認(rèn)知計(jì)算與深度學(xué)習(xí)：基于物聯(lián)網(wǎng)云平臺(tái)的智能應(yīng)用

定　價(jià)：￥99.00

作　者：	陳敏，黃鎧著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	計(jì)算機(jī)科學(xué)叢書
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787111584964	出版時(shí)間：	2018-01-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	370	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)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(shù)。數(shù)據(jù)分析師和計(jì)算機(jī)科學(xué)家必須學(xué)會(huì)如何有效地使用云和物聯(lián)網(wǎng)來發(fā)現(xiàn)新的知識(shí)，進(jìn)而才能明智地做出重要決策。本書旨在縮短這些學(xué)習(xí)方向之間的差距，并鼓勵(lì)數(shù)據(jù)科學(xué)家和云計(jì)算科學(xué)家之間的相互學(xué)習(xí)與合作。書中將大數(shù)據(jù)集成理論、云設(shè)計(jì)原則、物聯(lián)網(wǎng)傳感、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析、Hadoop和Spark編程等融為一體，目標(biāo)是在物聯(lián)網(wǎng)傳感、機(jī)器學(xué)習(xí)和分析系統(tǒng)的支持下，完成有效的智能云大數(shù)據(jù)計(jì)算操作。

作者簡(jiǎn)介

　　作者簡(jiǎn) 介Cognitive Computing and Deep Learning： Intelligent Applications based on IoT/Cloud陳敏　華中科技大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師，嵌入與普適計(jì)算實(shí)驗(yàn)室主任。23歲獲華南理工大學(xué)通信與信息系統(tǒng)博士學(xué)位，曾在韓國(guó)首爾大學(xué)、加拿大不列顛哥倫比亞大學(xué)從事博士后研究，曾任韓國(guó)首爾大學(xué)助理教授。2012年入選國(guó)家第二批青年千人計(jì)劃。主要研究方向是物聯(lián)網(wǎng)、大數(shù)據(jù)分析與認(rèn)知計(jì)算。他發(fā)表國(guó)際學(xué)術(shù)論文300多篇，80篇發(fā)表于IEEE/ACM計(jì)算機(jī)與通信領(lǐng)域核心期刊。他的論文在谷歌學(xué)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(jì)算機(jī)類中國(guó)高被引學(xué)者。他曾獲IEEE ICC 2012、IEEE IWCMC 2016等國(guó)際大會(huì)佳論文獎(jiǎng)，2017年獲IEEE通信協(xié)會(huì)Fred W. Ellersick獎(jiǎng)。他曾任IEEE ICC 2012通信理論程序委員會(huì)主席及IEEE ICC 2013無線網(wǎng)絡(luò)程序委員會(huì)主席等，2014年被選為IEEE 計(jì)算機(jī)協(xié)會(huì)大數(shù)據(jù)技術(shù)委員會(huì)主席。黃鎧（Kai Hwang）　計(jì)算機(jī)系統(tǒng)和互聯(lián)網(wǎng)技術(shù)領(lǐng)域的國(guó)際知名學(xué)者。他擁有加州大學(xué)伯克利分校博士學(xué)位，主要研究領(lǐng)域?yàn)橛?jì)算機(jī)體系結(jié)構(gòu)、并行處理、云計(jì)算、分布式系統(tǒng)和網(wǎng)絡(luò)安全，目前是美國(guó)南加州大學(xué)（USC）電子工程與計(jì)算機(jī)科學(xué)系終身教授。他曾在普渡大學(xué)任教多年，并先后在清華大學(xué)、香港大學(xué)、臺(tái)灣大學(xué)和浙江大學(xué)擔(dān)任特聘講座教授。他在專業(yè)領(lǐng)域發(fā)表了250篇科學(xué)論文，截至2017年在谷歌學(xué)術(shù)中引用超過16800次，H指數(shù)為55。他還是IEEE計(jì)算機(jī)協(xié)會(huì)的終身會(huì)士（Life Fellow）。