基于Python的无监督学习

很多业内专家认为无监督学习是人工智能的下一个前沿，可能把握着进入通用人工智能的钥匙。因为世界上绝大部分数据是无标签的，传统的监督学习不能使用到它们。无监督学习通过另外的方法可以使用到这些无标签的数据集从而发现数据深层的有价值的数据模型，这些模型可能是人类自身也无法发现的。 作者Ankur Patel通过两个简单的、可应用于生产的Python框架向您展示了如何应用无监督学习：Scikit-learn和包含Keras的TensorFlow。通过代码和亲身操作的实例，数据科学家将发现数据中难以发现的模型：检测数据中的异常、进行自动特征工程和选择、生成合成数据集等，并获得更深层次的业务洞察力。您所需要的只是一些编程和机器学习经验就可以开始学习本书。 比较不同机器学习方法的优缺点：监督学习、无监督学习和强化学习； 从头到尾的建立和管理机器学习项目； 建立一个异常检测系统，以捕捉信用卡交易的欺诈； 将用户集群到不同的同构组中； 执行半监督学习； 使用受玻尔兹曼机开发电影推荐系统； 使用生成对抗网络生成合成图像。

前言
部分 无监督学习基础
章 机器学习生态系统中的无监督学习
机器学习基本术语
基于规则（Rules-Based）与机器学习
监督学习与无监督学习
监督学习的优缺点
无监督学习的优缺点
使用无监督学习改进机器学习的解决方案
了解监督学习算法
线性算法
基于邻域的算法
基于树的算法
支持向量机
神经网络
了解无监督学习算法
降维
聚类
特征提取
无监督深度学习
使用无监督学习解决序列数据问题
利用无监督学习的强化学习
半监督学习
无监督学习的成功应用
结论
第2章 完整机器学习项目
环境设置
版本控制：Git
克隆本书的Git存储库
科学库：Anaconda发行版Python
神经网络：TensorFlow和Keras
梯度提升算法，版本1：XGBoost
梯度提升算法，版本2：LightGBM
聚类算法
交互式计算环境：Jupyter Notebook
数据概述
数据准备
数据采集
数据研究
生成特征矩阵和标签数组
特征工程与特征选择
数据可视化（Data Visualization）
模型准备
分离出训练和测试数据集
选择成本函数
创建k折交叉验证集
机器学习模型（部分）
评估指标
混淆矩阵（Confusion Matrix）
……
第二部分 使用SciKit-Learn进行无监督学习
第3章 降维
第4章 异常检测
第5章 聚类
第6章 分组分割
第三部分 使用TensorFlow和Keras无监督学习
第7章 自动编码器
第8章 自动编码器实践
第9章 半监督学习
第四部分 使用TensorFlow和Keras进行深度无监督学习
0章 使用受限玻尔兹曼机器的推荐系统
1章 基于深度信念网络的特征检测
2章 生成对抗网络
3章 时间序列聚类
4章 尾声
作者介绍
封面介绍