Java機(jī)器學(xué)習(xí)

定　價(jià)：￥49.00

作　者：	[斯洛文尼亞] 博思蒂安·卡魯扎（Bo·tjan Kalu·a）著；武傳海譯
出版社：	人民郵電出版社
叢編項(xiàng)：	圖靈程序設(shè)計(jì)叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787115466808	出版時(shí)間：	2017-09-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	171	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)介紹如何使用Java創(chuàng)建并實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法，既有基礎(chǔ)知識(shí)，又提供實(shí)戰(zhàn)案例。主要內(nèi)容包括：機(jī)器學(xué)習(xí)基本概念、原理，Weka、Mahout、Spark等常見(jiàn)機(jī)器學(xué)習(xí)庫(kù)的用法，各類(lèi)機(jī)器學(xué)習(xí)常見(jiàn)任務(wù)，包括分類(lèi)、預(yù)測(cè)預(yù)報(bào)、購(gòu)物籃分析、檢測(cè)異常、行為識(shí)別、圖像識(shí)別以及文本分析。最后還提供了相關(guān)Web資源、各種技術(shù)研討會(huì)議以及機(jī)器學(xué)習(xí)挑戰(zhàn)賽等進(jìn)階所需內(nèi)容。本書(shū)適合機(jī)器學(xué)習(xí)入門(mén)者，尤其是想使用Java機(jī)器學(xué)習(xí)庫(kù)進(jìn)行數(shù)據(jù)分析的讀者。

作者簡(jiǎn)介

　　作者：[斯洛文尼亞]博思蒂安·卡魯扎（Bo？tjan Kalu？a）譯者：武傳海博士，人工智能與機(jī)器學(xué)習(xí)專(zhuān)家，現(xiàn)任Evolven公司（領(lǐng)先的IT運(yùn)營(yíng)分析公司，致力于配置管理業(yè)務(wù)）首席數(shù)據(jù)科學(xué)家，主攻機(jī)器學(xué)習(xí)、預(yù)測(cè)分析、模式挖掘與異常檢測(cè)，旨在把數(shù)據(jù)轉(zhuǎn)化為人類(lèi)可理解的信息與可供實(shí)用的知識(shí)。更多信息請(qǐng)?jiān)L問(wèn)http：//bostjankaluza.net。

