本书重点阐述利用机器学习、深度学习、自然语言处理等多种方法，以及当前流行的Python库——Tensorflow和Keras构建实时数据的智能物联网IOT系统。还给出了工业物联网、智能城市和家庭自动化等物联网主要应用领域的实际案例。

无

本书旨在使读者能够构建支持人工智能的物联网应用程序。随着物联网设备的普及，许多应用程序使用数据科学工具来分析所产生的TB量级数据。但是，这些应用程序不足以应对物联网数据中不断涌现的新模式带来的挑战。本书涵盖人工智能理论和实践的各个方面，读者可以利用这些知识通过实施人工智能技术来使他们的物联网解决方案变得更加智能。
本书首先介绍人工智能和物联网设备的基础知识，以及如何从各种数据源和信息流中读取物联网数据。然后通过TensorFlow、scikit-learn和Keras三个实例讲解实现人工智能的各种方法。本书涵盖的主题包括机器学习、深度学习、遗传算法、强化学习和生成对抗网络，并且向读者展示了如何使用分布式技术和在云上实现人工智能。一旦读者熟悉了人工智能技术，书中就会针对物联网设备生成和处理的不同类型数据，如时间序列、图像、音频、视频、文本和语音，介绍各种相关的技术。
在解释了针对各种物联网数据的人工智能技术之后，本书最后与读者分享了一些与四大类物联网——个人物联网、家庭物联网、工业物联网和智慧城市物联网解决方案有关的案例研究。
本书受众
本书受众：他们对物联网应用程序开发和Python有基本了解，并希望通过应用人工智能技术使其物联网应用程序更智能。可能包括以下人员：
已经知道如何构建物联网系统的物联网从业者，但现在他们希望实施人工智能技术使其物联网解决方案变得智能。
一直在使用物联网平台进行分析的数据科学从业者，但现在他们希望从物联网分析过渡到物联网AI，从而使物联网解决方案更智能。
希望为智能物联网设备开发基于人工智能的解决方案的软件工程师。
希望将智能带入产品中的嵌入式系统工程师。
本书内容
第1章介绍了物联网、人工智能和数据科学的基本概念。该章最后介绍本书将使用的工具和数据集。
第2章介绍从各种数据源（如文件、数据库、分布式数据存储和流数据）访问数据的多种方法。
第3章涵盖机器学习的各个方面，如用于物联网的有监督学习、无监督学习和强化学习。该章最后介绍提高模型性能的提示和技巧。
第4章探讨深度学习的各个方面，如用于物联网的MLP、CNN、RNN和自编码器，同时还介绍深度学习的各种框架。
第5章讨论优化和不同的进化技术在优化问题中的应用，重点介绍遗传算法。
第6章介绍强化学习的概念，如策略梯度和Q–网络，还介绍如何使用TensorFlow实现深度Q-网络，以及一些可以应用强化学习的很酷的现实问题。
第7章介绍对抗学习和生成学习的概念，以及如何使用TensorFlow实现GAN、DCGAN和CycleGAN，最后介绍它们的实际应用程序。
第8章介绍如何在物联网应用程序的分布式模式下利用机器学习。
第9章讨论一些令人兴奋的个人和家庭物联网应用。
第10章解释如何将本书介绍的概念应用到两个具有工业物联网数据的案例研究中。
第11章解释如何将本书介绍的概念应用于智慧城市生成的物联网数据。
第12章讨论如何在将文本、图像、视频和音频数据提供给模型之前对其进行预处理，并介绍时间序列数据。
下载示例代码文件
本书的示例代码文件托管在GitHub上，地址为https://github.com/PacktPublishing/Hands-
On-Artificial-Intelligence-for-IoT，感兴趣的读者可以下载，并使用GitHub提供的Jupyter笔记本进行练习。
本书约定
黑体表示新术语、重要词汇。例如“堆栈的下面是设备层，也称为感知层”。
警告或重要说明。
提示和技巧。

计算机\人工智能

本书融合了人工智能和物联网两大热点技术，将人工智能中的优越方法应用到物联网的构建中，以形成更加智能的物联网系统。书中系统地介绍了人工智能算法，包括传统的机器学习、流行的深度学习、遗传算法、强化学习、生成式模型等，还提供了相关算法和应用实例的完整代码，可以帮助读者快速构建所需的智能物联网系统。本书介绍的模型构建技术适用于物联网设备生成和使用的各种数据，如时间序列、图像和音频；给出的典型实例涉及个人物联网、家庭物联网、工业物联网、智慧城市物联网等。
学完本书，读者能够：
应用不同的人工智能技术，包括机器学习和基于TensorFlow和Keras的深度学习。
访问和处理来自各种分布式数据源的数据。
对IoT数据执行有监督和无监督机器学习。
基于MLlib和H2O.ai平台，在Apache Spark框架上实现对IoT数据的分布式处理。
基于深度学习方法对时间序列数据进行预测。
从可穿戴设备和智能设备得到的数据中获取独到的洞察。
了解个人物联网、工业物联网和智慧城市中的人工智能应用。

