在线黄片.com,天天爱天天做天天透无毒不卡

這本書首先簡要介紹了機(jī)器學(xué)習(xí)的主題，涵蓋了大數(shù)據(jù)挖掘、數(shù)據(jù)流挖掘的基本方法，以及一個(gè)簡單的MOA示例。接下來進(jìn)行更詳細(xì)的討論，其中有關(guān)于草圖技術(shù)、變更、分類、集成方法、回歸、聚類和頻繁模式挖掘的章節(jié)。這些章節(jié)中的大部分內(nèi)容包括練習(xí)、基于MOA的實(shí)驗(yàn)，或者兩者都有。*后，本書討論了MOA軟件，涵蓋了MOA圖形用戶界面、命令行、其API的使用以及MOA中新方法的開發(fā)。對于那些想要使用數(shù)據(jù)流挖掘作為工具的讀者、數(shù)據(jù)流挖掘的研究人員，以及想要為MOA創(chuàng)建新算法的程序員來說，這本書將是一個(gè)重要的參考。

本書分成三個(gè)部分。*部分簡要地介紹大數(shù)據(jù)流挖掘，包含三章。前兩章介紹大數(shù)據(jù)流及其基本挖掘方法。后一章是MOA上手指南，讀者可以作為參考，自行探索MOA。第二部分詳細(xì)地展現(xiàn)了數(shù)據(jù)流挖掘中的常見問題和重要算法。由于涉及的知識面廣闊，本書優(yōu)先講解MOA中已涵蓋的算法。該部分*章提到了sketch技巧，本書認(rèn)為數(shù)據(jù)流挖掘領(lǐng)域人員很有必要對該技巧加以了解。大部分章節(jié)含有一套練習(xí)題或MOA上手教程，或兩者兼具。第三部分全篇講解MOA，從用戶界面開始，到命令行和API，*后講解如何實(shí)現(xiàn)新方法。

譯者序
Machine Learning for Data Streams: with Practical Examples in MOA
機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘早已是計(jì)算機(jī)領(lǐng)域中的熱門話題，這兩個(gè)領(lǐng)域中的優(yōu)秀作品也屢見不鮮。本書的獨(dú)特之處在于從數(shù)據(jù)流的角度詳細(xì)介紹了機(jī)器學(xué)習(xí)模型，同時(shí)結(jié)合數(shù)據(jù)流生成和分析的開源軟件MOA，為數(shù)據(jù)流挖掘從業(yè)者和學(xué)者提供了易于上手實(shí)踐的理論和工具。本書的每一章不僅分析了基礎(chǔ)數(shù)學(xué)背景和傳統(tǒng)機(jī)器學(xué)習(xí)的算法或模型，同時(shí)為了加深讀者的橫向理解，還專門為此對比了相關(guān)的數(shù)據(jù)流模型。除了引用最前沿的文獻(xiàn)和廣泛使用的模型，本書的可貴之處在于，呼吁業(yè)界多加考慮使用那些尚未普及卻效果不錯(cuò)的新算法；對于新算法和常用算法，本書對模型進(jìn)行了多方面的比較；正如前言中所說，本書面向有一定編程基礎(chǔ)、機(jī)器學(xué)習(xí)基礎(chǔ)或數(shù)據(jù)挖掘基礎(chǔ)的讀者。對于其他背景的讀者，請參考前言中的閱讀方法。
本書由陳瑤負(fù)責(zé)全書翻譯內(nèi)容審核，姚毓夏負(fù)責(zé)翻譯本書大部分章節(jié)。
每一本書的背后都關(guān)聯(lián)著大同小異的故事。翻譯過程中，我們克服了跨國時(shí)差的合作挑戰(zhàn)，且至今素未謀面。翻譯開始之初，從聯(lián)系出版社到最終交稿，經(jīng)歷了各種曲折，這也讓我們更加堅(jiān)定了初衷。在這里，我們想要號召愿意參與翻譯工作但還在觀望的譯者，聯(lián)系我們、加入我們，這里有計(jì)算機(jī)各個(gè)領(lǐng)域的專家和翻譯小組。每一個(gè)貢獻(xiàn)出自己個(gè)人時(shí)間的譯者，除了能在翻譯中學(xué)習(xí)所翻譯書籍的內(nèi)容之外，還可以找到自己想要深耕的領(lǐng)域，默默地在中國技術(shù)發(fā)展史上留下或深或淺的印記。
最后感謝北京華章圖文信息有限公司的劉鋒老師在翻譯過程中給予的悉心幫助和指導(dǎo)！

