作者：李敏//王武宏//潘福全
页数：158
出版社：化学工业出版社
出版日期：2022
ISBN：9787122399830
电子书格式：pdf/epub/txt
内容简介
本书主要对大数据的理论基础进行了介绍，并对大数据框架包含的内容进行了详细讲解。具体内容包括：对Python基础知识的介绍，在大数据的交通流预测中所能用到的Python基础知识；对大数据所包括的内容及基础理论知识的讲解；数据挖掘的研究与分析，对交通流大数据的基础数据的处理与分析；基于Python的机器学习模型的基础理论知识的介绍、交通流和驾驶行为及意图分析；基于Python的深度学习的理论讲解与分析，并运用深度学习模型对交通流进行预测等。本书可供交通运输、交通工程、车辆工程、计算机等领域的技术人员、编程人员阅读，也可供相关专业的师生学习参考。
本书特色
●大数据技术基础理论知识：大数据的特征、分类、框架结构等。
●Python编程基础知识：各种模块的讲解，并配以实操案例。
●机器学习模式识别：机器学习的类型、机器学习的基础数学知识、树和随机森林算法、KNN算法、贝叶斯理论、支持向量机等模型和原理以及具体的Python代码实现。
●深度学习基础知识及应用：深度学习的微积分基础、线性代数基础、案例详解、深度学习框架以及硬件基础、深度学习的驾驶意图应用等。
●深度学习的交通流预测研究：交通流理论基础、交通流统计分布特性的基本理论知识、交通流数据预处理、深度学习的交通流预测等。
目录
1.1 大数据概述002
1.2 Python 概述003
1.3 交通运输大数据概述004
第2 章 Python 基础知识007
2.1 变量和简单数据类型008
2.2 Python 语法基础010
2.3 数据可视化020
2.4 数据的统计学特征025
2.5 代数和符号运算问题028
2.6 基本数学运算030
2.7 不同类型的数字031
2.8 Pandas 和NumPy 模块032
第3 章 大数据基础043
3.1 大数据044
3.2 Hadoop 大数据平台046
3.3 大数据与人工智能050
3.4 探索性数据分析051
3.5 相关分析和回归分析054
3.6 降维数据分析056
第4 章 机器学习模式识别065
4.1 人工智能、机器学习和深度学习关系066
4.2 机器学习基础068
4.3 机器学习中的参数及拟合问题071
4.4 矩阵基本知识072
4.5 树和随机森林算法076
4.6 KNN 算法078
4.7 贝叶斯理论078
4.8 支持向量机080
4.9 神经网络085
第5 章 深度学习基础及应用101
5.1 深度学习中的微积分基础102
5.2 深度学习的线性代数基础106
5.3 基于Python 的神经网络案例算法详解107
5.4 深度学习框架113
5.5 深度学习的硬件基础117
5.6 卷积神经网络算法详解118
5.7 循环神经网络和长短期记忆网络125
5.8 基于LSTM 的驾驶意图识别130
第6 章 深度学习的交通流预测研究139
6.1 交通流理论基础140
6.2 交通流的统计分布特性142
6.3 交通流数据预处理144
6.4 交通信息获取技术146
6.5 宏观交通流模型及微观交通流模型147
6.6 基于深度学习的交通流预测149
参考文献155
