認知計算與深度學習：基于物聯(lián)網(wǎng)云平臺的智能應用

目　　錄
Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud
出版者的話
前言
作者簡介
第1章　認知計算與大數(shù)據(jù)科學 1
1.1　數(shù)據(jù)科學簡介 1
1.1.1　數(shù)據(jù)科學與相關(guān)學科 1
1.1.2　下一個十年的新興技術(shù) 3
1.1.3　驅(qū)動認知計算的五種關(guān)鍵技術(shù)（SMACT） 7
1.2　社交媒體和移動云計算 10
1.2.1　社交網(wǎng)絡和Web服務網(wǎng)站 10
1.2.2　移動蜂窩核心網(wǎng)絡 12
1.2.3　移動設備和互聯(lián)網(wǎng)邊緣網(wǎng)絡 13
1.2.4　移動云計算環(huán)境 15
1.3　大數(shù)據(jù)采集、挖掘和分析 15
1.3.1　海量數(shù)據(jù)的大數(shù)據(jù)價值鏈 16
1.3.2　大數(shù)據(jù)的采集與預處理 17
1.3.3　數(shù)據(jù)質(zhì)量控制、表示和數(shù)據(jù)庫模型 19
1.3.4　云分析系統(tǒng)的發(fā)展 19
1.4　機器智能和大數(shù)據(jù)應用 21
1.4.1　數(shù)據(jù)挖掘與機器學習 21
1.4.2　大數(shù)據(jù)應用概述 23
1.4.3　認知計算概述 26
1.5　本章小結(jié) 28
1.6　本章習題 28
1.7　參考文獻 29
第2章　智慧云與虛擬化技術(shù) 31
2.1　云計算模型和云服務 31
2.1.1　基于服務的云分類 31
2.1.2　云服務平臺的多層發(fā)展 34
2.1.3　支持大數(shù)據(jù)存儲和處理引擎的云平臺 37
2.1.4　支持大數(shù)據(jù)分析的云資源 38
2.2　虛擬機和Docker容器的創(chuàng)建 40
2.2.1　云平臺資源的虛擬化 40
2.2.2　虛擬機管理程序和虛擬機 41
2.2.3　Docker引擎和應用程序容器 43
2.2.4　容器和虛擬機的發(fā)展 45
2.3　云架構(gòu)和虛擬資源管理 46
2.3.1　三種云平臺架構(gòu) 46
2.3.2　虛擬機管理和災難恢復 48
2.3.3　創(chuàng)建私有云的Eucalyptus和OpenStack 50
2.3.4　Docker容器調(diào)度和業(yè)務流程 52
2.3.5　建立混合云的VMware云操作系統(tǒng) 53
2.4　IaaS、PaaS和SaaS云的案例研究 55
2.4.1　基于分布式數(shù)據(jù)中心的AWS云 55
2.4.2　AWS云服務產(chǎn)品 56
2.4.3　PaaS：谷歌AppEngine及其他 59
2.4.4　SaaS：Salesforce云 61
2.5　移動云與云間的混搭服務 63
2.5.1　微云網(wǎng)關(guān)的移動云 63
2.5.2　跨云平臺的混搭服務 66
2.5.3　混搭服務Skyline的發(fā)現(xiàn) 68
2.5.4　混搭服務的動態(tài)組成 70
2.6　本章小結(jié) 71
2.7　本章習題 71
2.8　參考文獻 74
第3章　物聯(lián)網(wǎng)的傳感、移動和認知系統(tǒng) 75
3.1　物聯(lián)網(wǎng)感知與關(guān)鍵技術(shù) 75
3.1.1　物聯(lián)網(wǎng)感知技術(shù) 75
3.1.2　物聯(lián)網(wǎng)關(guān)鍵技術(shù) 77
3.2　物聯(lián)網(wǎng)體系結(jié)構(gòu)和交互框架 78
3.2.1　物聯(lián)網(wǎng)體系結(jié)構(gòu) 78
3.2.2　本地定位技術(shù)與全球定位技術(shù) 79
