《物联网深度学习》 - [印] 穆罕默德·阿巴杜尔·拉扎克著，郝艳杰译 - 清华大学出版社 - 香港大書城

	登入帳戶　 \|　訂單查詢　 \|　購物車/收銀台(0)　\|　在線留言板　 \|　付款方式　 \|　運費計算　 \|　聯絡我們　 \|　幫助中心　\|　加入書簽
		會員登入新用戶登記

HOME

新書上架

暢銷書架

好書推介

2023年度TOP

臺灣用戶

品種：超過100萬種各類書籍/音像和精品，正品正價，放心網購，悭钱省心

服務：香港／台灣／澳門／海外

送貨：速遞／郵局／服務站

新書上架：簡體書繁體書
暢銷書架：簡體書繁體書
好書推介：簡體書繁體書

『簡體書』物联网深度学习

書城自編碼： 3608169
分類：簡體書→大陸圖書→計算機/網絡→人工智能
作者： [印] 穆罕默德·阿巴杜尔·拉扎克著，郝艳杰译
國際書號(ISBN)： 9787302570790
出版社：清华大学出版社
出版日期： 2021-02-01

頁數/字數： /
書度/開本： 16开釘裝：平装

售價：HK$ 136.3

我要買件

** 我創建的書架 **
未登入.

新書推薦：

《当代精神分析新论》
售價：HK$ 94.6

《宋初三先生集（中国思想史资料丛刊）》
售價：HK$ 217.8

《定言命令式：康德道德哲学研究（政治哲学名著译丛）》
售價：HK$ 129.8

《棕榈油的全球史：从奴隶船到购物篮》
售價：HK$ 96.8

《简帛时代与早期中国思想世界（上下册）（王中江著作系列）》
售價：HK$ 308.0

《进化主义在中国的兴起（王中江著作系列）》
售價：HK$ 209.0

《不废风雅生活的意趣（汪曾祺风雅意趣妙文）》
售價：HK$ 61.6

《东亚世界形成史论（新版）》
售價：HK$ 107.8

編輯推薦：

內容簡介：

《物联网深度学习》详细阐述了与物联网深度学习相关的基本解决方案，主要包括物联网生态系统、物联网深度学习技术和框架、物联网中的图像识别、物联网中的音频语音声音识别、物联网中的室内定位、物联网中的生理和心理状态检测、物联网安全、物联网的预测性维护、医疗物联网中的深度学习等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。

