AIoT系统开发:基于机器学习和Python深度学习电子书

关于本书

译者序

前言

本书受众

本书内容

下载示例代码文件

本书约定

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