Java机器学习

　　本书介绍如何使用Java创建并实现机器学习算法，既有基础知识，又提供实战案例。主要内容包括：机器学习基本概念、原理，Weka、Mahout、Spark等常见机器学习库的用法，各类机器学习常见任务，包括分类、预测预报、购物篮分析、检测异常、行为识别、图像识别以及文本分析。最后还提供了相关Web资源、各种技术研讨会议以及机器学习挑战赛等进阶所需内容。本书适合机器学习入门者，尤其是想使用Java机器学习库进行数据分析的读者。

　　作者：[斯洛文尼亚]博思蒂安·卡鲁扎（Bo？tjan Kalu？a） 译者：武传海博士，人工智能与机器学习专家，现任Evolven公司（领先的IT运营分析公司，致力于配置管理业务）首席数据科学家，主攻机器学习、预测分析、模式挖掘与异常检测，旨在把数据转化为人类可理解的信息与可供实用的知识。 更多信息请访问http：//bostjankaluza.net。

第1章　机器学习应用快速入门\t1
1．1　机器学习与数据科学\t1
1．1．1　机器学习能够解决的问题\t2
1．1．2　机器学习应用流程\t3
1．2　数据与问题定义\t4
1．3　数据收集\t5
1．3．1　发现或观察数据\t5
1．3．2　生成数据\t6
1．3．3　采样陷阱\t7
1．4　数据预处理\t7
1．4．1　数据清洗\t8
1．4．2　填充缺失值\t8
1．4．3　剔除异常值\t8
1．4．4　数据转换\t9
1．4．5　数据归约\t10
1．5　无监督学习\t10
1．5．1　查找相似项目\t10
1．5．2　聚类\t12
1．6　监督学习\t13
1．6．1　分类\t14
1．6．2　回归\t16
1．7　泛化与评估\t18
1．8　小结\t21
第2章　面向机器学习的Java库与
平台\t22
2．1　Java环境\t22
2．2　机器学习库\t23
2．2．1　Weka\t23
2．2．2　Java机器学习\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　比较各个库\t30
2．3　创建机器学习应用\t31
2．4　处理大数据\t31
2．5　小结\t33
第3章　基本算法——分类、回归、
聚类\t34
3．1　开始之前\t34
3．2　分类\t35
3．2．1　数据\t35
3．2．2　加载数据\t36
3．2．3　特征选择\t37
3．2．4　学习算法\t38
3．2．5　对新数据分类\t40
3．2．6　评估与预测误差度量\t41
3．2．7　混淆矩阵\t41
3．2．8　选择分类算法\t42
3．3　回归\t43
3．3．1　加载数据\t43
3．3．2　分析属性\t44
3．3．3　创建与评估回归模型\t45
3．3．4　避免常见回归问题的小技巧\t48
3．4　聚类\t49
3．4．1　聚类算法\t49
3．4．2　评估\t50
3．5　小结\t51
第4章　利用集成方法预测客户关系\t52
4．1　客户关系数据库\t52
4．1．1　挑战\t53
4．1．2　数据集\t53
4．1．3　评估\t54
4．2　最基本的朴素贝叶斯分类器基准\t55
4．2．1　获取数据\t55
4．2．2　加载数据\t56
4．3　基准模型\t58
4．3．1　评估模型\t58
4．3．2　实现朴素贝叶斯基准线\t59
4．4　使用集成方法进行高级建模\t60
4．4．1　开始之前\t60
4．4．2　数据预处理\t61
4．4．3　属性选择\t62
4．4．4　模型选择\t63
4．4．5　性能评估\t66
4．5　小结\t66
第5章　关联分析\t67
5．1　购物篮分析\t67
5．2　关联规则学习\t69
5．2．1　基本概念\t69
5．2．2　Apriori算法\t71
5．2．3　FP-增长算法\t71
5．2．4　超市数据集\t72
5．3　发现模式\t73
5．3．1　Apriori算法\t73
5．3．2　FP-增长算法\t74
5．4　在其他领域中的应用\t75
5．4．1　医疗诊断\t75
5．4．2　蛋白质序列\t75
5．4．3　人口普查数据\t76
5．4．4　客户关系管理\t76
5．4．5　IT运营分析\t76
5．5　小结\t77
第6章　使用Apache Mahout制作
推荐引擎\t78
6．1　基本概念\t78
6．1．1　关键概念\t79
6．1．2　基于用户与基于项目的分析\t79
6．1．3　计算相似度的方法\t80
6．1．4　利用与探索\t81
6．2　获取Apache Mahout\t81
6．3　创建一个推荐引擎\t84
6．3．1　图书评分数据集\t84
6．3．2　加载数据\t84
6．3．3　协同过滤\t89
6．4　基于内容的过滤\t97
6．5　小结\t97
第7章　欺诈与异常检测\t98
7．1　可疑与异常行为检测\t98
7．2　可疑模式检测\t99
7．3　异常模式检测\t100
7．3．1　分析类型\t100
7．3．2　事务分析\t101
7．3．3　规划识别\t101
7．4　保险理赔欺诈检测\t101
7．4．1　数据集\t102
7．4．2　为可疑模式建模\t103
7．5　网站流量异常检测\t107
7．5．1　数据集\t107
7．5．2　时序数据中的异常检测\t108
7．6　小结\t113
第8章　利用Deeplearning4j进行
图像识别\t114
8．1　图像识别简介\t114
8．2　图像分类\t120
8．2．1　Deeplearning4j\t120
8．2．2　MNIST数据集\t121
8．2．3　加载数据\t121
8．2．4　创建模型\t122
8．3　小结\t128
第9章　利用手机传感器进行
行为识别\t129
9．1　行为识别简介\t129
9．1．1　手机传感器\t130
9．1．2　行为识别流水线\t131
9．1．3　计划\t132
9．2　从手机收集数据\t133
9．2．1　安装Android Studio\t133
9．2．2　加载数据采集器\t133
9．2．3　收集训练数据\t136
9．3　创建分类器\t138
9．3．1　减少假性转换\t140
9．3．2　将分类器嵌入移动应用\t142
9．4　小结\t143
第10章　利用Mallet进行文本挖掘——
主题模型与垃圾邮件检测\t144
10．1　文本挖掘简介\t144
10．1．1　主题模型\t145
10．1．2　文本分类\t145
10．2　安装Mallet\t146
10．3　使用文本数据\t147
10．3．1　导入数据\t149
10．3．2　对文本数据做预处理\t150
10．4　为BBC新闻做主题模型\t152
10．4．1　BBC数据集\t152
10．4．2　建模\t153
10．4．3　评估模型\t155
10．4．4　重用模型\t156
10．5　垃圾邮件检测\t157
10．5．1　垃圾邮件数据集\t158
10．5．2　特征生成\t159
10．5．3　训练与测试模型\t160
10．6　小结\t161
第11章　机器学习进阶\t162
11．1　现实生活中的机器学习\t162
11．1．1　噪声数据\t162
11．1．2　类不平衡\t162
11．1．3　特征选择困难\t163
11．1．4　模型链\t163
11．1．5　评价的重要性\t163
11．1．6　从模型到产品\t164
11．1．7　模型维护\t164
11．2　标准与标记语言\t165
11．2．1　CRISP-DM\t165
11．2．2　SEMMA方法\t166
11．2．3　预测模型标记语言\t166
11．3　云端机器学习\t167
11．4　Web资源与比赛\t168
11．4．1　数据集\t168
11．4．2　在线课程\t169
11．4．3　比赛\t170
11．4．4　网站与博客\t170
11．4．5　场馆与会议\t171
11．5　小结\t171