機器學習：實用技術指南

Contents 目　　錄
譯者序
前言
致謝
第1章　什么是機器學習1
1.1　機器學習的歷史1
1.1.1阿蘭·圖靈1
1.1.2亞瑟·塞繆爾2
1.1.3湯姆 M.米切爾2
1.1.4總結定義2
1.2機器學習的算法類型2
1.2.1監(jiān)督學習3
1.2.2無監(jiān)督學習3
1.3人的作用3
1.4機器學習的用途4
1.4.1軟件4
1.4.2股票交易4
1.4.3機器人學5
1.4.4醫(yī)學和醫(yī)療5
1.4.5廣告業(yè)5
1.4.6零售和電子商務6
1.4.7游戲分析7
1.4.8物聯(lián)網(wǎng)7
1.5機器學習語言8
1.5.1Python8
1.5.2R8
1.5.3Matlab8
1.5.4Scala8
1.5.5Clojure9
1.5.6Ruby9
1.6　本書使用的軟件9
1.6.1檢查Java版本9
1.6.2Weka 工具包9
1.6.3Mahout10
1.6.4Spring XD10
1.6.5Hadoop11
1.6.6使用集成開發(fā)環(huán)境11
1.7數(shù)據(jù)庫11
1.7.1加州大學歐文分校機器學習庫12
1.7.2Infochimps12
1.7.3Kaggle12
1.8總結12
第2章　籌備機器學習13
2.1機器學習周期13
2.2以問題為先導13
2.3缺少數(shù)據(jù)14
2.3.1從身邊做起14
2.3.2比賽14
2.4一勞永逸的解決方案15
2.5界定機器學習過程15
2.5.1規(guī)劃15
2.5.2開發(fā)16
2.5.3測試16
2.5.4報告16
2.5.5精煉16
2.5.6產(chǎn)品16
2.6建立數(shù)據(jù)團隊17
2.6.1數(shù)學和統(tǒng)計學17
2.6.2編程17
2.6.3圖形設計17
2.6.4行業(yè)知識17
2.7數(shù)據(jù)處理18
2.7.1使用個人計算機18
2.7.2計算機集群18
2.7.3云服務18
2.8數(shù)據(jù)存儲19
2.8.1物理磁盤19
2.8.2云存儲19
2.9數(shù)據(jù)隱私19
2.9.1文化規(guī)范19
2.9.2普遍的期望20
2.9.3用戶數(shù)據(jù)匿名20
2.9.4不要穿過“底線”21
2.10數(shù)據(jù)質(zhì)量和清洗21
2.10.1完整性檢測22
2.10.2類型檢測22
2.10.3長度檢測22
2.10.4范圍檢測22
2.10.5格式檢測23
2.10.6進退兩難23
2.10.7國家名內(nèi)包含的內(nèi)容26
2.10.8數(shù)值和日期27
2.10.9有關數(shù)據(jù)清洗的最后看法28
2.11思考輸入數(shù)據(jù)28
2.11.1原始文本28
2.11.2逗號分隔變量28
2.11.3JSON29
2.11.4YAML30
2.11.5XML31
2.11.6電子表格32
2.11.7數(shù)據(jù)庫32
2.11.8圖像33
2.12考慮輸出數(shù)據(jù)33
2.13不要害怕實驗33
2.14總結34
第3章　決策樹35
3.1決策樹基礎35
3.1.1決策樹的用途35
3.1.2決策樹的優(yōu)點36
3.1.3決策樹的局限36
3.1.4相關算法類型36
3.1.5決策樹工作原理37
3.2　Weka中的決策樹40
3.2.1需求40
3.2.2訓練數(shù)據(jù)41
3.2.3使用Weka創(chuàng)建決策樹42
3.2.4為分類器生成Java代碼46
3.2.5測試分類器代碼49
3.2.6進一步的思考51
3.3總結51
第4章　貝葉斯網(wǎng)絡52
4.1從飛行員到回形針52
4.2圖論53
4.3概率論54
4.3.1投擲硬幣54
4.3.2條件概率54
4.3.3賭博中獲勝54
4.4貝葉斯定理55
4.5貝葉斯網(wǎng)絡原理57
