本書介紹如何使用Java創建并實現機器學習算法，既有基礎知識，又提供實戰案例。主要內容包括：機器學習基本概念、原理，Weka、Mahout、Spark等常見機器學習庫的用法，各類機器學習常見任務，包括分類、預測預報、購物籃分析、檢測異常、行為識別、圖像識別以及文本分析。后還提供了相關Web資源、各種技術研討會議以及機器學習挑戰賽等進階所需內容。 本書適合機器學習入門者，尤其是想使用Java機器學習庫進行數據分析的讀者。
快速了解用Java創建并實現機器學習 涵蓋Mahout、Weka、Spark等常見庫的功能和用法 介紹各種常見任務的機器學習應用，如基于數據庫的預測預報、購物籃分析、圖像識別、行為識別、文本分析等
博士，人工智能與機器學習專家，現任Evolven公司(經驗豐富的IT運營分析公司，致力于配置管理業務)首席數據科學家，主攻機器學習、預測分析、模式挖掘與異常檢測，旨在把數據轉化為人類可理解的信息與可供實用的知識。 更多信息請訪問bostjankaluza.net。
目 錄
第1章 機器學習應用快速入門 1
1.1 機器學習與數據科學 1
1.1.1 機器學習能夠解決的問題 2
1.1.2 機器學習應用流程 3
1.2 數據與問題定義 4
1.3 數據收集 5
1.3.1 發現或觀察數據 5
1.3.2 生成數據 6
1.3.3 采樣陷阱 7
1.4 數據預處理 7
1.4.1 數據清洗 8
1.4.2 填充缺失值 8
1.4.3 剔除異常值 8
1.4.4 數據轉換 9
1.4.5 數據歸約 10
1.5 無監督學習 10
1.5.1 查找相似項目 10
1.5.2 聚類 12
1.6 監督學習 13
1.6.1 分類 14
1.6.2 回歸 16
1.7 泛化與評估 18
1.8 小結 21
第2章 面向機器學習的Java庫與
平臺 22
2.1 Java環境 22
2.2 機器學習庫 23
2.2.1 Weka 23
2.2.2 Java機器學習 25
2.2.3 Apache Mahout 26
2.2.4 Apache Spark 27
2.2.5 Deeplearning4j 28
2.2.6 MALLET 29
2.2.7 比較各個庫 30
2.3 創建機器學習應用 31
2.4 處理大數據 31
2.5 小結 33
第3章 基本算法——分類、回歸、
聚類 34
3.1 開始之前 34
3.2 分類 35
3.2.1 數據 35
3.2.2 加載數據 36
3.2.3 特征選擇 37
3.2.4 學習算法 38
3.2.5 對新數據分類 40
3.2.6 評估與預測誤差度量 41
3.2.7 混淆矩陣 41
3.2.8 選擇分類算法 42
3.3 回歸 43
3.3.1 加載數據 43
3.3.2 分析屬性 44
3.3.3 創建與評估回歸模型 45
3.3.4 避免常見回歸問題的小技巧 48
3.4 聚類 49
3.4.1 聚類算法 49
3.4.2 評估 50
3.5 小結 51
第4章 利用集成方法預測客戶關系 52
4.1 客戶關系數據庫 52
4.1.1 挑戰 53
4.1.2 數據集 53
4.1.3 評估 54
4.2 最基本的樸素貝葉斯分類器基準 55
4.2.1 獲取數據 55
4.2.2 加載數據 56
4.3 基準模型 58
4.3.1 評估模型 58
4.3.2 實現樸素貝葉斯基準線 59
4.4 使用集成方法進行高級建模 60
4.4.1 開始之前 60
4.4.2 數據預處理 61
4.4.3 屬性選擇 62
4.4.4 模型選擇 63
4.4.5 性能評估 66
4.5 小結 66
第5章 關聯分析 67
5.1 購物籃分析 67
5.2 關聯規則學習 69
5.2.1 基本概念 69
5.2.2 Apriori算法 71
5.2.3 FP-增長算法 71
5.2.4 超市數據集 72
5.3 發現模式 73
5.3.1 Apriori算法 73
5.3.2 FP-增長算法 74
5.4 在其他領域中的應用 75
5.4.1 醫療診斷 75
5.4.2 蛋白質序列 75
5.4.3 人口普查數據 76
5.4.4 客戶關系管理 76
5.4.5 IT運營分析 76
5.5 小結 77
第6章 使用Apache Mahout制作
推薦引擎 78
6.1 基本概念 78
6.1.1 關鍵概念 79
6.1.2 基于用戶與基于項目的分析 79
6.1.3 計算相似度的方法 80
6.1.4 利用與探索 81
6.2 獲取Apache Mahout 81
6.3 創建一個推薦引擎 84
6.3.1 圖書評分數據集 84
6.3.2 加載數據 84
6.3.3 協同過濾 89
6.4 基于內容的過濾 97
6.5 小結 97
第7章 欺詐與異常檢測 98
7.1 可疑與異常行為檢測 98
7.2 可疑模式檢測 99
7.3 異常模式檢測 100
7.3.1 分析類型 100
7.3.2 事務分析 101
7.3.3 規劃識別 101
7.4 保險理賠欺詐檢測 101
7.4.1 數據集 102
7.4.2 為可疑模式建模 103
7.5 網站流量異常檢測 107
7.5.1 數據集 107
7.5.2 時序數據中的異常檢測 108
7.6 小結 113
第8章 利用Deeplearning4j進行
圖像識別 114
8.1 圖像識別簡介 114
8.2 圖像分類 120
8.2.1 Deeplearning4j 120
8.2.2 MNIST數據集 121
8.2.3 加載數據 121
8.2.4 創建模型 122
8.3 小結 128
第9章 利用手機傳感器進行
行為識別 129
9.1 行為識別簡介 129
9.1.1 手機傳感器 130
9.1.2 行為識別流水線 131
9.1.3 計劃 132
9.2 從手機收集數據 133
9.2.1 安裝Android Studio 133
9.2.2 加載數據采集器 133
9.2.3 收集訓練數據 136
9.3 創建分類器 138
9.3.1 減少假性轉換 140
9.3.2 將分類器嵌入移動應用 142
9.4 小結 143
第10章 利用Mallet進行文本挖掘——
主題模型與垃圾郵件檢測 144
10.1 文本挖掘簡介 144
10.1.1 主題模型 145
10.1.2 文本分類 145
10.2 安裝Mallet 146
10.3 使用文本數據 147
10.3.1 導入數據 149
10.3.2 對文本數據做預處理 150
10.4 為BBC新聞做主題模型 152
10.4.1 BBC數據集 152
10.4.2 建模 153
10.4.3 評估模型 155
10.4.4 重用模型 156
10.5 垃圾郵件檢測 157
10.5.1 垃圾郵件數據集 158
10.5.2 特征生成 159
10.5.3 訓練與測試模型 160
10.6 小結 161
第11章 機器學習進階 162
11.1 現實生活中的機器學習 162
11.1.1 噪聲數據 162
11.1.2 類不平衡 162
11.1.3 特征選擇困難 163
11.1.4 模型鏈 163
11.1.5 評價的重要性 163
11.1.6 從模型到產品 164
11.1.7 模型維護 164
11.2 標準與標記語言 165
11.2.1 CRISP-DM 165
11.2.2 SEMMA方法 166
11.2.3 預測模型標記語言 166
11.3 云端機器學習 167
11.4 Web資源與比賽 168
11.4.1 數據集 168
11.4.2 在線課程 169
11.4.3 比賽 170
11.4.4 網站與博客 170
11.4.5 場館與會議 171
11.5 小結 171
