基于 Python 深度学习的异常检测入门（第二版） (英

文版电子书） 电子书格式: pdf 《基于 Python 深度学习的异常检测入门（第二版）》是一本聚焦异常检测技术落地的实用指南，专为数据科学、机器学习领域从业者及学习者打造，通过 Python 语言结合 Keras 与 PyTorch 框架，系统讲解异常检测的核心理论与工程实践。全书以 "理论奠基 - 工具实操 - 模型落地 - 场景应用" 为脉络，既适合零基础读者入门，也能为资深开发者提供进阶参考。 核心内容框架 本书共 11 章，涵盖异常检测全流程知识体系： 基础理论篇（第 1-3 章）：从异常的定义切入，详解数据点异常、上下文异常、模式异常等分类，区分异常检测与离群点检测、噪声去除、新颖性检测等相关任务的差异。同时搭建数据科学基础，介绍 Pandas、Scikit-Learn、Matplotlib 等工具的核心用法，以及机器学习的数据集划分、模型评估、过拟合处理等关键流程。 传统算法篇（第 4 章）：聚焦孤立森林（Isolation Forest）和单类支持向量机（One-Class SVM）两种经典算法，通过网络入侵检测案例，演示无监督与半监督异常检测的实现逻辑，重点讲解超参数调优与模型评估方法。 深度学习基础篇（第 5 章）：系统介绍深度学习的核心概念，包括神经元结构、激活函数（ReLU、Sigmoid、Tanh 等）、损失函数、梯度下降与反向传播原理，同时提供 Keras 和 PyTorch 双框架的多层感知机实现案例，为后续复杂模型打下基础。 进阶模型篇（第 6-10 章）：深入讲解异常检测领域的主流深度学习模型，包括自编码器及其变体（稀疏自编码器、深度自编码器、卷积自编码器、去噪自编码器、变分自编码器）、生成对抗网络（GAN）、长短期记忆网络（LSTM）、时序卷积网络（TCN）和 Transformer 架构，每个模型均配套完整代码实现与效果验证。 实践应用篇（第 11 章）：覆盖电信、银行、医疗、交通、社交媒体、制造业、智能家居等 12 个核心行业的异常检测场景，分析实际业务中的数据特点与模型选型策略，展望异常检测技术的未来发展趋势。 核心特色 双框架并行教学：所有代码示例均提供 TensorFlow/Keras 与 PyTorch 两种实现，读者可根据偏好选择学习，代码仓库同步托管于 GitHub，方便直接复用与二次开发。 理论与实践结合：每个核心概念均搭配直观案例（如黑天鹅现象解释异常定义、螺丝质量检测说明数据点异常），复杂模型通过分步拆解降低理解难度，同时注重工程细节（如数据预处理、超参数调优、模型评估指标选择）。 聚焦异常检测场景：针对异常检测的特殊性，重点讲解不平衡数据处理、异常评分计算、阈值选择等关键问题，提供混淆矩阵、精确率 - 召回率曲线、ROC-AUC 等专业评估方法，确保模型在实际场景中有效落地。 安全防护导向：在网络入侵、数据泄露、身份盗用等相关场景中，重点强调异常检测技术在安全防护中的作用，通过识别异常访问行为、异常数据传输等风险信号，帮助提升系统的安全防御能力，为数据与业务安全保驾护航。 适用人群 数据科学、机器学习初学者，希望系统掌握异常检测技术； 企业数据分析师、算法工程师，需要解决实际业务中的异常识别问题； 安全领域从业者，希望利用深度学习提升安全防御的智能化水平； 高校计算机、数据分析相关专业学生，作为课程实践或毕业设计参考资料。 本书通过清晰的逻辑结构、详实的代码案例与丰富的应用场景，帮助读者快速掌握异常检测的核心技术，实现从理论到工程实践的落地，为各类业务场景提供可靠的异常检测解决方案。