[
-
内容大纲
《食品大数据机器学习基础及应用》是为食品科学与技术领域中的数据分析和机器学习应用而编写的基础教材。本书以食品行业的大数据分析为核心，系统地介绍了机器学习的基础理论、关键技术及其在食品行业的具体应用案例，旨在培养学生和专业人士在食品数据分析领域的实际操作能力和创新思维。本书共分为9章，主要内容包括：绪论、Python数据分析与可视化基础、特征工程、机器学习中的聚类算法、线性模型、概率模型、核方法与核函数、决策树与集成学习，以及深度学习技术及其在食品行业中的应用。本书内容丰富、结构清晰，同时涵盖了从大数据基础概念到深度学习在食品领域的前沿应用，具有较强的实用性。
《食品大数据机器学习基础及应用》适合作为高等院校食品科学与工程、数据科学与大数据技术等专业的机器学习相关课程教材或教学参考书，也适合作为人工智能、数据科学、机器学习相关领域工程技术人员的参考书。 -
作者介绍
-
目录
1 绪论
1.1 大数据概述
1.1.1 数据基础概念
1.1.2 大数据的来源与定义
1.1.3 大数据的特征与结构类型
1.1.4 大数据的存储与分析技术
1.2 食品大数据概述
1.2.1 食品大数据的定义
1.2.2 食品大数据的特点
1.2.3 食品大数据的分类
1.2.4 食品大数据的研究现状
1.3 机器学习概述
1.3.1 机器学习概念
1.3.2 机器学习任务
1.3.3 机器学习数据
1.3.4 机器学习方法
1.3.5 数据规律的挖掘
1.3.6 机器学习模型的适应性
1.3.7 机器学习的一般流程
1.3.8 机器学习模型性能的评估
1.4 机器学习与食品大数据分析
1.4.1 食品生产与加工
1.4.2 食品质量与安全
1.4.3 食品营养与健康
1.5 小结
参考文献
2 Python数据分析与可视化基础
2.1 Python开发环境介绍
2.2 数值计算工具NumPy
2.2.1 NumPy简介
2.2.2 ndarray对象
2.2.3 数组的创建、切片和索引
2.3 可视化工具 Matplotlib
2.3.1 Matplotlib简介
2.3.2 Matplotlib中的Pyplot
2.4 统计工具 Scipy
2.4.1 Scipy简介
2.4.2 Scipy稀疏矩阵
2.4.3 Scipy图结构
2.5 数据处理工具 Pandas
2.5.1 Pandas简介
2.5.2 Pandas数据结构——Series
2.5.3 Pandas数据结构——DataFrame
2.6 机器学习工具 Sklearn
2.6.1 Sklearn简介
2.6.2 Sklearn数据
2.6.3 Sklearn模型
2.7 小结
参考文献
3 特征工程
3.1 数据获取与数据清洗
3.1.1 数据获取
3.1.2 数据清洗
3.2 特征转换
3.2.1 无量纲化
3.2.2 离散化与哑编码
3.3 特征提取
3.3.1 特征选择
3.3.2 降维
3.4 小结
参考文献
4 聚类算法
4.1 聚类的原理与实现
4.1.1 聚类的概念
4.1.2 聚类算法在食品领域的应用
4.1.3 距离的度量方式
4.1.4 聚类算法的分类
4.2 K-means聚类算法
4.2.1 K-means聚类算法的原理
4.2.2 K-means聚类算法的实现流程
4.2.3 K-means聚类算法的优缺点
4.3 层次聚类算法
4.3.1 层次聚类算法的基本原理
4.3.2 层次聚类算法的实现流程
4.3.3 层次聚类算法的优缺点
4.4 DBSCAN聚类算法
4.4.1 DBSCAN聚类算法的基本原理
4.4.2 DBSCAN聚类算法的实现流程
4.4.3 DBSCAN聚类算法的优缺点
4.5 谱聚类算法
4.5.1 谱聚类算法的基本原理
4.5.2 谱聚类算法的实现流程
4.5.3 谱聚类算法的优缺点
4.6 高斯混合聚类算法
4.6.1 高斯混合聚类算法的基本原理
4.6.2 高斯混合聚类算法的实现流程
4.6.3 高斯混合聚类算法的优缺点
4.7 案例：聚类算法实现食物营养成分分析
4.8 小结
参考文献
5 线性模型
5.1 线性模型概述
5.1.1 线性模型的概念
5.1.2 线性模型在食品领域的应用
5.2 线性回归
5.2.1 线性回归算法
5.2.2 岭回归算法
5.2.3 Lasso回归算法
5.2.4 弹性网络算法
5.3 逻辑回归
5.3.1 逻辑回归的基本原理
5.3.2 逻辑回归的实现流程
5.3.3 逻辑回归算法的优缺点
5.4 偏最小二乘法
