这本面向初学者的书将通过学习尖端的机器学习和深度学习技术来帮助您理解和执行异常检测。更新后的第二版重点介绍有监督、半监督和无监督的异常检测方法。在本书中，您将学习如何在实际应用中使用 Keras 和 PyTorch。它还介绍了有关 GAN 和 transformers 的新章节，以反映深度学习的最新趋势。

使用基于 Python 的深度学习开始异常检测首先介绍异常检测、其重要性及其应用。然后，它涵盖了核心数据科学和机器学习建模概念，然后深入研究了传统的机器学习算法，例如 OC-SVM 和 Isolation Forest，以便使用 scikit-learn 进行异常检测。在此之后，作者解释了机器学习和深度学习的基本要素，以及如何在 Keras 和 PyTorch 中实现多层感知器以进行监督异常检测。从这里开始，重点转移到深度学习模型在异常检测中的应用，包括各种类型的自动编码器、递归神经网络（通过 LSTM）、时间卷积网络和转换器，后三种架构应用于时间序列异常检测。本版新增了一章关于GAN（生成对抗网络）的章节，以及涵盖时序异常检测背景下的变压器架构的新材料。

完成本书后，您将对异常检测以及在各种上下文（包括时间序列数据）中处理异常的各种方法有透彻的了解。此外，您还将了解 scikit-learn、GAN、Transformers、Keras 和 PyTorch，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。

 您将学习什么

• 了解什么是异常检测，为什么它很重要，以及如何应用它
• 掌握机器学习的核心概念。
• 掌握使用 scikit-kearn 进行异常检测的传统机器学习方法。
• 使用 Keras 和 PyTorch 了解 Python 中的深度学习
• 通过 pandas 处理数据，并使用 F1 分数、精度和召回率等指标评估模型的性能
• 将深度学习应用于表格数据集和时序应用程序的监督、半监督和无监督异常检测任务

这本书是给谁看的

具有各种经验水平的数据科学家和机器学习工程师对学习异常检测中深度学习应用的基础知识感兴趣。