Python深度學習異常檢測：使用Keras和PyTorch

定　價：￥98.00

作　者：	[美] 斯里達爾·阿拉，[美] 蘇曼·卡拉揚·阿達里著，楊小冬譯
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥83.30)

ISBN：	9787302559429	出版時間：	2020-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	304	字數(shù)：

內(nèi)容簡介

　　在《Python深度學習異常檢測使用Keras和PyTorch》這本通俗易懂的入門級指南的引導下，了解如何將深度學習應用于各種異常檢測任務！《Python深度學習異常檢測使用Keras和PyTorch》濃墨重彩地描述如何利用Python中的Keras和PyTorch框架，將各種深度學習模型應用于半監(jiān)督和無監(jiān)督異常檢測任務?！禤ython深度學習異常檢測使用Keras和PyTorch》開篇討論異常檢測的含義、用途和重要性。在介紹用Python的scikit-learn進行異常檢測的統(tǒng)計和傳統(tǒng)機器學習方法后，《Python深度學習異常檢測使用Keras和PyTorch》引入深度學習方法，詳述如何在Keras和PyTorch中構(gòu)建和訓練深度學習模型，重點分析各類自動編碼器、RBM、RNN、LSTM和TCN等深度學習模型在異常檢測領域的應用。除了講解基于時間序列的異常檢測的基礎知識外，《Python深度學習異常檢測使用Keras和PyTorch》還探索無監(jiān)督和半監(jiān)督異常檢測的相關內(nèi)容。學習《Python深度學習異常檢測使用Keras和PyTorch》后，你將全面了解異常檢測的基本任務，掌握各種處理異常檢測的方法（從傳統(tǒng)方法到深度學習方法等）；還將了解scikit-learn的相關內(nèi)容，能在Keras和PyTorch中創(chuàng)建深度學習模型?！禤ython深度學習異常檢測使用Keras和PyTorch》主要內(nèi)容：了解異常檢測的含義及其重要性熟悉利用scikit-learn進行異常檢測的統(tǒng)計和傳統(tǒng)機器學習方法借助Keras和PyTorch了解Python深度學習的基本知識掌握度量模型性能的基本數(shù)據(jù)科學概念：AUC、精確率和召回率等將深度學習應用于半監(jiān)督和無監(jiān)督異常檢測

作者簡介

　　Sridhar Alla，Bluewhale公司的聯(lián)合創(chuàng)始人兼首席技術官（CTO）。該公司致力于幫助各種規(guī)模的組織構(gòu)建人工智能（AI）驅(qū)動的大數(shù)據(jù)解決方案和分析方法。Sridhar撰寫了很多圖書，眾多的Strata、HadoopWorld、SparkSummit相關會議爭相邀請他做主題演講。此外，他還在大規(guī)模計算和分布式系統(tǒng)領域擁有在美國專利商標局備案的一些專利。他對很多相關技術擁有豐富的使用經(jīng)驗，其中包括Spark、Flink、Hadoop、AWS、Azure、Tensor Flow、Cassandra等。2019年3月，他曾在StrataSFO上做了關于深度學習異常檢測的演講。2019年10月，他曾在StrataLondon大會上做相關演講。Sridhar出生在印度海得拉巴，目前與妻子Rosie和女兒Evelyn一起居住在美國新澤西州。平時，在編寫代碼之余，他喜歡與家人共度美好時光。此外，他還熱衷于培訓和教學指導工作，并經(jīng)常組織一些技術交流活動。Suman KalyanAdari，一名大學本科學生，在佛羅里達大學攻讀計算機科學學士學位。從大學一年級起，他就一直針對深度學習在網(wǎng)絡安全領域的應用進行深入研究；在2019年6月，他曾經(jīng)在美國俄勒岡州波特蘭市舉辦的IEEE可靠系統(tǒng)與網(wǎng)絡研討會上做了關于安全可靠的機器學習的演講。Suman對深度學習的相關研究充滿熱情，尤其專注于深度學習在各個領域的實際應用，例如視頻處理、圖像識別、異常檢測、有針對性的對抗攻擊等。

圖書目錄

第1章異常檢測
1．1 什么是異常？
1．1．1 異常的天鵝
1．1．2 數(shù)據(jù)點形式的異常
1．1．3 時間序列中的異常
1．1．4 出租車
1．2 異常的類別
1．2．1 基于數(shù)據(jù)點的異常
1．2．2 基于上下文的異常
1．2．3 基于模式的異常
1．3 異常檢測
1．3．1 離群值檢測
1．3．2 噪點消除
1．3．3 奇異值檢測
1．4 異常檢測的三種樣式
1．5 異常檢測用在什么地方？
1．5．1 數(shù)據(jù)泄露
1．5．2 身份盜用
1．5．3 制造業(yè)
1．5．4 網(wǎng)絡服務
1．5．5 醫(yī)療領域
1．5．6 視頻監(jiān)控
1．6 本章小結(jié)
第2章傳統(tǒng)的異常檢測方法
2．1 數(shù)據(jù)科學知識回顧
2．2 孤立森林
2．2．1 變種魚
2．2．2 使用孤立森林進行異常檢測
2．3 一類支持向量機
2．4 本章小結(jié)
第3章深度學習簡介
3．1 什么是深度學習？
3．2 Keras簡介：一種簡單的分類器模型
3．3 PyTorch簡介：一種簡單的分類器模型
3．4 本章小結(jié)
第4章自動編碼器
4．1 什么是自動編碼器？
4．2 簡單自動編碼器
4．3 稀疏自動編碼器
4．4 深度自動編碼器
4．5 卷積自動編碼器
4．6 降噪自動編碼器
4．7 變分自動編碼器
4．8 本章小結(jié)
第5章玻爾茲曼機
5．1 什么是玻爾茲曼機？
5．2 受限玻爾茲曼機（RBM）
5．2．1 使用RBM進行異常檢測——信用卡數(shù)據(jù)集
5．2．2 使用RBM進行異常檢測——KDDCUP數(shù)據(jù)集
5．3 本章小結(jié)
第6章長短期記憶網(wǎng)絡模型
6．1 序列和時間序列分析
6．2 什么是RNN？
6．3 什么是LSTM？
6．4 使用LSTM進行異常檢測
6．5 時間序列的示例
6．5．1 art_daily_no_noise
6．5．2 art_daily_nojump
6．5．3 art_daily_jumpsdown
6．5．4 art_daily_perfect_square_wave
6．5．5 art_load_balancer_spikes
6．5．6 ambient_temperature_system_failure
6．5．7 ec2_cpu_utilization
6．5．8 rds_cpu_utilization
6．6 本章小結(jié)
第7章時域卷積網(wǎng)絡
7．1 什么是時域卷積網(wǎng)絡？
7．2 膨脹時域卷積網(wǎng)絡
7．3 編碼器一解碼器時域卷積網(wǎng)絡
7．4 本章小結(jié)
第8章異常檢測實際應用案例
8．1 什么是異常檢測？
8．2 異常檢測的實際應用案例
8．2．1 電信
8．2．2 銀行服務
8．2．3 環(huán)境
8．2．4 醫(yī)療保健
8．2．5 交通運輸
8．2．6 社交媒體
8．2．7 金融和保險
8．2．8 網(wǎng)絡安全
8．2．9 視頻監(jiān)控
8．2．10 制造業(yè)
8．2．11 智能住宅
8．2．12 零售業(yè)
8．3 實現(xiàn)基于深度學習的異常檢測
8．4 本章小結(jié)
附錄A Keras簡介
附錄B PyTorch簡介