基本信息（以实物为准）

• 商品名称：PyTorch 机器学习实战
• 作者：王宇龙 编著
• 定价：109
• 出版社：机械工业
• 书号：9787111719960

其他参考信息（以实物为准）

• 出版时间：2023-02-01
• 印刷时间：2023-02-01
• 版次：1
• 印次：1
• 开本：16开
• 包装：平装
• 页数：301
• 字数：413千字

编辑推荐语

苏航、李崇轩、谢凌曦等专家倾力 ；详解监督学习、无监督学习、概率图模型、核方法和强化学习等多种 机器学习算法；所有算法均由PyTorch框架实现，配备实战环节讲解，涵盖了点击率预估、变分推断、高斯过程、深度强化学习等前沿领域。

内容提要

本书讲解了经典的 机器学习算法原理与知识，包括常见的监督学习、无监督学习、概率图模型、核方法、深度神经网络，以及强化学习等内容，同时 强调动手实践。所有算法均利用PyTorch计算框架进行实现，并且在各章节配备实战环节，内容涵盖点击率预估、异常检测、概率图模型变分推断、高斯过程超参数优化、深度强化学习智能体训练等内容。 本书附赠所有案例的源代码及各类学习资料来源，适合具有一定编程基础的人工智能爱好者学习，也是相关从业者和研究人员的学习指南。

作者简介

王宇龙，清华大学计算机博士，大型互联网公司算法专家，在 学术会议及期刊发表过多篇论文。曾出版书籍《PyTorch深度学习入门与实战》，知乎“机器学习”话题 回答者（@Young）。

目录

前言第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 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 Nei ors，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 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 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/参考文献/