基于Python的無監(jiān)督學(xué)習(xí)

目錄
前言 1
第一部分 無監(jiān)督學(xué)習(xí)基礎(chǔ)
第1 章 機(jī)器學(xué)習(xí)生態(tài)系統(tǒng)中的無監(jiān)督學(xué)習(xí) 15
機(jī)器學(xué)習(xí)基本術(shù)語 15
基于規(guī)則(Rules-Based) 與機(jī)器學(xué)習(xí) 17
監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí) 17
監(jiān)督學(xué)習(xí)的優(yōu)缺點(diǎn) 18
無監(jiān)督學(xué)習(xí)的優(yōu)缺點(diǎn) 19
使用無監(jiān)督學(xué)習(xí)改進(jìn)機(jī)器學(xué)習(xí)的解決方案 20
了解監(jiān)督學(xué)習(xí)算法 23
線性算法 25
基于鄰域的算法 26
基于樹的算法 28
支持向量機(jī) 29
神經(jīng)網(wǎng)絡(luò) 30
了解無監(jiān)督學(xué)習(xí)算法 30
降維 30
聚類 33
特征提取 35
無監(jiān)督深度學(xué)習(xí) 36
使用無監(jiān)督學(xué)習(xí)解決序列數(shù)據(jù)問題 38
利用無監(jiān)督學(xué)習(xí)的強(qiáng)化學(xué)習(xí) 39
半監(jiān)督學(xué)習(xí) 40
無監(jiān)督學(xué)習(xí)的成功應(yīng)用 40
結(jié)論 42
第2 章 完整機(jī)器學(xué)習(xí)項(xiàng)目 43
環(huán)境設(shè)置 43
版本控制：Git 43
克隆本書的Git 存儲(chǔ)庫 44
科學(xué)庫：Anaconda 發(fā)行版Python 44
神經(jīng)網(wǎng)絡(luò)：TensorFlow 和Keras 45
梯度提升算法，版本1: XGBoost 45
梯度提升算法，版本2：LightGBM 46
聚類算法 46
交互式計(jì)算環(huán)境：Jupyter Notebook 47
數(shù)據(jù)概述 47
數(shù)據(jù)準(zhǔn)備 48
數(shù)據(jù)采集 48
數(shù)據(jù)研究 50
生成特征矩陣和標(biāo)簽數(shù)組 53
特征工程與特征選擇 54
數(shù)據(jù)可視化（Data Visualization） 55
模型準(zhǔn)備 56
分離出訓(xùn)練和測(cè)試數(shù)據(jù)集 56
選擇成本函數(shù) 57
創(chuàng)建k 折交叉驗(yàn)證集 58
機(jī)器學(xué)習(xí)模型（第一部分） 58
評(píng)估指標(biāo) 62
混淆矩陣（Confusion Matrix） 62
精確率召回率曲線（Precision-Recall Curve） 63
觀察者操作特征曲線（receiver operating characteristic） 65
機(jī)器學(xué)習(xí)模型（第二部分） 68
模型2：隨機(jī)森林(Random Forests) 68
模型3：XGBoost 梯度提升機(jī)（gradient boosting machine） 71
模型4：LightGBM 梯度提升機(jī) 74
使用測(cè)試集對(duì)四個(gè)模型評(píng)估 77
集成（Ensembles） 82
最終算法選擇 86
完整生產(chǎn)系統(tǒng) 87
結(jié)論 87
第二部分 使用SciKit-Learn 進(jìn)行無監(jiān)督學(xué)習(xí)
第3 章 降維 91
降維的動(dòng)因 91
降維算法 96
主成分分析（principal component analysis，PCA） 97
PCA 概念 97
PCA 練習(xí) 98
增量PCA 103
稀疏PCA 104
核PCA 105
奇異值分解 107
隨機(jī)投影 108
等距映射 111
多維標(biāo)度法 112
局部線性嵌入 113
