物聯(lián)網與數據挖掘

第1章　緒論 1
1.1　物聯(lián)網概述 1
1.1.1　物聯(lián)網的產生與發(fā)展 1
1.1.2　什么是物聯(lián)網 2
1.1.3　物聯(lián)網體系結構 4
1.2　數據挖掘概述 5
1.2.1　什么是數據挖掘 6
1.2.2　數據挖掘的對象與內容 7
1.2.3　數據挖掘常用技術 9
1.3　物聯(lián)網與數據挖掘 13
1.3.1　物聯(lián)網數據 14
1.3.2　物聯(lián)網數據挖掘 16
1.3.3　物聯(lián)網數據挖掘的應用 16
習題 17
第2章　物聯(lián)網數據收集 18
2.1　傳感器與感知技術 18
2.1.1　環(huán)境參數感知 19
2.1.2　生理信號感知 21
2.1.3　動作信號感知 24
2.2　物聯(lián)網中常見的通信技術 27
2.2.1　無線通信技術 27
2.2.2　有線通信技術 33
2.3　物聯(lián)網數據傳輸協(xié)議 34
2.3.1　TCP 34
2.3.2　HTTP 35
2.3.3　MQTT 36
2.3.4　WebSocket協(xié)議 37
習題 38
第3章　物聯(lián)網數據存儲 39
3.1　數據庫系統(tǒng) 39
3.1.1　數據庫系統(tǒng)分類 39
3.1.2　數據庫系統(tǒng)選擇 44
3.2　數據倉庫 46
3.2.1　數據倉庫的特點 46
3.2.2　數據倉庫的組成 47
3.2.3　數據倉庫的體系結構 49
3.2.4　多維數據模型 52
3.3　數據湖 56
習題 58
第4章　物聯(lián)網數據預處理 59
4.1　數據清洗 59
4.1.1　缺失值處理 59
4.1.2　噪聲處理 61
4.1.3　重復數據處理 62
4.2　數據變換 63
4.2.1　數據離散化 63
4.2.2　數據歸一化 65
4.3　特征約簡 67
4.3.1　特征選擇 67
4.3.2　特征提取 74
習題 77
第5章　分類 78
5.1　決策樹 78
5.1.1　決策樹模型 78
5.1.2　特征重要性評估 80
5.1.3　決策樹生成 83
5.1.4　決策樹剪枝 87
5.1.5　案例 87
5.2　k最近鄰 88
5.2.1　k最近鄰模型 88
5.2.2　k值的選擇 89
5.2.3　距離度量 90
5.2.4　案例 93
5.3　樸素貝葉斯分類器 93
5.3.1　貝葉斯定理 93
5.3.2　樸素貝葉斯分類器 93
5.3.3　不同類型的樸素貝葉斯 96
5.3.4　案例 96
習題 97
第6章　集成學習 98
6.1　集成學習簡介 98
6.2　Bagging算法 100
6.3　Boosting算法 103
6.4　Stacking方法 108
習題 110
第7章　聚類 111
7.1　基本概念和術語 111
7.2　k均值算法 112
7.3　層次聚類算法 116
習題 119
第8章　關聯(lián)規(guī)則 120
8.1　頻繁項集與關聯(lián)規(guī)則 121
8.2　Apriori算法 123
8.2.1　頻繁項集的產生 123
8.2.2　關聯(lián)規(guī)則的產生 128
8.2.3　Apriori算法分析 130
8.3　FP增長算法 131
8.3.1　構建FP樹 131
8.3.2　基于FP樹挖掘頻繁項集 134
8.3.3　算法分析 136
8.4　關聯(lián)規(guī)則應用示例 136
8.5　關聯(lián)規(guī)則高級進階 138
8.5.1　面向不同類型變量的關聯(lián)規(guī)則挖掘 138
8.5.2　面向概念分層的關聯(lián)規(guī)則 140
8.5.3　負關聯(lián)規(guī)則挖掘 140
8.5.4　面向特定數據的關聯(lián)規(guī)則挖掘 141
8.5.5　面向大數據的關聯(lián)規(guī)則挖掘 142
習題 143
第9章　人工神經網絡與深度學習 144
9.1　神經元模型 144
9.2　感知機與多層神經元網絡 146
9.3　誤差反向傳播算法 149
9.4　激活函數與損失函數 155
9.4.1　激活函數 156
9.4.2　損失函數 157
9.5　梯度下降法 160
9.6　深度學習模型 162
9.7　卷積神經網絡 163
9.7.1　卷積神經網絡的組件 163
