认知计算与深度学习：基于物联网云平台的智能应用

图书标准信息

• 作者 陈敏 黄铠
• 出版社 机械工业出版社
• 出版时间 2018-01
• 版次 1
• ISBN 9787111584964
• 定价 99.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 370页
• 字数 518千字

【内容简介】

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】

作 者 简 介Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud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。2012年入选国家第二批青年千人计划。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】

目　　录

Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud

出版者的话

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