我爱电子书-《Java机器学习: 智能系统与技术丛书》| pdf + epub + mobi + awz3, 高清版, 带目录，Kindle版, 多看精排版下载

注重体验与质量的电子书资源下载网站

分类于: 编程语言计算机基础人工智能

简介

Java机器学习: 智能系统与技术丛书豆 0.0分

资源最后更新于 2020-03-29 01:54:06

作者：〔美〕乌黛·卡马特（Uday Kamath）〔美〕克里希纳·肖佩拉（Krishna Choppella）

译者：陈瑶陈峰刘江一

出版社：出版社机械工业出版社

出版日期：2018-09

ISBN：9787111609193

文件格式： pdf

标签：程序设计机器学习 Java 计算机与互联网软件应用 JAVA语言智能系统与技术丛书

简介· · · · · ·

本书涵盖了机器学习中的经典技术，如分类、聚类、降维、异常检测、半监督学习和主动学习。同时介绍了近期高深的主题，包括流数据学习、深度学习，以及大数据学习的挑战。每一章指定一个主题，包括对于实例研究，介绍前沿的基于Java的工具和软件，以及完整的知识发现周期：数据采集、实验设计、建模、结果及评估。每一章都是独立的，提供了很大的使用灵活性。附带的网站提供了源码和数据。对于学生和数据分析从业员来说，可以直接用刚学到的方法进行实验，或者通过将这些方法应用到真实环境中，加深对它们的理解。乌黛·卡马特（Uday Kamath）博士是BAE系统应用智能公司的首席数据科学家，专门研究可扩展机器学习，并在反洗钱AML、金融犯罪欺诈检验、网络空间安全和生物信息学领域拥有20年的研究经验。Kamath博士负责BAE系统应用智能公司AI部门核心产品的研究分析，这些产品涉及的领域有行为科学、社交网络和大数据机器学习方面。在Kenneth De Jong博士的指导下，他获得了乔治梅森大学的博士学位，他的论文研究聚焦于大数据和自动化序列挖掘的机器学习领域。克里希纳·肖佩拉（Krishna Choppella）在BAE系统应用智能公司的角色是作为解决方案架构师，构建工具和客户解决方案。他有20年的Java编程经验，主要兴趣是数据科学、函数编程和分布式计算。

直接下载

简介

Java机器学习: 智能系统与技术丛书 豆 0.0分

简介· · · · · ·

目录

推荐序

译者序

前言

作者简介

审校者简介

第1章 机器学习回顾

1.1 机器学习历史和定义

1.2 哪些不属于机器学习

1.3 机器学习概念和术语

1.4 机器学习类型及其子类

1.5 用于机器学习的数据集

1.6 机器学习的应用

1.7 机器学习中的实际问题

1.8 机器学习角色与过程

1.9 机器学习工具和数据集

1.10 小结

第2章 监督学习在现实世界中的实践方法

2.1 正式描述和符号

2.2 数据转换与预处理

2.3 特征关联分析与降维

2.4 模型建立

2.5 模型评价、评估和比较

2.6 Horse Colic分类案例研究

2.7 小结

第3章 无监督机器学习技术

3.1 与监督学习共同存在的问题

3.2 无监督学习的特定问题

3.3 特征分析和降维

3.4 聚类

3.5 离群值或异常值检测

3.6 实际案例研究

3.7 小结

第4章 半监督学习和主动学习

4.1 半监督学习

4.2 主动学习

4.3 主动学习中的案例研究

4.4 小结

第5章 实时流机器学习

5.1 假设条件和数学符号

5.2 基本的流处理和计算技术

5.3 概念漂移和漂移探测

5.4 增量监督学习

5.5 使用聚类的增量无监督学习

5.6 使用离群值检测的无监督学习

5.7 流学习案例研究

5.8 小结

第6章 概率图建模

6.1 回顾概率

6.2 图的概念

6.3 贝叶斯网络

6.4 马尔可夫网络和条件随机场

6.5 特殊网络

6.6 工具和使用

6.7 案例研究

6.8 小结

第7章 深度学习

7.1 多层前馈神经网络

7.2 神经网络的局限

7.3 深度学习

7.4 案例研究

7.5 小结

第8章 文本挖掘和自然语言处理

8.1 NLP及其子领域和任务

8.2 挖掘非结构化数据的问题

8.3 文本处理和转换

8.4 文本挖掘主题

8.5 工具和使用

8.6 小结

第9章 大数据机器学习：最终领域

9.1 大数据的特点

9.2 大数据机器学习

9.3 批量大数据机器学习

9.4 案例研究

9.5 实时大数据机器学习

9.6 机器学习的未来

9.7 小结

Java机器学习: 智能系统与技术丛书豆 0.0分

第1章　机器学习回顾

1.1　机器学习历史和定义

1.2　哪些不属于机器学习

1.3　机器学习概念和术语

1.4　机器学习类型及其子类

1.5　用于机器学习的数据集

1.6　机器学习的应用

1.7　机器学习中的实际问题

1.8　机器学习角色与过程

1.9　机器学习工具和数据集

1.10　小结

第2章　监督学习在现实世界中的实践方法

2.1　正式描述和符号

2.2　数据转换与预处理

2.3　特征关联分析与降维

2.4　模型建立

2.5　模型评价、评估和比较

2.6　Horse Colic分类案例研究

2.7　小结

第3章　无监督机器学习技术

3.1　与监督学习共同存在的问题

3.2　无监督学习的特定问题

3.3　特征分析和降维

3.4　聚类

3.5　离群值或异常值检测

3.6　实际案例研究

3.7　小结

第4章　半监督学习和主动学习

4.1　半监督学习

4.2　主动学习

4.3　主动学习中的案例研究

4.4　小结

第5章　实时流机器学习

5.1　假设条件和数学符号

5.2　基本的流处理和计算技术

5.3　概念漂移和漂移探测

5.4　增量监督学习

5.5　使用聚类的增量无监督学习

5.6　使用离群值检测的无监督学习

5.7　流学习案例研究

5.8　小结

第6章　概率图建模

6.1　回顾概率

6.2　图的概念

6.3　贝叶斯网络

6.4　马尔可夫网络和条件随机场

6.5　特殊网络

6.6　工具和使用

6.7　案例研究

6.8　小结

第7章　深度学习

7.1　多层前馈神经网络

7.2　神经网络的局限

7.3　深度学习

7.4　案例研究

7.5　小结

第8章　文本挖掘和自然语言处理

8.1　NLP及其子领域和任务

8.2　挖掘非结构化数据的问题

8.3　文本处理和转换

8.4　文本挖掘主题

8.5　工具和使用

8.6　小结

第9章　大数据机器学习：最终领域

9.1　大数据的特点

9.2　大数据机器学习

9.3　批量大数据机器学习

9.4　案例研究

9.5　实时大数据机器学习

9.6　机器学习的未来

9.7　小结

附录A　线性代数

附录B　概率论