Java机器学习电子书

前言

本书内容

阅读前提

读者对象

配套资料

排版约定

读者反馈

读者支持

勘误

打击盗版

答疑

电子书

第1章 机器学习应用快速入门

1.1 机器学习与数据科学

1.1.1 机器学习能够解决的问题

1.1.2 机器学习应用流程

1.2 数据与问题定义

测量尺度

1.3 数据收集

1.3.1 发现或观察数据

1.3.2 生成数据

1.3.3 采样陷阱

1.4 数据预处理

1.4.1 数据清洗

1.4.2 填充缺失值

1.4.3 剔除异常值

1.4.4 数据转换

1.4.5 数据归约

1.5 无监督学习

1.5.1 查找相似项目

1.5.2 聚类

1.6 监督学习

1.6.1 分类

1.6.2 回归

1.7 泛化与评估

欠拟合与过拟合

1.8 小结

第2章 面向机器学习的Java库与平台

2.1 Java环境

2.2 机器学习库

2.2.1 Weka

2.2.2 Java机器学习

2.2.3 Apache Mahout

2.2.4 Apache Spark

2.2.5 Deeplearning4j

2.2.6 MALLET

2.2.7 比较各个库

2.3 创建机器学习应用

传统的机器学习架构

2.4 处理大数据

大数据应用架构

2.5 小结

第3章 基本算法——分类、回归和聚类

3.1 开始之前

3.2 分类

3.2.1 数据

3.2.2 加载数据

3.2.3 特征选择

3.2.4 学习算法

3.2.5 对新数据分类

3.2.6 评估与预测误差度量

3.2.7 混淆矩阵

3.2.8 选择分类算法

3.3 回归

3.3.1 加载数据

3.3.2 分析属性

3.3.3 创建与评估回归模型

3.3.4 避免常见回归问题的小技巧

3.4 聚类

3.4.1 聚类算法

3.4.2 评估

3.5 小结

第4章 利用集成方法预测客户关系

4.1 客户关系数据库

4.1.1 挑战

4.1.2 数据集

4.1.3 评估

4.2 最基本的朴素贝叶斯分类器基准

4.2.1 获取数据

4.2.2 加载数据

4.3 基准模型

4.3.1 评估模型

4.3.2 实现朴素贝叶斯基准线

4.4 使用集成方法进行高级建模

4.4.1 开始之前

4.4.2 数据预处理

4.4.3 属性选择

4.4.4 模型选择

4.4.5 性能评估

4.5 小结

第5章 关联分析

5.1 购物篮分析

关联分析

5.2 关联规则学习

5.2.1 基本概念

5.2.2 Apriori算法

5.2.3 FP-增长算法

5.2.4 超市数据集

5.3 发现模式

5.3.1 Apriori算法

5.3.2 FP-增长算法

5.4 在其他领域中的应用

5.4.1 医疗诊断

5.4.2 蛋白质序列

5.4.3 人口普查数据

5.4.4 客户关系管理

5.4.5 IT运营分析

5.5 小结

第6章 使用Apache Mahout制作推荐引擎

6.1 基本概念

6.1.1 关键概念

6.1.2 基于用户与基于项目的分析

6.1.3 计算相似度的方法

6.1.4 利用与探索

6.2 获取Apache Mahout

在带有Maven插件的Eclipse中配置Mahout

6.3 创建一个推荐引擎

6.3.1 图书评分数据集

6.3.2 加载数据

6.3.3 协同过滤

6.4 基于内容的过滤

6.5 小结

第7章 欺诈与异常检测

7.1 可疑与异常行为检测

未知的未知

7.2 可疑模式检测

7.3 异常模式检测

7.3.1 分析类型

7.3.2 事务分析

7.3.3 规划识别

7.4 保险理赔欺诈检测

7.4.1 数据集

7.4.2 为可疑模式建模

7.5 网站流量异常检测

7.5.1 数据集

7.5.2 时序数据中的异常检测

7.6 小结

第8章 利用Deeplearning4j进行图像识别

8.1 图像识别简介

神经网络

8.2 图像分类

8.2.1 Deeplearning4j

8.2.2 MNIST数据集

8.2.3 加载数据

8.2.4 创建模型

8.3 小结

第9章 利用手机传感器进行行为识别

9.1 行为识别简介

9.1.1 手机传感器

9.1.2 行为识别流水线

9.1.3 计划

9.2 从手机收集数据

9.2.1 安装Android Studio

9.2.2 加载数据采集器

9.2.3 收集训练数据

9.3 创建分类器

9.3.1 减少假性转换

9.3.2 将分类器嵌入移动应用

9.4 小结

第10章 利用Mallet进行文本挖掘——主题模型与垃圾邮件检测

10.1 文本挖掘简介

10.1.1 主题模型

10.1.2 文本分类

10.2 安装Mallet

10.3 使用文本数据

10.3.1 导入数据

10.3.2 对文本数据做预处理

10.4 为BBC新闻做主题模型

10.4.1 BBC数据集

10.4.2 建模

10.4.3 评估模型

10.4.4 重用模型

10.5 垃圾邮件检测

10.5.1 垃圾邮件数据集

10.5.2 特征生成

10.5.3 训练与测试模型

10.6 小结

第11章 机器学习进阶

11.1 现实生活中的机器学习

11.1.1 噪声数据

11.1.2 类不平衡

11.1.3 特征选择困难

11.1.4 模型链

11.1.5 评价的重要性

11.1.6 从模型到产品

11.1.7 模型维护

11.2 标准与标记语言

11.2.1 CRISP-DM

11.2.2 SEMMA方法

11.2.3 预测模型标记语言

11.3 云端机器学习

机器学习即服务

11.4 Web资源与比赛

11.4.1 数据集

11.4.2 在线课程

11.4.3 比赛

11.4.4 网站与博客

11.4.5 场馆与会议

11.5 小结