1緒論001
1.1大數(shù)據(jù)概述001
1.1.1數(shù)據(jù)基礎概念001
1.1.2大數(shù)據(jù)的來源與定義002
1.1.3大數(shù)據(jù)的特征與結構類型003
1.1.4大數(shù)據(jù)的存儲與分析技術005
1.2食品大數(shù)據(jù)概述007
1.2.1食品大數(shù)據(jù)的定義007
1.2.2食品大數(shù)據(jù)的特點007
1.2.3食品大數(shù)據(jù)的分類008
1.2.4食品大數(shù)據(jù)的研究現(xiàn)狀012
1.3機器學習概述014
1.3.1機器學習概念014
1.3.2機器學習任務015
1.3.3機器學習數(shù)據(jù)016
1.3.4機器學習方法017
1.3.5數(shù)據(jù)規(guī)律的挖掘018
1.3.6機器學習模型的適應性019
1.3.7機器學習的一般流程019
1.3.8機器學習模型性能的評估021
1.4機器學習與食品大數(shù)據(jù)分析028
1.4.1食品生產(chǎn)與加工028
1.4.2食品質(zhì)量與安全030
1.4.3食品營養(yǎng)與健康031
1.5小結032
參考文獻032

2Python數(shù)據(jù)分析與可視化基礎034
2.1Python開發(fā)環(huán)境介紹034
2.2數(shù)值計算工具NumPy035
2.2.1NumPy簡介035
2.2.2ndarray對象035
2.2.3數(shù)組的創(chuàng)建、切片和索引036
2.3可視化工具 Matplotlib037
2.3.1Matplotlib簡介037
2.3.2Matplotlib中的Pyplot037
2.4統(tǒng)計工具 Scipy039
2.4.1Scipy簡介039
2.4.2Scipy稀疏矩陣039
2.4.3Scipy圖結構041
2.5數(shù)據(jù)處理工具 Pandas042
2.5.1Pandas簡介042
2.5.2Pandas數(shù)據(jù)結構——Series042
2.5.3Pandas數(shù)據(jù)結構——DataFrame043
2.6機器學習工具 Sklearn044
2.6.1Sklearn簡介044
2.6.2Sklearn數(shù)據(jù)045
2.6.3Sklearn模型045
2.7小結046
參考文獻046

3特征工程047
3.1數(shù)據(jù)獲取與數(shù)據(jù)清洗047
3.1.1數(shù)據(jù)獲取047
3.1.2數(shù)據(jù)清洗048
3.2特征轉換049
3.2.1無量綱化049
3.2.2離散化與啞編碼051
3.3特征提取053
3.3.1特征選擇054
3.3.2降維059
3.4小結063
參考文獻063

4聚類算法064
4.1聚類的原理與實現(xiàn)064
4.1.1聚類的概念064
4.1.2聚類算法在食品領域的應用066
4.1.3距離的度量方式068
4.1.4聚類算法的分類068
4.2K-means聚類算法070
4.2.1K-means聚類算法的原理070
4.2.2K-means聚類算法的實現(xiàn)流程071
4.2.3K-means聚類算法的優(yōu)缺點072
4.3層次聚類算法072
4.3.1層次聚類算法的基本原理073
4.3.2層次聚類算法的實現(xiàn)流程075
4.3.3層次聚類算法的優(yōu)缺點075
4.4DBSCAN聚類算法076
4.4.1DBSCAN聚類算法的基本原理076
4.4.2DBSCAN聚類算法的實現(xiàn)流程077
4.4.3DBSCAN聚類算法的優(yōu)缺點078
4.5譜聚類算法078
4.5.1譜聚類算法的基本原理078
4.5.2譜聚類算法的實現(xiàn)流程079
4.5.3譜聚類算法的優(yōu)缺點080
4.6高斯混合聚類算法080
4.6.1高斯混合聚類算法的基本原理080
4.6.2高斯混合聚類算法的實現(xiàn)流程083
4.6.3高斯混合聚類算法的優(yōu)缺點084
4.7案例：聚類算法實現(xiàn)食物營養(yǎng)成分分析084
4.8小結090
參考文獻091

5線性模型092
5.1線性模型概述092
5.1.1線性模型的概念092
5.1.2線性模型在食品領域的應用092
5.2線性回歸094
5.2.1線性回歸算法094
5.2.2嶺回歸算法096
5.2.3Lasso回歸算法097
5.2.4彈性網(wǎng)絡算法098
5.3邏輯回歸100
5.3.1邏輯回歸的基本原理100
5.3.2邏輯回歸的實現(xiàn)流程100
5.3.3邏輯回歸算法的優(yōu)缺點101
5.4偏最小二乘法101
5.4.1偏最小二乘法的基本原理101
5.4.2偏最小二乘法的實現(xiàn)流程102
5.4.3偏最小二乘法的優(yōu)缺點103
5.5案例：線性模型預測鮑魚年齡103
5.6小結108
參考文獻108

