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 元
叢書名：計算機科學叢書
- 作者：陳敏 黃鎧
- 出版時間：2018/1/4
- ISBN：9787111584964
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：TP18
- 頁碼：370
- 紙張：膠版紙
- 版次：1
- 開本：16K
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(shù)。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(shè)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。
一本書解決你的技術(shù)焦慮
機器學習、深度學習、認知計算、5G、大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)……技術(shù)熱點層出不窮，站在計算機產(chǎn)業(yè)的風口，我們學什么？怎么用？書中全面涵蓋這些熱點的必備知識，為深入學習奠定基礎(chǔ)。
智能應用連接技術(shù)與未來
社交媒體分析、健康監(jiān)護、情感交互、車聯(lián)網(wǎng)、智慧城市……智能應用推動著技術(shù)的融合與創(chuàng)新，更預見著技術(shù)的未來。書中正是借助這些應用實現(xiàn)了內(nèi)容的融合，為從業(yè)者把握IT新機遇指明方向。
適合多門前沿計算機課程
大數(shù)據(jù)分析、云計算、機器學習、認知系統(tǒng)、物聯(lián)網(wǎng)……教師可遴選書中章節(jié)輔助不同課程的教學，這些內(nèi)容新穎有趣，實例豐富，教輔齊全。學生可縱覽不同技術(shù)的特點和發(fā)展趨勢，開闊視野。
新方向，新作者
南加州大學黃鎧教授繼《云計算與分布式系統(tǒng)》后的又一力作，緊跟并行計算、物聯(lián)網(wǎng)、機器學習等技術(shù)的發(fā)展，再次引*該領(lǐng)域的知識熱點。此次華中科技大學陳敏教授的加入，不僅創(chuàng)新性地打造了認知計算與深度學習的章節(jié)架構(gòu)，還分享了其團隊正在研發(fā)的先進認知系統(tǒng)。全書在《云》的基礎(chǔ)上全面升級，精準呈現(xiàn)了當前技術(shù)發(fā)展的脈絡，基礎(chǔ)完備，實例新穎，是助力高校教學和科學探索的有益參考。
前 言Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud過去十年間，計算機與信息產(chǎn)業(yè)在平臺規(guī)模和應用范圍層面都經(jīng)歷了快速變革。計算機、智能手機、云和社交網(wǎng)絡不僅需要優(yōu)越的性能，而且需要高程度的智能。實際上，我們正進入認知計算和大數(shù)據(jù)分析時代，這種變化趨勢隨處可見，包括智能手機的廣泛使用、云存儲與云計算的應用、人工智能在實踐中的復興、從擴展的超級計算機到物聯(lián)網(wǎng)（Internet of Things，IoT）平臺的大范圍部署，等等。面對這些新興的計算和通信方法，我們必須升級云和IoT生態(tài)系統(tǒng)，賦予它們新的能力，如機器學習、IoT感知、數(shù)據(jù)分析，以及一種可以模仿或者增強人類智慧的認知能力。
為了滿足新的需求，需要設(shè)計新的云系統(tǒng)、Web服務和數(shù)據(jù)中心，用以存儲、處理、學習和分析大數(shù)據(jù)，以發(fā)現(xiàn)新的知識或者做出有價值的決策。其目的是建立一個大數(shù)據(jù)產(chǎn)業(yè)鏈來提供認知服務，從而高效率地幫助人類克服在勞動密集型任務方面的缺陷。這些目標可以通過硬件虛擬化、機器學習、深度學習、IoT感知、數(shù)據(jù)分析和認知計算來實現(xiàn)。例如，隨著機器學習和數(shù)據(jù)分析的實際應用日益增多，“學習即服務”（Learning as a Service，LaaS）、“分析即服務”（Analytics as a Service，AaaS）和“安全即服務”（Security as a Service，SaaS）等云服務開始出現(xiàn)。
如今，為了支持移動網(wǎng)絡的應用，IT公司、大企業(yè)、學校和政府都把主要數(shù)據(jù)中心轉(zhuǎn)移到云設(shè)備上。具有與云類似集群架構(gòu)的超級計算機，也正在為處理大型數(shù)據(jù)集或數(shù)據(jù)流而轉(zhuǎn)型。智慧云的需求大大增加，它在社交、媒體、移動、商業(yè)和政府的運營中變得非常重要。超級計算機和云平臺有不同的生態(tài)系統(tǒng)和編碼環(huán)境，在未來，它們之間的鴻溝將隨著認知計算的到來而消失。本書致力于實現(xiàn)這個目標。