5.4.1 偏最小二乘法的基本原理
5.4.2 偏最小二乘法的实现流程
5.4.3 偏最小二乘法的优缺点
5.5 案例：线性模型预测鲍鱼年龄
5.6 小结
参考文献
6 概率模型
6.1 贝叶斯方法
6.1.1 贝叶斯方法的提出
6.1.2 贝叶斯定理
6.1.3 贝叶斯方法在食品领域的应用
6.2 贝叶斯线性回归
6.2.1 贝叶斯线性回归的基本原理
6.2.2 贝叶斯线性回归的优缺点
6.3 朴素贝叶斯分类
6.3.1 朴素贝叶斯分类的基本原理
6.3.2 朴素贝叶斯分类的优缺点
6.4 贝叶斯网络
6.4.1 贝叶斯网络的定义
6.4.2 贝叶斯网络的构建
6.4.3 贝叶斯网络的推理
6.5 案例一：贝叶斯线性回归预测葡萄酒密度
6.6 案例二：朴素贝叶斯实现牛奶品质预测
6.7 小结
参考文献
7 核方法与核函数
7.1 核方法概述
7.1.1 核方法的概念
7.1.2 核函数的概念
7.1.3 常用核函数
7.1.4 核方法在食品领域的应用
7.2 支持向量机
7.2.1 支持向量机的理论基础
7.2.2 支持向量机的实现流程
7.2.3 支持向量机的间隔
7.2.4 支持向量机的优缺点
7.3 相关向量机
7.3.1 相关向量机的基本原理
7.3.2 相关向量机的实现流程
7.3.3 相关向量机的优缺点
7.4 高斯过程回归
7.4.1 高斯过程回归的基本原理
7.4.2 高斯过程回归的实现流程
7.4.3 高斯过程回归的优缺点
7.5 案例一：支持向量机实现水果分类
7.6 案例二：高斯过程回归预测螃蟹年龄
7.7 小结
参考文献
8 决策树与集成学习
8.1 决策树
8.1.1 决策树的基本概念
8.1.2 ID3算法
8.1.3 C4.5算法
8.1.4 CART算法
8.1.5 Sklearn实现决策树算法
8.2 集成学习理论
8.2.1 集成学习算法的基本原理
8.2.2 决策树和集成学习在食品领域的应用
8.2.3 Bagging算法
8.2.4 Boosting算法
8.2.5 Stacking算法
8.2.6 Sklearn实现集成学习算法
8.3 随机森林
8.3.1 随机森林算法的基本原理
8.3.2 随机森林算法的实现流程
8.3.3 随机森林算法的优缺点
8.4 梯度提升决策树
8.4.1 梯度提升决策树的基本原理
8.4.2 梯度提升决策树的实现流程
8.4.3 梯度提升决策树的优缺点
8.5 极端梯度提升决策树
8.5.1 极端梯度提升决策树的基本原理
8.5.2 极端梯度提升决策树的实现流程
8.5.3 极端梯度提升决策树的优缺点
8.6 案例一：随机森林算法预测牛奶品质类别
8.7 案例二：Boosting算法预测食物热量
8.8 小结
参考文献
9 深度学习
9.1 深度学习简介
9.1.1 人工神经网络
9.1.2 深度学习框架
9.2 卷积神经网络
9.2.1 卷积神经网络的结构和工作原理
9.2.2 卷积神经网络在食品领域的应用
9.2.3 食物目标检测
9.2.4 食物营养分析
9.3 循环神经网络
9.3.1 循环神经网络的结构和工作原理
9.3.2 循环神经网络在食品领域的应用
9.3.3 食品评论情感分析与消费者意见挖掘
9.3.4 食品生产过程故障监测
9.4 生成对抗网络
9.4.1 生成模型简介
9.4.2 生成对抗网络的基本原理
9.4.3 生成对抗网络在食品领域的应用
9.4.4 食品图像数据生成
9.5 迁移学习
9.5.1 迁移学习的基本概念
9.5.2 迁移学习在食品领域的应用
9.5.3 迁移学习在食品加工原料质量控制中的应用
9.5.4 食品生产过程控制
9.6 自然语言处理
9.6.1 自然语言处理的基本任务
9.6.2 自然语言处理在食品领域的应用
9.6.3 大型语言模型挖掘微生物组-疾病关联
9.7 小结
参考文献
附录
同类热销排行榜
- 故宫日历(公历2017年)(精)26.4
- 时间简史(插图版)18
- 工程数学线性代数(第6版十二五普通高等教育本科国家级规划教材)7.76
- 昆虫记(精)/经典译林8.72
- 数控铣床综合实训教程19.2
- 昆虫记(插图典藏本)(精)11.2
- 化工制图习题集(普通高等教育规划教材)7.2
- 化工制图(普通高等教育规划教材)15.8
- 生命急救技能14
- 时间简史(普及版)(精)15.2
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...