物联网与数据挖掘

作者: 王爱国

出版社: 电子工业出版社

出版时间: 2023-04

版次: 1

ISBN: 9787121453687

定价: 68.00

装帧: 其他

页数: 268页

分类: 教材教辅考试>教材>职业培训教材>工程技术

4人买过

本书围绕典型的数据收集、存储、处理与分析过程，系统地阐述物联网与数据挖掘的基本理论、技术、方法与典型应用等，旨在使读者全面、扎实地掌握基本的物联网与数据挖掘技术。全书共16章，内容包括物联网数据收集、物联网数据存储、物联网数据预处理、分类、集成学习、聚类、关联规则、人工神经网络与深度学习、异常检测等传统技术，也涵盖区块链技术、因果分析、主动学习、迁移学习等进阶知识，后简单介绍物联网与数据挖掘技术在智慧健康养老和医疗健康中的应用。本书可以作为高等院校物联网工程及相关专业的教材，也可以作为计算机、电子通信等专业相关课程的参考用书。王爱国，佛山科学技术学院特聘研究员。合肥工业大学计算机应用技术工学博士学位，哈佛大学联合培养博士生，中国计算机学会会员、电子电气工程学会会员、美国计算机学会会员、中国计算机学会理论计算机专委会执行委员。目前研究方向为机器学习、数据挖掘、物联网，主要研究兴趣包括生物信息学、智能家居、活动识别与行为分析、大数据分析及其在医疗健康中的应用。主持和参与了多项国家自然科学基金委、省部级科研项目和企业委托开发项目。在国内外学术期刊和会议上发表论文三十余篇，撰写一篇英文学术专著章节，一部中文教材章节，并参与翻译国外优秀教材一部。第1章　绪论1

