Python無監(jiān)督機(jī)器學(xué)習(xí)最佳實踐

第1章 聚類
1．1 簡介
1．2 無監(jiān)督學(xué)習(xí)與有監(jiān)督學(xué)習(xí)
1．3 聚類的識別
1．3．1 識別聚類
1．3．2 二維數(shù)據(jù)
1．3．3 練習(xí)1：識別數(shù)據(jù)中的聚類
1．4 關(guān)于k均值聚類
1．4．1 無數(shù)學(xué)k均值演練
1．4．2 對于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：從頭開始實現(xiàn)k均值
1．4．8 練習(xí)5：通過優(yōu)化實現(xiàn)k均值
1．4．9 聚類性能：輪廓分?jǐn)?shù)
1．4．10 練習(xí)6：計算輪廓分?jǐn)?shù)
1．4．11 活動1：實現(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實現(xiàn)凝聚分層聚類
2．6．2 活動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4：從頭開始實現(xiàn)DBSCAN
3．2．6 DBSCAN屬性——最少點
3．2．7 練習(xí)10：評估最少點閾值的影響
3．2．8 活動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 購物籃分析
第9章 熱點分析
附錄