│ 3ds Max│ Maya│ Rhino│ After Effects│ SketchUp│ ZBrush│ Painter│ Unity│
│ PhotoShop│ AutoCad│ MasterCam│ SolidWorks│ Creo│ UG│ Revit│ Nuke│
│ C#│ C│ C++│ Java│ 遊戲程式│ Linux│ 嵌入式│ PLC│ FPGA│ Matlab│
│ 駭客│ 資料庫│ 搜索引擎│ 影像處理│ Fluent│ VR+AR│ ANSYS│ 深度學習│
│ 單晶片│ AVR│ OpenGL│ Arduino│ Raspberry Pi│ 電路設計│ Cadence│ Protel│
│ Hadoop│ Python│ Stm32│ Cortex│ Labview│ 手機程式│ Android│ iPhone│
可查書名,作者,ISBN,3dwoo書號 目前顯示有庫存 顯示全部書籍 詳細書籍分類

當大數據遇見物聯網——智能決策解決之道 ( 簡體 字)
作者：（美）喬喬 · 莫雷伊 著	類別：1. -> 程式設計 -> 大數據 　　　2. -> 程式設計 -> 物聯網
譯者：王勝夏 譯
出版社：清華大學出版社	3dWoo書號： 50728 詢問書籍請說出此書號！ 【缺書】 NT售價： 545 元
出版日：3/1/2019
頁數：305
光碟數：0
站長推薦：
印刷：黑白印刷	語系： ( 簡體 版 )
	加入購物車 │加到我的最愛 (請先登入會員)
ISBN：9787302516538
作者序　|　譯者序　|　前言　|　內容簡介　|　目錄　|　序
(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)
作者序：
譯者序：
前言：
內容簡介： 本書詳細闡述了與大數據、物聯網、決策科學開發相關的基本解決方案，主要包括物聯網和決策科學、物聯網體系結構和用例設計、決策科學在物聯網中的應用、機器學習、預測性分析等內容。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章物聯網和決策科學1 1.1了解物聯網2 1.2揭秘M2M、物聯網、工業物聯網和萬物互聯3 1.3深入挖掘物聯網的邏輯堆棧5 1.3.1人6 1.3.2流程7 1.3.3物8 1.3.4數據9 1.4問題的生命周期9 1.5問題的全貌12 1.6解決問題的技術17 1.6.1跨學科方法18 1.6.2問題的體系18 1.7問題解決框架20 1.8小結23 第2章物聯網問題體系研究和用例設計25 2.1資產互聯和運營互聯25 2.1.1物與智能之物的互聯26 2.1.2一個現實生活的場景：資產互聯28 2.1.3運營互聯—下一場革命30 2.2解析商業用例32 2.2.1解析問題33 2.2.2研究和收集背景信息34 2.2.3根據數據可用性對假設優先排序和構建38 2.2.4驗證和改進假設（重復步驟（2）和（3））39 2.2.5吸收結果并呈現解決方案40 2.3感知相關的潛在問題41 2.4設計啟發法驅動的假設矩陣41 2.5小結42 第3章探索性決策科學在物聯網中的應用內容和原因45 3.1識別有用數據做出決策45 3.1.1查驗假設的數據來源46 3.1.2解決問題時的數據探查工作47 3.1.3特征探索57 3.1.4了解數據全貌58 3.2通過數據（單變量）探索物聯網生態系統各個維度61 3.2.1數據顯示了什么61 3.2.2探索先前產品……66 3.2.3本節小結72 3.3研究數據關系72 3.3.1相關性是什么73 3.3.2探索階段1的數據維度78 3.4探索性數據分析84 3.4.1那么，應該如何驗證發現85 3.4.2假設檢驗是如何起作用的85 3.4.3驗證假設—類別187 3.4.4卡方檢驗的原理是什么87 3.4.5驗證假設—類別291 3.4.6驗證假設—類別396 3.4.7假設—類別4100 3.4.8探索性數據分析階段小結102 3.5根本原因分析102 3.5.1綜合結果103 3.5.2可視化洞見105 3.5.3將故事拼接形成完整的解決方案106 3.5.4結論107 3.6小結108 第4章預測性分析在物聯網中的應用109 4.1重新探查問題—接下來是什么109 