大數(shù)據(jù)及其在交通運(yùn)輸中的應(yīng)用

第1 章　緒論0011.1　大數(shù)據(jù)概述0021.2　Python 概述0031.3　交通運(yùn)輸大數(shù)據(jù)概述004第2 章　Python 基礎(chǔ)知識(shí)0072.1　變量和簡單數(shù)據(jù)類型0082.2　Python 語法基礎(chǔ)0102.3　數(shù)據(jù)可視化0202.4　數(shù)據(jù)的統(tǒng)計(jì)學(xué)特征0252.5　代數(shù)和符號(hào)運(yùn)算問題0282.6　基本數(shù)學(xué)運(yùn)算0302.7　不同類型的數(shù)字0312.8　Pandas 和NumPy 模塊032第3 章　大數(shù)據(jù)基礎(chǔ)0433.1　大數(shù)據(jù)0443.2　Hadoop 大數(shù)據(jù)平臺(tái)0463.3　大數(shù)據(jù)與人工智能0503.4　探索性數(shù)據(jù)分析0513.5　相關(guān)分析和回歸分析0543.6　降維數(shù)據(jù)分析056第4 章　機(jī)器學(xué)習(xí)模式識(shí)別0654.1　人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)關(guān)系0664.2　機(jī)器學(xué)習(xí)基礎(chǔ)0684.3　機(jī)器學(xué)習(xí)中的參數(shù)及擬合問題0714.4　矩陣基本知識(shí)0724.5　樹和隨機(jī)森林算法0764.6　KNN 算法0784.7　貝葉斯理論0784.8　支持向量機(jī)0804.9　神經(jīng)網(wǎng)絡(luò)085第5 章　深度學(xué)習(xí)基礎(chǔ)及應(yīng)用1015.1　深度學(xué)習(xí)中的微積分基礎(chǔ)1025.2　深度學(xué)習(xí)的線性代數(shù)基礎(chǔ)1065.3　基于Python 的神經(jīng)網(wǎng)絡(luò)案例算法詳解1075.4　深度學(xué)習(xí)框架1135.5　深度學(xué)習(xí)的硬件基礎(chǔ)1175.6　卷積神經(jīng)網(wǎng)絡(luò)算法詳解1185.7　循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)1255.8　基于LSTM 的駕駛意圖識(shí)別130第6 章　深度學(xué)習(xí)的交通流預(yù)測研究1396.1　交通流理論基礎(chǔ)1406.2　交通流的統(tǒng)計(jì)分布特性1426.3　交通流數(shù)據(jù)預(yù)處理1446.4　交通信息獲取技術(shù)1466.5　宏觀交通流模型及微觀交通流模型1476.6　基于深度學(xué)習(xí)的交通流預(yù)測149參考文獻(xiàn)155