AIoT系統(tǒng)開(kāi)發(fā)：基于機(jī)器學(xué)習(xí)和Python深度學(xué)習(xí)
定 價(jià)：89 元
叢書(shū)名：物聯(lián)網(wǎng)核心技術(shù)叢書(shū)
- 作者：[印度]阿米塔·卡普爾（Amita Kapoor）
- 出版時(shí)間：2021/9/1
- ISBN：9787111688082
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP18
- 頁(yè)碼：
- 紙張：膠版紙
- 版次：
- 開(kāi)本：16開(kāi)
本書(shū)重點(diǎn)闡述利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、自然語(yǔ)言處理等多種方法，以及當(dāng)前流行的Python庫(kù)Tensorflow和Keras構(gòu)建實(shí)時(shí)數(shù)據(jù)的智能物聯(lián)網(wǎng)IOT系統(tǒng)。還給出了工業(yè)物聯(lián)網(wǎng)、智能城市和家庭自動(dòng)化等物聯(lián)網(wǎng)主要應(yīng)用領(lǐng)域的實(shí)際案例。
本書(shū)旨在使讀者能夠構(gòu)建支持人工智能的物聯(lián)網(wǎng)應(yīng)用程序。隨著物聯(lián)網(wǎng)設(shè)備的普及，許多應(yīng)用程序使用數(shù)據(jù)科學(xué)工具來(lái)分析所產(chǎn)生的TB量級(jí)數(shù)據(jù)。但是，這些應(yīng)用程序不足以應(yīng)對(duì)物聯(lián)網(wǎng)數(shù)據(jù)中不斷涌現(xiàn)的新模式帶來(lái)的挑戰(zhàn)。本書(shū)涵蓋人工智能理論和實(shí)踐的各個(gè)方面，讀者可以利用這些知識(shí)通過(guò)實(shí)施人工智能技術(shù)來(lái)使他們的物聯(lián)網(wǎng)解決方案變得更加智能。
本書(shū)首先介紹人工智能和物聯(lián)網(wǎng)設(shè)備的基礎(chǔ)知識(shí)，以及如何從各種數(shù)據(jù)源和信息流中讀取物聯(lián)網(wǎng)數(shù)據(jù)。然后通過(guò)TensorFlow、scikit-learn和Keras三個(gè)實(shí)例講解實(shí)現(xiàn)人工智能的各種方法。本書(shū)涵蓋的主題包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、遺傳算法、強(qiáng)化學(xué)習(xí)和生成對(duì)抗網(wǎng)絡(luò)，并且向讀者展示了如何使用分布式技術(shù)和在云上實(shí)現(xiàn)人工智能。一旦讀者熟悉了人工智能技術(shù)，書(shū)中就會(huì)針對(duì)物聯(lián)網(wǎng)設(shè)備生成和處理的不同類型數(shù)據(jù)，如時(shí)間序列、圖像、音頻、視頻、文本和語(yǔ)音，介紹各種相關(guān)的技術(shù)。
在解釋了針對(duì)各種物聯(lián)網(wǎng)數(shù)據(jù)的人工智能技術(shù)之后，本書(shū)后與讀者分享了一些與四大類物聯(lián)網(wǎng)個(gè)人物聯(lián)網(wǎng)、家庭物聯(lián)網(wǎng)、工業(yè)物聯(lián)網(wǎng)和智慧城市物聯(lián)網(wǎng)解決方案有關(guān)的案例研究。
本書(shū)受眾
本書(shū)受眾：他們對(duì)物聯(lián)網(wǎng)應(yīng)用程序開(kāi)發(fā)和Python有基本了解，并希望通過(guò)應(yīng)用人工智能技術(shù)使其物聯(lián)網(wǎng)應(yīng)用程序更智能。可能包括以下人員：
已經(jīng)知道如何構(gòu)建物聯(lián)網(wǎng)系統(tǒng)的物聯(lián)網(wǎng)從業(yè)者，但現(xiàn)在他們希望實(shí)施人工智能技術(shù)使其物聯(lián)網(wǎng)解決方案變得智能。
一直在使用物聯(lián)網(wǎng)平臺(tái)進(jìn)行分析的數(shù)據(jù)科學(xué)從業(yè)者，但現(xiàn)在他們希望從物聯(lián)網(wǎng)分析過(guò)渡到物聯(lián)網(wǎng)AI，從而使物聯(lián)網(wǎng)解決方案更智能。
