大数据创新人才培养系列 机器学习与大数据技术PDF|Epub|txt|kindle电子书版本网盘下载

大数据创新人才培养系列 机器学习与大数据技术PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 机器学习3

1.1.1 概述3

1.1.2 评价准则3

1.1.3 分类5

1.1.4 常用工具6

1.2 大数据8

1.3 人工智能8

1.4 图像处理技术10

第2章 机器学习的理论与方法11

2.1 回归分析与最小二乘法11

2.2 聚类12

2.2.1 简介12

2.2.2 基本原理13

2.2.3 常用聚类算法14

2.3 遗传算法17

2.3.1 简介17

2.3.2 基本原理17

2.3.3 特点与应用18

2.4 蚁群算法19

2.4.1 简介19

2.4.2 基本原理19

2.4.3 特点与应用21

2.5 粒子群算法21

2.5.1 简介21

2.5.2 基本原理21

2.5.3 特点与应用23

2.6 人工神经网络23

2.6.1 简介23

2.6.2 神经网络基础24

2.6.3 BP神经网络29

2.6.4 RBF神经网络30

2.7 支持向量机31

2.7.1 简介31

2.7.2 基本原理31

2.7.3 特点与应用35

2.8 隐马尔科夫模型36

第3章 深度学习理论与方法39

3.1 简介39

3.2 常见模型40

3.2.1 卷积神经网络41

3.2.2 受限玻尔兹曼机42

3.2.3 深度信念网络44

3.2.4 自动编码器45

3.2.5 降噪自动编码器45

3.2.6 堆叠降噪自动编码器46

3.3 应用场景47

3.4 发展趋势47

3.4.1 深度集成学习47

3.4.2 深度强化学习48

3.4.3 深度迁移学习48

第4章 大数据处理技术50

4.1 大数据简介50

4.1.1 大数据概念与特点50

4.1.2 大数据类型51

4.1.3 大数据应用52

4.2 大数据技术52

4.2.1 数据获取与预处理技术52

4.2.2 存储与管理技术55

4.2.3 分析与挖掘技术56

4.2.4 可视化技术56

4.3 大数据处理框架61

4.3.1 简介61

4.3.2 Hadoop62

4.3.3 Spark64

4.3.4 Storm65

4.3.5 HBase66

4.3.6 Hive66

4.4 大数据面临的挑战67

4.4.1 数据安全性67

4.4.2 计算复杂性67

4.4.3 计算时效性67

第5章 大数据与智能系统开发——以农业应用为例68

5.1 农业信息化概述68

5.1.1 农业信息概念68

5.1.2 农业信息分类69

5.1.3 农业信息技术69

5.2 农业大数据概述69

5.2.1 农业大数据的概念69

5.2.2 农业大数据的特点70

5.2.3 农业大数据的标准70

5.2.4 农业大数据的发展趋势70

5.3 农业大数据技术71

5.3.1 获取与预处理技术71

5.3.2 存储与集成技术73

5.3.3 数据挖掘与时空可视化技术74

5.3.4 发展趋势74

5.4 农业大数据的机遇、挑战与对策75

5.4.1 机遇75

5.4.2 挑战与对策75

5.5 基于安卓的农业智能76

5.5.1 简介76

5.5.2 App开发步骤77

5.5.3 农业App78

第6章 图像处理与分析技术79

6.1 简介79

6.1.1 常用术语79

6.1.2 图像处理与分析基础83

6.2 图像处理技术在农业中的应用86

6.2.1 农业图像特点86

6.2.2 农业应用场景87

6.3 图像细化算法88

6.3.1 细化算法原理88

6.3.2 改进算法89

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92

7.1 随机森林在棉蚜等级预测中的应用92

7.1.1 随机森林原理92

7.1.2 随机森林构建93

7.1.3 袋外数据OOB和OOB估计94

7.1.4 实验结果与分析94

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98

7.2.1 邻域核函数99

7.2.2 基于邻域核函数的局部支持向量机100

7.2.3 实验结果与分析101

7.3 局部支持向量回归在小麦蚜虫预测中的应用102

7.3.1 小麦蚜虫预测原理103

7.3.2 数据来源与预处理103

7.3.3 支持向量回归与局部支持向量回归104

7.3.4 实验结果与分析106

7.4 深度学习在小麦蚜虫短期预测中的应用107

7.4.1 数据来源与预处理107

7.4.2 模型评价指标108

7.4.3 基于DBN_LSVR的小麦蚜虫短期预测模型108

7.4.4 实验结果与分析109

7.5 基于Spark的支持向量机在小麦病害图像识别中的应用111

7.5.1 数据来源与预处理111

7.5.2 基于Spark的支持向量机115

7.5.3 实验结果与分析117

7.6 Hadoop平台下基于粒子群的局部支持向量机118

7.6.1 相关技术及算法118

7.6.2 改进算法原理120

7.6.3 MapRuduce实现120

7.6.4 改进算法120

7.6.5 实验结果与分析121

第8章 Python基础124

8.1 基础知识124

8.1.1 Python安装与使用124

8.1.2 编码规范124

8.1.3 模块导入125

8.1.4 异常处理126

8.2 语言基础127

8.2.1 基本数据类型127

8.2.2 运算符与表达式129

8.2.3 选择与循环132

8.2.4 字符串135

8.2.5 列表、元组与字典136

8.2.6 正则表达式142

8.3 函数144

8.3.1 函数定义144

8.3.2 函数调用145

8.3.3 函数参数145

8.3.4 返回值147

8.3.5 变量作用域148

8.4 类148

8.4.1 类定义148

8.4.2 类方法149

8.4.3 继承与多态150

8.4.4 应用举例150

8.5 文件154

8.5.1 打开和关闭154

8.5.2 读写155

8.5.3 其他操作156

8.5.4 目录操作156

第9章 Python数据处理与机器学习158

9.1 矩阵计算158

9.1.1 基础知识158

9.1.2 应用举例163

9.2 网络爬虫165

9.2.1 基础知识165

9.2.2 应用举例168

9.3 数据库169

9.3.1 Sqlite数据库169

9.3.2 MySQL数据库170

9.4 OpenCV图像编程171

9.4.1 图像基础操作171

9.4.2 图像几何变换172

9.4.3 图像滤波174

9.4.4 数学形态学175

9.4.5 应用举例175

9.5 数据可视化176

9.5.1 matplotlib可视化176

9.5.2 Plotly可视化177

9.6 基于Python的机器学习算法178

9.6.1 线性回归178

9.6.2 Logistic回归180

9.6.3 K近邻算法182

9.6.4 K均值聚类184

9.6.5 决策树186

9.7 基于Python的大数据处理技术190

9.7.1 MapReduce编程190

9.7.2 应用举例190

9.8 Tensorflow编程190

9.8.1 简介190

9.8.2 基础知识192

9.8.3 应用举例193

考文献194