6概率模型110
6.1貝葉斯方法110
6.1.1貝葉斯方法的提出110
6.1.2貝葉斯定理111
6.1.3貝葉斯方法在食品領域的應用111
6.2貝葉斯線性回歸113
6.2.1貝葉斯線性回歸的基本原理113
6.2.2貝葉斯線性回歸的優(yōu)缺點114
6.3樸素貝葉斯分類115
6.3.1樸素貝葉斯分類的基本原理115
6.3.2樸素貝葉斯分類的優(yōu)缺點116
6.4貝葉斯網(wǎng)絡116
6.4.1貝葉斯網(wǎng)絡的定義116
6.4.2貝葉斯網(wǎng)絡的構建117
6.4.3貝葉斯網(wǎng)絡的推理118
6.5案例一：貝葉斯線性回歸預測葡萄酒密度119
6.6案例二：樸素貝葉斯實現(xiàn)牛奶品質(zhì)預測123
6.7小結128
參考文獻128

7核方法與核函數(shù)130
7.1核方法概述130
7.1.1核方法的概念130
7.1.2核函數(shù)的概念130
7.1.3常用核函數(shù)131
7.1.4核方法在食品領域的應用131
7.2支持向量機132
7.2.1支持向量機的理論基礎133
7.2.2支持向量機的實現(xiàn)流程134
7.2.3支持向量機的間隔134
7.2.4支持向量機的優(yōu)缺點137
7.3相關向量機138
7.3.1相關向量機的基本原理138
7.3.2相關向量機的實現(xiàn)流程138
7.3.3相關向量機的優(yōu)缺點139
7.4高斯過程回歸140
7.4.1高斯過程回歸的基本原理140
7.4.2高斯過程回歸的實現(xiàn)流程141
7.4.3高斯過程回歸的優(yōu)缺點142
7.5案例一：支持向量機實現(xiàn)水果分類142
7.6案例二：高斯過程回歸預測螃蟹年齡144
7.7小結148
參考文獻148

8決策樹與集成學習150
8.1決策樹150
8.1.1決策樹的基本概念150
8.1.2ID3算法153
8.1.3C4.5算法154
8.1.4CART算法156
8.1.5Sklearn實現(xiàn)決策樹算法158
8.2集成學習理論160
8.2.1集成學習算法的基本原理160
8.2.2決策樹和集成學習在食品領域的應用162
8.2.3Bagging算法164
8.2.4Boosting算法165
8.2.5Stacking算法167
8.2.6Sklearn實現(xiàn)集成學習算法168
8.3隨機森林171
8.3.1隨機森林算法的基本原理171
8.3.2隨機森林算法的實現(xiàn)流程171
8.3.3隨機森林算法的優(yōu)缺點172
8.4梯度提升決策樹172
8.4.1梯度提升決策樹的基本原理172
8.4.2梯度提升決策樹的實現(xiàn)流程173
8.4.3梯度提升決策樹的優(yōu)缺點173
8.5極端梯度提升決策樹173
8.5.1極端梯度提升決策樹的基本原理174
8.5.2極端梯度提升決策樹的實現(xiàn)流程174
8.5.3極端梯度提升決策樹的優(yōu)缺點175
8.6案例一：隨機森林算法預測牛奶品質(zhì)類別175
8.7案例二：Boosting算法預測食物熱量177
8.8小結179
參考文獻179

9深度學習181
9.1深度學習簡介181
9.1.1人工神經(jīng)網(wǎng)絡181
9.1.2深度學習框架183
9.2卷積神經(jīng)網(wǎng)絡184
9.2.1卷積神經(jīng)網(wǎng)絡的結構和工作原理184
9.2.2卷積神經(jīng)網(wǎng)絡在食品領域的應用185
9.2.3食物目標檢測186
9.2.4食物營養(yǎng)分析188
9.3循環(huán)神經(jīng)網(wǎng)絡191
9.3.1循環(huán)神經(jīng)網(wǎng)絡的結構和工作原理191
9.3.2循環(huán)神經(jīng)網(wǎng)絡在食品領域的應用192
9.3.3食品評論情感分析與消費者意見挖掘193
9.3.4食品生產(chǎn)過程故障監(jiān)測195
9.4生成對抗網(wǎng)絡196
9.4.1生成模型簡介196
9.4.2生成對抗網(wǎng)絡的基本原理198
9.4.3生成對抗網(wǎng)絡在食品領域的應用199
9.4.4食品圖像數(shù)據(jù)生成200
9.5遷移學習201
9.5.1遷移學習的基本概念201
9.5.2遷移學習在食品領域的應用202
9.5.3遷移學習在食品加工原料質(zhì)量控制中的應用203
9.5.4食品生產(chǎn)過程控制206
9.6自然語言處理207
9.6.1自然語言處理的基本任務208
9.6.2自然語言處理在食品領域的應用209
9.6.3大型語言模型挖掘微生物組-疾病關聯(lián)210
9.7小結211
參考文獻212

附錄215