本书较为全面地论述了机器学习、深度学习、大数据技术与图像处理技术的基本概念、基础原理和基本方法，以农业为应用场景，力求通缩易懂，深入浅出的介绍了与机器学习、深度学习、大数据技术与图像处理技术问题联系密切的内容。全书主要分为4大部分：机器学习、大数据技术和图像处理技术的基础知识；经典的机器学习基本理论和方法，以及深度学习和大数据未来的发展；实践应用；机器学习和人工智能的数学基础与编程基础。
强调大数据技术的基本概念和机器学习算法，结合深度学习和人工智能技术，对Python和图形图像处理技术进行了详细阐述，兼顾人工智能领域的发展，与生产实际的应用场景相结合
博士，山东农业大学教授，硕士研究生导师。主要从事机器学习，模式识别，数字图像处理、计算机视觉和大数据技术的研究及其在农业等领域的应用。近年来，先后参加了国家自然科学基金项目基于限制性贝叶斯网络的学习技术研究；国家自然科学基金项目智能网络安全防御系统关键技术的研究；国家世界银行贷款项目农田景观主要作物病虫害生态治理技术研究；山东省科技厅项目农业信息化关键技术应用-苹果产业技术信息化服务平台研发。在支持向量机的简化和结构数据核函数方面，取得了一定的成绩。在国外杂志和国内核心期刊上发表论文50多篇，其中被SCI、EI和ISTP收录15篇。获得山东省科技进步奖二等奖2项，山东省科技进步奖三等奖2项。
第 1章 绪论1
1.1 机器学习3
1.1.1概述3
1.1.2评价准则4
1.1.3分类6
1.1.4常用工具7
1.2 大数据9
1.3 人工智能10
1.4 图像处理技术12
第 2章 机器学习理论与方法13
2.1 回归分析与最小二乘法13
2.2聚类15
2.2.1简介15
2.2.2基本原理15
2.2.3常用聚类算法17
2.3 遗传算法20
2.3.1简介20
2.3.2基本原理21
2.3.3特点与应用23
2.4 蚁群算法23
2.4.1简介23
2.4.2基本原理24
2.4.3特点与应用26
2.5 粒子群算法27
2.5.1简介27
2.5.2基本原理27
2.5.3特点与应用28
2.6 人工神经网络29
2.6.1简介29
2.6.2神经网络基础31
2.6.3 BP神经网络37
2.6.4 RBF神经网络38
2.7支持向量机40
2.7.1简介40
2.7.2基本原理40
2.7.3特点与应用46
2.8 隐马尔科夫模型46
第3章 深度学习理论与方法50
3.1 简介50
3.2 常见模型51
3.2.1卷积神经网络52
3.2.2受限玻尔兹曼机54
3.2.3深度信念网络56
3.2.4自动编码器57
3.2.5降噪自动编码器59
3.2.6堆叠降噪自动编码器59
3.3 应用场景60
3.4 发展趋势61
3.4.1深度集成学习61
3.4.2深度强化学习62
3.4.3深度迁移学习63
第4章 大数据处理技术65
4.1 大数据简介65
4.1.1大数据概念与特点65
4.1.2大数据类型66
4.1.3大数据应用67
4.2 大数据技术68
4.2.1数据获取与预处理技术68
4.2.2存储与管理技术71
4.2.3分析与挖掘技术72
4.2.4可视化技术74
4.3 大数据处理框架79
4.3.1简介79
4.3.2 Hadoop80
4.3.3 Spark82
4.3.4 Storm84
4.3.5 HBase85
4.3.6 Hive86
4.4 大数据面临挑战86
4.4.1数据安全性87
4.4.2计算复杂性87
4.4.3计算时效性87
第5章 大数据与智能系统开发以农业应用为例88
5.1 农业信息化概述88
5.1.1农业信息概念88
5.1.2农业信息分类88
5.1.3农业信息技术89
5.2 农业大数据概述89
5.2.1农业大数据概念89
5.2.2农业大数据特点90
5.2.3农业大数据标准90
5.2.4农业大数据发展趋势91
5.3 农业大数据技术92
5.3.1获取与预处理技术92
5.3.2存储与集成技术95
5.3.3挖掘与可视化技术95
5.3.4发展趋势96
5.4 农业大数据机遇、挑战与对策97
5.4.1机遇97