圖書(shū)目錄

第1章　機(jī)器學(xué)習(xí)應(yīng)用快速入門(mén)\t1
1．1　機(jī)器學(xué)習(xí)與數(shù)據(jù)科學(xué)\t1
1．1．1　機(jī)器學(xué)習(xí)能夠解決的問(wèn)題\t2
1．1．2　機(jī)器學(xué)習(xí)應(yīng)用流程\t3
1．2　數(shù)據(jù)與問(wèn)題定義\t4
1．3　數(shù)據(jù)收集\t5
1．3．1　發(fā)現(xiàn)或觀察數(shù)據(jù)\t5
1．3．2　生成數(shù)據(jù)\t6
1．3．3　采樣陷阱\t7
1．4　數(shù)據(jù)預(yù)處理\t7
1．4．1　數(shù)據(jù)清洗\t8
1．4．2　填充缺失值\t8
1．4．3　剔除異常值\t8
1．4．4　數(shù)據(jù)轉(zhuǎn)換\t9
1．4．5　數(shù)據(jù)歸約\t10
1．5　無(wú)監(jiān)督學(xué)習(xí)\t10
1．5．1　查找相似項(xiàng)目\t10
1．5．2　聚類(lèi)\t12
1．6　監(jiān)督學(xué)習(xí)\t13
1．6．1　分類(lèi)\t14
1．6．2　回歸\t16
1．7　泛化與評(píng)估\t18
1．8　小結(jié)\t21
第2章　面向機(jī)器學(xué)習(xí)的Java庫(kù)與
平臺(tái)\t22
2．1　Java環(huán)境\t22
2．2　機(jī)器學(xué)習(xí)庫(kù)\t23
2．2．1　Weka\t23
2．2．2　Java機(jī)器學(xué)習(xí)\t25
2．2．3　Apache Mahout\t26
2．2．4　Apache Spark\t27
2．2．5　Deeplearning4j\t28
2．2．6　MALLET\t29
2．2．7　比較各個(gè)庫(kù)\t30
2．3　創(chuàng)建機(jī)器學(xué)習(xí)應(yīng)用\t31
2．4　處理大數(shù)據(jù)\t31
2．5　小結(jié)\t33
第3章　基本算法——分類(lèi)、回歸、
聚類(lèi)\t34
3．1　開(kāi)始之前\t34
3．2　分類(lèi)\t35
3．2．1　數(shù)據(jù)\t35
3．2．2　加載數(shù)據(jù)\t36
3．2．3　特征選擇\t37
3．2．4　學(xué)習(xí)算法\t38
3．2．5　對(duì)新數(shù)據(jù)分類(lèi)\t40
3．2．6　評(píng)估與預(yù)測(cè)誤差度量\t41
3．2．7　混淆矩陣\t41
3．2．8　選擇分類(lèi)算法\t42
3．3　回歸\t43
3．3．1　加載數(shù)據(jù)\t43
3．3．2　分析屬性\t44
3．3．3　創(chuàng)建與評(píng)估回歸模型\t45
3．3．4　避免常見(jiàn)回歸問(wèn)題的小技巧\t48
3．4　聚類(lèi)\t49
3．4．1　聚類(lèi)算法\t49
3．4．2　評(píng)估\t50
3．5　小結(jié)\t51
第4章　利用集成方法預(yù)測(cè)客戶(hù)關(guān)系\t52
4．1　客戶(hù)關(guān)系數(shù)據(jù)庫(kù)\t52
4．1．1　挑戰(zhàn)\t53
4．1．2　數(shù)據(jù)集\t53
4．1．3　評(píng)估\t54
4．2　最基本的樸素貝葉斯分類(lèi)器基準(zhǔn)\t55
4．2．1　獲取數(shù)據(jù)\t55
4．2．2　加載數(shù)據(jù)\t56
4．3　基準(zhǔn)模型\t58
4．3．1　評(píng)估模型\t58
4．3．2　實(shí)現(xiàn)樸素貝葉斯基準(zhǔn)線(xiàn)\t59
4．4　使用集成方法進(jìn)行高級(jí)建模\t60
4．4．1　開(kāi)始之前\t60
4．4．2　數(shù)據(jù)預(yù)處理\t61
4．4．3　屬性選擇\t62
4．4．4　模型選擇\t63
4．4．5　性能評(píng)估\t66
4．5　小結(jié)\t66
第5章　關(guān)聯(lián)分析\t67
5．1　購(gòu)物籃分析\t67
5．2　關(guān)聯(lián)規(guī)則學(xué)習(xí)\t69
5．2．1　基本概念\t69
5．2．2　Apriori算法\t71
5．2．3　FP-增長(zhǎng)算法\t71
5．2．4　超市數(shù)據(jù)集\t72
5．3　發(fā)現(xiàn)模式\t73
5．3．1　Apriori算法\t73
5．3．2　FP-增長(zhǎng)算法\t74
5．4　在其他領(lǐng)域中的應(yīng)用\t75
5．4．1　醫(yī)療診斷\t75
5．4．2　蛋白質(zhì)序列\(zhòng)t75
5．4．3　人口普查數(shù)據(jù)\t76
5．4．4　客戶(hù)關(guān)系管理\t76
5．4．5　IT運(yùn)營(yíng)分析\t76
