Python深度学习异常检测使用Keras和PyTorch

在这本通俗易懂的入门级指南的引导下，了解如何将深度学习应用于各种异常检测任务！本书浓墨重彩地描述如何利用Python中的Keras和PyTorch框架，将各种深度学习模型应用于半监督和无监督异常检测任务。

　　《Python深度学习异常检测 使用Keras和PyTorch》开篇讨论异常检测的含义、用途和重要性。在介绍用Python的scikit-learn进行异常检测的统计和传统机器学习方法后，本书引入深度学习方法，详述如何在Keras和PyTorch中构建和训练深度学习模型，重点分析各类自动编码器、RBM、RNN、LSTM和TCN等深度学习模型在异常检测领域的应用。除了讲解基于时间序列的异常检测的基础知识外，本书还探索无监督和半监督异常检测的相关内容。

　　学习《Python深度学习异常检测 使用Keras和PyTorch》后，你将全面了解异常检测的基本任务，掌握各种处理异常检测的方法(从传统方法到深度学习方法等)；还将了解scikit-learn的相关内容，能在Keras和PyTorch中创建深度学习模型。

《Python深度学习异常检测 使用Keras和PyTorch》主要内容：
　　了解异常检测的含义及其重要性
　　熟悉利用scikit-learn进行异常检测的统计和传统机器学习方法
　　借助Keras和PyTorch了解Python深度学习的基本知识
　　掌握度量模型性能的基本数据科学概念：AUC、精确率和召回率等
　　将深度学习应用于半监督和无监督异常检测

　　Sridhar Alla，Bluewhale公司的联合创始人兼首席技术官（CTO）。该公司致力于帮助各种规模的组织构建人工智能（AI）驱动的大数据解决方案和分析方法。Sridhar撰写了很多图书，众多的Strata、HadoopWorld、SparkSummit相关会议争相邀请他做主题演讲。此外，他还在大规模计算和分布式系统领域拥有在美国专利商标局备案的一些专利。他对很多相关技术拥有丰富的使用经验，其中包括Spark、Flink、Hadoop、AWS、Azure、Tensor Flow、Cassandra等。2019年3月，他曾在StrataSFO上做了关于深度学习异常检测的演讲。2019年10月，他曾在StrataLondon大会上做相关演讲。
　　Sridhar出生在印度海得拉巴，目前与妻子Rosie和女儿Evelyn一起居住在美国新泽西州。平时，在编写代码之余，他喜欢与家人共度美好时光。此外，他还热衷于培训和教学指导工作，并经常组织一些技术交流活动。
　　
　　Suman KalyanAdari，一名大学本科学生，在佛罗里达大学攻读计算机科学学士学位。从大学一年级起，他就一直针对深度学习在网络安全领域的应用进行深入研究；在2019年6月，他曾经在美国俄勒冈州波特兰市举办的IEEE可靠系统与网络研讨会上做了关于安全可靠的机器学习的演讲。
　　Suman对深度学习的相关研究充满热情，尤其专注于深度学习在各个领域的实际应用，例如视频处理、图像识别、异常检测、有针对性的对抗攻击等。

第1章 异常检测
1．1 什么是异常？
1．1．1 异常的天鹅
1．1．2 数据点形式的异常
1．1．3 时间序列中的异常
1．1．4 出租车
1．2 异常的类别
1．2．1 基于数据点的异常
1．2．2 基于上下文的异常
1．2．3 基于模式的异常
1．3 异常检测
1．3．1 离群值检测
1．3．2 噪点消除
1．3．3 奇异值检测
1．4 异常检测的三种样式
1．5 异常检测用在什么地方？
1．5．1 数据泄露
1．5．2 身份盗用
1．5．3 制造业
1．5．4 网络服务
1．5．5 医疗领域
1．5．6 视频监控
1．6 本章小结

第2章 传统的异常检测方法
2．1 数据科学知识回顾
2．2 孤立森林
2．2．1 变种鱼
2．2．2 使用孤立森林进行异常检测
2．3 一类支持向量机
2．4 本章小结

第3章 深度学习简介
3．1 什么是深度学习？
3．2 Keras简介：一种简单的分类器模型
3．3 PyTorch简介：一种简单的分类器模型
3．4 本章小结

第4章 自动编码器
4．1 什么是自动编码器？
4．2 简单自动编码器
4．3 稀疏自动编码器
4．4 深度自动编码器
4．5 卷积自动编码器
4．6 降噪自动编码器
4．7 变分自动编码器
4．8 本章小结

第5章 玻尔兹曼机
5．1 什么是玻尔兹曼机？
5．2 受限玻尔兹曼机（RBM）
5．2．1 使用RBM进行异常检测——信用卡数据集
5．2．2 使用RBM进行异常检测——KDDCUP数据集
5．3 本章小结

第6章 长短期记忆网络模型
6．1 序列和时间序列分析
6．2 什么是RNN？
6．3 什么是LSTM？
6．4 使用LSTM进行异常检测
6．5 时间序列的示例
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 本章小结

第7章 时域卷积网络
7．1 什么是时域卷积网络？
7．2 膨胀时域卷积网络
7．3 编码器一解码器时域卷积网络
7．4 本章小结

第8章 异常检测实际应用案例
8．1 什么是异常检测？
8．2 异常检测的实际应用案例
8．2．1 电信
8．2．2 银行服务
8．2．3 环境
8．2．4 医疗保健
8．2．5 交通运输
8．2．6 社交媒体
8．2．7 金融和保险
8．2．8 网络安全
8．2．9 视频监控
8．2．10 制造业
8．2．11 智能住宅
8．2．12 零售业
8．3 实现基于深度学习的异常检测
8．4 本章小结

附录A Keras简介
附录B PyTorch简介

　　当你做出与我们一起探索深度学习并运用深度学习来进行异常检测的决定时，恭喜你，你的决定非常英明，相信你一定能够在此过程中收获愉悦的心情和丰富的知识。
　　所谓异常检测，其实就是找出不属于正常行为或预期行为的模式。如果出现异常事件，可能会对企业造成数百万美元的经济损失。广大消费者也可能会因异常事件而损失经济利益。实际上，在日常生活中，人们会面临各种各样的情况，财产甚至生命方面的风险无处不在。如果你的银行账户被清空，这就是一个问题。如果你家的水管破裂，淹了地下室，这也是一个问题。还有，如果机场的所有航班都发生延误，导致旅客长时间滞留机场，这同样是一个问题。你可能经历过误诊的情况，这更是一个非常严重的问题。
　　在本书中，你将了解到如何使用异常检测技术来解决各种商业问题，如何使用异常检测技术处理各种实际状况，以及如何解决商业环境中的实际问题。每个企业的实际情况以及应用异常检测技术的方式各不相同，因此，我们不能简单地通过复制粘贴代码来构建一个通用模型，以此来检测任何数据集中存在的异常情况，但是，本书将提供大量的应用案例，让大家亲身尝试一些编码练习，从而了解整个过程背后的各种可能性和相关概念。
　　我们之所以选择Python，是因为它包含大量的程序包，集成了scikit-learn、深度学习库等，是最适合用于数据科学的语言。
　　首先，我们将为大家简单介绍异常检测，然后看一看过去几十年所采用的异常检测方法。紧跟着，我们将带你了解一下深度学习的相关情况。
　　接下来，我们将探索自动编码器和变分自动编码器，为你更好地了解新一代生成模型铺平道路。
　　我们将探索如何使用RBM（受限玻尔兹曼机）来检测异常。然后将介绍LSTM（长短期记忆）网络模型，看一看如何处理时间数据。