1.無監督學習是數據科學中一個重要的分支，常用於數據挖掘領域，是個有趣的熱點話題；2.本書通過Python語言講解無監督學習，基於python圖書的優勢，更容易被讀者接受；3.實戰導向，為讀者提供可以立即使用和可供評估的不同方法，構建高效且實用的解決方案；4.作者是機器學習領域的專家，曾參與了不同業務環境下的解決方案設計、管理和交付。

●第1章無監督學習入門1
1.1技術要求1
1.2為什麼需要機器學習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規範性分析7
1.3機器學習算法的類型7
1.3.1有監督學習算法8
1.3.2無監督學習算法11
1.3.3半監督學習算法16
1.3.4強化學習算法17
1.4為什麼用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
2.3K-means26
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調整後的相互信息分數43
2.5.6調整後的蘭德分數44
2.5.7列聯矩陣45
2.6K-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
3.4DBSCAN67
3.4.1Calinski-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聚類不穩定性作為性能指標76
3.5K-medoids79
3.6聯機聚類83
3.6.1Mini-batchK-means83
3.6.2BIRCH84
3.6.3Mini-batchK-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
4.3.3Ward鏈96
4.4樹狀圖分析96
4.5同表型相關性繫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
5.3Fuzzyc-means117
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常143
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
6.4.2Epanechnikov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基於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PCA178
7.2.2具有MNIST數據集的PCA181
7.2.3基於內核的主成分分析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基於赫布的主成分分析221
8.3.1Sanger網絡221
8.3.2Rubner-Tavan網絡226
8.4無監督的深度置信網絡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
9.2.1GAN分析240
9.2.2深度卷積GAN示例242
9.2.3WassersteinGAN251
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

機器學習是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。無監督學習是機器學習中的一種學習方式，是數據科學的一個重要分支，常用於數據挖掘領域，通過構建模型來為業務決策提供依據。
本書通過Python語言講解無監督學習，全書內容包括10章，前面9章由淺入深地講解了無監督學習的基礎知識、聚類的基礎知識、高級聚類、層次聚類、軟聚類和高斯混合模型、異常檢測、降維和分量分析、無監督神經網絡模型、生成式對抗網絡和自組織映射，第10章以問題解答的形式對前面9章涉及的問題給出了解決方案。
本書適合數據科學家、機器學習從業者和普通的軟件開發人員閱讀，通過學習本書介紹的無監督學習理論和Python編程方法，讀者能夠在業務實踐中獲得有價值的參考。

(德)朱塞佩·博納科爾索 著 瞿源,劉江峰 譯