| 作者 |
| 阿米塔·卡普尔 安东尼奥·古利 |
| 丛书名 |
| 物联网核心技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782109071446 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8083668 - AIoT系统开发：基于机器学习和Python深度学习--------------------------- 本书重点阐述利用机器学习、深度学习、自然语言处理等多种方法，以及当前流行的Python库——Tensorflow和Keras构建实时数据的智能物联网IOT系统。还给出了工业物联网、智能城市和家庭自动化等物联网主要应用领域的实际案例。 ---------------------------8055161 - TensorFlow深度学习实战--------------------------- 本书将介绍如何有效地使用Google的开源框架TensorFlow进行深度学习。通过学习，你将实现不同的深度学习网络，如卷积神经网络（CNN）、循环神经网络（RNN）、深度Q learning网络（DQN）和生成对抗网络（GAN），以及如何使用TensorFlow的高级封装Keras工具。 |
| 目录 |
| [套装书具体书目] 8055161 - TensorFlow深度学习实战 - 9787111615750 - 机械工业出版社 - 定价 99 8083668 - AIoT系统开发：基于机器学习和Python深度学习 - 9787111688082 - 机械工业出版社 - 定价 89 ---------------------------8083668 - 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 1.1 什么是物联网 1 1.1.1 物联网参考模型 3 1.1.2 物联网平台 4 1.1.3 物联网垂直领域 4 1.2 大数据和物联网 5 1.3 人工智能的注入：物联网中的数据科学 6 1.3.1 数据挖掘跨行业标准流程 7 1.3.2 人工智能平台和物联网平台 8 1.4 本书使用的工具 9 1.4.1 TensorFlow 9 1.4.2 Keras 10 1.4.3 数据集 11 1.5 小结 13 第2章 面向物联网的数据访问和分布式处理 14 2.1 TXT格式 14 2.1.1 使用Python读写TXT文件 15 2.2 CSV格式 16 2.2.1 使用csv模块读写CSV文件 16 2.2.2 使用pandas模块读写CSV文件 18 2.2.3 使用NumPy模块读写CSV文件 20 2.3 XLSX格式 20 2.3.1 使用OpenPyXl模块读写XLSX文件 21 2.3.2 使用pandas模块读写XLSX文件 22 2.4 JSON格式 22 2.4.1 使用JSON模块读写JSON文件 22 2.4.2 使用pandas模块读写JSON文件 23 2.5 HDF5格式 24 2.5.1 使用PyTables模块读写HDF5文件 24 2.5.2 使用pandas模块读写HDF5文件 25 2.5.3 使用h5py模块读写HDF5文件 26 2.6 SQL数据 27 2.6.1 SQLite数据库引擎 27 2.6.2 MySQL数据库引擎 29 2.7 NoSQL数据 29 2.8 HDFS分布式文件系统 31 2.8.1 使用hdfs3模块操作HDFS 31 2.8.2 使用PyArrow 的文件系统接口操作HDFS 32 2.9 小结 32 第3章 用于物联网的机器学习 33 3.1 机器学习与物联网 33 3.2 学习范式 34 3.3 用线性回归进行预测 35 3.3.1 用回归预测电力输出 36 3.4 分类的逻辑回归 39 3.4.1 交叉熵损失函数 40 3.4.2 用逻辑回归分类葡萄酒 40 3.5 用支持向量机分类 42 3.5.1 最大间隔分类超平面 43 3.5.2 核技巧 44 3.5.3 用SVM分类葡萄酒 45 3.6 朴素贝叶斯分类器 47 3.6.1 用高斯朴素贝叶斯分类器评估葡萄酒质量 47 3.7 决策树 49 3.7.1 scikit 中的决策树 51 3.7.2 决策树实践 52 3.8 集成学习 54 3.8.1 投票分类器 54 3.8.2 bagging与pasting 55 3.9 改进模型的窍门与技巧 56 3.9.1 特征缩放以解决不均匀的数据尺度 56 3.9.2 过拟合 57 3.9.3 “没有免费的午餐”定理 58 3.9.4 超参数调整和网格搜索 58 3.10 小结 59 第4章 用于物联网的深度学习 60 4.1 深度学习基础 60 4.1.1 深度学习为何如此流行 62 4.1.2 人工神经元 62 4.1.3 在TensorFlow中建模单个神经元 67 4.2 用于回归和分类任务的多层感知器 71 4.2.1 反向传播算法 72 4.2.2 使用TensorFlow中的MLP进行电力输出预测 74 4.2.3 