希望為智能物聯(lián)網(wǎng)設(shè)備開(kāi)發(fā)基于人工智能的解決方案的軟件工程師。
希望將智能帶入產(chǎn)品中的嵌入式系統(tǒng)工程師。
本書(shū)內(nèi)容
第1章介紹了物聯(lián)網(wǎng)、人工智能和數(shù)據(jù)科學(xué)的基本概念。該章后介紹本書(shū)將使用的工具和數(shù)據(jù)集。
第2章介紹從各種數(shù)據(jù)源（如文件、數(shù)據(jù)庫(kù)、分布式數(shù)據(jù)存儲(chǔ)和流數(shù)據(jù)）訪問(wèn)數(shù)據(jù)的多種方法。
第3章涵蓋機(jī)器學(xué)習(xí)的各個(gè)方面，如用于物聯(lián)網(wǎng)的有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。該章后介紹提高模型性能的提示和技巧。
第4章探討深度學(xué)習(xí)的各個(gè)方面，如用于物聯(lián)網(wǎng)的MLP、CNN、RNN和自編碼器，同時(shí)還介紹深度學(xué)習(xí)的各種框架。
第5章討論優(yōu)化和不同的進(jìn)化技術(shù)在優(yōu)化問(wèn)題中的應(yīng)用，重點(diǎn)介紹遺傳算法。
第6章介紹強(qiáng)化學(xué)習(xí)的概念，如策略梯度和Q網(wǎng)絡(luò)，還介紹如何使用TensorFlow實(shí)現(xiàn)深度Q-網(wǎng)絡(luò)，以及一些可以應(yīng)用強(qiáng)化學(xué)習(xí)的很酷的現(xiàn)實(shí)問(wèn)題。
第7章介紹對(duì)抗學(xué)習(xí)和生成學(xué)習(xí)的概念，以及如何使用TensorFlow實(shí)現(xiàn)GAN、DCGAN和CycleGAN，后介紹它們的實(shí)際應(yīng)用程序。
第8章介紹如何在物聯(lián)網(wǎng)應(yīng)用程序的分布式模式下利用機(jī)器學(xué)習(xí)。
第9章討論一些令人興奮的個(gè)人和家庭物聯(lián)網(wǎng)應(yīng)用。
第10章解釋如何將本書(shū)介紹的概念應(yīng)用到兩個(gè)具有工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)的案例研究中。
第11章解釋如何將本書(shū)介紹的概念應(yīng)用于智慧城市生成的物聯(lián)網(wǎng)數(shù)據(jù)。
第12章討論如何在將文本、圖像、視頻和音頻數(shù)據(jù)提供給模型之前對(duì)其進(jìn)行預(yù)處理，并介紹時(shí)間序列數(shù)據(jù)。
下載示例代碼文件
本書(shū)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，并使用GitHub提供的Jupyter筆記本進(jìn)行練習(xí)。
本書(shū)約定
黑體表示新術(shù)語(yǔ)、重要詞匯。例如堆棧的下面是設(shè)備層，也稱為感知層。
警告或重要說(shuō)明。
提示和技巧。
譯者序
前言
作者簡(jiǎn)介
審閱者簡(jiǎn)介
第1章 物聯(lián)網(wǎng)與人工智能的原理和基礎(chǔ) 1
1.1 什么是物聯(lián)網(wǎng) 1
1.1.1 物聯(lián)網(wǎng)參考模型 3
1.1.2 物聯(lián)網(wǎng)平臺(tái) 4
1.1.3 物聯(lián)網(wǎng)垂直領(lǐng)域 4
1.2 大數(shù)據(jù)和物聯(lián)網(wǎng) 5
1.3 人工智能的注入：物聯(lián)網(wǎng)中的數(shù)據(jù)科學(xué) 6
1.3.1 數(shù)據(jù)挖掘跨行業(yè)標(biāo)準(zhǔn)流程 7
1.3.2 人工智能平臺(tái)和物聯(lián)網(wǎng)平臺(tái) 8
1.4 本書(shū)使用的工具 9
1.4.1 TensorFlow 9
1.4.2 Keras 10
1.4.3 數(shù)據(jù)集 11
1.5 小結(jié) 13
第2章 面向物聯(lián)網(wǎng)的數(shù)據(jù)訪問(wèn)和分布式處理 14
2.1 TXT格式 14
2.1.1 使用Python讀寫(xiě)TXT文件 15
2.2 CSV格式 16
2.2.1 使用csv模塊讀寫(xiě)CSV文件 16
2.2.2 使用pandas模塊讀寫(xiě)CSV文件 18
2.2.3 使用NumPy模塊讀寫(xiě)CSV文件 20
