第 1章 緒論1

1.1 機器學習3

1.1.1概述3

1.1.2評價準則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12

第 2章 機器學習理論與方法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特點與應用28

2.6 人工神經(jīng)網(wǎng)絡29

2.6.1簡介29

2.6.2神經(jīng)網(wǎng)絡基礎31

2.6.3 BP神經(jīng)網(wǎng)絡37

2.6.4 RBF神經(jīng)網(wǎng)絡38

2.7支持向量機40

2.7.1簡介40

2.7.2基本原理40

2.7.3特點與應用46

2.8 隱馬爾科夫模型46

第3章 深度學習理論與方法50

3.1 簡介50

3.2 常見模型51

3.2.1卷積神經(jīng)網(wǎng)絡52

3.2.2受限玻爾茲曼機54

3.2.3深度信念網(wǎng)絡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 應用場景60

3.4 發(fā)展趨勢61

3.4.1深度集成學習61

3.4.2深度強化學習62

3.4.3深度遷移學習63

第4章 大數(shù)據(jù)處理技術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)應用67

4.2 大數(shù)據(jù)技術68

4.2.1數(shù)據(jù)獲取與預處理技術68

4.2.2存儲與管理技術71

4.2.3分析與挖掘技術72

4.2.4可視化技術74

4.3 大數(shù)據(jù)處理框架79

4.3.1簡介79

4.3.2 Hadoop80

4.3.3 Spark82

4.3.4 Storm84

4.3.5 HBase85

4.3.6 Hive86

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)標準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92

5.3.1獲取與預處理技術92

5.3.2存儲與集成技術95

5.3.3挖掘與可視化技術95

5.3.4發(fā)展趨勢96

5.4 農(nóng)業(yè)大數(shù)據(jù)機遇、挑戰(zhàn)與對策97

5.4.1機遇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)APP101

第6章 圖像處理與分析技術102

6.1 簡介102

6.1.1常用術語102

6.1.2圖像處理與分析基礎106

6.2 圖像處理技術在農(nóng)業(yè)中的應用111

6.2.1農(nóng)業(yè)圖像特點111

6.2.2農(nóng)業(yè)應用場景111

6.3圖像細化算法112

6.3.1細化算法原理112

6.3.2改進算法114

第7章 機器學習、大數(shù)據(jù)技術和圖像處理技術的應用以農(nóng)業(yè)應用為例118

7.1 簡介118

7.2 隨機森林在棉蚜等級預測中的應用118

7.2.1隨機森林原理118

7.2.2隨機森林構(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)的局部支持向量機在樹木圖像分類中的應用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測中的應用132

7.4.1小麥蚜蟲預測原理132

7.4.2數(shù)據(jù)來源與預處理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 深度學習在小麥蚜蟲短期預測中的應用138

7.5.1數(shù)據(jù)來源與預處理138

7.5.2模型評價指標139

7.5.3基于DBN_LSVR的小麥蚜蟲短期預測模型140

7.5.4實驗結(jié)果與分析141

7.6 基于Spark的支持向量機在小麥病害圖像識別中的應用143

7.6.1數(shù)據(jù)來源與預處理144

7.6.2 基于Spark的支持向量機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153

7.7.1相關技術及算法154

7.7.2改進算法原理155

7.7.3 MapRuduce實現(xiàn)155

7.7.4改進思想156

7.7.5實驗結(jié)果與分析157

第8章 Python基礎160

8.1 基礎知識160

8.1.1Python安裝與使用160

8.1.2編碼規(guī)范160

8.1.3模塊導入161

8.1.4異常處理163

8.2 語言基礎164

8.2.1基本數(shù)據(jù)類型164

8.2.2運算符與表達式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應用舉例199

8.5 文件206

8.5.1打開和關閉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)處理與機器學習210

9.1 矩陣計算210

9.1.1基礎知識210

9.1.2應用舉例218

9.2 網(wǎng)絡爬蟲222

9.2.1基礎知識222

9.2.2應用舉例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)學形態(tài)學235

9.4.5應用舉例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機器學習算法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255

9.7.1 MapReduce編程255

9.7.2 應用舉例256

9.8 Tensorflow編程256

9.8.1簡介256

9.8.2基礎知識258

9.8.3應用舉例260

參考文獻261