3dwoo大學簡體電腦書店
物聯網深度學習
( 簡體 字)
作者:[印] 穆罕默德·阿巴杜爾·拉扎克 著 類別:1. -> 程式設計 -> 物聯網
譯者:郝艷杰 譯
出版社:清華大學出版社物聯網深度學習 3dWoo書號: 54296
詢問書籍請說出此書號!
有庫存
NT售價: 545
出版日:2/1/2021
頁數:257
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 字 )
ISBN:9787302570790 加入購物車加到我的最愛 (請先登入會員)
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證, 繁體書的下載亦請直接連絡出版社)
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征和要求 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云平臺 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:基于圖像的自動故障檢測 55
3.3用例二:基于圖像的智能固體垃圾分離 57
3.4物聯網中用于圖像識別的遷移學習 59
3.5物聯網應用中用于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用于物聯網中聲音/音頻識別的深度學習 89
4.4.1ASR系統模型 89
4.4.2自動語音識別中的特征提取 90
4.4.3用于自動語音識別的深度學習模型 91
4.5物聯網應用中用于語音識別的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基于深度學習的物聯網室內定位 110
5.2.1k最近鄰(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基于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:基于物聯網的智能教室 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用于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:物聯網中基于流量的智能網絡入侵檢測 167
7.4用于物聯網安全事件檢測的深度學習技術 169
7.5數據收集 171
7.5.1CPU利用率數據 171
7.5.2KDDcup1999IDS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關于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用于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用于預測剩余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深度特征合成 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進平均絕對誤差 210
8.3.6無監督學習的深度特征合成 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:用于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/霧計算和云平臺 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
《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。
在物聯網(Internet of Things,IoT)時代,大量的傳感設備會隨著時間的推移而收集并生成各種傳感數據,以用于各種應用。這些數據主要由基于應用的大型、快速和實時流組成。與此類大數據或數據流相關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重要,這使得物聯網成為一種有價值的商業模式和提高生活質量的技術。
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,它可以促進各種物聯網應用中的數據分析和學習。本書的實際用例涉及數據收集、分析、建模和模型的性能評估,以及各種物聯網應用和部署的設置,基本上涵蓋了每個實現的全部過程。
通過這些實際用例,讀者將了解到如何訓練卷積神經網絡(CNN),以開發基于圖像的道路故障檢測和智能固體垃圾分離的應用程序,以及實現由語音啟動的智能燈光控制和由循環神經網絡(RNN)驅動的家庭門禁系統。讀者將了解到如何使用自動編碼器和長短期記憶(LSTM)網絡掌握室內定位、預測性維護技術和用于大型醫院的設備定位的物聯網應用等。此外,讀者還將學習到具有增強的物聯網安全性的醫療保健物聯網應用程序的開發技術。
總之,在閱讀完本書之后,相信讀者會對為具有物聯網功能的設備開發復雜的深度學習應用有較為深入的理解,站在新技術騰飛的起點上。
最后我們想說的是,本書以模塊化形式編寫,因此讀者完全可以直接翻到自己感興趣的內容或想要完成的實際用例進行閱讀,當然也可以通讀全書以激發自己的靈感。謝謝!祝你閱讀愉快!
本書讀者
本書適用于希望借助TensorFlow、Keras和Chainer的強大功能,使用深度學習技術來分析和理解物聯網生成的大數據和實時數據流的讀者。如果你想構建自己廣泛的物聯網應用,使它們可以有效運行,并且可以對未來明智決策進行預測,那么本書就是你需要的!因此,本書主要面向的是物聯網應用開發人員、數據分析人員,以及在復雜的數值計算方面沒有太多的知識背景,但是卻很想知道深度學習的真正含義的深度學習愛好者。

