目录

前言书籍目录抽奖方式

前言

随着人工智能和机器学习的蓬勃发展，相关算法和技术已经广泛运用到诸多行业，大量的研究者和各行业人员也投入机器学习的研究与开发中。

掌握高级机器学习算法原理，并能够根据不同情况实现灵活运用，是相关从业者必备的核心技能，也能够帮助自身提高理论水平，实现与众不同的创造成果。

这里给大家推荐一本书籍：《PyTorch高级机器学习实战》

本书主要介绍的是机器学习领域经典的算法内容，以及相关原理所涉及的基础知识。这部分内容一般出现在研究生阶段的进阶课程中，是深入研究机器学习的必备知识。同时本书的一大特色是不止停留在单纯的理论算法介绍层面，更强调动手实践。为了方便读者学习，本书采用了PyTorch这一当前最流行的机器学习框架，实现所有的算法过程。PyTorch之前更是应用在深度学习领域，可以实现深度神经网络的训练运算等过程。本书则利用了其完善的科学运算矩阵库，灵活的自动微分求导引擎，以及方便的GPU加速运算等功能，向读者展示PyTorch框架在机器学习领域也有着广泛的应用。

书籍目录

第1章 机器学习概述/

1.1 机器学习简介/

1.1.1 机器学习的含义/

1.1.2 机器学习概述/

1.1.3 不同类型的机器学习算法/

1.2 数据处理/

1.2.1 数据特征分类及表示/

1.2.2 数据预处理/

1.2.3 数据缺失处理/

1.2.4 特征衍生和交叉/

1.2.5 特征筛选/

1.3 衡量标准/

1.3.1 模型评估指标/

1.3.2 数据集划分/

1.3.3 超参数优化/

1.4 优化目标/

1.4.1 损失函数/

1.4.2 梯度下降优化/

1.4.3 受约束优化：Lagrange函数/

1.5 实战：简单模型实现Titanic乘客生存概率预测/

1.5.1 问题描述与数据特征/

1.5.2 简单属性分类模型实现预测/

第2章 PyTorch基本操作介绍/

2.1 PyTorch简介/

2.2 核心概念：Tensor/

2.2.1 Tensor基本操作/

2.2.2 基本数学运算/

2.2.3 索引分片操作/

2.2.4 类成员方法/

2.3 自动求导（Autograd）/

2.3.1 可微分张量/

2.3.2 Function：实现自动微分的基础/

2.4 神经网络核心模块：torch.nn/

2.4.1 nn.Module概述/

2.4.2 函数式操作nn.functional/

2.5 优化器（optimizer）/

2.5.1 optimizer概述/

2.5.2 学习率调节/

2.5.3 经典优化器介绍/

2.6 数据加载/

2.6.1 Dataset与DataLoader介绍/

2.6.2 预处理变换torchvision.transforms/

2.7 高级操作/

2.7.1 GPU运算/

2.7.2 利用C++实现自定义算子/

2.8 实战：Wide & Deep模型实现Criteo点击率预估/

2.8.1 问题定义与数据特征/

2.8.2 Wide & Deep模型介绍/

2.8.3 完整实验流程/

第3章 监督学习/

3.1 线性回归（Linear Regression）/

3.1.1 小二乘法（Least Square Method）/

3.1.2 岭回归（Ridge Regression）/

3.1.3 贝叶斯线性回归（Bayesian Linear Regression）/

3.2 逻辑回归（Logistic Regression）/

3.2.1 二分类逻辑回归/

3.2.2 多分类Softmax回归/

3.2.3 贝叶斯逻辑回归（Bayesian Logistic Regression）/

3.3 支持向量机（Support Vector Machine，SVM）/

3.3.1 线性可分下SVM的定义/

3.3.2 利用随机梯度下降求解/

3.3.3 凸优化简介/

3.3.4 SVM对偶问题表示/

3.3.5 梯度下降法求解对偶问题/

3.3.6 从Hard SVM扩展到Soft SVM/

3.3.7 支持向量回归（Support Vector Regression，SVR）/

3.3.8 带有松弛变量的SVR及对偶优化方法/

3.4 决策树模型（Decision Tree）/

3.4.1 构建单个树模型/

3.4.2 集成学习（Ensemble Learning）/

3.5 K近邻算法（K Nearest Neighbors，KNN）/

3.6 实战：复杂模型实现Titanic旅客生存概率预测/

3.6.1 Titanic数据集特征处理/

3.6.2 多种模型预测性能对比/

第4章 无监督学习/

4.1 聚类方法（Clustering Method）/

4.1.1 KMeans聚类/

4.1.2 谱聚类（Spectral Clustering）/

4.1.3 聚合聚类（Agglomerative Clustering）/

4.2 密度估计（Density Estimation）/

4.2.1 高斯混合模型（Gaussian Mixture Model）/

4.2.2 期望大化算法（Expectation Maximization，EM）/

4.3 降维与嵌入（Dimension Reduction & Embedding）/

4.3.1 主成分分析（Principal Component Analysis，PCA）/

4.3.2 局部线性嵌入（Locally Linear Embedding，LLE）/

4.3.3 随机邻居嵌入算法（tSNE）/

4.4 实战：无监督方法实现异常检测（Anomaly Detection）/

