本书是一本在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。

译者序
序
前言
作者简介
审校者简介
第1章 赋予计算机从数据中学习的能力
1.1 将数据转化为知识的智能系统
1.2 三种机器学习类型
1.2.1 用于预测未来的监督学习
1.2.2 解决交互问题的强化学习
1.2.3 发现数据中隐藏规律的无监督学习
1.3 基本术语与符号
1.3.1 本书中使用的符号和约定
1.3.2 机器学习术语
1.4 构建机器学习系统的路线图
1.4.1 数据预处理——让数据可用
1.4.2 训练和选择预测模型
1.4.3 使用未见过的数据对模型进行评估
1.5 使用Python实现机器学习算法
1.5.1 从Python Package Index中安装Python和其他软件包
1.5.2 使用Anaconda Python软件包管理器
1.5.3 科学计算、数据科学和机器学习软件包
1.6 本章小结
第2章 训练简单的机器学习分类算法
2.1 人工神经元——机器学习早期历史一瞥
2.1.1 人工神经元的定义
2.1.2 感知机学习规则
2.2 使用Python实现感知机学习算法
2.2.1 面向对象的感知机API
……
第3章 Scikit-Learn机器学习分类算法之旅
第4章 构建良好的训练数据集——数据预处理
第5章 通过降维方法压缩数据
第6章 模型评估和超参数调优的最佳实践
第7章 组合不同模型的集成学习
第8章 用机器学习进行情感分析
第9章 预测连续目标变量的回归分析
第10章 处理无标签数据的聚类分析
第11章 从零开始实现多层人工神经网络
第12章 用PyTorch并行训练神经网络
第13章 深入探讨PyTorch的工作原理
第14章 使用深度卷积神经网络对图像进行分类
第15章 用循环神经网络对序列数据建模
第16章 transformer：利用注意力机制改善自然语言处理效果
第17章 用于合成新数据的生成对抗网络
第18章 用于捕获图数据关系的图神经网络
第19章 在复杂环境中做决策的强化学习