认知计算与深度学习 基于物联网云平台的智能应用PDF电子书下载

第1章 认知计算与大数据科学 1

1.1 数据科学简介 1

1.1.1 数据科学与相关学科 1

1.1.2 下一个十年的新兴技术 3

1.1.3 驱动认知计算的五种关键技术（SMACT） 7

1.2 社交媒体和移动云计算 10

1.2.1 社交网络和Web服务网站 10

1.2.2 移动蜂窝核心网络 12

1.2.3 移动设备和互联网边缘网络 13

1.2.4 移动云计算环境 15

1.3 大数据采集、挖掘和分析 15

1.3.1 海量数据的大数据价值链 16

1.3.2 大数据的采集与预处理 17

1.3.3 数据质量控制、表示和数据库模型 19

1.3.4 云分析系统的发展 19

1.4 机器智能和大数据应用 21

1.4.1 数据挖掘与机器学习 21

1.4.2 大数据应用概述 23

1.4.3 认知计算概述 26

1.5 本章小结 28

1.6 本章习题 28

1.7 参考文献 29

第2章 智慧云与虚拟化技术 31

2.1 云计算模型和云服务 31

2.1.1 基于服务的云分类 31

2.1.2 云服务平台的多层发展 34

2.1.3 支持大数据存储和处理引擎的云平台 37

2.1.4 支持大数据分析的云资源 38

2.2 虚拟机和Docker容器的创建 40

2.2.1 云平台资源的虚拟化 40

2.2.2 虚拟机管理程序和虚拟机 41

2.2.3 Docker引擎和应用程序容器 43

2.2.4 容器和虚拟机的发展 45

2.3 云架构和虚拟资源管理 46

2.3.1 三种云平台架构 46

2.3.2 虚拟机管理和灾难恢复 48

2.3.3 创建私有云的Eucalyptus和OpenStack 50

2.3.4 Docker容器调度和业务流程 52

2.3.5 建立混合云的VMware云操作系统 53

2.4 IaaS、PaaS和SaaS云的案例研究 55

2.4.1 基于分布式数据中心的AWS云 55

2.4.2 AWS云服务产品 56

2.4.3 PaaS：谷歌AppEngine及其他 59

2.4.4 SaaS：Salesforce云 61

2.5 移动云与云间的混搭服务 63

2.5.1 微云网关的移动云 63

2.5.2 跨云平台的混搭服务 66

2.5.3 混搭服务Skyline的发现 68

2.5.4 混搭服务的动态组成 70

2.6 本章小结 71

2.7 本章习题 71

2.8 参考文献 74

第3章 物联网的传感、移动和认知系统 75

3.1 物联网感知与关键技术 75

3.1.1 物联网感知技术 75

3.1.2 物联网关键技术 77

3.2 物联网体系结构和交互框架 78

3.2.1 物联网体系结构 78

3.2.2 本地定位技术与全球定位技术 79

3.2.3 传统物联网系统与以云为中心的物联网应用 80

3.2.4 物联网与环境交互框架 83

3.3 RFID 85

3.3.1 射频识别技术和标签设备 85

3.3.2 RFID系统架构 86

3.3.3 物联网支持的供应链管理 87

3.4 传感器、无线传感器网络和全球定位系统 88

3.4.1 传感器的硬件和操作系统 89

3.4.2 基于智能手机的传感 93

3.4.3 无线传感器网络和体域网 94

3.4.4 全球定位系统 96

3.5 认知计算技术与原型系统 99

3.5.1 认知科学和神经信息学 99

3.5.2 脑启发计算芯片和系统 100

3.5.3 谷歌大脑团队项目 102

3.5.4 物联网环境下的认知服务 104

3.5.5 增强和虚拟现实应用 105

3.6 本章小结 107

3.7 本章习题 107

3.8 参考文献 109

第4章 NB-IoT技术与架构 111

4.1 NB-IoT概述 111

4.1.1 NB-IoT的背景 111

4.1.2 NB-IoT发展简史与标准化进程 111

4.2 NB-IoT的特性与关键技术 113

4.2.1 NB-IoT的特性 113

4.2.2 NB-IoT的基础理论与关键技术 118

4.3 NB-IoT与几种技术的对比 120

4.3.1 NB-IoT与eMTC技术的对比 120

4.3.2 NB-IoT与其他无线通信技术的对比 123

4.4 NB-IoT的智能应用 126

