【774页pdf下载】用 Sklearn/PyTorch 进行机器学习和深度学习综合指南

如果你已经入门并掌握了 Python 基础知识，现在想开始学习或深入研究机器学习和深度学习，那么这本书就是为你准备的。这是为希望使用 scikit-learn 和 PyTorch 创建实用的机器学习和深度学习应用程序的开发人员和数据科学家编写的重要资源。

744页《使用PyTorch和Scikit-Learn进行机器学习:使用Python开发机器学习和深度学习模型》高清PDF 已经打包好，获取步骤如下：

1，点击下方公众号 数据STUDIO 名片

2，关注 数据STUDIO 后，在消息后台回复 PYMLTC

▲点击关注「数据STUDIO」回复 PYMLTC

注意⚠️ 是公众号『数据STUDIO』，非本号

你会学到什么

探索机器从数据中“学习”的框架、模型和技术
使用 scikit-learn 进行机器学习，使用 PyTorch 进行深度学习
在图像、文本等方面训练机器学习分类器
构建和训练神经网络、转换器和增强算法
发现评估和调整模型的最佳实践
使用回归分析预测连续目标结果
使用情绪分析深入挖掘文本和社交媒体数据

使用 PyTorch 和 Scikit-Learn 进行机器学习是使用 PyTorch 进行机器学习和深度学习的综合指南。本书包含清晰的解释、可视化和示例，深入涵盖了所有基本的机器学习技术。通过这本机器学习书，你可以为自己构建模型和应用程序。

为什么选择 PyTorch？

PyTorch 是学习机器学习的 Pythonic 方式，使其更易于学习和编写代码。本书解释了 PyTorch 的基本部分以及如何使用流行的库创建模型，例如 PyTorch Lightning 和 PyTorch Geometric。

你还能了解生成对抗网络 (GAN)，用于生成新数据并使用强化学习训练智能代理。最后，这个新版本扩展到涵盖深度学习的最新趋势，包括用于自然语言处理 (NLP) 的图神经网络和大规模转换器。

