數(shù)據(jù)挖掘?qū)嵱脵C(jī)器學(xué)習(xí)技術(shù)（原書第2版）

出版者的話.
專家指導(dǎo)委員會
譯者序
中文版前言
序
前言
第一部分機(jī)器學(xué)習(xí)工具與技術(shù)
第1章緒論
1.1數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)
1.1.1描述結(jié)構(gòu)模式
1.1.2機(jī)器學(xué)習(xí)
1.1.3數(shù)據(jù)挖掘
1.2簡單的例子：天氣問題和其他
1.2.1天氣問題
1.2.2隱形眼鏡：一個理想化的問題
1.2.3鳶尾花：一個經(jīng)典的數(shù)值型數(shù)據(jù)集
1.2.4CPU性能：介紹數(shù)值預(yù)測
1.2.5勞資協(xié)商：一個更真實(shí)的例子
1.2.6大豆分類：一個經(jīng)典的機(jī)器學(xué)習(xí)的成功例子
1.3應(yīng)用領(lǐng)域
1.3.1決策包含評判
1.3.2圖像篩選
1.3.3負(fù)載預(yù)測
1.3.4診斷
1.3.5市場和銷售
1.3.6其他應(yīng)用
1.4機(jī)器學(xué)習(xí)和統(tǒng)計學(xué)
1.5用于搜索的概括
1.5.1枚舉概念空間
1.5.2偏差
1.6數(shù)據(jù)挖掘和道德
1.7補(bǔ)充讀物
第2章輸入：概念.實(shí)例和屬性
2.1概念
2.2樣本
2.3屬性
2.4輸入準(zhǔn)備
2.4.1數(shù)據(jù)收集
2.4.2ARFF格式
2.4.3稀疏數(shù)據(jù)
2.4.4屬性類型
2.4.5殘缺值
2.4.6不正確的值
2.4.7了解數(shù)據(jù)
2.5補(bǔ)充讀物
第3章輸出：知識表達(dá)
3.1決策表
3.2決策樹
3.3分類規(guī)則
3.4關(guān)聯(lián)規(guī)則
3.5包含例外的規(guī)則
3.6包含關(guān)系的規(guī)則
3.7數(shù)值預(yù)測樹
3.8基于實(shí)例的表達(dá)
3.9聚類
3.10補(bǔ)充讀物
第4章算法：基本方法
4.1推斷基本規(guī)則
4.1.1殘缺值和數(shù)值屬性
4.1.2討論
4.2統(tǒng)計建模
4.2.1殘缺值和數(shù)值屬性
4.2.2用于文檔分類的貝葉斯模型
4.2.3討論
4.3分治法：創(chuàng)建決策樹
4.3.1計算信息量
4.3.2高度分支屬性
4.3.3討論
4.4覆蓋算法：建立規(guī)則
4.4.1規(guī)則與樹
4.4.2一個簡單的覆蓋算法
4.4.3規(guī)則與決策列
4.5挖掘關(guān)聯(lián)規(guī)則
4.5.1項(xiàng)集
4.5.2關(guān)聯(lián)規(guī)則
4.5.3有效地建立規(guī)則
4.5.4討論
4.6線性模型
4.6.1數(shù)值預(yù)測：線性回歸
4.6.2線性分類：Logistic回歸
4.6.3使用感知器的線性分類
4.6.4使用Winnow的線性分類
4.7基于實(shí)例的學(xué)習(xí)
4.7.1距離函數(shù)
4.7.2有效尋找最近鄰
4.7.3討論
4.8聚類
4.8.1基于距離的迭代聚類
4.8.2快速距離計算
4.8.3討論
4.9補(bǔ)充讀物
第5章可信度：評估機(jī)器學(xué)習(xí)結(jié)果
5.1訓(xùn)練和測試
5.2預(yù)測性能
5.3交叉驗(yàn)證
5.4其他估計法
5.4.1留一法
5.4.2自引導(dǎo)法
5.5數(shù)據(jù)挖掘方案比較
5.6預(yù)測概率
5.6.1次損失函數(shù)
