[套装书]数据流机器学习：MOA实例+基于复杂网络的机器学习方法（2册）

作者
[法]阿尔伯特·比费特（Albert Bifet）[西班牙]理查德·戈华达 （Richard Gavaldà）[新西兰] 杰弗里·福尔摩斯（Geoffrey Holmes）[新西兰]伯恩哈德·普法林格(Bernhard Pfahringer)[巴西]迪亚戈·克里斯蒂亚诺·席
丛书名
智能科学与技术丛书
出版社
机械工业出版社
ISBN
9781912191115
简要
简介
内容简介书籍计算机书籍 ---------------------------数据流机器学习：MOA实例--------------------------- 这本书首先简要介绍了机器学习的主题，涵盖了大数据挖掘、数据流挖掘的基本方法，以及一个简单的MOA示例。接下来进行更详细的讨论，其中有关于草图技术、变更、分类、集成方法、回归、聚类和频繁模式挖掘的章节。这些章节中的大部分内容包括练习、基于MOA的实验，或者两者都有。最后，本书讨论了MOA软件，涵盖了MOA图形用户界面、命令行、其API的使用以及MOA中新方法的开发。对于那些想要使用数据流挖掘作为工具的读者、数据流挖掘的研究人员，以及想要为MOA创建新算法的程序员来说，这本书将是一个重要的参考。 ---------------------------基于复杂网络的机器学习方法--------------------------- 本书结合两个重要和流行的研究领域：复杂网络和机器学习，不仅包括基础背景知识，还包含近期最新的研究进展。书中包括大量插图和例题帮助读者理解主要思想和实现细节。
目录



