
本书围绕典型的数据收集、存储、处理与分析过程,系统地阐述物联网与数据挖掘的基本理论、技术、方法与典型应用等,旨在使读者全面、扎实地掌握基本的物联网与数据挖掘技术。全书共16章,内容包括物联网数据收集、物联网数据存储、物联网数据预处理、分类、集成学习、聚类、关联规则、人工神经网络与深度学习、异常检测等传统技术,也涵盖区块链技术、因果分析、主动学习、迁移学习等进阶知识,最后简单介绍物联网与数据挖掘技术在智慧健康养老和医疗健康中的应用。 本书可以作为高等院校物联网工程及相关专业的教材,也可以作为计算机、电子通信等专业相关课程的参考用书。
本书是一本面向学生和研究人员介绍物联网与数据挖掘的教科书。本书可以作为高等院校物联网工程及相关专业的教材,也可以作为计算机、电子通信等专业相关课程的参考用书。全书共16章,在第1章介绍完物联网与数据挖掘的基本概念之后,分四部分进行讲述。 第一部分:物联网数据收集与管理。第2章介绍物联网中典型的感知技术、数据通信方式及常见的数据传输协议。第3章介绍数据库系统、数据仓库、数据湖等物联网数据存储系统。第4章从数据清洗、数据变换、特征约简三方面介绍常用的数据预处理技术。 第二部分:物联网数据挖掘常用技术。第5章介绍分类模型,即如何根据某个学习到的分类模型来预测未知样本的标签。第6章介绍通过利用多个模型来解决问题的集成学习方法。第7章介绍可以将一组数据分成若干个簇的聚类方法。第8章讲述关联规则挖掘,重点介绍两个典型的关联规则挖掘算法。第9章介绍当前火热的深度学习及与深度学习密切相关的人工神经网络,包括M-P神经元模型、感知机、多层神经元网络、误差反向传播算法、梯度下降法、卷积神经网络、循环神经网络等。第10章介绍常用的异常检测技术,即如何发现与预期行为不一致的模式,或者发现对象集合中与大部分其他对象不同的对象。 第三部分:物联网数据挖掘前沿技术。第11章介绍区块链技术,可以用于物联网数据的安全、可靠、可信存储与溯源。第12章介绍因果分析,即如何寻找和利用数据中的因果机制,开展因果关系发现和因果效应估计工作。第13章介绍主动学习,即如何获得最有用的未标注的样本的标签,以使用尽可能少的有标签样本来获得高的模型性能。第14章介绍迁移学习,可以用于帮助已有的数据挖掘系统快速适应新场景、新环境和新任务。 第四部分:物联网数据挖掘典型应用。第15介绍物联网与数据挖掘技术在智慧健康养老中的应用。第16章介绍物联网与数据挖掘技术在医疗健康中应用。 本书由5位老师合作完成。王爱国和陈桂林规划了全书内容和结构并撰写了第1章,赵亮撰写了第2章,王勇撰写了第5章和第7章,王汇彬撰写了第11章,王爱国完成了其余章节的撰写工作并统一了全书风格。 在内容上,为便于读者从总体上理解数据挖掘技术,本书从统计机器学习的角度简要阐述了数据挖掘,并在介绍常用数据挖掘技术的基础上,讲述因果分析、主动学习、迁移学习等进阶知识,引导读者扩展相关知识,激发读者的学习兴趣和探索欲望。为帮助读者更好地理解、掌握与准确地应用较重要、较常用的数据挖掘技术,本书给出了相应算法的Python代码实现或基于Python库函数的应用示例。此外,本书在第1~10章中各给出了10道习题,在第11~14章中各给出了6道习题,以帮助读者巩固本章知识,引导读者进一步学习。 本书在完稿校勘时得到了刘焕成、颜靖禹、罗钟煜等学生的协助,在此向他们表示衷心的感谢。感谢滁州学院的赵生慧教授、安徽工程大学的章平副教授提供的帮助和建设性建议。在本书的写作和出版过程中,电子工业出版社的牛晓丽编辑做了大量工作,在此特向她致谢。最后,感谢家人对我们的支持与理解! 尽管作者做出了不懈努力,但是由于自身水平所限和信息技术的发展日新月异,书中难免有疏漏之处,恳请读者批评指正。 作者 2023年02月
