認知計算與深度學習：基于物聯(lián)網(wǎng)云平臺的智能應用

定　價：￥99.00

作　者：	陳敏，黃鎧著
出版社：	機械工業(yè)出版社
叢編項：	計算機科學叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111584964	出版時間：	2018-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	370	字數(shù)：

內容簡介

　　這本書融合了大數(shù)據(jù)理論與智能云（物聯(lián)網(wǎng)）的新技術。數(shù)據(jù)分析師和計算機科學家必須學會如何有效地使用云和物聯(lián)網(wǎng)來發(fā)現(xiàn)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，并鼓勵數(shù)據(jù)科學家和云計算科學家之間的相互學習與合作。書中將大數(shù)據(jù)集成理論、云設計原則、物聯(lián)網(wǎng)傳感、機器學習、數(shù)據(jù)分析、Hadoop和Spark編程等融為一體，目標是在物聯(lián)網(wǎng)傳感、機器學習和分析系統(tǒng)的支持下，完成有效的智能云大數(shù)據(jù)計算操作。

作者簡介

　　作者簡介Cognitive Computing and Deep Learning： Intelligent Applications based on IoT/Cloud陳敏　華中科技大學計算機學院教授、博士生導師，嵌入與普適計算實驗室主任。23歲獲華南理工大學通信與信息系統(tǒng)博士學位，曾在韓國首爾大學、加拿大不列顛哥倫比亞大學從事博士后研究，曾任韓國首爾大學助理教授。2012年入選國家第二批青年千人計劃。主要研究方向是物聯(lián)網(wǎng)、大數(shù)據(jù)分析與認知計算。他發(fā)表國際學術論文300多篇，80篇發(fā)表于IEEE/ACM計算機與通信領域核心期刊。他的論文在谷歌學術中引用超過10500次，其中10篇第壹作者論著引用超過3400次，H指數(shù)為50。近三年以來連續(xù)入選愛思唯爾計算機類中國高被引學者。他曾獲IEEE ICC 2012、IEEE IWCMC 2016等國際大會佳論文獎，2017年獲IEEE通信協(xié)會Fred W. Ellersick獎。他曾任IEEE ICC 2012通信理論程序委員會主席及IEEE ICC 2013無線網(wǎng)絡程序委員會主席等，2014年被選為IEEE 計算機協(xié)會大數(shù)據(jù)技術委員會主席。黃鎧（Kai Hwang）　計算機系統(tǒng)和互聯(lián)網(wǎng)技術領域的國際知名學者。他擁有加州大學伯克利分校博士學位，主要研究領域為計算機體系結構、并行處理、云計算、分布式系統(tǒng)和網(wǎng)絡安全，目前是美國南加州大學（USC）電子工程與計算機科學系終身教授。他曾在普渡大學任教多年，并先后在清華大學、香港大學、臺灣大學和浙江大學擔任特聘講座教授。他在專業(yè)領域發(fā)表了250篇科學論文，截至2017年在谷歌學術中引用超過16800次，H指數(shù)為55。他還是IEEE計算機協(xié)會的終身會士（Life Fellow）。他創(chuàng)作或合著了10余本學術專著，包括《高級計算機體系結構》（1992）、《云計算與分布式系統(tǒng)》（2011）和《智能云計算與機器學習》（2018）等。他曾擔任《并行與分布式計算》（JPDC）雜志主編28年，還曾擔任IEEE 《云計算會刊》（TCC）、《并行和分布式系統(tǒng)》（TPDS）、《服務計算》（TSC）以及《大數(shù)據(jù)智能》雜志的編委。他于2012年獲得國際云計算大會（IEEE CloudCom）終身成就獎，2004年獲得中國計算機學會（CCF）首屆海外杰出貢獻獎。多年來，他在南加州大學和普渡大學共培養(yǎng)博士生21人，其中4人晉升為IEEE 會士，1人為IBM會士。他在IEEE與ACM國際會議和全球領先的大學發(fā)表了60多次主題演講和杰出講座。他曾在IBM研究院、Intel公司、富士通研究院、麻省理工學院林肯實驗室、加州理工學院噴氣推進實驗室（JPL）、臺灣工業(yè)技術研究院（ITRI）、法國國家計算科學研究中心（ENRIA）和中國科學院計算所擔任高級顧問或首席科學家。他目前的科研興趣集中于云計算、物聯(lián)網(wǎng)、機器智能和大數(shù)據(jù)在醫(yī)療保健與移動社交網(wǎng)絡上的應用。