AIoT是一个新兴词汇，代表AI+IoT，指的是人工智能技术与物联网在实际应用中的落地融合。目前，已有越来越多的行业应用将AI与IoT结合起来，AIoT已经成为各个传统行业智能化升级的最佳途径，也是未来物联网发展的重要方向。
IoT的终极目标是实现“万物智联”。这意味着不仅要把所有的设备连接起来，并且要赋予其智能的“大脑”，真正实现万物智联，发挥出IoT的巨大潜力和价值。AI技术是实现这一目标的必备工具，通过分析、处理历史数据和实时数据，AI可以更准确地预测设备和用户的行为，使设备变得更加智能，进而提升产品效能，丰富用户体验。对于IoT产生的数量巨大且庞杂的数据，只有充分利用AI技术，才能对其进行有效处理，进而提升用户体验与产品智能。同时，也只有IoT能够源源不断为AI技术提供至关重要的大数据，利用这些海量数据，AI可以快速、准确地获取知识。综上，一方面，IoT提供的超大规模数据可以为AI施展其深度洞察能力奠定基础；另一方面，具备了深度学习能力的AI又可以基于其具备的精确算法促使物联网行业的应用尽快落地。
当与AI技术融合后，IoT的潜力将进一步得到释放，进而改变现有产业生态和经济格局，甚至是人类的生活模式。AIoT将真正实现智能物联，也将促进人工智能向应用智能发展。本书内容涉及并融合了人工智能和物联网两个热点问题，将人工智能中的优越方法应用到物联网的构建中，以形成更加智能的物联网系统。本书的最大特点是：一方面，比较全面和完整地介绍了人工智能算法，包括传统的机器学习、流行的深度学习、遗传算法、强化学习和生成式模型等；另一方面，为相关的算法和应用实例提供了完整的代码，可以帮助读者快速构建自己所需的智能物联网系统。书中介绍的模型构建技术适用于物联网设备生成和使用的各种数据，如时间序列、图像和音频；给出的典型实践案例涉及个人物联网、家庭物联网、工业物联网、智慧城市物联网等。因此，不同领域和行业的研究人员及开发人员都可以轻松利用本书实现自己的开发目的。
本书可供从事智能物联网系统研发的技术人员学习。同时，对于对智能物联网系统感兴趣的研究生和高年级本科生，本书也是非常实用的参考书。

