科技 类型
可以朗读 语音朗读
238千字 字数
2021-09-01 发行日期
展开全部

主编推荐语

融合人工智能和物联网两大热点技术，将人工智能的优越方法应用到物联网的构建中，形成更加智能的物联网系统。

内容简介

本书系统地介绍了人工智能算法，包括传统的机器学习、流行的深度学习、遗传算法、强化学习、生成式模型等，还提供了相关算法和应用实例的完整代码，可以帮助你快速构建所需的智能物联网系统。

本书介绍的模型构建技术适用于物联网设备生成和使用的各种数据，如时间序列、图像和音频；给出的典型实例涉及个人物联网、家庭物联网、工业物联网、智慧城市物联网等。

目录

  • 版权信息
  • 关于本书
  • 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
  • 1.1 什么是物联网
  • 1.1.1 物联网参考模型
  • 1.1.2 物联网平台
  • 1.1.3 物联网垂直领域
  • 1.2 大数据和物联网
  • 1.3 人工智能的注入：物联网中的数据科学
  • 1.3.1 数据挖掘跨行业标准流程
  • 1.3.2 人工智能平台和物联网平台
  • 1.4 本书使用的工具
  • 1.4.1 TensorFlow
  • 1.4.2 Keras
  • 1.4.3 数据集
  • 1.5 小结
  • 第2章 面向物联网的数据访问和分布式处理
  • 2.1 TXT格式
  • 2.1.1 使用Python读写TXT文件
  • 2.2 CSV格式
  • 2.2.1 使用csv模块读写CSV文件
  • 2.2.2 使用pandas模块读写CSV文件
  • 2.2.3 使用NumPy模块读写CSV文件
  • 2.3 XLSX格式
  • 2.3.1 使用OpenPyXl模块读写XLSX文件
  • 2.3.2 使用pandas模块读写XLSX文件
  • 2.4 JSON格式
  • 2.4.1 使用JSON模块读写JSON文件
  • 2.4.2 使用pandas模块读写JSON文件
  • 2.5 HDF5格式
  • 2.5.1 使用PyTables模块读写HDF5文件
  • 2.5.2 使用pandas模块读写HDF5文件
  • 2.5.3 使用h5py模块读写HDF5文件
  • 2.6 SQL数据
  • 2.6.1 SQLite数据库引擎
  • 2.6.2 MySQL数据库引擎
  • 2.7 NoSQL数据
  • 2.8 HDFS分布式文件系统
  • 2.8.1 使用hdfs3模块操作HDFS
  • 2.8.2 使用PyArrow的文件系统接口操作HDFS
  • 2.9 小结
  • 第3章 用于物联网的机器学习
  • 3.1 机器学习与物联网
  • 3.2 学习范式
  • 3.3 用线性回归进行预测
  • 3.3.1 用回归预测电力输出
  • 3.4 分类的逻辑回归
  • 3.4.1 交叉熵损失函数
  • 3.4.2 用逻辑回归分类葡萄酒
  • 3.5 用支持向量机分类
  • 3.5.1 最大间隔分类超平面
  • 3.5.2 核技巧
  • 3.5.3 用SVM分类葡萄酒
  • 3.6 朴素贝叶斯分类器
  • 3.6.1 用高斯朴素贝叶斯分类器评估葡萄酒质量
  • 3.7 决策树
  • 3.7.1 scikit中的决策树
  • 3.7.2 决策树实践
  • 3.8 集成学习
  • 3.8.1 投票分类器
  • 3.8.2 bagging与pasting
  • 3.9 改进模型的窍门与技巧
  • 3.9.1 特征缩放以解决不均匀的数据尺度
  • 3.9.2 过拟合
  • 3.9.3 “没有免费的午餐”定理
  • 3.9.4 超参数调整和网格搜索
  • 3.10 小结
  • 第4章 用于物联网的深度学习
  • 4.1 深度学习基础
  • 4.1.1 深度学习为何如此流行
  • 4.1.2 人工神经元
  • 4.1.3 在TensorFlow中建模单个神经元
  • 4.2 用于回归和分类任务的多层感知器
  • 4.2.1 反向传播算法
  • 4.2.2 使用TensorFlow中的MLP进行电力输出预测
  • 4.2.3 使用TensorFlow中的MLP进行葡萄酒质量分类
  • 4.3 卷积神经网络
  • 4.3.1 CNN中的不同层
  • 4.3.2 一些流行的CNN模型
