许多行业专家都认为无监督学习是人工智能的下一个前沿领域，可能是通用人工智能的关键。一方面，由于世界上大多数数据是无标签的，无法应用传统的有监督学习；另一方面，无监督学习可以应用于未标签的数据集，以发现数据中深藏的有意义模式，这些模式对于人类来说几乎不可能被发现。
作者Ankur A.Patel为你展示了如何使用两个简单且可用于生产的Python框架实践无监督学习：Scikit-Learn和使用Keras的TensorFlow。通过代码和实践示例，数据科学家可以识别数据中难以找到的模式并获得更深入的业务洞察，发现数据异常，执行自动特征工程和模型选择，以及生成合成数据集。你只需要一些Python编程和机器学习经验就可以开始阅读《Python无监督学习实战（影印版英文版）》了。

reface
Part Ⅰ Fundamentals of Unsupervised Learning
1.Unsupervised Learning in the Machine Learning Ecosystem
Basic Machine Learning Terminology
Rules-Based vs.Machine Learning
Supervised vs.Unsupervised
The Strengths and Weaknesses of Supervised Learning
The Strengths and Weaknesses of Unsupervised Learning
Using Unsupervised Learning to Improve Machine Learning Solutions
A Closer Look at Supervised Algorithms
Linear Methods
Neighborhood-Based Methods
Tree-Based Methods
Support Vector Machines
Neural Networks
……