1.1　物联网概述1

1.1.1　物联网的产生与发展1

1.1.2　什么是物联网2

1.1.3　物联网体系结构4

1.2　数据挖掘概述5

1.2.1　什么是数据挖掘6

1.2.2　数据挖掘的对象与内容7

1.2.3　数据挖掘常用技术9

1.3　物联网与数据挖掘13

1.3.1　物联网数据14

1.3.2　物联网数据挖掘16

1.3.3　物联网数据挖掘的应用16

习题17

第2章　物联网数据收集18

2.1　传感器与感知技术18

2.1.1　环境参数感知19

2.1.2　生理信号感知21

2.1.3　动作信号感知24

2.2　物联网中常见的通信技术27

2.2.1　无线通信技术27

2.2.2　有线通信技术33

2.3　物联网数据传输协议34

2.3.1　TCP34

2.3.2　HTTP35

2.3.3　MQTT36

2.3.4　WebSocket协议37

习题38

第3章　物联网数据存储39

3.1　数据库系统39

3.1.1　数据库系统分类39

3.1.2　数据库系统选择44

3.2　数据仓库46

3.2.1　数据仓库的特点46

3.2.2　数据仓库的组成47

3.2.3　数据仓库的体系结构49

3.2.4　多维数据模型52

3.3　数据湖56

习题58

第4章　物联网数据预处理59

4.1　数据清洗59

4.1.1　缺失值处理59

4.1.2　噪声处理61

4.1.3　重复数据处理62

4.2　数据变换63

4.2.1　数据离散化63

4.2.2　数据归一化65

4.3　特征约简67

4.3.1　特征选择67

4.3.2　特征提取74

习题77

第5章　分类78

5.1　决策树78

5.1.1　决策树模型78

5.1.2　特征重要性评估80

5.1.3　决策树生成83

5.1.4　决策树剪枝87

5.1.5　案例87

5.2　k近邻88

5.2.1　k近邻模型88

5.2.2　k值的选择89

5.2.3　距离度量90

5.2.4　案例93

5.3　朴素贝叶斯分类器93

5.3.1　贝叶斯定理93

5.3.2　朴素贝叶斯分类器93

5.3.3　不同类型的朴素贝叶斯96

5.3.4　案例96

习题97

第6章　集成学习98

6.1　集成学习简介98

6.2　Bagging算法100

6.3　Boosting算法103

6.4　Stacking方法108

习题110

第7章　聚类111

7.1　基本概念和术语111

7.2　k均值算法112

7.3　层次聚类算法116

习题119

第8章　关联规则120

8.1　频繁项集与关联规则121

8.2　Apriori算法123

8.2.1　频繁项集的产生123

8.2.2　关联规则的产生128

8.2.3　Apriori算法分析130

8.3　FP增长算法131

8.3.1　构建FP树131

8.3.2　基于FP树挖掘频繁项集134

8.3.3　算法分析136

8.4　关联规则应用示例136

8.5　关联规则高级进阶138

8.5.1　面向不同类型变量的关联规则挖掘138

8.5.2　面向概念分层的关联规则140

8.5.3　负关联规则挖掘140

8.5.4　面向特定数据的关联规则挖掘141

8.5.5　面向大数据的关联规则挖掘142

习题143

第9章　人工神经网络与深度学习144

9.1　神经元模型144

9.2　感知机与多层神经元网络146

9.3　误差反向传播算法149

9.4　激活函数与损失函数155

9.4.1　激活函数156

9.4.2　损失函数157

9.5　梯度下降法160

9.6　深度学习模型162

9.7　卷积神经网络163

9.7.1　卷积神经网络的组件163

9.7.2　卷积神经网络的训练169

9.7.3　典型的卷积神经网络170

9.7.4　卷积神经网络的代码示例171

9.8　循环神经网络173

9.8.1　基本循环神经网络173

9.8.2　双向循环神经网络175

9.8.3　深度循环神经网络176

9.8.4　递归神经网络177

9.8.5　循环神经网络训练177

9.8.6　长短时记忆网络178

9.8.7　循环神经网络的代码示例181

习题182

第10　章异常检测183

10.1　异常的类型183

10.2　异常检测方法分类184

10.2.1　对象标签的可用性184

10.2.2　参考集合的范围184

10.2.3　异常检测算法的输出185

