《機器學習與大數據技術》是2018年12月人民郵電出版社出版的圖書，作者是牟少敏。
基本介紹
- 書名：機器學習與大數據技術
- 作者：牟少敏
- ISBN：9787115487711
- 定價：49.8元
- 出版社：人民郵電出版社
- 出版時間：2018年12月
- 裝幀：平裝
- 開本：16開
內容簡介,圖書目錄,
內容簡介
本書較為全面地論述了機器學習、深度學習、大數據技術與圖像處理技術的基本概念、基礎原理和基本方法，以農業為套用場景，力求通縮易懂，深入淺出的介紹了與機器學習、深度學習、大數據技術與圖像處理技術問題聯繫密切的內容。全書主要分為4大部分：機器學習、大數據技術和圖像處理技術的基礎知識；經典的機器學習基本理論和方法，以及深度學習和大數據未來的發展；實踐套用；機器學習和人工智慧的數學基礎與編程基礎。
圖書目錄
第 1章 緒論 1
1.1 機器學習 3
1.1.1概述 3
1.1.2評價準則 4
1.1.3分類 6
1.1.4常用工具 7
1.2 大數據 9
1.3 人工智慧 10
1.4 圖像處理技術 12
第 2章 機器學習理論與方法 13
2.1 回歸分析與最小二乘法 13
2.2聚類 15
2.2.1簡介 15
2.2.2基本原理 15
2.2.3常用聚類算法 17
2.3 遺傳算法 20
2.3.1簡介 20
2.3.2基本原理 21
2.3.3特點與套用 23
2.4 蟻群算法 23
2.4.1簡介 23
2.4.2基本原理 24
2.4.3特點與套用 26
2.5 粒子群算法 27
2.5.1簡介 27
2.5.2基本原理 27
2.5.3特點與套用 28
2.6 人工神經網路 29
2.6.1簡介 29
2.6.2神經網路基礎 31
2.6.3 BP神經網路 37
2.6.4 RBF神經網路 38
2.7支持向量機 40
2.7.1簡介 40
2.7.2基本原理 40
2.7.3特點與套用 46
2.8 隱馬爾科夫模型 46
第3章 深度學習理論與方法 50
3.1 簡介 50
3.2 常見模型 51
3.2.1卷積神經網路 52
3.2.2受限玻爾茲曼機 54
3.2.3深度信念網路 56
3.2.4自動編碼器 57
3.2.5降噪自動編碼器 59
3.2.6堆疊降噪自動編碼器 59
3.3 套用場景 60
3.4 發展趨勢 61
3.4.1深度集成學習 61
3.4.2深度強化學習 62
3.4.3深度遷移學習 63
第4章 大數據處理技術 65
4.1 大數據簡介 65
4.1.1大數據概念與特點 65
4.1.2大數據類型 66
4.1.3大數據套用 67
4.2 大數據技術 68
4.2.1數據獲取與預處理技術 68
4.2.2存儲與管理技術 71
4.2.3分析與挖掘技術 72
4.2.4可視化技術 74
4.3 大數據處理框架 79
4.3.1簡介 79
4.3.2 Hadoop 80
4.3.3 Spark 82
4.3.4 Storm 84
4.3.5 HBase 85
4.3.6 Hive 86
4.4 大數據面臨挑戰 86
4.4.1數據安全性 87
4.4.2計算複雜性 87
4.4.3計算時效性 87
第5章 大數據與智慧型系統開發——以農業套用為例 88
5.1 農業信息化概述 88
5.1.1農業信息概念 88
5.1.2農業信息分類 88
5.1.3農業信息技術 89
5.2 農業大數據概述 89
5.2.1農業大數據概念 89
5.2.2農業大數據特點 90
5.2.3農業大數據標準 90
5.2.4農業大數據發展趨勢 91
5.3 農業大數據技術 92
5.3.1獲取與預處理技術 92
5.3.2存儲與集成技術 95
5.3.3挖掘與可視化技術 95
5.3.4發展趨勢 96
5.4 農業大數據機遇、挑戰與對策 97
5.4.1機遇 97
5.4.2挑戰與對策 97
5.5 基於安卓的農業智慧型 99
5.5.1簡介 99
5.5.2APP開發步驟 100
5.5.3農業APP 101
第6章 圖像處理與分析技術 102
6.1 簡介 102