3.2.3　傳統(tǒng)物聯(lián)網(wǎng)系統(tǒng)與以云為中心的物聯(lián)網(wǎng)應用 80
3.2.4　物聯(lián)網(wǎng)與環(huán)境交互框架 83
3.3　RFID 85
3.3.1　射頻識別技術(shù)和標簽設備 85
3.3.2　RFID系統(tǒng)架構(gòu) 86
3.3.3　物聯(lián)網(wǎng)支持的供應鏈管理 87
3.4　傳感器、無線傳感器網(wǎng)絡和全球定位系統(tǒng) 88
3.4.1　傳感器的硬件和操作系統(tǒng) 89
3.4.2　基于智能手機的傳感 93
3.4.3　無線傳感器網(wǎng)絡和體域網(wǎng) 94
3.4.4　全球定位系統(tǒng) 96
3.5　認知計算技術(shù)與原型系統(tǒng) 99
3.5.1　認知科學和神經(jīng)信息學 99
3.5.2　腦啟發(fā)計算芯片和系統(tǒng) 100
3.5.3　谷歌大腦團隊項目 102
3.5.4　物聯(lián)網(wǎng)環(huán)境下的認知服務 104
3.5.5　增強和虛擬現(xiàn)實應用 105
3.6　本章小結(jié) 107
3.7　本章習題 107
3.8　參考文獻 109
第4章　NB-IoT技術(shù)與架構(gòu) 111
4.1　NB-IoT概述 111
4.1.1　NB-IoT的背景 111
4.1.2　NB-IoT發(fā)展簡史與標準化進程 111
4.2　NB-IoT的特性與關(guān)鍵技術(shù) 113
4.2.1　NB-IoT的特性 113
4.2.2　NB-IoT的基礎(chǔ)理論與關(guān)鍵技術(shù) 118
4.3　NB-IoT與幾種技術(shù)的對比 120
4.3.1　NB-IoT與eMTC技術(shù)的對比 120
4.3.2　NB-IoT與其他無線通信技術(shù)的對比 123
4.4　NB-IoT的智能應用 126
4.4.1　NB-IoT的應用場景 126
4.4.2　NB-IoT的應用范例 127
4.5　NB-IoT的安全需求 128
4.5.1　感知層 129
4.5.2　傳輸層 129
4.5.3　應用層 130
4.6　本章小結(jié) 130
4.7　本章習題 130
4.8　參考文獻 131
第5章　有監(jiān)督的機器學習 135
5.1　機器學習簡介 135
5.1.1　學習方式簡介 135
5.1.2　主要算法簡介 136
5.1.3　監(jiān)督學習和無監(jiān)督學習 138
5.1.4　機器學習主要流派 139
5.2　回歸分析 140
5.2.1　簡介 140
5.2.2　線性回歸 141
5.2.3　邏輯回歸 144
5.3　有監(jiān)督的分類算法 146
5.3.1　最近鄰分類 146
5.3.2　決策樹 148
5.3.3　基于規(guī)則的分類 151
5.3.4　支持向量機 155
5.4　貝葉斯與組合算法 157
5.4.1　樸素貝葉斯 158
5.4.2　貝葉斯網(wǎng)絡 161
5.4.3　隨機森林和組合方法 164
5.5　本章小結(jié) 167
5.6　本章習題 167
5.7　參考文獻 170
第6章　無監(jiān)督學習和算法選擇 172
6.1　無監(jiān)督學習簡介和關(guān)聯(lián)分析 172
6.1.1　無監(jiān)督的機器學習 172
6.1.2　關(guān)聯(lián)分析和頻繁項集 172
6.1.3　關(guān)聯(lián)規(guī)則的產(chǎn)生 175
6.2　聚類分析 177
6.2.1　聚類分析簡介 178
6.2.2　K均值聚類 178
6.2.3　凝聚層次聚類 180
6.2.4　基于密度的聚類 183
6.3　降維算法和學習模型 186
6.3.1　常見的降維算法簡介 186
6.3.2　主成分分析法 187