譯者
2019年9月

前　　言
Machine Learning for Data Streams: with Practical Examples in MOA

實(shí)時(shí)數(shù)據(jù)流分析正變得越來越常見，已經(jīng)成為從現(xiàn)實(shí)中獲取有用信息的標(biāo)準(zhǔn)手段。數(shù)據(jù)流分析可以讓組織迅速應(yīng)對問題并探測未來趨勢，從而提升自身的運(yùn)營效率。本書將充分展現(xiàn)數(shù)據(jù)流挖掘領(lǐng)域中常用的算法和技術(shù)，并且詳細(xì)地介紹MOA軟件：一個(gè)包含這些算法和技術(shù)的開源框架。
本書展示的數(shù)據(jù)流挖掘領(lǐng)域中的算法，面向以下3類特定的讀者群體：
第一類讀者希望在實(shí)際中應(yīng)用數(shù)據(jù)流挖掘。他們有數(shù)據(jù)挖掘基礎(chǔ)，但往往沒有很強(qiáng)的算法或編程背景，比如管理、商務(wù)智能和市場營銷領(lǐng)域的學(xué)生和教授。本書充分考慮了這些讀者的需求，提供了MOA的上手教程，以任務(wù)為導(dǎo)向而不是以算法為導(dǎo)向。
第二類讀者是那些在數(shù)據(jù)流挖掘領(lǐng)域的研究者和創(chuàng)新者。他們需要詳細(xì)地了解算法和評估方法，才能更恰當(dāng)?shù)剡\(yùn)用現(xiàn)有的算法，評估其性能，并把算法融入應(yīng)用，甚至是創(chuàng)造新的算法。這群讀者往往是計(jì)算機(jī)或數(shù)據(jù)科學(xué)專業(yè)的高年級本科生、研究生和博士，以及創(chuàng)新型開發(fā)者。
第三類讀者想要在MOA中加入新的算法，從而對這個(gè)開源項(xiàng)目做出貢獻(xiàn)。這些讀者需要理解MOA的類結(jié)構(gòu)和創(chuàng)建學(xué)習(xí)任務(wù)的方法。
為了充分滿足這3類讀者群體的需求，本書分成三個(gè)部分。第一部分簡單地介紹大數(shù)據(jù)流挖掘，包含三章。前兩章介紹大數(shù)據(jù)流及其基本挖掘方法。后一章是MOA上手指南，讀者可以作為參考，自行探索MOA。
本書的第二部分更詳細(xì)地展現(xiàn)了數(shù)據(jù)流挖掘中的常見問題和重要算法。由于涉及知識面廣闊，本書優(yōu)先講解MOA中已涵蓋的算法。第4章提到了sketch技術(shù)，本書認(rèn)為數(shù)據(jù)流挖掘領(lǐng)域人員很有必要對該技術(shù)加以了解。大部分章節(jié)含有一套練習(xí)題或MOA上手教程，或兩者兼具。
第三部分全篇講解MOA，從用戶界面開始，到命令行和API，最后講解如何實(shí)現(xiàn)新方法。
綜上所述，第一類讀者應(yīng)該閱讀第一部分，有時(shí)間可以把第11章和第12章作為延伸閱讀，以了解MOA的軟件體系和其他可選參數(shù)。
第二類讀者也應(yīng)該閱讀第一部分，然后至少應(yīng)該閱讀4.1節(jié)至4.3節(jié)（如果對sketch數(shù)據(jù)結(jié)構(gòu)有興趣，應(yīng)該反復(fù)閱讀第4章）、第5章和第6章�？梢愿鶕�(jù)興趣，自行選讀第7章到第10章。如果需要在實(shí)際中運(yùn)用MOA，還應(yīng)該繼續(xù)閱讀第11章至第14章。
第三類讀者在閱讀以上部分的基礎(chǔ)上，還應(yīng)該閱讀第15章。