6.1.1常用術語 102
6.1.2圖像處理與分析基礎 106
6.2 圖像處理技術在農業中的套用 111
6.2.1農業圖像特點 111
6.2.2農業套用場景 111
6.3圖像細化算法 112
6.3.1細化算法原理 112
6.3.2改進算法 114
第7章 機器學習、大數據技術和圖像處理技術的套用——以農業套用為例 118
7.1 簡介 118
7.2 隨機森林在棉蚜等級預測中的套用 118
7.2.1隨機森林原理 118
7.2.2隨機森林構建 119
7.2.3袋外數據OOB和OOB估計 120
7.2.4實驗結果與分析 121
7. 3 基於鄰域核函式的局部支持向量機在樹木圖像分類中的套用 127
7.3.1鄰域核函式 128
7.3.2基於鄰域核函式的局部支持向量機 129
7.3.3實驗結果與分析 129
7.4 局部支持向量回歸在小麥蚜蟲預測中的套用 132
7.4.1小麥蚜蟲預測原理 132
7.4.2數據來源與預處理 132
7.4.3支持向量回歸與局部支持向量回歸 134
7.4.4實驗結果與分析 136
7.5 深度學習在小麥蚜蟲短期預測中的套用 138
7.5.1數據來源與預處理 138
7.5.2模型評價指標 139
7.5.3基於DBN_LSVR的小麥蚜蟲短期預測模型 140
7.5.4實驗結果與分析 141
7.6 基於Spark的支持向量機在小麥病害圖像識別中的套用 143
7.6.1數據來源與預處理 144
7.6.2 基於Spark的支持向量機 149
7.6.3實驗結果與分析 151
7.7 Hadoop平台下基於粒子群的局部支持向量機 153
7.7.1相關技術及算法 154
7.7.2改進算法原理 155
7.7.3 MapRuduce實現 155
7.7.4改進思想 156
7.7.5實驗結果與分析 157
第8章 Python基礎 160
8.1 基礎知識 160
8.1.1Python安裝與使用 160
8.1.2編碼規範 160
8.1.3模組導入 161
8.1.4異常處理 163
8.2 語言基礎 164
8.2.1基本數據類型 164
8.2.2運算符與表達式 166
8.2.3選擇與循環 172
8.2.4字元串 176
8.2.5列表、元組與字典 178
8.2.6正則表達式 187
8.3 函式 190
8.3.1函式定義 190
8.3.2 函式調用 191
8.3.3函式參數 192
8.3.4返回值 195
8.3.5變數作用域 196
8.4 類 197
8.4.1類定義 197
8.4.2類方法 198
8.4.3繼承與多態 199
8.4.4套用舉例 199
8.5 檔案 206
8.5.1打開和關閉 206
8.5.2讀寫 207
8.5.3其他操作 208
8.5.4操作 209
第9章 Python數據處理與機器學習 210
9.1 矩陣計算 210
9.1.1基礎知識 210
9.1.2套用舉例 218
9.2 網路爬蟲 222
9.2.1基礎知識 222
9.2.2套用舉例 226
9.3 資料庫 226
9.3.1 Sqlite資料庫 226
9.3.2 MySQL資料庫 228
9.4 OpenCV圖像編程 230
9.4.1圖像基礎操作 230
9.4.2圖像幾何變換 231
9.4.3圖像濾波 233
9.4.4數學形態學 235
9.4.5套用舉例 236
9.5 數據可視化 237
9.5.1 matplotlib可視化 237
9.5.2 plotly可視化 238
9.6 基於Python機器學習算法 240
9.6.1線性回歸 240
9.6.2 Logistic回歸 242
9.6.3 K近鄰算法 245
9.6.4 K均值聚類 247
9.6.5決策樹 250
9.7 基於Python大數據處理技術 255
9.7.1 MapReduce編程 255
9.7.2 套用舉例 256
9.8 Tensorflow編程 256
9.8.1簡介 256
9.8.2基礎知識 258
9.8.3套用舉例 260
參考文獻 261
