本書較為全面地論述了機器學習、深度學習、大數據技術與圖像處理技術的基本概念、基礎原理和基本方法，以農業為應用場景，力求通縮易懂，深入淺出的介紹了與機器學習、深度學習、大數據技術與圖像處理技術問題聯系密切的內容。全書主要分為4大部分：機器學習、大數據技術和圖像處理技術的基礎知識；經典的機器學習基本理論和方法，以及深度學習和大數據未來的發展；實踐應用；機器學習和人工智能的數學基礎與編程基礎。
強調大數據技術的基本概念和機器學習算法，結合深度學習和人工智能技術，對Python和圖形圖像處理技術進行了詳細闡述，兼顧人工智能領域的發展，與生產實際的應用場景相結合
博士，山東農業大學教授，碩士研究生導師。主要從事機器學習，模式識別，數字圖像處理、計算機視覺和大數據技術的研究及其在農業等領域的應用。近年來，先后參加了國家自然科學基金項目基于限制性貝葉斯網絡的學習技術研究；國家自然科學基金項目智能網絡安全防御系統關鍵技術的研究；國家世界銀行貸款項目農田景觀主要作物病蟲害生態治理技術研究；山東省科技廳項目農業信息化關鍵技術應用-蘋果產業技術信息化服務平臺研發。在支持向量機的簡化和結構數據核函數方面，取得了一定的成績。在國外雜志和國內核心期刊上發表論文50多篇，其中被SCI、EI和ISTP收錄15篇。獲得山東省科技進步獎二等獎2項，山東省科技進步獎三等獎2項。
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 大數據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 人工神經網絡29
2.6.1簡介29
2.6.2神經網絡基礎31
2.6.3 BP神經網絡37
2.6.4 RBF神經網絡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卷積神經網絡52
3.2.2受限玻爾茲曼機54
3.2.3深度信念網絡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 大數據處理技術65
4.1 大數據簡介65
4.1.1大數據概念與特點65
4.1.2大數據類型66
4.1.3大數據應用67
4.2 大數據技術68
4.2.1數據獲取與預處理技術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 大數據處理框架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 大數據面臨挑戰86
4.4.1數據安全性87
4.4.2計算復雜性87
4.4.3計算時效性87
第5章 大數據與智能系統開發以農業應用為例88
5.1 農業信息化概述88
5.1.1農業信息概念88
5.1.2農業信息分類88
5.1.3農業信息技術89
5.2 農業大數據概述89
5.2.1農業大數據概念89
5.2.2農業大數據特點90
5.2.3農業大數據標準90
5.2.4農業大數據發展趨勢91
5.3 農業大數據技術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發展趨勢96
5.4 農業大數據機遇、挑戰與對策97
5.4.1機遇97
5.4.2挑戰與對策97
5.5 基于安卓的農業智能99
5.5.1簡介99
5.5.2APP開發步驟100
5.5.3農業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 圖像處理技術在農業中的應用111
6.2.1農業圖像特點111
6.2.2農業應用場景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、大數據技術和圖像處理技術的應用以農業應用為例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隨機森林構建119
7.2.3袋外數據OOB和OOB估計120
7.2.4實驗結果與分析121
7. 3 基于鄰域核函數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128
7.3.2基于鄰域核函數的局部支持向量機129
7.3.3實驗結果與分析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數據來源與預處理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數據來源與預處理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數據來源與預處理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155
7.7.4改進思想156
7.7.5實驗結果與分析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基本數據類型164
8.2.2運算符與表達式166
8.2.3選擇與循環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190
8.3.1函數定義190
8.3.2 函數調用191
8.3.3函數參數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數據處理與機器學習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 網絡爬蟲222
9.2.1基礎知識222
9.2.2應用舉例226
9.3 數據庫226
9.3.1 Sqlite數據庫226
9.3.2 MySQL數據庫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數學形態學235
9.4.5應用舉例236
9.5 數據可視化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大數據處理技術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
新書資訊