t- 分布隨機(jī)鄰域嵌入 114
其他降維方法 115
字典學(xué)習(xí) 116
獨(dú)立成分分析 118
結(jié)論 119
第4 章 異常檢測(cè) 120
信用卡欺詐檢測(cè) 121
準(zhǔn)備數(shù)據(jù) 121
定義異常評(píng)分函數(shù) 121
定義評(píng)估指標(biāo) 123
定義繪圖函數(shù) 124
普通PCA 異常檢測(cè) 124
PCA 成分?jǐn)?shù)量等于原始特征的數(shù)量 125
尋找最優(yōu)主成分?jǐn)?shù) 128
稀疏PCA 異常檢測(cè) 130
核PCA 異常檢測(cè) 132
高斯隨機(jī)投影異常檢測(cè) 135
稀疏隨機(jī)投影異常檢測(cè) 137
非線性異常檢測(cè) 138
字典學(xué)習(xí)異常檢測(cè) 139
ICA 異常檢測(cè) 141
在測(cè)試數(shù)據(jù)集上運(yùn)行欺詐檢測(cè)解決方案 143
測(cè)試數(shù)據(jù)集上的普通PCA 異常檢測(cè) 143
測(cè)試集上的ICA 異常檢測(cè) 145
測(cè)試集上使用字典學(xué)習(xí)異常檢測(cè) 146
結(jié)論 148
第5 章 聚類 149
MNIST 數(shù)字集 150
聚類算法 151
k 均值 152
k 均值慣性 153
評(píng)估聚類結(jié)果 154
k 均值精度 156
k 均值和主成分的數(shù)量 158
原始數(shù)據(jù)集上的k 均值 159
層次聚類 161
層次聚類方法 162
樹狀圖 163
評(píng)估聚類結(jié)果 165
密度聚類（DBSCAN） 168
DBSCAN 算法 168
HDBSCAN 170
結(jié)論 172
第6 章 分組分割 173
借貸俱樂部數(shù)據(jù) 173
數(shù)據(jù)準(zhǔn)備 174
將字符串格式轉(zhuǎn)換為數(shù)字格式 176
輸入缺失值 176
特征工程 179
選擇最終特征集并執(zhí)行縮放 179
指定用來評(píng)估的標(biāo)簽 179
聚類的好處 181
k 均值應(yīng)用 183
分層聚類應(yīng)用 186
HDBSCAN 應(yīng)用程序 190
結(jié)論 192
第三部分 使用TensorFlow 和Keras
無監(jiān)督學(xué)習(xí)
第7 章 自動(dòng)編碼器 195
神經(jīng)網(wǎng)絡(luò) 196
TensorFlow 198
Keras 199
自動(dòng)編碼器：編碼器和解碼器 199
欠完備自動(dòng)編碼器 200
過完備自動(dòng)編碼器 201
密集與稀疏自動(dòng)編碼器 202
降噪自動(dòng)編碼器 202
變分自動(dòng)編碼器 203
結(jié)論 204
第8 章 自動(dòng)編碼器實(shí)踐 205
數(shù)據(jù)準(zhǔn)備 205
自動(dòng)編碼器的組成部分 208
激活函數(shù) 209
我們的第一臺(tái)自動(dòng)編碼器 210
損失函數(shù) 211
優(yōu)化器 211
訓(xùn)練模型 212
對(duì)測(cè)試集進(jìn)行評(píng)估 214
具有線性激活函數(shù)的兩層欠完備自動(dòng)編碼器 216
增加節(jié)點(diǎn)數(shù) 220
添加更多隱藏層 222
非線性自動(dòng)編碼器 223
具有線性激活的過完備自動(dòng)編碼器 226
具有線性激活、隨機(jī)失活的過完備自動(dòng)編碼器 228
具有稀疏、線性激活、隨機(jī)失活的過完備自動(dòng)編碼器 231
具有稀疏、線性激活、隨機(jī)失活功能的過完備自動(dòng)編碼器 234
使用噪聲數(shù)據(jù)集 236
降噪自動(dòng)編碼器 236
二層、降噪、具備線性激活的欠完備自動(dòng)編碼器 237
兩層、降噪、具備線性激活的過完備自動(dòng)編碼器 240
兩層、降噪、ReLu 激活的過完備自動(dòng)編碼器 242
