AIoT系统开发

基本信息

• 商品名称：AIoT系统开发(基于机器学习和Python深度学习)/物联网核心技术丛书
• 作者：(印度)阿米塔·卡普尔|责编:王颖//张梦玲|译者:林杰//齐飞//刘丹华
• 定价：89
• 出版社：机械工业
• 书号：9787111688082

其他参考信息（以实物为准）

• 出版时间：2021-09-01
• 印刷时间：2021-09-01
• 版次：1
• 印次：1
• 开本：16开
• 包装：平装
• 页数：252

内容提要

本书重点阐述利用机器学习、深度学习、自然语言处理等多种方法，以及当前流行的Python库——Tensorflow和Keras构建实时数据的智能物联网IOT系统。还给出了工业物联网、智能城市和家庭自动化等物联网主要应用领域的实际案例。

目录

译者序<br/>前言<br/>作者简介<br/>审阅者简介<br/>第1章　物联网与人工智能的原理和基础 1<br/>1.1　什么是物联网 1<br/>1.1.1　物联网参考模型 3<br/>1.1.2　物联网平台 4<br/>1.1.3　物联网垂直领域 4<br/>1.2　大数据和物联网 5<br/>1.3　人工智能的注入：物联网中的数据科学 6<br/>1.3.1　数据挖掘跨行业标准流程 7<br/>1.3.2　人工智能平台和物联网平台 8<br/>1.4　本书使用的工具 9<br/>1.4.1　TensorFlow 9<br/>1.4.2　Keras 10<br/>1.4.3　数据集 11<br/>1.5　小结 13<br/>第2章　面向物联网的数据访问和分布式处理 14<br/>2.1　TXT格式 14<br/>2.1.1　使用Python读写TXT文件 15<br/>2.2　CSV格式 16<br/>2.2.1　使用csv模块读写CSV文件 16<br/>2.2.2　使用pandas模块读写CSV文件 18<br/>2.2.3　使用NumPy模块读写CSV文件 20<br/>2.3　XLSX格式 20<br/>2.3.1　使用OpenPyXl模块读写XLSX文件 21<br/>2.3.2　使用pandas模块读写XLSX文件 22<br/>2.4　JSON格式 22<br/>2.4.1　使用JSON模块读写JSON文件 22<br/>2.4.2　使用pandas模块读写JSON文件 23<br/>2.5　HDF5格式 24<br/>2.5.1　使用PyTables模块读写HDF5文件 24<br/>2.5.2　使用pandas模块读写HDF5文件 25<br/>2.5.3　使用h5py模块读写HDF5文件 26<br/>2.6　SQL数据 27<br/>2.6.1　SQLite数据库引擎 27<br/>2.6.2　MySQL数据库引擎 29<br/>2.7　NoSQL数据 29<br/>2.8　HDFS分布式文件系统 31<br/>2.8.1　使用hdfs3模块操作HDFS 31<br/>2.8.2　使用PyArrow 的文件系统接口操作HDFS 32<br/>2.9　小结 32<br/>第3章　用于物联网的机器学习 33<br/>3.1　机器学习与物联网 33<br/>3.2　学习范式 34<br/>3.3　用线性回归进行预测 35<br/>3.3.1　用回归预测电力输出 36<br/>3.4　分类的逻辑回归 39<br/>3.4.1　交叉熵损失函数 40<br/>3.4.2　用逻辑回归分类葡萄酒 40<br/>3.5　用支持向量机分类 42<br/>3.5.1　 间隔分类超平面 43<br/>3.5.2　核技巧 44<br/>3.5.3　用SVM分类葡萄酒 45<br/>3.6　朴素贝叶斯分类器 47<br/>3.6.1　用高斯朴素贝叶斯分类器评估葡萄酒质量 47<br/>3.7　决策树 49<br/>3.7.1　scikit 中的决策树 51<br/>3.7.2　决策树实践 52<br/>3.8　集成学习 54<br/>3.8.1　投票分类器 54<br/>3.8.2　bagging与pasting 55<br/>3.9　改进模型的窍门与技巧 56<br/>3.9.1　特征缩放以解决不均匀的数据尺度 56<br/>3.9.2　过拟合 57<br/>3.9.3　“没有免费的午餐”定理 58<br/>3.9.4　超参数调整和网格搜索 58<br/>3.10　小结 59<br/>第4章　用于物联网的深度学习 60<br/>4.1　深度学习基础 60<br/>4.1.1　深度学习为何如此流行 62<br/>4.1.2　人工神经元 62<br/>4.1.3　在TensorFlow中建模单个神经元 67<br/>4.2　用于回归和分类任务的多层感知器 71<br/>4.2.1　反向传播算法 72<br/>4.2.2　使用TensorFlow中的MLP进行电力输出预测 74<br/>4.2.3　使用TensorFlow中的MLP进行葡萄酒质量分类 77<br/>4.3　卷积神经网络 80<br/>4.3.1　CNN中的不同层 80<br/>4.3.2　一些流行的CNN模型 83<br/>4.3.3　用LeNet识别手写数字 84<br/>4.4　递归神经网络 88<br/>4.4.1　长短时记忆网络 