掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
物聯(lián)網(wǎng)深度學習 版權(quán)信息
- ISBN：9787302570790
- 條形碼：9787302570790 ; 978-7-302-57079-0
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
物聯(lián)網(wǎng)深度學習 本書特色
在物聯(lián)網(wǎng)(Internet of Things，IoT)時代，大量的傳感設(shè)備會隨著時間的推移而收集并生成各種傳感數(shù)據(jù)，以用于各種應用。這些數(shù)據(jù)主要由基于應用的大型、快速和實時流組成。與此類大數(shù)據(jù)或數(shù)據(jù)流相關(guān)分析的使用對于學習新信息、預測未來見解，以及做出明智的決定至關(guān)重要，這使得物聯(lián)網(wǎng)成為一種有價值的商業(yè)模式和提高生活質(zhì)量的技術(shù)。 本書將詳細介紹被稱為深度學習(Deep Learning，DL)的高級機器學習技術(shù)，它可以促進各種物聯(lián)網(wǎng)應用中的數(shù)據(jù)分析和學習。本書的實際用例涉及數(shù)據(jù)收集、分析、建模和模型的性能評估，以及各種物聯(lián)網(wǎng)應用和部署的設(shè)置，基本上涵蓋了每個實現(xiàn)的全部過程。 借助TensorFlow、Keras和Chainer的強大功能，使用深度學習技術(shù)來分析和理解物聯(lián)網(wǎng)生成的大數(shù)據(jù)和實時數(shù)據(jù)流。
物聯(lián)網(wǎng)深度學習 內(nèi)容簡介
《物聯(lián)網(wǎng)深度學習 》詳細闡述了與物聯(lián)網(wǎng)深度學習相關(guān)的基本解決方案，主要包括物聯(lián)網(wǎng)生態(tài)系統(tǒng)、物聯(lián)網(wǎng)深度學習技術(shù)和框架、物聯(lián)網(wǎng)中的圖像識別、物聯(lián)網(wǎng)中的音頻/語音/聲音識別、物聯(lián)網(wǎng)中的室內(nèi)定位、物聯(lián)網(wǎng)中的生理和心理狀態(tài)檢測、物聯(lián)網(wǎng)安全、物聯(lián)網(wǎng)的預測性維護、醫(yī)療物聯(lián)網(wǎng)中的深度學習等內(nèi)容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關(guān)方案的實現(xiàn)過程。 本書適合作為高等院校計算機及相關(guān)專業(yè)的教材和教學參考書，也可作為相關(guān)開發(fā)人員的自學教材和參考手冊。
物聯(lián)網(wǎng)深度學習 目錄
第1篇 物聯(lián)網(wǎng)生態(tài)系統(tǒng)、深度學習技術(shù)和架構(gòu)
第1章 物聯(lián)網(wǎng)生態(tài)系統(tǒng)
1.1 物聯(lián)網(wǎng)的端到端生命周期
1.1.1 三層物聯(lián)網(wǎng)端到端生命周期
1.1.2 五層物聯(lián)網(wǎng)端到端生命周期
1.1.3 物聯(lián)網(wǎng)系統(tǒng)架構(gòu)
1.2 物聯(lián)網(wǎng)應用領(lǐng)域
1.3 在物聯(lián)網(wǎng)中分析的重要性
1.4 在物聯(lián)網(wǎng)數(shù)據(jù)分析中使用深度學習技術(shù)的動機
1.5 物聯(lián)網(wǎng)數(shù)據(jù)的關(guān)鍵特征和要求
1.5.1 快速和流式物聯(lián)網(wǎng)數(shù)據(jù)的真實示例
1.5.2 物聯(lián)網(wǎng)大數(shù)據(jù)的現(xiàn)實示例
1.6 小結(jié)
1.7 參考資料
第2章 物聯(lián)網(wǎng)深度學習技術(shù)和框架
2.1 機器學習簡介
2.1.1 學習算法的工作原理
2.1.2 機器學習的一般經(jīng)驗法則
2.1.3 機器學習模型中的一般問題
2.2 機器學習任務
2.2.1 監(jiān)督學習
2.2.2 無監(jiān)督學習
2.2.3 強化學習