5.4.2挑战与对策97
5.5 基于安卓的农业智能99
5.5.1简介99
5.5.2APP开发步骤100
5.5.3农业APP101
第6章 图像处理与分析技术102
6.1 简介102
6.1.1常用术语102
6.1.2图像处理与分析基础106
6.2 图像处理技术在农业中的应用111
6.2.1农业图像特点111
6.2.2农业应用场景111
6.3图像细化算法112
6.3.1细化算法原理112
6.3.2改进算法114
第7章 机器学习、大数据技术和图像处理技术的应用以农业应用为例118
7.1 简介118
7.2 随机森林在棉蚜等级预测中的应用118
7.2.1随机森林原理118
7.2.2随机森林构建119
7.2.3袋外数据OOB和OOB估计120
7.2.4实验结果与分析121
7. 3 基于邻域核函数的局部支持向量机在树木图像分类中的应用127
7.3.1邻域核函数128
7.3.2基于邻域核函数的局部支持向量机129
7.3.3实验结果与分析129
7.4 局部支持向量回归在小麦蚜虫预测中的应用132
7.4.1小麦蚜虫预测原理132
7.4.2数据来源与预处理132
7.4.3支持向量回归与局部支持向量回归134
7.4.4实验结果与分析136
7.5 深度学习在小麦蚜虫短期预测中的应用138
7.5.1数据来源与预处理138
7.5.2模型评价指标139
7.5.3基于DBN_LSVR的小麦蚜虫短期预测模型140
7.5.4实验结果与分析141
7.6 基于Spark的支持向量机在小麦病害图像识别中的应用143
7.6.1数据来源与预处理144
7.6.2 基于Spark的支持向量机149
7.6.3实验结果与分析151
7.7 Hadoop平台下基于粒子群的局部支持向量机153
7.7.1相关技术及算法154
7.7.2改进算法原理155
7.7.3 MapRuduce实现155
7.7.4改进思想156
7.7.5实验结果与分析157
第8章 Python基础160
8.1 基础知识160
8.1.1Python安装与使用160
8.1.2编码规范160
8.1.3模块导入161
8.1.4异常处理163
8.2 语言基础164
8.2.1基本数据类型164
8.2.2运算符与表达式166
8.2.3选择与循环172
8.2.4字符串176
8.2.5列表、元组与字典178
8.2.6正则表达式187
8.3 函数190
8.3.1函数定义190
8.3.2 函数调用191
8.3.3函数参数192
8.3.4返回值195
8.3.5变量作用域196
8.4 类197
8.4.1类定义197
8.4.2类方法198
8.4.3继承与多态199
8.4.4应用举例199
8.5 文件206
8.5.1打开和关闭206
8.5.2读写207
8.5.3其他操作208
8.5.4目录操作209
第9章 Python数据处理与机器学习210
9.1 矩阵计算210
9.1.1基础知识210
9.1.2应用举例218
9.2 网络爬虫222
9.2.1基础知识222
9.2.2应用举例226
9.3 数据库226
9.3.1 Sqlite数据库226
9.3.2 MySQL数据库228
9.4 OpenCV图像编程230
9.4.1图像基础操作230
9.4.2图像几何变换231
9.4.3图像滤波233
9.4.4数学形态学235
9.4.5应用举例236
9.5 数据可视化237
9.5.1 matplotlib可视化237
9.5.2 plotly可视化238
9.6 基于Python机器学习算法240
9.6.1线性回归240
9.6.2 Logistic回归242
9.6.3 K近邻算法245
9.6.4 K均值聚类247
9.6.5决策树250
9.7 基于Python大数据处理技术255
9.7.1 MapReduce编程255
9.7.2 应用举例256
9.8 Tensorflow编程256
9.8.1简介256
9.8.2基础知识258
9.8.3应用举例260
参考文献261
书单推荐
