第一篇 认知计算与物联网 2
1认知数据的采集 2
1.1认知数据的特点 2
1.1.1认知数据的定义 2
1.1.2数据流量、多样性、速度、真实性和变化性 3
1.1.3结构化数据和非结构化数据 4
1.1.4认知数据的采集与预处理 5
1.2物联网感知 8
1.2.1物联网的演进 8
1.2.2物联网使能技术及发展路线图 13
1.2.3物联网感知技术 15
1.3物联网发展现状 17
1.3.1物联网的分层架构 17
1.3.2典型的物联网平台 19
1.4群智感知 22
1.4.1群智感知的定义 22
1.4.2群智感知的起源 23
1.4.3基于群智感知的数据采集 24
1.5本章小结 24
2认知触觉网络 25
2.1触觉与认知 25
2.1.1什么是触觉 25
2.1.2触觉传感技术 26
2.1.3由触觉形成的认知 28
2.2认知触觉网络 29
2.2.1认知触觉网络概述 29
2.2.2认知触觉网络优化 30
2.2.3基于认知触觉的行为预测 32
2.3认知触觉网络的典型应用 33
2.3.1机器人通信与控制 33
2.3.2远程医疗应用 37
2.4本章小结 38
3语料库和自然语言处理 39
3.1构建语料库 39
3.1.1语料库概述 39
3.1.2基于语料库的语言认知 41
3.2自然语言处理 41
3.2.1自然语言处理的历史 41
3.2.2词法分析 42
3.2.3语法和句法分析 42
3.2.4语法结构 43
3.2.5话语分析 43
3.2.6机器理解文本NLP技术 43
3.3词向量 44
3.3.1概述 45
3.3.2训练词向量 45
3.3.3词向量的语言学评价 46
3.3.4词向量的应用 47
3.4本章小结 48
第一篇 习题 48
本篇参考文献 50
第二篇 认知计算与机器学习 54
4机器学习概述 54
4.1根据学习方式分类 54
4.2根据算法功能分类 55
4.3有监督的机器学习算法 57
4.4无监督的机器学习算法 58
4.5本章小结 58
5机器学习主要算法 60
5.1决策树 60
5.2基于规则的分类 63
5.3最近邻分类 65
5.4支持向量机 67
5.4.1线性决策边界 67
5.4.2最大边缘超平面的定义 68
5.4.3 SVM模型 69
5.5朴素贝叶斯 69
5.6随机森林 72
5.7聚类分析 76
5.7.1基于相似度的聚类分析 76
5.7.2聚类方法介绍 77
5.8本章小结 84
6面向大数据分析的机器学习算法 85
6.1降维算法和其他相关算法 85
6.1.1降维方法 85
6.1.2主成分分析法 86
6.1.3半监督学习和增强学习以及表示学习 89
6.2选择合适的机器学习算法 91
6.2.1性能指标和模型拟合情况 92
6.2.2避免过拟合现象 94
6.2.3避免欠拟合现象 96
6.2.4选择合适的算法 98
6.3本章小结 99
第二篇 习题 99
本篇参考文献 102
第三篇 认知计算与大数据分析 106
7认知大数据分析 106
7.1大数据和认知计算的关系 106
7.1.1处理人类产生的数据 106
7.1.2驱动认知计算的关键技术 108
7.1.3 5G网络 111
7.1.4大数据分析 112
7.2认知计算相关介绍 113
7.2.1认知计算的系统特征 113
7.2.2认知学习的应用 114
7.3认知分析 115
7.3.1统计学、数据挖掘与机器学习的关系 115
7.3.2在分析过程中使用机器学习 116
7.4本章小节 119
8深度学习在认知系统中的应用 120
8.1认知系统和深度学习 120
8.2深度学习和浅层学习 121
8.3深度学习模仿人的感知 122
8.4深度学习模仿人类直觉 124
8.5深度学习实现步骤 125
8.6本章小结 126
9人工神经网络与深信念网络 127
9.1人工神经网络 127
9.1.1感知器 127
9.1.2多层人工神经网络 128
9.1.3人工神经网络前向传播和后向传播 129
9.1.4梯度下降法拟合参数 133
9.2堆叠自编码和深信念网络 134
9.2.1自编码器 134
9.2.2堆叠自编码器 137
9.2.3限制波兹曼机 138
9.2.4深信念网络 143
9.3本章小结 144
10卷积神经网络与其他神经网络 145
10.1 CNN中的卷积操作 145
10.2池化 148
10.3训练卷积神经网络 150
10.4其他深度学习神经网络 151
10.4.1深度神经网络的连接性 152
10.4.2递归神经网络 152
10.4.3不同神经网络的输入和输出的关系 153