第1篇物联网生态系统、深度学习技术和架构
第1章物联网生态系统 3
1.1 物联网的端到端生命周期 3
1.1.1 三层物联网端到端生命周期 4
1.1.2 五层物联网端到端生命周期 5
1.1.3 物联网系统架构 5
1.2 物联网应用领域 8
1.3 在物联网中分析的重要性 9
1.4 在物联网数据分析中使用深度学习技术的动机 9
1.5 物联网数据的关键特征和要求 10
1.5.1 快速和流式物联网数据的真实示例 13
1.5.2 物联网大数据的现实示例 14
1.6 小结 15
1.7 参考资料 15
第2章物联网深度学习技术和框架 17
2.1 机器学习简介 17
2.1.1 学习算法的工作原理 18
2.1.2 机器学习的一般经验法则 19
2.1.3 机器学习模型中的一般问题 20
2.2 机器学习任务 21
2.2.1 监督学习 21
2.2.2 无监督学习 23
2.2.3 强化学习 24
2.2.4 学习类型及其应用 25
2.3 深度学习深入研究 26
2.4 人工神经网络 29
2.4.1 人工神经网络与人脑 29
2.4.2 人工神经网络发展简史 30
2.4.3 人工神经网络的学习原理 32
2.5 神经网络架构 37
2.5.1 深度神经网络 37
2.5.2 自动编码器 39
2.5.3 卷积神经网络 40
2.5.4 循环神经网络 41
2.5.5 新兴架构 42
2.5.6 执行聚类分析的神经网络 45
2.6 物联网的深度学习框架和云平台 46
2.7 小结 48
第2篇物联网深度学习应用开发
第3章物联网中的图像识别 53
3.1 物联网应用和图像识别 53
3.2 用例一：基于图像的自动故障检测 55
3.3 用例二：基于图像的智能固体垃圾分离 57
3.4 物联网中用于图像识别的迁移学习 59
3.5 物联网应用中用于图像识别的卷积神经网络 60
3.6 收集用例一的数据 63
3.7 收集用例二的数据 69
3.8 数据预处理 70
3.9 模型训练 71
3.10 评估模型 73
3.10.1 模型性能（用例一） 73
3.10.2 模型性能（用例二） 77
3.11 小结 80
3.12 参考资料 80
第4章物联网中的音频语音声音识别 83
4.1 物联网的语音声音识别 83
4.2 用例一：语音控制的智能灯 85
4.3 用例二：语音控制的家庭门禁系统 87
4.4 用于物联网中声音音频识别的深度学习 89
4.4.1 ASR系统模型 89
4.4.2 自动语音识别中的特征提取 90
4.4.3 用于自动语音识别的深度学习模型 91
4.5 物联网应用中用于语音识别的CNN和迁移学习 92
4.6 收集数据 92
4.7 数据预处理 100
4.8 模型训练 100
4.9 评估模型 102
4.9.1 模型性能（用例一） 103
4.9.2 模型性能（用例二） 104
4.10 小结 106
4.11 参考资料 106
第5章物联网中的室内定位 109
5.1 室内定位概述 109
5.1.1 室内定位技术 109
5.1.2 指纹识别 110
5.2 基于深度学习的物联网室内定位 110
5.2.1 k最近邻（k-NN）分类器 111
5.2.2 自动编码器分类器 113
5.3 用例：使用WiFi指纹进行室内定位 115
5.3.1 数据集说明 115
5.3.2 网络建设 116
5.3.3 实现 117
5.4 部署技术 128
5.5 小结 130
第6章物联网中的生理和心理状态检测 131
6.1 基于物联网的人类生理和心理状态检测 131
6.2 用例一：远程理疗进度监控 133
6.3 用例二：基于物联网的智能教室 135
6.4 物联网中人类活动和情感检测的深度学习架构 136
6.4.1 自动人类活动识别系统 136
6.4.2 自动化的人类情绪检测系统 137
6.4.3 用于人类活动识别和情绪检测的深度学习模型 138
6.5 物联网应用中的HARFER和迁移学习 139
6.6 数据收集 140
6.7 数据浏览 143
6.8 数据预处理 148
6.9 模型训练 149
6.9.1 用例一 150
6.9.2 用例二 150
6.10 模型评估 153
6.10.1 模型性能（用例一） 154
6.10.2 模型性能（用例二） 155
6.11 小结 158
6.12 参考资料 158
第7章物联网安全 161
7.1 物联网中的安全攻击和检测 161
7.2 用例一：物联网中的智能主机入侵检测 165
7.3 用例二：物联网中基于流量的智能网络入侵检测 167
7.4 用于物联网安全事件检测的深度学习技术 169
7.5 数据收集 171
7.5.1 CPU利用率数据 171
7.5.2 KDD cup 1999 IDS数据集 173
7.5.3 数据浏览 174
7.6 数据预处理 175
7.7 模型训练 179
7.7.1 用例一 179
7.7.2 用例二 179
7.8 模型评估 181
7.8.1 模型性能（用例一） 182
7.8.2 模型性能（用例二） 183
7.9 小结 186
7.10 参考资料 186
第3篇物联网高级分析
第8章物联网的预测性维护 191
8.1 关于物联网的预测性维护 191
8.1.1 在工业环境中收集物联网数据 192
8.1.2 用于预测性维护的机器学习技术 192
8.2 用例：飞机燃气涡轮发动机的预测性维护 196
8.2.1 数据集说明 197
8.2.2 探索性分析 197
8.2.3 检查故障模式 201
8.2.4 预测挑战 203
8.3 用于预测剩余使用寿命的深度学习技术 204
8.3.1 计算截止时间 204
8.3.2 深度特征合成 205
8.3.3 机器学习基准 206
8.3.4 做出预测 209
8.3.5 用长短期记忆网络改进平均绝对误差 210
8.3.6 无监督学习的深度特征合成 214
8.4 常见问题 219
8.5 小结 219
第9章医疗物联网中的深度学习 221
9.1 物联网和医疗保健应用 221
9.2 用例一：慢性病的远程管理 224
9.3 用例二：用于痤疮检测和护理的物联网 226
9.4 物联网医疗保健应用的深度学习模型 228
9.5 数据收集 231
9.5.1 用例一 231
9.5.2 用例二 233
9.6 数据浏览 234
9.6.1 心电图数据集 234
9.6.2 痤疮数据集 234
9.7 数据预处理 235
9.8 模型训练 235
9.8.1 用例一 236
9.8.2 用例二 238
9.9 模型评估 239
9.9.1 模型性能（用例一） 240
9.9.2 模型性能（用例二） 243
9.10 小结 244
9.11 参考资料 245
第10章挑战和未来 247
10.1 本书用例概述 247
10.2 深度学习解决方案在资源受限的物联网设备中的部署挑战 249
10.2.1 机器学习深度学习观点 249
10.2.2 深度学习的限制 251
10.2.3 物联网设备、边缘雾计算和云平台 252
10.3 在资源受限的物联网设备中支持深度学习技术的现有解决方案 254
10.4 潜在的未来解决方案 255
10.5 小结 256
10.6 参考资料 256

