本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源,一旦发现资源涉及侵权,将立即删除。希望所有用户一同监督并反馈问题,如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
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。
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