商品簡介
本書重點闡述利用機器學習、深度學習、自然語言處理等多種方法，以及當前流行的Python庫——Tensorflow和Keras構建實時數據的智能物聯網IOT系統。還給出了工業物聯網、智能城市和家庭自動化等物聯網主要應用領域的實際案例。
名人推薦
融合人工智能和物聯網兩大熱點技術，將人工智能的優越方法應用到物聯網的構建中，形成更加智能的物聯網系統
序
本書旨在使讀者能夠構建支持人工智能的物聯網應用程序。隨著物聯網設備的普及，許多應用程序使用數據科學工具來分析所產生的TB量級數據。但是，這些應用程序不足以應對物聯網數據中不斷涌現的新模式帶來的挑戰。本書涵蓋人工智能理論和實踐的各個方面，讀者可以利用這些知識通過實施人工智能技術來使他們的物聯網解決方案變得更加智能。
本書首先介紹人工智能和物聯網設備的基礎知識，以及如何從各種數據源和信息流中讀取物聯網數據。然後通過TensorFlow、scikit-learn和Keras三個實例講解實現人工智能的各種方法。本書涵蓋的主題包括機器學習、深度學習、遺傳算法、強化學習和生成對抗網絡，並且向讀者展示了如何使用分布式技術和在云上實現人工智能。一旦讀者熟悉了人工智能技術，書中就會針對物聯網設備生成和處理的不同類型數據，如時間序列、圖像、音頻、視頻、文本和語音，介紹各種相關的技術。
在解釋了針對各種物聯網數據的人工智能技術之後，本書最後與讀者分享了一些與四大類物聯網——個人物聯網、家庭物聯網、工業物聯網和智能城市物聯網解決方案有關的案例研究。
本書受眾
本書受眾：他們對物聯網應用程序開發和Python有基本了解，並希望通過應用人工智能技術使其物聯網應用程序更智能。可能包括以下人員：
已經知道如何構建物聯網系統的物聯網從業者，但現在他們希望實施人工智能技術使其物聯網解決方案變得智能。
一直在使用物聯網平臺進行分析的數據科學從業者，但現在他們希望從物聯網分析過渡到物聯網AI，從而使物聯網解決方案更智能。
希望為智能物聯網設備開發基於人工智能的解決方案的軟件工程師。
希望將智能帶入產品中的嵌入式系統工程師。
本書內容
第1章介紹了物聯網、人工智能和數據科學的基本概念。該章最後介紹本書將使用的工具和數據集。
第2章介紹從各種數據源（如文件、數據庫、分布式數據存儲和流數據）訪問數據的多種方法。
第3章涵蓋機器學習的各個方面，如用於物聯網的有監督學習、無監督學習和強化學習。該章最後介紹提高模型性能的提示和技巧。
第4章探討深度學習的各個方面，如用於物聯網的MLP、CNN、RNN和自編碼器，同時還介紹深度學習的各種框架。
第5章討論優化和不同的進化技術在優化問題中的應用，重點介紹遺傳算法。
第6章介紹強化學習的概念，如策略梯度和Q–網絡，還介紹如何使用TensorFlow實現深度Q-網絡，以及一些可以應用強化學習的很酷的現實問題。
第7章介紹對抗學習和生成學習的概念，以及如何使用TensorFlow實現GAN、DCGAN和CycleGAN，最後介紹它們的實際應用程序。
第8章介紹如何在物聯網應用程序的分布式模式下利用機器學習。
第9章討論一些令人興奮的個人和家庭物聯網應用。
第10章解釋如何將本書介紹的概念應用到兩個具有工業物聯網數據的案例研究中。
第11章解釋如何將本書介紹的概念應用於智能城市生成的物聯網數據。
第12章討論如何在將文本、圖像、視頻和音頻數據提供給模型之前對其進行預處理，並介紹時間序列數據。
下載示例代碼文件
本書的示例代碼文件托管在GitHub上，感興趣的讀者可以下載，並使用GitHub提供的Jupyter筆記本進行練習。
本書約定
黑體表示新術語、重要詞匯。例如“堆棧的下面是設備層，也稱為感知層”。
警告或重要說明。
提示和技巧。
目次
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
11 什麼是物聯網 1
111 物聯網參考模型 3
112 物聯網平臺 4
113 物聯網垂直領域 4
12 大數據和物聯網 5
13 人工智能的注入：物聯網中的數據科學 6
131 數據挖掘跨行業標準流程 7
132 人工智能平臺和物聯網平臺 8
14 本書使用的工具 9
141 TensorFlow 9
142 Keras 10
143 數據集 11
15 小結 13
第2章 面向物聯網的數據訪問和分布式處理 14
21 TXT格式 14
211 使用Python讀寫TXT文件 15
22 CSV格式 16
221 使用csv模塊讀寫CSV文件 16
222 使用pandas模塊讀寫CSV文件 18
223 使用NumPy模塊讀寫CSV文件 20
23 XLSX格式 20
231 使用OpenPyXl模塊讀寫XLSX文件 21
232 使用pandas模塊讀寫XLSX文件 22
24 JSON格式 22
241 使用JSON模塊讀寫JSON文件 22
242 使用pandas模塊讀寫JSON文件 23
25 HDF5格式 24
251 使用PyTables模塊讀寫HDF5文件 24
252 使用pandas模塊讀寫HDF5文件 25
253 使用h5py模塊讀寫HDF5文件 26
26 SQL數據 27
261 SQLite數據庫引擎 27
262 MySQL數據庫引擎 29
27 NoSQL數據 29
28 HDFS分布式文件系統 31
281 使用hdfs3模塊操作HDFS 31
282 使用PyArrow 的文件系統接口操作HDFS 32
29 小結 32
第3章 用於物聯網的機器學習 33
