第1章　绪论 1__eol__1.1　物联网概述 1__eol__1.1.1　物联网的产生与发展 1__eol__1.1.2　什么是物联网 2__eol__1.1.3　物联网体系结构 4__eol__1.2　数据挖掘概述 5__eol__1.2.1　什么是数据挖掘 6__eol__1.2.2　数据挖掘的对象与内容 7__eol__1.2.3　数据挖掘常用技术 9__eol__1.3　物联网与数据挖掘 13__eol__1.3.1　物联网数据 14__eol__1.3.2　物联网数据挖掘 16__eol__1.3.3　物联网数据挖掘的应用 16__eol__习题 17__eol__第2章　物联网数据收集 18__eol__2.1　传感器与感知技术 18__eol__2.1.1　环境参数感知 19__eol__2.1.2　生理信号感知 21__eol__2.1.3　动作信号感知 24__eol__2.2　物联网中常见的通信技术 27__eol__2.2.1　无线通信技术 27__eol__2.2.2　有线通信技术 33__eol__2.3　物联网数据传输协议 34__eol__2.3.1　TCP 34__eol__2.3.2　HTTP 35__eol__2.3.3　MQTT 36__eol__2.3.4　WebSocket协议 37__eol__习题 38__eol__第3章　物联网数据存储 39__eol__3.1　数据库系统 39__eol__3.1.1　数据库系统分类 39__eol__3.1.2　数据库系统选择 44__eol__3.2　数据仓库 46__eol__3.2.1　数据仓库的特点 46__eol__3.2.2　数据仓库的组成 47__eol__3.2.3　数据仓库的体系结构 49__eol__3.2.4　多维数据模型 52__eol__3.3　数据湖 56__eol__习题 58__eol__第4章　物联网数据预处理 59__eol__4.1　数据清洗 59__eol__4.1.1　缺失值处理 59__eol__4.1.2　噪声处理 61__eol__4.1.3　重复数据处理 62__eol__4.2　数据变换 63__eol__4.2.1　数据离散化 63__eol__4.2.2　数据归一化 65__eol__4.3　特征约简 67__eol__4.3.1　特征选择 67__eol__4.3.2　特征提取 74__eol__习题 77__eol__第5章　分类 78__eol__5.1　决策树 78__eol__5.1.1　决策树模型 78__eol__5.1.2　特征重要性评估 80__eol__5.1.3　决策树生成 83__eol__5.1.4　决策树剪枝 87__eol__5.1.5　案例 87__eol__5.2　k最近邻 88__eol__5.2.1　k最近邻模型 88__eol__5.2.2　k值的选择 89__eol__5.2.3　距离度量 90__eol__5.2.4　案例 93__eol__5.3　朴素贝叶斯分类器 93__eol__5.3.1　贝叶斯定理 93__eol__5.3.2　朴素贝叶斯分类器 93__eol__5.3.3　不同类型的朴素贝叶斯 96__eol__5.3.4　案例 96__eol__习题 97__eol__第6章　集成学习 98__eol__6.1　集成学习简介 98__eol__6.2　Bagging算法 100__eol__6.3　Boosting算法 103__eol__6.4　Stacking方法 108__eol__习题 110__eol__第7章　聚类 111__eol__7.1　基本概念和术语 111__eol__7.2　k均值算法 112__eol__7.3　层次聚类算法 116__eol__习题 119__eol__第8章　关联规则 120__eol__8.1　频繁项集与关联规则 121__eol__8.2　Apriori算法 123__eol__8.2.1　频繁项集的产生 123__eol__8.2.2　关联规则的产生 128__eol__8.2.3　Apriori算法分析 130__eol__8.3　FP增长算法 131__eol__8.3.1　构建FP树 131__eol__8.3.2　基于FP树挖掘频繁项集 134__eol__8.3.3　算法分析 136__eol__8.4　关联规则应用示例 136__eol__8.5　关联规则高级进阶 138__eol__8.5.1　面向不同类型变量的关联规则挖掘 138__eol__8.5.2　面向概念分层的关联规则 140__eol__8.5.3　负关联规则挖掘 140__eol__8.5.4　