【小尘送书-第三期】Python机器学习：基于PyTorch和Scikit-Learn 》-Toy模板网

这篇具有很好参考价值的文章主要介绍了【小尘送书-第三期】Python机器学习：基于PyTorch和Scikit-Learn 》。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

【小尘送书-第三期】Python机器学习：基于PyTorch和Scikit-Learn 》,python,机器学习,pytorch

大家好，我是小尘，欢迎关注，一起交流学习！欢迎大家在CSDN后台私信我！一起讨论学习，讨论如何找到满意的实习！

一、前言

近年来，机器学习方法凭借其理解海量数据和自主决策的能力，已在医疗保健、机器人、生物学、物理学、大众消费和互联网服务等行业得到了广泛的应用。自从AlexNet模型在2012年ImageNet大赛被提出以来，机器学习和深度学习迅猛发展，取得了一个又一个里程碑式的成就，深刻地影响了工业界、学术界和人们的生活。
如今，机器学习、深度学习、人工智能已经成为信息领域最热门的研究方向，在就业市场这些领域的工作也非常吸引人。科学的巨大飞跃通常来自精彩的想法和易用的工具，机器学习也不例外。
在实践中应用机器学习需要理论和工具的结合。对于机器学习的入门读者而言，从理解原理概念到确定要安装的软件包都有一定的难度。许多在最开始尝试机器学习的时候，会发现理解一个算法在干什么真的非常难。不仅仅是因为算法里各种繁杂的数学理论和难懂的符号，没有实际的例子，光靠定义和推导来了解一个算法实在是很无聊。就连网络上的相关的指导材料，能找到的通常都是各种公式以及晦涩难懂的解释，很少有人能够细致的将所有细节加以说明。
因此，《Python机器学习：基于PyTorch和Scikit-Learn》这本书的定位是把机器学习理论和工程实践结合起来，从而降低读者的阅读门槛。从数据驱动方法的基础知识到最新的深度学习框架，本书每一章都提供了机器学习代码示例，用于解决实际应用中的机器学习问题。

二、作者简介

塞巴斯蒂安·拉施卡（Sebastian Raschka）

获密歇根州立大学博士学位，现在是威斯康星-麦迪逊大学统计学助理教授，从事机器学习和深度学习研究。他的研究方向是数据受限的小样本学习和构建预测有序目标值的深度神经网络。他还是一位开源贡献者，担任Grid.ai的首席AI教育家，热衷于传播机器学习和AI领域知识。
刘玉溪（海登）[ Yuxi (Hayden) Liu ]
在谷歌公司担任机器学习软件工程师，曾担任机器学习科学家。他是一系列机器学习书籍的作者。他的第一本书Python Machine Learning By Example在2017年和2018年亚马逊同类产品中排名第一，已被翻译成多种语言。

瓦希德·米尔贾利利（Vahid Mirjalili）

获密歇根州立大学机械工程和计算机科学双博士学位，是一名专注于计算机视觉和深度学习的科研工作者。
作者Sebastian Raschka很擅长用易于理解的方式解释复杂的方法和概念。随着深度学习革命深入到各个领域，Sebastian Raschka和他的团队不断升级、完善书的内容，陆续出版了第2版和第3版。本书在前3个版本的基础上新增了某些章节，包含了PyTorch相关的内容，覆盖了Transformer和图神经网络。这些是目前深度学习领域的前沿方法，在过去两年中席卷了文本理解和分子结构等领域。
作者拥有专业知识和解决实际问题的经验，因此出色地平衡了书中的理论知识和动手实践内容。Sebastian Raschka和Vahid Mirjalili在计算机视觉和计算生物学领域拥有丰富的科研经验。Yuxi Liu擅长解决机器学习领域的实际问题，例如将机器学习方法用于事件预测、推荐系统等。本书的作者都对教育有着满腔热忱，他们用浅显易懂的语言编写了本书以满足读者的需求。

三、内容简介

本书是一本全面介绍在PyTorch环境下学习机器学习和深度学习的综合指南，可以作为初学者的入门教程，也可以作为读者开发机器学习项目时的参考书。
本书讲解清晰、示例生动，深入介绍了机器学习方法的基础知识，不仅提供了构建机器学习模型的说明，而且提供了构建机器学习模型和解决实际问题的基本准则。本书添加了基于PyTorch的深度学习内容，介绍了新版Scikit-Learn。本书涵盖了多种用于文本和图像分类的机器学习与深度学习方法，介绍了用于生成新数据的生成对抗网络（GAN）和用于训练智能体的强化学习。最后，本书还介绍了深度学习的新动态，包括图神经网络和用于自然语言处理（NLP）的大型transformer。无论是机器学习入门新手，还是计划跟踪机器学习进展的研发人员，都可以将本书作为使用Python进行机器学习的不二之选。

学完本书，你将能够：

探索机器从数据中“学习”的框架、模型和方法。
使用Scikit-Learn实现机器学习，使用PyTorch实现深度学习。
训练机器学习分类器分类图像、文本等数据。
构建和训练神经网络、transformer及图神经网络。
探索评估和优化模型的最佳方法。
使用回归分析预测连续目标结果。
使用情感分析深入地挖掘文本和社交媒体数据。

【小尘送书-第三期】Python机器学习：基于PyTorch和Scikit-Learn 》,python,机器学习,pytorch