编辑：陈萍萍的公主@一点人工一点智能
书籍：Beginning Anomaly Detection Using Python-Based Deep Learning：Implement Anomaly Detection Applications with Keras and PyTorch，2nd
作者：Suman Kalyan Adari，Sridhar Alla
出版：Apress
01 书籍介绍
这本面向初学者的书籍将通过教授前沿的机器学习和深度学习技术，帮助您理解和执行异常检测。此更新的第二版侧重于监督、半监督和无监督的异常检测方法。在本书的学习过程中，您将学习如何在实际应用中使用Keras和PyTorch。同时，本书还新增了关于生成对抗网络（GANs）和转换器（transformers）的章节，以反映深度学习领域的最新趋势。
《基于Python的深度学习异常检测（第二版）》一书首先从异常检测的基本概念、重要性及其应用入手。随后，在深入探讨传统机器学习算法（如基于scikit-learn的OC-SVM和Isolation Forest）进行异常检测之前，先介绍了数据科学和机器学习建模的核心概念。之后，作者讲解了机器学习和深度学习的基础知识，以及如何在Keras和PyTorch中实现多层感知器（MLP），以进行监督式异常检测。接下来，本书的重点转向深度学习模型在异常检测中的应用，包括各种类型的自编码器、循环神经网络（通过LSTM）、时间卷积网络和转换器。其中，后三种架构特别适用于时间序列异常检测。此外，本版还新增了一章关于生成对抗网络（GANs）的内容，以及在时间序列异常检测背景下关于转换器架构的新材料。
完成本书后，您将对异常检测有深入的理解，并掌握在各种情境（包括时间序列数据）下进行异常检测的各种方法。同时，您还将对scikit-learn、GANs、转换器、Keras和PyTorch有初步的认识，使您能够创建自己的基于机器学习或深度学习的异常检测器。
您将学到什么：
· 了解异常检测是什么，为什么它很重要，以及它是如何应用的
· 掌握机器学习的核心概念
· 精通使用scikit-learn进行异常检测的传统机器学习方法
· 使用Keras和PyTorch理解Python中的深度学习
· 通过pandas处理数据，并使用F1分数、精确率和召回率等指标评估模型性能
· 将深度学习应用于表格数据集和时间序列应用的监督、半监督和无监督异常检测任务
本书适合人群：
· 对学习深度学习在异常检测中的应用基础感兴趣的各级数据科学家和机器学习工程师
02 作者简介
Suman Kalyan Adari是机器学习研究工程师。他在佛罗里达大学获得计算机科学学士学位，并在哥伦比亚大学获得计算机科学硕士学位，专攻机器学习。自佛罗里达大学入学以来，他一直在进行对抗性机器学习领域的深度学习研究，并在2019年6月于俄勒冈州波特兰举行的IEEE可靠系统和网络研讨会上，就可靠和安全的机器学习主题进行了演讲。目前，他致力于各种异常检测任务，包括行为追踪和地理空间轨迹建模。
Sridhar Alla是Bluewhale的联合创始人兼首席技术官，该公司致力于帮助大小组织构建基于AI的大数据解决方案和分析，同时他还是SAS2PY的创作者，这是一个强大的工具，用于使用Pandas或PySpark自动将SAS工作负载迁移到基于Python的环境。他是一位已出版作品的作者，并在Strata、Hadoop World和Spark Summit等众多会议上担任热心的演讲嘉宾。他还向美国专利商标局提交了几项关于大规模计算和分布式系统的专利。他拥有包括Spark、Flink、Hadoop、AWS、Azure、Tensorflow、Cassandra在内的多种技术的丰富实践经验。2019年3月，他在旧金山Strata大会上就使用深度学习进行异常检测进行了演讲，同年10月也在伦敦Strata大会上进行了演讲。
