《雲計算系統與人工智慧套用》是2018年機械工業出版社出版的圖書，作者是黃凱。
基本介紹
- 中文名：雲計算系統與人工智慧套用
- 作者：[美]黃鎧（Kai Hwang）
- ISBN：978-7-111-59883-1
- 定價：99
- 出版社：機械工業出版社
- 開本：16
內容簡介,目錄,
內容簡介
本書關注云計算、大數據、物聯網、認知計算、機器學習的基本原理、智慧型套用和編程實戰，包括AWS、微軟Azure雲、谷歌DeepMind和寒武紀神經晶片等大量案例。全書共四個部分，部分介紹雲計算、數據科學和自適應計算的基本原理，第二部分涵蓋雲架構、虛擬機、Docker容器和多雲混搭服務等，第三部分講解機器學習、深度學習、類腦計算機和AR/VR等的原理，第四部分討論MapReduce、Hadoop、Spark、TensorFlow和GraphX雲編程。本書適合作為高等院校計算機相關專業高年級本科生和研究生的教材，也適合網際網路、物聯網等領域的專業技術人員參考。
目錄
Cloud Computing for Machine Learning and Cognitive Applications
出版者的話
譯者序
前言
作者簡介
第一部分 雲平台、大數據與認知計算
第1章 雲計算系統原理 2
1.1 可擴展計算的彈性雲系統 2
1.1.1 雲計算的驅動技術 2
1.1.2 可擴展的分散式/並行計算的演化 3
1.1.3 雲系統中的虛擬資源 5
1.1.4 雲計算與本地計算 7
1.2 雲平台架構與分散式系統的比較 8
1.2.1 基本雲平台的架構 8
1.2.2 公共雲、私有雲、社區雲和混合雲 10
1.2.3 物理集群與虛擬集群 12
1.2.4 雲與傳統並行/分散式系統的比較 14
1.3 雲服務模型、生態系統與可擴展性分析 16
1.3.1 雲服務模型：IaaS、PaaS和SaaS 16
1.3.2 雲性能分析與可擴展性定理 18
1.3.3 雲生態系統與用戶環境 20
1.3.4 雲計算的技術成熟度曲線 23
1.3.5 雲計算與其他技術的關係 24
1.4 集群的可用性、移動性和最佳化 26
1.4.1 雲伺服器集群的可用性分析 26
1.4.2 虛擬集群操作中的容錯 28
1.4.3 雲中多伺服器集群的排隊模型 29
1.4.4 雲計算的多伺服器集群最佳化 30
1.5 結論 32
習題 33
參考文獻 35
第2章 數據分析、物聯網與認知計算 37
2.1 大數據科學與套用面臨的挑戰 37
2.1.1 數據科學與大數據特徵 37
2.1.2 物聯網的技術成熟度曲線 38
2.1.3 走向大數據工業 40
2.1.4 大數據套用概述 41
2.2 物聯網與雲平台的互動模式 44
2.2.1 IoT感知與平台架構 45
2.2.2 IoT價值鏈與發展路線 47
2.2.3 獨立使用和與雲平台結合的IoT套用 49
2.2.4 智慧城市與智慧社區的發展 52
2.3 在雲平台上的數據收集、挖掘與分析 54
2.3.1 數據質量控制與表達 54
2.3.2 數據挖掘與分析 57
2.3.3 在雲平台上提升數據分析能力 59
2.3.4 支撐大數據分析的雲資源 61
2.4 神經形態硬體與認知計算 63
2.4.1 認知計算與神經形態處理器 63
2.4.2 IBM SyNAPSE與相關的神經類腦計算機項目 66
2.4.3 中國科學院的神經處理器Cambricon 68
2.4.4 Google TPU與相關的人工智慧套用 68
2.5 結論 70
習題 71
參考文獻 72
第二部分 雲系統架構與服務平台設計
第3章 虛擬機、Docker容器和伺服器集群 74
3.1 雲計算系統中的虛擬化 74
3.1.1 虛擬化的基本概念 74
3.1.2 虛擬化的實現層級 75
3.1.3 集群或雲系統中的資源虛擬化 78
3.2 用於創建虛擬機的虛擬機監控器 79
3.2.1 虛擬機架構類型 79
3.2.2 完全虛擬化和託管虛擬化 81
3.2.3 修改客戶作業系統的半虛擬化 83
3.2.4 平台虛擬化軟體產品與工具包比較 85
3.3 Docker引擎和應用程式容器 86
3.4 Docker容器和部署要求 89
3.4.1 使用Linux核心函式創建的Docker容器 89
3.4.2 虛擬機與Docker容器的比較 91
3.4.3 從虛擬機到容器和unikernel的架構演變 92
3.5 虛擬機管理和容器編排 94
3.5.1 虛擬機管理解決方案 94
3.5.2 用於災難恢復的虛擬機遷移 95
3.5.3 Docker容器調度和編排 98
3.6 Eucalyptus、OpenStack和VMware雲構建 100
