电子书
内容简介
本书较为全面地论述了机器学习、深度学习、大数据技术与图像处理技术的基本概念、基础原理和基本方法，以农业为应用场景，力求通缩易懂，深入浅出的介绍了与机器学习、深度学习、大数据技术与图像处理技术问题联系密切的内容。全书主要分为4大部分：机器学习、大数据技术和图像处理技术的基础知识；经典的机器学习基本理论和方法，以及深度学习和大数据未来的发展；实践应用；机器学习和人工智能的数学基础与编程基础。
章节目录
- 第1章 绪论
- 1.1 机器学习
- 1.1.1 概述
- 1.1.2 评价准则
- 1.1.3 分类
- 1.1.4 常用工具
- 1.2 大数据
- 1.3 人工智能
- 1.4 图像处理技术
- 第2章 机器学习的理论与方法
- 2.1 回归分析与最小二乘法
- 2.2 聚类
- 2.2.1 简介
- 2.2.2 基本原理
- 2.2.3 常用聚类算法
- 2.3 遗传算法
- 2.3.1 简介
- 2.3.2 基本原理
- 2.3.3 特点与应用
- 2.4 蚁群算法
- 2.4.1 简介
- 2.4.2 基本原理
- 2.4.3 特点与应用
- 2.5 粒子群算法
- 2.5.1 简介
- 2.5.2 基本原理
- 2.5.3 特点与应用
- 2.6 人工神经网络
- 2.6.1 简介
- 2.6.2 神经网络基础
- 2.6.3 BP 神经网络
- 2.6.4 RBF 神经网络
- 2.7 支持向量机
- 2.7.1 简介
- 2.7.2 基本原理
- 2.7.3 特点与应用
- 2.8 隐马尔科夫模型
- 第3章 深度学习理论与方法
- 3.1 简介
- 3.2 常见模型
- 3.2.1 卷积神经网络
- 3.2.2 受限玻尔兹曼机
- 3.2.3 深度信念网络
- 3.2.4 自动编码器
- 3.2.5 降噪自动编码器
- 3.2.6 堆叠降噪自动编码器
- 3.3 应用场景
- 3.4 发展趋势
- 3.4.1 深度集成学习
- 3.4.2 深度强化学习
- 3.4.3 深度迁移学习
- 第4章 大数据处理技术
- 4.1 大数据简介
- 4.1.1 大数据概念与特点
- 4.1.2 大数据类型
- 4.1.3 大数据应用
- 4.2 大数据技术
- 4.2.1 数据获取与预处理技术
- 4.2.2 存储与管理技术
- 4.2.3 分析与挖掘技术
- 4.2.4 可视化技术
- 4.3 大数据处理框架
- 4.3.1 简介
- 4.3.2 Hadoop
- 4.3.3 Spark
- 4.3.4 Storm
- 4.3.5 HBase
- 4.3.6 Hive
- 4.4 大数据面临的挑战
- 4.4.1 数据安全性
- 4.4.2 计算复杂性
- 4.4.3 计算时效性
- 第5章 大数据与智能系统开发——以农业应用为例
- 5.1 农业信息化概述
- 5.1.1 农业信息概念
- 5.1.2 农业信息分类
- 5.1.3 农业信息技术
- 5.2 农业大数据概述
- 5.2.1 农业大数据的概念
- 5.2.2 农业大数据的特点
- 5.2.3 农业大数据的标准
- 5.2.4 农业大数据的发展趋势
- 5.3 农业大数据技术
- 5.3.1 获取与预处理技术
- 5.3.2 存储与集成技术
- 5.3.3 数据挖掘与时空可视化技术
- 5.3.4 发展趋势
- 5.4 农业大数据的机遇、挑战与对策
- 5.4.1 机遇
- 5.4.2 挑战与对策
- 5.5 基于安卓的农业智能
- 5.5.1 简介
- 5.5.2 App 开发步骤
- 5.5.3 农业App
- 第6章 图像处理与分析技术
- 6.1 简介
- 6.1.1 常用术语
- 6.1.2 图像处理与分析基础
- 6.2 图像处理技术在农业中的应用
- 6.2.1 农业图像特点
- 6.2.2 农业应用场景
- 6.3 图像细化算法
- 6.3.1 细化算法原理
