具体描述
这本书融合了大数据理论与智能云(物联网)的新技术。数据分析师和计算机科学家必须学会如何有效地使用云和物联网来发现新的知识，进而才能明智地做出重要决策。本书旨在缩短这些学习方向之间的差距,并鼓励数据科学家和云计算科学家之间的相互学习与合作。书中将大数据集成理论、云设计原则、物联网传感、机器学习、数据分析、Hadoop和Spark编程等融为一体，目标是在物联网传感、机器学习和分析系统的支持下，完成有效的智能云大数据计算操作。
作者简介
陈敏 华中科技大学计算机学院教授、博士生导师，嵌入与普适计算实验室主任。23岁获华南理工大学通信与信息系统博士学位，曾在韩国首尔大学、加拿大不列颠哥伦比亚大学从事博士后研究，曾任韩国首尔大学助理教授。主要研究方向是物联网、大数据分析 与认知计算。
他发表国际学术论文300多篇，80篇发表于IEEE/ACM计算机与通信领域核心期刊。他的论文在谷歌学术中引用超过10500次，其中10篇第壹作者论著引用超过3400次，H指数为50。近三年以来连续入选爱思唯尔计算机类中国高被引学者。他曾获IEEE ICC 2012、IEEE IWCMC 2016等国际大会佳论文奖，2017年获IEEE通信协会Fred W. Ellersick奖。他曾任IEEE ICC 2012通信理论程序委员会主席及IEEE ICC 2013无线网络程序委员会主席等，2014年被选为IEEE 计算机协会大数据技术委员会主席。
黄铠（Kai Hwang） 计算机系统和互联网技术领域的国际知名学者。他拥有加州大学伯克利分校博士学位，主要研究领域为计算机体系结构、并行处理、云计算、分布式系统和网络安全，目前是美国南加州大学（USC）电子工程与计算机科学系终身教授。他曾在普渡大学任教多年，并先后在清华大学、香港大学、台湾大学和浙江大学担任特聘讲座教授。他在专业领域发表了250篇科学论文，截至2017年在谷歌学术中引用超过16800次，H指数为55。他还是IEEE计算机协会的终身会士（Life Fellow）。
他创作或合著了10余本学术专著，包括《高级计算机体系结构》（1992）、《云计算与分布式系统》（2011）和《智能云计算与机器学习》（2018）等。他曾担任《并行与分布式计算》（JPDC）杂志主编28年，还曾担任IEEE 《云计算会刊》（TCC）、《并行和分布式系统》（TPDS）、《服务计算》（TSC）以及《大数据智能》杂志的编委。他于2012年获得国际云计算大会（IEEE CloudCom）终身成就奖，2004年获得中国计算机学会（CCF）首届海外杰出贡献奖。
多年来，他在南加州大学和普渡大学共培养博士生21人，其中4人晋升为IEEE 会士，1人为IBM会士。他在IEEE与ACM国际会议和全球领先的大学发表了60多次主题演讲和杰出讲座。他曾在IBM研究院、Intel公司、富士通研究院、麻省理工学院林肯实验室、加州理工学院喷气推进实验室（JPL）、台湾工业技术研究院（ITRI）、法国国家计算科学研究中心（ENRIA）和中国科学院计算所担任高级顾问或首席科学家。他目前的科研兴趣集中于云计算、物联网、机器智能和大数据在医疗保健与移动社交网络上的应用。
目录信息
前言
作者简介
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
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
这本书的标题“认知计算与深度学习(基于物联网云平台的智能应用)/计算机科学丛书”真的勾起了我满满的好奇心。我最近一直在关注人工智能领域的发展，尤其是深度学习，它在很多方面都展现出了惊人的能力。然而，我总觉得深度学习在理解和推理方面，与人类的认知过程还有一定差距。这时候，“认知计算”这个词就显得格外重要了，它似乎指向了一个更高级的人工智能形态，一个能够像人类一样思考、学习和解决问题的系统。这本书将这两者结合，并聚焦于“物联网云平台的智能应用”，这简直是太有吸引力了。我非常期待书中能够深入探讨认知计算的理论基础，以及它如何通过深度学习来实现。例如，在自动驾驶领域，认知计算如何帮助车辆理解复杂的交通环境，并做出更符合人类驾驶习惯的决策？深度学习又如何处理大量的传感器数据，实现精准的感知和预测？而物联网云平台则为这些智能应用提供了数据支撑和部署环境，这本书会如何讲解如何构建这样一个完整的生态系统呢？我希望它不仅仅是理论上的探讨，更能提供一些具体的案例分析和技术实现思路，让我能够更清晰地看到这些前沿技术是如何落地，并为我们的生活带来改变的。