---------------------------数据流机器学习：MOA实例---------------------------


译者序
前言
第一部分　概述
第1章　简介 2
1.1　大数据 2
1.1.1　工具：开源革命 4
1.1.2　大数据带来的挑战 4
1.2　实时分析 6
1.2.1　数据流 6
1.2.2　时间和内存 6
1.2.3　应用一览 6
1.3　关于本书 7
第2章　大数据流挖掘 8
2.1　算法 8
2.2　分类算法 9
2.2.1　如何在数据流中评估分类器 10
2.2.2　多数类分类器 11
2.2.3　无变化分类器 11
2.2.4　惰性分类器 11
2.2.5　朴素贝叶斯分类器 12
2.2.6　决策树分类器 12
2.2.7　集成分类器 13
2.3　回归算法 13
2.4　聚类算法 14
2.5　频繁模式挖掘 14
第3章　MOA的实际操作介绍 16
3.1　入门开始 16
3.2　分类模型的图形用户界面 18
3.3　用命令行操作 23
第二部分　数据流挖掘
第4章　数据流和Sketch数据结构 26
4.1　背景知识：近似算法 27
4.2　集中不等式 28
4.3　取样 30
4.4　统计总数 31
4.5　去重统计 32
4.5.1　线性计数 33
4.5.2　科恩对数计数器 33
4.5.3　Flajolet-Martin计数器和HyperLogLog算法 34
4.5.4　应用：图论的计算距离函数 36
4.5.5　讨论：对数与线性 37
4.6　频率问题 37
4.6.1　SpaceSaving sketch 38
4.6.2　CM-Sketch算法 40
4.6.3　CountSketch算法 42
4.6.4　时刻计算 44
4.7　滑动窗口的指数矩形图 45
4.8　分布式sketch计算的可合并性 47
4.9　一些技术方面的讨论和其他资料 48
4.9.1　哈希函数 48
4.9.2　创建(, )近似算法 49
4.9.3　其他sketch技术 49
4.10　练习 50
第5章　处理变化 52
5.1　数据流中变化的定义 52
5.2　评估器 56
5.2.1　滑动窗口和线性评估器 57
5.2.2　指数加权移动平均评估器 57
5.2.3　单维度卡尔曼滤波器 58
5.3　变化探测 58
5.3.1　评估变化探测 59
5.3.2　CUSUM测试和Page-Hinkley测试 59
5.3.3　统计测试 60
5.3.4　漂移探测法 61
5.3.5　自适应滑动窗口算法 62
5.4　与其他Sketch和多维数据结合 64
5.5　练习 64
第6章　分类 66
6.1　分类器评估 67
6.1.1　误差估算 68
6.1.2　分布评估 69
6.1.3　性能的评估测量 70
6.1.4　统计显著性 72
6.1.5　测量挖掘成本 73
6.2　基线分类器 73
6.2.1　多数类 73
6.2.2　无变化分类器 74
6.2.3　朴素贝叶斯 74
6.2.4　多项式朴素贝叶斯 77
6.3　决策树 78
6.3.1　估算切分标准 79
6.3.2　Hoeffding决策树 80
6.3.3　CVFDT 82
6.3.4　VFDTc和UFFT 83
6.3.5　Hoeffding适应树 84
6.4　处理数字属性 85
6.4.1　VFML 85
6.4.2　穷举二叉树 86
6.4.3　Greenwald和 Khanna的分位数摘要 86
6.4.4　高斯近似 87
6.5　感知器模型 88
6.6　惰性学习 89
6.7　多标签分类器 89
6.8　主动学习 91
6.8.1　随机策略 92
6.8.2　固定不确定策略 93
6.8.3　可变不确定策略 93
6.8.4　随机不确定策略 94
6.9　概念演变 94
6.10　MOA实战操作 95
第7章　集成方法 99
7.1　准确率加权集成 99
7.2　加权多数算法 100
7.3　堆叠算法 102
7.4　装袋算法 102
7.4.1　在线装袋算法 103
7.4.2　装袋算法如何应对数据流变化 103
7.4.3　杠杆装袋算法 103
7.5　提升算法 104
7.6　Hoeffding树集成算法 105
7.6.1　Hoeffding选项树算法 105
7.6.2　随机森林算法 105
7.6.3　有限的Hoeffding树的感知器堆叠 106
7.6.4　自适应大小的Hoeffding树算法 107
7.7　重复性概念 107
7.8　MOA实战操作 108
第8章　回归 110
8.1　什么是回归 110
8.2　如何评估回归 111
8.3　感知器学习 112
8.4　惰性学习 112
8.5　决策树学习 112
8.6　决策规则 113
8.7　MOA中的回归 114
第9章　聚类 115
9.1　聚类的评估方法 116
9.2　k-means算法 117
9.3　BIRCH、BICO和CluStream 118
9.4　基于密度的方法： DBSCAN和Den-Stream 120
9.5　ClusTree 121
9.6　StreamKM++：核心集 122
9.7　延伸阅读 123
9.8　MOA实战操作 124
第10章　频繁模式挖掘 127
10.1　什么是模式挖掘 127
10.1.1　模式的定义和例子 127
10.1.2　频繁模式挖掘的批量算法 129
10.1.3　闭合模式和最大模式 131
10.2　数据流中频繁模式挖掘的方法 131
10.3　如何在数据流中进行频繁项集挖掘 134
10.3.1　简化为高频繁项 134
10.3.2　Moment算法 135
10.3.3　频繁模式数据流算法 135
10.3.4　IncMine算法 136
10.4　数据流的频繁子图挖掘 137
10.4.1　WinGraphMiner框架 138
10.4.2　AdaGraphMiner框架 139
10.5　延伸阅读 140
10.6　练习 141
第三部分　MOA软件
第11章　MOA及其软件体系 144
11.1　MOA架构 145
11.2　安装 145
11.3　MOA的近期发展 145
11.4　MOA扩展包 146
11.5　ADAMS优化 147
11.6　MEKA优化 149
11.7　OpenML环境 150
11.8　StreamDM软件 150
11.9　Streams工具 151
11.10　Apache SAMOA 流媒体ML库 151
第12章　图形用户界面 154
12.1　初识图形用户界面 154
12.2　分类和回归 154
12.2.1　主要任务一览 156
12.2.2　数据源和数据生成器 157
12.2.3　贝叶斯分类器一览 160
12.2.4　决策树一览 160
12.2.5　元分类器（集成）一览 161
12.2.6　函数分类器一览 162
12.2.7　漂移分类器一览 162
12.2.8　主动学习分类器 163
12.3　聚类 163
12.3.1　数据源和数据生成器 163
12.3.2　数据流聚类算法一览 163
12.3.3　如何进行可视化和数据分析 164
第13章　用命令行操作 166
13.1　给分类和回归创建学习任务 166
13.2　给分类和回归创建评估任务 167
13.3　给分类和回归创建学习与评估任务 167
13.4　两种分类器的对比 168
第14章　调用API 170
14.1　MOA对象 170
14.2　选项 170
14.3　示例：先序评估 173
第15章　在MOA中开发新的方法 175
15.1　MOA中的主要类 175
15.2　创建新的分类器 176
15.3　编译分类器 183
15.4　MOA中的良好编程方法 183
参考文献 185