內容試閱：

在物联网（Internet of Things，IoT）时代，大量的传感设备会随着时间的推移而收集并生成各种传感数据，以用于各种应用。这些数据主要由基于应用的大型、快速和实时流组成。与此类大数据或数据流相关分析的使用对于学习新信息、预测未来见解，以及做出明智的决定至关重要，这使得物联网成为一种有价值的商业模式和提高生活质量的技术。
本书将详细介绍被称为深度学习（Deep Learning，DL）的高级机器学习技术，它可以促进各种物联网应用中的数据分析和学习。本书的实际用例涉及数据收集、分析、建模和模型的性能评估，以及各种物联网应用和部署的设置，基本上涵盖了每个实现的全部过程。
通过这些实际用例，读者将了解到如何训练卷积神经网络（CNN），以开发基于图像的道路故障检测和智能固体垃圾分离的应用程序，以及实现由语音启动的智能灯光控制和由循环神经网络（RNN）驱动的家庭门禁系统。读者将了解到如何使用自动编码器和长短期记忆（LSTM）网络掌握室内定位、预测性维护技术和用于大型医院的设备定位的物联网应用等。此外，读者还将学习到具有增强的物联网安全性的医疗保健物联网应用程序的开发技术。
总之，在阅读完本书之后，相信读者会对为具有物联网功能的设备开发复杂的深度学习应用有较为深入的理解，站在新技术腾飞的起点上。
最后我们想说的是，本书以模块化形式编写，因此读者完全可以直接翻到自己感兴趣的内容或想要完成的实际用例进行阅读，当然也可以通读全书以激发自己的灵感。谢谢！祝你阅读愉快！
本书读者
本书适用于希望借助TensorFlow、Keras和Chainer的强大功能，使用深度学习技术来分析和理解物联网生成的大数据和实时数据流的读者。如果你想构建自己广泛的物联网应用，使它们可以有效运行，并且可以对未来明智决策进行预测，那么本书就是你需要的！因此，本书主要面向的是物联网应用开发人员、数据分析人员，以及在复杂的数值计算方面没有太多的知识背景，但是却很想知道深度学习的真正含义的深度学习爱好者。
内容介绍
本书采用了模块化编写形式，全书共分为3篇10章。
第1篇为物联网生态系统、深度学习技术和框架，包括第1章和第2章。
第1章物联网生态系统，将讨论物联网的端到端生命周期及其相关概念和组成部分，以及需要在物联网中使用深度学习的物联网数据的关键特征和问题。此外，本章还将讨论物联网中分析的重要性以及在数据分析中使用深度学习的动机。
第2章物联网深度学习技术和框架，将详细阐释深度学习框架和平台的基本概念，它们在后面的所有章节中都是有用的。本章首先将简要介绍机器学习（ML）；然后，将转到深度学习，它是机器学习的一个分支，并基于一组试图对数据中的高级抽象建模的算法；接着本章将简要讨论一些广泛使用的神经网络框架；最后，我们将探讨深度学习框架和库的各种功能，这些功能将用于在支持物联网的设备上开发深度学习应用程序。
第2篇为物联网深度学习应用开发，包括第3～7章。
第3章物联网中的图像识别，将介绍物联网中图像数据处理应用程序的开发。在本章的第一部分中，将简要描述不同的物联网应用及其基于图像检测的决策。此外，本章还将简要讨论两种物联网应用程序及其在实际场景中基于图像检测的实现。在本章的第二部分中，将详细介绍使用深度学习算法的图像检测应用的实现。
第4章物联网中的音频语音声音识别，在本章的第一部分中，将介绍不同的物联网应用及其基于音频语音识别的决策。此外，本章还将简要讨论两个物联网应用以及它们在实际场景中的基于语音语音识别的实现。在本章的第二部分中，将详细介绍使用深度学习算法的音频语音检测应用的实现。
第5章物联网中的室内定位，将通过一个用例，讨论如何将深度学习技术用于物联网应用中的室内定位。本章将讨论如何从设备中收集数据，例如通过使用深度学习模型分析WiFi指纹数据来预测设备或用户在室内环境中的位置。此外，本章还将讨论物联网环境中室内定位服务的一些部署设置。
第6章物联网中的生理和心理状态检测，将介绍常用于物联网应用的基于深度学习的人类生理和心理状态检测技术。本章的第一部分基于生理和心理状态的检测将简要描述不同的物联网应用及其决策能力。此外，本章还将简要讨论两个物联网应用程序，以及它们在实际场景中的基于生理和心理状态检测的实现。在本章的第二部分中，将详细介绍使用深度学习算法的生理和心理状态检测应用的实现。
第7章物联网安全，将详细介绍基于深度学习的网络和设备的行为数据分析，以及一般物联网应用的安全事件检测技术。本章的第一部分将简要介绍各种物联网安全攻击及其潜在的检测技术，包括基于深度学习机器学习的攻击。此外，本章还将详细讨论两个物联网用例，在这些用例中，可以通过基于深度学习的异常检测技术来智能地自动检测安全攻击（例如DoS攻击和DDoS）。在本章的第二部分中，将提供两个基于深度学习的安全事件检测用例相应的实现。
第3篇为物联网高级分析，包括第8～10章。