本書的網(wǎng)站地址是https://mitpress.mit.edu/books/data-stream-mining，其中會(huì)持續(xù)更新書中的內(nèi)容和一些輔助資源，包括講稿、習(xí)題、軟件上手教程和其他閱讀材料。歡迎各位讀者閱讀參考并提出建議。
過去十年中，已經(jīng)出現(xiàn)了好幾本關(guān)于數(shù)據(jù)流挖掘的書。由Garofalakis、Gehrke和Rastogi編寫的Data Stream ManagementProcessing Lligh-Speed Data Streams [118]，還有Aggarwal編寫的Data StreamsModels and Algorithms [4]，這兩本書涵蓋的內(nèi)容與本書部分相同，但是這些書往往從大數(shù)據(jù)庫社區(qū)的角度出發(fā)，而不是數(shù)據(jù)流挖掘社區(qū)或者機(jī)器學(xué)習(xí)社區(qū)。
Gama編寫的Knowledge Discovery from Data Streams [110]一書從數(shù)據(jù)流挖掘及機(jī)器學(xué)習(xí)社區(qū)的角度講解算法，但是并沒有提到MOA的開發(fā)和評估框架。該書展現(xiàn)了算法的偽代碼，其中有些算法已經(jīng)在MOA中實(shí)現(xiàn)了。因此，讀者可以考慮在閱讀本書的同時(shí)參考Gama的書。
為了跟上數(shù)據(jù)流挖掘領(lǐng)域日新月異的變化，我們極力推薦以下會(huì)議的論文和報(bào)告：KDD（數(shù)據(jù)庫知識發(fā)現(xiàn)）、ICDM（國際數(shù)據(jù)挖掘會(huì)議）、SAC（應(yīng)用計(jì)算研討會(huì)）。這些會(huì)議都設(shè)有數(shù)據(jù)流挖掘的分會(huì)場。此外，還有ECML PKDD（機(jī)器學(xué)習(xí)及數(shù)據(jù)庫知識發(fā)掘原理和實(shí)踐歐洲會(huì)議）、SDM（數(shù)據(jù)挖掘SIAM會(huì)議），以及IEEE DSAA（電氣電子工程師協(xié)會(huì)的數(shù)據(jù)科學(xué)和高級分析會(huì)議）。
在雜志方面，至今為止還沒有一本數(shù)據(jù)流挖掘的專門雜志，而刊登過數(shù)據(jù)流挖掘文章的雜志又?jǐn)?shù)不勝數(shù)，在此就不一一列舉了。
致謝
我們向所有為這本書和相關(guān)軟件做出了貢獻(xiàn)的人員表示感謝。我們希望羅列所有貢獻(xiàn)者的名字，但難免由于姓名不詳（如審閱者）、名單過長（比如MOA共同作者、通過提問和指出bug而改進(jìn)MOA的學(xué)生，及直接貢獻(xiàn)代碼的人）以及我們的疏忽，而難以列全，希望得到讀者的諒解。在此，我們事先向未被本書提及的數(shù)據(jù)流挖掘作者致歉。由于篇幅限制和選擇不夠明智而沒能提及你的作品，希望得到理解。
我們要感謝麻省理工學(xué)院出版社（MIT Press），特別要感謝Marie Lufkin Lee、Christine Bridget Savage和Kathleen Hensle的協(xié)助。
在此特別告知，本書的靈感來自于具有奠基意義的WEKA機(jī)器學(xué)習(xí)工具。
本書共同作者Ricard Gavaldà的撰寫部分由加泰羅尼亞政府（Generalitat de Catalunya）的MACDA項(xiàng)目（SGR2014-0890）和西班牙政府經(jīng)濟(jì)競爭部門（MINECO）的APCOM項(xiàng)目（TIN2014-57226）提供部分贊助。

