實(shí)用機(jī)器學(xué)習(xí)

目錄

推薦序

推薦序二

譯者序

前言

關(guān)于作者

關(guān)于審校者

第1章機(jī)器學(xué)習(xí)簡介

1.1機(jī)器學(xué)習(xí)

1.1.1定義

1.1.2核心概念與術(shù)語

1.1.3什么是學(xué)習(xí)

1.1.4機(jī)器學(xué)習(xí)中的數(shù)據(jù)不一致性

1.1.5機(jī)器學(xué)習(xí)實(shí)踐范例

1.1.6機(jī)器學(xué)習(xí)問題類型

1.2性能度量

1.3機(jī)器學(xué)習(xí)的相關(guān)領(lǐng)域

1.3.1數(shù)據(jù)挖掘

1.3.2人工智能

1.3.3統(tǒng)計(jì)學(xué)習(xí)

1.3.4數(shù)據(jù)科學(xué)

1.4機(jī)器學(xué)習(xí)處理流程及解決方案架構(gòu)

1.5機(jī)器學(xué)習(xí)算法

1.5.1基于決策樹的算法

1.5.2基于貝葉斯的算法

1.5.3基于核方法的算法

1.5.4聚類算法

1.5.5人工神經(jīng)網(wǎng)絡(luò)

1.5.6降維方法

1.5.7集成方法

1.5.8基于實(shí)例的算法

1.5.9基于回歸分析的算法

1.5.10基于關(guān)聯(lián)規(guī)則的算法

1.6機(jī)器學(xué)習(xí)工具與框架

1.7小結(jié)

第2章機(jī)器學(xué)習(xí)和大規(guī)模數(shù)據(jù)集

2.1大數(shù)據(jù)和大規(guī)模機(jī)器學(xué)習(xí)

2.1.1功能與架構(gòu)：方法論的失配

2.1.2機(jī)器學(xué)習(xí)的可擴(kuò)展性和性能

2.1.3模型選擇過程

2.1.4大規(guī)模機(jī)器學(xué)習(xí)的潛在問題

2.2算法和并發(fā)

2.3垂直擴(kuò)展的機(jī)器學(xué)習(xí)技術(shù)方案

2.3.1MapReduce編程架構(gòu)

2.3.2利用消息傳遞接口進(jìn)行高性能計(jì)算

2.3.3LINQ框架

2.3.4使用LINQ操作數(shù)據(jù)集

2.3.5GPU

2.3.6FPGA

2.3.7多核或多處理器系統(tǒng)

2.4小結(jié)

第3章Hadoop架構(gòu)和生態(tài)系統(tǒng)簡介

3.1Apache Hadoop簡介

3.1.1Hadoop的演化

3.1.2Hadoop及其核心要素

3.2基于Hadoop的大數(shù)據(jù)機(jī)器學(xué)習(xí)解決方案架構(gòu)

3.2.1數(shù)據(jù)源層

3.2.2數(shù)據(jù)攝入層

3.2.3Hadoop數(shù)據(jù)存儲(chǔ)層

3.2.4Hadoop基礎(chǔ)設(shè)施層

3.2.5Hadoop平臺(tái)/處理層

3.2.6分析層

3.2.7數(shù)據(jù)消費(fèi)層

3.2.8MapReduce

3.3Hadoop 2.x

3.3.1Hadoop生態(tài)系統(tǒng)組件

3.3.2Hadoop安裝和配置

3.3.3Hadoop發(fā)行版和供應(yīng)商

3.4小結(jié)

第4章機(jī)器學(xué)習(xí)工具、庫及框架

4.1機(jī)器學(xué)習(xí)工具概覽

4.2Apache Mahout

4.2.1Mahout如何工作

4.2.2安裝和設(shè)置Apache Mahout

4.2.3Mahout軟件包詳解

4.2.4Mahout中的vector實(shí)現(xiàn)

4.3R

4.3.1安裝和設(shè)置R

4.3.2R與Apache Hadoop集成

4.4Julia

4.4.1安裝和設(shè)置Julia

4.4.2在命令行中執(zhí)行Julia程序

4.4.3例解Julia

4.4.4變量與賦值

4.4.5使用Julia的好處

4.4.6Julia與Hadoop集成

4.5Python

4.5.1Python中工具包的選擇

4.5.2例解Python

4.6Apache Spark

4.6.1Scala

4.6.2RDD編程

4.7Spring XD

4.8小結(jié)

第5章基于決策樹的學(xué)習(xí)