4.4.1 异常检测问题与应用/

4.4.2 实现基于PCA的异常检测方法/

4.4.3 实现基于Mahalanobis距离的异常检测方法/

4.4.4 实现基于聚类的局部异常因子检测方法/

第5章 PyTorch高级机器学习实战概率图模型/

5.1 有向图：贝叶斯网络（Bayesian Network）/

5.1.1 有向图的概率分解/

5.1.2 条件独立性（Conditional Independence）/

5.2 无向图：马尔可夫随机场（Markov Random Field，MRF）/

5.2.1 无向图的概率分解/

5.2.2 具体应用：图像去噪（Image Denoising）/

5.3 隐马尔可夫模型（Hidden Markov Model，HMM）/

5.3.1 隐马尔可夫模型介绍/

5.3.2 前向后向算法（ForwardBackward Algorithm）/

5.3.3 放缩提升运算稳定性/

5.3.4 代码实现/

5.4 变分推断（Variational Inference，VI）/

5.4.1 后验分布优化与ELBO/

5.4.2 黑盒变分推断算法（BlackBox Variational Inference，BBVI）/

5.5 蒙特卡罗采样（Monte Carlo Sampling）/

5.5.1 拒绝采样（Rejection Sampling）/

5.5.2 马尔可夫链蒙特卡罗（Markov Chain Monte Carlo）/

5.5.3 吉布斯采样（Gibbs Sampling）/

5.5.4 哈密顿蒙特卡罗采样（Hamiltonian Monte Carlo，HMC）/

5.6 实战：变分高斯混合模型（Variational Gaussian Mixture Model）/

5.6.1 扩展GMM：贝叶斯高斯混合模型（Bayesian Gaussian Mixture Model）/

5.6.2 变分推断近似/

5.6.3 代码实现/

第6章 核方法/

6.1 核函数及核技巧/

6.2核化KMeans算法（Kernel KMeans）/

6.2.1 KMeans算法回顾/

6.2.2 具体实现/

6.3 核化支持向量机（Kernel SVM）/

6.3.1 SVM对偶问题及核函数表示/

6.3.2 核化支持向量回归（Kernel SVR）/

6.4 核化主成分分析 (Kernel PCA，KPCA）/

6.4.1 回顾PCA及核化表示/

6.4.2 核中心化技巧及实现/

6.5 高斯过程（Gaussian Process，GP）/

6.5.1 高斯过程定义及基本性质/

6.5.2 核函数参数选取优化/

6.6 实战：利用高斯过程进行超参数优化/

6.6.1 超参数优化（Hyperparameter Optimization）/

6.6.2 具体实现/

第7章 深度神经网络/

7.1 神经网络（Neural Network）/

7.1.1 基本算子操作/

7.1.2 常见网络结构/

7.1.3 网络训练/

7.2 变分自编码器（Variational AutoEncoder，VAE）/

7.2.1 多种自编码器介绍/

7.2.2 变分自编码器/

7.3 深度生成模型（Deep Generative Model，DGM）/

7.3.1 受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）/

7.3.2 生成式对抗网络（Generative Adversarial Network,GAN）/

7.4 实战：利用CycleGAN进行图片风格转换/

7.4.1 CycleGAN模型介绍/

7.4.2 模型实现/

第8章 强化学习/

8.1 经典强化学习介绍/

8.1.1 基本概念介绍/

8.1.2 强化学习环境OpenAI Gym/

8.2 马尔可夫决策过程（Markov Decision Process，MDP）/

8.2.1 MDP定义及贝尔曼优方程/

8.2.2 策略迭代（Policy Iteration）和价值迭代（Value Iteration）/

8.2.3 蒙特卡罗采样学习（Monte Carlo Learning）/

8.2.4 时序差分学习（Temporal Difference Learning，TDLearning）/

8.3 基于Q价值函数的深度强化学习/

8.3.1 深度Q网络（Deep QNetwork，DQN）/

8.3.2 其他DQN改进模型/

8.4 基于策略优化的深度强化学习/

8.4.1 策略梯度算法（Policy Gradient）/

8.4.2 Advantage ActorCritic（A2C）算法/

8.4.3 近邻策略优化法（Proximal Policy Optimization，PPO）/

8.4.4 深度确定性策略梯度算法（Deep Deterministic Policy Gradient，DDPG）/

8.4.5 Soft Actor Critic（SAC）算法/

8.5 实战：在Atari游戏环境中进行深度强化学习评测/

8.5.1 Atari游戏环境及预处理方式/

8.5.2 多种深度强化学习性能比较/

抽奖方式

抽奖送书老规矩（不点赞收藏中奖无效）：注意记得关注博主不然中奖了还不知道！！！

1. 点赞收藏文章2. 评论区留言：人生苦短，我用Python！！！（留言才能进入奖池，每人最多留言三条）3. 周日八点爬虫抽奖5人如果不想抽奖京东自营购买链接：https://item.jd.com/13841860.html?