评分哇，这本书的名字听起来就超级吸引我！“认知计算与深度学习”这几个词汇本身就充满了未来感和科技感，再结合“物联网云平台的智能应用”，感觉就像是打开了一个通往智慧世界的大门。我一直对人工智能如何理解和模拟人类的思维过程很感兴趣，尤其是认知计算，它似乎比单纯的机器学习更进一步，触及到了“思考”的本质。而深度学习作为当下最火热的人工智能技术之一，其在图像识别、自然语言处理等领域的突破性进展更是令人惊叹。将这两者结合，再加上物联网云平台作为载体，构建实际的智能应用，这简直就是将理论研究转化为现实场景的完美范例。我特别好奇书中会如何阐述认知计算与深度学习之间的内在联系，它们是如何相互促进，又在物联网场景下扮演着怎样的角色。比如，在智能家居领域，认知计算如何帮助设备理解用户更深层次的需求，而不是仅仅执行简单的指令？深度学习又如何赋能这些设备，让它们能够自主学习和优化，从而提供更个性化、更贴心的服务？我甚至可以想象到，书中会探讨如何利用物联网收集的海量数据，来训练更强大的深度学习模型，进而驱动更智能的认知系统。这其中的技术挑战和实现路径，一定非常值得深入研究。
评分听到“认知计算与深度学习(基于物联网云平台的智能应用)/计算机科学丛书”这个书名，我脑海中立刻浮现出各种智能化的场景。我一直对人工智能如何“学习”和“思考”感到着迷，尤其是“认知计算”这个概念，它似乎比我们常说的机器学习更加深入，更接近于人类的思维方式。而“深度学习”作为当前人工智能领域最强大的工具之一，其在数据处理和模式识别方面的能力是毋庸置疑的。这本书将这两者放在“物联网云平台”这个大背景下讨论，实在是太契合时代的潮流了。我非常好奇书中会如何解释认知计算的理论框架，以及如何利用深度学习的技术手段来实现这些认知能力。比如，在智能医疗领域，认知计算是否能帮助医疗设备理解病人的病情，并提供个性化的治疗方案？深度学习又如何从海量的医疗数据中挖掘出有价值的洞察？这本书会详细介绍如何将这些技术集成到物联网云平台中，构建出真正能够自主运行、不断优化的智能应用吗？我希望它能提供一些实际的开发框架或者设计原则，让我能够对如何构建一个智能化的物联网系统有更深入的理解，而不是仅仅停留在概念层面。
评分“认知计算与深度学习(基于物联网云平台的智能应用)/计算机科学丛书”这个书名，简直就是点燃了我对未来科技的好奇心。我一直觉得，真正的人工智能不仅要能处理数据，更要能理解和模拟人类的认知过程，而“认知计算”这个词正是我一直以来所寻找的。深度学习的强大能力固然令人惊叹，但如何让它变得更“智能”，更具“智慧”，一直是我的疑问。这本书将这两者结合，并且以“物联网云平台”为载体，构建“智能应用”，这让我看到了一个非常清晰的应用路径。我非常期待书中能深入剖析认知计算的理论精髓，以及如何利用深度学习的技术去实现这些认知功能。比如，在智慧城市管理方面，认知计算如何帮助城市管理者理解海量的城市运行数据，并做出更科学的决策？深度学习又如何在其中扮演关键角色，例如预测交通拥堵、优化能源分配？这本书会详细讲解如何将这些复杂的计算能力部署到物联网云平台，并最终转化为切实可用的智能应用吗？我希望能从中学习到构建一个能够感知、思考、决策并行动的物联网智能系统的核心技术和方法。
评分《认知计算与深度学习(基于物联网云平台的智能应用)/计算机科学丛书》这个书名，立刻吸引了我全部的注意力。我一直对人工智能的未来发展方向充满期待，特别是“认知计算”这个概念，它似乎代表着人工智能更深层次的进化，能够像人类一样进行思考、理解和决策。而“深度学习”作为当前AI领域的核心技术，其强大的学习和泛化能力也是毋庸置疑的。这本书将这两者巧妙地结合，并且落脚于“物联网云平台的智能应用”，这让我看到了一个非常具象化的发展前景。我迫切地想知道，书中会如何解释认知计算的独特之处，它与传统的机器学习、深度学习有何本质区别？又将如何利用深度学习的强大算法，来模拟和实现人类的认知过程？而且，在物联网这个庞大的生态系统中，如何将这些复杂的计算能力有效地集成到云平台，并最终转化为能够解决实际问题的智能应用，这其中的技术挑战和创新点是我非常关注的。我希望这本书能够提供一些关于系统架构设计、算法优化以及落地实践的宝贵经验，让我能够更深入地理解如何打造一个真正智能化的物联网世界。
评分还不错，和作者另一本书比较类似。
评分一般(全部都是理论相关)
评分一般(全部都是理论相关)
评分还不错，和作者另一本书比较类似。
评分一般(全部都是理论相关)
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有