了得網計算機/網絡_AIoT繫統開發：基於機器學習和Python深度學習

內容簡介

本書重點闡述利用機器學習、深度學習、自然語言處理等多種方法，以及當前流行的Python庫——Tensorflow和Keras構建實時數據的智能物聯網IOT繫統。還給出了工業物聯網、智能城市和家庭自動化等物聯網主要應用領域的實際案例。

譯者序
前言
作者簡介
審閱者簡介
第1章物聯網與人工智能的原理和基礎 1
1.1什麼是物聯網 1
1.1.1物聯網參考模型 3
1.1.2物聯網平臺 4
1.1.3物聯網垂直領域 4
1.2大數據和物聯網 5
1.3人工智能的注入：物聯網中的數據科學 6
1.3.1數據挖掘跨行業標準流程 7
1.3.2人工智能平臺和物聯網平臺 8
1.4本書使用的工具 9譯者序
前言
作者簡介
審閱者簡介
第1章物聯網與人工智能的原理和基礎 1
1.1什麼是物聯網 1
1.1.1物聯網參考模型 3
1.1.2物聯網平臺 4
1.1.3物聯網垂直領域 4
1.2大數據和物聯網 5
1.3人工智能的注入：物聯網中的數據科學 6
1.3.1數據挖掘跨行業標準流程 7
1.3.2人工智能平臺和物聯網平臺 8
1.4本書使用的工具 9
1.4.1TensorFlow 9
1.4.2Keras 10
1.4.3數據集 11
1.5小結 13
第2章面向物聯網的數據訪問和分布式處理 14
2.1TXT格式 14
2.1.1使用Python讀寫TXT文件 15
2.2CSV格式 16
2.2.1使用csv模塊讀寫CSV文件 16
2.2.2使用pandas模塊讀寫CSV文件 18
2.2.3使用NumPy模塊讀寫CSV文件 20
2.3XLSX格式 20
2.3.1使用OpenPyXl模塊讀寫XLSX文件 21
2.3.2使用pandas模塊讀寫XLSX文件 22
2.4JSON格式 22
2.4.1使用JSON模塊讀寫JSON文件 22
2.4.2使用pandas模塊讀寫JSON文件 23
2.5HDF5格式 24
2.5.1使用PyTables模塊讀寫HDF5文件 24
2.5.2使用pandas模塊讀寫HDF5文件 25
2.5.3使用h5py模塊讀寫HDF5文件 26
2.6SQL數據 27
2.6.1SQLite數據庫引擎 27
2.6.2MySQL數據庫引擎 29
2.7NoSQL數據 29
2.8HDFS分布式文件繫統 31
2.8.1使用hdfs3模塊操作HDFS 31
2.8.2使用PyArrow 的文件繫統接口操作HDFS 32
2.9小結 32
第3章用於物聯網的機器學習 33
3.1機器學習與物聯網 33
3.2學習範式 34
3.3用線性回歸進行預測 35
3.3.1用回歸預測電力輸出 36
3.4分類的邏輯回歸 39
3.4.1交叉熵損失函數 40
3.4.2用邏輯回歸分類葡萄酒 40
3.5用支持向量機分類 42
3.5.1間隔分類超平面 43
3.5.2核技巧 44
3.5.3用SVM分類葡萄酒 45
3.6樸素貝葉斯分類器 47
3.6.1用高斯樸素貝葉斯分類器評估葡萄酒質量 47
3.7決策樹 49
3.7.1scikit 中的決策樹 51
3.7.2決策樹實踐 52
3.8集成學習 54
3.8.1投票分類器 54
3.8.2bagging與pasting 55
3.9改進模型的竅門與技巧 56
3.9.1特征縮放以解決不均勻的數據尺度 56
3.9.2過擬合 57
3.9.3“沒有免費的午餐”定理 58
3.9.4超參數調整和網格搜索 58
3.10小結 59
第4章用於物聯網的深度學習 60
4.1深度學習基礎 60
4.1.1深度學習為何如此流行 62
4.1.2人 62
4.1.3在TensorFlow中建模單 67
4.2用於回歸和分類任務的多層感知器 71
4.2.1反向傳播算法 72
4.2.2使用TensorFlow中的MLP進行電力輸出預測 74
4.2.3使用TensorFlow中的MLP進行葡萄酒質量分類 77
4.3卷積神經網絡 80
4.3.1CNN中的不同層 80
4.3.2一些流行的CNN模型 83