2.2.4 學習類型及其應用
2.3 深度學習深入研究
2.4 人工神經(jīng)網(wǎng)絡(luò)
2.4.1 人工神經(jīng)網(wǎng)絡(luò)與人腦
2.4.2 人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史
2.4.3 人工神經(jīng)網(wǎng)絡(luò)的學習原理
2.5 神經(jīng)網(wǎng)絡(luò)架構(gòu)
2.5.1 深度神經(jīng)網(wǎng)絡(luò)
2.5.2 自動編碼器
2.5.3 卷積神經(jīng)網(wǎng)絡(luò)
2.5.4 循環(huán)神經(jīng)網(wǎng)絡(luò)
2.5.5 新興架構(gòu)
2.5.6 執(zhí)行聚類分析的神經(jīng)網(wǎng)絡(luò)
2.6 物聯(lián)網(wǎng)的深度學習框架和云平臺
2.7 小結(jié)
第2篇 物聯(lián)網(wǎng)深度學習應用開發(fā)
第3章 物聯(lián)網(wǎng)中的圖像識別
3.1 物聯(lián)網(wǎng)應用和圖像識別
3.2 用例一：基于圖像的自動故障檢測
3.3 用例二：基于圖像的智能固體垃圾分離
3.4 物聯(lián)網(wǎng)中用于圖像識別的遷移學習
3.5 物聯(lián)網(wǎng)應用中用于圖像識別的卷積神經(jīng)網(wǎng)絡(luò)
3.6 收集用例一的數(shù)據(jù)
3.7 收集用例二的數(shù)據(jù)
3.8 數(shù)據(jù)預處理
3.9 模型訓練
3.10 評估模型
3.10.1 模型性能（用例一）
3.10.2 模型性能（用例二）
3.11 小結(jié)
3.12 參考資料
第4章 物聯(lián)網(wǎng)中的音頻/語音/聲音識別
4.1 物聯(lián)網(wǎng)的語音/聲音識別
4.2 用例一：語音控制的智能燈
4.3 用例二：語音控制的家庭門禁系統(tǒng)
4.4 用于物聯(lián)網(wǎng)中聲音/音頻識別的深度學習
4.4.1 ASR系統(tǒng)模型
4.4.2 自動語音識別中的特征提取
4.4.3 用于自動語音識別的深度學習模型
4.5 物聯(lián)網(wǎng)應用中用于語音識別的CNN和遷移學習
4.6 收集數(shù)據(jù)
4.7 數(shù)據(jù)預處理
4.8 模型訓練
4.9 評估模型
4.9.1 模型性能（用例一）
4.9.2 模型性能（用例二）
4.10 小結(jié)
4.11 參考資料
第5章 物聯(lián)網(wǎng)中的室內(nèi)定位
5.1 室內(nèi)定位概述
5.1.1 室內(nèi)定位技術(shù)
5.1.2 指紋識別
5.2 基于深度學習的物聯(lián)網(wǎng)室內(nèi)定位
5.2.1 k*近鄰（k-NN）分類器
5.2.2 自動編碼器分類器
5.3 用例：使用WiFi指紋進行室內(nèi)定位
5.3.1 數(shù)據(jù)集說明
5.3.2 網(wǎng)絡(luò)建設(shè)
5.3.3 實現(xiàn)
5.4 部署技術(shù)
5.5 小結(jié)
第6章 物聯(lián)網(wǎng)中的生理和心理狀態(tài)檢測
6.1 基于物聯(lián)網(wǎng)的人類生理和心理狀態(tài)檢測
6.2 用例一：遠程理療進度監(jiān)控
6.3 用例二：基于物聯(lián)網(wǎng)的智能教室
6.4 物聯(lián)網(wǎng)中人類活動和情感檢測的深度學習架構(gòu)
6.4.1 自動人類活動識別系統(tǒng)
6.4.2 自動化的人類情緒檢測系統(tǒng)
6.4.3 用于人類活動識別和情緒檢測的深度學習模型
6.5 物聯(lián)網(wǎng)應用中的HAR/FER和遷移學習
6.6 數(shù)據(jù)收集
6.7 數(shù)據(jù)瀏覽
6.8 數(shù)據(jù)預處理
6.9 模型訓練
6.9.1 用例一
6.9.2 用例二
6.10 模型評估
6.10.1 模型性能（用例一）
6.10.2 模型性能（用例二）
6.11 小結(jié)
6.12 參考資料
第7章 物聯(lián)網(wǎng)安全
7.1 物聯(lián)網(wǎng)中的安全攻擊和檢測
7.2 用例一：物聯(lián)網(wǎng)中的智能主機入侵檢測
