決策樹演算法java

⑴ 數據挖掘工程師需要掌握java到什麼程度

對 Java 虛擬機、 Java 並發要有比較深入研究和應用，熟練掌握 Hadoop、 HBase、 Hive、 Kafka、 Storm、 Spark工具，會用 linux，了解 Scala。如果設計到更高階的應用，可能就需要會用 Python、 R 語言並且精通演算法和數據結構了。

Java熟練的人一般可以負責客戶端APP產品中伺服器後端的工程設計，架構設計和開發工作，研究業界內的新技術及其應用，解決創新研發中的關鍵問題和技術難點，依據項目任務計劃及時完成軟體編碼和單元測試項目，按照開發流程編寫隊友模塊的設計文檔。與產品經理、測試工程師、其他團隊溝通協作，確保產品研發工作的質量和速度，協調或指導團隊成員和其它開發人員的工作。熟悉設計模式，熟練掌握面向對象編程和事件驅動編程風格。

關於數據挖掘工程師的課程推薦CDA數據分析師的相關課程，課程主要培養學員硬性的數據挖掘理論與Python數據挖掘演算法技能的同時，全方位提升學員的數據洞察力。課程以項目調動學員數據挖掘實用能力的場景式教學為主，在講師設計的業務場景下由講師不斷提出業務問題，幫助學員掌握真正過硬的解決業務問題的數據挖掘能力。點擊預約免費試聽課。

⑵ KNIME是什麼

Knime是基於Eclipse的開源數據挖掘軟體，它通過工作流的方式來完成數據倉庫以及數據挖掘中數據的抽取-轉換-載入操作。

⑶ 做了這么多年Java開發，如何快速轉行大數據

一、學習大數據是需要學習java和linux的

二、你有多年的java開發經驗，那麼可以直接跳過java課程部分，學習大數據技術！

三、分享一份大數據技術課程大綱供你了解參考

⑷ java轉行大數據要學習哪些技術

對於Java程序員，大數據的主流平台hadoop是基於Java開發的，所以Java程序員往大數據開發方向轉行從語言環境上更為順暢，另外很多基於大數據的應用框架也是Java的，所以在很多大數據項目里掌握Java語言是有一定優勢的。
當然，hadoop核心價值在於提供了分布式文件系統和分布式計算引擎，對於大部分公司而言，並不需要對這個引擎進行修改。這時候除了熟悉編程，你通常還需要學習數據處理和數據挖掘的一些知識。尤其是往數據挖掘工程師方向發展，則你需要掌握更多的演算法相關的知識。
對於數據挖掘工程師而言，雖然也需要掌握編程工具，但大部分情況下是把hadoop當做平台和工具，藉助這個平台和工具提供的介面使用各種腳本語言進行數據處理和數據挖掘。因此，如果你是往數據挖掘工程方向發展，那麼，熟練掌握分布式編程語言如scala、spark-mllib等可能更為重要。
Java程序員轉大數據工程師的學習路線圖：
第一步：分布式計算框架
掌握hadoop和spark分布式計算框架，了解文件系統、消息隊列和Nosql資料庫，學習相關組件如hadoop、MR、spark、hive、hbase、redies、kafka等；
第二步：演算法和工具
學習了解各種數據挖掘演算法，如分類、聚類、關聯規則、回歸、決策樹、神經網路等，熟練掌握一門數據挖掘編程工具：Python或者Scala。目前主流平台和框架已經提供了演算法庫，如hadoop上的Mahout和spark上的Mllib，你也可以從學習這些介面和腳本語言開始學習這些演算法。
第三步：數學
補充數學知識：高數、概率論和線代
第四步：項目實踐
1)開源項目：tensorflow：Google的開源庫，已經有40000多個star，非常驚人，支持移動設備；
2)參加數據競賽
3)通過企業實習獲取項目經驗
如果你僅僅是做大數據開發和運維，則可以跳過第二步和第三步，如果你是側重於應用已有演算法進行數據挖掘，那麼第三步也可以先跳過。

⑸ cmd /c java weka.classifiers.trees.M5P -N -U -M 600.0 -t train_" +i + ".arff 這是什麼意思呢

weka的分類
weka.classifiers分類
weka.classifiers.trees分類中的決策樹
weka.classifiers.trees.M5P M5P決策樹演算法
-N -U -M 等都是參數，具體含義看看幫助，-t指定數據（train_"+i+".arff）

