第 1章 緒論1

1.1 機(jī)器學(xué)習(xí)3

1.1.1概述3

1.1.2評價準(zhǔn)則4

1.1.3分類6

1.1.4常用工具7

1.2 大數(shù)據(jù)9

1.3 人工智能10

1.4 圖像處理技術(shù)12

第 2章 機(jī)器學(xué)習(xí)理論與方法13

2.1 回歸分析與最小二乘法13

2.2聚類15

2.2.1簡介15

2.2.2基本原理15

2.2.3常用聚類算法17

2.3 遺傳算法20

2.3.1簡介20

2.3.2基本原理21

2.3.3特點與應(yīng)用23

2.4 蟻群算法23

2.4.1簡介23

2.4.2基本原理24

2.4.3特點與應(yīng)用26

2.5 粒子群算法27

2.5.1簡介27

2.5.2基本原理27

2.5.3特點與應(yīng)用28

2.6 人工神經(jīng)網(wǎng)絡(luò)29

2.6.1簡介29

2.6.2神經(jīng)網(wǎng)絡(luò)基礎(chǔ)31

2.6.3 BP神經(jīng)網(wǎng)絡(luò)37

2.6.4 RBF神經(jīng)網(wǎng)絡(luò)38

2.7支持向量機(jī)40

2.7.1簡介40

2.7.2基本原理40

2.7.3特點與應(yīng)用46

2.8 隱馬爾科夫模型46

第3章 深度學(xué)習(xí)理論與方法50

3.1 簡介50

3.2 常見模型51

3.2.1卷積神經(jīng)網(wǎng)絡(luò)52

3.2.2受限玻爾茲曼機(jī)54

3.2.3深度信念網(wǎng)絡(luò)56

3.2.4自動編碼器57

3.2.5降噪自動編碼器59

3.2.6堆疊降噪自動編碼器59

3.3 應(yīng)用場景60

3.4 發(fā)展趨勢61

3.4.1深度集成學(xué)習(xí)61

3.4.2深度強化學(xué)習(xí)62

3.4.3深度遷移學(xué)習(xí)63

第4章 大數(shù)據(jù)處理技術(shù)65

4.1 大數(shù)據(jù)簡介65

4.1.1大數(shù)據(jù)概念與特點65

4.1.2大數(shù)據(jù)類型66

4.1.3大數(shù)據(jù)應(yīng)用67

4.2 大數(shù)據(jù)技術(shù)68

4.2.1數(shù)據(jù)獲取與預(yù)處理技術(shù)68

4.2.2存儲與管理技術(shù)71

4.2.3分析與挖掘技術(shù)72

4.2.4可視化技術(shù)74

4.3 大數(shù)據(jù)處理框架79

4.3.1簡介79

4.3.2 Hadoop80

4.3.3 Spark82

4.3.4 Storm84

4.3.5 HBase85

4.3.6 Hive86

4.4 大數(shù)據(jù)面臨挑戰(zhàn)86

4.4.1數(shù)據(jù)安全性87

4.4.2計算復(fù)雜性87

4.4.3計算時效性87

第5章 大數(shù)據(jù)與智能系統(tǒng)開發(fā)以農(nóng)業(yè)應(yīng)用為例88

5.1 農(nóng)業(yè)信息化概述88

5.1.1農(nóng)業(yè)信息概念88

5.1.2農(nóng)業(yè)信息分類88

5.1.3農(nóng)業(yè)信息技術(shù)89

5.2 農(nóng)業(yè)大數(shù)據(jù)概述89

5.2.1農(nóng)業(yè)大數(shù)據(jù)概念89

5.2.2農(nóng)業(yè)大數(shù)據(jù)特點90

5.2.3農(nóng)業(yè)大數(shù)據(jù)標(biāo)準(zhǔn)90

5.2.4農(nóng)業(yè)大數(shù)據(jù)發(fā)展趨勢91

5.3 農(nóng)業(yè)大數(shù)據(jù)技術(shù)92

5.3.1獲取與預(yù)處理技術(shù)92

5.3.2存儲與集成技術(shù)95

5.3.3挖掘與可視化技術(shù)95

5.3.4發(fā)展趨勢96

5.4 農(nóng)業(yè)大數(shù)據(jù)機(jī)遇、挑戰(zhàn)與對策97

5.4.1機(jī)遇97

5.4.2挑戰(zhàn)與對策97

5.5 基于安卓的農(nóng)業(yè)智能99

5.5.1簡介99

5.5.2APP開發(fā)步驟100

5.5.3農(nóng)業(yè)APP101

第6章 圖像處理與分析技術(shù)102

6.1 簡介102

6.1.1常用術(shù)語102

6.1.2圖像處理與分析基礎(chǔ)106

6.2 圖像處理技術(shù)在農(nóng)業(yè)中的應(yīng)用111

6.2.1農(nóng)業(yè)圖像特點111

6.2.2農(nóng)業(yè)應(yīng)用場景111

6.3圖像細(xì)化算法112

6.3.1細(xì)化算法原理112

6.3.2改進(jìn)算法114

第7章 機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)和圖像處理技術(shù)的應(yīng)用以農(nóng)業(yè)應(yīng)用為例118

