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
前言
作者简介
审阅者简介
第1章　物联网与人工智能的原理和基础 1
11　什么是物联网 1
111　物联网参考模型 3
112　物联网平台 4
113　物联网垂直领域 4
12　大数据和物联网 5
13　人工智能的注入：物联网中的数据科学 6
131　数据挖掘跨行业标准流程 7
132　人工智能平台和物联网平台 8
14　本书使用的工具 9
141　TensorFlow 9
142　Keras 10
143　数据集 11
15　小结 13
第2章　面向物联网的数据访问和分布式处理 14
21　TXT格式 14
211　使用Python读写TXT文件 15
22　CSV格式 16
221　使用csv模块读写CSV文件 16
222　使用pandas模块读写CSV文件 18
223　使用NumPy模块读写CSV文件 20
23　XLSX格式 20
231　使用OpenPyXl模块读写XLSX文件 21
232　使用pandas模块读写XLSX文件 22
24　JSON格式 22
241　使用JSON模块读写JSON文件 22
242　使用pandas模块读写JSON文件 23
25　HDF5格式 24
251　使用PyTables模块读写HDF5文件 24
252　使用pandas模块读写HDF5文件 25
253　使用h5py模块读写HDF5文件 26
26　SQL数据 27
261　SQLite数据库引擎 27
262　MySQL数据库引擎 29
27　NoSQL数据 29
28　HDFS分布式文件系统 31
281　使用hdfs3模块操作HDFS 31
282　使用PyArrow 的文件系统接口操作HDFS 32
29　小结 32
第3章　用于物联网的机器学习 33
31　机器学习与物联网 33
32　学习范式 34
33　用线性回归进行预测 35
331　用回归预测电力输出 36
34　分类的逻辑回归 39
341　交叉熵损失函数 40
342　用逻辑回归分类葡萄酒 40
35　用支持向量机分类 42
351　最大间隔分类超平面 43
352　核技巧 44
353　用SVM分类葡萄酒 45
36　朴素贝叶斯分类器 47
361　用高斯朴素贝叶斯分类器评估葡萄酒质量 47
37　决策树 49
371　scikit 中的决策树 51
372　决策树实践 52
38　集成学习 54
381　投票分类器 54
382　bagging与pasting 55
39　改进模型的窍门与技巧 56
391　特征缩放以解决不均匀的数据尺度 56
392　过拟合 57
393　“没有免费的午餐”定理 58
394　超参数调整和网格搜索 58
310　小结 59
第4章　用于物联网的深度学习 60
41　深度学习基础 60
411　深度学习为何如此流行 62
412　人工神经元 62
413　在TensorFlow中建模单个神经元 67
42　用于回归和分类任务的多层感知器 71
421　反向传播算法 72
422　使用TensorFlow中的MLP进行电力输出预测 74
423　使用TensorFlow中的MLP进行葡萄酒质量分类 77
43　卷积神经网络 80
431　CNN中的不同层 80
432　一些流行的CNN模型 83
433　用LeNet识别手写数字 84
44　递归神经网络 88
441　长短时记忆网络 90
442　门控递归单元 93
45　自编码器 94
451　去噪自编码器 95
452　变分自编码器 95
46　小结 96
第5章　用于物联网的遗传算法 97
51　优化 97
511　确定与分析方法 99
512　自然优化方法 101
52　遗传算法概论 103
521　遗传算法 104
522　优点与缺点 106
53　使用Python中的分布式进化算法编写遗传算法代码 107
531　猜词 107
532　CNN架构的遗传算法 111
533　用于LSTM优化的遗传算法 117
54　小结 120
第6章　用于物联网的强化学习 121
61　引言 121
611　强化学习术语 122
612　成功案例 125
62　仿真环境 126
621　OpenAI gym 127
63　Q-学习 129
631　用Q-表解决出租车落客问题 130
64　Q-网络 132
641　用Q-网络解决出租车落客问题 133
642　用DQN玩Atari游戏 135
643　双DQN 143
644　决斗 DQN 143
65　策略梯度 144
651　为何使用策略梯度 145
652　使用策略梯度玩Pong游戏 145
653　演员–评论家算法 149
66　小结 150
第7章　用于物联网的生成式模型 151
71　引言 152
72　用VAE生成图像 152
721　在TensorFlow中实现VAE 153
73　GAN 158
731　在TensorFlow中实现vanilla GAN 159
732　深度卷积GAN 163
733　GAN的变体及其应用 168
74　小结 170
第8章　面向物联网的分布式人工智能 171
81　引言 171
811　Spark组件 172
82　Apache MLlib 173
821　MLlib中的回归 173
822　MLlib中的分类 177
823　使用SparkDL的迁移学习 179