10.4.4结构递归深度神经网络结构 154
10.4.5其他深度学习神经网络 154
10.5本章小结 155
第三篇 习题 155
本篇参考文献 157
第四篇 认知云计算 162
11云端认知计算 162
11.1云端认知计算 162
11.1.1利用分布式计算共享资源 162
11.1.2云计算是智能认知服务的基础 162
11.1.3云计算的特点 163
11.1.4云计算模型 163
11.1.5云交付模型 167
11.1.6工作负载管理 168
11.1.7安全和治理 169
11.1.8云数据集成和管理 169
11.1.9云端认知学习工具包简介 170
11.2本章小结 171
12面向认知计算的云编程与编程工具 172
12.1可拓展并行计算 172
12.1.1可拓展计算的特点 172
12.1.2从MapReduce到Hadoop和Spark 173
12.1.3常用的大数据处理软件库 174
12.2 YARN、HDFS与Hadoop编程 175
12.2.1 MapReduce计算引擎 175
12.2.2 MapReduce在矩阵并行算法中的应用 179
12.2.3 Hadoop架构和扩展 181
12.2.4 Hadoop分布式文件系统（HDFS） 184
12.2.5 Hadoop YARN资源管理 186
12.3 Spark核心和分布式弹性数据集 188
12.3.1 Spark核心应用 188
12.3.2弹性分布式数据集中的关键概念 189
12.3.3 Spark中RDD和DAG tasks编程 191
12.4 Spark SQL、流处理、机器学习和GraphX编程 193
12.4.1结构化数据Spark SQL 194
12.4.2使用实时数据流的Spark Streaming 195
12.4.3用于机器学习的Spark MLlib Library 196
12.4.4图像处理框架Spark GraphX 197
12.5本章小结 199
13 TensorFlow 200
13.1 TensorFlow的发展 200
13.2 TensorFlow基本概念和Data Flow Graph模型 201
13.2.1 TensorFlow基本概念 201
13.2.2 Data Flow Graph模型 203
13.2.3机器学习系统中数据流图 205
13.3图像识别系统中TensorFlow的使用 206
13.4本章小结 209
第四篇 习题 209
本篇参考文献 210
第五篇 认知计算与机器人技术 212
14基于机器人技术的认知系统 212
14.1机器人系统 212
14.1.1机器人发展历程 212
14.1.2机器人分类 213
14.1.3机器人技术发展核心 217
14.1.4机器人的未来 218
14.2认知系统 218
14.2.1认知计算 219
14.2.2基于认知计算的认知系统 220
14.2.3机器人与认知系统的融合 220
14.2.4基于认知计算的多机器人协作的情感交互 221
14.3典型应用 225
14.3.1基于机器人认知能力的工业4.0. 225
14.3.2基于机器人的情感交互 226
14.4本章小结 228
15机器人的认知智能 229
15.1机器人认知智能支撑技术 229
15.1.1传感器等感知技术的发展 229
15.1.2大数据、机器学习和深度学习等数据处理技术的发展 230
15.1.3云机器人 231
15.1.4机器人通信技术 232
15.2具有认知智能的机器人的体系架构 232
15.2.1机器人系统架构 232
15.2.2机器人硬件架构 234
15.2.3软件开发平台 236
15.2.4机器人底层控制软件实现 236
15.2.5机器人应用软件实现 238
15.2.6总结 241
15.3认知智能机器人的重要意义及发展趋势 242
15.3.1发展智能机器人的重要性 242
15.3.2智能机器人的发展方向 242
15.3.3总结 244
15.4当前认知智能机器人的应用与发展 244
15.4.1情感交互机器人 244
15.4.2智能家居 245
15.4.3其他智能机器人 246
15.5本章小结 248
第五篇 习题 249
本篇参考文献 251
第六篇 认知计算应用 254
16 Google认知计算应用 254
16.1 DeepMind的AI程序 254
16.2深度增强学习算法 255
16.3机器人玩Flappybird 257
16.4使用深度增强学习的AlphaGo 263
16.5本章小结 267
17 IBM认知计算应用 268
