Java機器學習

推薦序
譯者序
前言
作者簡介
審校者簡介
第1章　機器學習回顧1
　1.1　機器學習歷史和定義2
　1.2　哪些不屬于機器學習3
　1.3　機器學習概念和術語4
　1.4　機器學習類型及其子類6
　1.5　用于機器學習的數據集8
　1.6　機器學習的應用10
　1.7　機器學習中的實際問題10
　1.8　機器學習角色與過程11
1.8.1　角色12
1.8.2　過程12
　1.9　機器學習工具和數據集14
　1.10　小結16
第2章　監(jiān)督學習在現實世界中的實踐方法18
　2.1　正式描述和符號19
2.1.1　數據質量分析20
2.1.2　描述性數據分析20
2.1.3　可視化分析20
　2.2　數據轉換與預處理21
2.2.1　特征構造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　數據采樣24
2.2.6　訓練集、驗證集和測試集26
　2.3　特征關聯分析與降維28
2.3.1　特征搜索技術29
2.3.2　特征評估技術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　集成學習和元學習器40
　2.5　模型評價、評估和比較42
2.5.1　模型評價42
2.5.2　模型評估指標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)務問題48
2.6.2　機器學習映射48
2.6.3　數據分析48
2.6.4　監(jiān)督學習實驗49
2.6.5　結果、觀察和分析58
　2.7　小結60
　2.8　參考文獻61
第3章　無監(jiān)督機器學習技術63
　3.1　與監(jiān)督學習共同存在的問題63
　3.2　無監(jiān)督學習的特定問題64
　3.3　特征分析和降維64
3.3.1　符號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　聚類的驗證和評估77
　3.5　離群值或異常值檢測79
3.5.1　離群值算法79
3.5.2　離群值評估技術85
　3.6　實際案例研究86
3.6.1　工具和軟件86
3.6.2　業(yè)務問題86
3.6.3　機器學習映射86
3.6.4　數據收集87
3.6.5　數據質量分析87
3.6.6　數據采樣和轉換88
3.6.7　特征分析和降維88
3.6.8　聚類模型、結果和評估91
3.6.9　離群值模型、結果和評估94
　3.7　小結95
　3.8　參考文獻95
第4章　半監(jiān)督學習和主動學習98
　4.1　半監(jiān)督學習99
4.1.1　表示、符號和假設條件99
4.1.2　半監(jiān)督學習技術101
4.1.3　半監(jiān)督學習的案例研究106
　4.2　主動學習111
4.2.1　表示和符號112
4.2.2　主動學習場景112
4.2.3　主動學習方法112
4.2.4　不確定性采樣112
4.2.5　版本空間采樣113
4.2.6　數據分布采樣115
　4.3　主動學習中的案例研究116
4.3.1　工具和軟件116
4.3.2　業(yè)務問題116
4.3.3　機器學習映射116
4.3.4　數據采集117
4.3.5　數據采樣和轉換117
4.3.6　特征分析和降維117
4.3.7　模型、結果和評估117
4.3.8　主動學習結果分析121
　4.4　小結121
　4.5　參考文獻122
第5章　實時流機器學習123
　5.1　假設條件和數學符號124
　5.2　基本的流處理和計算技術124
5.2.1　流計算124
5.2.2　滑動窗口125
5.2.3　采樣126
　5.3　概念漂移和漂移探測127
5.3.1　數據管理128
5.3.2　局部內存128
　5.4　增量監(jiān)督學習130
5.4.1　建模技術130
5.4.2　在線環(huán)境的驗證、評估和比較136
　5.5　使用聚類的增量無監(jiān)督學習138
　5.6　使用離群值檢測的無監(jiān)督學習148
5.6.1　基于分區(qū)的聚類離群值檢測148
5.6.2　基于距離的聚類離群值檢測149
　5.7　流學習案例研究151
5.7.1　工具和軟件152
5.7.2　業(yè)務問題152
5.7.3　機器學習映射152
5.7.4　數據采集153
5.7.5　數據采樣和轉換154
5.7.6　模型、結果和評估155
5.7.7　流學習結果分析158
　5.8　小結160
　5.9　參考文獻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　圖的結構和屬性166
6.2.2　子圖和團167
6.2.3　路、跡和環(huán)167
　6.3　貝葉斯網絡168
6.3.1　表示169
6.3.2　推斷171
6.3.3　學習180
　6.4　馬爾可夫網絡和條件隨機場186
6.4.1　表示187
6.4.2　推斷188
6.4.3　學習189
6.4.4　條件隨機場189
　6.5　特殊網絡190
6.5.1　樹增強型網絡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貝葉斯網絡圖形界面194
　6.7　案例研究194
6.7.1　業(yè)務問題196
6.7.2　機器學習映射196
6.7.3　數據采樣和轉換196
6.7.4　特征分析196
6.7.5　模型、結果和評估197
6.7.6　結果分析200
　6.8　小結201
　6.9　參考文獻201
第7章　深度學習203
　7.1　多層前饋神經網絡203
7.1.1　輸入、神經元、激活函數和數學符號203
7.1.2　多層神經網絡204
　7.2　神經網絡的局限209
　7.3　深度學習210
　7.4　案例研究231
7.4.1　工具和軟件232
7.4.2　業(yè)務問題232
7.4.3　機器學習映射233
7.4.4　數據采樣和轉換233
7.4.5　特征分析233
7.4.6　模型、結果和評估233
　7.5　小結242
　7.6　參考文獻243
第8章　文本挖掘和自然語言處理245
　8.1　NLP及其子領域和任務246
8.1.1　文本分類247
8.1.2　詞性標注247
8.1.3　文本聚類247
8.1.4　信息抽取和命名實體識別247
8.1.5　情感分析和觀點挖掘247
8.1.6　指代消解248
8.1.7　詞義消歧248
8.1.8　機器翻譯248
8.1.9　語義推理及推斷249
8.1.10　文本摘要249
8.1.11　自動問答249
　8.2　挖掘非結構化數據的問題249
　8.3　文本處理和轉換250
8.3.1　文檔收集與標準化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　命名實體識別267
8.4.5　深度學習與NLP270
　8.5　工具和使用272
8.5.1　Mallet272
8.5.2　用Mallet進行主題建模273
8.5.3　業(yè)務問題274
8.5.4　機器學習映射274
8.5.5　數據采集274
8.5.6　數據采樣和轉換275
8.5.7　特征分析和降維276
8.5.8　模型、結果和評估276
8.5.9　文本處理結果分析277
　8.6　小結278
　8.7　參考文獻278
第9章　大數據機器學習：最終領域281
　9.1　大數據的特點283
　9.2　大數據機器學習283
　9.3　批量大數據機器學習290
　9.4　案例研究294
9.4.1　業(yè)務問題296
9.4.2　機器學習映射296
9.4.3　數據采集296
9.4.4　數據采樣和轉換296
9.4.5　使用Spark MLlib作為大數據機器學習平臺298
　9.5　實時大數據機器學習305
　9.6　機器學習的未來310
　9.7　小結310
　9.8　參考文獻311
附錄A　線性代數313
附錄B　概率論317