4.4.1 NB-IoT的应用场景 126

4.4.2 NB-IoT的应用范例 127

4.5 NB-IoT的安全需求 128

4.5.1 感知层 129

4.5.2 传输层 129

4.5.3 应用层 130

4.6 本章小结 130

4.7 本章习题 130

4.8 参考文献 131

第5章 有监督的机器学习 135

5.1 机器学习简介 135

5.1.1 学习方式简介 135

5.1.2 主要算法简介 136

5.1.3 监督学习和无监督学习 138

5.1.4 机器学习主要流派 139

5.2 回归分析 140

5.2.1 简介 140

5.2.2 线性回归 141

5.2.3 逻辑回归 144

5.3 有监督的分类算法 146

5.3.1 最近邻分类 146

5.3.2 决策树 148

5.3.3 基于规则的分类 151

5.3.4 支持向量机 155

5.4 贝叶斯与组合算法 157

5.4.1 朴素贝叶斯 158

5.4.2 贝叶斯网络 161

5.4.3 随机森林和组合方法 164

5.5 本章小结 167

5.6 本章习题 167

5.7 参考文献 170

第6章 无监督学习和算法选择 172

6.1 无监督学习简介和关联分析 172

6.1.1 无监督的机器学习 172

6.1.2 关联分析和频繁项集 172

6.1.3 关联规则的产生 175

6.2 聚类分析 177

6.2.1 聚类分析简介 178

6.2.2 K均值聚类 178

6.2.3 凝聚层次聚类 180

6.2.4 基于密度的聚类 183

6.3 降维算法和学习模型 186

6.3.1 常见的降维算法简介 186

6.3.2 主成分分析法 187

6.3.3 其他学习方式 190

6.4 基于模型性能选择合适的算法 192

6.4.1 评估机器学习模型的性能 192

6.4.2 过拟合现象和解决方案 194

6.4.3 欠拟合现象和解决方案 196

6.4.4 根据数据集选择机器学习算法 198

6.5 本章小结 199

6.6 本章习题 199

6.7 参考文献 202

第7章 深度学习 203

7.1 简介 203

7.1.1 深度学习模仿人的感知 203

7.1.2 生物神经元和人工神经元 205

7.1.3 深度学习和浅层学习 206

7.2 人工神经网络 207

7.2.1 感知器 207

7.2.2 多层人工神经网络 208

7.2.3 人工神经网络的前向传播和后向传播 209

7.3 堆叠自编码和深信念网络 213

7.3.1 自编码器 213

7.3.2 堆叠自编码器 215

7.3.3 限制波兹曼机 216

7.3.4 深信念网络 221

7.4 卷积神经网络 222

7.4.1 卷积操作 222

7.4.2 池化 225

7.4.3 训练卷积神经网络 226

7.4.4 LeNet-5各层设置 227

7.4.5 其他深度学习神经网络 227

7.5 本章小结 231

7.6 本章习题 231

7.7 参考文献 233

第8章 生成对抗式网络与深度学习应用 235

8.1 生成对抗式网络及其发展 235

8.1.1 生成对抗式网络 235

8.1.2 深度卷积生成对抗式网络 238

8.1.3 InfoGAN 239

8.1.4 SeqGAN 240

8.2 基于深度学习的文本情感分类 242

8.2.1 文本情感分类 242

8.2.2 文本预处理 242

8.2.3 基于卷积神经网络的文本情感分类 244

8.2.4 基于LSTM神经网络的文本情感分类 245

8.2.5 基于C-LSTM神经网络的文本情感分类 248

8.2.6 基于深度学习的文本情感分类实现 250

8.2.7 实验环境和数据 251

8.2.8 超参数调节 251

8.2.9 实验结果分析 255

8.3 基于卷积神经网络的人脸识别 257

8.3.1 人脸识别的CNN结构 257

8.3.2 人脸识别的CNN实现 259

8.3.3 评价指标 261

8.3.4 数据获取 261

8.3.5 数据预处理 262

8.3.6 人脸识别实验 264

8.4 基于卷积神经网络的语音情感识别 267

8.4.1 语音情感识别简介 267

8.4.2 语音情感识别技术 267

