机器学习实用技术指南_PDF下载[85MB-百度云]詹森.贝尔

本书特色

[

本书是一本使用机器学习进行实际操作处理数据分析任务的书，全书讨论了机器学习理论及其应用，重点是机器学习在实际生活工作中的应用的。通过阅读本书，读者将了解机器学习的基本知识、常用策略、各种算法、实际应用等。

]

Contents 目　　录译者序前言致谢第1章　什么是机器学习11.1　机器学习的历史11.1.1阿兰·图灵11.1.2亚瑟·塞缪尔21.1.3汤姆 M.米切尔21.1.4总结定义21.2机器学习的算法类型21.2.1监督学习31.2.2无监督学习31.3人的作用31.4机器学习的用途41.4.1软件41.4.2股票交易41.4.3机器人学51.4.4医学和医疗51.4.5广告业51.4.6零售和电子商务61.4.7游戏分析71.4.8物联网71.5机器学习语言81.5.1Python81.5.2R81.5.3Matlab81.5.4Scala81.5.5Clojure91.5.6Ruby91.6　本书使用的软件91.6.1检查Java版本91.6.2Weka 工具包91.6.3Mahout101.6.4Spring XD101.6.5Hadoop111.6.6使用集成开发环境111.7数据库111.7.1加州大学欧文分校机器学习库121.7.2Infochimps121.7.3Kaggle121.8总结12第2章　筹备机器学习132.1机器学习周期132.2以问题为先导132.3缺少数据142.3.1从身边做起142.3.2比赛142.4一劳永逸的解决方案152.5界定机器学习过程152.5.1规划152.5.2开发162.5.3测试162.5.4报告162.5.5精炼162.5.6产品162.6建立数据团队172.6.1数学和统计学172.6.2编程172.6.3图形设计172.6.4行业知识172.7数据处理182.7.1使用个人计算机182.7.2计算机集群182.7.3云服务182.8数据存储192.8.1物理磁盘192.8.2云存储192.9数据隐私192.9.1文化规范192.9.2普遍的期望202.9.3用户数据匿名202.9.4不要穿过“底线”212.10数据质量和清洗212.10.1完整性检测222.10.2类型检测222.10.3长度检测222.10.4范围检测222.10.5格式检测232.10.6进退两难232.10.7国家名内包含的内容262.10.8数值和日期272.10.9有关数据清洗的*后看法282.11思考输入数据282.11.1原始文本282.11.2逗号分隔变量282.11.3JSON292.11.4YAML302.11.5XML312.11.6电子表格322.11.7数据库322.11.8图像332.12考虑输出数据332.13不要害怕实验332.14总结34第3章　决策树353.1决策树基础353.1.1决策树的用途353.1.2决策树的优点363.1.3决策树的局限363.1.4相关算法类型363.1.5决策树工作原理373.2　Weka中的决策树403.2.1需求403.2.2训练数据413.2.3使用Weka创建决策树423.2.4为分类器生成Java代码463.2.5测试分类器代码493.2.6进一步的思考513.3总结51第4章　贝叶斯网络524.1从飞行员到回形针524.2图论534.3概率论544.3.1投掷硬币544.3.2条件概率544.3.3赌博中获胜544.4贝叶斯定理554.5贝叶斯网络原理574.5.1赋值574.5.2计算结果584.6节点的个数594.7利用领域专家的信息594.8贝叶斯网络演练594.8.1贝叶斯网络中的Java API604.8.2设计网络604.8.3编程614.9总结69第5章　人工神经网络705.1什么是神经网络705.2人工神经网络的应用715.2.1高频交易715.2.2信用分析715.2.3数据中心管理715.2.4机器人725.2.5药效监控725.3人工神经网络分解725.3.1感知机725.3.2激活函数735.3.3多层感知机745.3.4后向传播算法755.4人工神经网络的数据准备765.5　Weka中的人工神经网络765.5.1新建数据集765.5.2将数据载入Weka中785.5.3配置多层感知机795.5.4训练网络815.5.5调整网络835.5.6增加测试数据规模835.6利用Java实现神经网络845.6.1创建项目845.6.2实现代码865.6.3CSV与Arff文件转换885.6.4运行神经网络885.7总结89第6章　关联规则学习906.1关联规则学习的应用906.1.1Web使用挖掘906.1.2啤酒和尿布916.2关联规则学习工作原理926.2.1支持度926.2.2置信度936.2.3提升度936.2.4确信度936.2.5计算步骤946.3算法946.3.1 Apiori946.3.2FP-Growth956.4基于购物篮分析的实战956.4.1下载原始数据956.4.2在Eclipse中搭建工程966.4.3建立项目的数据文件976.4.4 设置数据996.4.5运行Mahout1016.4.6检查结果1036.4.7结果整合1056.4.8进一步开发1066.5总结106第7章　支持向量机1077.1什么是支持向量机1077.2何处使用支持向量机1077.3基本分类原则1087.3.1二分类和多分类1087.3.2线性分类器1097.3.3置信度1097.3.4*大化或*小化寻找直线1107.4支持向量机如何实现分类1107.4.1使用线性分类1107.4.2使用非线性分类1127.5在Weka中使用支持向量机1127.5.1安装LibSVM1127.5.2分类演示1137.5.3用Java实现LibSVM1177.6总结122第8章　聚类1238.1什么是聚类1238.2聚类应用1238.2.1因特网1248.2.2商业和零售业1248.2.3执法部门1248.2.4计算1248.3聚类模型1258.3.1k-均值的工作原理1258.3.2计算一个数据集中聚类的数量1268.4使用Weka做k-均值聚类1278.4.1准备数据1288.4.2工作台方法1298.4.3命令行方法1338.4.4编程方法1358.5总结143第9章　实时机器学习—使用Spring XD框架1449.1获取消防水管式的数据1449.1.1使用实时数据的注意事项1449.1.2实时系统的使用范围1459.2