認知計算與深度學習:基於物聯網雲平台的智慧型套用

認知計算與深度學習:基於物聯網雲平台的智慧型套用

《認知計算與深度學習:基於物聯網雲平台的智慧型套用》是2018年機械工業出版社出版的圖書,作者是陳敏、黃鎧。

基本介紹

  • 書名:認知計算與深度學習:基於物聯網雲平台的智慧型套用
  • 作者:陳敏、黃鎧
  • 出版社機械工業出版社 
  • 出版時間:2018年01月04日
  • 定價:99 元
  • 開本:16 開
  • ISBN:978-7-111-58496-4
  • 書號:58496
  • 印次:1-1
  • 字數:518千字
  • 所屬叢書:計算機科學叢書
內容簡介,目錄,

內容簡介

這本書融合了大數據理論與智慧型雲(物聯網)的新技術。數據分析師和計算機科學家必須學會如何有效地使用雲和物聯網來發現新的知識,進而才能明智地做出重要決策。本書旨在縮短這些學習方向之間的差距,並鼓勵數據科學家和雲計算科學家之間的相互學習與合作。書中將大數據集成理論、雲設計原則、物聯網感測、機器學習、數據分析、Hadoop和Spark編程等融為一體,目標是在物聯網感測、機器學習和分析系統的支持下,完成有效的智慧型雲大數據計算操作。