8.4.3 语音情感识别系统实现 268

8.5 本章小结 272

8.6 本章习题 272

8.7 参考文献 273

第9章 深度学习和社交媒体分析应用 275

9.1 深度学习系统和社交媒体行业 275

9.1.1 深度学习系统和软件支持 275

9.1.2 增强学习原则 277

9.1.3 社交媒体行业及其影响 278

9.2 使用ANN和CNN算法的文本和图像识别 279

9.2.1 在ANN中使用TensorFlow进行数字识别 280

9.2.2 使用卷积神经网络进行数字识别 281

9.2.3 使用卷积神经网络进行人脸识别 284

9.2.4 使用卷积神经网络进行医疗文本分析 285

9.3 深度增强学习的应用 291

9.3.1 DeepMind利用深度增强学习玩游戏 291

9.3.2 深度增强学习算法 292

9.3.3 深度增强学习训练平台——OpenAI Gym 294

9.3.4 AlphaGo原理解析 296

9.4 社交媒体应用程序的数据分析 299

9.4.1 社交媒体应用中的大数据需求 300

9.4.2 社交网络和图表分析 301

9.4.3 预测分析软件工具 306

9.4.4 社交网络中的社区检测 307

9.5 本章小结 310

9.6 本章习题 310

9.7 参考文献 311

第10章 医疗认知系统与健康大数据应用 313

10.1 健康监护问题和医疗认知工具 313

10.1.1 健康监护和慢性疾病检测问题 313

10.1.2 通用机器学习应用的软件库 315

10.2 物联网和基于机器人的健康监护系统与应用 316

10.2.1 物联网传感器用于身体信号的收集 316

10.2.2 基于云的健康监护系统 317

10.2.3 运动促进和智能服装 319

10.2.4 健康监护机器人和移动健康云 321

10.3 健康监护应用的大数据分析 323

10.3.1 健康监护大数据预处理 323

10.3.2 疾病检测的预测分析 324

10.3.3 五种疾病检测方法的性能分析 328

10.3.4 疾病控制相关的移动大数据 331

10.4 情感控制的健康监护应用 333

10.4.1 精神健康监护系统的基础 333

10.4.2 情感控制计算和服务 334

10.4.3 基于物联网和云的情感交互 336

10.4.4 基于机器人技术的情感控制 338

10.4.5 用于未来健康监护应用的智能认知系统 340

10.5 基于生物信息学的医疗认知系统 342

10.5.1 将基因组测序应用于诊断 342

10.5.2 重塑生物医学 342

10.5.3 从健康治疗到健康监护和预防 343

10.6 本章小结 343

10.7 本章习题 344

10.8 参考文献 345

第11章 认知车联网与5G认知系统 348

11.1 5G的演进 348

11.1.1 移动蜂窝网络的演进 348

11.1.2 5G驱动力 349

11.2 5G关键技术 350

11.2.1 网络架构设计 350

11.2.2 5G网络代表性服务能力 352

11.2.3 5G与认知计算 354

11.3 认知车联网基本架构 356

11.3.1 基础架构层 356

11.3.2 认知层 357

11.3.3 应用层 357

11.4 认知车联网通信模式 358

11.4.1 车-云通信 358

11.4.2 云-车通信 359

11.4.3 车-车通信 359

11.5 车联网缓存策略研究 359

11.5.1 缓存问题 359

11.5.2 评价指标 360

11.6 车载云计算 361

11.6.1 车载云模式 361

11.6.2 车载云卸载策略 363

11.7 5G认知系统 363

11.7.1 网络架构 363

11.7.2 5G认知系统的通信方式 365

11.7.3 5G认知系统的核心组件 365

11.8 5G认知系统的关键技术 366

11.8.1 无线接入网络的关键技术 366

11.8.2 核心网的关键技术 366

11.8.3 认知引擎的关键技术 367

11.9 5G认知系统的应用 367

11.9.1 5G认知系统的应用实例 367

11.9.2 认知系统的应用分析 369

11.10 本章小结 369

11.11 本章习题 369

11.12 参考文献 370