他創(chuàng)作或合著了10余本學(xué)術(shù)專著，包括《高級(jí)計(jì)算機(jī)體系結(jié)構(gòu)》（1992）、《云計(jì)算與分布式系統(tǒng)》（2011）和《智能云計(jì)算與機(jī)器學(xué)習(xí)》（2018）等。他曾擔(dān)任《并行與分布式計(jì)算》（JPDC）雜志主編28年，還曾擔(dān)任IEEE 《云計(jì)算會(huì)刊》（TCC）、《并行和分布式系統(tǒng)》（TPDS）、《服務(wù)計(jì)算》（TSC）以及《大數(shù)據(jù)智能》雜志的編委。他于2012年獲得國(guó)際云計(jì)算大會(huì)（IEEE CloudCom）終身成就獎(jiǎng)，2004年獲得中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）首屆海外杰出貢獻(xiàn)獎(jiǎng)。多年來，他在南加州大學(xué)和普渡大學(xué)共培養(yǎng)博士生21人，其中4人晉升為IEEE 會(huì)士，1人為IBM會(huì)士。他在IEEE與ACM國(guó)際會(huì)議和全球領(lǐng)先的大學(xué)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(xué)院林肯實(shí)驗(yàn)室、加州理工學(xué)院噴氣推進(jìn)實(shí)驗(yàn)室（JPL）、臺(tái)灣工業(yè)技術(shù)研究院（ITRI）、法國(guó)國(guó)家計(jì)算科學(xué)研究中心（ENRIA）和中國(guó)科學(xué)院計(jì)算所擔(dān)任高級(jí)顧問或首席科學(xué)家。他目前的科研興趣集中于云計(jì)算、物聯(lián)網(wǎng)、機(jī)器智能和大數(shù)據(jù)在醫(yī)療保健與移動(dòng)社交網(wǎng)絡(luò)上的應(yīng)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(jiǎn)介
第1章　認(rèn)知計(jì)算與大數(shù)據(jù)科學(xué) 1
1.1　數(shù)據(jù)科學(xué)簡(jiǎn)介 1
1.1.1　數(shù)據(jù)科學(xué)與相關(guān)學(xué)科 1
1.1.2　下一個(gè)十年的新興技術(shù) 3
1.1.3　驅(qū)動(dòng)認(rèn)知計(jì)算的五種關(guān)鍵技術(shù)（SMACT） 7
1.2　社交媒體和移動(dòng)云計(jì)算 10
1.2.1　社交網(wǎng)絡(luò)和Web服務(wù)網(wǎng)站 10
1.2.2　移動(dòng)蜂窩核心網(wǎng)絡(luò) 12
1.2.3　移動(dòng)設(shè)備和互聯(lián)網(wǎng)邊緣網(wǎng)絡(luò) 13
1.2.4　移動(dòng)云計(jì)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(jià)值鏈 16
1.3.2　大數(shù)據(jù)的采集與預(yù)處理 17
1.3.3　數(shù)據(jù)質(zhì)量控制、表示和數(shù)據(jù)庫(kù)模型 19
1.3.4　云分析系統(tǒng)的發(fā)展 19
1.4　機(jī)器智能和大數(shù)據(jù)應(yīng)用 21
1.4.1　數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí) 21
1.4.2　大數(shù)據(jù)應(yīng)用概述 23
1.4.3　認(rèn)知計(jì)算概述 26
1.5　本章小結(jié) 28
1.6　本章習(xí)題 28
1.7　參考文獻(xiàn) 29
第2章　智慧云與虛擬化技術(shù) 31
2.1　云計(jì)算模型和云服務(wù) 31
2.1.1　基于服務(wù)的云分類 31
2.1.2　云服務(wù)平臺(tái)的多層發(fā)展 34
2.1.3　支持大數(shù)據(jù)存儲(chǔ)和處理引擎的云平臺(tái) 37
2.1.4　支持大數(shù)據(jù)分析的云資源 38
2.2　虛擬機(jī)和Docker容器的創(chuàng)建 40
2.2.1　云平臺(tái)資源的虛擬化 40
2.2.2　虛擬機(jī)管理程序和虛擬機(jī) 41
2.2.3　Docker引擎和應(yīng)用程序容器 43
2.2.4　容器和虛擬機(jī)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(tái)架構(gòu) 46
2.3.2　虛擬機(jī)管理和災(zāi)難恢復(fù) 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(wù)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(wù)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(dòng)云與云間的混搭服務(wù) 63