3.6.1 私有雲中的Eucalyptus虛擬集群 100
3.6.2 用於構建私有雲或公共雲的OpenStack軟體 102
3.6.3 支持構建混合雲的VMware虛擬化 103
3.7 結論 105
習題 105
參考文獻 107
第4章 雲架構與服務平台設計 109
4.1 雲架構與基礎設施設計 109
4.1.1 公共雲平台及其服務項目 109
4.1.2 雲服務的商業模型 111
4.1.3 數據中心到雲平台的轉換 113
4.1.4 資源彈性配置方法 117
4.2 虛擬集群的動態配置 119
4.2.1 虛擬集群配置項目 119
4.2.2 虛擬集群配置自適應 121
4.2.3 數據中心集群的虛擬化支持 122
4.2.4 VMware vSphere 6：商用雲作業系統 123
4.3 AWS雲及其服務項目 124
4.3.1 三大雲架構與服務融合 124
4.3.2 AWS EC2計算引擎和S3存儲雲服務 127
4.3.3 其他AWS雲服務產品 129
4.4 Google AppEngine與Microsoft Azure 133
4.4.1 Google AppEngine及其計算引擎 133
4.4.2 Google硬體/軟體支持下的機器學習服務 137
4.4.3 Microsoft Azure雲及其服務項目 138
4.5 Salesforce、IBM SmartCloud及其他雲平台 141
4.5.1 用於SaaS服務的Salesforce雲平台 141
4.5.2 IBM SmartCloud雲平台、物聯網及認知項目 143
4.5.3 SGI、NASA和CERN建立的雲平台 145
4.6 結論 148
習題 149
參考文獻 150
第5章 移動雲、物聯網、社交媒體與混搭雲服務 153
5.1 無線網際網路與移動雲計算 153
5.1.1 移動設備與邊際互聯子網 153
5.1.2 WiFi、藍牙和無線感測器網路 155
5.1.3 移動雲計算的微雲網 156
5.1.4 移動雲與託管雲 158
5.2 物聯網感知以及與雲的互動 160
5.2.1 本地與全球定位系統 161
5.2.2 構建移動雲的無線接入網 162
5.2.3 物聯網和雲的互動框架與設備 164
5.3 社交媒體套用中的雲計算 167
5.3.1 社交媒體大數據工業套用 167
5.3.2 社交網路與套用編程接口 170
5.3.3 社交圖的特性與表示 172
5.3.4 智慧雲的社交圖分析 175
5.4 多雲混搭架構與服務 176
5.4.1 混搭雲的敏捷性與可擴展性 177
5.4.2 混搭雲服務架構 179
5.4.3 混搭雲服務的Skyline發現 182
5.4.4 混搭雲服務的動態組成 184
5.5 結論 185
習題 185
參考文獻 187
第三部分 機器學習原理與人工智慧機器
第6章 機器學習算法與預測模型擬合 190
6.1 機器學習方法的分類 190
6.1.1 機器學習算法的種類 190
6.1.2 監督式機器學習算法 192
6.1.3 無監督機器學習算法 193
6.2 監督式回歸與分類方法 193
6.2.1 預測的線性回歸方法 194
6.2.2 機器學習的決策樹 199
6.2.3 貝葉斯分類與訓練樣本 202
6.2.4 支持向量機 205
6.3 聚類方法與降維方法 207
6.3.1 聚類分析與k均值聚類 207
6.3.2 降維方法與強化學習 210
6.3.3 主成分分析方法 212
6.3.4 半監督學習方法 214
6.4 機器學習的建模方法 216
6.4.1 模型擬合的性能指標 216
6.4.2 降低模型過擬合的方法 217
6.4.3 避免欠擬合的方法 219
6.4.4 選擇機器學習算法 219
6.5 結論 221
習題 221
參考文獻 224
第7章 智慧型機器與深度學習網路 225
7.1 人工智慧機器的發展 225
7.1.1 智慧型機器的技術成熟度曲線 225
7.1.2 谷歌人工智慧產品及服務進展 226
7.1.3 IBM與其他公司的認知服務 230
7.1.4 Intel、Nvidia和CAS/ICT的深度學習晶片 231
7.2 增強現實、虛擬現實與區塊鏈技術 233
7.2.1 增強、介導與虛擬現實 234
7.2.2 虛擬現實與相關產品 235
7.2.3 區塊鏈在商業交易安全中的套用 236
7.3 深度學習人工神經網路 237
7.3.1 深度學習模仿人類認知功能 237
7.3.2 ANN的演進和套用 239
7.3.3 人工神經元的數學描述 240
7.3.4 多層ANN 241