第1章 绪论 1 1.1 物联网概述 1 1.1.1 物联网的产生与发展 1 1.1.2 什么是物联网 2 1.1.3 物联网体系结构 4 1.2 数据挖掘概述 5 1.2.1 什么是数据挖掘 6 1.2.2 数据挖掘的对象与内容 7 1.2.3 数据挖掘常用技术 9 1.3 物联网与数据挖掘 13 1.3.1 物联网数据 14 1.3.2 物联网数据挖掘 16 1.3.3 物联网数据挖掘的应用 16 习题 17 第2章 物联网数据收集 18 2.1 传感器与感知技术 18 2.1.1 环境参数感知 19 2.1.2 生理信号感知 21 2.1.3 动作信号感知 24 2.2 物联网中常见的通信技术 27 2.2.1 无线通信技术 27 2.2.2 有线通信技术 33 2.3 物联网数据传输协议 34 2.3.1 TCP 34 2.3.2 HTTP 35 2.3.3 MQTT 36 2.3.4 WebSocket协议 37 习题 38 第3章 物联网数据存储 39 3.1 数据库系统 39 3.1.1 数据库系统分类 39 3.1.2 数据库系统选择 44 3.2 数据仓库 46 3.2.1 数据仓库的特点 46 3.2.2 数据仓库的组成 47 3.2.3 数据仓库的体系结构 49 3.2.4 多维数据模型 52 3.3 数据湖 56 习题 58 第4章 物联网数据预处理 59 4.1 数据清洗 59 4.1.1 缺失值处理 59 4.1.2 噪声处理 61 4.1.3 重复数据处理 62 4.2 数据变换 63 4.2.1 数据离散化 63 4.2.2 数据归一化 65 4.3 特征约简 67 4.3.1 特征选择 67 4.3.2 特征提取 74 习题 77 第5章 分类 78 5.1 决策树 78 5.1.1 决策树模型 78 5.1.2 特征重要性评估 80 5.1.3 决策树生成 83 5.1.4 决策树剪枝 87 5.1.5 案例 87 5.2 k最近邻 88 5.2.1 k最近邻模型 88 5.2.2 k值的选择 89 5.2.3 距离度量 90 5.2.4 案例 93 5.3 朴素贝叶斯分类器 93 5.3.1 贝叶斯定理 93 5.3.2 朴素贝叶斯分类器 93 5.3.3 不同类型的朴素贝叶斯 96 5.3.4 案例 96 习题 97 第6章 集成学习 98 6.1 集成学习简介 98 6.2 Bagging算法 100 6.3 Boosting算法 103 6.4 Stacking方法 108 习题 110 第7章 聚类 111 7.1 基本概念和术语 111 7.2 k均值算法 112 7.3 层次聚类算法 116 习题 119 第8章 关联规则 120 8.1 频繁项集与关联规则 121 8.2 Apriori算法 123 8.2.1 频繁项集的产生 123 8.2.2 关联规则的产生 128 8.2.3 Apriori算法分析 130 8.3 FP增长算法 131 8.3.1 构建FP树 131 8.3.2 基于FP树挖掘频繁项集 134 8.3.3 算法分析 136 8.4 关联规则应用示例 136 8.5 关联规则高级进阶 138 8.5.1 面向不同类型变量的关联规则挖掘 138 8.5.2 面向概念分层的关联规则 140 8.5.3 负关联规则挖掘 140 8.5.4 面向特定数据的关联规则挖掘 141 8.5.5 面向大数据的关联规则挖掘 142 习题 143 第9章 人工神经网络与深度学习 144 9.1 神经元模型 144 9.2 感知机与多层神经元网络 146 9.3 误差反向传播算法 149 9.4 激活函数与损失函数 155 9.4.1 激活函数 156 9.4.2 损失函数 157 9.5 梯度下降法 160 9.6 深度学习模型 162 9.7 卷积神经网络 163 9.7.1 卷积神经网络的组件 163 9.7.2 卷积神经网络的训练 169 9.7.3 典型的卷积神经网络 170 9.7.4 卷积神经网络的代码示例 171 9.8 循环神经网络 173 9.8.1 基本循环神经网络 173 9.8.2 双向循环神经网络 175 9.8.3 深度循环神经网络 