Java機器學習

第1章　機器學習應用快速入門\t1
1．1　機器學習與數(shù)據(jù)科學\t1
1．1．1　機器學習能夠解決的問題\t2
1．1．2　機器學習應用流程\t3
1．2　數(shù)據(jù)與問題定義\t4
1．3　數(shù)據(jù)收集\t5
1．3．1　發(fā)現(xiàn)或觀察數(shù)據(jù)\t5
1．3．2　生成數(shù)據(jù)\t6
1．3．3　采樣陷阱\t7
1．4　數(shù)據(jù)預處理\t7
1．4．1　數(shù)據(jù)清洗\t8
1．4．2　填充缺失值\t8
1．4．3　剔除異常值\t8
1．4．4　數(shù)據(jù)轉(zhuǎn)換\t9
1．4．5　數(shù)據(jù)歸約\t10
1．5　無監(jiān)督學習\t10
1．5．1　查找相似項目\t10
1．5．2　聚類\t12
1．6　監(jiān)督學習\t13
1．6．1　分類\t14
1．6．2　回歸\t16
1．7　泛化與評估\t18
1．8　小結(jié)\t21
第2章　面向機器學習的Java庫與
平臺\t22
2．1　Java環(huán)境\t22
2．2　機器學習庫\t23
2．2．1　Weka\t23
2．2．2　Java機器學習\t25
2．2．3　Apache Mahout\t26
2．2．4　Apache Spark\t27
2．2．5　Deeplearning4j\t28
2．2．6　MALLET\t29
2．2．7　比較各個庫\t30
2．3　創(chuàng)建機器學習應用\t31
2．4　處理大數(shù)據(jù)\t31
2．5　小結(jié)\t33
第3章　基本算法——分類、回歸、
聚類\t34
3．1　開始之前\t34
3．2　分類\t35
3．2．1　數(shù)據(jù)\t35
3．2．2　加載數(shù)據(jù)\t36
3．2．3　特征選擇\t37
3．2．4　學習算法\t38
3．2．5　對新數(shù)據(jù)分類\t40
3．2．6　評估與預測誤差度量\t41
3．2．7　混淆矩陣\t41
3．2．8　選擇分類算法\t42
3．3　回歸\t43
3．3．1　加載數(shù)據(jù)\t43
3．3．2　分析屬性\t44
3．3．3　創(chuàng)建與評估回歸模型\t45
3．3．4　避免常見回歸問題的小技巧\t48
3．4　聚類\t49
3．4．1　聚類算法\t49
3．4．2　評估\t50
3．5　小結(jié)\t51
第4章　利用集成方法預測客戶關(guān)系\t52
4．1　客戶關(guān)系數(shù)據(jù)庫\t52
4．1．1　挑戰(zhàn)\t53
4．1．2　數(shù)據(jù)集\t53
4．1．3　評估\t54
4．2　最基本的樸素貝葉斯分類器基準\t55
4．2．1　獲取數(shù)據(jù)\t55
4．2．2　加載數(shù)據(jù)\t56
4．3　基準模型\t58
4．3．1　評估模型\t58
4．3．2　實現(xiàn)樸素貝葉斯基準線\t59
4．4　使用集成方法進行高級建模\t60
4．4．1　開始之前\t60
4．4．2　數(shù)據(jù)預處理\t61
4．4．3　屬性選擇\t62
4．4．4　模型選擇\t63
4．4．5　性能評估\t66
4．5　小結(jié)\t66
第5章　關(guān)聯(lián)分析\t67
5．1　購物籃分析\t67
5．2　關(guān)聯(lián)規(guī)則學習\t69
5．2．1　基本概念\t69
5．2．2　Apriori算法\t71
5．2．3　FP-增長算法\t71
5．2．4　超市數(shù)據(jù)集\t72
5．3　發(fā)現(xiàn)模式\t73
5．3．1　Apriori算法\t73
5．3．2　FP-增長算法\t74
5．4　在其他領(lǐng)域中的應用\t75
5．4．1　醫(yī)療診斷\t75
5．4．2　蛋白質(zhì)序列\(zhòng)t75
5．4．3　人口普查數(shù)據(jù)\t76
5．4．4　客戶關(guān)系管理\t76
5．4．5　IT運營分析\t76
5．5　小結(jié)\t77