译者序
前言
作者简介
审阅者简介
第1章　物联网与人工智能的原理和基础 1
1.1　什么是物联网 1
1.1.1　物联网参考模型 3
1.1.2　物联网平台 4
1.1.3　物联网垂直领域 4
1.2　大数据和物联网 5
1.3　人工智能的注入：物联网中的数据科学 6
1.3.1　数据挖掘跨行业标准流程 7
1.3.2　人工智能平台和物联网平台 8
1.4　本书使用的工具 9
1.4.1　TensorFlow 9
1.4.2　Keras 10
1.4.3　数据集 11
1.5　小结 13
第2章　面向物联网的数据访问和分布式处理 14
2.1　TXT格式 14
2.1.1　使用Python读写TXT文件 15
2.2　CSV格式 16
2.2.1　使用csv模块读写CSV文件 16
2.2.2　使用pandas模块读写CSV文件 18
2.2.3　使用NumPy模块读写CSV文件 20
2.3　XLSX格式 20
2.3.1　使用OpenPyXl模块读写XLSX文件 21
2.3.2　使用pandas模块读写XLSX文件 22
2.4　JSON格式 22
2.4.1　使用JSON模块读写JSON文件 22
2.4.2　使用pandas模块读写JSON文件 23
2.5　HDF5格式 24
2.5.1　使用PyTables模块读写HDF5文件 24
2.5.2　使用pandas模块读写HDF5文件 25
2.5.3　使用h5py模块读写HDF5文件 26
2.6　SQL数据 27
2.6.1　SQLite数据库引擎 27
2.6.2　MySQL数据库引擎 29
2.7　NoSQL数据 29
2.8　HDFS分布式文件系统 31
2.8.1　使用hdfs3模块操作HDFS 31
2.8.2　使用PyArrow 的文件系统接口操作HDFS 32
2.9　小结 32
第3章　用于物联网的机器学习 33
3.1　机器学习与物联网 33
3.2　学习范式 34
3.3　用线性回归进行预测 35
3.3.1　用回归预测电力输出 36
3.4　分类的逻辑回归 39
3.4.1　交叉熵损失函数 40
3.4.2　用逻辑回归分类葡萄酒 40
3.5　用支持向量机分类 42
3.5.1　最大间隔分类超平面 43
3.5.2　核技巧 44
3.5.3　用SVM分类葡萄酒 45
3.6　朴素贝叶斯分类器 47
3.6.1　用高斯朴素贝叶斯分类器评估葡萄酒质量 47
3.7　决策树 49
3.7.1　scikit 中的决策树 51
3.7.2　决策树实践 52
3.8　集成学习 54
3.8.1　投票分类器 54
3.8.2　bagging与pasting 55
3.9　改进模型的窍门与技巧 56
3.9.1　特征缩放以解决不均匀的数据尺度 56
3.9.2　过拟合 57
3.9.3　“没有免费的午餐”定理 58
3.9.4　超参数调整和网格搜索 58
3.10　小结 59
第4章　用于物联网的深度学习 60
4.1　深度学习基础 60
4.1.1　深度学习为何如此流行 62
4.1.2　人工神经元 62
4.1.3　在TensorFlow中建模单个神经元 67
4.2　用于回归和分类任务的多层感知器 71
4.2.1　反向传播算法 72
4.2.2　使用TensorFlow中的MLP进行电力输出预测 74
4.2.3　使用TensorFlow中的MLP进行葡萄酒质量分类 77
4.3　卷积神经网络 80
4.3.1　CNN中的不同层 80
4.3.2　一些流行的CNN模型 83
4.3.3　用LeNet识别手写数字 84
4.4　递归神经网络 88
4.4.1　长短时记忆网络 90
4.4.2　门控递归单元 93
4.5　自编码器 94
4.5.1　去噪自编码器 95
4.5.2　变分自编码器 95
4.6　小结 96
第5章　用于物联网的遗传算法 97
5.1　优化 97
5.1.1　确定与分析方法 99
5.1.2　自然优化方法 101
5.2　遗传算法概论 103
5.2.1　遗传算法 104
5.2.2　优点与缺点 106
5.3　使用Python中的分布式进化算法编写遗传算法代码 107
5.3.1　猜词 107
5.3.2　CNN架构的遗传算法 111
5.3.3　用于LSTM优化的遗传算法 117
5.4　小结 120
第6章　用于物联网的强化学习 121
6.1　引言 121
6.1.1　强化学习术语 122
6.1.2　成功案例 125
6.2　仿真环境 126
6.2.1　OpenAI gym 127
6.3　Q-学习 129
6.3.1　用Q-表解决出租车落客问题 130
6.4　Q-网络 132
6.4.1　用Q-网络解决出租车落客问题 133
6.4.2　用DQN玩Atari游戏 135
6.4.3　双DQN 143
6.4.4　决斗 DQN 143
6.5　策略梯度 144
6.5.1　为何使用策略梯度 145
6.5.2　使用策略梯度玩Pong游戏 145
6.5.3　演员–评论家算法 149
6.6　小结 150
第7章　用于物联网的生成式模型 151
7.1　引言 152
7.2　用VAE生成图像 152
7.2.1　在TensorFlow中实现VAE 153
7.3　GAN 158
7.3.1　在TensorFlow中实现vanilla GAN 159
7.3.2　深度卷积GAN 163
7.3.3　GAN的变体及其应用 168
7.4　小结 170
第8章　面向物联网的分布式人工智能 171
8.1　引言 171
8.1.1　Spark组件 172
8.2　Apache MLlib 173
8.2.1　MLlib中的回归 173
8.2.2　MLlib中的分类 177
8.2.3　使用SparkDL的迁移学习 179
8.3　H2O.ai简介 183
8.3.1　H2O AutoML 184
8.3.2　H2O中的回归 184
8.3.3　H2O中的分类 189
8.4　小结 191
第9章　个人物联网和家庭物联网 193
9.1　个人物联网 193
9.1.1　MIT的超级鞋 194
9.1.2　持续血糖监测 195
9.1.3　心律监测器 198
9.1.4　数字助理 200
9.2　物联网和智能家居 200
9.2.1　人类活动识别 201
9.2.2　智能照明 206
9.2.3　家庭监控 207
9.3　小结 208
第10章　人工智能用于工业物联网 209
10.1　人工智能工业物联网简介 209
10.1.1　一些有趣的用例 210
10.2　使用人工智能进行预测性维护 211
10.2.1　使用长短时记忆网络的预测性维护 212
10.2.2　预测性维护的优缺点 221
10.3　工业用电负荷预测 222
10.3.1　使用LSTM实现STLF 222
10.4　小结 225
第11章　人工智能用于智慧城市物联网 226
11.1　为什么需要智慧城市 226
11.2　智慧城市的组成部分 227
11.2.1　智能交通管理 228
11.2.2　智能停车 228
11.2.3　智能垃圾管理 229
11.2.4　智能警务 230
11.2.5　智能照明 230
11.2.6　智能治理 231
11.3　适应智慧城市的物联网和必要步骤 231
11.3.1　拥有开放数据的城市 232
11.3.2　利用旧金山的犯罪数据来侦查犯罪 234
11.4　挑战和收益 236
11.5　小结 237
第12章　组合应用 238
12.1　处理不同类型的数据 238
12.1.1　时间序列建模 239
12.1.2　文本数据预处理 243
12.1.3　图像的数据增强 245
12.1.4　视频文件处理 247
12.1.5　音频文件作为输入数据 248
12.2　云计算 251
12.2.1　AWS 251
12.2.2　谷歌云平台 252
12.2.3　微软Azure 252
12.3　小结 252