AIoT 系統開發：基於機器學習和 Python 深度學習 Hands-On Artificial Intelligence for IoT: Expert machine learning and deep learning techniques for developing smarter IoT systems

譯者序
前言
作者簡介
審閱者簡介
第1章 物聯網與人工智能的原理和基礎 1
1.1 什麼是物聯網 1
1.1.1 物聯網參考模型 3
1.1.2 物聯網平台 4
1.1.3 物聯網垂直領域 4
1.2 大數據和物聯網 5
1.3 人工智能的注入：物聯網中的數據科學 6
1.3.1 數據挖掘跨行業標準流程 7
1.3.2 人工智能平台和物聯網平台 8
1.4 本書使用的工具 9
1.4.1 TensorFlow 9
1.4.2 Keras 10
1.4.3 數據集 11
1.5 小結 13

第2章 面向物聯網的數據訪問和分佈式處理 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數據 27
2.6.1 SQLite數據庫引擎 27
2.6.2 MySQL數據庫引擎 29
2.7 NoSQL數據 29
2.8 HDFS分佈式文件系統 31
2.8.1 使用hdfs3模塊操作HDFS 31
2.8.2 使用PyArrow 的文件系統接口操作HDFS 32
2.9 小結 32

第3章 用於物聯網的機器學習 33
3.1 機器學習與物聯網 33
3.2 學習範式 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 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 特徵縮放以解決不均勻的數據尺度 56
3.9.2 過擬合 57
3.9.3 “沒有免費的午餐”定理 58
3.9.4 超參數調整和網格搜索 58
3.10 小結 59

第4章 用於物聯網的深度學習 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 用於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識別手寫數字 84
4.4 遞歸神經網絡 88
4.4.1 長短時記憶網絡 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 用於物聯網的遺傳算法 97
5.1 優化 97
5.1.1 確定與分析方法 99
5.1.2 自然優化方法 101
5.2 遺傳算法概論 103
5.2.1 遺傳算法 104
5.2.2 優點與缺點 106
5.3 使用Python中的分佈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 用於LSTM優化的遺傳算法 117
5.4 小結 120

第6章 用於物聯網的強化學習 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-網絡 132
6.4.1 用Q-網絡解決出租車落客問題 133
6.4.2 用DQN玩Atari遊戲 135
6.4.3 雙DQN 143
6.4.4 決鬥 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遊戲 145
6.5.3 演員–評論家算法 149
6.6 小結 150

第7章 用於物聯網的生成式模型 151
7.1 引言 152
7.2 用VAE生成圖像 152
7.2.1 在TensorFlow中實現VAE 153
7.3 GAN 158
7.3.1 在TensorFlow中實現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 面向物聯網的分佈式人工智能 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 個人物聯網和家庭物聯網 193
9.1 個人物聯網 193
9.1.1 MIT的超級鞋 194
9.1.2 持續血糖監測 195
9.1.3 心律監測器 198
9.1.4 數字助理 200
9.2 物聯網和智能家居 200
9.2.1 人類活動識別 201
9.2.2 智能照明 206
9.2.3 家庭監控 207
9.3 小結 208

第10章 人工智能用於工業物聯網 209
10.1 人工智能工業物聯網簡介 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 使用長短時記憶網絡的預測性維護 212
10.2.2 預測性維護的優缺點 221
10.3 工業用電負荷預測 222
10.3.1 使用LSTM實現STLF 222
10.4 小結 225

第11章 人工智能用於智慧城市物聯網 226
11.1 為什麼需要智慧城市 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網和必要步驟 231
11.3.1 擁有開放數據的城市 232
11.3.2 利用舊金山的犯罪數據來偵查犯罪 234
11.4 挑戰和收益 236
11.5 小結 237

第12章 組合應用 238
12.1 處理不同類型的數據 238
12.1.1 時間序列建模 239
12.1.2 文本數據預處理 243
12.1.3 圖像的數據增強 245
12.1.4 視頻文件處理 247
12.1.5 音頻文件作為輸入數據 248
12.2 雲計算 251
12.2.1 AWS 251
12.2.2 谷歌云平台 252
12.2.3 微軟Azure 252
12.3 小結 252