結(jié)論 244
第9 章 半監(jiān)督學(xué)習(xí) 246
數(shù)據(jù)準(zhǔn)備 246
監(jiān)督模型 250
無監(jiān)督模型 252
半監(jiān)督模型 254
監(jiān)督和無監(jiān)督的合力 257
結(jié)論 258
第四部分 使用TensorFlow 和Keras
進(jìn)行深度無監(jiān)督學(xué)習(xí)
第10 章 使用受限玻爾茲曼機(jī)器的推薦系統(tǒng) 261
玻爾茲曼機(jī)器 262
推薦系統(tǒng) 263
協(xié)同過濾 263
Netflix 獎(jiǎng) 264
MovieLens 數(shù)據(jù)集 264
數(shù)據(jù)準(zhǔn)備 265
定義成本函數(shù)：均方誤差 269
進(jìn)行基線實(shí)驗(yàn) 270
矩陣分解 271
一個(gè)潛在因子 272
三個(gè)潛在因子 273
五個(gè)潛在因子 274
使用RBM 的協(xié)同過濾 274
RBM 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 275
構(gòu)建RBM 類的組件 277
訓(xùn)練RBM 推薦系統(tǒng) 280
結(jié)論 281
第11 章 基于深度信念網(wǎng)絡(luò)的特征檢測(cè) 282
深層信念網(wǎng)絡(luò)詳述 282
MNIST 圖像分類 283
受限波爾茲曼機(jī) 285
構(gòu)建RBM 類的組件 286
使用RBM 模型生成圖像 289
查看中間特征檢測(cè)器 289
為DBN 訓(xùn)練三個(gè)RBM 290
檢查特征檢測(cè)器（Examine Feature Detectors） 293
查看生成的圖像 294
完整DBN 297
DBN 訓(xùn)練的工作原理 302
訓(xùn)練DBN 302
無監(jiān)督學(xué)習(xí)如何幫助監(jiān)督學(xué)習(xí) 304
使用LightGBM 的圖像分類器 312
監(jiān)督學(xué)習(xí) 312
無監(jiān)督和監(jiān)督的解決方案 314
結(jié)論 315
第12 章 生成對(duì)抗網(wǎng)絡(luò) 316
生成對(duì)抗網(wǎng)絡(luò)概念 316
深度卷積生成對(duì)抗網(wǎng)絡(luò) 317
卷積神經(jīng)網(wǎng)絡(luò) 318
重新思考DCGAN 323
DCGAN 生成器 324
DCGAN 的鑒別器 326
鑒別器和對(duì)抗模型 327
MNIST 數(shù)據(jù)集的DCGAN 328
在MNIST 數(shù)據(jù)集執(zhí)行DCGAN 330
結(jié)論 332
第13 章 時(shí)間序列聚類 333
心電數(shù)據(jù) 334
走進(jìn)時(shí)間序列聚類 334
心電圖k 形時(shí)間序列聚類 335
數(shù)據(jù)準(zhǔn)備 336
訓(xùn)練和評(píng)估 340
在ECG5000 上使用k 形進(jìn)行時(shí)間序列聚類 342
數(shù)據(jù)準(zhǔn)備 342
訓(xùn)練和評(píng)估 346
基于k 均值的ECG5000 時(shí)間序列聚類 348
基于ECG5000 的分層DBSCAN 時(shí)間序列聚類 349
比較時(shí)間序列聚類算法 350
k 形 351
k 均值 353
HDBSCAN 354
比較所有三種時(shí)間序列聚類方法 355
結(jié)論 357
第14 章 尾聲 358
監(jiān)督學(xué)習(xí) 359
無監(jiān)督學(xué)習(xí) 359
SciKit-Learn 360
TensorFlow 和Keras 361
強(qiáng)化學(xué)習(xí) 362
今天最有希望的無監(jiān)督學(xué)習(xí)領(lǐng)域 362
無監(jiān)督學(xué)習(xí)的未來 364
結(jié)語 366
作者介紹 367
封面介紹 367