🤵♂️ 个人主页

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。

本书既介绍了了机器学习领域的基本原理， 也介绍了机器学习的工程实践。本书的价值无可估量，同时也希望这本书能够激励读者将机器学习用于自己的研究领域。

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。 PyTorch核心维护者亲笔推荐 “我相信，你能感受到这本书对机器学习热点的总结全面而彻底，对机器学习实现方法的解释清晰而宝贵。我希望你能从这本书中获得灵感，从而可以使用机器学习方法解决实际问题。”—— Dmytro Dzhulgakov，PyTorch核心维护者　

 文末福利

《Python机器学习：基于PyTorch和Scikit-Learn》免费包邮送出4本！

名单公布时间：2023-07-13 21:00:00