圖書目錄

目　　錄
Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud
出版者的話
前言
作者簡介
第1章　認知計算與大數(shù)據(jù)科學 1
1.1　數(shù)據(jù)科學簡介 1
1.1.1　數(shù)據(jù)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　社交媒體和移動云計算 10
1.2.1　社交網(wǎng)絡和Web服務網(wǎng)站 10
1.2.2　移動蜂窩核心網(wǎng)絡 12
1.2.3　移動設備和互聯(lián)網(wǎng)邊緣網(wǎng)絡 13
1.2.4　移動云計算環(huán)境 15
1.3　大數(shù)據(jù)采集、挖掘和分析 15
1.3.1　海量數(shù)據(jù)的大數(shù)據(jù)價值鏈 16
1.3.2　大數(shù)據(jù)的采集與預處理 17
1.3.3　數(shù)據(jù)質量控制、表示和數(shù)據(jù)庫模型 19
1.3.4　云分析系統(tǒng)的發(fā)展 19
1.4　機器智能和大數(shù)據(jù)應用 21
1.4.1　數(shù)據(jù)挖掘與機器學習 21
1.4.2　大數(shù)據(jù)應用概述 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　智慧云與虛擬化技術 31
2.1　云計算模型和云服務 31
2.1.1　基于服務的云分類 31
2.1.2　云服務平臺的多層發(fā)展 34
2.1.3　支持大數(shù)據(jù)存儲和處理引擎的云平臺 37
2.1.4　支持大數(shù)據(jù)分析的云資源 38
2.2　虛擬機和Docker容器的創(chuàng)建 40
2.2.1　云平臺資源的虛擬化 40
2.2.2　虛擬機管理程序和虛擬機 41
2.2.3　Docker引擎和應用程序容器 43
2.2.4　容器和虛擬機的發(fā)展 45
2.3　云架構和虛擬資源管理 46
2.3.1　三種云平臺架構 46
2.3.2　虛擬機管理和災難恢復 48
2.3.3　創(chuàng)建私有云的Eucalyptus和OpenStack 50
2.3.4　Docker容器調度和業(yè)務流程 52
2.3.5　建立混合云的VMware云操作系統(tǒng) 53
2.4　IaaS、PaaS和SaaS云的案例研究 55
2.4.1　基于分布式數(shù)據(jù)中心的AWS云 55
2.4.2　AWS云服務產(chǎn)品 56
2.4.3　PaaS：谷歌AppEngine及其他 59
2.4.4　SaaS：Salesforce云 61
2.5　移動云與云間的混搭服務 63
2.5.1　微云網(wǎng)關的移動云 63
2.5.2　跨云平臺的混搭服務 66
2.5.3　混搭服務Skyline的發(fā)現(xiàn) 68
2.5.4　混搭服務的動態(tài)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(lián)網(wǎng)的傳感、移動和認知系統(tǒng) 75
3.1　物聯(lián)網(wǎng)感知與關鍵技術 75
3.1.1　物聯(lián)網(wǎng)感知技術 75
3.1.2　物聯(lián)網(wǎng)關鍵技術 77
3.2　物聯(lián)網(wǎng)體系結構和交互框架 78
3.2.1　物聯(lián)網(wǎng)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(tǒng)物聯(lián)網(wǎng)系統(tǒng)與以云為中心的物聯(lián)網(wǎng)應用 80
3.2.4　物聯(lián)網(wǎng)與環(huán)境交互框架 83
3.3　RFID 85
3.3.1　射頻識別技術和標簽設備 85
3.3.2　RFID系統(tǒng)架構 86
3.3.3　物聯(lián)網(wǎng)支持的供應鏈管理 87
3.4　傳感器、無線傳感器網(wǎng)絡和全球定位系統(tǒng) 88
3.4.1　傳感器的硬件和操作系統(tǒng) 89
3.4.2　基于智能手機的傳感 93
3.4.3　無線傳感器網(wǎng)絡和體域網(wǎng) 94
3.4.4　全球定位系統(tǒng) 96
3.5　認知計算技術與原型系統(tǒng) 99
3.5.1　認知科學和神經(jīng)信息學 99
3.5.2　腦啟發(fā)計算芯片和系統(tǒng) 100
3.5.3　谷歌大腦團隊項目 102
3.5.4　物聯(lián)網(wǎng)環(huán)境下的認知服務 104
3.5.5　增強和虛擬現(xiàn)實應用 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(fā)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的智能應用 126
4.4.1　NB-IoT的應用場景 126
4.4.2　NB-IoT的應用范例 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　應用層 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(jiān)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(jiān)督學習和無監(jiān)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(jiān)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　基于規(guī)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(wǎng)絡 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(jiān)督學習和算法選擇 172
6.1　無監(jiān)督學習簡介和關聯(lián)分析 172
6.1.1　無監(jiān)督的機器學習 172
6.1.2　關聯(lián)分析和頻繁項集 172
6.1.3　關聯(lián)規(guī)則的產(chǎn)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　基于密度的聚類 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