10.2.4　潜在建模方法的特点185

10.3　基于分类的方法185

10.4　基于统计的方法186

10.4.1　基于统计检验的方法186

10.4.2　基于偏差的方法187

10.4.3　基于深度的方法187

10.5　基于邻近度的方法192

10.5.1　基于聚类的方法192

10.5.2　基于距离的方法192

10.5.3　基于密度的方法193

10.6　基于深度学习的方法195

10.7　异常检测高级进阶197

10.7.1　面向类别和混合数据的异常检测197

10.7.2　面向时序数据的异常检测197

10.7.3　面向图数据的异常检测198

习题198

第11章　区块链技术199

11.1　比特币199

11.2　区块链的基础概念和特征201

11.3　区块链的技术要素201

11.3.1　分布式账本201

11.3.2　共识机制202

11.3.3　智能合约203

11.3.4　密码学机制204

11.4　常见的联盟链技术平台205

11.4.1　Hyperledger Fabric206

11.4.2　FISCO BCOS联盟链207

11.4.3　商用联盟链BaaS平台208

11.5　区块链赋能物联网208

11.5.1　物链网的体系架构208

11.5.2　物链网的应用场景209

习题210

第12章　因果分析211

12.1　辛普森悖论211

12.2　因果贝叶斯网络212

12.2.1　贝叶斯网络212

12.2.2　因果图模型213

12.2.3　结构因果模型214

12.3　因果关系发现214

12.3.1　基于约束的方法215

12.3.2　基于评分的方法216

12.3.3　基于结构因果模型的方法216

12.3.4　因果发现工具箱217

12.4　因果效应估计217

12.4.1　干预评估217

12.4.2　反事实推理219

12.4.3　因果效应估计工具箱220

12.5　因果关系之梯220

习题221

第13章　主动学习222

13.1　主动学习的分类223

13.2　查询选择策略224

13.2.1　不确定性采样224

13.2.2　委员会查询225

13.2.3　期望模型变化226

13.2.4　期望误差减小227

13.2.5　方差减小227

13.2.6　密度权重227

13.2.7　多样性化228

13.2.8　深度主动学习228

习题229

第14章　迁移学习230

14.1　迁移学习的基础231

14.2　迁移学习方法分类233

14.2.1　按是否包含有标签数据分类233

14.2.2　按特征空间和标签空间分类233

14.2.3　按学习方法分类234

习题240

第15章　在智慧健康养老中的应用241

15.1　智能家居241

15.2　基于环境智能的活动识别243

15.2.1　信息感知与收集244

15.2.2　传感器事件的特征编码245

15.2.3　活动识别模型构建247

15.3　活动识别模型评估249

15.3.1　实验设置249

15.3.2　实验结果250

第16章　在医疗健康中的应用252

16.1　概述252

16.2　远程心脏健康监测系统253
内容简介:
本书围绕典型的数据收集、存储、处理与分析过程，系统地阐述物联网与数据挖掘的基本理论、技术、方法与典型应用等，旨在使读者全面、扎实地掌握基本的物联网与数据挖掘技术。全书共16章，内容包括物联网数据收集、物联网数据存储、物联网数据预处理、分类、集成学习、聚类、关联规则、人工神经网络与深度学习、异常检测等传统技术，也涵盖区块链技术、因果分析、主动学习、迁移学习等进阶知识，后简单介绍物联网与数据挖掘技术在智慧健康养老和医疗健康中的应用。本书可以作为高等院校物联网工程及相关专业的教材，也可以作为计算机、电子通信等专业相关课程的参考用书。
作者简介:
王爱国，佛山科学技术学院特聘研究员。合肥工业大学计算机应用技术工学博士学位，哈佛大学联合培养博士生，中国计算机学会会员、电子电气工程学会会员、美国计算机学会会员、中国计算机学会理论计算机专委会执行委员。目前研究方向为机器学习、数据挖掘、物联网，主要研究兴趣包括生物信息学、智能家居、活动识别与行为分析、大数据分析及其在医疗健康中的应用。主持和参与了多项国家自然科学基金委、省部级科研项目和企业委托开发项目。在国内外学术期刊和会议上发表论文三十余篇，撰写一篇英文学术专著章节，一部中文教材章节，并参与翻译国外优秀教材一部。
目录:
第1章　绪论1

