本书内容

第1章，无监督学习入门，从非常务实的角度介绍机器学习和数据科学。本章讨论主要的概念并展示一些简单的例子，重点关注无监督学习的问题结构。

第2章，聚类基础知识，开始对聚类算法进行探索。本章分析最常见的方法和评估指标，以及演示如何调整超参数并从不同角度评估性能的具体示例。

第3章，高级聚类，讨论一些更复杂的算法。本章对第2章中分析的许多问题使用更强大、更灵活的方法重新评估。如果基本算法的性能不符合要求，就需要使用这些高级算法。

第4章，实操中的层次聚类，致力于介绍一系列算法，可根据特定标准计算完整的聚类层次结构。本章分析最常见的策略以及可提高方法有效性的特定性能指标和算法变体。

第5章，软聚类和高斯混合模型，侧重于一些著名的软聚类算法，特别强调高斯混合，它允许在非常合理的假设下定义所生成的模型。

第6章，异常检测，讨论了无监督学习的特定应用：新值和异常值检测。本章的目的是分析一些可以有效使用的常用方法，以便了解新样本是否可以被视为有效样本，或者是否有需要特别注意的异常值。

第7章，降维与分量分析，涵盖了降维、分量分析和字典学习相关的常用且强大的方法。这些示例展示了如何在不同的特定场景中有效地执行此类操作。

第8章，无监督神经网络模型，讨论了一些非常重要的无监督神经网络模型，特别是针对可以学习通用数据生成过程结构的网络以及执行降维的网络。

第9章，生成式对抗网络和自组织映射，继续对一些深度神经网络进行分析，这些神经网络可以学习数据生成过程的结构并输出从这些过程中抽取的新样本。此外，本章还讨论了一种特殊的网络（如SOM），并展示了一些实际案例。

第10章，问题解答，针对本书各章的问题给出解答。