2.3 XLSX格式 20
2.3.1 使用OpenPyXl模塊讀寫(xiě)XLSX文件 21
2.3.2 使用pandas模塊讀寫(xiě)XLSX文件 22
2.4 JSON格式 22
2.4.1 使用JSON模塊讀寫(xiě)JSON文件 22
2.4.2 使用pandas模塊讀寫(xiě)JSON文件 23
2.5 HDF5格式 24
2.5.1 使用PyTables模塊讀寫(xiě)HDF5文件 24
2.5.2 使用pandas模塊讀寫(xiě)HDF5文件 25
2.5.3 使用h5py模塊讀寫(xiě)HDF5文件 26
2.6 SQL數(shù)據(jù) 27
2.6.1 SQLite數(shù)據(jù)庫(kù)引擎 27
2.6.2 MySQL數(shù)據(jù)庫(kù)引擎 29
2.7 NoSQL數(shù)據(jù) 29
2.8 HDFS分布式文件系統(tǒng) 31
2.8.1 使用hdfs3模塊操作HDFS 31
2.8.2 使用PyArrow 的文件系統(tǒng)接口操作HDFS 32
2.9 小結(jié) 32
第3章 用于物聯(lián)網(wǎng)的機(jī)器學(xué)習(xí) 33
3.1 機(jī)器學(xué)習(xí)與物聯(lián)網(wǎng) 33
3.2 學(xué)習(xí)范式 34
3.3 用線性回歸進(jìn)行預(yù)測(cè) 35
3.3.1 用回歸預(yù)測(cè)電力輸出 36
3.4 分類的邏輯回歸 39
3.4.1 交叉熵?fù)p失函數(shù) 40
3.4.2 用邏輯回歸分類葡萄酒 40
3.5 用支持向量機(jī)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(píng)估葡萄酒質(zhì)量 47
3.7 決策樹(shù) 49
3.7.1 scikit 中的決策樹(shù) 51
3.7.2 決策樹(shù)實(shí)踐 52
3.8 集成學(xué)習(xí) 54
3.8.1 投票分類器 54
3.8.2 bagging與pasting 55
3.9 改進(jìn)模型的竅門與技巧 56
3.9.1 特征縮放以解決不均勻的數(shù)據(jù)尺度 56
3.9.2 過(guò)擬合 57
3.9.3 沒(méi)有免費(fèi)的午餐定理 58
3.9.4 超參數(shù)調(diào)整和網(wǎng)格搜索 58
3.10 小結(jié) 59
第4章 用于物聯(lián)網(wǎng)的深度學(xué)習(xí) 60
4.1 深度學(xué)習(xí)基礎(chǔ) 60
4.1.1 深度學(xué)習(xí)為何如此流行 62
4.1.2 人工神經(jīng)元 62
4.1.3 在TensorFlow中建模單個(gè)神經(jīng)元 67
4.2 用于回歸和分類任務(wù)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(jìn)行電力輸出預(yù)測(cè) 74
4.2.3 使用TensorFlow中的MLP進(jìn)行葡萄酒質(zhì)量分類 77
4.3 卷積神經(jīng)網(wǎng)絡(luò) 80
4.3.1 CNN中的不同層 80
4.3.2 一些流行的CNN模型 83
4.3.3 用LeNet識(shí)別手寫(xiě)數(shù)字 84
4.4 遞歸神經(jīng)網(wǎng)絡(luò) 88
4.4.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò) 90
4.4.2 門控遞歸單元 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(jié) 96
第5章 用于物聯(lián)網(wǎng)的遺傳算法 97
5.1 優(yōu)化 97
5.1.1 確定與分析方法 99
5.1.2 自然優(yōu)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(yōu)點(diǎn)與缺點(diǎn) 106
5.3 使用Python中的分布式進(jìn)化算法編寫(xiě)遺傳算法代碼 107
5.3.1 猜詞 107
5.3.2 CNN架構(gòu)的遺傳算法 111
5.3.3 用于LSTM優(yōu)化的遺傳算法 117
5.4 小結(jié) 120
第6章 用于物聯(lián)網(wǎng)的強(qiáng)化學(xué)習(xí) 121
6.1 引言 121
6.1.1 強(qiáng)化學(xué)習(xí)術(shù)語(yǔ) 122
