數據關係的圖神經網絡
第19章在復雜環境中做決策的強化學習

類似商品