Python无监督学习电子书

版权

版权声明

内容提要

译者简介

作者简介

审稿人简介

前言

资源与支持

第1章 无监督学习入门

1.1 技术要求

1.2 为什么需要机器学习

1.2.1 描述性分析

1.2.2 诊断性分析

1.2.3 预测性分析

1.2.4 规范性分析

1.3 机器学习算法的类型

1.3.1 有监督学习算法

1.3.2 无监督学习算法

1.3.3 半监督学习算法

1.3.4 强化学习算法

1.4 为什么用Python进行数据科学和机器学习

1.5 总结

1.6 问题

第2章 聚类基础知识

2.1 技术要求

2.2 聚类介绍

距离函数

2.3 K-means

K-means++

2.4 威斯康星州乳腺癌数据集分析

2.5 评估指标

2.5.1 最小化惯性

2.5.2 轮廓分数

2.5.3 完整性分数

2.5.4 同质性分数

2.5.5 调整后的相互信息分数

2.5.6 调整后的兰德分数

2.5.7 列联矩阵

2.6 K-近邻

2.7 向量量化

2.8 总结

2.9 问题

第3章 高级聚类

3.1 技术要求

3.2 谱聚类

3.3 均值漂移

3.4 DBSCAN

3.4.1 Calinski-Harabasz分数

3.4.2 使用DBSCAN分析工作数据集中的缺勤率

3.4.3 聚类不稳定性作为性能指标

3.5 K-medoids

3.6 联机聚类

3.6.1 Mini-batch K-means

3.6.2 BIRCH

3.6.3 Mini-batch K-means与BIRCH的比较

3.7 总结

3.8 问题

第4章 实操中的层次聚类

4.1 技术要求

4.2 聚类层次结构

4.3 凝聚聚类

4.3.1 单一链和完整链

4.3.2 平均链

4.3.3 Ward链

4.4 树状图分析

4.5 同表型相关性系数作为一种性能指标

4.6 水处理厂数据集的凝聚聚类

4.7 连通性约束

4.8 总结

4.9 问题

第5章 软聚类和高斯混合模型

5.1 技术要求

5.2 软聚类

5.3 Fuzzy c-means

5.4 高斯混合

5.4.1 高斯混合的EM算法

5.4.2 用AIC和BIC方法评估高斯混合的性能

5.4.3 贝叶斯高斯混合选择成分

5.4.4 生成高斯混合

5.5 总结

5.6 问题

第6章 异常检测

6.1 技术要求

6.2 概率密度函数

6.2.1 作为异常值或新值的异常

6.2.2 数据集结构

6.3 直方图

6.4 核密度估计

6.4.1 高斯内核

6.4.2 Epanechnikov内核

6.4.3 指数内核

6.4.4 均匀/Tophat内核

6.4.5 估计密度

6.5 应用异常检测

基于KDD Cup 99数据集的异常检测

6.6 单类支持向量机

6.7 基于孤立森林的异常检测

6.8 总结

6.9 问题

第7章 降维与分量分析

7.1 技术要求

7.2 主成分分析

7.2.1 具有奇异值分解的PCA

7.2.2 具有MNIST数据集的PCA

7.2.3 基于内核的主成分分析

7.2.4 通过因子分析增加异方差噪声的强壮性

7.2.5 稀疏主成分分析与字典学习

7.2.6 非负矩阵分解

7.3 独立成分分析

7.4 具有潜在Dirichlet分配的主题建模

7.5 总结

7.6 问题

第8章 无监督神经网络模型

8.1 技术要求

8.2 自编码器

8.2.1 深度卷积自编码器示例

8.2.2 去噪自编码器

8.2.3 稀疏自编码器

8.2.4 变分自编码器

8.3 基于赫布的主成分分析

8.3.1 Sanger网络

8.3.2 Rubner-Tavan网络

8.4 无监督的深度置信网络

8.4.1 受限玻尔兹曼机

8.4.2 深度置信网络

8.4.3 无监督DBN示例

8.5 总结

8.6 问题

第9章 生成式对抗网络和自组织映射

9.1 技术要求

9.2 生成式对抗网络

9.2.1 GAN分析

9.2.2 深度卷积GAN示例

9.2.3 Wasserstein GAN

9.3 自组织映射

Kohonen映射示例

9.4 总结

9.5 问题

第10章 问题解答

10.1 第1章

10.2 第2章

10.3 第3章

10.4 第4章

10.5 第5章

10.6 第6章

10.7 第7章

10.8 第8章

10.9 第9章