使用TensorFlow中的MLP进行葡萄酒质量分类 77 4.3 卷积神经网络 80 4.3.1 CNN中的不同层 80 4.3.2 一些流行的CNN模型 83 4.3.3 用LeNet识别手写数字 84 4.4 递归神经网络 88 4.4.1 长短时记忆网络 90 4.4.2 门控递归单元 93 4.5 自编码器 94 4.5.1 去噪自编码器 95 4.5.2 变分自编码器 95 4.6 小结 96 第5章 用于物联网的遗传算法 97 5.1 优化 97 5.1.1 确定与分析方法 99 5.1.2 自然优化方法 101 5.2 遗传算法概论 103 5.2.1 遗传算法 104 5.2.2 优点与缺点 106 5.3 使用Python中的分布式进化算法编写遗传算法代码 107 5.3.1 猜词 107 5.3.2 CNN架构的遗传算法 111 5.3.3 用于LSTM优化的遗传算法 117 5.4 小结 120 第6章 用于物联网的强化学习 121 6.1 引言 121 6.1.1 强化学习术语 122 6.1.2 成功案例 125 6.2 仿真环境 126 6.2.1 OpenAI gym 127 6.3 Q-学习 129 6.3.1 用Q-表解决出租车落客问题 130 6.4 Q-网络 132 6.4.1 用Q-网络解决出租车落客问题 133 6.4.2 用DQN玩Atari游戏 135 6.4.3 双DQN 143 6.4.4 决斗 DQN 143 6.5 策略梯度 144 6.5.1 为何使用策略梯度 145 6.5.2 使用策略梯度玩Pong游戏 145 6.5.3 演员–评论家算法 149 6.6 小结 150 第7章 用于物联网的生成式模型 151 7.1 引言 152 7.2 用VAE生成图像 152 7.2.1 在TensorFlow中实现VAE 153 7.3 GAN 158 7.3.1 在TensorFlow中实现vanilla GAN 159 7.3.2 深度卷积GAN 163 7.3.3 GAN的变体及其应用 168 7.4 小结 170 第8章 面向物联网的分布式人工智能 171 8.1 引言 171 8.1.1 Spark组件 172 8.2 Apache MLlib 173 8.2.1 MLlib中的回归 173 8.2.2 MLlib中的分类 177 8.2.3 使用SparkDL的迁移学习 179 8.3 H2O.ai简介 183 8.3.1 H2O AutoML 184 8.3.2 H2O中的回归 184 8.3.3 H2O中的分类 189 8.4 小结 191 第9章 个人物联网和家庭物联网 193 9.1 个人物联网 193 9.1.1 MIT的超级鞋 194 9.1.2 持续血糖监测 195 9.1.3 心律监测器 198 9.1.4 数字助理 200 9.2 物联网和智能家居 200 9.2.1 人类活动识别 201 9.2.2 智能照明 206 9.2.3 家庭监控 207 9.3 小结 208 第10章 人工智能用于工业物联网 209 10.1 人工智能工业物联网简介 209 10.1.1 一些有趣的用例 210 10.2 使用人工智能进行预测性维护 211 10.2.1 使用长短时记忆网络的预测性维护 212 10.2.2 预测性维护的优缺点 221 10.3 工业用电负荷预测 222 10.3.1 使用LSTM实现STLF 222 10.4 小结 225 第11章 人工智能用于智慧城市物联网 226 11.1 为什么需要智慧城市 226 11.2 智慧城市的组成部分 227 11.2.1 智能交通管理 228 11.2.2 智能停车 228 11.2.3 智能垃圾管理 229 11.2.4 智能警务 230 11.2.5 智能照明 230 11.2.6 智能治理 231 11.3 适应智慧城市的物联网和必要步骤 231 11.3.1 拥有开放数据的城市 232 11.3.2 利用旧金山的犯罪数据来侦查犯罪 234 11.4 挑战和收益 236 11.5 小结 237 第12章 组合应用 238 12.1 处理不同类型的数据 238 12.1.1 时间序列建模 239 12.1.2 文本数据预处理 243 12.1.3 图像的数据增强 245 12.1.4 视频文件处理 247 12.1.5 音频文件作为输入数据 248 12.2 云计算 251 12.2.1 AWS 251 12.2.2 谷歌云平台 252 12.2.3 微软Azure 252 12.3 小结 252 ---------------------------8055161 - TensorFlow深度学习实战--------------------------- 译者序 前言 作者简介 审校者简介 第1章 TensorFlow简介 1 1.1 引言 1 1.2 TensorFlow安装 2 1.3 Hello world 6 1.4 理解TensorFlow程序结构 8 1.5 常量、变量和占位符 10 1.6 使用TensorFlow 执行矩阵操作 15 1.7 使用数据流图 17 1.8 从0.x迁移到1.x 