5．5　小結(jié)\t77
第6章　使用Apache Mahout制作
推薦引擎\t78
6．1　基本概念\t78
6．1．1　關(guān)鍵概念\t79
6．1．2　基于用戶(hù)與基于項(xiàng)目的分析\t79
6．1．3　計(jì)算相似度的方法\t80
6．1．4　利用與探索\t81
6．2　獲取Apache Mahout\t81
6．3　創(chuàng)建一個(gè)推薦引擎\t84
6．3．1　圖書(shū)評(píng)分?jǐn)?shù)據(jù)集\t84
6．3．2　加載數(shù)據(jù)\t84
6．3．3　協(xié)同過(guò)濾\t89
6．4　基于內(nèi)容的過(guò)濾\t97
6．5　小結(jié)\t97
第7章　欺詐與異常檢測(cè)\t98
7．1　可疑與異常行為檢測(cè)\t98
7．2　可疑模式檢測(cè)\t99
7．3　異常模式檢測(cè)\t100
7．3．1　分析類(lèi)型\t100
7．3．2　事務(wù)分析\t101
7．3．3　規(guī)劃識(shí)別\t101
7．4　保險(xiǎn)理賠欺詐檢測(cè)\t101
7．4．1　數(shù)據(jù)集\t102
7．4．2　為可疑模式建模\t103
7．5　網(wǎng)站流量異常檢測(cè)\t107
7．5．1　數(shù)據(jù)集\t107
7．5．2　時(shí)序數(shù)據(jù)中的異常檢測(cè)\t108
7．6　小結(jié)\t113
第8章　利用Deeplearning4j進(jìn)行
圖像識(shí)別\t114
8．1　圖像識(shí)別簡(jiǎn)介\t114
8．2　圖像分類(lèi)\t120
8．2．1　Deeplearning4j\t120
8．2．2　MNIST數(shù)據(jù)集\t121
8．2．3　加載數(shù)據(jù)\t121
8．2．4　創(chuàng)建模型\t122
8．3　小結(jié)\t128
第9章　利用手機(jī)傳感器進(jìn)行
行為識(shí)別\t129
9．1　行為識(shí)別簡(jiǎn)介\t129
9．1．1　手機(jī)傳感器\t130
9．1．2　行為識(shí)別流水線(xiàn)\t131
9．1．3　計(jì)劃\t132
9．2　從手機(jī)收集數(shù)據(jù)\t133
9．2．1　安裝Android Studio\t133
9．2．2　加載數(shù)據(jù)采集器\t133
9．2．3　收集訓(xùn)練數(shù)據(jù)\t136
9．3　創(chuàng)建分類(lèi)器\t138
9．3．1　減少假性轉(zhuǎn)換\t140
9．3．2　將分類(lèi)器嵌入移動(dòng)應(yīng)用\t142
9．4　小結(jié)\t143
第10章　利用Mallet進(jìn)行文本挖掘——
主題模型與垃圾郵件檢測(cè)\t144
10．1　文本挖掘簡(jiǎn)介\t144
10．1．1　主題模型\t145
10．1．2　文本分類(lèi)\t145
10．2　安裝Mallet\t146
10．3　使用文本數(shù)據(jù)\t147
10．3．1　導(dǎo)入數(shù)據(jù)\t149
10．3．2　對(duì)文本數(shù)據(jù)做預(yù)處理\t150
10．4　為BBC新聞做主題模型\t152
10．4．1　BBC數(shù)據(jù)集\t152
10．4．2　建模\t153
10．4．3　評(píng)估模型\t155
10．4．4　重用模型\t156
10．5　垃圾郵件檢測(cè)\t157
10．5．1　垃圾郵件數(shù)據(jù)集\t158
10．5．2　特征生成\t159
10．5．3　訓(xùn)練與測(cè)試模型\t160
10．6　小結(jié)\t161
第11章　機(jī)器學(xué)習(xí)進(jìn)階\t162
11．1　現(xiàn)實(shí)生活中的機(jī)器學(xué)習(xí)\t162
11．1．1　噪聲數(shù)據(jù)\t162
11．1．2　類(lèi)不平衡\t162
11．1．3　特征選擇困難\t163
11．1．4　模型鏈\t163
11．1．5　評(píng)價(jià)的重要性\t163
11．1．6　從模型到產(chǎn)品\t164
11．1．7　模型維護(hù)\t164
11．2　標(biāo)準(zhǔn)與標(biāo)記語(yǔ)言\t165
11．2．1　CRISP-DM\t165
11．2．2　SEMMA方法\t166
11．2．3　預(yù)測(cè)模型標(biāo)記語(yǔ)言\t166
11．3　云端機(jī)器學(xué)習(xí)\t167
11．4　Web資源與比賽\t168
11．4．1　數(shù)據(jù)集\t168
11．4．2　在線(xiàn)課程\t169
11．4．3　比賽\t170
11．4．4　網(wǎng)站與博客\t170
11．4．5　場(chǎng)館與會(huì)議\t171
11．5　小結(jié)\t171