7.3 用例二：物聯(lián)網(wǎng)中基于流量的智能網(wǎng)絡(luò)入侵檢測
7.4 用于物聯(lián)網(wǎng)安全事件檢測的深度學習技術(shù)
7.5 數(shù)據(jù)收集
7.5.1 CPU利用率數(shù)據(jù)
7.5.2 KDD cup 1999 IDS數(shù)據(jù)集
7.5.3 數(shù)據(jù)瀏覽
7.6 數(shù)據(jù)預處理
7.7 模型訓練
7.7.1 用例一
7.7.2 用例二
7.8 模型評估
7.8.1 模型性能（用例一）
7.8.2 模型性能（用例二）
7.9 小結(jié)
7.10 參考資料
第3篇 物聯(lián)網(wǎng)高級分析
第8章 物聯(lián)網(wǎng)的預測性維護
8.1 關(guān)于物聯(lián)網(wǎng)的預測性維護
8.1.1 在工業(yè)環(huán)境中收集物聯(lián)網(wǎng)數(shù)據(jù)
8.1.2 用于預測性維護的機器學習技術(shù)
8.2 用例：飛機燃氣渦輪發(fā)動機的預測性維護
8.2.1 數(shù)據(jù)集說明
8.2.2 探索性分析
8.2.3 檢查故障模式
8.2.4 預測挑戰(zhàn)
8.3 用于預測剩余使用壽命的深度學習技術(shù)
8.3.1 計算截止時間
8.3.2 深度特征合成
8.3.3 機器學習基準
8.3.4 做出預測
8.3.5 用長短期記憶網(wǎng)絡(luò)改進平均絕對誤差
8.3.6 無監(jiān)督學習的深度特征合成
8.4 常見問題
8.5 小結(jié)
第9章 醫(yī)療物聯(lián)網(wǎng)中的深度學習
9.1 物聯(lián)網(wǎng)和醫(yī)療保健應用
9.2 用例一：慢性病的遠程管理
9.3 用例二：用于痤瘡檢測和護理的物聯(lián)網(wǎng)
9.4 物聯(lián)網(wǎng)醫(yī)療保健應用的深度學習模型
9.5 數(shù)據(jù)收集
9.5.1 用例一
9.5.2 用例二
9.6 數(shù)據(jù)瀏覽
9.6.1 心電圖數(shù)據(jù)集
9.6.2 痤瘡數(shù)據(jù)集
9.7 數(shù)據(jù)預處理
9.8 模型訓練
9.8.1 用例一
9.8.2 用例二
9.9 模型評估
9.9.1 模型性能（用例一）
9.9.2 模型性能（用例二）
9.10 小結(jié)
9.11 參考資料
第10章 挑戰(zhàn)和未來
10.1 本書用例概述
10.2 深度學習解決方案在資源受限的物聯(lián)網(wǎng)設(shè)備中的部署挑戰(zhàn)
10.2.1 機器學習/深度學習觀點
10.2.2 深度學習的限制
10.2.3 物聯(lián)網(wǎng)設(shè)備、邊緣/霧計算和云平臺
10.3 在資源受限的物聯(lián)網(wǎng)設(shè)備中支持深度學習技術(shù)的現(xiàn)有解決方案
10.4 潛在的未來解決方案
10.5 小結(jié)
10.6 參考資料
展開全部
物聯(lián)網(wǎng)深度學習 作者簡介
穆罕默德·阿巴杜爾·拉扎克（Mohammad Abdur Razzaque）博士是英國提賽德大學計算機與數(shù)字技術(shù)學院的高級講師。他在分布式系統(tǒng)（物聯(lián)網(wǎng)、P2P網(wǎng)絡(luò)和云計算）方面擁有超過14年的研發(fā)和教學經(jīng)驗，并且非常熟悉網(wǎng)絡(luò)安全方面的知識。他是端到端（從傳感器到云）物聯(lián)網(wǎng)解決方案的專家，并一直在提供物聯(lián)網(wǎng)解決方案和企業(yè)中機器學習技術(shù)使用方面的咨詢服務。此外，他還在這些領(lǐng)域成功發(fā)表了65篇以上的研究論文。 他擁有都柏林大學計算機科學和信息學院的分布式系統(tǒng)（P2P無線傳感器網(wǎng)絡(luò)、移動自組織網(wǎng)絡(luò)）博士學位（2008年）。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
回憶愛瑪儂
- >
莉莉和章魚
- >
自卑與超越
- >
經(jīng)典常談
- >
詩經(jīng)-先民的歌唱
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
