人工智能技术与大数据9787115508157
正版图书，可开发票，请放心购买。
￥ 54.98 8.0折 ￥ 69 全新
仅1件
作者阿南德·德什潘德
出版社人民邮电出版社
ISBN9787115508157
出版时间2020-10
装帧平装
开本16开
定价69元
货号30986938
上书时间2024-07-27
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
商品简介
本书分为两个部分，共12章。第1章到第5章介绍了大数据的本体论、机器学习的基本理论等内容，为具体场景、算法的实践奠定了基础。读者可以了解到，在工程实践中，对大数据的处理、转化方式与人类学习知识并将其转化为实践的过程是多么相似。在对机器学习的介绍中，会对其数学原理、训练过程做基本的讲解，并辅以代码帮助读者了解真实场景中技术工具的使用。第6章到第12章提供了多个不同的用例，章节之间彼此独立，介绍了如何用人工智能技术（自然语言处理、模糊系统、遗传编程、群体智能、强化学习、网络安全、认知计算）实现大数据自动化解决方案。
如果读者对 Java 编程语言、分布式计算框架、各种机器学习算法有一定的了解，那么本书可以帮助你建立一个全局观，从更广阔的视角来看待人工智能技术在大数据中的应用。如果读者对上述知识一无所知，但是对大数据人工智能的技术、业务非常感兴趣，那么可以通过本书获得从零到一的认知提升。
作者简介
阿南德·德什潘德（AnandDeshpande）是DatameticaSolutions公司的大数据交付主管。他负责与客户合作制订数据策略，并帮助他们的公司成为数据驱动型企业。他拥有丰富的大数据生态系统技术经验，经常在各种活动中就数据科学和大数据发表演讲，对数据科学、认知智能以及用于数据管理和分析的算法有着浓厚的兴趣。
马尼什·库马（ManishKumar）是DatameticaSolutions公司的高级技术架构师。作为一名数据、解决方案和产品架构师，他拥有超过11年的数据管理行业经验，经常就大数据和数据科学发表演讲。他在构建有效的ETL管道、通过Hadoop实现安全性、实现实时数据分析解决方案，以及为数据科学问题提供创新和最佳的可能解决方案方面拥有丰富的经验。
目录
第 1章 大数据与人工智能系统 1
1.1 结果金字塔 2
1.2 人脑最擅长什么 2
1.2.1 感官输入 2
1.2.2 存储 3
1.2.3 处理能力 3
1.2.4 低能耗 3
1.3 电子大脑最擅长什么 3
1.3.1 速度信息存储 3
1.3.2 蛮力处理 4
1.4 两全其美 4
1.4.1 大数据 5
1.4.2 从迟钝机器进化到智能
机器 6
1.4.3 智能 7
1.4.4 大数据框架 8
1.4.5 大数据智能应用 10
1.5 常见问答 10
1.6 小结 12
第 2章 大数据本体论 13
2.1 人脑与本体 14
2.2 信息科学本体论 15
2.2.1 本体的属性 16
2.2.2 本体的优点 17
2.2.3 本体的组成 18
2.2.4 本体在大数据中扮演的
角色 19
2.2.5 本体对齐 20
2.2.6 本体在大数据中的目标 20
2.2.7 本体在大数据中的
挑战 21
2.2.8 资源描述框架——通用
数据格式 21
2.2.9 使用Web本体语言：
OWL 26
2.2.10 SPARQL查询语言 28
2.2.11 用本体构建智能机器 31
2.2.12 本体学习 33
2.3 常见问答 36
2.4 小结 36
第3章 从大数据中学习 38
3.1 监督学习和无监督学习 38
3.2 Spark编程模型 42
3.3 Spark MLlib库 44
3.3.1 转换器函数 44
3.3.2 估计器算法 45
3.3.3 管道 45
3.4 回归分析 46
3.4.1 线性回归 47
3.4.2 广义线性模型 50
3.4.3 对数几率回归分类技术 50
3.4.4 多项式回归 52
3.4.5 逐步回归 53
3.4.6 岭回归 53
3.4.7 套索回归 54
3.5 数据聚类 54
3.6 K均值算法 55
3.7 数据降维 58
3.8 奇异值分解 59
3.8.1 矩阵理论和线性代数
概述 60
3.8.2 奇异值分解的重要
性质 62
3.8.3 Spark ML实现SVD 63
3.9 主成分分析 64
3.9.1 用SVD实现PCA算法 64
3.9.2 用Spark ML实现SVD 65
3.10 基于内容的推荐系统 66
3.11 常见问答 70
3.12 小结 71
第4章 大数据神经网络 72
4.1 神经网络和人工神经网络的
基础 72
4.2 感知器和线性模型 73
4.2.1 神经网络的组成符号 74
4.2.2 简单感知器模型的数学
表示 75
4.2.3 激活函数 77
4.3 非线性模型 80
4.4 前馈神经网络 81
4.5 梯度下降和反向传播 82
4.5.1 梯度下降伪代码 85
4.5.2 反向传播模型 86
4.6 过拟合 88
4.7 循环神经网络 89
4.7.1 RNN的需求 89
4.7.2 RNN的结构 89
4.7.3 训练RNN 90
4.8 常见问答 90
4.9 小结 92
第5章 深度大数据分析 93
5.1 深度学习基础知识和构建
模块 93
5.1.1 基于梯度的学习 95
5.1.2 反向传播 97
5.1.3 非线性 98
5.1.4 剔除 99
5.2 构建数据准备管道 101
5.3 实现神经网络架构的实用
方法 107
5.4 超参数调优 109
5.4.1 学习率 110
5.4.2 训练迭代的次数 111
5.4.3 隐藏单元数 111
5.4.4 时期数 112
5.4.5 用deeplearning4j试验
超参数 112
5.5 分布式计算 117
5.6 分布式深度学习 119
5.6.1 DL4J和Spark 119
5.6.2 TensorFlow 122