第8章物联网的预测性维护，将介绍如何使用Turbofan Engine Degradation Simulation（涡扇发动机退化模拟）数据集为物联网的预测性维护开发深度学习解决方案。预测性维护的思想是确定是否可以预测各种类型的故障模式。本章还将讨论如何从具有物联网功能的设备中收集数据以进行预测性维护。
第9章医疗物联网中的深度学习，将从总体上介绍基于深度学习的医疗物联网解决方案。本章的第一部分将简要介绍物联网在医疗保健中的不同应用，然后将详细讨论两个用例，它们都是可以通过深度学习改进医疗服务或支持医疗服务自动化的物联网解决方案。在本章的第二部分中，将详细介绍这两个用例中基于深度学习的医疗事件或疾病检测部分的实现经验。
第10章挑战和未来，将对前几章的内容进行总结。然后，将讨论现有深度学习技术在资源有限的物联网设备和嵌入式物联网环境的开发和实现中面临的主要挑战以及示例。最后，本章还将总结许多现有解决方案，并指出某些问题可能的解决方向，这些方向的发展可以填补基于深度学习的物联网分析的现有空白。
充分利用本书
本书用例中模型的训练是在PC上完成的，作者的PC配置为Intel Xenon CPU E5-1650 v3@3.5 GHz和32 GB RAM（具有GPU支持），所以，读者应该拥有不低于该配置的PC和Raspberry Pi 3平台。此外，读者还应该具有一些Python及其库的基本知识，例如pandas、NumPy、Keras、TensorFlow、scikit-learn、Matplotlib、Seaborn、OpenCV和Beautiful Soup 4等，这将有助于理解本书中的所有概念。
下载示例代码文件
读者可访问www.packtpub.com以下载本书的示例代码文件。具体步骤如下：
（1）登录或注册www.packtpub.com。
（2）选择Support（支持）选项卡。
（3）单击Code Downloads & Errata（代码下载和勘误表）。
（4）在Search（搜索）框中输入图书名称Hands-On Deep Learning for IoT，然后按照屏幕上的说明进行操作。
下载文件后，请确保使用最新版本解压缩或解压缩文件夹：
WinRAR7-Zip（Windows系统）
ZipegiZipUnRarX（Mac系统）
7-ZipPeaZip（Linux系统）
该书的代码包也已经在GitHub上托管，对应的网址如下：
https：github.comPacktPublishingHands-On-Deep-Learning-for-IoT
如果代码有更新，则也会在现有GitHub存储库上更新。
下载彩色图像
由于黑白印刷的缘故，本书部分图片可能难以辨识颜色差异，为此我们提供了一个PDF文件，其中包含本书使用的屏幕截图图表的彩色图像。读者可以通过以下地址下载：
https：www.packtpub.comsitesdefaultfilesdownloads9781789616132_ColorImages.pdf
本书约定
本书中使用了许多文本约定。
（1）CodeInText：表示文本中的代码字、数据库表名、文件夹名、文件名、文件扩展名、路径名、虚拟URL、用户输入和Twitter句柄等。以下段落就是一个示例：
对于开发人员来说，如果想要轻松完成任务，则可以考虑使用pandas_profiling库。有关该库的详细信息，请访问以下网址：
https：github.compandas-profilingpandas-profiling
（2）有关代码块的设置如下：
# 导入所需的模块
import urllib
from bs4 import BeautifulSoup
from selenium import webdriver
import os, os.path
import simplejson
（3）当希望引起读者对代码块的特定部分的注意时，相关的行或项目以粗体显示。示例如下：
import pandas as pd
import numpy as np
import tensorflow as tf
from sklearn.preprocessing import scale
from keras.models import Sequential
（4）任何命令行输入或输出都采用如下所示的粗体代码形式：
$ mkdir css
$ cd css
（5）本书还使用了以下两个图标：
表示警告或重要的注意事项。
表示提示或小技巧。

書城介紹　 \|　合作申請　\|　索要書目　 \|　新手入門　\|　聯絡方式　 \|　幫助中心　\|　找書說明　 \|　送貨方式　\|　付款方式	香港用户　 \|　台灣用户　\|　海外用户

	megBook.com.hk
Copyright © 2013 - 2024 （香港）大書城有限公司　 All Rights Reserved.