了得網計算機/網絡_人工智能技術與大數據

編輯推薦

1.本書對大數據與人工智能有一個綜述性的介紹，包括大數據的本體論、機器學習的基本理論等內容，為具體場景、算法的實踐奠定了基礎。。

2.同時也提供了多個不同場景中的用例，幫助讀者了解真實場景中技術工具的使用。

3.本書作者Anand Deshpande和Manish Kumar分別是Datametica Solutions的大數據交付總監和高級技術架構師，他們在數據生態繫統技術和數據管理方面擁有豐富的經驗。

數據與人工智能是未來幾十年的重要發展方向。隨著人工智能的快速應用及普及，大數據不斷累積，深度學習及強化學習等算法不斷優化，大數據技術將與人工智能技術更緊密地結合，具備對數據的理解、分析、發現和決策能力。

內容簡介

本書分為兩個部分，共12章。第1章到第5章介紹了大數據的本體論、機器學習的基本理論等內容，為具體場景、算法的實踐奠定了基礎。讀者可以了解到，在工程實踐中，對大數據的處理、轉化方式與人類學習知識並將其轉化為實踐的過程是多麼相似。在對機器學習的介紹中，會對其數學原理、訓練過程做基本的講解，並輔以代碼幫助讀者了解真實場景中技術工具的使用。第6章到第12章提供了多個不同的用例，章節之間彼此獨立，介紹了如何用人工智能技術（自然語言處理、模糊繫統、遺傳編程、群體智能、強化學習、網絡安全、認知計算）實現大數據自動化解決方案。

如果讀者對 Java 編程語言、分布式計算框架、各種機器學習算法有一定的了解，那麼本書可以幫助你建立一個全局觀，從更廣闊的視角來看待人工智能技術在大數據中的應用。如果讀者對上述知識一無所知，但是對大數據人工智能的技術、業務非常感興趣，那麼可以通過本書獲得從零到一的認知提升。

作者簡介

阿南德·德什潘德（Anand Deshpande）是Datametica Solutions公司的大數據交付主管。他負責與客戶合作制訂數據策略，並幫助他們的公司成為數據驅動型企業。他擁有豐富的大數據生態繫統技術經驗，經常在各種活動中就數據科學和大數據發表演講，對數據科學、認知智能以及用於數據管理和分析的算法有著濃厚的興趣。馬尼什·庫馬（Manish Kumar）是Datametica Solutions公司的高級技術架構師。作為一名數據、解決方案和產品架構師，他擁有超過11年的數據管理行業經驗，經常就大數據和數據科學發表演講。他在構建有效的ETL管道、通過Hadoop實現安全性、實現實時數據分析解決方案，以及為數據科學問題提供創新和的可能解決方案方面擁有豐富的經驗。