5.6.2信息損失函數(shù)
5.6.3討論
5.7計算成本
5.7.1成本敏感分類
5.7.2成本敏感學(xué)習(xí)
5.7.3上升圖
5.7.4ROC曲線
5.7.5反饋率-精確率曲線
5.7.6討論
5.7.7成本曲線
5.8評估數(shù)值預(yù)測
5.9最短描述長度原理
5.10聚類方法中應(yīng)用MDL原理
5.11補(bǔ)充讀物
第6章實(shí)現(xiàn)：真正的機(jī)器學(xué)習(xí)方案
6.1決策樹
6.1.1數(shù)值屬性
6.1.2殘缺值
6.1.3修剪
6.1.4估計誤差率
6.1.5決策樹歸納的復(fù)雜度
6.1.6從決策樹到規(guī)則
6：1.7C4.5：選擇和選項(xiàng)
6.1.8討論
6.2分類規(guī)則
6.2.1選擇測試的標(biāo)準(zhǔn)
6.2.2殘缺值,數(shù)值屬性
6.2.3生成好的規(guī)則
6.2.4使用全局優(yōu)化
6.2.5從局部決策樹中獲得規(guī)則
6.2.6包含例外的規(guī)則
6.2.7討論
6.3擴(kuò)展線性模型
6.3.1最大邊際超平面
6.3.2非線性類邊界
6.3.3支持向量回歸
6.3.4核感知器
6.3.5多層感知器
6.3.6反向傳播法
6.3.7徑向基函數(shù)網(wǎng)絡(luò)
6.3.8討論
6.4基于實(shí)例的學(xué)習(xí)
6.4.1減少樣本集數(shù)量
6.4.2修剪干擾樣本集
6.4.3屬性加權(quán)
6.4.4推廣樣本集
6.4.5用于推廣樣本集的距離函數(shù)
6.4.6推廣的距離函數(shù)
6.4.7討論
6.5數(shù)值預(yù)測
6.5.1模型樹
6.5.2建樹
6.5.3修剪樹
6.5.4名詞性屬性
6.5.5殘缺值
6.5.6模型樹歸納偽代碼
6.5.7從模型樹到規(guī)則
6.5.8局部加權(quán)線性回歸
6.5.9討論
6.6聚類
6.6.1選擇聚類的個數(shù)
6.6.2遞增聚類
6.6.3類別效用
6.6.4基于概率的聚類
6.6.5EM算法
6.6.6擴(kuò)展混合模型
6.6.7貝葉斯聚類
6.6.8討論..
6.7貝葉斯網(wǎng)絡(luò)
6.7.1做出預(yù)測
6.7.2學(xué)習(xí)貝葉斯網(wǎng)絡(luò)
6.7.3算法細(xì)節(jié)
6.7.4用于快速學(xué)習(xí)的數(shù)據(jù)結(jié)構(gòu)
6.7.5討論
第7章轉(zhuǎn)換：處理輸入和輸出
7.1屬性選擇
7.1.1獨(dú)立于方案的選擇
7.1.2搜索屬性空間
7.1.3特定方案選擇
7.2離散數(shù)值屬性
7.2.1無指導(dǎo)離散
7.2.2基于熵的離散
7.2.3其他離散方法
7.2.4基于熵和基于誤差的離散
7.2.5離散屬性轉(zhuǎn)換成數(shù)值屬性
7.3一些有用的轉(zhuǎn)換
7.3.1主分量分析
7.3.2隨機(jī)投影,
7.3.3從文本到屬性向量
7.3.4時間序列
7.4自動數(shù)據(jù)清理
7.4.1改進(jìn)決策樹
7.4.2穩(wěn)健回歸
7.4.3偵察異情
7.5組合多種模型
7.5.1裝袋
7.5.2考慮成本的裝袋
7.5.3隨機(jī)化
7.5.4提升
7.5.5疊加回歸
7.5.6疊加logistic回歸
7.5.7選擇樹
7.5.8Logistic模型樹
7.5.9堆棧
7.5.10誤差糾正輸出編碼
7.6使用沒有類標(biāo)的數(shù)據(jù)
7.6.1用于分類的聚類
7.6.2聯(lián)合訓(xùn)練
7.6.3EM和聯(lián)合訓(xùn)練
7.7補(bǔ)充讀物