目錄

前言
作者簡介
第1章 認知計算與大數據科學 1
1.1 數據科學簡介 1
1.1.1 數據科學與相關學科 1
1.1.2 下一個十年的新興技術 3
1.1.3 驅動認知計算的五種關鍵技術(SMACT) 7
1.2 社交媒體和移動雲計算 10
1.2.1 社交網路和Web服務網站 10
1.2.2 移動蜂窩核心網路 12
1.2.3 移動設備和網際網路邊緣網路 13
1.2.4 移動雲計算環境 15
1.3 大數據採集、挖掘和分析 15
1.3.1 海量數據的大數據價值鏈 16
1.3.2 大數據的採集與預處理 17
1.3.3 數據質量控制、表示和資料庫模型 19
1.3.4 雲分析系統的發展 19
1.4 機器智慧型和大數據套用 21
1.4.1 數據挖掘與機器學習 21
1.4.2 大數據套用概述 23
1.4.3 認知計算概述 26
1.5 本章小結 28
1.6 本章習題 28
1.7 參考文獻 29
第2章 智慧雲與虛擬化技術 31
2.1 雲計算模型和雲服務 31
2.1.1 基於服務的雲分類 31
2.1.2 雲服務平台的多層發展 34
2.1.3 支持大數據存儲和處理引擎的雲平台 37
2.1.4 支持大數據分析的雲資源 38
2.2 虛擬機和Docker容器的創建 40
2.2.1 雲平台資源的虛擬化 40
2.2.2 虛擬機管理程式和虛擬機 41
2.2.3 Docker引擎和應用程式容器 43
2.2.4 容器和虛擬機的發展 45
2.3 雲架構和虛擬資源管理 46
2.3.1 三種雲平台架構 46
2.3.2 虛擬機管理和災難恢復 48
2.3.3 創建私有雲的Eucalyptus和OpenStack 50
2.3.4 Docker容器調度和業務流程 52
2.3.5 建立混合雲的VMware雲作業系統 53
2.4 IaaS、PaaS和SaaS雲的案例研究 55
2.4.1 基於分散式數據中心的AWS雲 55
2.4.2 AWS雲服務產品 56
2.4.3 PaaS:谷歌AppEngine及其他 59
2.4.4 SaaS:Salesforce雲 61
2.5 移動雲與雲間的混搭服務 63
2.5.1 微雲網關的移動雲 63
2.5.2 跨雲平台的混搭服務 66
2.5.3 混搭服務Skyline的發現 68
2.5.4 混搭服務的動態組成 70
2.6 本章小結 71
2.7 本章習題 71
2.8 參考文獻 74
第3章 物聯網的感測、移動和認知系統 75
3.1 物聯網感知與關鍵技術 75
3.1.1 物聯網感知技術 75
3.1.2 物聯網關鍵技術 77
3.2 物聯網體系結構和互動框架 78
3.2.1 物聯網體系結構 78
3.2.2 本地定位技術與全球定位技術 79
3.2.3 傳統物聯網系統與以云為中心的物聯網套用 80
3.2.4 物聯網與環境互動框架 83
3.3 RFID 85
3.3.1 射頻識別技術和標籤設備 85
3.3.2 RFID系統架構 86
3.3.3 物聯網支持的供應鏈管理 87
3.4 感測器、無線感測器網路和全球定位系統 88
3.4.1 感測器的硬體和作業系統 89
3.4.2 基於智慧型手機的感測 93
3.4.3 無線感測器網路和體域網 94
3.4.4 全球定位系統 96
3.5 認知計算技術與原型系統 99
3.5.1 認知科學和神經信息學 99
3.5.2 腦啟發計算晶片和系統 100
3.5.3 谷歌大腦團隊項目 102
3.5.4 物聯網環境下的認知服務 104
3.5.5 增強和虛擬現實套用 105
3.6 本章小結 107
3.7 本章習題 107
3.8 參考文獻 109
第4章 NB-IoT技術與架構 111
4.1 NB-IoT概述 111
4.1.1 NB-IoT的背景 111
4.1.2 NB-IoT發展簡史與標準化進程 111
4.2 NB-IoT的特性與關鍵技術 113
4.2.1 NB-IoT的特性 113
4.2.2 NB-IoT的基礎理論與關鍵技術 118
4.3 NB-IoT與幾種技術的對比 120
4.3.1 NB-IoT與eMTC技術的對比 120
4.3.2 NB-IoT與其他無線通信技術的對比 123
4.4 NB-IoT的智慧型套用 126
4.4.1 NB-IoT的套用場景 126
4.4.2 NB-IoT的套用範例 127
4.5 NB-IoT的安全需求 128
4.5.1 感知層 129
4.5.2 傳輸層 129
4.5.3 套用層 130
4.6 本章小結 130
4.7 本章習題 130
4.8 參考文獻 131
第5章 有監督的機器學習 135
5.1 機器學習簡介 135
5.1.1 學習方式簡介 135
5.1.2 主要算法簡介 136
5.1.3 監督學習和無監督學習 138
5.1.4 機器學習主要流派 139
5.2 回歸分析 140
5.2.1 簡介 140
5.2.2 線性回歸 141
5.2.3 邏輯回歸 144
5.3 有監督的分類算法 146
5.3.1 最近鄰分類 146
5.3.2 決策樹 148
5.3.3 基於規則的分類 151
5.3.4 支持向量機 155
5.4 貝葉斯與組合算法 157
5.4.1 樸素貝葉斯 158
5.4.2 貝葉斯網路 161
5.4.3 隨機森林和組合方法 164
5.5 本章小結 167
5.6 本章習題 167
5.7 參考文獻 170
第6章 無監督學習和算法選擇 172
6.1 無監督學習簡介和關聯分析 172
6.1.1 無監督的機器學習 172
6.1.2 關聯分析和頻繁項集 172
6.1.3 關聯規則的產生 175
6.2 聚類分析 177
6.2.1 聚類分析簡介 178
6.2.2 K均值聚類 178
6.2.3 凝聚層次聚類 180
6.2.4 基於密度的聚類 183
6.3 降維算法和學習模型 186
6.3.1 常見的降維算法簡介 186
6.3.2 主成分分析法 187
6.3.3 其他學習方式 190
6.4 基於模型性能選擇合適的算法 192
6.4.1 評估機器學習模型的性能 192
6.4.2 過擬合現象和解決方案 194
6.4.3 欠擬合現象和解決方案 196
6.4.4 根據數據集選擇機器學習算法 198
6.5 本章小結 199
6.6 本章習題 199
6.7 參考文獻 202
第7章 深度學習 203
