大數(shù)據(jù)及其在交通運輸中的應用

第1 章　緒論0011.1　大數(shù)據(jù)概述0021.2　Python 概述0031.3　交通運輸大數(shù)據(jù)概述004第2 章　Python 基礎知識0072.1　變量和簡單數(shù)據(jù)類型0082.2　Python 語法基礎0102.3　數(shù)據(jù)可視化0202.4　數(shù)據(jù)的統(tǒng)計學特征0252.5　代數(shù)和符號運算問題0282.6　基本數(shù)學運算0302.7　不同類型的數(shù)字0312.8　Pandas 和NumPy 模塊032第3 章　大數(shù)據(jù)基礎0433.1　大數(shù)據(jù)0443.2　Hadoop 大數(shù)據(jù)平臺0463.3　大數(shù)據(jù)與人工智能0503.4　探索性數(shù)據(jù)分析0513.5　相關分析和回歸分析0543.6　降維數(shù)據(jù)分析056第4 章　機器學習模式識別0654.1　人工智能、機器學習和深度學習關系0664.2　機器學習基礎0684.3　機器學習中的參數(shù)及擬合問題0714.4　矩陣基本知識0724.5　樹和隨機森林算法0764.6　KNN 算法0784.7　貝葉斯理論0784.8　支持向量機0804.9　神經網(wǎng)絡085第5 章　深度學習基礎及應用1015.1　深度學習中的微積分基礎1025.2　深度學習的線性代數(shù)基礎1065.3　基于Python 的神經網(wǎng)絡案例算法詳解1075.4　深度學習框架1135.5　深度學習的硬件基礎1175.6　卷積神經網(wǎng)絡算法詳解1185.7　循環(huán)神經網(wǎng)絡和長短期記憶網(wǎng)絡1255.8　基于LSTM 的駕駛意圖識別130第6 章　深度學習的交通流預測研究1396.1　交通流理論基礎1406.2　交通流的統(tǒng)計分布特性1426.3　交通流數(shù)據(jù)預處理1446.4　交通信息獲取技術1466.5　宏觀交通流模型及微觀交通流模型1476.6　基于深度學習的交通流預測149參考文獻155