內容介紹
本書采用了模塊化編寫形式,全書共分為3篇10章。
? 第1篇為“物聯網生態系統、深度學習技術和框架”,包括第1章和第2章。
? 第1章“物聯網生態系統”,將討論物聯網的端到端生命周期及其相關概念和組成部分,以及需要在物聯網中使用深度學習的物聯網數據的關鍵特征和問題。此外,本章還將討論物聯網中分析的重要性以及在數據分析中使用深度學習的動機。
? 第2章“物聯網深度學習技術和框架”,將詳細闡釋深度學習框架和平臺的基本概念,它們在后面的所有章節中都是有用的。本章首先將簡要介紹機器學習(ML);然后,將轉到深度學習,它是機器學習的一個分支,并基于一組試圖對數據中的高級抽象建模的算法;接著本章將簡要討論一些廣泛使用的神經網絡框架;最后,我們將探討深度學習框架和庫的各種功能,這些功能將用于在支持物聯網的設備上開發深度學習應用程序。
? 第2篇為“物聯網深度學習應用開發”,包括第3~7章。
? 第3章“物聯網中的圖像識別”,將介紹物聯網中圖像數據處理應用程序的開發。在本章的第一部分中,將簡要描述不同的物聯網應用及其基于圖像檢測的決策。此外,本章還將簡要討論兩種物聯網應用程序及其在實際場景中基于圖像檢測的實現。在本章的第二部分中,將詳細介紹使用深度學習算法的圖像檢測應用的實現。
? 第4章“物聯網中的音頻/語音/聲音識別”,在本章的第一部分中,將介紹不同的物聯網應用及其基于音頻/語音識別的決策。此外,本章還將簡要討論兩個物聯網應用以及它們在實際場景中的基于語音/語音識別的實現。在本章的第二部分中,將詳細介紹使用深度學習算法的音頻/語音檢測應用的實現。
? 第5章“物聯網中的室內定位”,將通過一個用例,討論如何將深度學習技術用于物聯網應用中的室內定位。本章將討論如何從設備中收集數據,例如通過使用深度學習模型分析WiFi指紋數據來預測設備或用戶在室內環境中的位置。此外,本章還將討論物聯網環境中室內定位服務的一些部署設置。
? 第6章“物聯網中的生理和心理狀態檢測”,將介紹常用于物聯網應用的基于深度學習的人類生理和心理狀態檢測技術。本章的第一部分基于生理和心理狀態的檢測將簡要描述不同的物聯網應用及其決策能力。此外,本章還將簡要討論兩個物聯網應用程序,以及它們在實際場景中的基于生理和心理狀態檢測的實現。在本章的第二部分中,將詳細介紹使用深度學習算法的生理和心理狀態檢測應用的實現。
? 第7章“物聯網安全”,將詳細介紹基于深度學習的網絡和設備的行為數據分析,以及一般物聯網應用的安全事件檢測技術。本章的第一部分將簡要介紹各種物聯網安全攻擊及其潛在的檢測技術,包括基于深度學習/機器學習的攻擊。此外,本章還將詳細討論兩個物聯網用例,在這些用例中,可以通過基于深度學習的異常檢測技術來智能地自動檢測安全攻擊(例如DoS攻擊和DDoS)。在本章的第二部分中,將提供兩個基于深度學習的安全事件檢測用例相應的實現。
? 第3篇為“物聯網高級分析”,包括第8~10章。
? 第8章“物聯網的預測性維護”,將介紹如何使用Turbofan Engine Degradation Simulation(渦扇發動機退化模擬)數據集為物聯網的預測性維護開發深度學習解決方案。預測性維護的思想是確定是否可以預測各種類型的故障模式。本章還將討論如何從具有物聯網功能的設備中收集數據以進行預測性維護。
? 第9章“醫療物聯網中的深度學習”,將從總體上介紹基于深度學習的醫療物聯網解決方案。本章的第一部分將簡要介紹物聯網在醫療保健中的不同應用,然后將詳細討論兩個用例,它們都是可以通過深度學習改進醫療服務或支持醫療服務自動化的物聯網解決方案。在本章的第二部分中,將詳細介紹這兩個用例中基于深度學習的醫療事件或疾病檢測部分的實現經驗。
? 第10章“挑戰和未來”,將對前幾章的內容進行總結。然后,將討論現有深度學習技術在資源有限的物聯網設備和嵌入式物聯網環境的開發和實現中面臨的主要挑戰以及示例。最后,本章還將總結許多現有解決方案,并指出某些問題可能的解決方向,這些方向的發展可以填補基于深度學習的物聯網分析的現有空白。
充分利用本書
本書用例中模型的訓練是在PC上完成的,作者的PC配置為Intel Xenon CPU E5-1650 v3@3.5 GHz和32 GB RAM(具有GPU支持),所以,讀者應該擁有不低于該配置的PC和Raspberry Pi 3平臺。此外,讀者還應該具有一些Python及其庫的基本知識,例如pandas、NumPy、Keras、TensorFlow、scikit-learn、Matplotlib、Seaborn、OpenCV和Beautiful Soup 4等,這將有助于理解本書中的所有概念。
下載示例代碼文件
讀者可訪問www.packtpub.com以下載本書的示例代碼文件。具體步驟如下:
(1)登錄或注冊。
(2)選擇Support(支持)選項卡。
(3)單擊Code Downloads & Errata(代碼下載和勘誤表)。
(4)在Search(搜索)框中輸入圖書名稱Hands-On Deep Learning for IoT,然后按照屏幕上的說明進行操作。
下載文件后,請確保使用最新版本解壓縮或解壓縮文件夾:
? WinRAR/7-Zip(Windows系統)
? Zipeg/iZip/UnRarX(Mac系統)
? 7-Zip/PeaZip(Linux系統)
該書的代碼包也已經在GitHub上托管

如果代碼有更新,則也會在現有GitHub存儲庫上更新。
下載彩色圖像
由于黑白印刷的緣故,本書部分圖片可能難以辨識顏色差異,為此我們提供了一個PDF文件,其中包含本書使用的屏幕截圖/圖表的彩色圖像。
本書約定
本書中使用了許多文本約定。
(1)CodeInText:表示文本中的代碼字、數據庫表名、文件夾名、文件名、文件擴展名、路徑名、虛擬URL、用戶輸入和Twitter句柄等。以下段落就是一個示例:

對于開發人員來說,如果想要輕松完成任務,則可以考慮使用pandas_profiling庫。

(2)有關代碼塊的設置如下:

# 導入所需的模塊
import urllib
from bs4 import BeautifulSoup
from selenium import webdriver
import os, os.path
import simplejson

(3)當希望引起讀者對代碼塊的特定部分的注意時,相關的行或項目以粗體顯示。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)任何命令行輸入或輸出都采用如下所示的粗體代碼形式:

$ mkdir css
$ cd css

(5)本書還使用了以下兩個圖標:
表示警告或重要的注意事項。
表示提示或小技巧。
pagetop