18 1.9 使用XLA提升运算性能 19 1.10 调用CPU/GPU设备 21 1.11 TensorFlow与深度学习 24 1.12 DNN问题需要的Python包 28 第2章 回归 30 2.1 引言 30 2.2 选择损失函数 31 2.3 TensorFlow中的优化器 33 2.4 读取CSV文件和数据预处理 36 2.5 房价估计——简单线性回归 39 2.6 房价估计——多元线性回归 42 2.7 MNIST数据集的逻辑回归 45 第3章 神经网络——感知机 50 3.1 引言 50 3.2 激活函数 52 3.3 单层感知机 58 3.4 计算反向传播算法的梯度 60 3.5 使用MLP实现MNIST分类器 63 3.6 使用MLP逼近函数来预测波士顿房价 66 3.7 调整超参数 71 3.8 高级API——Keras 72 第4章 卷积神经网络 75 4.1 引言 75 4.2 创建一个ConvNet来分类手写MNIST数字 79 4.3 创建一个ConvNet来分类CIFAR-10数据集 84 4.4 用VGG19做风格迁移的图像重绘 87 4.5 使用预训练的VGG16网络进行迁移学习 96 4.6 创建DeepDream网络 100 第5章 高级卷积神经网络 105 5.1 引言 105 5.2 为情感分析创建一个ConvNet 106 5.3 检验VGG预建网络学到的滤波器 109 5.4 使用 VGGNet、ResNet、Inception和Xception分类图像 113 5.5 重新利用预建深度学习模型进行特征提取 125 5.6 用于迁移学习的深层InceptionV3网络 126 5.7 使用扩张ConvNet、WaveNet和 NSynth生成音乐 129 5.8 关于图像的问答 134 5.9 利用预训练网络进行视频分类的6种方法 140 第6章 循环神经网络 144 6.1 引言 144 6.2 神经机器翻译——seq2seq RNN训练 150 6.3 神经机器翻译——seq2seq RNN推理 156 6.4 你所需要的是注意力—另一个seq2seq RNN例子 157 6.5 使用RNN像莎士比亚一样写作 161 6.6 基于RNN学习预测比特币价格 165 6.7 多对一和多对多的RNN例子 174 第7章 无监督学习 176 7.1 引言 176 7.2 主成分分析 176 7.3 k均值聚类 181 7.4 自组织映射 186 7.5 受限玻尔兹曼机 191 7.6 基于RBM的推荐系统 196 7.7 用DBN进行情绪检测 198 第8章 自动编码机 205 8.1 引言 205 8.2 标准自动编码机 207 8.3 稀疏自动编码机 212 8.4 去噪自动编码机 217 8.5 卷积自动编码机 221 8.6 堆叠自动编码机 225 第9章 强化学习 231 9.1 引言 231 9.2 学习OpenAI Gym 232 9.3 用神经网络智能体玩Pac-Man游戏 235 9.4 用Q learning玩Cart-Pole平衡游戏 238 9.5 用DQN玩Atari游戏 244 9.6 用策略梯度网络玩Pong游戏 252 第10章 移动端计算 259 10.1 引言 259 10.2 安装适用于macOS和Android的TensorFlow mobile 260 10.3 玩转TensorFlow和Android的示例 265 10.4 安装适用于macOS和iPhone的TensorFlow mobile 268 10.5 为移动设备优化TensorFlow计算图 271 10.6 为移动设备分析TensorFlow计算图 273 10.7 为移动设备转换TensorFlow计算图 275 第11章 生成式模型和CapsNet 278 11.1 引言 278 11.2 学习使用简单GAN虚构MNIST图像 284 11.3 学习使用DCGAN虚构MNIST图像 289 11.4 学习使用DCGAN虚构名人面孔和其他数据集 294 11.5 实现变分自动编码机 297 11.6 学习使用胶囊网络击败MNIST前期的最新成果 305 第12章 分布式TensorFlow和云深度学习 319 12.1 引言 319 12.2 在GPU上使用TensorFlow 322 12.3 玩转分布式TensorFlow：多个GPU和一个CPU 323 12.4 玩转分布式TensorFlow：多服务器 324 12.5 训练分布式TensorFlow MNIST分类器 326 12.6 基于Docker使用TensorFlow Serving 328 12.7 使用计算引擎在谷歌云平台上运行分布式TensorFlow 330 12.8 在谷歌CloudML上运行分布式TensorFlow 333 12.9 在Microsoft Azure上运行分布式TensorFlow 334 12.10 在Amazon AWS上运行分布式TensorFlow 337 附录A 利用AutoML学会学习（元学习） 342 附录B TensorFlow处理器 350 |