Python無(wú)監(jiān)督機(jī)器學(xué)習(xí)最佳實(shí)踐

第1章 聚類
1．1 簡(jiǎn)介
1．2 無(wú)監(jiān)督學(xué)習(xí)與有監(jiān)督學(xué)習(xí)
1．3 聚類的識(shí)別
1．3．1 識(shí)別聚類
1．3．2 二維數(shù)據(jù)
1．3．3 練習(xí)1：識(shí)別數(shù)據(jù)中的聚類
1．4 關(guān)于k均值聚類
1．4．1 無(wú)數(shù)學(xué)k均值演練
1．4．2 對(duì)于k均值聚類的深度演練
1．4．3 替代距離度量——曼哈頓距離
1．4．4 更深的維度
1．4．5 練習(xí)2：用Python計(jì)算歐幾里得距離
1．4．6 練習(xí)3：以距離的概念形成聚類
1．4．7 練習(xí)4：從頭開(kāi)始實(shí)現(xiàn)k均值
1．4．8 練習(xí)5：通過(guò)優(yōu)化實(shí)現(xiàn)k均值
1．4．9 聚類性能：輪廓分?jǐn)?shù)
1．4．10 練習(xí)6：計(jì)算輪廓分?jǐn)?shù)
1．4．11 活動(dòng)1：實(shí)現(xiàn)k均值聚類
1．5 小結(jié)
第2章 分層聚類
2．1 介紹
2．2 聚類刷新
2．3 分層的組織結(jié)構(gòu)
2．4 分層聚類簡(jiǎn)介
2．4．1 執(zhí)行分層聚類的步驟
2．4．2 分層聚類的演練示例
2．4．3 練習(xí)7：建立分層結(jié)構(gòu)
2．5 鏈接
2．5．1 鏈接概述
2．5．2 活動(dòng)2：應(yīng)用鏈接標(biāo)準(zhǔn)
2．6 凝聚分層聚類與分裂分層聚類
2．6．1 練習(xí)8：使用scikit-learn實(shí)現(xiàn)凝聚分層聚類
2．6．2 活動(dòng)3：比較k均值和分層聚類
2．7 關(guān)于k均值與分層聚類
2．8 小結(jié)
第3章 鄰域聚類方法和DBSCAN
3．1 介紹
3．1．1 聚類方法
3．1．2 作為鄰域的聚類
3．2 關(guān)于DBSCAN
3．2．1 DBSCAN深度
3．2．2 DBSCAN算法的演練
3．2．3 練習(xí)9：評(píng)估鄰域半徑大小的影響
3．2．4 DBSCAN屬性——鄰域半徑
3．2．5 活動(dòng)4：從頭開(kāi)始實(shí)現(xiàn)DBSCAN
3．2．6 DBSCAN屬性——最少點(diǎn)
3．2．7 練習(xí)10：評(píng)估最少點(diǎn)閾值的影響
3．2．8 活動(dòng)5：比較DBSCAN與k均值和分層聚類
3．3 DBSCAN與k均值和分層聚類
3．4 小結(jié)
第4章 降維和PCA
4．1 介紹
4．1．1 降維的定義
4．1．2 降維的應(yīng)用
4．1．3 維數(shù)的詛咒
4．2 降維技術(shù)
4．2．1 概述
……
第5章 自動(dòng)編碼器
第6章 t分布隨機(jī)鄰域嵌入算法
第7章 主題建模
第8章 購(gòu)物籃分析
第9章 熱點(diǎn)分析
附錄