---------------------------基于复杂网络的机器学习方法---------------------------


译者序
前言
作者简介
符号列表
第1章概述
11背景
12本书主要内容
13本书结构
参考文献
第2章复杂网络
21图论简介
211图的定义
212图的连通性
213路径和环路
214子图
215树和森林
216图的矩阵表示
22网络演化模型
221随机网络
222小世界网络
223无标度网络
224随机聚类网络
225核心边缘网络
23复杂网络的统计描述
231度和度相关性
232距离和路径
233网络结构
234网络中心性
235复杂网络度量方法的分类
24复杂网络上的动力学过程
241随机游走
242惰性随机游走
243自避行走
244游客漫步
245流行病传播
25本章小结
参考文献
第3章机器学习
31引言
32监督学习
321数学表达式和基本假设
322主要算法
33无监督学习
331数学表达式和基本假设
332主要算法
34半监督学习
341研究目的
342数学表达式和基本假设
343主要算法
35基于网络的机器学习方法概述
36本章小结
参考文献
第4章网络构建技术
41引言
42相似性与相异性
421定义
422基于向量形式的相似性函数实例
43向量数据的网络转化
431k近邻和半径网络
432k近邻和半径组合的网络构建技术
433b匹配网络
434线性邻域网络
435松弛线性邻域网络
436聚类启发式网络
437重叠直方图网络
438其他网络构建技术
44时间序列数据的网络转化
441周期网络
442相关网络
443循环网络
444转移网络
45网络构建方法分类
46非结构化数据网络转化的难点
47本章小结
参考文献
第5章基于网络的监督学习
51引言
52典型的基于网络的监督学习技术
521基于k关联图的分类算法
522网络学习工具：NetKit
523易访问启发式的分类算法
53本章小结
参考文献
第6章基于网络的无监督学习
61引言
62社团检测算法
621相关概念
622数学表达式和基本假设
623前沿技术综述
624社团检测基准
63典型的基于网络的无监督学习技术
631介数
632模块度最大化
633谱平分法
634基于粒子竞争模型的社团检测
635变色龙算法
636基于空间变换和群体动力学的社团检测
637同步方法
638重叠社团挖掘
639网络嵌入与降维
64本章小结
参考文献
第7章基于网络的半监督学习
71引言
72数学假设
73典型的基于网络的半监督学习技术
731最大流和最小割
732高斯随机场和调和函数
733Tikhonov正则化框架
734局部和全局一致性算法
735附着法
736模块化方法
737相互作用力
738判别式游走
74本章小结
参考文献
第8章基于网络的监督学习专题研究：高级数据分类
81引言
82问题提出
83高级分类模型
831高级分类模型的总体思路
832混合分类框架的构建
84高级分类器的构建方法
841传统的基于网络度量方法的高级分类器构建
842基于随机游走的高级分类器构建
85高级分类器的数值分析
851高级分类器应用样本
852参数敏感性分析
86应用：手写数字识别
861相关研究
862手写数字数据集MNIST
863图像相似性计算算法
864混合分类框架中的低级分类技术
865混合分类器的性能
866手写数字识别样本87本章小结
参考文献
第9章基于网络的无监督学习专题研究：随机竞争学习
91引言
92随机竞争学习算法模型
921模型原理
922转移矩阵的推导
923随机非线性动力系统的定义
924计算社团数目的方法
925重叠结构的检测方法
926参数敏感性分析
927收敛分析
93模型的理论分析
931数学分析
932粒子竞争模型与传统的多粒子随机游走
933样本分析
94重叠节点及社团检测的数值分析
941扎卡里空手道俱乐部网络
942海豚社交网络
943《悲惨世界》人物关系网络
95应用：手写数字识别和字母聚类
951数据集情况
952最优粒子数和集簇数
953手写数字或字母聚类
96本章小结
参考文献
第10章基于网络的半监督学习专题研究：随机竞争合作学习
101引言
102随机竞争合作模型
1021半监督学习与无监督学习的差异
1022半监督学习环境
1023竞争转移矩阵的修正
1024系统初始条件的修正
103模型的理论分析
1031数学分析
1032样本分析
104模型的数值分析
1041人工合成数据集上的模拟
1042真实数据集上的模拟
105应用：错误标记数据集上的错误标签传播检测和预防
1051问题提出
1052错误标记训练集的检测
1053错误标签传播的预防
1054竞争合作模型学习系统的修正
1055参数敏感性分析
1056计算机模拟
106本章小结
参考文献



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4