物聯網深度學習檢視原始碼討論檢視歷史
 |
《物聯網深度學習》，[印] 穆罕默德·阿巴杜爾·拉扎克 著 郝艷傑 譯 著，出版社： 清華大學出版社。
清華大學出版社成立於1980年6月，是教育部主管、清華大學主辦的綜合性大學出版社[1]。清華社先後榮獲 「先進高校出版社」「全國優秀出版社」「全國百佳圖書出版單位」「中國版權最具影響力企業」「首屆全國教材建設獎全國教材建設先進集體」等榮譽[2]。
內容簡介
《物聯網深度學習 》詳細闡述了與物聯網深度學習相關的基本解決方案，主要包括物聯網生態系統、物聯網深度學習技術和框架、物聯網中的圖像識別、物聯網中的音頻/語音/聲音識別、物聯網中的室內定位、物聯網中的生理和心理狀態檢測、物聯網安全、物聯網的預測性維護、醫療物聯網中的深度學習等內容。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方案的實現過程。 本書適合作為高等院校計算機及相關專業的教材和教學參考書，也可作為相關開發人員的自學教材和參考手冊。
目錄
第1篇 物聯網生態系統、深度學習技術和架構
第1章 物聯網生態系統 3
1.1 物聯網的端到端生命周期 3
1.1.1 三層物聯網端到端生命周期 4
1.1.2 五層物聯網端到端生命周期 5
1.1.3 物聯網系統架構 5
1.2 物聯網應用領域 8
1.3 在物聯網中分析的重要性 9
1.4 在物聯網數據分析中使用深度學習技術的動機 9
1.5 物聯網數據的關鍵特徵和要求 10
1.5.1 快速和流式物聯網數據的真實示例 13
1.5.2 物聯網大數據的現實示例 14
1.6 小結 15
1.7 參考資料 15
第2章 物聯網深度學習技術和框架 17
2.1 機器學習簡介 17
2.1.1 學習算法的工作原理 18
2.1.2 機器學習的一般經驗法則 19
2.1.3 機器學習模型中的一般問題 20
2.2 機器學習任務 21
2.2.1 監督學習 21
2.2.2 無監督學習 23
2.2.3 強化學習 24
2.2.4 學習類型及其應用 25
2.3 深度學習深入研究 26
2.4 人工神經網絡 29
2.4.1 人工神經網絡與人腦 29
2.4.2 人工神經網絡發展簡史 30
2.4.3 人工神經網絡的學習原理 32
2.5 神經網絡架構 37
2.5.1 深度神經網絡 37
2.5.2 自動編碼器 39
2.5.3 卷積神經網絡 40
2.5.4 循環神經網絡 41
2.5.5 新興架構 42
2.5.6 執行聚類分析的神經網絡 45
2.6 物聯網的深度學習框架和雲平台 46
2.7 小結 48
第2篇 物聯網深度學習應用開發
第3章 物聯網中的圖像識別 53
3.1 物聯網應用和圖像識別 53
3.2 用例一：基於圖像的自動故障檢測 55
3.3 用例二：基於圖像的智能固體垃圾分離 57
3.4 物聯網中用於圖像識別的遷移學習 59
3.5 物聯網應用中用於圖像識別的卷積神經網絡 60
3.6 收集用例一的數據 63
3.7 收集用例二的數據 69
3.8 數據預處理 70
3.9 模型訓練 71
3.10 評估模型 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 小結 80
3.12 參考資料 80
第4章 物聯網中的音頻/語音/聲音識別 83
4.1 物聯網的語音/聲音識別 83
4.2 用例一：語音控制的智能燈 85
4.3 用例二：語音控制的家庭門禁系統 87
4.4 用於物聯網中聲音/音頻識別的深度學習 89
4.4.1 ASR系統模型 89
4.4.2 自動語音識別中的特徵提取 90
4.4.3 用於自動語音識別的深度學習模型 91
4.5 物聯網應用中用於語音識別的CNN和遷移學習 92
4.6 收集數據 92
4.7 數據預處理 100
4.8 模型訓練 100
4.9 評估模型 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 小結 106
4.11 參考資料 106
第5章 物聯網中的室內定位 109
5.1 室內定位概述 109
5.1.1 室內定位技術 109
5.1.2 指紋識別 110
5.2 基於深度學習的物聯網室內定位 110