7.3.5 ANN的正向傳播與反向傳播 244
7.4 深度學習網路的分類 247
7.4.1 深度學習網路的類型 247
7.4.2 卷積神經網路 248
7.4.3 深度神經網路的連線性能 252
7.4.4 循環神經網路 252
7.5 深度學習套用與其他認知功能 255
7.5.1 受限玻爾茲曼機 255
7.5.2 深度信念網路 256
7.5.3 深度學習與腦功能開發 257
7.6 結論 258
習題 258
參考文獻 261
第四部分 雲編程、性能提升與數據安全
第8章 基於Hadoop和Spark的雲計算 264
8.1 大型集群的可擴展並行計算 264
8.1.1 可擴展計算的特點 264
8.1.2 從MapReduce到Hadoop和Spark 265
8.1.3 大數據處理的套用軟體庫 266
8.2 Hadoop及其HDFS和YARN 267
8.2.1 MapReduce雲計算引擎 267
8.2.2 用於並行矩陣乘法的MapReduce 271
8.2.3 Hadoop架構及其最新擴展 273
8.2.4 Hadoop分散式檔案系統 276
8.2.5 Hadoop YARN資源管理系統 279
8.3 Spark核心組件和彈性分散式數據集 280
8.3.1 Spark通用核心組件 280
8.3.2 彈性分散式數據集 282
8.3.3 用於DAG的RDD 284
8.4 Spark SQL和流編程 287
8.4.1 具有結構化數據的Spark SQL 287
8.4.2 使用實時數據流的Spark Streaming 288
8.4.3 Spark Streaming套用示例 290
8.5 用於機器學習的Spark MLlib和用於圖像處理的GraphX 291
8.5.1 用於機器學習的Spark MLlib庫 292
8.5.2 MLlib套用示例 293
8.5.3 用於圖像處理的Spark GraphX 294
8.5.4 GraphX編程示例 295
8.6 結論 299
習題 300
參考文獻 304
第9章 TensorFlow、Keras、DeepMind和圖分析 306
9.1 神經網路計算平台TensorFlow 306
9.1.1 TensorFlow的關鍵概念 306
9.1.2 張量、變數、輸入和提取操作 309
9.1.3 分散式TensorFlow執行環境 310
9.1.4 TensorFlow程式的執行會話 313
9.2 用於深度學習的TensorFlow系統 315
9.2.1 分層TensorFlow系統架構 315
9.2.2 TensorFlow在不同主機上的安裝 317
9.2.3 分散式資源共享的TensorFlow生態系統 319
9.2.4 TensorFlow用於手寫數字識別 320
9.2.5 TensorFlow用於認知服務 323
9.3 Google DeepMind及其他AI計畫 326
9.3.1 強化深度學習算法 326
9.3.2 政策網路與價值網路的互動 328
9.3.3 AlphaGo計畫中的強化學習 330
9.3.4 英國DeepMind Health項目 332
9.4 預測軟體庫、Keras庫、DIGITS庫和圖庫 333
9.4.1 用於認知套用的預測軟體庫 333
9.4.2 用於深度學習的Keras庫和DIGITS 5 335
9.4.3 雲中的圖並行計算 338
9.4.4 社交網路中的社區檢測 339
9.5 結論 342
習題 342
參考文獻 343
第10章 雲性能、安全和數據隱私 344
10.1 引言 344
10.1.1 什麼是雲性能和QoS 344
10.1.2 如何保護雲和共享數據 345
10.2 雲性能指標和基準 346
10.2.1 自動擴展、橫向擴展和放大策略 347
10.2.2 雲性能指標 350
10.2.3 雷達圖表示的雲性能模型 353
10.3 雲基準結果的性能分析 357
10.3.1 可擴展雲性能的彈性分析 357
10.3.2 橫向擴展、放大和混合擴展性能 358
10.3.3 擴展策略的優缺點 360
10.4 雲安全和數據隱私保護 362
10.4.1 雲安全和隱私問題 362
10.4.2 雲安全基礎設施 364
10.4.3 移動雲和安全威脅 369
10.5 雲和數據中心的信任管理 370
10.5.1 分散式入侵和異常檢測 370
10.5.2 雲中基於信譽的信任管理 371
10.5.3 多個數據中心的P2P信任覆蓋網路 374
10.6 結論 377
習題 377
參考文獻 379
索引 381
