认知计算与深度学习 基于物联网云平台的智能应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

认知计算与深度学习 基于物联网云平台的智能应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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OpenStack50

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 RFID85

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 InfoGAN239

8.1.4 SeqGAN240

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 Gym294

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