4.3.3用LeNet識別手寫數字 84
4.4遞歸神經網絡 88
4.4.1長短時記憶網絡 90
4.4.2門控 93
4.5自編碼器 94
4.5.1去噪自編碼器 95
4.5.2變分自編碼器 95
4.6小結 96
第5章用於物聯網的遺傳算法 97
5.1優化 97
5.1.1確定與分析方法 99
5.1.2自然優化方法 101
5.2遺傳算法概論 103
5.2.1遺傳算法 104
5.2.2優點與缺點 106
5.3使用Python中的分布式進化算法編寫遺傳算法代碼 107
5.3.1猜詞 107
5.3.2CNN架構的遺傳算法 111
5.3.3用於LSTM優化的遺傳算法 117
5.4小結 120
第6章用於物聯網的強化學習 121
6.1引言 121
6.1.1強化學習術語 122
6.1.2成功案例 125
6.2仿真環境 126
6.2.1OpenAI gym 127
6.3Q-學習 129
6.3.1用Q-表解決出租車落客問題 130
6.4Q-網絡 132
6.4.1用Q-網絡解決出租車落客問題 133
6.4.2用DQN玩Atari遊戲 135
6.4.3雙DQN 143
6.4.4決鬥 DQN 143
6.5策略梯度 144
6.5.1為何使用策略梯度 145
6.5.2使用策略梯度玩Pong遊戲 145
6.5.3演員–評論家算法 149
6.6小結 150
第7章用於物聯網的生成式模型 151
7.1引言 152
7.2用VAE生成圖像 152
7.2.1在TensorFlow中實現VAE 153
7.3GAN 158
7.3.1在TensorFlow中實現vanilla GAN 159
7.3.2深度卷積GAN 163
7.3.3GAN的變體及其應用 168
7.4小結 170
第8章面向物聯網的分布式人工智能 171
8.1引言 171
8.1.1Spark組件 172
8.2Apache MLlib 173
8.2.1MLlib中的回歸 173
8.2.2MLlib中的分類 177
8.2.3使用SparkDL的遷移學習 179
8.3H2O.ai簡介 183
8.3.1H2O AutoML 184
8.3.2H2O中的回歸 184
8.3.3H2O中的分類 189
8.4小結 191
第9章個人物聯網和家庭物聯網 193
9.1個人物聯網 193
9.1.1MIT的超級鞋 194
9.1.2持續血糖監測 195
9.1.3心律監測器 198
9.1.4數字助理 200
9.2物聯網和智能家居 200
9.2.1人類活動識別 201
9.2.2智能照明 206
9.2.3家庭監控 207
9.3小結 208
第10章人工智能用於工業物聯網 209
10.1人工智能工業物聯網簡介 209
10.1.1一些有趣的用例 210
10.2使用人工智能進行預測性維護 211
10.2.1使用長短時記憶網絡的預測性維護 212
10.2.2預測性維護的優缺點 221
10.3工業用電負荷預測 222
10.3.1使用LSTM實現STLF 222
10.4小結 225
第11章人工智能用於智慧城市物聯網 226
11.1為什麼需要智慧城市 226
11.2智慧城市的組成部分 227
11.2.1智能交通管理 228
11.2.2智能停車 228
11.2.3智能垃圾管理 229
11.2.4智能警務 230
11.2.5智能照明 230
11.2.6智能治理 231
11.3適應智慧城市的物聯網和必要步驟 231
11.3.1擁有開放數據的城市 232
11.3.2利用舊金山的犯罪數據來偵查犯罪 234
11.4挑戰和收益 236
11.5小結 237
第12章組合應用 238
12.1處理不同類型的數據 238
12.1.1時間序列建模 239
12.1.2文本數據預處理 243
12.1.3圖像的數據增強 245
12.1.4視頻文件處理 247
12.1.5音頻文件作為輸入數據 248
12.2雲計算 251
12.2.1AWS 251
12.2.2谷歌雲平臺 252
12.2.3微軟Azure 252
12.3小結 252

