譯者序
前言
作者簡介
審閱者簡介
第1章　物聯(lián)網(wǎng)與人工智能的原理和基礎 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 4
1.1.3　物聯(lián)網(wǎng)垂直領域 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 6
1.3.1　數(shù)據(jù)挖掘跨行業(yè)標準流程 7
1.3.2　人工智能平臺和物聯(lián)網(wǎng)平臺 8
1.4　本書使用的工具 9
1.4.1　TensorFlow 9
1.4.2　Keras 10
1.4.3　數(shù)據(jù)集 11
1.5　小結 13
第2章　面向物聯(lián)網(wǎng)的數(shù)據(jù)訪問和分布式處理 14
2.1　TXT格式 14
2.1.1　使用Python讀寫TXT文件 15
2.2　CSV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
2.3　XLSX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
2.4　JSON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
2.5　HDF5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
2.6　SQL數(shù)據(jù) 27
2.6.1　SQLite數(shù)據(jù)庫引擎 27
2.6.2　MySQL數(shù)據(jù)庫引擎 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 32
第3章　用于物聯(lián)網(wǎng)的機器學習 33
3.1　機器學習與物聯(lián)網(wǎng) 33
3.2　學習范式 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(shù) 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
3.7.1　scikit 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
3.8.2　bagging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(shù)據(jù)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(shù)調整和網(wǎng)格搜索 58
3.10　小結 59
第4章　用于物聯(lián)網(wǎng)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　人工神經元 62
4.1.3　在TensorFlow中建模單個神經元 67
4.2　用于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(wǎng)絡 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識別手寫數(shù)字 84
4.4　遞歸神經網(wǎng)絡 88
4.4.1　長短時記憶網(wǎng)絡 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 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
5.3.2　CNN架構的遺傳算法 111
5.3.3　用于LSTM優(yōu)化的遺傳算法 117
5.4　小結 120
第6章　用于物聯(lián)網(wǎng)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(huán)境 126
6.2.1　OpenAI gym 127
6.3　Q-學習 129
6.3.1　用Q-表解決出租車落客問題 130
6.4　Q-網(wǎng)絡 132
6.4.1　用Q-網(wǎng)絡解決出租車落客問題 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　演員評論家算法 149
6.6　小結 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中實現(xiàn)VAE 153
7.3　GAN 158
7.3.1　在TensorFlow中實現(xiàn)vanilla GAN 159
7.3.2　深度卷積GAN 163
7.3.3　GAN的變體及其應用 168
7.4　小結 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的遷移學習 179
8.3　H2O.ai簡介 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 191
第9章　個人物聯(lián)網(wǎng)和家庭物聯(lián)網(wǎng) 193
9.1　個人物聯(lián)網(wǎng) 193
9.1.1　MIT的超級鞋 194
9.1.2　持續(xù)血糖監(jiān)測 195
9.1.3　心律監(jiān)測器 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　人類活動識別 201
9.2.2　智能照明 206
9.2.3　家庭監(jiān)控 207
9.3　小結 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(wǎng)絡的預測性維護 212
10.2.2　預測性維護的優(yōu)缺點 221
10.3　工業(yè)用電負荷預測 222
10.3.1　使用LSTM實現(xiàn)STLF 222
10.4　小結 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 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(lián)網(wǎng)和必要步驟 231
11.3.1　擁有開放數(shù)據(jù)的城市 232
11.3.2　利用舊金山的犯罪數(shù)據(jù)來偵查犯罪 234
11.4　挑戰(zhàn)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(shù)據(jù) 238
12.1.1　時間序列建模 239
12.1.2　文本數(shù)據(jù)預處理 243
12.1.3　圖像的數(shù)據(jù)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(shù)據(jù) 248
12.2　云計算 251
12.2.1　AWS 251
12.2.2　谷歌云平臺 252
12.2.3　微軟Azure 252
12.3　小結 252