5.6.3 Keras 122
5.7 常见问答 123
5.8 小结 125
第6章 自然语言处理 126
6.1 自然语言处理基础 127
6.2 文本预处理 128
6.2.1 删除停用词 129
6.2.2 词干提取 130
6.2.3 词形还原 132
6.2.4 N-Gram 132
6.3 特征提取 133
6.3.1 独热编码 133
6.3.2 TF-IDF 134
6.3.3 CountVectorizer 136
6.3.4 Word2Vec 137
6.4 应用自然语言处理技术 140
6.5 实现情感分析 145
6.6 常见问答 147
6.7 小结 148
第7章 模糊系统 149
7.1 模糊逻辑基础 149
7.1.1 模糊集和隶属函数 150
7.1.2 明确集的属性和
符号 151
7.1.3 模糊化 153
7.1.4 去模糊化 156
7.1.5 模糊推理 156
7.2 ANFIS网络 157
7.2.1 自适应网络 157
7.2.2 ANFIS架构和混合学习
算法 157
7.3 模糊C均值聚类 160
7.4 模糊神经分类器 164
7.5 常见问答 165
7.6 小结 166
第8章 遗传编程 167
8.1 遗传算法的结构 169
8.2 KEEL框架 172
8.3 Encog机器学习框架 175
8.3.1 Encog开发环境设置 175
8.3.2 Encog API结构 176
8.4 Weka框架 179
8.5 用Weka以遗传算法实现属性
搜索 189
8.6 常见问答 192
8.7 小结 192
第9章 群体智能 193
9.1 什么是群体智能 194
9.1.1 自组织 194
9.1.2 主动共识 195
9.1.3 劳动分工 196
9.1.4 集体智能系统的
优势 196
9.1.5 开发SI系统的设计
原则 197
9.2 粒子群优化模型 198
9.3 蚁群优化模型 201
9.4 MASON库 203
9.5 Opt4J库 206
9.6 在大数据分析中的应用 208
9.7 处理动态数据 210
9.8 多目标优化 210
9.9 常见问答 211
9.10 小结 212
第 10章 强化学习 213
10.1 强化学习算法的概念 213
10.2 强化学习技术 216
10.2.1 马尔可夫决策过程 217
10.2.2 动态规划与强化学习 218
10.2.3 Q-learning 221
10.2.4 SARSA学习 228
10.3 深度强化学习 230
10.4 常见问答 231
10.5 小结 231
第 11章 网络安全 233
11.1 大数据用于维生管线保护 233
11.1.1 数据收集与分析 234
11.1.2 异常检测 235
11.1.3 纠正和预防措施 236
11.1.4 概念上的数据流 236
11.2 理解流处理 239
11.2.1 流处理语义 240
11.2.2 Spark Streaming 241
11.2.3 Kafka 242
11.3 网络安全攻击类型 244
11.3.1 网络钓鱼 245
11.3.2 内网漫游 245
11.3.3 注入攻击 245
11.3.4 基于AI的防御 246
11.4 了解SIEM 247
11.5 Splunk 250
11.5.1 Splunk Enterprise
Security 250
11.5.2 Splunk Light 251
11.6 ArcSight ESM 253
11.7 常见问答 253
11.8 小结 254
第 12章 认知计算 256
12.1 认知科学 256
12.2 认知系统 259
12.2.1 认知系统简史 260
12.2.2 认知系统的目标 261
12.2.3 认知系统的因素 262
12.3 认知智能在大数据分析中的
应用 263
12.4 认知智能即服务 264
12.4.1 基于Watson的IBM
认知工具包 265
12.4.2 基于Watson的认知
应用 266
12.4.3 用Watson进行开发 269
12.5 常见问答 273
12.6 小结 274
内容摘要
本书分为两个部分，共12章。第1章到第5章介绍了大数据的本体论、机器学习的基本理论等内容，为具体场景、算法的实践奠定了基础。读者可以了解到，在工程实践中，对大数据的处理、转化方式与人类学习知识并将其转化为实践的过程是多么相似。在对机器学习的介绍中，会对其数学原理、训练过程做基本的讲解，并辅以代码帮助读者了解真实场景中技术工具的使用。第6章到第12章提供了多个不同的用例，章节之间彼此独立，介绍了如何用人工智能技术（自然语言处理、模糊系统、遗传编程、群体智能、强化学习、网络安全、认知计算）实现大数据自动化解决方案。
如果读者对Java编程语言、分布式计算框架、各种机器学习算法有一定的了解，那么本书可以帮助你建立一个全局观，从更广阔的视角来看待人工智能技术在大数据中的应用。如果读者对上述知识一无所知，但是对大数据人工智能的技术、业务非常感兴趣，那么可以通过本书获得从零到一的认知提升。
主编推荐1.本书对大数据与人工智能有一个综述性的介绍，包括大数据的本体论、机器学习的基本理论等内容，为具体场景、算法的实践奠定了基础。。
2.同时也提供了多个不同场景中的用例，帮助读者了解真实场景中技术工具的使用。
3.本书作者Anand Deshpande和Manish Kumar分别是Datametica Solutions的大数据交付总监和高级技术架构师，他们在数据生态系统技术和数据管理方面拥有丰富的经验。
数据与人工智能是未来几十年的重要发展方向。随着人工智能的快速应用及普及，大数据不断累积，深度学习及强化学习等算法不断优化，大数据技术将与人工智能技术更紧密地结合，具备对数据的理解、分析、发现和决策能力。
【内容简介】
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价