无论你是刚接触机器学习的 Python 开发人员，还是想加深对最新发展的了解，这本 PyTorch 书都是你使用 Python 进行机器学习的伴侣。

第一章，赋予计算机从数据中学习的能力，向你介绍了机器学习的主要子领域，以解决各种问题任务。此外，它还讨论了创建一个典型的机器学习模型构建管道的基本步骤，这将指导我们完成下面的章节。
第二章，训练简单的机器学习算法进行分类，回顾了机器学习的起源，介绍了二元感知器分类器和自适应线性神经元。这一章是对模式分类基本原理的温和介绍，重点是优化算法和机器学习的相互作用。
第三章，使用Scikit-Learn的机器学习分类器之旅，描述了分类的基本机器学习算法，并提供了使用最流行和最全面的开源机器学习库之一scikit-learn的实际例子。
第四章，构建良好的训练数据集--数据预处理，讨论了如何处理未经处理的数据集中最常见的问题，如数据缺失。它还讨论了几种识别数据集中信息量最大的特征的方法，并教你如何准备不同类型的变量作为机器学习算法的适当输入。
第五章，通过降维压缩数据，描述了将数据集中的特征数量减少到较小的集合，同时保留大部分有用的和有区别的信息的基本技术。它讨论了通过主成分分析进行降维的标准方法，并将其与监督和非线性转换技术进行比较。
第六章，学习模型评估和超参数调整的最佳实践，讨论了预测模型性能评估的注意事项。此外，它还讨论了衡量我们模型性能的不同指标和微调机器学习算法的技术。
第七章，结合不同的模型进行集合学习，向你介绍了有效结合多种学习算法的不同概念。它教你如何建立专家集合体来克服单个学习者的弱点，从而获得更准确和可靠的预测。
第八章，将机器学习应用于情感分析，讨论了将文本数据转化为有意义的表示的基本步骤，以便机器学习算法根据人们的写作预测他们的意见。
第九章 "用回归分析预测连续目标变量 "讨论了在目标变量和响应变量之间建立线性关系模型的基本技术，以便在连续范围内进行预测。在介绍了不同的线性模型之后，它还谈到了多项式回归和基于树的方法。
第十章，处理无标记数据--聚类分析，将重点转移到机器学习的另一个子领域--无监督学习。我们从三个基本的聚类算法系列中应用算法来寻找具有一定程度相似性的对象组。
第十一章，从头开始实现一个多层人工神经网络，扩展了我们在第2章，训练简单的机器学习算法分类中首次介绍的基于梯度的优化的概念，以Python中流行的反向传播算法为基础构建强大的多层神经网络。
第十二章，用PyTorch并行化神经网络训练，建立在上一章的知识基础上，为你提供一个更有效地训练神经网络的实用指南。本章的重点是PyTorch，一个开源的Python库，它允许我们利用现代GPU的多个内核，并通过一个用户友好和灵活的API从普通的构建块中构建深度神经网络。
第十三章，更深入--PyTorch的机制，接上一章的内容，介绍PyTorch的更高级概念和功能。PyTorch是一个异常庞大和复杂的库，本章将带领你了解动态计算图和自动微分等概念。你还将学习如何使用PyTorch的面向对象API来实现复杂的神经网络，以及PyTorch Lightning如何帮助你实现最佳实践和尽量减少模板代码。
第十四章，用深度卷积神经网络对图像进行分类，介绍了卷积神经网络（CNN）。CNN代表了一种特殊类型的深度神经网络架构，特别适合于处理图像数据集。由于CNN与传统方法相比具有卓越的性能，它现在被广泛用于计算机视觉，以实现各种图像识别任务的最先进的结果。在本章中，你将学习如何将卷积层作为强大的特征提取器用于图像分类。
第十五章，使用递归神经网络对序列数据进行建模，介绍了另一种流行的深度学习的神经网络架构，特别适合处理文本和其他类型的序列数据和时间序列数据。作为一个热身练习，本章介绍了用于预测电影评论情绪的递归神经网络。然后，我们将教导递归网络消化书籍中的信息，以生成全新的文本。
第十六章，Transformers--用注意力机制改进自然语言处理，重点介绍了自然语言处理的最新趋势，并解释了注意力机制如何帮助对长序列中的复杂关系进行建模。特别是，这一章描述了有影响力的转化器架构和最先进的转化器模型，如BERT和GPT。
第十七章，用于合成新数据的生成对抗网络，介绍了一种流行的神经网络对抗训练机制，可用于生成新的、看起来很真实的图像。本章首先简要介绍了自动编码器，这是一种特殊类型的神经网络架构，可用于数据压缩。然后，本章向你展示了如何将自动编码器的解码器部分与第二个能够区分真实图像和合成图像的神经网络相结合。通过让两个神经网络在对抗性训练方法中相互竞争，你将实现一个生成性对抗网络，生成新的手写数字。
第十八章，用于捕捉图结构数据中的依赖关系的图神经网络，超越了与表格数据集、图像和文本的工作。本章介绍了在图结构数据上操作的图神经网络，如社交媒体网络和分子。在解释了图卷积的基本原理后，本章包括一个教程，向你展示如何实现分子数据的预测模型。
第十九章，复杂环境下决策的强化学习，涵盖了机器学习的一个子类别，通常用于训练机器人和其他自主系统。本章首先介绍了强化学习（RL）的基础知识，以熟悉代理人/环境的相互作用，RL系统的奖励过程，以及从经验中学习的概念。在了解了RL的主要类别后，你将实现并训练一个能够使用Q-learning算法在网格世界环境中导航的代理。最后，本章介绍了深度Q-learning算法，它是Q-learning的一个变种，使用深度神经网络。

PDF 下载方方法