譯者序
前言
第一部分　概述
第1章　簡介 2
1.1　大數(shù)據(jù) 2
1.1.1　工具：開源革命 4
1.1.2　大數(shù)據(jù)帶來的挑戰(zhàn) 4
1.2　實(shí)時(shí)分析 6
1.2.1　數(shù)據(jù)流 6
1.2.2　時(shí)間和內(nèi)存 6
1.2.3　應(yīng)用一覽 6
1.3　關(guān)于本書 7
第2章　大數(shù)據(jù)流挖掘 8
2.1　算法 8
2.2　分類算法 9
2.2.1　如何在數(shù)據(jù)流中評估分類器 10
2.2.2　多數(shù)類分類器 11
2.2.3　無變化分類器 11
2.2.4　惰性分類器 11
2.2.5　樸素貝葉斯分類器 12
2.2.6　決策樹分類器 12
2.2.7　集成分類器 13
2.3　回歸算法 13
2.4　聚類算法 14
2.5　頻繁模式挖掘 14
第3章　MOA的實(shí)際操作介紹 16
3.1　入門開始 16
3.2　分類模型的圖形用戶界面 18
3.3　用命令行操作 23
第二部分　數(shù)據(jù)流挖掘
第4章　數(shù)據(jù)流和Sketch數(shù)據(jù)結(jié)構(gòu) 26
4.1　背景知識：近似算法 27
4.2　集中不等式 28
4.3　取樣 30
4.4　統(tǒng)計(jì)總數(shù) 31
4.5　去重統(tǒng)計(jì) 32
4.5.1　線性計(jì)數(shù) 33
4.5.2　科恩對數(shù)計(jì)數(shù)器 33
4.5.3　Flajolet-Martin計(jì)數(shù)器和HyperLogLog算法 34
4.5.4　應(yīng)用：圖論的計(jì)算距離函數(shù) 36
4.5.5　討論：對數(shù)與線性 37
4.6　頻率問題 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　時(shí)刻計(jì)算 44
4.7　滑動(dòng)窗口的指數(shù)矩形圖 45
4.8　分布式sketch計(jì)算的可合并性 47
4.9　一些技術(shù)方面的討論和其他資料 48
4.9.1　哈希函數(shù) 48
4.9.2　創(chuàng)建(, )近似算法 49
4.9.3　其他sketch技術(shù) 49
4.10　練習(xí) 50
第5章　處理變化 52
5.1　數(shù)據(jù)流中變化的定義 52
5.2　評估器 56
5.2.1　滑動(dòng)窗口和線性評估器 57
5.2.2　指數(shù)加權(quán)移動(dòng)平均評估器 57
5.2.3　單維度卡爾曼濾波器 58
5.3　變化探測 58
5.3.1　評估變化探測 59
5.3.2　CUSUM測試和Page-Hinkley測試 59
5.3.3　統(tǒng)計(jì)測試 60
5.3.4　漂移探測法 61
5.3.5　自適應(yīng)滑動(dòng)窗口算法 62
5.4　與其他Sketch和多維數(shù)據(jù)結(jié)合 64
5.5　練習(xí) 64
第6章　分類 66
6.1　分類器評估 67
6.1.1　誤差估算 68
6.1.2　分布評估 69
6.1.3　性能的評估測量 70
6.1.4　統(tǒng)計(jì)顯著性 72
6.1.5　測量挖掘成本 73
6.2　基線分類器 73
6.2.1　多數(shù)類 73
6.2.2　無變化分類器 74
6.2.3　樸素貝葉斯 74
6.2.4　多項(xiàng)式樸素貝葉斯 77
6.3　決策樹 78
6.3.1　估算切分標(biāo)準(zhǔn) 79
6.3.2　Hoeffding決策樹 80
6.3.3　CVFDT 82
6.3.4　VFDTc和UFFT 83
6.3.5　Hoeffding適應(yīng)樹 84
6.4　處理數(shù)字屬性 85
6.4.1　VFML 85
6.4.2　窮舉二叉樹 86
6.4.3　Greenwald和 Khanna的分位數(shù)摘要 86
6.4.4　高斯近似 87
6.5　感知器模型 88
6.6　惰性學(xué)習(xí) 89
6.7　多標(biāo)簽分類器 89
6.8　主動(dòng)學(xué)習(xí) 91
6.8.1　隨機(jī)策略 92
6.8.2　固定不確定策略 93
6.8.3　可變不確定策略 93
6.8.4　隨機(jī)不確定策略 94
6.9　概念演變 94
6.10　MOA實(shí)戰(zhàn)操作 95
