AIoT系统开发：基于机器学习和Python深度学习

译者序

前言

作者简介

审阅者简介

第1章　物联网与人工智能的原理和基础 1

11　什么是物联网 1

111　物联网参考模型 3

112　物联网平台 4

113　物联网垂直领域 4

12　大数据和物联网 5

13　人工智能的注入：物联网中的数据科学 6

131　数据挖掘跨行业标准流程 7

132　人工智能平台和物联网平台 8

14　本书使用的工具 9

141　TensorFlow 9

142　Keras 10

143　数据集 11

15　小结 13

第2章　面向物联网的数据访问和分布式处理 14

21　TXT格式 14

211　使用Python读写TXT文件 15

22　CSV格式 16

221　使用csv模块读写CSV文件 16

222　使用pandas模块读写CSV文件 18

223　使用NumPy模块读写CSV文件 20

23　XLSX格式 20

231　使用OpenPyXl模块读写XLSX文件 21

232　使用pandas模块读写XLSX文件 22

24　JSON格式 22

241　使用JSON模块读写JSON文件 22

242　使用pandas模块读写JSON文件 23

25　HDF5格式 24

251　使用PyTables模块读写HDF5文件 24

252　使用pandas模块读写HDF5文件 25

253　使用h5py模块读写HDF5文件 26

26　SQL数据 27

261　SQLite数据库引擎 27

262　MySQL数据库引擎 29

27　NoSQL数据 29

28　HDFS分布式文件系统 31

281　使用hdfs3模块操作HDFS 31

282　使用PyArrow 的文件系统接口操作HDFS 32

29　小结 32

第3章　用于物联网的机器学习 33

31　机器学习与物联网 33

32　学习范式 34

33　用线性回归进行预测 35

331　用回归预测电力输出 36

34　分类的逻辑回归 39

341　交叉熵损失函数 40

342　用逻辑回归分类葡萄酒 40

35　用支持向量机分类 42

351　最大间隔分类超平面 43

352　核技巧 44

353　用SVM分类葡萄酒 45

36　朴素贝叶斯分类器 47

361　用高斯朴素贝叶斯分类器评估葡萄酒质量 47

37　决策树 49

371　scikit 中的决策树 51

372　决策树实践 52

38　集成学习 54

381　投票分类器 54

382　bagging与pasting 55

39　改进模型的窍门与技巧 56

391　特征缩放以解决不均匀的数据尺度 56

392　过拟合 57

393　“没有免费的午餐”定理 58

394　超参数调整和网格搜索 58

310　小结 59

第4章　用于物联网的深度学习 60

41　深度学习基础 60

411　深度学习为何如此流行 62

412　人工神经元 62

413　在TensorFlow中建模单个神经元 67

42　用于回归和分类任务的多层感知器 71

421　反向传播算法 72

422　使用TensorFlow中的MLP进行电力输出预测 74

423　使用TensorFlow中的MLP进行葡萄酒质量分类 77

43　卷积神经网络 80

431　CNN中的不同层 80

432　一些流行的CNN模型 83

433　用LeNet识别手写数字 84

44　递归神经网络 88

441　长短时记忆网络 90

442　门控递归单元 93

45　自编码器 94

451　去噪自编码器 95

452　变分自编码器 95

46　小结 96

第5章　用于物联网的遗传算法 97

51　优化 97

511　确定与分析方法 99

512　自然优化方法 101

52　遗传算法概论 103

521　遗传算法 104

522　优点与缺点 106

53　使用Python中的分布式进化算法编写遗传算法代码 107

531　猜词 107

532　CNN架构的遗传算法 111

533　用于LSTM优化的遗传算法 117

54　小结 120

第6章　用于物联网的强化学习 121

61　引言 121

611　强化学习术语 122

612　成功案例 125

62　仿真环境 126

621　OpenAI gym 127

63　Q-学习 129

631　用Q-表解决出租车落客问题 130

64　Q-网络 132

641　用Q-网络解决出租车落客问题 133

642　用DQN玩Atari游戏 135

643　双DQN 143

644　决斗 DQN 143

65　策略梯度 144

651　为何使用策略梯度 145

652　使用策略梯度玩Pong游戏 145

653　演员–评论家算法 149

66　小结 150

第7章　用于物联网的生成式模型 151

71　引言 152

72　用VAE生成图像 152

721　在TensorFlow中实现VAE 153

73　GAN 158

731　在TensorFlow中实现vanilla GAN 159

732　深度卷积GAN 163

733　GAN的变体及其应用 168

74　小结 170

第8章　面向物联网的分布式人工智能 171

81　引言 171

811　Spark组件 172

82　Apache MLlib 173

821　MLlib中的回归 173

822　MLlib中的分类 177

823　使用SparkDL的迁移学习 179

83　H2Oai简介 183

831　H2O AutoML 184

832　H2O中的回归 184

833　H2O中的分类 189

84　小结 191

第9章　个人物联网和家庭物联网 193

91　个人物联网 193

911　MIT的超级鞋 194

912　持续血糖监测 195

913　心律监测器 198

914　数字助理 200

92　物联网和智能家居 200

921　人类活动识别 201

922　智能照明 206

923　家庭监控 207

93　小结 208

第10章　人工智能用于工业物联网 209

101　人工智能工业物联网简介 209

1011　一些有趣的用例 210

102　使用人工智能进行预测性维护 211

1021　使用长短时记忆网络的预测性维护 212

1022　预测性维护的优缺点 221

103　工业用电负荷预测 222

1031　使用LSTM实现STLF 222

104　小结 225

第11章　人工智能用于智慧城市物联网 226

111　为什么需要智慧城市 226

112　智慧城市的组成部分 227

1121　智能交通管理 228

1122　智能停车 228

1123　智能垃圾管理 229

1124　智能警务 230

1125　智能照明 230

1126　智能治理 231

113　适应智慧城市的物联网和必要步骤 231

1131　拥有开放数据的城市 232

1132　利用旧金山的犯罪数据来侦查犯罪 234

114　挑战和收益 236

115　小结 237

第12章　组合应用 238

121　处理不同类型的数据 238

1211　时间序列建模 239

1212　文本数据预处理 243

1213　图像的数据增强 245

1214　视频文件处理 247

1215　音频文件作为输入数据 248

122　云计算 251

1221　AWS 251

1222　谷歌云平台 252

1223　微软Azure 252

123　小结 252