從無標籤資料應用機器學習解決方案

“研究人員、工程師與學生將會喜歡這本書，因為本書充滿務實的非監督式學習技術，採用平鋪直述的方式，以及囊括了可快速練習的Python範例。”
–Sarah Nagy
Senior Data Scientist at Edison

許多專家認為非監督式學習是人工智慧的下一個前沿技術，並且是邁向強人工智慧的關鍵。由於世界上大多數資料都沒有標籤，因此無法應用傳統的監督式學習。從另一方面來說，非監督式學習則可以應用在無標籤的資料集，用以發現埋藏在資料深處裡有意義的樣式，而這些樣式幾乎不可能被人類發現。

作者Ankur Patel藉由使用兩個簡單且已經可實際運用於業務開發(production-ready)的Python框架：Scikit-learn和Keras來示範如何應用非監督式學習。透過程式碼和實際操作範例，數據科學家將從資料中識別難以發現的樣式，獲得更深入的商業洞見、檢測異常、執行自動特徵工程和特徵選擇，以及生成合成資料集。你所需要的只是程式能力和一些機器學習經驗。

‧比較不同機器學習方法的優點和缺點：監督、非監督和強化學習
‧完整地設置和管理機器學習項目
‧為信用卡詐欺建立偵測系統
‧按照相同與不相同將使用者進行分群
‧實作半監督式學習
‧使用受限玻爾茲曼機(restricted Boltzmann machine, RBM)開發電影推薦系統
‧使用生成對抗網路建立合成影像

Ankur A. Patel 是7Park Data(Vista Equity Partner項目公司)的數據科學副總裁。在7Park Data，Ankur和他的數據科學團隊採用替代資料為對沖基金和公司構建數據產品，並為企業開發機器學習即服務(MLaaS)。

前言

第一部分 非監督式學習的基礎
　　chapter 01　機器學習領域裡的非監督式學習
　　chapter 02　完整的機器學習專案

第二部分 使用 Scikit-Learn 開發非監督式學習
　　chapter 03　維度縮減
　　chapter 04　異常偵測
　　chapter 05　分群
　　chapter 06　群組區隔

第三部分 使用 TensorFlow 和 Keras 開發非監督式學習
　　chapter 07　自動編碼器（Autoencoder）
　　chapter 08　實際操作自動編碼器
　　chapter 09　半監督式學習


第四部分 使用 TensorFlow 和 Keras 開發非監督式深度學習模型
　　chapter 10　推薦系統使用受限波爾茲曼機
　　chapter 11　使用深度信念網路（DBNs）進行特徵偵測
　　chapter 12　生成對抗網路
　　chapter 13　時序型資料分群法
　　chapter 14　結論

索引