本書內容

第1章，無監督學習入門，從非常務實的角度介紹機器學習和數據科學。本章討論主要的概念并展示一些簡單的例子，重點關注無監督學習的問題結構。

第2章，聚類基礎知識，開始對聚類算法進行探索。本章分析最常見的方法和評估指標，以及演示如何調整超參數并從不同角度評估性能的具體示例。

第3章，高級聚類，討論一些更復雜的算法。本章對第2章中分析的許多問題使用更強大、更靈活的方法重新評估。如果基本算法的性能不符合要求，就需要使用這些高級算法。

第4章，實操中的層次聚類，致力于介紹一系列算法，可根據特定標準計算完整的聚類層次結構。本章分析最常見的策略以及可提高方法有效性的特定性能指標和算法變體。

第5章，軟聚類和高斯混合模型，側重于一些著名的軟聚類算法，特別強調高斯混合，它允許在非常合理的假設下定義所生成的模型。

第6章，異常檢測，討論了無監督學習的特定應用：新值和異常值檢測。本章的目的是分析一些可以有效使用的常用方法，以便了解新樣本是否可以被視為有效樣本，或者是否有需要特別注意的異常值。

第7章，降維與分量分析，涵蓋了降維、分量分析和字典學習相關的常用且強大的方法。這些示例展示了如何在不同的特定場景中有效地執行此類操作。

第8章，無監督神經網絡模型，討論了一些非常重要的無監督神經網絡模型，特別是針對可以學習通用數據生成過程結構的網絡以及執行降維的網絡。

第9章，生成式對抗網絡和自組織映射，繼續對一些深度神經網絡進行分析，這些神經網絡可以學習數據生成過程的結構并輸出從這些過程中抽取的新樣本。此外，本章還討論了一種特殊的網絡（如SOM），并展示了一些實際案例。

第10章，問題解答，針對本書各章的問題給出解答。