计算机 类型
可以朗读 语音朗读
228千字 字数
2020-07-01 发行日期
展开全部

主编推荐语

Python实现无监督学习: 理论与实践技巧掌握

内容简介

本书基于Python进行讲解，主要介绍了无监督学习的理论和实践技巧。书中仔细概括了机器学习的各个概念，非线性聚类、分层聚类，了解模糊均值、高斯混合模型、神经网络分析、无监督模型的创建等核心内容也都囊括其中，非常适合读者全面细致地掌握无监督学习相关的理论和实践技巧。 本书包括10章，前面9章不仅包括基本的代码示例，也包括基本的数学知识讲解，将原理与实践完美结合，既丰富了读者的基础知识，又提供了详尽的编程指导，第10章给出前面9章的问题答案，供读者参考。

目录

  • 版权信息
  • 版权
  • 版权声明
  • 内容提要
  • 译者简介
  • 作者简介
  • 审稿人简介
  • 前言
  • 资源与支持
  • 第1章 无监督学习入门
  • 1.1 技术要求
  • 1.2 为什么需要机器学习
  • 1.2.1 描述性分析
  • 1.2.2 诊断性分析
  • 1.2.3 预测性分析
  • 1.2.4 规范性分析
  • 1.3 机器学习算法的类型
  • 1.3.1 有监督学习算法
  • 1.3.2 无监督学习算法
  • 1.3.3 半监督学习算法
  • 1.3.4 强化学习算法
  • 1.4 为什么用Python进行数据科学和机器学习
  • 1.5 总结
  • 1.6 问题
  • 第2章 聚类基础知识
  • 2.1 技术要求
  • 2.2 聚类介绍
  • 距离函数
  • 2.3 K-means
  • K-means++
  • 2.4 威斯康星州乳腺癌数据集分析
  • 2.5 评估指标
  • 2.5.1 最小化惯性
  • 2.5.2 轮廓分数
  • 2.5.3 完整性分数
  • 2.5.4 同质性分数
  • 2.5.5 调整后的相互信息分数
  • 2.5.6 调整后的兰德分数
  • 2.5.7 列联矩阵
  • 2.6 K-近邻
  • 2.7 向量量化
  • 2.8 总结
  • 2.9 问题
  • 第3章 高级聚类
  • 3.1 技术要求
  • 3.2 谱聚类
  • 3.3 均值漂移
  • 3.4 DBSCAN
  • 3.4.1 Calinski-Harabasz分数
  • 3.4.2 使用DBSCAN分析工作数据集中的缺勤率
  • 3.4.3 聚类不稳定性作为性能指标
  • 3.5 K-medoids
  • 3.6 联机聚类
  • 3.6.1 Mini-batch K-means
  • 3.6.2 BIRCH
  • 3.6.3 Mini-batch K-means与BIRCH的比较
  • 3.7 总结
  • 3.8 问题
  • 第4章 实操中的层次聚类
  • 4.1 技术要求
  • 4.2 聚类层次结构
  • 4.3 凝聚聚类
  • 4.3.1 单一链和完整链
  • 4.3.2 平均链
  • 4.3.3 Ward链
  • 4.4 树状图分析
  • 4.5 同表型相关性系数作为一种性能指标
  • 4.6 水处理厂数据集的凝聚聚类
  • 4.7 连通性约束
  • 4.8 总结
  • 4.9 问题
  • 第5章 软聚类和高斯混合模型
  • 5.1 技术要求
  • 5.2 软聚类
  • 5.3 Fuzzy c-means
  • 5.4 高斯混合
  • 5.4.1 高斯混合的EM算法
  • 5.4.2 用AIC和BIC方法评估高斯混合的性能
  • 5.4.3 贝叶斯高斯混合选择成分
  • 5.4.4 生成高斯混合
  • 5.5 总结
  • 5.6 问题
  • 第6章 异常检测
  • 6.1 技术要求
  • 6.2 概率密度函数
  • 6.2.1 作为异常值或新值的异常
  • 6.2.2 数据集结构
  • 6.3 直方图
  • 6.4 核密度估计
  • 6.4.1 高斯内核
  • 6.4.2 Epanechnikov内核
  • 6.4.3 指数内核
  • 6.4.4 均匀/Tophat内核
  • 6.4.5 估计密度
  • 6.5 应用异常检测
  • 基于KDD Cup 99数据集的异常检测
  • 6.6 单类支持向量机
  • 6.7 基于孤立森林的异常检测
  • 6.8 总结
  • 6.9 问题
  • 第7章 降维与分量分析
  • 7.1 技术要求
  • 7.2 主成分分析
  • 7.2.1 具有奇异值分解的PCA
  • 7.2.2 具有MNIST数据集的PCA
  • 7.2.3 基于内核的主成分分析
  • 7.2.4 通过因子分析增加异方差噪声的强壮性
  • 7.2.5 稀疏主成分分析与字典学习
  • 7.2.6 非负矩阵分解
  • 7.3 独立成分分析
  • 7.4 具有潜在Dirichlet分配的主题建模
  • 7.5 总结
  • 7.6 问题
  • 第8章 无监督神经网络模型
  • 8.1 技术要求
  • 8.2 自编码器
  • 8.2.1 深度卷积自编码器示例
  • 8.2.2 去噪自编码器
  • 8.2.3 稀疏自编码器
  • 8.2.4 变分自编码器
  • 8.3 基于赫布的主成分分析
  • 8.3.1 Sanger网络
  • 8.3.2 Rubner-Tavan网络
  • 8.4 无监督的深度置信网络
  • 8.4.1 受限玻尔兹曼机
  • 8.4.2 深度置信网络
  • 8.4.3 无监督DBN示例
  • 8.5 总结
  • 8.6 问题
  • 第9章 生成式对抗网络和自组织映射
  • 9.1 技术要求
  • 9.2 生成式对抗网络
  • 9.2.1 GAN分析
  • 9.2.2 深度卷积GAN示例
  • 9.2.3 Wasserstein GAN
  • 9.3 自组织映射
  • Kohonen映射示例
  • 9.4 总结
  • 9.5 问题
  • 第10章 问题解答
  • 10.1 第1章
  • 10.2 第2章
  • 10.3 第3章
  • 10.4 第4章
  • 10.5 第5章
  • 10.6 第6章
  • 10.7 第7章
  • 10.8 第8章
  • 10.9 第9章
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。