176 9.8.4 递归神经网络 177 9.8.5 循环神经网络训练 177 9.8.6 长短时记忆网络 178 9.8.7 循环神经网络的代码示例 181 习题 182 第10 章异常检测 183 10.1 异常的类型 183 10.2 异常检测方法分类 184 10.2.1 对象标签的可用性 184 10.2.2 参考集合的范围 184 10.2.3 异常检测算法的输出 185 10.2.4 潜在建模方法的特点 185 10.3 基于分类的方法 185 10.4 基于统计的方法 186 10.4.1 基于统计检验的方法 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 基于邻近度的方法 192 10.5.1 基于聚类的方法 192 10.5.2 基于距离的方法 192 10.5.3 基于密度的方法 193 10.6 基于深度学习的方法 195 10.7 异常检测高级进阶 197 10.7.1 面向类别和混合数据的异常检测 197 10.7.2 面向时序数据的异常检测 197 10.7.3 面向图数据的异常检测 198 习题 198 第11章 区块链技术 199 11.1 比特币 199 11.2 区块链的基础概念和特征 201 11.3 区块链的技术要素 201 11.3.1 分布式账本 201 11.3.2 共识机制 202 11.3.3 智能合约 203 11.3.4 密码学机制 204 11.4 常见的联盟链技术平台 205 11.4.1 Hyperledger Fabric 206 11.4.2 FISCO BCOS联盟链 207 11.4.3 商用联盟链BaaS平台 208 11.5 区块链赋能物联网 208 11.5.1 物链网的体系架构 208 11.5.2 物链网的应用场景 209 习题 210 第12章 因果分析 211 12.1 辛普森悖论 211 12.2 因果贝叶斯网络 212 12.2.1 贝叶斯网络 212 12.2.2 因果图模型 213 12.2.3 结构因果模型 214 12.3 因果关系发现 214 12.3.1 基于约束的方法 215 12.3.2 基于评分的方法 216 12.3.3 基于结构因果模型的方法 216 12.3.4 因果发现工具箱 217 12.4 因果效应估计 217 12.4.1 干预评估 217 12.4.2 反事实推理 219 12.4.3 因果效应估计工具箱 220 12.5 因果关系之梯 220 习题 221 第13章 主动学习 222 13.1 主动学习的分类 223 13.2 查询选择策略 224 13.2.1 不确定性采样 224 13.2.2 委员会查询 225 13.2.3 期望模型变化 226 13.2.4 期望误差减小 227 13.2.5 方差减小 227 13.2.6 密度权重 227 13.2.7 多样性最大化 228 13.2.8 深度主动学习 228 习题 229 第14章 迁移学习 230 14.1 迁移学习的基础 231 14.2 迁移学习方法分类 233 14.2.1 按是否包含有标签数据分类 233 14.2.2 按特征空间和标签空间分类 233 14.2.3 按学习方法分类 234 习题 240 第15章 在智慧健康养老中的应用 241 15.1 智能家居 241 15.2 基于环境智能的活动识别 243 15.2.1 信息感知与收集 244 15.2.2 传感器事件的特征编码 245 15.2.3 活动识别模型构建 247 15.3 活动识别模型评估 249 15.3.1 实验设置 249 15.3.2 实验结果 250 第16章 在医疗健康中的应用 252 16.1 概述 252 16.2 远程心脏健康监测系统 253
http://www.hxedu.com.cn/hxedu/fg/book/bookinfo.html?code=G0453680