2.5.1　微云網(wǎng)關(guān)的移動(dòng)云 63
2.5.2　跨云平臺(tái)的混搭服務(wù) 66
2.5.3　混搭服務(wù)Skyline的發(fā)現(xiàn) 68
2.5.4　混搭服務(wù)的動(dòng)態(tài)組成 70
2.6　本章小結(jié) 71
2.7　本章習(xí)題 71
2.8　參考文獻(xiàn) 74
第3章　物聯(lián)網(wǎng)的傳感、移動(dòng)和認(rèn)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(yīng)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(shí)別技術(shù)和標(biāo)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(yīng)鏈管理 87
3.4　傳感器、無線傳感器網(wǎng)絡(luò)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(jī)的傳感 93
3.4.3　無線傳感器網(wǎng)絡(luò)和體域網(wǎng) 94
3.4.4　全球定位系統(tǒng) 96
3.5　認(rèn)知計(jì)算技術(shù)與原型系統(tǒng) 99
3.5.1　認(rèn)知科學(xué)和神經(jīng)信息學(xué) 99
3.5.2　腦啟發(fā)計(jì)算芯片和系統(tǒng) 100
3.5.3　谷歌大腦團(tuán)隊(duì)項(xiàng)目 102
3.5.4　物聯(lián)網(wǎng)環(huán)境下的認(rèn)知服務(wù) 104
3.5.5　增強(qiáng)和虛擬現(xiàn)實(shí)應(yīng)用 105
3.6　本章小結(jié) 107
3.7　本章習(xí)題 107
3.8　參考文獻(xiàn) 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(jiǎn)史與標(biāo)準(zhǔn)化進(jìn)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(duì)比 120
4.3.1　NB-IoT與eMTC技術(shù)的對(duì)比 120
4.3.2　NB-IoT與其他無線通信技術(shù)的對(duì)比 123
4.4　NB-IoT的智能應(yīng)用 126
4.4.1　NB-IoT的應(yīng)用場(chǎng)景 126
4.4.2　NB-IoT的應(yīng)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(yīng)用層 130
4.6　本章小結(jié) 130
4.7　本章習(xí)題 130
4.8　參考文獻(xiàn) 131
第5章　有監(jiān)督的機(jī)器學(xué)習(xí) 135
5.1　機(jī)器學(xué)習(xí)簡(jiǎn)介 135
5.1.1　學(xué)習(xí)方式簡(jiǎn)介 135
5.1.2　主要算法簡(jiǎn)介 136
5.1.3　監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí) 138
5.1.4　機(jī)器學(xué)習(xí)主要流派 139
5.2　回歸分析 140
5.2.1　簡(jiǎn)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(jī) 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(luò) 161
5.4.3　隨機(jī)森林和組合方法 164
5.5　本章小結(jié) 167
5.6　本章習(xí)題 167
5.7　參考文獻(xiàn) 170
第6章　無監(jiān)督學(xué)習(xí)和算法選擇 172
6.1　無監(jiān)督學(xué)習(xí)簡(jiǎn)介和關(guān)聯(lián)分析 172
6.1.1　無監(jiān)督的機(jī)器學(xué)習(xí) 172
6.1.2　關(guān)聯(lián)分析和頻繁項(xiàng)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(jiǎn)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(xué)習(xí)模型 186
6.3.1　常見的降維算法簡(jiǎn)介 186
6.3.2　主成分分析法 187