5.2.1 k近鄰（k-NN）分類器 111
5.2.2 自動編碼器分類器 113
5.3 用例：使用WiFi指紋進行室內定位 115
5.3.1 數據集說明 115
5.3.2 網絡建設 116
5.3.3 實現 117
5.4 部署技術 128
5.5 小結 130
第6章 物聯網中的生理和心理狀態檢測 131
6.1 基於物聯網的人類生理和心理狀態檢測 131
6.2 用例一：遠程理療進度監控 133
6.3 用例二：基於物聯網的智能教室 135
6.4 物聯網中人類活動和情感檢測的深度學習架構 136
6.4.1 自動人類活動識別系統 136
6.4.2 自動化的人類情緒檢測系統 137
6.4.3 用於人類活動識別和情緒檢測的深度學習模型 138
6.5 物聯網應用中的HAR/FER和遷移學習 139
6.6 數據收集 140
6.7 數據瀏覽 143
6.8 數據預處理 148
6.9 模型訓練 149
6.9.1 用例一 150
6.9.2 用例二 150
6.10 模型評估 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 小結 158
6.12 參考資料 158
第7章 物聯網安全 161
7.1 物聯網中的安全攻擊和檢測 161
7.2 用例一：物聯網中的智能主機入侵檢測 165
7.3 用例二：物聯網中基於流量的智能網絡入侵檢測 167
7.4 用於物聯網安全事件檢測的深度學習技術 169
7.5 數據收集 171
7.5.1 CPU利用率數據 171
7.5.2 KDD cup 1999 IDS數據集 173
7.5.3 數據瀏覽 174
7.6 數據預處理 175
7.7 模型訓練 179
7.7.1 用例一 179
7.7.2 用例二 179
7.8 模型評估 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 小結 186
7.10 參考資料 186
第3篇 物聯網高級分析
第8章 物聯網的預測性維護 191
8.1 關於物聯網的預測性維護 191
8.1.1 在工業環境中收集物聯網數據 192
8.1.2 用於預測性維護的機器學習技術 192
8.2 用例：飛機燃氣渦輪發動機的預測性維護 196
8.2.1 數據集說明 197
8.2.2 探索性分析 197
8.2.3 檢查故障模式 201
8.2.4 預測挑戰 203
8.3 用於預測剩餘使用壽命的深度學習技術 204
8.3.1 計算截止時間 204
8.3.2 深度特徵合成 205
8.3.3 機器學習基準 206
8.3.4 做出預測 209
8.3.5 用長短期記憶網絡改均誤差 210
8.3.6 無監督學習的深度特徵合成 214
8.4 常見問題 219
8.5 小結 219
第9章 醫療物聯網中的深度學習 221
9.1 物聯網和醫療保健應用 221
9.2 用例一：慢性病的遠程管理 224
9.3 用例二：用於痤瘡檢測和護理的物聯網 226
9.4 物聯網醫療保健應用的深度學習模型 228
9.5 數據收集 231
9.5.1 用例一 231
9.5.2 用例二 233
9.6 數據瀏覽 234
9.6.1 心電圖數據集 234
9.6.2 痤瘡數據集 234
9.7 數據預處理 235
9.8 模型訓練 235
9.8.1 用例一 236
9.8.2 用例二 238
9.9 模型評估 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 小結 244
9.11 參考資料 245
第10章 挑戰和未來 247
10.1 本書用例概述 247
10.2 深度學習解決方案在資源受限的物聯網設備中的部署挑戰 249
10.2.1 機器學習/深度學習觀點 249
10.2.2 深度學習的限制 251
10.2.3 物聯網設備、邊緣/霧計算和雲平台 252
10.3 在資源受限的物聯網設備中支持深度學習技術的現有解決方案 254
10.4 潛在的未來解決方案 255
10.5 小結 256
10.6 參考資料 256
參考文獻
- ↑ 我國出版社的等級劃分和分類標準，知網出書，2021-03-01
- ↑ 企業簡介，清華大學出版社有限公司