第8章繼續(xù)：擴(kuò)展和應(yīng)用
8.1從大型的數(shù)據(jù)集里學(xué)習(xí)
8.2融合領(lǐng)域知識
8.3文本和網(wǎng)絡(luò)挖掘
8.4對抗情形
8.5無處不在的數(shù)據(jù)挖掘
8.6補(bǔ)充讀物
第二部分Weka機(jī)器學(xué)習(xí)平臺
第9章Weka簡介
9.1Weka中包含了什么
9.2如何使用Weka
9.3Weka的其他應(yīng)用
9.4如何得到Weka
第10章Explorer界面
10.1開始著手
10.1.1準(zhǔn)備數(shù)據(jù)
10.1.2將數(shù)據(jù)載入探索者
10.1.3建立決策樹
10.1.4查看結(jié)果
10.1.5重做一遍
10.1.6運(yùn)用模型
10.1.7運(yùn)行錯誤的處理
10.2探索“探索者”
10.2.1載入及過濾文件
10.2.2訓(xùn)練和測試學(xué)習(xí)方案
10.2.3自己動手：用戶分類器
10.2.4使用元學(xué)習(xí)器
10.2.5聚類和關(guān)聯(lián)規(guī)則
10.2.6屬性選擇
10.2.7可視化
10.3過濾算法
10.3.1無指導(dǎo)屬性過濾器
10.3.2無指導(dǎo)實(shí)例過濾器
10.3.3有指導(dǎo)過濾器
10.4學(xué)習(xí)算法
10.4.1貝葉斯分類器
10.4.2樹
10.4.3規(guī)則
10.4.4函數(shù)
10.4.5懶惰分類器
10.4.6其他的雜項(xiàng)分類器
10.5元學(xué)習(xí)算法
10.5.1裝袋和隨機(jī)化
10.5.2提升
10.5.3合并分類器
10.5.4成本敏感學(xué)習(xí)
10.5.5優(yōu)化性能
10.5.6針對不同任務(wù)重新調(diào)整分類器
10.6聚類算法
10.7關(guān)聯(lián)規(guī)則學(xué)習(xí)器
10.8屬性選擇
10.8.1屬性子集評估器
10.8.2單一屬性評估器
10.8.3搜索方法
第11章KnowledgeFlow界面
11.1開始著手
11.2知識流組件
11.3配置及連接組件
11.4遞增學(xué)習(xí)
第12章Experimenter界面
12.1開始著手
12.1.1運(yùn)行一個實(shí)驗(yàn)
12.1.2分析所得結(jié)果
12.2簡單設(shè)置
12.3高級設(shè)置
12.4分析面板
12.5將運(yùn)行負(fù)荷分布到多個機(jī)器上
第13章命令行界面
13.1開始著手
13.2Weka的結(jié)構(gòu)
13.2.1類,實(shí)例和包
13.2.2weka.core包
13.2.3weka.classifiers包
13.2.4其他包
13.2.5Javadoc索引
13.3命令行選項(xiàng)
13.3.1通用選項(xiàng)
13.3.2與具體方案相關(guān)的選項(xiàng)
第14章嵌入式機(jī)器學(xué)習(xí)
14.1一個簡單的數(shù)據(jù)挖掘程序
14.2講解代碼
14.2.1main()
14.2.2MessageClassifier()
14.2.3updateData()
14.2.4classifyMessage()
第15章編寫新學(xué)習(xí)方案
15.1一個分類器范例
15.1.1buildClassifier()
15.1.2makeTree()
15.1.3computelnfoGain()
15.1.4classifylnstance()
15.1.5main()
15.2與實(shí)現(xiàn)分類器有關(guān)的慣例
參考文獻(xiàn)
索引...