沒執行，你可要看看你的java環境變數是否設置合適了，或者是否安裝了java

⑹ 人工智慧是學習什麼

1、學習並掌握一些數學知識

高等數學是基礎中的基礎，一切理工科都需要這個打底，數據挖掘、人工智慧、模式識別此類跟數據打交道的又尤其需要多元微積分運算基礎。

線性代數很重要，一般來說線性模型是你最先要考慮的模型，加上很可能要處理多維數據，你需要用線性代數來簡潔清晰的描述問題，為分析求解奠定基礎。

概率論、數理統計、隨機過程更是少不了，涉及數據的問題，不確定性幾乎是不可避免的，引入隨機變數順理成章，相關理論、方法、模型非常豐富。很多機器學習的演算法都是建立在概率論和統計學的基礎上的，比如貝葉斯分類器、高斯隱馬爾可夫鏈。

再就是優化理論與演算法，除非你的問題是像二元一次方程求根那樣有現成的公式，否則你將不得不面對各種看起來無解但是要解的問題，優化將是你的GPS為你指路。

以上這些知識打底，就可以開拔了，針對具體應用再補充相關的知識與理論，比如說一些我覺得有幫助的是數值計算、圖論、拓撲，更理論一點的還有實/復分析、測度論，偏工程類一點的還有信號處理、數據結構。

2、掌握經典機器學習理論和演算法

如果有時間可以為自己建立一個機器學習的知識圖譜，並爭取掌握每一個經典的機器學習理論和演算法，我簡單地總結如下：

1) 回歸演算法：常見的回歸演算法包括最小二乘法（OrdinaryLeast Square），邏輯回歸（Logistic Regression），逐步式回歸（Stepwise Regression），多元自適應回歸樣條（MultivariateAdaptive Regression Splines）以及本地散點平滑估計（Locally Estimated Scatterplot Smoothing）；

2) 基於實例的演算法：常見的演算法包括 k-Nearest Neighbor(KNN), 學習矢量量化（Learning Vector Quantization， LVQ），以及自組織映射演算法（Self-Organizing Map ， SOM）；

3) 基於正則化方法：常見的演算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及彈性網路（Elastic Net）；

4) 決策樹學習：常見的演算法包括：分類及回歸樹（ClassificationAnd Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林（Random Forest）， 多元自適應回歸樣條（MARS）以及梯度推進機（Gradient Boosting Machine， GBM）；

5) 基於貝葉斯方法：常見演算法包括：樸素貝葉斯演算法，平均單依賴估計（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；

6) 基於核的演算法：常見的演算法包括支持向量機（SupportVector Machine， SVM）， 徑向基函數（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等；

7) 聚類演算法：常見的聚類演算法包括 k-Means演算法以及期望最大化演算法（Expectation Maximization， EM）；

8) 基於關聯規則學習：常見演算法包括 Apriori演算法和Eclat演算法等；

9) 人工神經網路：重要的人工神經網路演算法包括：感知器神經網路（PerceptronNeural Network）, 反向傳遞（Back Propagation）， Hopfield網路，自組織映射（Self-OrganizingMap, SOM）。學習矢量量化（Learning Vector Quantization， LVQ）；

10) 深度學習：常見的深度學習演算法包括：受限波爾茲曼機（RestrictedBoltzmann Machine， RBN）， Deep Belief Networks（DBN），卷積網路（Convolutional Network）, 堆棧式自動編碼器（Stacked Auto-encoders）；

11) 降低維度的演算法：常見的演算法包括主成份分析（PrincipleComponent Analysis， PCA），偏最小二乘回歸（Partial Least Square Regression，PLS）， Sammon映射，多維尺度（Multi-Dimensional Scaling, MDS）, 投影追蹤（ProjectionPursuit）等；

12) 集成演算法：常見的演算法包括：Boosting， Bootstrapped Aggregation（Bagging），AdaBoost，堆疊泛化（Stacked Generalization， Blending），梯度推進機（GradientBoosting Machine, GBM），隨機森林（Random Forest）。

3、掌握一種編程工具，比如Python
一方面Python是腳本語言，簡便，拿個記事本就能寫，寫完拿控制台就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab雖然包也多，但是效率是這四個裡面最低的。

4、了解行業最新動態和研究成果，比如各大牛的經典論文、博客、讀書筆記、微博微信等媒體資訊。

5、買一個GPU，找一個開源框架，自己多動手訓練深度神經網路，多動手寫寫代碼，多做一些與人工智慧相關的項目。

6、選擇自己感興趣或者工作相關的一個領域深入下去
人工智慧有很多方向，比如NLP、語音識別、計算機視覺等等，生命有限，必須得選一個方向深入的鑽研下去，這樣才能成為人工智慧領域的大牛，有所成就。