第1章大數據與人工智能繫統1

1.1結果金字塔2

1.2人腦擅長什麼2

1.2.1感官輸入2

1.2.2存儲3

1.2.3處理能力3

第1章大數據與人工智能繫統1

1.1結果金字塔2

1.2人腦擅長什麼2

1.2.1感官輸入2

1.2.2存儲3

1.2.3處理能力3

1.2.4低能耗3

1.3電子大腦擅長什麼3

1.3.1速度信息存儲3

1.3.2蠻力處理4

1.4兩全其美4

1.4.1大數據5

1.4.2從遲鈍機器進化到智能

機器6

1.4.3智能7

1.4.4大數據框架8

1.4.5大數據智能應用10

1.5常見問答10

1.6小結12

第2章大數據本體論13

2.1人腦與本體14

2.2信息科學本體論15

2.2.1本體的屬性16

2.2.2本體的優點17

2.2.3本體的組成18

2.2.4本體在大數據中扮演的

角色19

2.2.5本體對齊20

2.2.6本體在大數據中的目標20

2.2.7本體在大數據中的

挑戰21

2.2.8資源描述框架——通用

數據格式21

2.2.9使用Web本體語言：

OWL26

2.2.10SPARQL查詢語言28

2.2.11用本體構建智能機器31

2.2.12本體學習33

2.3常見問答36

2.4小結36

第3章從大數據中學習38

3.1監督學習和無監督學習38

3.2Spark編程模型42

3.3Spark MLlib庫44

3.3.1轉換器函數44

3.3.2估計器算法45

3.3.3管道45

3.4回歸分析46

3.4.1線性回歸47

3.4.2廣義線性模型50

3.4.3對數幾率回歸分類技術50

3.4.4多項式回歸52

3.4.5逐步回歸53

3.4.6嶺回歸53

3.4.7套索回歸54

3.5數據聚類54

3.6K均值算法55

3.7數據降維58

3.8奇異值分解59

3.8.1矩陣理論和線性代數

概述60

3.8.2奇異值分解的重要

性質62

3.8.3Spark ML實現SVD63

3.9主成分分析64

3.9.1用SVD實現PCA算法64

3.9.2用Spark ML實現SVD65

3.10基於內容的推薦繫統66

3.11常見問答70

3.12小結71

第4章大數據神經網絡72

4.1神經網絡和人工神經網絡的

基礎72

4.2感知器和線性模型73

4.2.1神經網絡的組成符號74

4.2.2簡單感知器模型的數學

表示75

4.2.3激活函數77

4.3非線性模型80

4.4前饋神經網絡81

4.5梯度下降和反向傳播82

4.5.1梯度下降偽代碼85

4.5.2反向傳播模型86

4.6過擬合88

4.7循環神經網絡89

4.7.1RNN的需求89

4.7.2RNN的結構89

4.7.3訓練RNN90

4.8常見問答90

4.9小結92

第5章深度大數據分析93

5.1深度學習基礎知識和構建

模塊93

5.1.1基於梯度的學習95

5.1.2反向傳播97

5.1.3非線性98

5.1.4剔除99

5.2構建數據準備管道101

5.3實現神經網絡架構的實用

方法107

5.4超參數調優109

5.4.1學習率110

5.4.2訓練迭代的次數111

5.4.3數111

5.4.4時期數112

5.4.5用deeplearning4j試驗

超參數112

5.5分布式計算117

5.6分布式深度學習119

5.6.1DL4J和Spark119

5.6.2TensorFlow122

5.6.3Keras122

5.7常見問答123

5.8小結125

第6章自然語言處理126

6.1自然語言處理基礎127

6.2文本預處理128

6.2.1刪除停用詞129

6.2.2詞干提取130

6.2.3詞形還原132

6.2.4N-Gram132

6.3特征提取133

6.3.1獨熱編碼133

6.3.2TF-IDF134

6.3.3CountVectorizer136

6.3.4Word2Vec137

6.4應用自然語言處理技術140

6.5實現情感分析145

6.6常見問答147

6.7小結148

第7章模糊繫統149

7.1模糊邏輯基礎149

7.1.1模糊集和隸屬函數150

7.1.2明確集的屬性和

符號151

7.1.3模糊化153

7.1.4去模糊化156

7.1.5模糊推理156

7.2ANFIS網絡157

7.2.1自適應網絡157

7.2.2ANFIS架構和混合學習

算法157

7.3模糊C均值聚類160

7.4模糊神經分類器164

7.5常見問答165

7.6小結166

第8章遺傳編程167

8.1遺傳算法的結構169

8.2KEEL框架172

8.3Encog機器學習框架175

8.3.1Encog開發環境設置175

8.3.2Encog API結構176

8.4Weka框架179

8.5用Weka以遺傳算法實現屬性

搜索189

8.6常見問答192

8.7小結192

第9章群體智能193

9.1什麼是群體智能194

9.1.1自組織194

9.1.2主動共識195

9.1.3勞動分工196

9.1.4集體智能繫統的

優勢196

9.1.5開發SI繫統的設計

原則197

9.2粒子群優化模型198

9.3蟻群優化模型201

9.4MASON庫203

9.5Opt4J庫206

9.6在大數據分析中的應用208

9.7處理動態數據210

9.8多目標優化210

9.9常見問答211

9.10小結212

第10章強化學習213

10.1強化學習算法的概念213

10.2強化學習技術216

10.2.1馬爾可夫決策過程217

10.2.2動態規劃與強化學習218

10.2.3Q-learning221

10.2.4SARSA學習228

10.3深度強化學習230

10.4常見問答231

10.5小結231

第11章網絡安全233

11.1大數據用於維生管線保護233

11.1.1數據收集與分析234

11.1.2異常檢測235

11.1.3糾正和預防措施236

11.1.4概念上的數據流236

11.2理解流處理239

11.2.1流處理語義240

11.2.2Spark Streaming241

11.2.3Kafka242

11.3網絡安全攻擊類型244

11.3.1網絡釣魚245

11.3.2內網漫遊245

11.3.3注入攻擊245

11.3.4基於AI的防御246

11.4了解SIEM247

11.5Splunk250

11.5.1Splunk Enterprise

Security250

11.5.2Splunk Light251

11.6ArcSight ESM253

11.7常見問答253

11.8小結254

第12章認知計算256

12.1認知科學256

12.2認知繫統259

12.2.1認知繫統簡史260

12.2.2認知繫統的目標261

12.2.3認知繫統的因素262

12.3認知智能在大數據分析中的

應用263

12.4認知智能即服務264

12.4.1基於Watson的IBM

認知工具包265

12.4.2基於Watson的認知

應用266

12.4.3用Watson進行開發269

12.5常見問答273

12.6小結274

商品搜索

商品分类

【醫學】

【各大出版社】