AIoT系統(tǒng)開發(fā)：基于機器學習和Python深度學習

譯者序
前言
作者簡介
審閱者簡介
第1章　物聯(lián)網(wǎng)與人工智能的原理和基礎 1
11　什么是物聯(lián)網(wǎng) 1
111　物聯(lián)網(wǎng)參考模型 3
112　物聯(lián)網(wǎng)平臺 4
113　物聯(lián)網(wǎng)垂直領域 4
12　大數(shù)據(jù)和物聯(lián)網(wǎng) 5
13　人工智能的注入：物聯(lián)網(wǎng)中的數(shù)據(jù)科學 6
131　數(shù)據(jù)挖掘跨行業(yè)標準流程 7
132　人工智能平臺和物聯(lián)網(wǎng)平臺 8
14　本書使用的工具 9
141　TensorFlow 9
142　Keras 10
143　數(shù)據(jù)集 11
15　小結 13
第2章　面向物聯(lián)網(wǎng)的數(shù)據(jù)訪問和分布式處理 14
21　TXT格式 14
211　使用Python讀寫TXT文件 15
22　CSV格式 16
221　使用csv模塊讀寫CSV文件 16
222　使用pandas模塊讀寫CSV文件 18
223　使用NumPy模塊讀寫CSV文件 20
23　XLSX格式 20
231　使用OpenPyXl模塊讀寫XLSX文件 21
232　使用pandas模塊讀寫XLSX文件 22
24　JSON格式 22
241　使用JSON模塊讀寫JSON文件 22
242　使用pandas模塊讀寫JSON文件 23
25　HDF5格式 24
251　使用PyTables模塊讀寫HDF5文件 24
252　使用pandas模塊讀寫HDF5文件 25
253　使用h5py模塊讀寫HDF5文件 26
26　SQL數(shù)據(jù) 27
261　SQLite數(shù)據(jù)庫引擎 27
262　MySQL數(shù)據(jù)庫引擎 29
27　NoSQL數(shù)據(jù) 29
28　HDFS分布式文件系統(tǒng) 31
281　使用hdfs3模塊操作HDFS 31
282　使用PyArrow 的文件系統(tǒng)接口操作HDFS 32
29　小結 32
第3章　用于物聯(lián)網(wǎng)的機器學習 33
31　機器學習與物聯(lián)網(wǎng) 33
32　學習范式 34
33　用線性回歸進行預測 35
331　用回歸預測電力輸出 36
34　分類的邏輯回歸 39
341　交叉熵損失函數(shù) 40
342　用邏輯回歸分類葡萄酒 40
35　用支持向量機分類 42
351　最大間隔分類超平面 43
352　核技巧 44
353　用SVM分類葡萄酒 45
36　樸素貝葉斯分類器 47
361　用高斯樸素貝葉斯分類器評估葡萄酒質(zhì)量 47
37　決策樹 49
371　scikit 中的決策樹 51
372　決策樹實踐 52
38　集成學習 54
381　投票分類器 54
382　bagging與pasting 55
39　改進模型的竅門與技巧 56
391　特征縮放以解決不均勻的數(shù)據(jù)尺度 56
392　過擬合 57
393　“沒有免費的午餐”定理 58
394　超參數(shù)調(diào)整和網(wǎng)格搜索 58
310　小結 59
第4章　用于物聯(lián)網(wǎng)的深度學習 60
41　深度學習基礎 60
411　深度學習為何如此流行 62
412　人工神經(jīng)元 62
413　在TensorFlow中建模單個神經(jīng)元 67
42　用于回歸和分類任務的多層感知器 71
421　反向傳播算法 72
422　使用TensorFlow中的MLP進行電力輸出預測 74
423　使用TensorFlow中的MLP進行葡萄酒質(zhì)量分類 77
43　卷積神經(jīng)網(wǎng)絡 80
431　CNN中的不同層 80
432　一些流行的CNN模型 83
433　用LeNet識別手寫數(shù)字 84
44　遞歸神經(jīng)網(wǎng)絡 88
441　長短時記憶網(wǎng)絡 90
442　門控遞歸單元 93
45　自編碼器 94
451　去噪自編碼器 95
452　變分自編碼器 95
46　小結 96
第5章　用于物聯(lián)網(wǎng)的遺傳算法 97
