日期：
来源：数据派THU收集编辑：数据派THU
这本书提供了一个强大的概念和理论工具包来解决具有挑战性的表格数据问题。
深度学习是现代人工智能领域最强大的工具之一。虽然主要应用于高度专业化的图像、文本和信号数据集，但本书对一个看似不太可能的领域——表格数据，合成并提出了新的深度学习方法。无论是在金融、商业、安全、医学还是无数其他领域，深度学习都可以帮助挖掘和建模表格数据中的复杂模式——这是一种非常普遍的结构化数据形式。本书的第一部分提供了与整体建模和操作表格数据相关的机器学习原则、算法和实现技能的严格概述。第二部分研究了五种主流的深度学习模型设计——人工神经网络，卷积神经网络，循环神经网络，注意力和transformer，以及树形网络——通过它们的“默认”使用及其在表格数据上的应用。第三部分结合了之前介绍的方法，通过调查策略和技术来增强深度学习系统的能力:自动编码器、深度数据生成、元优化、多模型安排和神经网络可解释性。每一章都有大量的可视化、代码和相关的研究。表格数据的现代深度学习是其类型之一-对深度学习理论和应用于表格数据的广泛探索，整合和记录该领域的新方法和技术。这本书提供了一个强大的概念和理论工具包来解决具有挑战性的表格数据问题。- 现代机器学习和深度学习的重要概念和发展，特别强调表格数据的应用。
- 了解深度学习和表格数据之间有希望的联系，以及深度学习方法何时合适或不合适。
- 在现实世界的数据环境中应用有前途的研究和独特的建模方法。
- 利用独特和成功的预处理方法为成功的建模准备表格数据。
这本书适合所有级别的数据科学家和研究人员，从初学者到高级，希望通过深度学习提高表格数据的结果，或了解深度表格建模研究的理论和实践方面。适用于寻求将深度学习应用于各种复杂的表格数据上下文的读者，包括商业、金融、医学、教育和安全。https://link.springer.com/book/10.1007/978-1-4842-8692-0