-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

Java機器學習

( 簡體 字)
作者:[斯洛文尼亞]博思蒂安·卡魯扎(Bo?tjan Kalu?a)類別:1. -> 程式設計 -> JAVA -> Java
   2. -> 程式設計 -> 機器學習
譯者:
出版社:人民郵電出版社Java機器學習 3dWoo書號: 47595
詢問書籍請說出此書號!

缺書
NT售價: 245

出版日:8/1/2017
頁數:171
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115466808
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

目錄:

第1章 機器學習應用快速入門 1

1.1 機器學習與資料科學 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 資料與問題定義 4

1.3 資料收集 5

1.3.1 發現或觀察資料 5

1.3.2 生成資料 6

1.3.3 採樣陷阱 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 資料轉換 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 處理大資料 31

2.5 小結 33

第3章 基本演算法——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 載入數據 36

3.2.3 特徵選擇 37

3.2.4 學習演算法 38

3.2.5 對新資料分類 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 選擇分類演算法 42

3.3 回歸 43

3.3.1 載入數據 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 聚類演算法 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係 52

4.1 客戶關聯式資料庫 52

4.1.1 挑戰 53

4.1.2 資料集 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 獲取資料 55

4.2.2 載入數據 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演算法 71

5.2.3 FP-增長演算法 71

5.2.4 超市資料集 72

5.3 發現模式 73

5.3.1 Apriori演算法 73

5.3.2 FP-增長演算法 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 人口普查資料 76

5.4.4 客戶關係管理 76

5.4.5 IT運營分析 76

5.5 小結 77

第6章 使用Apache Mahout製作

推薦引擎 78

6.1 基本概念 78

6.1.1 關鍵概念 79

6.1.2 基於用戶與基於項目的分析 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 圖書評分資料集 84

6.3.2 載入數據 84

6.3.3 協同過濾 89

6.4 基於內容的過濾 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 資料集 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 資料集 107

7.5.2 時序資料中的異常檢測 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資料集 121

8.2.3 載入數據 121

8.2.4 創建模型 122

8.3 小結 128

第9章 利用手機感測器進行

行為識別 129

9.1 行為識別簡介 129

9.1.1 手機感測器 130

9.1.2 行為識別流水線 131

9.1.3 計畫 132

9.2 從手機收集資料 133

9.2.1 安裝Android Studio 133

9.2.2 載入資料獲取器 133

9.2.3 收集訓練資料 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 使用文本資料 147

10.3.1 導入數據 149

10.3.2 對文本資料做預處理 150

10.4 為BBC新聞做主題模型 152

10.4.1 BBC資料集 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 垃圾郵件資料集 158

10.5.2 特徵生成 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 雜訊資料 162

11.1.2 類不平衡 162

11.1.3 特徵選擇困難 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 雲端機器學習 167

11.4 Web資源與比賽 168

11.4.1 資料集 168

11.4.2 線上課程 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
序: