Java機(jī)器學(xué)習(xí)

推薦序
譯者序
前言
作者簡(jiǎn)介
審校者簡(jiǎn)介
第1章　機(jī)器學(xué)習(xí)回顧1
　1.1　機(jī)器學(xué)習(xí)歷史和定義2
　1.2　哪些不屬于機(jī)器學(xué)習(xí)3
　1.3　機(jī)器學(xué)習(xí)概念和術(shù)語(yǔ)4
　1.4　機(jī)器學(xué)習(xí)類型及其子類6
　1.5　用于機(jī)器學(xué)習(xí)的數(shù)據(jù)集8
　1.6　機(jī)器學(xué)習(xí)的應(yīng)用10
　1.7　機(jī)器學(xué)習(xí)中的實(shí)際問(wèn)題10
　1.8　機(jī)器學(xué)習(xí)角色與過(guò)程11
1.8.1　角色12
1.8.2　過(guò)程12
　1.9　機(jī)器學(xué)習(xí)工具和數(shù)據(jù)集14
　1.10　小結(jié)16
第2章　監(jiān)督學(xué)習(xí)在現(xiàn)實(shí)世界中的實(shí)踐方法18
　2.1　正式描述和符號(hào)19
2.1.1　數(shù)據(jù)質(zhì)量分析20
2.1.2　描述性數(shù)據(jù)分析20
2.1.3　可視化分析20
　2.2　數(shù)據(jù)轉(zhuǎn)換與預(yù)處理21
2.2.1　特征構(gòu)造22
2.2.2　處理缺失值22
2.2.3　離群值23
2.2.4　離散化24
2.2.5　數(shù)據(jù)采樣24
2.2.6　訓(xùn)練集、驗(yàn)證集和測(cè)試集26
　2.3　特征關(guān)聯(lián)分析與降維28
2.3.1　特征搜索技術(shù)29
2.3.2　特征評(píng)估技術(shù)29
　2.4　模型建立32
2.4.1　線性模型32
2.4.2　非線性模型35
2.4.3　集成學(xué)習(xí)和元學(xué)習(xí)器40
　2.5　模型評(píng)價(jià)、評(píng)估和比較42
2.5.1　模型評(píng)價(jià)42
2.5.2　模型評(píng)估指標(biāo)43
2.5.3　模型比較45
　2.6　Horse Colic分類案例研究47
2.6.1　業(yè)務(wù)問(wèn)題48
2.6.2　機(jī)器學(xué)習(xí)映射48
2.6.3　數(shù)據(jù)分析48
2.6.4　監(jiān)督學(xué)習(xí)實(shí)驗(yàn)49
2.6.5　結(jié)果、觀察和分析58
　2.7　小結(jié)60
　2.8　參考文獻(xiàn)61
第3章　無(wú)監(jiān)督機(jī)器學(xué)習(xí)技術(shù)63
　3.1　與監(jiān)督學(xué)習(xí)共同存在的問(wèn)題63
　3.2　無(wú)監(jiān)督學(xué)習(xí)的特定問(wèn)題64
　3.3　特征分析和降維64
3.3.1　符號(hào)64
3.3.2　線性方法64
3.3.3　非線性方法67
　3.4　聚類70
3.4.1　聚類算法70
3.4.2　譜聚類75
3.4.3　仿射傳播75
3.4.4　聚類的驗(yàn)證和評(píng)估77
　3.5　離群值或異常值檢測(cè)79
3.5.1　離群值算法79
3.5.2　離群值評(píng)估技術(shù)85
　3.6　實(shí)際案例研究86
3.6.1　工具和軟件86
3.6.2　業(yè)務(wù)問(wèn)題86
3.6.3　機(jī)器學(xué)習(xí)映射86
3.6.4　數(shù)據(jù)收集87
3.6.5　數(shù)據(jù)質(zhì)量分析87
3.6.6　數(shù)據(jù)采樣和轉(zhuǎn)換88
3.6.7　特征分析和降維88
3.6.8　聚類模型、結(jié)果和評(píng)估91
3.6.9　離群值模型、結(jié)果和評(píng)估94
　3.7　小結(jié)95
　3.8　參考文獻(xiàn)95
第4章　半監(jiān)督學(xué)習(xí)和主動(dòng)學(xué)習(xí)98