根據網路給的定義，人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的還能的理論、方法、技術及應用系統的一門新的技術科學。
網路關於人工智慧的定義詳解中說道：人工智慧是計算機的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀三大尖端技術（基因工程、納米科學、人工智慧）之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。
綜上，從定義上講，人工智慧是一項技術。

⑺ 學人工智慧要學些什麼

、數學基礎。數學基礎知識蘊含著處理智能問題的基本思想與方法，也是理解復雜演算法的必備要素。這一模塊覆蓋了人工智慧必備的數學基礎知識，包括線性代數、概率論、最優化方法等。
2、機器學習。機器學習的作用是從數據中習得學習演算法，進而解決實際的應用問題，是人工智慧的核心內容之一。這一模塊覆蓋了機器學習中的主要方法，包括線性回歸、決策樹、支持向量機、聚類等。
3、人工神經網路。作為機器學習的一個分支，神經網路將認知科學引入機器學習中，以模擬生物神經系統對真實世界的交互反應，並取得了良好的效果。這一模塊覆蓋了神經網路中的基本概念，包括多層神經網路、前饋與反向傳播、自組織神經網路等。
4、深度學習。簡而言之，深度學習就是包含多個中間層的神經網路，數據爆炸和計算力飆升推動了深度學習的崛起。這一模塊覆蓋了深度學習的概念與實現，包括深度前饋網路、深度學習中的正則化、自編碼器等。
5、神經網路實例。在深度學習框架下，一些神經網路已經被用於各種應用場景，並取得了不俗的效果。這一模塊覆蓋了幾種神經網路實例，包括深度信念網路、卷積神經網路、循環神經網路等。
6、深度學習之外的人工智慧。深度學習既有優點也有局限，其他方向的人工智慧研究正是有益的補充。這一模塊覆蓋了與深度學習無關的典型學習方法，包括概率圖模型、集群智能、遷移學習、知識圖譜等。
7、應用場景。除了代替人類執行重復性的勞動，在諸多實際問題的處理中，人工智慧也提供了有意義的嘗試。這一模塊覆蓋了人工智慧技術在幾類實際任務中的應用，包括計算機視覺、語音處理、對話系統等。

⑻ 如何用java做用戶行為分析用什麼演算法

據我所知，java好像對大數據分析方面沒有什麼現成的方法或包可以調用。
現在做數據分析（機器學習）用的比較多的是Python和R還有Matlib；
//如果是簡單的匯總分析，分類，回歸的話，excel就足夠了。java使用資料庫也可以完成。
其中Python算比較簡單的，有現成的科學計算工具和非常活躍的社區。
常用的演算法：回歸分析，支持向量機（SVM），決策樹，K-近鄰（KNN），K-均值（k-means）。。。還有比較火的深度學習（DL）。可以了解一下。

⑼ java 分類器演算法問題！！急。。。。

SVM主要通過訓練集進行訓練之後，用來進行數據分類（通常是二分類）。在對SVM進行訓練之前你要確定輸入的特徵向量是什麼，期望輸出又是什麼，對於你的系統很顯然期望輸出可以假定為：+1和-1，其中+1表示正面的，-1表示負面的，訓練集就是那兩張英文詞列表，你可以用這兩英文詞列表來對SVM進行訓練從而得到一個SVM模型，然後就可以用這個模型來對新的英文序列（中文詞的英文翻譯序列）進行「極性」分類了。其實分類器並不只有SVM，你還可以使用BP神經網路，AdaBoost等來實現數據分類。如果還有不明白的地方可以給我留言：blog.sina.com.cn/kwapoong
建議你在Matlab下進行試驗，這樣效率會快些。

⑽ 作為一個Java程序員，該怎麼轉行做大數據分析師

我也做過好多年Java，去年開始也接觸了些大數據的架構。跟你情況類似。我的觀點是你可以去動手搭建一下，玩玩，其實並不像你想像的那樣高深莫測。都是些工具，我不太喜歡學如何用這些工具，只要能解決我要解決的問題，去用就是了。如果工具的實現感興趣就去看看代碼。工具本身怎麼用就是個fact，只是知道和不知道的區別。不要覺得做Java就比別人低一等。你一樣可以做的很出色。會用那些大數據工具也並不代表能力有多強