大數據及其在交通運輸中的應用

●大資料技術基礎理論知識：大資料的特徵、分類、框架結構等。

●Python程式設計基礎知識：各種模組的講解，並配以實操案例。

●機器學習模式識別：機器學習的類型、機器學習的基礎數學知識、樹和隨機森林演算法、KNN演算法、貝葉斯理論、支援向量機等模型和原理以及具體的Python代碼實現。

●深度學習基礎知識及應用：深度學習的微積分基礎、線性代數基礎、案例詳解、深度學習框架以及硬體基礎、深度學習的駕駛意圖應用等。

●深度學習的交通流預測研究：交通流理論基礎、交通流統計分佈特性的基本理論知識、交通流資料預處理、深度學習的交通流預測等。

第1 章緒論001
1.1大數據概述002
1.2Python 概述003
1.3交通運輸大資料概述004

第2 章Python 基礎知識007
2.1變數和單一資料型別008
2.2Python 語法基礎010
2.3數據視覺化020
2.4資料的統計學特徵025
2.5代數和符號運算問題028
2.6基本數學運算030
2.7不同類型的數位031
2.8Pandas 和NumPy 模組032

第3 章大資料基礎043
3.1大數據044
3.2Hadoop 大資料平臺046
3.3大數據與人工智慧050
3.4探索性資料分析051
3.5相關分析和回歸分析054
3.6降維資料分析056

第4 章機器學習模式識別065
4.1人工智慧、機器學習和深度學習關係066
4.2機器學習基礎068
4.3機器學習中的參數及擬合問題071
4.4矩陣基本知識072
4.5樹和隨機森林演算法076
4.6KNN 演算法078
4.7貝葉斯理論078
4.8支持向量機080
4.9神經網路085

第5 章深度學習基礎及應用101
5.1深度學習中的微積分基礎102
5.2深度學習的線性代數基礎106
5.3基於Python 的神經網路案例演算法詳解107
5.4深度學習框架113
5.5深度學習的硬體基礎117
5.6卷積神經網路演算法詳解118
5.7迴圈神經網路和長短期記憶網路125
5.8基於LSTM 的駕駛意圖識別130

第6 章深度學習的交通流預測研究139
6.1交通流理論基礎140
6.2交通流的統計分佈特性142
6.3交通流資料預處理144
6.4交通資訊獲取技術146
6.5宏觀交通流模型及微觀交通流模型147
6.6基於深度學習的交通流預測149
參考文獻155