90<br/>4.4.2　门控递归单元 93<br/>4.5　自编码器 94<br/>4.5.1　去噪自编码器 95<br/>4.5.2　变分自编码器 95<br/>4.6　小结 96<br/>第5章　用于物联网的遗传算法 97<br/>5.1　优化 97<br/>5.1.1　确定与分析方法 99<br/>5.1.2　自然优化方法 101<br/>5.2　遗传算法概论 103<br/>5.2.1　遗传算法 104<br/>5.2.2　优点与缺点 106<br/>5.3　使用Python中的分布式进化算法编写遗传算法代码 107<br/>5.3.1　猜词 107<br/>5.3.2　CNN架构的遗传算法 111<br/>5.3.3　用于LSTM优化的遗传算法 117<br/>5.4　小结 120<br/>第6章　用于物联网的强化学习 121<br/>6.1　引言 121<br/>6.1.1　强化学习术语 122<br/>6.1.2　成功案例 125<br/>6.2　仿真环境 126<br/>6.2.1　OpenAI gym 127<br/>6.3　Q-学习 129<br/>6.3.1　用Q-表解决出租车落客问题 130<br/>6.4　Q-网络 132<br/>6.4.1　用Q-网络解决出租车落客问题 133<br/>6.4.2　用DQN玩Atari游戏 135<br/>6.4.3　双DQN 143<br/>6.4.4　决斗 DQN 143<br/>6.5　策略梯度 144<br/>6.5.1　为何使用策略梯度 145<br/>6.5.2　使用策略梯度玩Pong游戏 145<br/>6.5.3　演员–评论家算法 149<br/>6.6　小结 150<br/>第7章　用于物联网的生成式模型 151<br/>7.1　引言 152<br/>7.2　用VAE生成图像 152<br/>7.2.1　在TensorFlow中实现VAE 153<br/>7.3　GAN 158<br/>7.3.1　在TensorFlow中实现vanilla GAN 159<br/>7.3.2　深度卷积GAN 163<br/>7.3.3　GAN的变体及其应用 168<br/>7.4　小结 170<br/>第8章　面向物联网的分布式人工智能 171<br/>8.1　引言 171<br/>8.1.1　Spark组件 172<br/>8.2　Apache MLlib 173<br/>8.2.1　MLlib中的回归 173<br/>8.2.2　MLlib中的分类 177<br/>8.2.3　使用SparkDL的迁移学习 179<br/>8.3　H2O.ai简介 183<br/>8.3.1　H2O AutoML 184<br/>8.3.2　H2O中的回归 184<br/>8.3.3　H2O中的分类 189<br/>8.4　小结 191<br/>第9章　个人物联网和家庭物联网 193<br/>9.1　个人物联网 193<br/>9.1.1　MIT的 鞋 194<br/>9.1.2　持续血糖监测 195<br/>9.1.3　心律监测器 198<br/>9.1.4　数字助理 200<br/>9.2　物联网和智能家居 200<br/>9.2.1　人类活动识别 201<br/>9.2.2　智能照明 206<br/>9.2.3　家庭监控 207<br/>9.3　小结 208<br/> 0章　人工智能用于工业物联网 209<br/>10.1　人工智能工业物联网简介 209<br/> 10.1.1　一些有趣的用例 210<br/>10.2　使用人工智能进行预测性维护 211<br/> 10.2.1　使用长短时记忆网络的预测性维护 212<br/> 10.2.2　预测性维护的优缺点 221<br/>10.3　工业用电负荷预测 222<br/> 10.3.1　使用LSTM实现STLF 222<br/>10.4　小结 225<br/> 1章　人工智能用于智慧城市物联网 226<br/>11.1　为什么需要智慧城市 226<br/>11.2　智慧城市的组成部分 227<br/> 11.2.1　智能交通管理 228<br/> 11.2.2　智能停车 228<br/> 11.2.3　智能垃圾管理 229<br/> 11.2.4　智能警务 230<br/> 11.2.5　智能照明 230<br/> 11.2.6　智能治理 231<br/>11.3　适应智慧城市的物联网和必要步骤 231<br/> 11.3.1　拥有开放数据的城市 232<br/> 11.3.2　利用旧金山的犯罪数据来侦查犯罪 234<br/>11.4　挑战和收益 236<br/>11.5　小结 237<br/> 2章　组合应用 238<br/>12.1　处理不同类型的数据 238<br/> 12.1.1　时间序列建模 239<br/> 12.1.2　文本数据预处理 243<br/> 12.1.3　图像的数据增强 245<br/> 12.1.4　视频文件处理 247<br/> 12.1.5　音频文件作为输入数据 248<br/>12.2　云计算 251<br/> 12.2.1　AWS 251<br/> 12.2.2　谷歌云平台 252<br/> 12.2.3　微软Azure 252<br/>12.3　小结 252