久久天堂av女色优精品,亚洲午夜精华福利无码,亚洲av片不卡无码天堂

內(nèi)容簡介

　　本書較為全面地論述了機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、大數(shù)據(jù)技術(shù)與圖像處理技術(shù)的基本概念、基礎(chǔ)原理和基本方法，以農(nóng)業(yè)為應(yīng)用場景，力求通縮易懂，深入淺出的介紹了與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、大數(shù)據(jù)技術(shù)與圖像處理技術(shù)問題聯(lián)系密切的內(nèi)容。全書主要分為4大部分：機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)和圖像處理技術(shù)的基礎(chǔ)知識；經(jīng)典的機(jī)器學(xué)習(xí)基本理論和方法，以及深度學(xué)習(xí)和大數(shù)據(jù)未來的發(fā)展；實踐應(yīng)用；機(jī)器學(xué)習(xí)和人工智能的數(shù)學(xué)基礎(chǔ)與編程基礎(chǔ)。

作者簡介

　　博士，山東農(nóng)業(yè)大學(xué)教授，碩士研究生導(dǎo)師。主要從事機(jī)器學(xué)習(xí)，模式識別，數(shù)字圖像處理、計算機(jī)視覺和大數(shù)據(jù)技術(shù)的研究及其在農(nóng)業(yè)等領(lǐng)域的應(yīng)用。近年來，先后參加了國家自然科學(xué)基金項目基于限制性貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)技術(shù)研究；國家自然科學(xué)基金項目智能網(wǎng)絡(luò)安全防御系統(tǒng)關(guān)鍵技術(shù)的研究；國家世界銀行貸款項目農(nóng)田景觀主要作物病蟲害生態(tài)治理技術(shù)研究；山東省科技廳項目農(nóng)業(yè)信息化關(guān)鍵技術(shù)應(yīng)用-蘋果產(chǎn)業(yè)技術(shù)信息化服務(wù)平臺研發(fā)。在支持向量機(jī)的簡化和結(jié)構(gòu)數(shù)據(jù)核函數(shù)方面，取得了一定的成績。在國外雜志和國內(nèi)核心期刊上發(fā)表論文50多篇，其中被SCI、EI和ISTP收錄15篇。獲得山東省科技進(jìn)步獎二等獎2項，山東省科技進(jìn)步獎三等獎2項。