　4.1　半監(jiān)督學(xué)習(xí)99
4.1.1　表示、符號(hào)和假設(shè)條件99
4.1.2　半監(jiān)督學(xué)習(xí)技術(shù)101
4.1.3　半監(jiān)督學(xué)習(xí)的案例研究106
　4.2　主動(dòng)學(xué)習(xí)111
4.2.1　表示和符號(hào)112
4.2.2　主動(dòng)學(xué)習(xí)場(chǎng)景112
4.2.3　主動(dòng)學(xué)習(xí)方法112
4.2.4　不確定性采樣112
4.2.5　版本空間采樣113
4.2.6　數(shù)據(jù)分布采樣115
　4.3　主動(dòng)學(xué)習(xí)中的案例研究116
4.3.1　工具和軟件116
4.3.2　業(yè)務(wù)問(wèn)題116
4.3.3　機(jī)器學(xué)習(xí)映射116
4.3.4　數(shù)據(jù)采集117
4.3.5　數(shù)據(jù)采樣和轉(zhuǎn)換117
4.3.6　特征分析和降維117
4.3.7　模型、結(jié)果和評(píng)估117
4.3.8　主動(dòng)學(xué)習(xí)結(jié)果分析121
　4.4　小結(jié)121
　4.5　參考文獻(xiàn)122
第5章　實(shí)時(shí)流機(jī)器學(xué)習(xí)123
　5.1　假設(shè)條件和數(shù)學(xué)符號(hào)124
　5.2　基本的流處理和計(jì)算技術(shù)124
5.2.1　流計(jì)算124
5.2.2　滑動(dòng)窗口125
5.2.3　采樣126
　5.3　概念漂移和漂移探測(cè)127
5.3.1　數(shù)據(jù)管理128
5.3.2　局部?jī)?nèi)存128
　5.4　增量監(jiān)督學(xué)習(xí)130
5.4.1　建模技術(shù)130
5.4.2　在線環(huán)境的驗(yàn)證、評(píng)估和比較136
　5.5　使用聚類的增量無(wú)監(jiān)督學(xué)習(xí)138
　5.6　使用離群值檢測(cè)的無(wú)監(jiān)督學(xué)習(xí)148
5.6.1　基于分區(qū)的聚類離群值檢測(cè)148
5.6.2　基于距離的聚類離群值檢測(cè)149
　5.7　流學(xué)習(xí)案例研究151
5.7.1　工具和軟件152
5.7.2　業(yè)務(wù)問(wèn)題152
5.7.3　機(jī)器學(xué)習(xí)映射152
5.7.4　數(shù)據(jù)采集153
5.7.5　數(shù)據(jù)采樣和轉(zhuǎn)換154
5.7.6　模型、結(jié)果和評(píng)估155
5.7.7　流學(xué)習(xí)結(jié)果分析158
　5.8　小結(jié)160
　5.9　參考文獻(xiàn)160
第6章　概率圖建模163
　6.1　回顧概率163
　6.2　圖的概念166
6.2.1　圖的結(jié)構(gòu)和屬性166
6.2.2　子圖和團(tuán)167
6.2.3　路、跡和環(huán)167
　6.3　貝葉斯網(wǎng)絡(luò)168
6.3.1　表示169
6.3.2　推斷171
6.3.3　學(xué)習(xí)180
　6.4　馬爾可夫網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)186
6.4.1　表示187
6.4.2　推斷188
6.4.3　學(xué)習(xí)189
6.4.4　條件隨機(jī)場(chǎng)189
　6.5　特殊網(wǎng)絡(luò)190
6.5.1　樹(shù)增強(qiáng)型網(wǎng)絡(luò)190
6.5.2　馬爾可夫鏈190
　6.6　工具和使用193
6.6.1　OpenMarkov193
6.6.2　Weka貝葉斯網(wǎng)絡(luò)圖形界面194
　6.7　案例研究194
6.7.1　業(yè)務(wù)問(wèn)題196
6.7.2　機(jī)器學(xué)習(xí)映射196
6.7.3　數(shù)據(jù)采樣和轉(zhuǎn)換196
