大數據與人工智能導論

定　價：￥79.00

作　者：	姚海鵬，王露瑤，劉韻潔著
出版社：	人民郵電出版社
叢編項：
標　簽：	計算機?網絡人工智能

購買這本書可以去

ISBN：	9787115466020	出版時間：	2017-09-01	包裝：	平裝
開本：	16開	頁數：	180	字數：

內容簡介

　　本書主要涉及數據工程、人工智能算法原理，大數據平臺技術、人工智能算法在大數據平臺上的實現、人工智能算法的應用于實踐。第1章是大數據與人工智能的歷史、應用。第2章是數據工程。第三章是人工智能基礎算法的原理介紹。第四章是大數據平臺的介紹。第五章以第三章中的幾種算法為例子，介紹了它們是如何在大數據平臺上分布式實現的。第六章是當前熱門的深度學習技術的介紹。第七章是實踐。本書針對1.對大數據和人工智能感興趣、希望快速了解和入門本領域知識的在讀本科生、研究生。2.希望從事大數據和人工智能崗位、需要快速提升理論基礎和實戰(zhàn)技能的求職者。3.計算機和互聯網領域，對人工智算法感興趣或工作中迫切需要一定本領域知識的工程師。

作者簡介

　　姚海鵬，博士，北京郵電大學副教授，主要講授網絡大數據、物聯網、人工智能等課程，主要研究方向為未來網絡體系架構、網絡大數據、物聯網等。

圖書目錄

1
第一章緒論\t10
1．1日益增長的數據\t10
1．1．1大數據基本概念\t11
1．1．2大數據發(fā)展歷程\t11
1．1．3大數據的特征\t12
1．1．4大數據的基本認識\t13
1．2人工智能\t14
1．2．1認識人工智能\t14
1．2．2人工智能的派別與發(fā)展歷史\t14
1．2．3人工智能的現狀與應用\t14
1．2．3 當人工智能遇上大數據\t15
1．3 大數據與人工智能的機遇與挑戰(zhàn)\t16
1．3．1大數據與人工智能面臨的難題\t16
1．3．2大數據與人工智能的前景\t17
第二章數據工程\t18
2．1數據的多樣性\t18
2．1．1數據格式的多樣性\t18
2．1．2數據來源的多樣性\t19
2．1．3數據用途的多樣性\t20
2．2數據工程的一般流程\t21
2．2．1 數據獲取\t21
2．2．2 數據存儲\t21
2．2．3 數據清洗\t21
2．2．4 數據建模\t21
2．2．5 數據處理\t22
2．3數據的獲取\t22
2．3．1數據來源\t23
2．3．2數據采集方法\t23
2．3．3 大數據采集平臺\t25
2．4數據的存儲與數據倉庫\t25
2．4．1數據存儲\t25
2．4．2數據倉庫\t26
2．5數據的預處理技術\t27
2．5．1 為什么要進行數據預處理\t27
2．5．2 數據清理\t28
2．5．3 數據集成\t29
2．5．4 數據變換\t30
2．5．5 數據規(guī)約\t30
2．6模型的構建與評估\t31
2．6．1模型的構建\t31
2．6．2評價指標\t31
2．7數據的可視化\t33
2．7．1 可視化的發(fā)展\t34
2．7．2 可視化工具\t34
第三章機器學習算法\t41
3-1機器學習緒論\t41
3．1．1 機器學習基本概念\t41
3．1．2評價標準\t43
3．1．3 機器模型的數學基礎\t46
3-2決策樹理論\t50
3．2．1決策樹模型\t50
3．2．2 決策樹的訓練\t53
3．2．3 本節(jié)總結\t58
3．3 樸素貝葉斯理論\t59
3．4線性回歸\t63
3．5邏輯斯蒂回歸\t66
3．5．1二分類邏輯回歸模型\t66
3．5．2 二分類邏輯斯蒂回歸的訓練\t68
3．5．3 softmax分類器\t71
3．5．4邏輯斯蒂回歸和softmax的應用\t72
3．5．5本節(jié)總結\t72
3．6神經網絡\t73
3．6．1生物神經元和人工神經元\t73
3．6．2感知機\t75
3．6．3\tBP神經網絡\t77
3．6．4\tSklearn中的神經網絡\t80
3．6．5本章小結\t81
3．6．6 拓展閱讀\t81
3．7支持向量機\t81
3．7．1 間隔\t82
3．7．2 支持向量機的原始形式\t84
3．7．3 支持向量機的對偶形式\t86
3．7．4特征空間的隱式映射：核函數\t87
3．7．5 支持向量機拓展\t90
3．7．6 支持向量機的應用\t90
3．8集成學習\t91