第6章　使用Apache Mahout制作
推薦引擎\t78
6．1　基本概念\t78
6．1．1　關(guān)鍵概念\t79
6．1．2　基于用戶與基于項目的分析\t79
6．1．3　計算相似度的方法\t80
6．1．4　利用與探索\t81
6．2　獲取Apache Mahout\t81
6．3　創(chuàng)建一個推薦引擎\t84
6．3．1　圖書評分數(shù)據(jù)集\t84
6．3．2　加載數(shù)據(jù)\t84
6．3．3　協(xié)同過濾\t89
6．4　基于內(nèi)容的過濾\t97
6．5　小結(jié)\t97
第7章　欺詐與異常檢測\t98
7．1　可疑與異常行為檢測\t98
7．2　可疑模式檢測\t99
7．3　異常模式檢測\t100
7．3．1　分析類型\t100
7．3．2　事務分析\t101
7．3．3　規(guī)劃識別\t101
7．4　保險理賠欺詐檢測\t101
7．4．1　數(shù)據(jù)集\t102
7．4．2　為可疑模式建模\t103
7．5　網(wǎng)站流量異常檢測\t107
7．5．1　數(shù)據(jù)集\t107
7．5．2　時序數(shù)據(jù)中的異常檢測\t108
7．6　小結(jié)\t113
第8章　利用Deeplearning4j進行
圖像識別\t114
8．1　圖像識別簡介\t114
8．2　圖像分類\t120
8．2．1　Deeplearning4j\t120
8．2．2　MNIST數(shù)據(jù)集\t121
8．2．3　加載數(shù)據(jù)\t121
8．2．4　創(chuàng)建模型\t122
8．3　小結(jié)\t128
第9章　利用手機傳感器進行
行為識別\t129
9．1　行為識別簡介\t129
9．1．1　手機傳感器\t130
9．1．2　行為識別流水線\t131
9．1．3　計劃\t132
9．2　從手機收集數(shù)據(jù)\t133
9．2．1　安裝Android Studio\t133
9．2．2　加載數(shù)據(jù)采集器\t133
9．2．3　收集訓練數(shù)據(jù)\t136
9．3　創(chuàng)建分類器\t138
9．3．1　減少假性轉(zhuǎn)換\t140
9．3．2　將分類器嵌入移動應用\t142
9．4　小結(jié)\t143
第10章　利用Mallet進行文本挖掘——
主題模型與垃圾郵件檢測\t144
10．1　文本挖掘簡介\t144
10．1．1　主題模型\t145
10．1．2　文本分類\t145
10．2　安裝Mallet\t146
10．3　使用文本數(shù)據(jù)\t147
10．3．1　導入數(shù)據(jù)\t149
10．3．2　對文本數(shù)據(jù)做預處理\t150
10．4　為BBC新聞做主題模型\t152
10．4．1　BBC數(shù)據(jù)集\t152
10．4．2　建模\t153
10．4．3　評估模型\t155
10．4．4　重用模型\t156
10．5　垃圾郵件檢測\t157
10．5．1　垃圾郵件數(shù)據(jù)集\t158
10．5．2　特征生成\t159
10．5．3　訓練與測試模型\t160
10．6　小結(jié)\t161
第11章　機器學習進階\t162
11．1　現(xiàn)實生活中的機器學習\t162
11．1．1　噪聲數(shù)據(jù)\t162
11．1．2　類不平衡\t162
11．1．3　特征選擇困難\t163
11．1．4　模型鏈\t163
11．1．5　評價的重要性\t163
11．1．6　從模型到產(chǎn)品\t164
11．1．7　模型維護\t164
11．2　標準與標記語言\t165
11．2．1　CRISP-DM\t165
11．2．2　SEMMA方法\t166
11．2．3　預測模型標記語言\t166
11．3　云端機器學習\t167
11．4　Web資源與比賽\t168
11．4．1　數(shù)據(jù)集\t168
11．4．2　在線課程\t169
11．4．3　比賽\t170
11．4．4　網(wǎng)站與博客\t170
11．4．5　場館與會議\t171
11．5　小結(jié)\t171