Python無監(jiān)督學習

第 1章　無監(jiān)督學習入門 1
1．1　技術要求　1
1．2　為什么需要機器學習　2
1．2．1　描述性分析　3
1．2．2　診斷性分析　4
1．2．3　預測性分析　4
1．2．4　規(guī)范性分析　7
1．3　機器學習算法的類型　7
1．3．1　有監(jiān)督學習算法　8
1．3．2　無監(jiān)督學習算法　11
1．3．3　半監(jiān)督學習算法　16
1．3．4　強化學習算法　17
1．4　為什么用Python進行數據科學和機器學習　18
1．5　總結　19
1．6　問題　19
第 2章　聚類基礎知識　20
2．1　技術要求　20
2．2　聚類介紹　21
2．3　K-means　26
2．4　威斯康星州乳腺癌數據集分析　27
2．5　評估指標　33
2．5．1　最小化慣性　33
2．5．2　輪廓分數　38
2．5．3　完整性分數　40
2．5．4　同質性分數　42
2．5．5　調整后的相互信息分數　43
2．5．6　調整后的蘭德分數　44
2．5．7　列聯矩陣　45
2．6　K-近鄰　46
2．7　向量量化　50
2．8　總結　56
2．9　問題　57
第3章　高級聚類　58
3．1　技術要求　58
3．2　譜聚類　59
3．3　均值漂移　63
3．4　DBSCAN　67
3．4．1　Calinski-Harabasz分數　69
3．4．2　使用DBSCAN分析工作數據集中的缺勤率　69
3．4．3　聚類不穩(wěn)定性作為性能指標　76
3．5　K-medoids　79
3．6　聯機聚類　83
3．6．1　Mini-batch K-means　83
3．6．2　BIRCH　84
3．6．3　Mini-batch K-means與BIRCH的比較　86
3．7　總結　89
3．8　問題　90
第4章　實操中的層次聚類　91
4．1　技術要求　91
4．2　聚類層次結構　92
4．3　凝聚聚類　93
4．3．1　單一鏈和完整鏈　94
4．3．2　平均鏈　95
4．3．3　Ward鏈　96
4．4　樹狀圖分析　96
4．5　同表型相關性系數作為一種性能指標　101
4．6　水處理廠數據集的凝聚聚類　103
4．7　連通性約束　109
4．8　總結　113
4．9　問題　113
第5章　軟聚類和高斯混合模型　115
5．1　技術要求　115
5．2　軟聚類　116
5．3　Fuzzy c-means　117
5．4　高斯混合　121
5．4．1　高斯混合的EM算法　123
5．4．2　用AIC和BIC方法評估高斯混合的性能　129
5．4．3　貝葉斯高斯混合選擇成分　131
5．4．4　生成高斯混合　135
5．5　總結　139
5．6　問題　140
第6章　異常檢測　141
6．1　技術要求　141
6．2　概率密度函數　142
6．2．1　作為異常值或新值的異?！?43
6．2．2　數據集結構　144
6．3　直方圖　145
6．4　核密度估計　148
6．4．1　高斯內核　148
6．4．2　Epanechnikov內核　149
6．4．3　指數內核　150
6．4．4　均勻/Tophat內核　151
6．4．5　估計密度　151
6．5　應用異常檢測　156
6．6　單類支持向量機　164
6．7　基于孤立森林的異常檢測　168
6．8　總結　172
6．9　問題　173
第7章　降維與分量分析　175
7．1　技術要求　175
7．2　主成分分析　176
7．2．1　具有奇異值分解的PCA　178
7．2．2　具有MNIST數據集的PCA　181
7．2．3　基于內核的主成分分析　183
7．2．4　通過因子分析增加異方差噪聲的強壯性　186
7．2．5　稀疏主成分分析與字典學習　188
7．2．6　非負矩陣分解　190
7．3　獨立成分分析　193
7．4　具有潛在Dirichlet分配的主題建模　197
7．5　總結　202
7．6　問題　202
第8章　無監(jiān)督神經網絡模型　204
8．1　技術要求　204
8．2　自編碼器　205
8．2．1　深度卷積自編碼器示例　206
8．2．2　去噪自編碼器　211
8．2．3　稀疏自編碼器　213
8．2．4　變分自編碼器　215
8．3　基于赫布的主成分分析　221
8．3．1　Sanger網絡　221
8．3．2　Rubner-Tavan網絡　226
8．4　無監(jiān)督的深度置信網絡　230
8．4．1　受限玻爾茲曼機　231
8．4．2　深度置信網絡　232
8．4．3　無監(jiān)督DBN示例　233
8．5　總結　235
8．6　問題　236
第9章　生成式對抗網絡和自組織映射　237
9．1　技術要求　237
9．2　生成式對抗網絡　238
9．2．1　GAN分析　240
9．2．2　深度卷積GAN示例　242
9．2．3　Wasserstein GAN　251
9．3　自組織映射　260
9．4　總結　265
9．5　問題　266
第 10章　問題解答　267
10．1　第 1章　267
10．2　第 2章　268
10．3　第3章　268
10．4　第4章　269
10．5　第5章　269
10．6　第6章　270
10．7　第7章　271
10．8　第8章　271
10．9　第9章　272