圖書目錄

第 1章緒論 1
1．1 機(jī)器學(xué)習(xí) 3
1．1．1概述 3
1．1．2評價準(zhǔn)則 4
1．1．3分類 6
1．1．4常用工具 7
1．2 大數(shù)據(jù) 9
1．3 人工智能 10
1．4 圖像處理技術(shù) 12
第 2章機(jī)器學(xué)習(xí)理論與方法 13
2．1 回歸分析與最小二乘法 13
2．2聚類 15
2．2．1簡介 15
2．2．2基本原理 15
2．2．3常用聚類算法 17
2．3 遺傳算法 20
2．3．1簡介 20
2．3．2基本原理 21
2．3．3特點與應(yīng)用 23
2．4 蟻群算法 23
2．4．1簡介 23
2．4．2基本原理 24
2．4．3特點與應(yīng)用 26
2．5 粒子群算法 27
2．5．1簡介 27
2．5．2基本原理 27
2．5．3特點與應(yīng)用 28
2．6 人工神經(jīng)網(wǎng)絡(luò) 29
2．6．1簡介 29
2．6．2神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 31
2．6．3 BP神經(jīng)網(wǎng)絡(luò) 37
2．6．4 RBF神經(jīng)網(wǎng)絡(luò) 38
2．7支持向量機(jī) 40
2．7．1簡介 40
2．7．2基本原理 40
2．7．3特點與應(yīng)用 46
2．8 隱馬爾科夫模型 46
第3章深度學(xué)習(xí)理論與方法 50
3．1 簡介 50
3．2 常見模型 51
3．2．1卷積神經(jīng)網(wǎng)絡(luò) 52
3．2．2受限玻爾茲曼機(jī) 54
3．2．3深度信念網(wǎng)絡(luò) 56
3．2．4自動編碼器 57
3．2．5降噪自動編碼器 59
3．2．6堆疊降噪自動編碼器 59
3．3 應(yīng)用場景 60
3．4 發(fā)展趨勢 61
3．4．1深度集成學(xué)習(xí) 61
3．4．2深度強(qiáng)化學(xué)習(xí) 62
3．4．3深度遷移學(xué)習(xí) 63
第4章大數(shù)據(jù)處理技術(shù) 65
4．1 大數(shù)據(jù)簡介 65
4．1．1大數(shù)據(jù)概念與特點 65
4．1．2大數(shù)據(jù)類型 66
4．1．3大數(shù)據(jù)應(yīng)用 67
4．2 大數(shù)據(jù)技術(shù) 68
4．2．1數(shù)據(jù)獲取與預(yù)處理技術(shù) 68
4．2．2存儲與管理技術(shù) 71
4．2．3分析與挖掘技術(shù) 72
4．2．4可視化技術(shù) 74
4．3 大數(shù)據(jù)處理框架 79
4．3．1簡介 79
4．3．2 Hadoop 80
4．3．3 Spark 82
4．3．4 Storm 84
4．3．5 HBase 85
4．3．6 Hive 86
4．4 大數(shù)據(jù)面臨挑戰(zhàn) 86
4．4．1數(shù)據(jù)安全性 87
4．4．2計算復(fù)雜性 87
4．4．3計算時效性 87
第5章大數(shù)據(jù)與智能系統(tǒng)開發(fā)——以農(nóng)業(yè)應(yīng)用為例 88
5．1 農(nóng)業(yè)信息化概述 88
5．1．1農(nóng)業(yè)信息概念 88
5．1．2農(nóng)業(yè)信息分類 88
5．1．3農(nóng)業(yè)信息技術(shù) 89
5．2 農(nóng)業(yè)大數(shù)據(jù)概述 89
5．2．1農(nóng)業(yè)大數(shù)據(jù)概念 89
5．2．2農(nóng)業(yè)大數(shù)據(jù)特點 90
5．2．3農(nóng)業(yè)大數(shù)據(jù)標(biāo)準(zhǔn) 90
5．2．4農(nóng)業(yè)大數(shù)據(jù)發(fā)展趨勢 91
5．3 農(nóng)業(yè)大數(shù)據(jù)技術(shù) 92
5．3．1獲取與預(yù)處理技術(shù) 92
5．3．2存儲與集成技術(shù) 95
5．3．3挖掘與可視化技術(shù) 95
5．3．4發(fā)展趨勢 96
5．4 農(nóng)業(yè)大數(shù)據(jù)機(jī)遇、挑戰(zhàn)與對策 97
5．4．1機(jī)遇 97
5．4．2挑戰(zhàn)與對策 97
5．5 基于安卓的農(nóng)業(yè)智能 99
5．5．1簡介 99
5．5．2APP開發(fā)步驟 100
5．5．3農(nóng)業(yè)APP 101
第6章圖像處理與分析技術(shù) 102
6．1 簡介 102
6．1．1常用術(shù)語 102
6．1．2圖像處理與分析基礎(chǔ) 106
6．2 圖像處理技術(shù)在農(nóng)業(yè)中的應(yīng)用 111
6．2．1農(nóng)業(yè)圖像特點 111
6．2．2農(nóng)業(yè)應(yīng)用場景 111
6．3圖像細(xì)化算法 112