內(nèi)容概覽本書根據(jù)我們的英文著作《Big Data Analytics for Cloud, IoT and Cognitive Computing》（Kai Hwang and Min Chen, Wiley Publisher, London, U. K.，ISBN 978119247029，2017）翻譯、改編與增補而成。全書共11章，其中第4、8、11章是全新的章節(jié)。書中強調(diào)認知計算、深度學習與大數(shù)據(jù)的基本原理，同時涵蓋物聯(lián)網(wǎng)與云平臺的智能應用，例如健康監(jiān)護、醫(yī)療認知、智慧城市、社交媒體分析、認知車聯(lián)網(wǎng)與5G移動認知系統(tǒng)等。
全書簡要目錄如下：
第1章 認知計算與大數(shù)據(jù)科學第2章 智慧云與虛擬化技術(shù)第3章 物聯(lián)網(wǎng)的傳感、移動和認知系統(tǒng)第4章 NB-IoT技術(shù)與架構(gòu)第5章 有監(jiān)督的機器學習第6章 無監(jiān)督學習和算法選擇第7章 深度學習第8章 生成對抗式網(wǎng)絡與深度學習應用第9章 深度學習和社交媒體分析應用第10章 醫(yī)療認知系統(tǒng)與健康大數(shù)據(jù)應用第11章 認知車聯(lián)網(wǎng)與5G認知系統(tǒng)第1～3章介紹數(shù)據(jù)科學、智慧云以及大數(shù)據(jù)計算的IoT設(shè)備或框架，涵蓋通過大數(shù)據(jù)分析和認知機器學習能力來探索智慧云計算的技術(shù)，包含云架構(gòu)、IoT、認知系統(tǒng)以及軟件支持。具體地說，第1章介紹數(shù)據(jù)科學與認知計算的基本原理，第2章展示云計算平臺的系統(tǒng)結(jié)構(gòu)與虛擬化技術(shù)，第3章涵蓋物聯(lián)網(wǎng)的傳感技術(shù)、移動環(huán)境和認知系統(tǒng)。
新增加的第4和11章，介紹窄帶物聯(lián)網(wǎng)（NB-IoT）的技術(shù)、架構(gòu)及其在認知車聯(lián)網(wǎng)與5G認知系統(tǒng)上的應用。第5和6章介紹各類機器學習算法與模型擬合技術(shù)，第7~9章詳細介紹深度學習的理論與應用實例，第10章專注于醫(yī)療認知系統(tǒng)與健康大數(shù)據(jù)應用。
特殊方法我們在本書中使用了一種技術(shù)融合方法，將認知計算、大數(shù)據(jù)理論與云設(shè)計原則以及超級計算機標準融合，以提高智慧云或超級計算機的計算效率。IoT傳感技術(shù)可實現(xiàn)大量數(shù)據(jù)采集，機器學習與數(shù)據(jù)分析將幫助我們做出決策。我們的根本目標是增強云和超級計算機以及人工智能（AI）。
本書融會了我們多年的研究和教學經(jīng)驗，幫助讀者在大數(shù)據(jù)世界通過自己的計算設(shè)備、分析能力以及應用技能來推動職業(yè)發(fā)展、商業(yè)轉(zhuǎn)型以及科學發(fā)現(xiàn)。本書將認知計算理論與智慧云上的新興技術(shù)相結(jié)合，并通過新應用探索分布式數(shù)據(jù)中心。如今，我們可以看到信息物理系統(tǒng)在智慧城市、自動駕駛、情感監(jiān)測機器人、虛擬現(xiàn)實、增強現(xiàn)實以及認知服務中的應用。
讀者指南我們編寫此書是為了滿足計算機科學與電氣工程教育領(lǐng)域不斷增長的課程需求，因此本書適合作為高等院校與研究院的專業(yè)教材，專業(yè)領(lǐng)域跨越計算機科學、人工智能、機器學習與大數(shù)據(jù)等。不論教師想要教授本書11章中的任何部分，都可以給大四學生和研究生使用本書，或者作為專業(yè)參考書。以下四類大學課程適合使用本書：大數(shù)據(jù)分析（Big Data Analytics，BDA），云計算（Cloud Computing，CC），機器學習（Machine Learning，ML），認知系統(tǒng)（Cognitive System，CS）。這些課程已經(jīng)在世界范圍內(nèi)的多所大學中開設(shè)，并且學校的數(shù)量還在快速增長。我們?yōu)槭谡n老師提供課件與習題解答，請訪問華章網(wǎng)站www.hzbook.com下載教輔資料。
對于想要將計算技能轉(zhuǎn)化為IT新機遇的從業(yè)者，本書也能提供有益的幫助。比如：對本書感興趣的讀者可能是在“Cloud of Things”工作的Intel工程師；谷歌Brain和DeepMind團隊也在研發(fā)
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(shù)論文300多篇，80篇發(fā)表于IEEE/ACM計算機與通信領(lǐng)域核心期刊。他的論文在谷歌學術(shù)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(shù)委員會主席。