6.7.4　特征分析196
6.7.5　模型、結(jié)果和評(píng)估197
6.7.6　結(jié)果分析200
　6.8　小結(jié)201
　6.9　參考文獻(xiàn)201
第7章　深度學(xué)習(xí)203
　7.1　多層前饋神經(jīng)網(wǎng)絡(luò)203
7.1.1　輸入、神經(jīng)元、激活函數(shù)和數(shù)學(xué)符號(hào)203
7.1.2　多層神經(jīng)網(wǎng)絡(luò)204
　7.2　神經(jīng)網(wǎng)絡(luò)的局限209
　7.3　深度學(xué)習(xí)210
　7.4　案例研究231
7.4.1　工具和軟件232
7.4.2　業(yè)務(wù)問(wèn)題232
7.4.3　機(jī)器學(xué)習(xí)映射233
7.4.4　數(shù)據(jù)采樣和轉(zhuǎn)換233
7.4.5　特征分析233
7.4.6　模型、結(jié)果和評(píng)估233
　7.5　小結(jié)242
　7.6　參考文獻(xiàn)243
第8章　文本挖掘和自然語(yǔ)言處理245
　8.1　NLP及其子領(lǐng)域和任務(wù)246
8.1.1　文本分類247
8.1.2　詞性標(biāo)注247
8.1.3　文本聚類247
8.1.4　信息抽取和命名實(shí)體識(shí)別247
8.1.5　情感分析和觀點(diǎn)挖掘247
8.1.6　指代消解248
8.1.7　詞義消歧248
8.1.8　機(jī)器翻譯248
8.1.9　語(yǔ)義推理及推斷249
8.1.10　文本摘要249
8.1.11　自動(dòng)問(wèn)答249
　8.2　挖掘非結(jié)構(gòu)化數(shù)據(jù)的問(wèn)題249
　8.3　文本處理和轉(zhuǎn)換250
8.3.1　文檔收集與標(biāo)準(zhǔn)化250
8.3.2　詞元化251
8.3.3　停止詞移除251
8.3.4　詞干提取或詞形還原251
8.3.5　局部/全局字典或詞匯表252
8.3.6　特征抽取/生成253
8.3.7　特征表示和相似度255
8.3.8　特征選擇和降維258
　8.4　文本挖掘主題259
8.4.1　文本分類260
8.4.2　主題建模260
8.4.3　文本聚類263
8.4.4　命名實(shí)體識(shí)別267
8.4.5　深度學(xué)習(xí)與NLP270
　8.5　工具和使用272
8.5.1　Mallet272
8.5.2　用Mallet進(jìn)行主題建模273
8.5.3　業(yè)務(wù)問(wèn)題274
8.5.4　機(jī)器學(xué)習(xí)映射274
8.5.5　數(shù)據(jù)采集274
8.5.6　數(shù)據(jù)采樣和轉(zhuǎn)換275
8.5.7　特征分析和降維276
8.5.8　模型、結(jié)果和評(píng)估276
8.5.9　文本處理結(jié)果分析277
　8.6　小結(jié)278
　8.7　參考文獻(xiàn)278
第9章　大數(shù)據(jù)機(jī)器學(xué)習(xí)：最終領(lǐng)域281
　9.1　大數(shù)據(jù)的特點(diǎn)283
　9.2　大數(shù)據(jù)機(jī)器學(xué)習(xí)283
　9.3　批量大數(shù)據(jù)機(jī)器學(xué)習(xí)290
　9.4　案例研究294
9.4.1　業(yè)務(wù)問(wèn)題296
9.4.2　機(jī)器學(xué)習(xí)映射296
9.4.3　數(shù)據(jù)采集296
9.4.4　數(shù)據(jù)采樣和轉(zhuǎn)換296
9.4.5　使用Spark MLlib作為大數(shù)據(jù)機(jī)器學(xué)習(xí)平臺(tái)298
　9.5　實(shí)時(shí)大數(shù)據(jù)機(jī)器學(xué)習(xí)305
　9.6　機(jī)器學(xué)習(xí)的未來(lái)310
　9.7　小結(jié)310
　9.8　參考文獻(xiàn)311
附錄A　線性代數(shù)313
附錄B　概率論317