Python無監(jiān)督機器學習最佳實踐

第1章 聚類
1．1 簡介
1．2 無監(jiān)督學習與有監(jiān)督學習
1．3 聚類的識別
1．3．1 識別聚類
1．3．2 二維數據
1．3．3 練習1：識別數據中的聚類
1．4 關于k均值聚類
1．4．1 無數學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2：用Python計算歐幾里得距離
1．4．6 練習3：以距離的概念形成聚類
1．4．7 練習4：從頭開始實現(xiàn)k均值
1．4．8 練習5：通過優(yōu)化實現(xiàn)k均值
1．4．9 聚類性能：輪廓分數
1．4．10 練習6：計算輪廓分數
1．4．11 活動1：實現(xiàn)k均值聚類
1．5 小結
第2章 分層聚類
2．1 介紹
2．2 聚類刷新
2．3 分層的組織結構
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7：建立分層結構
2．5 鏈接
2．5．1 鏈接概述
2．5．2 活動2：應用鏈接標準
2．6 凝聚分層聚類與分裂分層聚類
2．6．1 練習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 關于k均值與分層聚類
2．8 小結
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 關于DBSCAN
3．2．1 DBSCAN深度
3．2．2 DBSCAN算法的演練
3．2．3 練習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
第4章 降維和PCA
4．1 介紹
4．1．1 降維的定義
4．1．2 降維的應用
4．1．3 維數的詛咒
4．2 降維技術
4．2．1 概述
……
第5章 自動編碼器
第6章 t分布隨機鄰域嵌入算法
第7章 主題建模
第8章 購物籃分析
第9章 熱點分析
附錄