书籍详情
AIoT系统开发：基于机器学习和Python深度学习
作者：[印度] 阿米塔·卡普尔（Amita Kapoor） 著，林杰，齐飞，刘丹华 译
出版社：机械工业出版社
出版时间：2021-09-01
ISBN：9787111688082
定价：¥89.00
购买这本书可以去
内容简介
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。
作者简介
暂缺《AIoT系统开发：基于机器学习和Python深度学习》作者简介
目录
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
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
猜您喜欢