1.1　物联网概述1

1.1.1　物联网的产生与发展1

1.1.2　什么是物联网2

1.1.3　物联网体系结构4

1.2　数据挖掘概述5

1.2.1　什么是数据挖掘6

1.2.2　数据挖掘的对象与内容7

1.2.3　数据挖掘常用技术9

1.3　物联网与数据挖掘13

1.3.1　物联网数据14

1.3.2　物联网数据挖掘16

1.3.3　物联网数据挖掘的应用16

习题17

第2章　物联网数据收集18

2.1　传感器与感知技术18

2.1.1　环境参数感知19

2.1.2　生理信号感知21

2.1.3　动作信号感知24

2.2　物联网中常见的通信技术27

2.2.1　无线通信技术27

2.2.2　有线通信技术33

2.3　物联网数据传输协议34

2.3.1　TCP34

2.3.2　HTTP35

2.3.3　MQTT36

2.3.4　WebSocket协议37

习题38

第3章　物联网数据存储39

3.1　数据库系统39

3.1.1　数据库系统分类39

3.1.2　数据库系统选择44

3.2　数据仓库46

3.2.1　数据仓库的特点46

3.2.2　数据仓库的组成47

3.2.3　数据仓库的体系结构49

3.2.4　多维数据模型52

3.3　数据湖56

习题58

第4章　物联网数据预处理59

4.1　数据清洗59

4.1.1　缺失值处理59

4.1.2　噪声处理61

4.1.3　重复数据处理62

4.2　数据变换63

4.2.1　数据离散化63

4.2.2　数据归一化65

4.3　特征约简67

4.3.1　特征选择67

4.3.2　特征提取74

习题77

第5章　分类78

5.1　决策树78

5.1.1　决策树模型78

5.1.2　特征重要性评估80

5.1.3　决策树生成83

5.1.4　决策树剪枝87

5.1.5　案例87

5.2　k近邻88

5.2.1　k近邻模型88

5.2.2　k值的选择89

5.2.3　距离度量90

5.2.4　案例93

5.3　朴素贝叶斯分类器93

5.3.1　贝叶斯定理93

5.3.2　朴素贝叶斯分类器93

5.3.3　不同类型的朴素贝叶斯96

5.3.4　案例96

习题97

第6章　集成学习98

6.1　集成学习简介98

6.2　Bagging算法100

6.3　Boosting算法103

6.4　Stacking方法108

习题110

第7章　聚类111

7.1　基本概念和术语111

7.2　k均值算法112

7.3　层次聚类算法116

习题119

第8章　关联规则120

8.1　频繁项集与关联规则121

8.2　Apriori算法123

8.2.1　频繁项集的产生123

8.2.2　关联规则的产生128

8.2.3　Apriori算法分析130

8.3　FP增长算法131

8.3.1　构建FP树131

8.3.2　基于FP树挖掘频繁项集134

8.3.3　算法分析136

8.4　关联规则应用示例136

8.5　关联规则高级进阶138

8.5.1　面向不同类型变量的关联规则挖掘138

8.5.2　面向概念分层的关联规则140

8.5.3　负关联规则挖掘140

8.5.4　面向特定数据的关联规则挖掘141

8.5.5　面向大数据的关联规则挖掘142

习题143

第9章　人工神经网络与深度学习144

9.1　神经元模型144

9.2　感知机与多层神经元网络146

9.3　误差反向传播算法149

9.4　激活函数与损失函数155

9.4.1　激活函数156

9.4.2　损失函数157

9.5　梯度下降法160

9.6　深度学习模型162

9.7　卷积神经网络163

9.7.1　卷积神经网络的组件163

9.7.2　卷积神经网络的训练169

9.7.3　典型的卷积神经网络170

9.7.4　卷积神经网络的代码示例171

9.8　循环神经网络173

9.8.1　基本循环神经网络173

9.8.2　双向循环神经网络175

9.8.3　深度循环神经网络176

9.8.4　递归神经网络177

9.8.5　循环神经网络训练177

9.8.6　长短时记忆网络178

9.8.7　循环神经网络的代码示例181

习题182

第10　章异常检测183

10.1　异常的类型183

10.2　异常检测方法分类184

10.2.1　对象标签的可用性184

10.2.2　参考集合的范围184

10.2.3　异常检测算法的输出185

10.2.4　潜在建模方法的特点185

10.3　基于分类的方法185

10.4　基于统计的方法186

10.4.1　基于统计检验的方法186

10.4.2　基于偏差的方法187

10.4.3　基于深度的方法187

10.5　基于邻近度的方法192

10.5.1　基于聚类的方法192

10.5.2　基于距离的方法192

10.5.3　基于密度的方法193

10.6　基于深度学习的方法195

10.7　异常检测高级进阶197

10.7.1　面向类别和混合数据的异常检测197

10.7.2　面向时序数据的异常检测197

10.7.3　面向图数据的异常检测198

习题198

第11章　区块链技术199

11.1　比特币199

11.2　区块链的基础概念和特征201

11.3　区块链的技术要素201

11.3.1　分布式账本201

11.3.2　共识机制202

11.3.3　智能合约203

11.3.4　密码学机制204

11.4　常见的联盟链技术平台205

11.4.1　Hyperledger Fabric206

11.4.2　FISCO BCOS联盟链207

11.4.3　商用联盟链BaaS平台208

11.5　区块链赋能物联网208

11.5.1　物链网的体系架构208

11.5.2　物链网的应用场景209

习题210

第12章　因果分析211

12.1　辛普森悖论211

12.2　因果贝叶斯网络212

12.2.1　贝叶斯网络212

12.2.2　因果图模型213

12.2.3　结构因果模型214

12.3　因果关系发现214

12.3.1　基于约束的方法215

12.3.2　基于评分的方法216

12.3.3　基于结构因果模型的方法216

12.3.4　因果发现工具箱217

12.4　因果效应估计217

12.4.1　干预评估217

12.4.2　反事实推理219

12.4.3　因果效应估计工具箱220

12.5　因果关系之梯220

习题221

第13章　主动学习222

13.1　主动学习的分类223

13.2　查询选择策略224

13.2.1　不确定性采样224

13.2.2　委员会查询225

13.2.3　期望模型变化226

13.2.4　期望误差减小227

13.2.5　方差减小227

13.2.6　密度权重227

13.2.7　多样性化228

13.2.8　深度主动学习228

习题229

第14章　迁移学习230

14.1　迁移学习的基础231

14.2　迁移学习方法分类233

14.2.1　按是否包含有标签数据分类233

14.2.2　按特征空间和标签空间分类233

14.2.3　按学习方法分类234

习题240

第15章　在智慧健康养老中的应用241

15.1　智能家居241

15.2　基于环境智能的活动识别243

15.2.1　信息感知与收集244

15.2.2　传感器事件的特征编码245

15.2.3　活动识别模型构建247

15.3　活动识别模型评估249

15.3.1　实验设置249

15.3.2　实验结果250

第16章　在医疗健康中的应用252

16.1　概述252

16.2　远程心脏健康监测系统253

查看详情

物联网与数据挖掘

内容简介:

作者简介:

目录: