機器學習：實用技術指南（簡體書）

本書是一本使用機器學習進行實際操作處理數據分析任務的書，全書討論了機器學習理論及其應用，重點是機器學習在實際生活工作中的應用的。通過閱讀本書，讀者將瞭解機器學習的基本知識、常用策略、各種算法、實際應用等。

詹森‧貝爾，Datasentiment的創始人。

Contents 目 錄
譯者序
前言
致謝
第1章　什麼是機器學習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監督學習3
1.2.2無監督學習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醫學和醫療5
1.4.5廣告業5
1.4.6零售和電子商務6
1.4.7遊戲分析7
1.4.8物聯網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使用集成開發環境11
1.7數據庫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機器學習週期13
2.2以問題為先導13
2.3缺少數據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規劃15
2.5.2開發16
2.5.3測試16
2.5.4報告16
2.5.5精煉16
2.5.6產品16
2.6建立數據團隊17
2.6.1數學和統計學17
2.6.2編程17
2.6.3圖形設計17
2.6.4行業知識17
2.7數據處理18
2.7.1使用個人計算機18
2.7.2計算機集群18
2.7.3雲服務18
2.8數據存儲19
2.8.1物理磁盤19
2.8.2雲存儲19
2.9數據隱私19
2.9.1文化規範19
2.9.2普遍的期望20
2.9.3用戶數據匿名20
2.9.4不要穿過“底線”21
2.10數據質量和清洗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範圍檢測22
2.10.5格式檢測23
2.10.6進退兩難23
2.10.7國家名內包含的內容26
2.10.8數值和日期27
2.10.9有關數據清洗的最後看法28
2.11思考輸入數據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數據庫32
2.11.8圖像33
2.12考慮輸出數據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訓練數據41
3.2.3使用Weka創建決策樹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貝葉斯網絡原理57
4.5.1賦值57
4.5.2計算結果58
4.6節點的個數59
4.7利用領域專家的信息59
4.8貝葉斯網絡演練59
4.8.1貝葉斯網絡中的Java API60
4.8.2設計網絡60
4.8.3編程61
4.9總結69
第5章　人工神經網絡70
5.1什麼是神經網絡70
5.2人工神經網絡的應用71
5.2.1高頻交易71
5.2.2信用分析71
5.2.3數據中心管理71
5.2.4機器人72
5.2.5藥效監控72
5.3人工神經網絡分解72
5.3.1感知機72
5.3.2激活函數73
5.3.3多層感知機74
5.3.4後向傳播算法75
5.4人工神經網絡的數據準備76
5.5　Weka中的人工神經網絡76
5.5.1新建數據集76
5.5.2將數據載入Weka中78
5.5.3配置多層感知機79
5.5.4訓練網絡81
5.5.5調整網絡83
5.5.6增加測試數據規模83
5.6利用Java實現神經網絡84
5.6.1創建項目84
5.6.2實現代碼86
5.6.3CSV與Arff文件轉換88
5.6.4運行神經網絡88
5.7總結89
第6章　關聯規則學習90
6.1關聯規則學習的應用90
6.1.1Web使用挖掘90
6.1.2啤酒和尿布91
6.2關聯規則學習工作原理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基於購物籃分析的實戰95
6.4.1下載原始數據95
6.4.2在Eclipse中搭建工程96
6.4.3建立項目的數據文件97
6.4.4 設置數據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106
6.5總結106
第7章　支持向量機107
7.1什麼是支持向量機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LibSVM117
7.6總結122
第8章　聚類123
8.1什麼是聚類123
8.2聚類應用123
8.2.1因特網124
8.2.2商業和零售業124
8.2.3執法部門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計算一個數據集中聚類的數量126
8.4使用Weka做k-均值聚類127
8.4.1準備數據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據144
9.1.1使用實時數據的注意事項144
9.1.2實時系統的使用範圍145
9.2