第7章　集成方法 99
7.1　準(zhǔn)確率加權(quán)集成 99
7.2　加權(quán)多數(shù)算法 100
7.3　堆疊算法 102
7.4　裝袋算法 102
7.4.1　在線裝袋算法 103
7.4.2　裝袋算法如何應(yīng)對數(shù)據(jù)流變化 103
7.4.3　杠桿裝袋算法 103
7.5　提升算法 104
7.6　Hoeffding樹集成算法 105
7.6.1　Hoeffding選項(xiàng)樹算法 105
7.6.2　隨機(jī)森林算法 105
7.6.3　有限的Hoeffding樹的感知器堆疊 106
7.6.4　自適應(yīng)大小的Hoeffding樹算法 107
7.7　重復(fù)性概念 107
7.8　MOA實(shí)戰(zhàn)操作 108
第8章　回歸 110
8.1　什么是回歸 110
8.2　如何評估回歸 111
8.3　感知器學(xué)習(xí) 112
8.4　惰性學(xué)習(xí) 112
8.5　決策樹學(xué)習(xí) 112
8.6　決策規(guī)則 113
8.7　MOA中的回歸 114
第9章　聚類 115
9.1　聚類的評估方法 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　延伸閱讀 123
9.8　MOA實(shí)戰(zhàn)操作 124
第10章　頻繁模式挖掘 127
10.1　什么是模式挖掘 127
10.1.1　模式的定義和例子 127
10.1.2　頻繁模式挖掘的批量算法 129
10.1.3　閉合模式和最大模式 131
10.2　數(shù)據(jù)流中頻繁模式挖掘的方法 131
10.3　如何在數(shù)據(jù)流中進(jìn)行頻繁項(xiàng)集挖掘 134
10.3.1　簡化為高頻繁項(xiàng) 134
10.3.2　Moment算法 135
10.3.3　頻繁模式數(shù)據(jù)流算法 135
10.3.4　IncMine算法 136
10.4　數(shù)據(jù)流的頻繁子圖挖掘 137
10.4.1　WinGraphMiner框架 138
10.4.2　AdaGraphMiner框架 139
10.5　延伸閱讀 140
10.6　練習(xí) 141
第三部分　MOA軟件
第11章　MOA及其軟件體系 144
11.1　MOA架構(gòu) 145
11.2　安裝 145
11.3　MOA的近期發(fā)展 145
11.4　MOA擴(kuò)展包 146
11.5　ADAMS優(yōu)化 147
11.6　MEKA優(yōu)化 149
11.7　OpenML環(huán)境 150
11.8　StreamDM軟件 150
11.9　Streams工具 151
11.10　Apache SAMOA 流媒體ML庫 151
第12章　圖形用戶界面 154
12.1　初識圖形用戶界面 154
12.2　分類和回歸 154
12.2.1　主要任務(wù)一覽 156
12.2.2　數(shù)據(jù)源和數(shù)據(jù)生成器 157
12.2.3　貝葉斯分類器一覽 160
12.2.4　決策樹一覽 160
12.2.5　元分類器（集成）一覽 161
12.2.6　函數(shù)分類器一覽 162
12.2.7　漂移分類器一覽 162
12.2.8　主動(dòng)學(xué)習(xí)分類器 163
12.3　聚類 163
12.3.1　數(shù)據(jù)源和數(shù)據(jù)生成器 163
12.3.2　數(shù)據(jù)流聚類算法一覽 163
12.3.3　如何進(jìn)行可視化和數(shù)據(jù)分析 164
第13章　用命令行操作 166
13.1　給分類和回歸創(chuàng)建學(xué)習(xí)任務(wù) 166
13.2　給分類和回歸創(chuàng)建評估任務(wù) 167
13.3　給分類和回歸創(chuàng)建學(xué)習(xí)與評估任務(wù) 167
13.4　兩種分類器的對比 168
第14章　調(diào)用API 170
14.1　MOA對象 170
14.2　選項(xiàng) 170
14.3　示例：先序評估 173
第15章　在MOA中開發(fā)新的方法 175
15.1　MOA中的主要類 175
15.2　創(chuàng)建新的分類器 176
15.3　編譯分類器 183
15.4　MOA中的良好編程方法 183
參考文獻(xiàn) 185

你還可能感興趣

我要評論