前言

本書旨在使讀者能夠構建支持人工智能的物聯網應用程序。隨著物聯網設備的普及，許多應用程序使用數據科學工具來分析所產生的TB量級數據。但是，這些應用程序不足以應對物聯網數據中不斷湧現的新模式帶來的挑戰。本書涵蓋人工智能理論和實踐的各個方面，讀者可以利用這些知識通過實施人工智能技術來使他們的物聯網解決方案變得更加智能。
本書首先介紹人工智能和物聯網設備的基礎知識，以及如何從各種數據源和信息流中讀取物聯網數據。然後通過TensorFlow、scikit-learn和Keras三個實例講解實現人工智能的各種方法。本書涵蓋的主題包括機器學習、深度學習、遺傳算法、強化學習和生成對抗網絡，並且向讀者展示了如何使用分布式技術和在雲上實現人工智能。一旦讀者熟悉了人工智能技術，書中就會針對物聯網設備生成和處理的不同類型數據，如時間序列、圖像、音頻、視頻、文本和語音，介紹各種相關的技術。
在解釋了針對各種物聯網數據的人工智能技術之後，本書後與讀者分享了一些與四大類物聯網——個人物聯網、家庭物聯網、工業物聯網和智慧城市物聯網解決方案有關的案例研究。
本書受眾
本書受眾：他們對物聯網應用程序開發和Python有基本了解，並希望通過應用人工智能技術使其物聯網應用程序更智能。可能包括以下人員：本書旨在使讀者能夠構建支持人工智能的物聯網應用程序。隨著物聯網設備的普及，許多應用程序使用數據科學工具來分析所產生的TB量級數據。但是，這些應用程序不足以應對物聯網數據中不斷湧現的新模式帶來的挑戰。本書涵蓋人工智能理論和實踐的各個方面，讀者可以利用這些知識通過實施人工智能技術來使他們的物聯網解決方案變得更加智能。
本書首先介紹人工智能和物聯網設備的基礎知識，以及如何從各種數據源和信息流中讀取物聯網數據。然後通過TensorFlow、scikit-learn和Keras三個實例講解實現人工智能的各種方法。本書涵蓋的主題包括機器學習、深度學習、遺傳算法、強化學習和生成對抗網絡，並且向讀者展示了如何使用分布式技術和在雲上實現人工智能。一旦讀者熟悉了人工智能技術，書中就會針對物聯網設備生成和處理的不同類型數據，如時間序列、圖像、音頻、視頻、文本和語音，介紹各種相關的技術。
在解釋了針對各種物聯網數據的人工智能技術之後，本書後與讀者分享了一些與四大類物聯網——個人物聯網、家庭物聯網、工業物聯網和智慧城市物聯網解決方案有關的案例研究。
本書受眾
本書受眾：他們對物聯網應用程序開發和Python有基本了解，並希望通過應用人工智能技術使其物聯網應用程序更智能。可能包括以下人員：
已經知道如何構建物聯網繫統的物聯網從業者，但現在他們希望實施人工智能技術使其物聯網解決方案變得智能。
一直在使用物聯網平臺進行分析的數據科學從業者，但現在他們希望從物聯網分析過渡到物聯網AI，從而使物聯網解決方案更智能。
希望為智能物聯網設備開發基於人工智能的解決方案的軟件工程師。
希望將智能帶入產品中的嵌入式繫統工程師。
本書內容
第1章介紹了物聯網、人工智能和數據科學的基本概念。該章後介紹本書將使用的工具和數據集。
第2章介紹從各種數據源（如文件、數據庫、分布式數據存儲和流數據）訪問數據的多種方法。
第3章涵蓋機器學習的各個方面，如用於物聯網的有監督學習、無監督學習和強化學習。該章後介紹提高模型性能的提示和技巧。
第4章探討深度學習的各個方面，如用於物聯網的MLP、CNN、RNN和自編碼器，同時還介紹深度學習的各種框架。
第5章討論優化和不同的進化技術在優化問題中的應用，重點介紹遺傳算法。
第6章介紹強化學習的概念，如策略梯度和Q–網絡，還介紹如何使用TensorFlow實現深度Q-網絡，以及一些可以應用強化學習的很酷的現實問題。
第7章介紹對抗學習和生成學習的概念，以及如何使用TensorFlow實現GAN、DCGAN和CycleGAN，後介紹它們的實際應用程序。
第8章介紹如何在物聯網應用程序的分布式模式下利用機器學習。
第9章討論一些令人興奮的個人和家庭物聯網應用。
第10章解釋如何將本書介紹的概念應用到兩個具有工業物聯網數據的案例研究中。
第11章解釋如何將本書介紹的概念應用於智慧城市生成的物聯網數據。
第12章討論如何在將文本、圖像、視頻和音頻數據提供給模型之前對其進行預處理，並介紹時間序列數據。
下載示例代碼文件
本書的示例代碼文件托管在GitHub上，地址為https://github.com/PacktPublishing/Hands-
On-Artificial-Intelligence-for-IoT，感興趣的讀者可以下載，並使用GitHub提供的Jupyter筆記本進行練習。
本書約定
黑體表示新術語、重要詞彙。例如“堆棧的下面是設備層，也稱為感知層”。
警告或重要說明。
提示和技巧。

商品搜索

商品分类

【醫學】

【各大出版社】