7.1 簡介118

7.2 隨機(jī)森林在棉蚜等級預(yù)測中的應(yīng)用118

7.2.1隨機(jī)森林原理118

7.2.2隨機(jī)森林構(gòu)建119

7.2.3袋外數(shù)據(jù)OOB和OOB估計120

7.2.4實驗結(jié)果與分析121

7. 3 基于鄰域核函數(shù)的局部支持向量機(jī)在樹木圖像分類中的應(yīng)用127

7.3.1鄰域核函數(shù)128

7.3.2基于鄰域核函數(shù)的局部支持向量機(jī)129

7.3.3實驗結(jié)果與分析129

7.4 局部支持向量回歸在小麥蚜蟲預(yù)測中的應(yīng)用132

7.4.1小麥蚜蟲預(yù)測原理132

7.4.2數(shù)據(jù)來源與預(yù)處理132

7.4.3支持向量回歸與局部支持向量回歸134

7.4.4實驗結(jié)果與分析136

7.5 深度學(xué)習(xí)在小麥蚜蟲短期預(yù)測中的應(yīng)用138

7.5.1數(shù)據(jù)來源與預(yù)處理138

7.5.2模型評價指標(biāo)139

7.5.3基于DBN_LSVR的小麥蚜蟲短期預(yù)測模型140

7.5.4實驗結(jié)果與分析141

7.6 基于Spark的支持向量機(jī)在小麥病害圖像識別中的應(yīng)用143

7.6.1數(shù)據(jù)來源與預(yù)處理144

7.6.2 基于Spark的支持向量機(jī)149

7.6.3實驗結(jié)果與分析151

7.7 Hadoop平臺下基于粒子群的局部支持向量機(jī)153

7.7.1相關(guān)技術(shù)及算法154

7.7.2改進(jìn)算法原理155

7.7.3 MapRuduce實現(xiàn)155

7.7.4改進(jìn)思想156

7.7.5實驗結(jié)果與分析157

第8章 Python基礎(chǔ)160

8.1 基礎(chǔ)知識160

8.1.1Python安裝與使用160

8.1.2編碼規(guī)范160

8.1.3模塊導(dǎo)入161

8.1.4異常處理163

8.2 語言基礎(chǔ)164

8.2.1基本數(shù)據(jù)類型164

8.2.2運算符與表達(dá)式166

8.2.3選擇與循環(huán)172

8.2.4字符串176

8.2.5列表、元組與字典178

8.2.6正則表達(dá)式187

8.3 函數(shù)190

8.3.1函數(shù)定義190

8.3.2 函數(shù)調(diào)用191

8.3.3函數(shù)參數(shù)192

8.3.4返回值195

8.3.5變量作用域196

8.4 類197

8.4.1類定義197

8.4.2類方法198

8.4.3繼承與多態(tài)199

8.4.4應(yīng)用舉例199

8.5 文件206

8.5.1打開和關(guān)閉206

8.5.2讀寫207

8.5.3其他操作208

8.5.4目錄操作209

第9章 Python數(shù)據(jù)處理與機(jī)器學(xué)習(xí)210

9.1 矩陣計算210

9.1.1基礎(chǔ)知識210

9.1.2應(yīng)用舉例218

9.2 網(wǎng)絡(luò)爬蟲222

9.2.1基礎(chǔ)知識222

9.2.2應(yīng)用舉例226

9.3 數(shù)據(jù)庫226

9.3.1 Sqlite數(shù)據(jù)庫226

9.3.2 MySQL數(shù)據(jù)庫228

9.4 OpenCV圖像編程230

9.4.1圖像基礎(chǔ)操作230

9.4.2圖像幾何變換231

9.4.3圖像濾波233

9.4.4數(shù)學(xué)形態(tài)學(xué)235

9.4.5應(yīng)用舉例236

9.5 數(shù)據(jù)可視化237

9.5.1 matplotlib可視化237

9.5.2 plotly可視化238

9.6 基于Python機(jī)器學(xué)習(xí)算法240

9.6.1線性回歸240

9.6.2 Logistic回歸242

9.6.3 K近鄰算法245

9.6.4 K均值聚類247

9.6.5決策樹250

9.7 基于Python大數(shù)據(jù)處理技術(shù)255

9.7.1 MapReduce編程255

9.7.2 應(yīng)用舉例256

9.8 Tensorflow編程256

9.8.1簡介256

9.8.2基礎(chǔ)知識258

9.8.3應(yīng)用舉例260

參考文獻(xiàn)261