9.7.2　卷積神經網絡的訓練 169
9.7.3　典型的卷積神經網絡 170
9.7.4　卷積神經網絡的代碼示例 171
9.8　循環(huán)神經網絡 173
9.8.1　基本循環(huán)神經網絡 173
9.8.2　雙向循環(huán)神經網絡 175
9.8.3　深度循環(huán)神經網絡 176
9.8.4　遞歸神經網絡 177
9.8.5　循環(huán)神經網絡訓練 177
9.8.6　長短時記憶網絡 178
9.8.7　循環(huán)神經網絡的代碼示例 181
習題 182
第10　章異常檢測 183
10.1　異常的類型 183
10.2　異常檢測方法分類 184
10.2.1　對象標簽的可用性 184
10.2.2　參考集合的范圍 184
10.2.3　異常檢測算法的輸出 185
10.2.4　潛在建模方法的特點 185
10.3　基于分類的方法 185
10.4　基于統(tǒng)計的方法 186
10.4.1　基于統(tǒng)計檢驗的方法 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　基于鄰近度的方法 192
10.5.1　基于聚類的方法 192
10.5.2　基于距離的方法 192
10.5.3　基于密度的方法 193
10.6　基于深度學習的方法 195
10.7　異常檢測高級進階 197
10.7.1　面向類別和混合數據的異常檢測 197
10.7.2　面向時序數據的異常檢測 197
10.7.3　面向圖數據的異常檢測 198
習題 198
第11章　區(qū)塊鏈技術 199
11.1　比特幣 199
11.2　區(qū)塊鏈的基礎概念和特征 201
11.3　區(qū)塊鏈的技術要素 201
11.3.1　分布式賬本 201
11.3.2　共識機制 202
11.3.3　智能合約 203
11.3.4　密碼學機制 204
11.4　常見的聯(lián)盟鏈技術平臺 205
11.4.1　Hyperledger Fabric 206
11.4.2　FISCO BCOS聯(lián)盟鏈 207
11.4.3　商用聯(lián)盟鏈BaaS平臺 208
11.5　區(qū)塊鏈賦能物聯(lián)網 208
11.5.1　物鏈網的體系架構 208
11.5.2　物鏈網的應用場景 209
習題 210
第12章　因果分析 211
12.1　辛普森悖論 211
12.2　因果貝葉斯網絡 212
12.2.1　貝葉斯網絡 212
12.2.2　因果圖模型 213
12.2.3　結構因果模型 214
12.3　因果關系發(fā)現(xiàn) 214
12.3.1　基于約束的方法 215
12.3.2　基于評分的方法 216
12.3.3　基于結構因果模型的方法 216
12.3.4　因果發(fā)現(xiàn)工具箱 217
12.4　因果效應估計 217
12.4.1　干預評估 217
12.4.2　反事實推理 219
12.4.3　因果效應估計工具箱 220
12.5　因果關系之梯 220
習題 221
第13章　主動學習 222
13.1　主動學習的分類 223
13.2　查詢選擇策略 224
13.2.1　不確定性采樣 224
13.2.2　委員會查詢 225
13.2.3　期望模型變化 226
13.2.4　期望誤差減小 227
13.2.5　方差減小 227
13.2.6　密度權重 227
13.2.7　多樣性最大化 228
13.2.8　深度主動學習 228
習題 229
第14章　遷移學習 230
14.1　遷移學習的基礎 231
14.2　遷移學習方法分類 233
14.2.1　按是否包含有標簽數據分類 233
14.2.2　按特征空間和標簽空間分類 233
14.2.3　按學習方法分類 234
習題 240
第15章　在智慧健康養(yǎng)老中的應用 241
15.1　智能家居 241
15.2　基于環(huán)境智能的活動識別 243
15.2.1　信息感知與收集 244
15.2.2　傳感器事件的特征編碼 245
15.2.3　活動識別模型構建 247
15.3　活動識別模型評估 249
15.3.1　實驗設置 249
15.3.2　實驗結果 250
第16章　在醫(yī)療健康中的應用 252
16.1　概述 252
16.2　遠程心臟健康監(jiān)測系統(tǒng) 253