我想使用无监督学习方法从（不失一般性）数值数据中提取特征：
我也考虑使用自动编码器或类似的。然后将提取的特征用于分类器。
我的问题：我一一研究这些方法。一些在原始上下文中（例如聚类）和一些在特征提取的上下文中。我缺乏细节方面的经验，并且出现了许多问题
因此：
网络上是否有教程/讲义/博客文章描述了这种意义上的特征提取的最佳实践？
PS：像这样的课程第 4 周：特征构建处理我的问题——我很想从应用的角度看到更多的例子。这个问题特征工程教程是相似的，但我希望我的不是重复的。
Ali Ghodsi的Dimensionality Reduction A Short Tutorial是一个很好的参考。它涵盖了 PCA、局部线性嵌入、多维缩放和 Isomap。
Dan Ventura 为我们提供了一些很好的 流形学习示例 ——特别是 PCA、LLE 和 ISOMAP
Kilian Weinberger 有一个很好的网页专门介绍流形学习
Machine Learning Mastery中有一个关于特征工程的高级概述， 其中也有一些参考资料。
Lawrence Cayton 有一篇关于流形学习算法的概述论文
尽管它主要是关于有监督的特征提取，但我讨厌忽略 Isabelle Guyon 的工作。她有一篇不错的论文An Introduction to Variable and Feature Selection slides from a KDD Tutorial和她关于Feature Extraction的书。
截至 2017 年 1 月 18 日检查的所有链接
那里肯定有很多博客、探索和教程，不幸的是我什么都不知道。如果你想解释检查 Udacity georgia techs ML course，他们有一个关于 PCA/ICA 的部分（也许是 NMF）
你可以把它们堆叠起来。有时运行 PCA 以减少尺寸，因此 ICA/NMF 不必做太多工作。我想先运行 ICA/NMF，然后再运行 PCA 并没有多大意义。
是的，您只能在数据子集上训练它们。它可能应该已经实现了预测和拟合功能（或类似的东西）
我个人认为无监督学习的特征提取没有很好的定义。如果数据中没有ground truth label，那么特征提取的目标是什么，即我们如何知道导出的特征是好是坏？
我们可以有有限的方法从数据中获取新特征，但不知道新特征是否好。进行特征工程的经典方法包括基扩展，我们可以选择不同的基，例如多项式基、傅里叶基等。
可以在这里找到示例：