3．8．1 基礎概念\t91
3．8．2 Boosting\t94
3．8．3 Bagging\t98
3．8．4 Stacking\t99
3．9聚類\t100
3．9．1聚類思想\t100
3．9．2性能計算和距離計算\t100
3．9．3原型聚類：K-means\t101
3．9．4密度聚類：DBSCAN\t103
3．9．5層次聚類\t105
3．9．6\tSklearn中的聚類\t105
3．9．7本章小結\t106
3．9．8拓展閱讀\t106
3．10降維與特征選擇\t106
3．10．1維數爆炸與降維\t106
3．10．2降維技術\t107
3．10．3特征選擇算法\t109
3．10．4 Sklearn中的降維\t112
3．10．5本章小結\t112
第四章大數據框架\t113
4-1 Hadoop簡介\t113
4．1．1 Hadoop的由來\t113
4．1．2 MapReduce和HDFS\t114
4-2 Hadoop大數據處理框架\t115
4．2．1 HDFS組件與運行機制\t116
4．2．2 MapReduce組件與運行機制\t120
4．2．3 Yarn框架和運行機制\t122
4．2．4 Hadoop相關技術\t123
4-3 Hadoop安裝與部署\t124
4．3．1 安裝配置單機版Hadoop\t124
4．3．2 單機版WordCount程序\t128
4．3．3 安裝配置偽分布式Hadoop\t129
4-4 MapReduce編程\t135
4．4．1 MapReduce綜述\t136
4．4．2 Map階段\t136
4．4．3 shuffle階段\t137
4．4．4 Reduce階段\t138
4-5 HBase、Hive和Pig和簡介\t138
4．5．1 HBase簡介\t139
4．5．2 Hive簡介\t139
4．5．3 Pig簡介\t141
4-6 Spark簡介\t141
4．6．1 spark概述\t141
4．6．2 Spark基本概念\t142
4．6．3 spark生態(tài)系統\t143
4．6．4 spark組件與運行機制\t144
4-7 Spark安裝使用\t145
4．7．1 JDK安裝\t146
4．7．2 Scala安裝\t148
4．7．3 Spark安裝\t148
4．7．4 Winutils安裝\t148
4．7．5 使用Spark Shell\t149
4．7．6 Spark文件目錄\t151
4-8 Spark實例講解\t152
第五章分布式數據挖掘算法\t153
5-1 K-Means聚類方法\t154
5．1．1 K-Means聚類算法簡介\t154
5．1．2 K-Means算法的分布式實現\t154
5-2 樸素貝葉斯分類算法\t160
5．2．1 樸素貝葉斯分類并行化設計思路\t160
5．2．2 樸素貝葉斯分類并行化實現\t161
5-3 頻繁項集挖掘算法\t166
5．3．1 Apriori頻繁項集挖掘算法簡介\t167
5．3．2 Apriori頻繁項集挖掘的并行化實現\t167
5-4參考資料\t172
第六章深度學習簡介\t173
6-1從神經網絡到深度神經網絡\t173
6．1．1深度學習應用\t173
6．1．2 深度神經網絡的困難\t175
6-2卷積神經網絡CNN\t176
6．2．1卷積神經網絡的生物學基礎\t176
6．2．2卷積神經網絡結構\t177
6-3循環(huán)神經網絡RNN\t182
6．3．1循環(huán)神經網絡簡介\t182
6．3．2循環(huán)神經網絡結構\t182
第七章數據分析實例\t185
7-1 基本數據分析\t185
7．1．1數據介紹\t185
7．1．2數據導入與數據初識\t185
7．1．3分類\t189
7．1．4 聚類\t191
7．1．5回歸\t192
7．1．6降維\t194
7．2深度學習項目實戰(zhàn)\t195
7．2．1 Tensorflow與keras安裝部署\t196
7．2．2使用卷積神經網絡進行手寫數字識別\t198
7．2．3使用LSTM進行文本情感分類\t201
附錄\t206
A 矩陣基礎\t206
B 梯度下降\t209
牛頓法\t210
C 拉格朗日對偶性\t211
D python 語法知識\t213
E Java語法基礎介紹\t228