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。

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。

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-batch K-means83
3．6．2BIRCH84
3．6．3Mini-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
4．3．3Ward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
5．3Fuzzy c-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
9．2．3Wasserstein GAN251
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