4.5.1賦值57
4.5.2計算結果58
4.6節(jié)點的個數(shù)59
4.7利用領域?qū)＜业男畔?9
4.8貝葉斯網(wǎng)絡演練59
4.8.1貝葉斯網(wǎng)絡中的Java API60
4.8.2設計網(wǎng)絡60
4.8.3編程61
4.9總結69
第5章　人工神經(jīng)網(wǎng)絡70
5.1什么是神經(jīng)網(wǎng)絡70
5.2人工神經(jīng)網(wǎng)絡的應用71
5.2.1高頻交易71
5.2.2信用分析71
5.2.3數(shù)據(jù)中心管理71
5.2.4機器人72
5.2.5藥效監(jiān)控72
5.3人工神經(jīng)網(wǎng)絡分解72
5.3.1感知機72
5.3.2激活函數(shù)73
5.3.3多層感知機74
5.3.4后向傳播算法75
5.4人工神經(jīng)網(wǎng)絡的數(shù)據(jù)準備76
5.5　Weka中的人工神經(jīng)網(wǎng)絡76
5.5.1新建數(shù)據(jù)集76
5.5.2將數(shù)據(jù)載入Weka中78
5.5.3配置多層感知機79
5.5.4訓練網(wǎng)絡81
5.5.5調(diào)整網(wǎng)絡83
5.5.6增加測試數(shù)據(jù)規(guī)模83
5.6利用Java實現(xiàn)神經(jīng)網(wǎng)絡84
5.6.1創(chuàng)建項目84
5.6.2實現(xiàn)代碼86
5.6.3CSV與Arff文件轉換88
5.6.4運行神經(jīng)網(wǎng)絡88
5.7總結89
第6章　關聯(lián)規(guī)則學習90
6.1關聯(lián)規(guī)則學習的應用90
6.1.1Web使用挖掘90
6.1.2啤酒和尿布91
6.2關聯(lián)規(guī)則學習工作原理92
6.2.1支持度92
6.2.2置信度93
6.2.3提升度93
6.2.4確信度93
6.2.5計算步驟94
6.3算法94
6.3.1 Apiori94
6.3.2FP-Growth95
6.4基于購物籃分析的實戰(zhàn)95
6.4.1下載原始數(shù)據(jù)95
6.4.2在Eclipse中搭建工程96
6.4.3建立項目的數(shù)據(jù)文件97
6.4.4 設置數(shù)據(jù)99
6.4.5運行Mahout101
6.4.6檢查結果103
6.4.7結果整合105
6.4.8進一步開發(fā)106
6.5總結106
第7章　支持向量機107
7.1什么是支持向量機107
7.2何處使用支持向量機107
7.3基本分類原則108
7.3.1二分類和多分類108
7.3.2線性分類器109
7.3.3置信度109
7.3.4最大化或最小化尋找直線110
7.4支持向量機如何實現(xiàn)分類110
7.4.1使用線性分類110
7.4.2使用非線性分類112
7.5在Weka中使用支持向量機112
7.5.1安裝LibSVM112
7.5.2分類演示113
7.5.3用Java實現(xiàn)LibSVM117
7.6總結122
第8章　聚類123
8.1什么是聚類123
8.2聚類應用123
8.2.1因特網(wǎng)124
8.2.2商業(yè)和零售業(yè)124
8.2.3執(zhí)法部門124
8.2.4計算124
8.3聚類模型125
8.3.1k-均值的工作原理125
8.3.2計算一個數(shù)據(jù)集中聚類的數(shù)量126
8.4使用Weka做k-均值聚類127
8.4.1準備數(shù)據(jù)128
8.4.2工作臺方法129
8.4.3命令行方法133
8.4.4編程方法135
8.5總結143
第9章　實時機器學習—使用Spring XD框架144
9.1獲取消防水管式的數(shù)據(jù)144
9.1.1使用實時數(shù)據(jù)的注意事項144
9.1.2實時系統(tǒng)的使用范圍145
9.2