第1章 無監督機器學習　　1
1.1 主成分分析　　1
1.1.1 主成分分析入門　　2
1.1.2 應用主成分分析　　3
1.2 k均值聚類　　5
1.2.1 聚類入門　　5
1.2.2 開始聚類分析　　6
1.2.3 調整聚類參數　　10
1.3 自組織映射　　13
1.3.1 自組織映射入門　　13
1.3.2 部署自組織映射　　14
1.4 擴展閱讀　　17
1.5 小結　　18
第2章 深度信念網絡　　19
2.1 神經網絡入門　　19
2.1.1 神經網絡的組成　　20
2.1.2 網絡拓撲結構　　20
2.2 受限玻爾茲曼機　　23
2.2.1 受限玻爾茲曼機簡介　　23
2.2.2 受限玻爾茲曼機的應用　　26
2.2.3 受限玻爾茲曼機的擴展應用　　35
2.3 深度信念網絡　　35
2.3.1 訓練深度信念網絡　　36
2.3.2 應用深度信念網絡　　36
2.3.3 驗證深度信念網絡　　39
2.4 擴展閱讀　　40
2.5 小結　　40
第3章 堆疊式降噪自編碼機　　41
3.1 自編碼機　　41
3.1.1 自編碼機簡介　　41
3.1.2 降噪自編碼機　　43
3.1.3 應用降噪自編碼機　　44
3.2 堆疊式降噪自編碼機　　47
3.2.1 應用堆疊式降噪自編碼機　　48
3.2.2 評估堆疊式降噪自編碼機的性能　　53
3.3 擴展閱讀　　54
3.4 小結　　54
第4章 捲積神經網絡　　55
4.1 CNN介紹　　55
4.1.1 CNN拓撲結構　　56
4.1.2 應用CNN　　66
4.2 擴展閱讀　　71
4.3 小結　　71
第5章 半監督學習　　72
5.1 簡介　　72
5.2 何為半監督學習　　72
5.3 半監督算法實戰　　73
5.3.1 自訓練　　73
5.3.2 對比悲觀似然估計　　81
5.4 擴展閱讀　　89
5.5 小結　　90
第6章 文本特徵工程　　91
6.1 介紹　　91
6.2 文本特徵工程　　92
6.2.1 清洗文本數據　　92
6.2.2 根據文本數據構造特徵　　99
6.2.3 測試準備好的數據　　103
6.3 擴展閱讀　　108
6.4 小結　　109
第7章 特徵工程II　　110
7.1 介紹　　110
7.2 創建特徵集　　110
7.2.1 為機器學習應用構建特徵　　111
7.2.2 運用特徵選擇技術　　117
7.3 特徵工程實戰　　123
7.4 擴展閱讀　　141
7.5 小結　　142
第8章 集成方法　　143
8.1 集成簡介　　143
8.1.1 理解平均集成　　144
8.1.2 應用提升法　　148
8.1.3 使用堆疊集成　　153
8.2 在動態應用中使用模型　　157
8.2.1 理解模型穩健性　　158
8.2.2 控製模型穩健性的策略　　163
8.3 擴展閱讀　　166
8.4 小結　　166
第9章 其他Python機器學習工具　　167
9.1 可選的開發工具　　167
9.1.1 Lasagne簡介　　167
9.1.2 TensorFlow簡介　　169
9.1.3 何時使用這些庫　　173
9.2 擴展閱讀　　174
9.3 小結　　175
附錄 代碼運行要求　　176
· · · · · · (收起)