Machine Learning in Java

Guía práctica escrita por Boštjan Kaluza y publicada por Packt que orienta a desarrolladores en el diseño e implementación de flujos de aprendizaje automático dentro del ecosistema Java (Java 8). Está dirigida a programadores e ingenieros de software con nivel intermedio a avanzado en Java que desean aprovechar sus conocimientos del lenguaje e incorporar analítica predictiva en sus sistemas empresariales sin tener que migrar hacia entornos basados en Python o R.

El contenido introduce el ciclo de vida del aprendizaje automático aplicado y examina exhaustivamente las principales librerías Java del área: Weka para flujos de minería de datos y clasificación; Apache Mahout para motores de recomendación a escala; Deeplearning4j (DL4J) para la construcción de redes neuronales profundas; MALLET para minería de texto y procesamiento de lenguaje natural (NLP); y herramientas auxiliares como Java-ML y Encog. A través de estas tecnologías, se abordan técnicas de preprocesamiento, selección de atributos, validación cruzada y evaluación mediante matrices de confusión y curvas ROC.

El aprendizaje se organiza a través de problemas prácticos de negocio: detección de fraudes y anomalías financieras, predicción de deserción de clientes (churn) mediante métodos de ensamble, un recomendador de productos con Mahout, clasificación de imágenes con redes convolucionales en Deeplearning4j y reconocimiento de actividades físicas a partir de datos de sensores móviles. Su mayor aportación es demostrar que Java posee un ecosistema maduro para machine learning empresarial con alto rendimiento; sin embargo, al datar de 2016, varias de las librerías tratadas (como los módulos originales de Mahout basados en MapReduce) han cedido terreno frente a frameworks modernos como Spark o TensorFlow Java.