基于Python的无监督学9787519849498 正版新书正浩图书专营店 mobi 下载 网盘 caj lrf pdf txt 阿里云

暂无相关简介，正在全力查找中！

目录

前言 1

部分 无监督学

第1 章 机器学系统中的无监督学5

机器学术语 15

基于规则(Rules-Based) 与机器学17

监督学监督学17

监督学缺点 18

无监督学缺点 19

使用无监督学机器学决方案

了解监督学 23

线算法 25

基于邻域的算法 26

基于树的算法 28

支持向量机 29

神经网络 30

了解无监督学 30

降维 30

聚类 33

特征提取 35

无监督深度学36

使用无监督学序列数据问题 38

利用无监督学化学39

半监督学40

无监督学应用 40

结论 42

第2 章 完整机器学 43

环境设置 43

版本控制：Git 43

***本书的Git 存储库 44

科学库：Anaconda 发行版Python 44

神经网络：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

聚类算法 46

交互式计算环境：Jupyter Notebook 47

数据概述 47

数据准备 48

数据采集 48

数据研究 50

生成特征矩阵和标签数组 53

特征工程与特征选择 54

数据可视化(Data Visualization) 55

模型准备 56

分离出训练和测试数据集 56

选择成本函数 57

创建k 折交叉验证集 58

机器学(部分) 58

评估指标 62

混淆矩阵(Confusion Matrix) 62

率召回率曲线(Precision-Recall Curve) 63

观察者操作特征曲线(receiver operating characteristic) 65

机器学(部分) 68

模型2：森林(Random Forests) 68

模型3：XGBoost 梯度提升机(gradient boosting machine) 71

模型4：LightGBM 梯度提升机 74

使用测试集对四个模型评估 77

集成(Enles) 82

终算法选择 86

完整生产系统 87

结论 87

部分 使用SciKit-Learn行无监督学

第3 章 降维 91

降维的动因 91

降维算法 96

主成分分析(principal component ***ysis，PCA) 97

PCA 概念 97

PCA 练98

增量PCA 103

稀疏PCA 104

核PCA 105

奇异值分解 107

投影 108

等距映射 111

多维标度法 112

局部线嵌入 113

t- 分布邻域嵌入 114

其他降维方法 115

字典学116

***成分分析 118

结论 119

第4 章 异常检测 1

信用卡欺诈检测 121

准备数据 121

定义异常评分函数 121

定义评估指标 123

定义绘图函数 124

普通PCA 异常检测 124

PCA 成分数量等于原始特征的数量 125

寻找优主成分数 128

稀疏PCA 异常检测 130

核PCA 异常检测 132

高斯投影异常检测 135

稀疏投影异常检测 137

非线异常检测 138

字典学检测 139

ICA 异常检测 141

在测试数据集上运行欺诈检测解决方案 143

测试数据集上的普通PCA 异常检测 143

测试集上的ICA 异常检测 145

测试集上使用字典学检测 146

结论 148

第5 章 聚类 149

MNIST 数字集 150

聚类算法 151

k 均值 152

k 均值惯 153

评估聚类结果 154

k 均值精度 156

k 均值和主成分的数量 158

原始数据集上的k 均值 159

层次聚类 161

层次聚类方法 162

树状图 163

评估聚类结果 165

密度聚类(DBSCAN) 168

DBSCAN 算法 168

HDBSCAN 170

结论 172

第6 章 分组分割 173

俱乐部数据 173

数据准备 174

将字符串格式转换为数字格式 176

输入缺失值 176

特征工程 179

选择终特征集并执行缩放 179

用来评估的标签 179

聚类的好处 181

k 均值应用 183

分层聚类应用 186

HDBSCAN 应用程序 190

结论 192

第三部分 使用TensorFlow 和Keras

无监督学

第7 章 自动编码器 195

神经网络 196

TensorFlow 198

Keras 199

自动编码器：编码器和解码器 199

欠完备自动编码器 0

过完备自动编码器 1

密集与稀疏自动编码器 2

降噪自动编码器 2

变分自动编码器 3

结论 4

第8 章 自动编码器实践 5

数据准备 5

自动编码器的组成部分 8

激活函数 9

我们的台自动编码器 210

损失函数 211

优化器 211

训练模型 212

对测试行评估 214

具有线激活函数的两层欠完备自动编码器 216

增加节点数 2

添加更多隐藏层 222

非线自动编码器 223

具有线激活的过完备自动编码器 226

具有线激活、失活的过完备自动编码器 228

具有稀疏、线激活、失活的过完备自动编码器 231

具有稀疏、线激活、失能的过完备自动编码器 234

使用噪声数据集 236

降噪自动编码器 236

二层、降噪、具备线激活的欠完备自动编码器 237

两层、降噪、具备线激活的过完备自动编码器 240

两层、降噪、ReLu 激活的过完备自动编码器 242

结论 244

第9 章 半监督学246

数据准备 246

监督模型 250

无监督模型 252

半监督模型 254

监督和无监督的合力 257

结论 258

第四部分 使用TensorFlow 和Keras

第10 章 使用受限玻尔兹曼系统 261

玻尔兹曼机器 262

协同过滤 263

Netflix 奖 264

MovieLens 数据集 264

数据准备 265

定义成本函数：均方误差 269

矩阵分解 271

一个潜在因子 272

三个潜在因子 273

五个潜在因子 274

使用RBM 的协同过滤 274

RBM 神经网络结构 275

构建RBM 类的组件 277

训练R系统 280

结论 281

第11 章 基于深度信念网络的特征检测 282

深层信念网络详述 282

MNIST 图像分类 283

受限波尔兹曼机 285

构建RBM 类的组件 286

使用RBM 模型生成图像 289

查看中间特征检测器 289

为DBN 训练三个RBM 290

检查特征检测器(Examine Feature Detectors) 293

查看生成的图像 294

完整DBN 297

DBN 训练的工作原理 302

训练DBN 302

无监督学帮助监督学304

使用LightGBM 的图像分类器 312

监督学312

无监督和监督的解决方案 314

结论 315

第12 章 生成对抗网络 316

生成对抗网络概念 316

深度卷积生成对抗网络 317

卷积神经网络 318

重新思考DCGAN 323

DCGAN 生成器 324

DCGAN 的鉴别器 326

鉴别器和对抗模型 327

MNIST 数据集的DCGAN 328

在MNIST 数据集执行DCGAN 330

结论 332

第13 章 时间序列聚类 333

心电数据 334

时间序列聚类 334

心电图k 形时间序列聚类 335

数据准备 336

训练和评估 340

在ECG5000 上使用k 行时间序列聚类 342

数据准备 342

训练和评估 346

基于k 均值的ECG5000 时间序列聚类 348

基于ECG5000 的分层DBSCAN 时间序列聚类 349

比较时间序列聚类算法 350

k 形 351

k 均值 353

HDBSCAN 354

比较所有三种时间序列聚类方法 355

结论 357

第14 章 尾声 358

监督学359

无监督学359

SciKit-Learn 360

TensorFlow 和Keras 361

强化学362

今天有希望的无监督学 362

无监督学来 364

结语 366

作者介绍 367

封面介绍 367

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：基于Python的无监督学9787519849498 正版新书正浩图书专营店在线阅读

在线听书地址：基于Python的无监督学9787519849498 正版新书正浩图书专营店在线收听

在线购买地址：基于Python的无监督学9787519849498 正版新书正浩图书专营店在线购买

暂无原文赏析，正在全力查找中！

暂无其它内容！