Java機(jī)器學(xué)習(xí).pdf
http://www.www.srpcoatings.com
2020年11月10日
![]() |
| 第1頁 |
![]() |
| 第6頁 |
![]() |
| 第20頁 |
![]() |
| 第26頁 |
![]() |
| 第49頁 |
![]() |
| 第75頁 |
參見附件(83195KB,184頁)。
Java機(jī)器學(xué)習(xí)詳細(xì)講解機(jī)器學(xué)習(xí)中的高級技術(shù),包括分類、聚類、離群值檢測、流學(xué)習(xí)、主動學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、概率圖建模、文本挖掘、深度學(xué)習(xí)以及大數(shù)據(jù)批處理與流機(jī)器學(xué)習(xí)

編輯推薦
本書詳細(xì)講解機(jī)器學(xué)習(xí)中的高級技術(shù),包括分類、聚類、離群值檢測、流學(xué)習(xí)、主動學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、概率圖建模、文本挖掘、深度學(xué)習(xí)以及大數(shù)據(jù)批處理與流機(jī)器學(xué)習(xí)。相應(yīng)的,每一章的示例及現(xiàn)實(shí)世界的案例研究展示了如何使用完整的方法論以及目前可用的基于Java的佳工具,來應(yīng)用剛剛學(xué)習(xí)的技術(shù)。
對于解決各個領(lǐng)域中數(shù)據(jù)科學(xué)方面的問題,以及構(gòu)建強(qiáng)大的機(jī)器學(xué)習(xí)模型所需要的工具和技術(shù),讀完本書之后,你都會有所了解。
通過閱讀本書,你將:
掌握關(guān)鍵的Java機(jī)器學(xué)習(xí)庫,通過理論和實(shí)踐指導(dǎo),發(fā)掘可以解決的每一類問題
在機(jī)器學(xué)習(xí)的每一個大類中探索強(qiáng)大的技術(shù),如分類、聚類、離群值檢測、圖建模和文本挖掘
通過方法論、過程、應(yīng)用和分析,將機(jī)器學(xué)習(xí)應(yīng)用到真實(shí)的數(shù)據(jù)
探索機(jī)器學(xué)習(xí)中有關(guān)新近專業(yè)化方面的技術(shù)和實(shí)驗(yàn),如深度學(xué)習(xí)、流數(shù)據(jù)挖掘以及主動和半監(jiān)督學(xué)習(xí) 使用新的工具和方法,建立基于批量和基于流的大數(shù)據(jù)學(xué)習(xí)的高性能、實(shí)時、自適應(yīng)預(yù)測模型
對可應(yīng)用于安全、金融犯罪、物聯(lián)網(wǎng)和社交網(wǎng)絡(luò)等領(lǐng)域方面的更強(qiáng)大的AI技術(shù),獲得更深入的理解。
內(nèi)容簡介
本書涵蓋了機(jī)器學(xué)習(xí)中的經(jīng)典技術(shù),如分類、聚類、降維、離群值檢測、半監(jiān)督學(xué)習(xí)和主動學(xué)習(xí)。同時介紹了近期高深的主題,包括流數(shù)據(jù)學(xué)習(xí)、深度學(xué)習(xí)以及大數(shù)據(jù)學(xué)習(xí)的挑戰(zhàn)。每一章指定一個主題,包括通過案例研究,介紹前沿的基于Java的工具和軟件,以及完整的知識發(fā)現(xiàn)周期:數(shù)據(jù)采集、實(shí)驗(yàn)設(shè)計(jì)、建模、結(jié)果及評估。每一章都是獨(dú)立的,提供了很大的使用靈活性。附帶的網(wǎng)站提供了源碼和數(shù)據(jù)。對于學(xué)生和數(shù)據(jù)分析從業(yè)員來說,這確實(shí)很難得,大家可以直接用剛學(xué)到的方法進(jìn)行實(shí)驗(yàn),或者通過將這些方法應(yīng)用到真實(shí)環(huán)境中,加深對它們的理解。
作者簡介
