更新时间：2021-01-15 16:38:32
封面
版权信息
内容提要
译者简介
作者简介
审稿人简介
前 言
目标读者
本书内容
如何充分利用本书
使用约定
资源与支持
配套资源
提交勘误
与我们联系
关于异步社区和异步图书
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
1.3 机器学习算法的类型
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
2.3 K-means
2.4 威斯康星州乳腺癌数据集分析
2.5 评估指标
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
3.5 K-medoids
3.6 联机聚类
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
4.4 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
5.5 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
6.3 直方图
6.4 核密度估计
6.5 应用异常检测
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
7.3 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
8.3 基于赫布的主成分分析
8.4 无监督的深度置信网络
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
9.3 自组织映射
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