- 6.3.2 改进算法
- 第7章 机器学习、大数据技术和图像处理技术的应用——以农业应用为例
- 7.1 随机森林在棉蚜等级预测中的应用
- 7.1.1 随机森林原理
- 7.1.2 随机森林构建
- 7.1.3 袋外数据OOB 和OOB 估计
- 7.1.4 实验结果与分析
- 7.2 基于邻域核函数的局部支持向量机在树木图像分类中的应用
- 7.2.1 邻域核函数
- 7.2.2 基于邻域核函数的局部支持向量机
- 7.2.3 实验结果与分析
- 7.3 局部支持向量回归在小麦蚜虫预测中的应用
- 7.3.1 小麦蚜虫预测原理
- 7.3.2 数据来源与预处理
- 7.3.3 支持向量回归与局部支持向量回归
- 7.3.4 实验结果与分析
- 7.4 深度学习在小麦蚜虫短期预测中的应用
- 7.4.1 数据来源与预处理
- 7.4.2 模型评价指标
- 7.4.3 基于DBN_LSVR 的小麦蚜虫短期预测模型
- 7.4.4 实验结果与分析
- 7.5 基于Spark 的支持向量机在小麦病害图像识别中的应用
- 7.5.1 数据来源与预处理
- 7.5.2 基于Spark 的支持向量机
- 7.5.3 实验结果与分析
- 7.6 Hadoop 平台下基于粒子群的局部支持向量机
- 7.6.1 相关技术及算法
- 7.6.2 改进算法原理
- 7.6.3 MapRuduce 实现
- 7.6.4 改进算法
- 7.6.5 实验结果与分析
- 第8章 Python基础
- 8.1 基础知识
- 8.1.1 Python 安装与使用
- 8.1.2 编码规范
- 8.1.3 模块导入
- 8.1.4 异常处理
- 8.2 语言基础
- 8.2.1 基本数据类型
- 8.2.2 运算符与表达式
- 8.2.3 选择与循环
- 8.2.4 字符串
- 8.2.5 列表、元组与字典
- 8.2.6 正则表达式
- 8.3 函数
- 8.3.1 函数定义
- 8.3.2 函数调用
- 8.3.3 函数参数
- 8.3.4 返回值
- 8.3.5 变量作用域
- 8.4 类
- 8.4.1 类定义
- 8.4.2 类方法
- 8.4.3 继承与多态
- 8.4.4 应用举例
- 8.5 文件
- 8.5.1 打开和关闭
- 8.5.2 读写
- 8.5.3 其他操作
- 8.5.4 目录操作
- 第9章 Python数据处理与机器学习
- 9.1 矩阵计算
- 9.1.1 基础知识
- 9.1.2 应用举例
- 9.2 网络爬虫
- 9.2.1 基础知识
- 9.2.2 应用举例
- 9.3 数据库
- 9.3.1 Sqlite 数据库
- 9.3.2 MySQL 数据库
- 9.4 OpenCV 图像编程
- 9.4.1 图像基础操作
- 9.4.2 图像几何变换
- 9.4.3 图像滤波
- 9.4.4 数学形态学
- 9.4.5 应用举例
- 9.5 数据可视化
- 9.5.1 matplotlib 可视化
- 9.5.2 Plotly 可视化
- 9.6 基于Python 的机器学习算法
- 9.6.1 线性回归
- 9.6.2 Logistic 回归
- 9.6.3 K 近邻算法
- 9.6.4 K 均值聚类
- 9.6.5 决策树
- 9.7 基于Python 的大数据处理技术
- 9.7.1 MapReduce 编程
- 9.7.2 应用举例
- 9.8 Tensorflow 编程
- 9.8.1 简介
- 9.8.2 基础知识
- 9.8.3 应用举例
- 参 考 文 献
展开全部
机器学习与大数据技术是2018年由人民邮电出版社出版,作者牟少敏。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《机器学习与大数据技术》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
