[套装书]数据流机器学习：MOA实例+机器学习精讲：基础、算法及应用（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)[美] 杰瑞米·瓦特（Jeremy Watt
丛书名
智能科学与技术丛书
出版社
机械工业出版社
ISBN
9781912191114
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。 ---------------------------机器学习精讲：基础、算法及应用--------------------------- 本书为了解机器学习提供了一种独特的途径。书中包含了新颖、直观而又严谨的基本概念描述，它们是研究课题、制造产品、修补漏洞以及实践不可或缺的部分。本书按照几何直觉、算法思想和实际应用（纵贯计算机视觉、自然语言处理、经济学、神经科学、推荐系统、物理学和生物学等学科）的顺序，为读者提供了深入浅出的基础知识和解决实际问题所需的实用工具。本书还包含了基于Python和MATLAB/OCTAVE语言的深入习题，以及对数值优化前沿技术的全面讲解。本书可为机器学习、计算机科学、电子工程、信号处理以及数值优化等领域的学生提供重要的学习资源，也可为这些领域的研究人员和从业者提供理想的参考资料。
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



---------------------------机器学习精讲：基础、算法及应用---------------------------


译者序
前言
第1章引言
11教计算机区分猫和狗
12预测学习问题
121回归
122分类
13特征设计
14数值优化
15小结
第一部分基本工具及概念
第2章数值优化基础
21微积分定义的最优性
211泰勒级数逼近
212最优性的一阶条件
213凸性的便利
22优化数值方法
221概览
222停止条件
223梯度下降
224牛顿法
23小结
24习题
第3章回归
31线性回归基础
311符号和建模
312用于线性回归的最小二乘代价函数
313最小二乘代价函数的最小化
314所学模型的效力
315预测新输入数据的值
32知识驱动的回归特征设计
33非线性回归和l2正则化
331逻辑回归
332非凸代价函数和l2正则化
34小结
35习题
第4章分类
41感知机代价函数
411基本感知机模型
412softmax代价函数
413间隔感知机
414间隔感知机的可微近似
415所学分类器的精度
416预测新输入数据的标签
417哪个代价函数会产生最好的结果
418感知机和计数代价的关联
42逻辑回归视角下的softmax代价
421阶梯函数和分类
422凸逻辑回归
43支持向量机视角下的间隔感知机
431寻找最大间隔超平面
432硬间隔支持向量机问题
433软间隔支持向量机问题
434支持向量机和逻辑回归
44多分类
441一对多的多分类
442多分类softmax分类
443所学多分类器的精度
444哪种多分类方法表现最好
45面向分类的知识驱动特征设计
46面向真实数据类型的直方图特征
461文本数据的直方图特征
462图像数据的直方图特征
463音频数据的直方图特征
47小结
48习题
第二部分完全数据驱动的机器学习工具
第5章回归的自动特征设计
51理想回归场景中的自动特征设计
511向量逼近
512从向量到连续函数
513连续函数逼近
514连续函数逼近的常见基
515获取权重
516神经网络的图表示
52真实回归场景中的自动特征设计
521离散化的连续函数逼近
522真实回归场景
53回归交叉验证
531诊断过拟合与欠拟合问题
532留出交叉验证
533留出交叉验证的计算
534k折交叉验证
54哪个基最好
541理解数据背后的现象
542实践方面的考虑
543什么时候可任意选择基
55小结
56习题
57关于连续函数逼近的注释
第6章分类中的自动特征设计
61理想分类场景中的自动特征设计
611分段连续函数逼近
612指示函数的形式化定义
613指示函数逼近
614获取权重
62真实分类场景中的自动特征设计
621离散化的指示函数逼近
622真实的分类场景
623分类器精度和边界定义
63多分类
631一对多的多分类
632多分类softmax分类
64分类交叉验证
641留出交叉验证
642留出交叉验证的计算
643k折交叉验证
644一对多多分类的k折交叉验证
65哪个基最好
66小结
67习题
第7章核、反向传播和正则化交叉验证
71固定特征核
711线性代数基本定理
712核化代价函数
713核化的价值
714核的例子
715核作为相似矩阵
72反向传播算法
721计算两层网络代价函数的梯度
722计算三层神经网络的梯度
723动量梯度下降
73l2正则化交叉验证
731l2正则化和交叉验证
732回归的k折正则化交叉验证
733分类的正则化交叉验证
74小结
75更多的核计算
751核化不同的代价函数
752傅里叶核——标量输入
753傅里叶核——向量输入
第三部分大规模数据机器学习方法
第8章高级梯度算法
81梯度下降法的固定步长规则
811梯度下降法和简单的二次代理
812有界曲率函数和最优保守步长规则
813如何使用保守固定步长规则
82梯度下降的自适应步长规则
821回溯线性搜索的自适应步长规则
822如何使用自适应步长规则
83随机梯度下降
831梯度分解
832随机梯度下降迭代
833随机梯度下降的价值
834随机梯度下降的步长规则
835在实践中如何使用随机梯度下降法
84梯度下降方案的收敛性证明
841利普希茨常数固定步长梯度下降的收敛性
842回溯线性搜索梯度下降的收敛性
843随机梯度法的收敛性
844面向凸函数的固定步长梯度下降的收敛速度
85计算利普希茨常数
86小结
87习题
第9章降维技术
91数据的降维技术
911随机子采样
912K均值聚类
913K均值问题的优化
92主成分分析
93推荐系统
931矩阵填充模型
932矩阵填充模型的优化
94小结
95习题
第四部分附录
附录A基本的向量和矩阵运算
附录B向量微积分基础
附录C基本的矩阵分解及伪逆
附录D凸几何
参考文献
索引



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4