本书深入介绍了机器学习领域的基本概念和方法，除介绍了Python机器学习库和用机器学习库搭建神经网络模型的方法外，还介绍了机器学习算法的数学理论、工作原理、使用方法、实现细节以及如何避免机器学习算法实现过程中的常见问题。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，以及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，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。本书讲解清晰，示例生动，理论和实践部分相对平衡，既可以作为机器学习领域初学者的入门教程，也可以作为读者开发机器学习项目时的参考书。
Python深度学习“四大名著”之一全新PyTorch版
PyTorch核心维护者Dmytro Dzhulgakov亲笔作序推荐
从初学者角度，带你全面了解现代机器学习技术并从零开始动手实践
计算机\人工智能
“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
本书是一本在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。