  • 4.3.3 用LeNet识别手写数字
  • 4.4 递归神经网络
  • 4.4.1 长短时记忆网络
  • 4.4.2 门控递归单元
  • 4.5 自编码器
  • 4.5.1 去噪自编码器
  • 4.5.2 变分自编码器
  • 4.6 小结
  • 第5章 用于物联网的遗传算法
  • 5.1 优化
  • 5.1.1 确定与分析方法
  • 5.1.2 自然优化方法
  • 5.2 遗传算法概论
  • 5.2.1 遗传算法
  • 5.2.2 优点与缺点
  • 5.3 使用Python中的分布式进化算法编写遗传算法代码
  • 5.3.1 猜词
  • 5.3.2 CNN架构的遗传算法
  • 5.3.3 用于LSTM优化的遗传算法
  • 5.4 小结
  • 第6章 用于物联网的强化学习
  • 6.1 引言
  • 6.1.1 强化学习术语
  • 6.1.2 成功案例
  • 6.2 仿真环境
  • 6.2.1 OpenAI gym
  • 6.3 Q-学习
  • 6.3.1 用Q-表解决出租车落客问题
  • 6.4 Q-网络
  • 6.4.1 用Q-网络解决出租车落客问题
  • 6.4.2 用DQN玩Atari游戏
  • 6.4.3 双DQN
  • 6.4.4 决斗DQN
  • 6.5 策略梯度
  • 6.5.1 为何使用策略梯度
  • 6.5.2 使用策略梯度玩Pong游戏
  • 6.5.3 演员–评论家算法
  • 6.6 小结
  • 第7章 用于物联网的生成式模型
  • 7.1 引言
  • 7.2 用VAE生成图像
  • 7.2.1 在TensorFlow中实现VAE
  • 7.3 GAN
  • 7.3.1 在TensorFlow中实现vanilla GAN
  • 7.3.2 深度卷积GAN
  • 7.3.3 GAN的变体及其应用
  • 7.4 小结
  • 第8章 面向物联网的分布式人工智能
  • 8.1 引言
  • 8.1.1 Spark组件
  • 8.2 Apache MLlib
  • 8.2.1 MLlib中的回归
  • 8.2.2 MLlib中的分类
  • 8.2.3 使用SparkDL的迁移学习
  • 8.3 H2O.ai简介
  • 8.3.1 H2O AutoML
  • 8.3.2 H2O中的回归
  • 8.3.3 H2O中的分类
  • 8.4 小结
  • 第9章 个人物联网和家庭物联网
  • 9.1 个人物联网
  • 9.1.1 MIT的超级鞋
  • 9.1.2 持续血糖监测
  • 9.1.3 心律监测器
  • 9.1.4 数字助理
  • 9.2 物联网和智能家居
  • 9.2.1 人类活动识别
  • 9.2.2 智能照明
  • 9.2.3 家庭监控
  • 9.3 小结
  • 第10章 人工智能用于工业物联网
  • 10.1 人工智能工业物联网简介
  • 10.1.1 一些有趣的用例
  • 10.2 使用人工智能进行预测性维护
  • 10.2.1 使用长短时记忆网络的预测性维护
  • 10.2.2 预测性维护的优缺点
  • 10.3 工业用电负荷预测
  • 10.3.1 使用LSTM实现STLF
  • 10.4 小结
  • 第11章 人工智能用于智慧城市物联网
  • 11.1 为什么需要智慧城市
  • 11.2 智慧城市的组成部分
  • 11.2.1 智能交通管理
  • 11.2.2 智能停车
  • 11.2.3 智能垃圾管理
  • 11.2.4 智能警务
  • 11.2.5 智能照明
  • 11.2.6 智能治理
  • 11.3 适应智慧城市的物联网和必要步骤
  • 11.3.1 拥有开放数据的城市
  • 11.3.2 利用旧金山的犯罪数据来侦查犯罪
  • 11.4 挑战和收益
  • 11.5 小结
  • 第12章 组合应用
  • 12.1 处理不同类型的数据
  • 12.1.1 时间序列建模
  • 12.1.2 文本数据预处理
  • 12.1.3 图像的数据增强
  • 12.1.4 视频文件处理
  • 12.1.5 音频文件作为输入数据
  • 12.2 云计算
  • 12.2.1 AWS
  • 12.2.2 谷歌云平台
  • 12.2.3 微软Azure
  • 12.3 小结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。