Uday Kamath博士是BAE系統(tǒng)應(yīng)用智能公司的首席數(shù)據(jù)科學(xué)家,專門研究可擴(kuò)展機(jī)器學(xué)習(xí),并在反洗錢(AML)、金融犯罪欺詐檢驗(yàn)、網(wǎng)絡(luò)空間安全和生物信息學(xué)領(lǐng)域擁有20年的研究經(jīng)驗(yàn)。Kamath博士負(fù)責(zé)BAE系統(tǒng)應(yīng)用智能公司AI部門核心產(chǎn)品的研究分析,這些產(chǎn)品涉及的領(lǐng)域有行為科學(xué)、社交網(wǎng)絡(luò)和大數(shù)據(jù)機(jī)器學(xué)習(xí)方面。在Kenneth De Jong博士的指導(dǎo)下,他獲得了喬治梅森大學(xué)的博士學(xué)位,他的論文研究聚焦于大數(shù)據(jù)和自動化序列挖掘的機(jī)器學(xué)習(xí)領(lǐng)域。
Krishna Choppella在BAE系統(tǒng)應(yīng)用智能公司的角色是作為解決方案架構(gòu)師,構(gòu)建工具和客戶解決方案。他有20年的Java編程經(jīng)驗(yàn),主要興趣是數(shù)據(jù)科學(xué)、函數(shù)編程和分布式計(jì)算。
主要內(nèi)容
第1章介紹了機(jī)器學(xué)習(xí)的基本概念和技術(shù)。讀者在Packt的其他類似書籍中也可以看到這些內(nèi)容,例如《Learning Machine Learning in Java》等。本章涉及的概念有:數(shù)據(jù)、數(shù)據(jù)轉(zhuǎn)換、采樣和偏移、特征及其重要性、監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、大數(shù)據(jù)學(xué)習(xí)、數(shù)據(jù)流和實(shí)時學(xué)習(xí)、概率圖模型,以及半監(jiān)督學(xué)習(xí)。
第2章單刀直入地展示了監(jiān)督學(xué)習(xí)的廣泛場景及其相關(guān)技術(shù)的全景,還涵蓋了特征選擇和降維、線性建模、邏輯模型、非線性模型、SVM和核函數(shù)、集成學(xué)習(xí)技術(shù)(例如裝袋算法和提升算法)、驗(yàn)證技術(shù)和評價指標(biāo),還有模型選擇。本章的案例研究使用了Weka和RapidMiner,包括從數(shù)據(jù)分析到模型性能分析的所有步驟。和其他各章一樣,案例研究是作為示例來幫助讀者理解本章介紹的技術(shù)是如何應(yīng)用到真實(shí)生活中的。這個案例研究所使用的數(shù)據(jù)集來自UCI Horse Colic。
第3章展示了多種先進(jìn)的聚類和離群值技術(shù)及其應(yīng)用。本章涵蓋的主題包括無監(jiān)督數(shù)據(jù)的特征選擇和降維、聚類算法、聚類的模型評估,以及使用統(tǒng)計(jì)學(xué)方法、距離和分布式技術(shù)做異常檢測。在本章末尾,我們展示了一個案例研究,使用一組真實(shí)世界的圖像數(shù)據(jù)集MNIST進(jìn)行聚類和離群值檢測。另外,使用Smile API完成特征降維,使用ELKI進(jìn)行學(xué)習(xí)。
第4章講述了當(dāng)只有少量的標(biāo)簽數(shù)據(jù)可以使用時,學(xué)習(xí)的算法和技術(shù)的細(xì)節(jié)。本章涵蓋的主題包括自訓(xùn)練、生成模型、轉(zhuǎn)導(dǎo)SVM算法、協(xié)同訓(xùn)練、主動學(xué)習(xí)和多視角學(xué)習(xí)。
Java機(jī)器學(xué)習(xí)截圖



您現(xiàn)在查看是摘要介紹頁, 詳見PDF附件(83195KB,184頁)。
器學(xué)習(xí)_1.jpg)
器學(xué)習(xí)_2.jpg)
器學(xué)習(xí)_3.jpg)
器學(xué)習(xí)_4.jpg)
器學(xué)習(xí)_5.jpg)
器學(xué)習(xí)_6.jpg)