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(píng)價(jià)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(jiǎn)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(jiǎn)介20

2.3.2基本原理21

2.3.3特點(diǎn)與應(yīng)用23

2.4 蟻群算法23

2.4.1簡(jiǎn)介23

2.4.2基本原理24

2.4.3特點(diǎn)與應(yīng)用26

2.5 粒子群算法27

2.5.1簡(jiǎn)介27

2.5.2基本原理27

2.5.3特點(diǎn)與應(yīng)用28

2.6 人工神經(jīng)網(wǎng)絡(luò)29

2.6.1簡(jiǎn)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(jiǎn)介40

2.7.2基本原理40

2.7.3特點(diǎn)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(jiǎn)介50

3.2 常見(jiàn)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(dòng)編碼器57

3.2.5降噪自動(dòng)編碼器59

3.2.6堆疊降噪自動(dòng)編碼器59

3.3 應(yīng)用場(chǎng)景60

3.4 發(fā)展趨勢(shì)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(jiǎn)介65

4.1.1大數(shù)據(jù)概念與特點(diǎn)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(chǔ)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(jiǎn)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(jì)算復(fù)雜性87

4.4.3計(jì)算時(shí)效性87

第5章 大數(shù)據(jù)與智能系統(tǒng)開(kāi)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(diǎn)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(shì)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(chǔ)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(shì)96

5.4 農(nóng)業(yè)大數(shù)據(jù)機(jī)遇、挑戰(zhàn)與對(duì)策97

5.4.1機(jī)遇97

5.4.2挑戰(zhàn)與對(duì)策97

5.5 基于安卓的農(nóng)業(yè)智能99

5.5.1簡(jiǎn)介99

5.5.2APP開(kāi)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(shù)102

6.1 簡(jiǎn)介102

6.1.1常用術(shù)語(yǔ)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(diǎn)111

6.2.2農(nóng)業(yè)應(yīng)用場(chǎng)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(jiǎn)介118

7.2 隨機(jī)森林在棉蚜等級(jí)預(yù)測(cè)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(jì)120

7.2.4實(shí)驗(yàn)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(shù)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(shí)驗(yàn)結(jié)果與分析129

7.4 局部支持向量回歸在小麥蚜蟲(chóng)預(yù)測(cè)中的應(yīng)用132

7.4.1小麥蚜蟲(chóng)預(yù)測(cè)原理132

7.4.2數(shù)據(jù)來(lái)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(shí)驗(yàn)結(jié)果與分析136

7.5 深度學(xué)習(xí)在小麥蚜蟲(chóng)短期預(yù)測(cè)中的應(yīng)用138

7.5.1數(shù)據(jù)來(lái)源與預(yù)處理138

7.5.2模型評(píng)價(jià)指標(biāo)139

7.5.3基于DBN_LSVR的小麥蚜蟲(chóng)短期預(yù)測(cè)模型140

7.5.4實(shí)驗(yàn)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(shí)別中的應(yīng)用143

7.6.1數(shù)據(jù)來(lái)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(shí)驗(yàn)結(jié)果與分析151

7.7 Hadoop平臺(tái)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(shí)現(xiàn)155

7.7.4改進(jìn)思想156

7.7.5實(shí)驗(yàn)結(jié)果與分析157

第8章 Python基礎(chǔ)160

8.1 基礎(chǔ)知識(shí)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(yǔ)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(kāi)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(jì)算210

9.1.1基礎(chǔ)知識(shí)210

9.1.2應(yīng)用舉例218

9.2 網(wǎng)絡(luò)爬蟲(chóng)222

9.2.1基礎(chǔ)知識(shí)222

9.2.2應(yīng)用舉例226

9.3 數(shù)據(jù)庫(kù)226

9.3.1 Sqlite數(shù)據(jù)庫(kù)226

9.3.2 MySQL數(shù)據(jù)庫(kù)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(shù)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(jiǎn)介256

9.8.2基礎(chǔ)知識(shí)258

9.8.3應(yīng)用舉例260

參考文獻(xiàn)261