7.1 簡介 203
7.1.1 深度學習模仿人的感知 203
7.1.2 生物神經元和人工神經元 205
7.1.3 深度學習和淺層學習 206
7.2.1 感知器 207
7.2.2 多層人工神經網路 208
7.2.3 人工神經網路的前向傳播和後向傳播 209
7.3 堆疊自編碼和深信念網路 213
7.3.1 自編碼器 213
7.3.2 堆疊自編碼器 215
7.3.3 限制波茲曼機 216
7.3.4 深信念網路 221
7.4.1 卷積操作 222
7.4.2 池化 225
7.4.3 訓練卷積神經網路 226
7.4.4 LeNet-5各層設定 227
7.4.5 其他深度學習神經網路 227
7.5 本章小結 231
7.6 本章習題 231
7.7 參考文獻 233
第8章 生成對抗式網路與深度學習套用 235
8.1 生成對抗式網路及其發展 235
8.1.1 生成對抗式網路 235
8.1.2 深度卷積生成對抗式網路 238
8.1.3 InfoGAN 239
8.1.4 SeqGAN 240
8.2 基於深度學習的文本情感分類 242
8.2.1 文本情感分類 242
8.2.2 文本預處理 242
8.2.3 基於卷積神經網路的文本情感分類 244
8.2.4 基於LSTM神經網路的文本情感分類 245
8.2.5 基於C-LSTM神經網路的文本情感分類 248
8.2.6 基於深度學習的文本情感分類實現 250
8.2.7 實驗環境和數據 251
8.2.8 超參數調節 251
8.2.9 實驗結果分析 255
8.3 基於卷積神經網路的人臉識別 257
8.3.1 人臉識別的CNN結構 257
8.3.2 人臉識別的CNN實現 259
8.3.3 評價指標 261
8.3.4 數據獲取 261
8.3.5 數據預處理 262
8.3.6 人臉識別實驗 264
8.4 基於卷積神經網路的語音情感識別 267
8.4.1 語音情感識別簡介 267
8.4.2 語音情感識別技術 267
8.4.3 語音情感識別系統實現 268
8.5 本章小結 272
8.6 本章習題 272
8.7 參考文獻 273
第9章 深度學習和社交媒體分析套用 275
9.1 深度學習系統和社交媒體行業 275
9.1.1 深度學習系統和軟體支持 275
9.1.2 增強學習原則 277
9.1.3 社交媒體行業及其影響 278
9.2 使用ANN和CNN算法的文本和圖像識別 279
9.2.1 在ANN中使用TensorFlow進行數字識別 280
9.2.2 使用卷積神經網路進行數字識別 281
9.2.3 使用卷積神經網路進行人臉識別 284
9.2.4 使用卷積神經網路進行醫療文本分析 285
9.3 深度增強學習的套用 291
9.3.1 DeepMind利用深度增強學習玩遊戲 291
9.3.2 深度增強學習算法 292
9.3.3 深度增強學習訓練平台——OpenAI Gym 294
9.3.4 AlphaGo原理解析 296
9.4 社交媒體應用程式的數據分析 299
9.4.1 社交媒體套用中的大數據需求 300
9.4.2 社交網路和圖表分析 301
9.4.3 預測分析軟體工具 306
9.4.4 社交網路中的社區檢測 307
9.5 本章小結 310
9.6 本章習題 310
9.7 參考文獻 311
第10章 醫療認知系統與健康大數據套用 313
10.1 健康監護問題和醫療認知工具 313
10.1.1 健康監護和慢性疾病檢測問題 313
10.1.2 通用機器學習套用的軟體庫 315
10.2 物聯網和基於機器人的健康監護系統與套用 316
10.2.1 物聯網感測器用於身體信號的收集 316
10.2.2 基於雲的健康監護系統 317
10.2.3 運動促進和智慧型服裝 319
10.2.4 健康監護機器人和移動健康雲 321
10.3 健康監護套用的大數據分析 323
10.3.1 健康監護大數據預處理 323
10.3.2 疾病檢測的預測分析 324
10.3.3 五種疾病檢測方法的性能分析 328
10.3.4 疾病控制相關的移動大數據 331
10.4 情感控制的健康監護套用 333
10.4.1 精神健康監護系統的基礎 333
10.4.2 情感控制計算和服務 334
10.4.3 基於物聯網和雲的情感互動 336
10.4.4 基於機器人技術的情感控制 338
10.4.5 用於未來健康監護套用的智慧型認知系統 340
10.5 基於生物信息學的醫療認知系統 342
10.5.1 將基因組測序套用於診斷 342
10.5.2 重塑生物醫學 342
10.5.3 從健康治療到健康監護和預防 343
10.6 本章小結 343
10.7 本章習題 344
10.8 參考文獻 345
第11章 認知車聯網與5G認知系統 348
11.1 5G的演進 348
11.1.1 移動蜂窩網路的演進 348
11.1.2 5G驅動力 349
11.2 5G關鍵技術 350
11.2.1 網路架構設計 350
11.2.2 5G網路代表性服務能力 352
11.2.3 5G與認知計算 354
11.3 認知車聯網基本架構 356
11.3.1 基礎架構層 356
11.3.2 認知層 357
11.3.3 套用層 357
11.4 認知車聯網通信模式 358
11.4.1 車–雲通信 358
11.4.2 雲–車通信 359
11.4.3 車–車通信 359
11.5 車聯網快取策略研究 359
11.5.1 快取問題 359
11.5.2 評價指標 360
11.6 車載雲計算 361
11.6.1 車載雲模式 361
11.6.2 車載雲卸載策略 363
11.7 5G認知系統 363
11.7.1 網路架構 363
11.7.2 5G認知系統的通信方式 365
11.7.3 5G認知系統的核心組件 365
11.8 5G認知系統的關鍵技術 366
11.8.1 無線接入網路的關鍵技術 366
11.8.2 核心網的關鍵技術 366
11.8.3 認知引擎的關鍵技術 367
11.9 5G認知系統的套用 367
11.9.1 5G 認知系統的套用實例 367
11.9.2 認知系統的套用分析 369
11.10 本章小結 369
11.11 本章習題 369
11.12 參考文獻 370

相關詞條

熱門詞條

聯絡我們