51　優(yōu)化 97
511　確定與分析方法 99
512　自然優(yōu)化方法 101
52　遺傳算法概論 103
521　遺傳算法 104
522　優(yōu)點與缺點 106
53　使用Python中的分布式進化算法編寫遺傳算法代碼 107
531　猜詞 107
532　CNN架構的遺傳算法 111
533　用于LSTM優(yōu)化的遺傳算法 117
54　小結 120
第6章　用于物聯(lián)網(wǎng)的強化學習 121
61　引言 121
611　強化學習術語 122
612　成功案例 125
62　仿真環(huán)境 126
621　OpenAI gym 127
63　Q-學習 129
631　用Q-表解決出租車落客問題 130
64　Q-網(wǎng)絡 132
641　用Q-網(wǎng)絡解決出租車落客問題 133
642　用DQN玩Atari游戲 135
643　雙DQN 143
644　決斗 DQN 143
65　策略梯度 144
651　為何使用策略梯度 145
652　使用策略梯度玩Pong游戲 145
653　演員–評論家算法 149
66　小結 150
第7章　用于物聯(lián)網(wǎng)的生成式模型 151
71　引言 152
72　用VAE生成圖像 152
721　在TensorFlow中實現(xiàn)VAE 153
73　GAN 158
731　在TensorFlow中實現(xiàn)vanilla GAN 159
732　深度卷積GAN 163
733　GAN的變體及其應用 168
74　小結 170
第8章　面向物聯(lián)網(wǎng)的分布式人工智能 171
81　引言 171
811　Spark組件 172
82　Apache MLlib 173
821　MLlib中的回歸 173
822　MLlib中的分類 177
823　使用SparkDL的遷移學習 179
83　H2Oai簡介 183
831　H2O AutoML 184
832　H2O中的回歸 184
833　H2O中的分類 189
84　小結 191
第9章　個人物聯(lián)網(wǎng)和家庭物聯(lián)網(wǎng) 193
91　個人物聯(lián)網(wǎng) 193
911　MIT的超級鞋 194
912　持續(xù)血糖監(jiān)測 195
913　心律監(jiān)測器 198
914　數(shù)字助理 200
92　物聯(lián)網(wǎng)和智能家居 200
921　人類活動識別 201
922　智能照明 206
923　家庭監(jiān)控 207
93　小結 208
第10章　人工智能用于工業(yè)物聯(lián)網(wǎng) 209
101　人工智能工業(yè)物聯(lián)網(wǎng)簡介 209
1011　一些有趣的用例 210
102　使用人工智能進行預測性維護 211
1021　使用長短時記憶網(wǎng)絡的預測性維護 212
1022　預測性維護的優(yōu)缺點 221
103　工業(yè)用電負荷預測 222
1031　使用LSTM實現(xiàn)STLF 222
104　小結 225
第11章　人工智能用于智慧城市物聯(lián)網(wǎng) 226
111　為什么需要智慧城市 226
112　智慧城市的組成部分 227
1121　智能交通管理 228
1122　智能停車 228
1123　智能垃圾管理 229
1124　智能警務 230
1125　智能照明 230
1126　智能治理 231
113　適應智慧城市的物聯(lián)網(wǎng)和必要步驟 231
1131　擁有開放數(shù)據(jù)的城市 232
1132　利用舊金山的犯罪數(shù)據(jù)來偵查犯罪 234
114　挑戰(zhàn)和收益 236
115　小結 237
第12章　組合應用 238
121　處理不同類型的數(shù)據(jù) 238
1211　時間序列建模 239
1212　文本數(shù)據(jù)預處理 243
1213　圖像的數(shù)據(jù)增強 245
1214　視頻文件處理 247
1215　音頻文件作為輸入數(shù)據(jù) 248
122　云計算 251
1221　AWS 251
1222　谷歌云平臺 252
1223　微軟Azure 252
123　小結 252