83　H2Oai简介 183
831　H2O AutoML 184
832　H2O中的回归 184
833　H2O中的分类 189
84　小结 191
第9章　个人物联网和家庭物联网 193
91　个人物联网 193
911　MIT的超级鞋 194
912　持续血糖监测 195
913　心律监测器 198
914　数字助理 200
92　物联网和智能家居 200
921　人类活动识别 201
922　智能照明 206
923　家庭监控 207
93　小结 208
第10章　人工智能用于工业物联网 209
101　人工智能工业物联网简介 209
1011　一些有趣的用例 210
102　使用人工智能进行预测性维护 211
1021　使用长短时记忆网络的预测性维护 212
1022　预测性维护的优缺点 221
103　工业用电负荷预测 222
1031　使用LSTM实现STLF 222
104　小结 225
第11章　人工智能用于智慧城市物联网 226
111　为什么需要智慧城市 226
112　智慧城市的组成部分 227
1121　智能交通管理 228
1122　智能停车 228
1123　智能垃圾管理 229
1124　智能警务 230
1125　智能照明 230
1126　智能治理 231
113　适应智慧城市的物联网和必要步骤 231
1131　拥有开放数据的城市 232
1132　利用旧金山的犯罪数据来侦查犯罪 234
114　挑战和收益 236
115　小结 237
第12章　组合应用 238
121　处理不同类型的数据 238
1211　时间序列建模 239
1212　文本数据预处理 243
1213　图像的数据增强 245
1214　视频文件处理 247
1215　音频文件作为输入数据 248
122　云计算 251
1221　AWS 251
1222　谷歌云平台 252
1223　微软Azure 252
123　小结 252

本书旨在使读者能够构建支持人工智能的物联网应用程序。随着物联网设备的普及，许多应用程序使用数据科学工具来分析所产生的TB量级数据。但是，这些应用程序不足以应对物联网数据中不断涌现的新模式带来的挑战。本书涵盖人工智能理论和实践的各个方面，读者可以利用这些知识通过实施人工智能技术来使他们的物联网解决方案变得更加智能。
本书首先介绍人工智能和物联网设备的基础知识，以及如何从各种数据源和信息流中读取物联网数据。然后通过TensorFlow、scikit-learn和Keras三个实例讲解实现人工智能的各种方法。本书涵盖的主题包括机器学习、深度学习、遗传算法、强化学习和生成对抗网络，并且向读者展示了如何使用分布式技术和在云上实现人工智能。一旦读者熟悉了人工智能技术，书中就会针对物联网设备生成和处理的不同类型数据，如时间序列、图像、音频、视频、文本和语音，介绍各种相关的技术。
在解释了针对各种物联网数据的人工智能技术之后，本书最后与读者分享了一些与四大类物联网——个人物联网、家庭物联网、工业物联网和智慧城市物联网解决方案有关的案例研究。
本书受众
本书受众：他们对物联网应用程序开发和Python有基本了解，并希望通过应用人工智能技术使其物联网应用程序更智能。可能包括以下人员：
已经知道如何构建物联网系统的物联网从业者，但现在他们希望实施人工智能技术使其物联网解决方案变得智能。
一直在使用物联网平台进行分析的数据科学从业者，但现在他们希望从物联网分析过渡到物联网AI，从而使物联网解决方案更智能。
希望为智能物联网设备开发基于人工智能的解决方案的软件工程师。
希望将智能带入产品中的嵌入式系统工程师。
本书内容
第1章介绍了物联网、人工智能和数据科学的基本概念。该章最后介绍本书将使用的工具和数据集。
第2章介绍从各种数据源（如文件、数据库、分布式数据存储和流数据）访问数据的多种方法。
第3章涵盖机器学习的各个方面，如用于物联网的有监督学习、无监督学习和强化学习。该章最后介绍提高模型性能的提示和技巧。
第4章探讨深度学习的各个方面，如用于物联网的MLP、CNN、RNN和自编码器，同时还介绍深度学习的各种框架。
第5章讨论优化和不同的进化技术在优化问题中的应用，重点介绍遗传算法。
第6章介绍强化学习的概念，如策略梯度和Q–网络，还介绍如何使用TensorFlow实现深度Q-网络，以及一些可以应用强化学习的很酷的现实问题。
第7章介绍对抗学习和生成学习的概念，以及如何使用TensorFlow实现GAN、DCGAN和CycleGAN，最后介绍它们的实际应用程序。
第8章介绍如何在物联网应用程序的分布式模式下利用机器学习。
第9章讨论一些令人兴奋的个人和家庭物联网应用。
第10章解释如何将本书介绍的概念应用到两个具有工业物联网数据的案例研究中。
第11章解释如何将本书介绍的概念应用于智慧城市生成的物联网数据。
第12章讨论如何在将文本、图像、视频和音频数据提供给模型之前对其进行预处理，并介绍时间序列数据。
下载示例代码文件
本书的示例代码文件托管在GitHub上，地址为https://githubcom/PacktPublishing/Hands-
On-Artificial-Intelligence-for-IoT，感兴趣的读者可以下载，并使用GitHub提供的Jupyter笔记本进行练习。
本书约定
黑体表示新术语、重要词汇。例如“堆栈的下面是设备层，也称为感知层”。
警告或重要说明。
提示和技巧。