黃鎧（Kai Hwang） 計算機系統(tǒng)和互聯(lián)網(wǎng)技術(shù)領(lǐng)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(lǐng)域為計算機體系結(jié)構(gòu)、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(lǐng)域發(fā)表了250篇科學論文，截至2017年在谷歌學術(shù)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(shù)專著，包括《高級計算機體系結(jié)構(gòu)》（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(lǐng)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(shù)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。
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(guān)學科 1
1.1.2 下一個十年的新興技術(shù) 3
1.1.3 驅(qū)動認知計算的五種關(guān)鍵技術(shù)（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(shè)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(zhì)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(jié) 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(shù) 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(gòu)和虛擬資源管理 46
2.3.1 三種云平臺架構(gòu) 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(diào)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(guān)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(jié) 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(guān)鍵技術(shù) 75
3.1.1 物聯(lián)網(wǎng)感知技術(shù) 75
3.1.2 物聯(lián)網(wǎng)關(guān)鍵技術(shù) 77
3.2 物聯(lián)網(wǎng)體系結(jié)構(gòu)和交互框架 78
3.2.1 物聯(lián)網(wǎng)體系結(jié)構(gòu) 78
3.2.2 本地定位技術(shù)與全球定位技術(shù) 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(shù)和標簽設(shè)備 85
3.3.2 RFID系統(tǒng)架構(gòu) 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(shù)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(jié) 107
3.7 本章習題 107
3.8 參考文獻 109
第4章 NB-IoT技術(shù)與架構(gòu) 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(guān)鍵技術(shù) 113
4.2.1 NB-IoT的特性 113
4.2.2 NB-IoT的基礎(chǔ)理論與關(guān)鍵技術(shù) 118
4.3 NB-IoT與幾種技術(shù)的對比 120
4.3.1 NB-IoT與eMTC技術(shù)的對比 120
4.3.2 NB-IoT與其他無線通信技術(shù)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(jié) 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(jié) 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(guān)聯(lián)分析 172
6.1.1 無監(jiān)督的機器學習 172
6.1.2 關(guān)聯(lián)分析和頻繁項集 172
6.1.3 關(guān)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
書單推薦