31 機器學習與物聯網 33
32 學習範式 34
33 用線性回歸進行預測 35
331 用回歸預測電力輸出 36
34 分類的邏輯回歸 39
341 交叉熵損失函數 40
342 用邏輯回歸分類葡萄酒 40
35 用支持向量機分類 42
351 最大間隔分類超平面 43
352 核技巧 44
353 用SVM分類葡萄酒 45
36 樸素貝葉斯分類器 47
361 用高斯樸素貝葉斯分類器評估葡萄酒質量 47
37 決策樹 49
371 scikit 中的決策樹 51
372 決策樹實踐 52
38 集成學習 54
381 投票分類器 54
382 bagging與pasting 55
39 改進模型的竅門與技巧 56
391 特征縮放以解決不均勻的數據尺度 56
392 過擬合 57
393 “沒有免費的午餐”定理 58
394 超參數調整和網格搜索 58
310 小結 59
第4章 用於物聯網的深度學習 60
41 深度學習基礎 60
411 深度學習為何如此流行 62
412 人工神經元 62
413 在TensorFlow中建模單個神經元 67
42 用於回歸和分類任務的多層感知器 71
421 反向傳播算法 72
422 使用TensorFlow中的MLP進行電力輸出預測 74
423 使用TensorFlow中的MLP進行葡萄酒質量分類 77
43 卷積神經網絡 80
431 CNN中的不同層 80
432 一些流行的CNN模型 83
433 用LeNet識別手寫數字 84
44 遞歸神經網絡 88
441 長短時記憶網絡 90
442 門控遞歸單元 93
45 自編碼器 94
451 去噪自編碼器 95
452 變分自編碼器 95
46 小結 96
第5章 用於物聯網的遺傳算法 97
51 優化 97
511 確定與分析方法 99
512 自然優化方法 101
52 遺傳算法概論 103
521 遺傳算法 104
522 優點與缺點 106
53 使用Python中的分布式進化算法編寫遺傳算法代碼 107
531 猜詞 107
532 CNN架構的遺傳算法 111
533 用於LSTM優化的遺傳算法 117
54 小結 120
第6章 用於物聯網的強化學習 121
61 引言 121
611 強化學習術語 122
612 成功案例 125
62 仿真環境 126
621 OpenAI gym 127
63 Q-學習 129
631 用Q-表解決出租車落客問題 130
64 Q-網絡 132
641 用Q-網絡解決出租車落客問題 133
642 用DQN玩Atari遊戲 135
643 雙DQN 143
644 決斗 DQN 143
65 策略梯度 144
651 為何使用策略梯度 145
652 使用策略梯度玩Pong遊戲 145
653 演員–評論家算法 149
66 小結 150
第7章 用於物聯網的生成式模型 151
71 引言 152
72 用VAE生成圖像 152
721 在TensorFlow中實現VAE 153
73 GAN 158
731 在TensorFlow中實現vanilla GAN 159
732 深度卷積GAN 163
733 GAN的變體及其應用 168
74 小結 170
第8章 面向物聯網的分布式人工智能 171
81 引言 171
811 Spark組件 172
82 Apache MLlib 173
821 MLlib中的回歸 173
822 MLlib中的分類 177
823 使用SparkDL的遷移學習 179
83 H2Oai簡介 183
831 H2O AutoML 184
832 H2O中的回歸 184
833 H2O中的分類 189
84 小結 191
第9章 個人物聯網和家庭物聯網 193
91 個人物聯網 193
911 MIT的超級鞋 194
912 持續血糖監測 195
913 心律監測器 198
914 數字助理 200
92 物聯網和智能家居 200
921 人類活動識別 201
922 智能照明 206
923 家庭監控 207
93 小結 208
第10章 人工智能用於工業物聯網 209
101 人工智能工業物聯網簡介 209
1011 一些有趣的用例 210
102 使用人工智能進行預測性維護 211
1021 使用長短時記憶網絡的預測性維護 212
1022 預測性維護的優缺點 221
103 工業用電負荷預測 222
1031 使用LSTM實現STLF 222
104 小結 225
第11章 人工智能用於智能城市物聯網 226
111 為什麼需要智能城市 226
112 智能城市的組成部分 227
1121 智能交通管理 228
1122 智能停車 228
1123 智能垃圾管理 229
1124 智能警務 230
1125 智能照明 230
1126 智能治理 231
113 適應智能城市的物聯網和必要步驟 231
1131 擁有開放數據的城市 232
1132 利用舊金山的犯罪數據來偵查犯罪 234
114 挑戰和收益 236
115 小結 237
第12章 組合應用 238
121 處理不同類型的數據 238
1211 時間序列建模 239
1212 文本數據預處理 243
1213 圖像的數據增強 245
1214 視頻文件處理 247
1215 音頻文件作為輸入數據 248
122 云計算 251
1221 AWS 251
1222 谷歌云平臺 252
1223 微軟Azure 252
123 小結 252