面向特定数据的关联规则挖掘 141__eol__8.5.5　面向大数据的关联规则挖掘 142__eol__习题 143__eol__第9章　人工神经网络与深度学习 144__eol__9.1　神经元模型 144__eol__9.2　感知机与多层神经元网络 146__eol__9.3　误差反向传播算法 149__eol__9.4　激活函数与损失函数 155__eol__9.4.1　激活函数 156__eol__9.4.2　损失函数 157__eol__9.5　梯度下降法 160__eol__9.6　深度学习模型 162__eol__9.7　卷积神经网络 163__eol__9.7.1　卷积神经网络的组件 163__eol__9.7.2　卷积神经网络的训练 169__eol__9.7.3　典型的卷积神经网络 170__eol__9.7.4　卷积神经网络的代码示例 171__eol__9.8　循环神经网络 173__eol__9.8.1　基本循环神经网络 173__eol__9.8.2　双向循环神经网络 175__eol__9.8.3　深度循环神经网络 176__eol__9.8.4　递归神经网络 177__eol__9.8.5　循环神经网络训练 177__eol__9.8.6　长短时记忆网络 178__eol__9.8.7　循环神经网络的代码示例 181__eol__习题 182__eol__第10　章异常检测 183__eol__10.1　异常的类型 183__eol__10.2　异常检测方法分类 184__eol__10.2.1　对象标签的可用性 184__eol__10.2.2　参考集合的范围 184__eol__10.2.3　异常检测算法的输出 185__eol__10.2.4　潜在建模方法的特点 185__eol__10.3　基于分类的方法 185__eol__10.4　基于统计的方法 186__eol__10.4.1　基于统计检验的方法 186__eol__10.4.2　基于偏差的方法 187__eol__10.4.3　基于深度的方法 187__eol__10.5　基于邻近度的方法 192__eol__10.5.1　基于聚类的方法 192__eol__10.5.2　基于距离的方法 192__eol__10.5.3　基于密度的方法 193__eol__10.6　基于深度学习的方法 195__eol__10.7　异常检测高级进阶 197__eol__10.7.1　面向类别和混合数据的异常检测 197__eol__10.7.2　面向时序数据的异常检测 197__eol__10.7.3　面向图数据的异常检测 198__eol__习题 198__eol__第11章　区块链技术 199__eol__11.1　比特币 199__eol__11.2　区块链的基础概念和特征 201__eol__11.3　区块链的技术要素 201__eol__11.3.1　分布式账本 201__eol__11.3.2　共识机制 202__eol__11.3.3　智能合约 203__eol__11.3.4　密码学机制 204__eol__11.4　常见的联盟链技术平台 205__eol__11.4.1　Hyperledger Fabric 206__eol__11.4.2　FISCO BCOS联盟链 207__eol__11.4.3　商用联盟链BaaS平台 208__eol__11.5　区块链赋能物联网 208__eol__11.5.1　物链网的体系架构 208__eol__11.5.2　物链网的应用场景 209__eol__习题 210__eol__第12章　因果分析 211__eol__12.1　辛普森悖论 211__eol__12.2　因果贝叶斯网络 212__eol__12.2.1　贝叶斯网络 212__eol__12.2.2　因果图模型 213__eol__12.2.3　结构因果模型 214__eol__12.3　因果关系发现 214__eol__12.3.1　基于约束的方法 215__eol__12.3.2　基于评分的方法 216__eol__12.3.3　基于结构因果模型的方法 216__eol__12.3.4　因果发现工具箱 217__eol__12.4　因果效应估计 217__eol__12.4.1　干预评估 217__eol__12.4.2　反事实推理 219__eol__12.4.3　因果效应估计工具箱 220__eol__12.5　因果关系之梯 220__eol__习题 221__eol__第13章　主动学习 222__eol__13.1　主动学习的分类 223__eol__13.2　查询选择策略 224__eol__13.2.1