6．3．1細(xì)化算法原理 112
6．3．2改進(jìn)算法 114
第7章機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)和圖像處理技術(shù)的應(yīng)用——以農(nóng)業(yè)應(yīng)用為例 118
7．1 簡介 118
7．2 隨機(jī)森林在棉蚜等級預(yù)測中的應(yīng)用 118
7．2．1隨機(jī)森林原理 118
7．2．2隨機(jī)森林構(gòu)建 119
7．2．3袋外數(shù)據(jù)OOB和OOB估計 120
7．2．4實驗結(jié)果與分析 121
7． 3 基于鄰域核函數(shù)的局部支持向量機(jī)在樹木圖像分類中的應(yīng)用 127
7．3．1鄰域核函數(shù) 128
7．3．2基于鄰域核函數(shù)的局部支持向量機(jī) 129
7．3．3實驗結(jié)果與分析 129
7．4 局部支持向量回歸在小麥蚜蟲預(yù)測中的應(yīng)用 132
7．4．1小麥蚜蟲預(yù)測原理 132
7．4．2數(shù)據(jù)來源與預(yù)處理 132
7．4．3支持向量回歸與局部支持向量回歸 134
7．4．4實驗結(jié)果與分析 136
7．5 深度學(xué)習(xí)在小麥蚜蟲短期預(yù)測中的應(yīng)用 138
7．5．1數(shù)據(jù)來源與預(yù)處理 138
7．5．2模型評價指標(biāo) 139
7．5．3基于DBN_LSVR的小麥蚜蟲短期預(yù)測模型 140
7．5．4實驗結(jié)果與分析 141
7．6 基于Spark的支持向量機(jī)在小麥病害圖像識別中的應(yīng)用 143
7．6．1數(shù)據(jù)來源與預(yù)處理 144
7．6．2 基于Spark的支持向量機(jī) 149
7．6．3實驗結(jié)果與分析 151
7．7 Hadoop平臺下基于粒子群的局部支持向量機(jī) 153
7．7．1相關(guān)技術(shù)及算法 154
7．7．2改進(jìn)算法原理 155
7．7．3 MapRuduce實現(xiàn) 155
7．7．4改進(jìn)思想 156
7．7．5實驗結(jié)果與分析 157
第8章 Python基礎(chǔ) 160
8．1 基礎(chǔ)知識 160
8．1．1Python安裝與使用 160
8．1．2編碼規(guī)范 160
8．1．3模塊導(dǎo)入 161
8．1．4異常處理 163
8．2 語言基礎(chǔ) 164
8．2．1基本數(shù)據(jù)類型 164
8．2．2運(yùn)算符與表達(dá)式 166
8．2．3選擇與循環(huán) 172
8．2．4字符串 176
8．2．5列表、元組與字典 178
8．2．6正則表達(dá)式 187
8．3 函數(shù) 190
8．3．1函數(shù)定義 190
8．3．2 函數(shù)調(diào)用 191
8．3．3函數(shù)參數(shù) 192
8．3．4返回值 195
8．3．5變量作用域 196
8．4 類 197
8．4．1類定義 197
8．4．2類方法 198
8．4．3繼承與多態(tài) 199
8．4．4應(yīng)用舉例 199
8．5 文件 206
8．5．1打開和關(guān)閉 206
8．5．2讀寫 207
8．5．3其他操作 208
8．5．4目錄操作 209
第9章 Python數(shù)據(jù)處理與機(jī)器學(xué)習(xí) 210
9．1 矩陣計算 210
9．1．1基礎(chǔ)知識 210
9．1．2應(yīng)用舉例 218
9．2 網(wǎng)絡(luò)爬蟲 222
9．2．1基礎(chǔ)知識 222
9．2．2應(yīng)用舉例 226
9．3 數(shù)據(jù)庫 226
9．3．1 Sqlite數(shù)據(jù)庫 226
9．3．2 MySQL數(shù)據(jù)庫 228
9．4 OpenCV圖像編程 230
9．4．1圖像基礎(chǔ)操作 230
9．4．2圖像幾何變換 231
9．4．3圖像濾波 233
9．4．4數(shù)學(xué)形態(tài)學(xué) 235
9．4．5應(yīng)用舉例 236
9．5 數(shù)據(jù)可視化 237
9．5．1 matplotlib可視化 237
9．5．2 plotly可視化 238
9．6 基于Python機(jī)器學(xué)習(xí)算法 240
9．6．1線性回歸 240
9．6．2 Logistic回歸 242
9．6．3 K近鄰算法 245
9．6．4 K均值聚類 247
9．6．5決策樹 250
9．7 基于Python大數(shù)據(jù)處理技術(shù) 255
9．7．1 MapReduce編程 255
9．7．2 應(yīng)用舉例 256
9．8 Tensorflow編程 256
9．8．1簡介 256
9．8．2基礎(chǔ)知識 258
9．8．3應(yīng)用舉例 260
參考文獻(xiàn) 261