17.1 IBM的语言认知系统 268
17.1.1 Watson的语言天赋 268
17.1.2具有语言认知智能的搜索引擎 269
17.2 IBM认知系统在“极限挑战”中的语言天赋 270
17.2.1 Watson养成记 270
17.2.2“危险挑战”对语言能力的要求 270
17.2.3面向商业智能应用的IBM认知系统 271
17.3 IBM医疗认知系统 272
17.3.1 Watson语言认知在医疗领域的应用 272
17.3.2医疗认知系统发展历史 273
17.4 IBM Watson核心组件——“深度问答”（DeepQA） 274
17.4.1 Watson软件架构 274
17.4.2 DeepQA组件语言分析架构 275
17.4.3 IBM认知系统搜索引擎特点——对问题的语言分析 276
17.5本章小结 282
18医疗认知系统 283
18.1医疗认知系统 283
18.1.1概述 283
18.1.2医疗数据的模式学习 284
18.2基于大数据分析和认知计算的认知医疗系统 285
18.2.1基于云计算的医疗服务系统架构 285
18.2.2基于大数据和认知计算的高危病人智能分析系统 286
18.3医疗认知系统中结构化数据分析 287
18.3.1慢性疾病检测问题 287
18.3.2疾病检测的预测分析模型 289
18.3.3 5种疾病检测机器学习方法的性能分析 293
18.4医疗认知系统中文本数据分析 296
18.4.1疾病风险评估模型 297
18.4.2深度学习中的词向量 297
18.4.3卷积神经网络结构 299
18.4.4卷积神经网络进行医疗文本疾病风险评估实现 299
18.5医疗认知系统中图像分析 302
18.5.1医疗图像分析 302
18.5.2卷积神经网络医疗图像分析 303
18.5.3自编码医疗图像分析 308
18.5.4卷积自编码医疗图像分析 310
18.6本章小结 315
第六篇 习题 316
本篇参考文献 318
第七篇 认知计算前沿专题 322
19 5G认知系统 322
19.1 5G的演进 322
19.1.1移动蜂窝核心网络 322
19.1.2移动设备和边缘网络 323
19.1.3 5G驱动力 325
19.2 5G关键性技术 326
19.2.1网络架构设计 326
19.2.2 5G网络代表性服务 328
19.2.3认知计算在5G中的应用 331
19.3 5G认知系统 332
19.3.1 5G认知系统的网络架构 332
19.3.2 5G认知系统的通信方式 333
19.3.3 5G认知系统的核心组件 333
19.4 5G认知系统的关键技术 334
19.4.1无线接入网的关键技术 334
19.4.2核心网的关键技术 335
19.4.3认知引擎的关键技术 335
19.5 5G认知系统的应用 335
19.5.1 5G认知系统的应用 335
19.5.2认知系统的应用的分析 337
19.6本章小结 337
20情感认知系统 338
20.1情感认知系统介绍 338
20.1.1传统人机交互系统介绍 338
20.1.2 NLOS人机交互系统介绍 339
20.2情感通信关键技术 340
20.3情感通信系统结构 341
20.4情感通信协议 343
20.4.1对象 343
20.4.2参数 344
20.4.3通信指令集 344
20.4.4通信过程 345
20.4.5马尔可夫状态转移 346
20.5抱枕机器人语音情感通信系统 347
20.5.1语音数据库 347
20.5.2移动云平台介绍 348
20.5.3场景测试 348
20.5.4实时性分析 349
20.6情感认知应用实例介绍 351
20.6.1情感数据的采集与分析 351
20.6.2基于抑郁检测的情感认知 355
20.6.3基于焦虑检测的情感认知 356
20.7本章小结 358
21软件定义网络 359
21.1认知软件定义网络的由来 359
21.1.1软件定义网络 359
21.1.2由软件定义网络到认知软件定义网络 361
21.2认知软件定义网络的架构 363
21.3广义数据层 365
21.3.1数据收集 365
21.3.2转发规则 365
21.4认知控制层 366
21.5广义应用层 368
21.6认知软件定义网络特点 369
21.6.1特点 370
21.6.2关键组成 370
21.7认知软件定义网络的安全问题 371
21.7.1安全需求与挑战 372
21.7.2安全问题概述 372
21.8本章小结 375
第七篇 习题 375
本篇参考文献 377