5.1決策樹

5.1.1術(shù)語

5.1.2目標(biāo)與用途

5.1.3構(gòu)造決策樹

5.1.4特殊的決策樹

5.2實(shí)現(xiàn)決策樹

5.3小結(jié)

第6章基于實(shí)例和核方法的學(xué)習(xí)

6.1基于實(shí)例的學(xué)習(xí)

6.1.1最近鄰

6.1.2實(shí)現(xiàn)kNN

6.2基于核方法的學(xué)習(xí)

6.2.1核函數(shù)

6.2.2支持向量機(jī)

6.2.3實(shí)現(xiàn)SVM

6.3小結(jié)

第7章關(guān)聯(lián)規(guī)則學(xué)習(xí)

7.1關(guān)聯(lián)規(guī)則學(xué)習(xí)

7.1.1關(guān)聯(lián)規(guī)則的定義

7.1.2Apriori算法

7.1.3FPgrowth算法

7.1.4Apriori與FPgrowth

7.2實(shí)現(xiàn)Apriori及FPgrowth算法

7.3小結(jié)

第8章聚類學(xué)習(xí)

8.1聚類學(xué)習(xí)

8.2聚類的類型

8.2.1層次聚類

8.2.2劃分式聚類

8.3kmeans聚類算法

8.3.1kmeans算法的收斂性

8.3.2kmeans算法的優(yōu)點(diǎn)

8.3.3kmeans算法的缺點(diǎn)

8.3.4距離度量

8.3.5復(fù)雜度度量

8.4實(shí)現(xiàn)kmeans聚類

8.5小結(jié)

第9章貝葉斯學(xué)習(xí)

9.1貝葉斯學(xué)習(xí)

9.1.1統(tǒng)計(jì)學(xué)家的視角

9.1.2貝葉斯定理

9.1.3樸素貝葉斯分類器

9.2實(shí)現(xiàn)樸素貝葉斯算法

9.3小結(jié)

第10章基于回歸的學(xué)習(xí)

10.1回歸分析

10.1.1重溫統(tǒng)計(jì)學(xué)

10.1.2混雜

10.1.3效應(yīng)修飾

10.2回歸方法

10.2.1簡單線性回歸

10.2.2多元線性回歸

10.2.3多項(xiàng)式回歸

10.2.4廣義線性模型

10.2.5邏輯回歸（logit連接)

10.2.6泊松回歸

10.3實(shí)現(xiàn)線性回歸和邏輯回歸

10.4小結(jié)

第11章深度學(xué)習(xí)

11.1背景知識(shí)

11.1.1人類大腦結(jié)構(gòu)

11.1.2神經(jīng)網(wǎng)絡(luò)

11.1.3反向傳播算法

11.1.4Softmax回歸算法

11.2深度學(xué)習(xí)類型

11.2.1卷積神經(jīng)網(wǎng)絡(luò)

11.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)

11.2.3受限玻爾茲曼機(jī)

11.2.4深度玻爾茲曼機(jī)

11.2.5自動(dòng)編碼器

11.3實(shí)現(xiàn)ANN和深度學(xué)習(xí)方法

11.4小結(jié)

第12章強(qiáng)化學(xué)習(xí)

12.1強(qiáng)化學(xué)習(xí)

12.1.1強(qiáng)化學(xué)習(xí)的背景知識(shí)

12.1.2強(qiáng)化學(xué)習(xí)的主要特點(diǎn)

12.2強(qiáng)化學(xué)習(xí)算法

12.2.1動(dòng)態(tài)規(guī)劃

12.2.2蒙特卡羅方法

12.2.3時(shí)序差分學(xué)習(xí)

12.2.4Qlearning（異策略TD）

12.2.5actorcritic方法(同策略)

12.2.6Rlearning（異策略）

12.3實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)方法

12.4小結(jié)

第13章集成學(xué)習(xí)

13.1集成學(xué)習(xí)方法

13.1.1群體智慧

13.1.2經(jīng)典應(yīng)用

13.1.3集成方法

13.2實(shí)現(xiàn)集成學(xué)習(xí)方法

13.3小結(jié)

第14章下一代機(jī)器學(xué)習(xí)數(shù)據(jù)架構(gòu)

14.1數(shù)據(jù)架構(gòu)的演進(jìn)

14.2機(jī)器學(xué)習(xí)的現(xiàn)代數(shù)據(jù)架構(gòu)

14.2.1語義數(shù)據(jù)架構(gòu)

14.2.2多模型數(shù)據(jù)庫架構(gòu)/混合持久化

14.2.3Lambda架構(gòu)

14.3小結(jié)