6.1.2 成功案例 125
6.2 仿真環(huán)境 126
6.2.1 OpenAI gym 127
6.3 Q-學(xué)習(xí) 129
6.3.1 用Q-表解決出租車落客問(wèn)題 130
6.4 Q-網(wǎng)絡(luò) 132
6.4.1 用Q-網(wǎng)絡(luò)解決出租車落客問(wèn)題 133
6.4.2 用DQN玩Atari游戲 135
6.4.3 雙DQN 143
6.4.4 決斗 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游戲 145
6.5.3 演員評(píng)論家算法 149
6.6 小結(jié) 150
第7章 用于物聯(lián)網(wǎng)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(shí)現(xiàn)VAE 153
7.3 GAN 158
7.3.1 在TensorFlow中實(shí)現(xiàn)vanilla GAN 159
7.3.2 深度卷積GAN 163
7.3.3 GAN的變體及其應(yīng)用 168
7.4 小結(jié) 170
第8章 面向物聯(lián)網(wǎng)的分布式人工智能 171
8.1 引言 171
8.1.1 Spark組件 172
8.2 Apache MLlib 173
8.2.1 MLlib中的回歸 173
8.2.2 MLlib中的分類 177
8.2.3 使用SparkDL的遷移學(xué)習(xí) 179
8.3 H2O.ai簡(jiǎn)介 183
8.3.1 H2O AutoML 184
8.3.2 H2O中的回歸 184
8.3.3 H2O中的分類 189
8.4 小結(jié) 191
第9章 個(gè)人物聯(lián)網(wǎng)和家庭物聯(lián)網(wǎng) 193
9.1 個(gè)人物聯(lián)網(wǎng) 193
9.1.1 MIT的超級(jí)鞋 194
9.1.2 持續(xù)血糖監(jiān)測(cè) 195
9.1.3 心律監(jiān)測(cè)器 198
9.1.4 數(shù)字助理 200
9.2 物聯(lián)網(wǎng)和智能家居 200
9.2.1 人類活動(dòng)識(shí)別 201
9.2.2 智能照明 206
9.2.3 家庭監(jiān)控 207
9.3 小結(jié) 208
第10章 人工智能用于工業(yè)物聯(lián)網(wǎng) 209
10.1 人工智能工業(yè)物聯(lián)網(wǎng)簡(jiǎn)介 209
10.1.1 一些有趣的用例 210
10.2 使用人工智能進(jìn)行預(yù)測(cè)性維護(hù) 211
10.2.1 使用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的預(yù)測(cè)性維護(hù) 212
10.2.2 預(yù)測(cè)性維護(hù)的優(yōu)缺點(diǎn) 221
10.3 工業(yè)用電負(fù)荷預(yù)測(cè) 222
10.3.1 使用LSTM實(shí)現(xiàn)STLF 222
10.4 小結(jié) 225
第11章 人工智能用于智慧城市物聯(lián)網(wǎng) 226
11.1 為什么需要智慧城市 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(wù) 230
11.2.5 智能照明 230
11.2.6 智能治理 231
11.3 適應(yīng)智慧城市的物聯(lián)網(wǎng)和必要步驟 231
11.3.1 擁有開(kāi)放數(shù)據(jù)的城市 232
11.3.2 利用舊金山的犯罪數(shù)據(jù)來(lái)偵查犯罪 234
11.4 挑戰(zhàn)和收益 236
11.5 小結(jié) 237
第12章 組合應(yīng)用 238
12.1 處理不同類型的數(shù)據(jù) 238
12.1.1 時(shí)間序列建模 239
12.1.2 文本數(shù)據(jù)預(yù)處理 243
12.1.3 圖像的數(shù)據(jù)增強(qiáng) 245
12.1.4 視頻文件處理 247
12.1.5 音頻文件作為輸入數(shù)據(jù) 248
12.2 云計(jì)算 251
12.2.1 AWS 251
12.2.2 谷歌云平臺(tái) 252
12.2.3 微軟Azure 252
12.3 小結(jié) 252
書(shū)單推薦