4.2線性回歸—預測連續結果111 4.2.1預測性分析拉開序幕111 4.2.2解決預測問題111 4.2.3解釋回歸結果115 4.2.4殘差、多元R平方、殘差標準誤差和修正后的R平方118 4.2.5改進預測模型119 4.3決策樹127 4.3.1了解決策樹128 4.3.2用決策樹進行預測建模133 4.4Logistic回歸—預測一個分類結果142 4.4.1什么是Logistic回歸143 4.4.2Logistic回歸是如何工作的144 4.4.3扼要概述模型的解釋154 4.4.4改進分類模型154 4.5小結167 第5章利用機器學習增強物聯網預測性分析169 5.1機器學習簡介169 5.1.1什么是集成建模170 5.1.2為什么要選擇集成模型170 5.1.3一個集成模型究竟是如何工作的171 5.2集成建模—隨機森林174 5.2.1什么是隨機森林174 5.2.2如何在R語言中構建隨機森林176 5.3集成建模—XGBoost186 5.4神經網絡與深度學習193 5.5匯總結果208 5.5.1快速回顧208 5.5.2從預測建模練習取得的結果209 5.5.3需要注意的幾點209 5.6小結209 第6章決策科學結合物聯網的分析速成211 6.1搭建問題的背景信息211 6.1.1真正的問題212 6.1.2接下來做什么212 6.2解析問題并設計方法213 6.2.1構建一個SCQ（即情景-沖突-疑問）方案213 6.2.2研究213 6.2.3太陽能領域的背景信息215 6.2.4設計方法216 6.2.5研究數據全貌217 6.3探索性數據分析與特征工程218 6.3.1能量消耗和能量產生相比結果如何224 6.3.2電池228 6.3.3負載230 6.3.4逆變器232 6.3.5從數據探索練習中學習233 6.3.6簡單概括所有的發現和學習收獲233 6.3.7解決問題234 6.3.8特征工程235 6.4構建用例的預測模型242 6.5匯總解決方案249 6.6小結249 第7章規范性科學與決策251 7.1應用一種分層方法和各種測試控制方法戰勝業務問題251 7.1.1規范性分析的定義251 7.1.2解決一個規范性分析用例253 7.1.3用規范性的方式去解決用例261 7.2連接問題體系中的各個點264 7.3撰寫故事—了解問題體系中相互關聯的問題267 7.3.1第一步—即時措施268 7.3.2第二步—未來措施268 7.4實施解決方案270 7.5小結270 第8章物聯網顛覆性創新273 8.1邊緣計算/霧計算（Edgecomputing/Fogcomputing）273 8.2認知計算—非結構化數據的顛覆性智能278 8.2.1認知計算是如何工作的279 8.2.2認知計算應用在哪些場景中281 8.2.3故事場景281 8.2.4最重要的問題是，所有這些是如何發生的282 8.3下一代機器人和基因組學283 8.3.1機器人—與物聯網、機器學習、邊緣計算和認知計算共享光明 未來283 8.3.2基因組學285 8.3.3基因組學與物聯網的關系286 8.4自動駕駛汽車287 8.4.1愿景和靈感287 8.4.2自動駕駛汽車的工作原理287 8.4.3是否遺漏了什么289 8.4.4車輛對環境289 8.4.5車輛對車輛289 8.4.6車輛對基礎設施290 8.4.7自動駕駛汽車的未來290 8.5物聯網的隱私和安全291 8.5.1漏洞291 8.5.2完整性291 8.5.3隱私292 8.5.4軟件基礎設施292 8.5.5硬件基礎設施292 8.5.6協議基礎結構293 8.6小結293 第9章物聯網的光明前景295 9.1物聯網商業模式—資產或設備即服務295 9.1.1動機296 9.1.2資產即服務模式的現實生活用例297 9.1.3這個商業模式如何幫助企業298 9.1.4利用決策科學增強資產即服務模式300 9.2智能手表—醫療保健物聯網的助推器300 9.2.1決策科學在醫療保健數據中的應用302 9.2.2結語303 9.3智能醫療保健—人類互聯到智能人類303 9.4從汽車互聯向智能汽車演變305 9.4.1智能加油助手306 9.4.2預測性保養306 9.4.3自主運輸306 9.4.4結束語307 9.5小結307
序：