成功加入购物车
图书条目标准图
[印]阿南德·德什潘德(Anand Deshpande) 著; 赵运枫 、 黄伟哲 译 / 人民邮电出版社 / 2020-10 / 平装
售价 ¥ 39.80 5.8折
定价 ¥69.00
品相 九五品
优惠 满包邮
延迟发货说明
上书时间2021-03-01
卖家超过10天未登录
人工智能技术与大数据
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。
阿南德・德什潘德(Anand Deshpande)是Datametica Solutions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(Manish Kumar)是Datametica Solutions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。
第 1章 大数据与人工智能系统 11.1 结果金字塔 21.2 人脑最擅长什么 21.2.1 感官输入 21.2.2 存储 31.2.3 处理能力 31.2.4 低能耗 31.3 电子大脑最擅长什么 31.3.1 速度信息存储 31.3.2 蛮力处理 41.4 两全其美 41.4.1 大数据 51.4.2 从迟钝机器进化到智能机器 61.4.3 智能 71.4.4 大数据框架 81.4.5 大数据智能应用 101.5 常见问答 101.6 小结 12第 2章 大数据本体论 132.1 人脑与本体 142.2 信息科学本体论 152.2.1 本体的属性 162.2.2 本体的优点 172.2.3 本体的组成 182.2.4 本体在大数据中扮演的角色 192.2.5 本体对齐 202.2.6 本体在大数据中的目标 202.2.7 本体在大数据中的挑战 212.2.8 资源描述框架――通用数据格式 212.2.9 使用Web本体语言:OWL 262.2.10 SPARQL查询语言 282.2.11 用本体构建智能机器 312.2.12 本体学习 332.3 常见问答 362.4 小结 36第3章 从大数据中学习 383.1 监督学习和无监督学习 383.2 Spark编程模型 423.3 Spark MLlib库 443.3.1 转换器函数 443.3.2 估计器算法 453.3.3 管道 453.4 回归分析 463.4.1 线性回归 473.4.2 广义线性模型 503.4.3 对数几率回归分类技术 503.4.4 多项式回归 523.4.5 逐步回归 533.4.6 岭回归 533.4.7 套索回归 543.5 数据聚类 543.6 K均值算法 553.7 数据降维 583.8 奇异值分解 593.8.1 矩阵理论和线性代数概述 603.8.2 奇异值分解的重要性质 623.8.3 Spark ML实现SVD 633.9 主成分分析 643.9.1 用SVD实现PCA算法 643.9.2 用Spark ML实现SVD 653.10 基于内容的推荐系统 663.11 常见问答 703.12 小结 71第4章 大数据神经网络 724.1 神经网络和人工神经网络的基础 724.2 感知器和线性模型 734.2.1 神经网络的组成符号 744.2.2 简单感知器模型的数学表示 754.2.3 激活函数 774.3 非线性模型 804.4 前馈神经网络 814.5 梯度下降和反向传播 824.5.1 梯度下降伪代码 854.5.2 反向传播模型 864.6 过拟合 884.7 循环神经网络 894.7.1 RNN的需求 894.7.2 RNN的结构 894.7.3 训练RNN 904.8 常见问答 904.9 小结 92第5章 深度大数据分析 935.1 深度学习基础知识和构建模块 935.1.1 基于梯度的学习 955.1.2 反向传播 975.1.3 非线性 985.1.4 剔除 995.2 构建数据准备管道 1015.3 实现神经网络架构的实用方法 1075.4 超参数调优 1095.4.1 学习率 1105.4.2 训练迭代的次数 1115.4.3 隐藏单元数 1115.4.4 时期数 1125.4.5 用deeplearning4j试验超参数 1125.5 分布式计算 1175.6 分布式深度学习 1195.6.1 DL4J和Spark 1195.6.2 TensorFlow 1225.6.3 Keras 1225.7 常见问答 1235.8 小结 125第6章 自然语言处理 1266.1 自然语言处理基础 1276.2 文本预处理 1286.2.1 删除停用词 1296.2.2 词干提取 1306.2.3 词形还原 1326.2.4 N-Gram 1326.3 特征提取 1336.3.1 独热编码 1336.3.2 TF-IDF 1346.3.3 CountVectorizer 1366.3.4 Word2Vec 1376.4 应用自然语言处理技术 1406.5 实现情感分析 1456.6 常见问答 1476.7 小结 148第7章 模糊系统 1497.1 模糊逻辑基础 1497.1.1 模糊集和隶属函数 1507.1.2 明确集的属性和符号 1517.1.3 模糊化 1537.1.4 去模糊化 1567.1.5 模糊推理 1567.2 ANFIS网络 1577.2.1 自适应网络 1577.2.2 ANFIS架构和混合学习算法 1577.3 模糊C均值聚类 1607.4 模糊神经分类器 1647.5 常见问答 1657.6 小结 166第8章 遗传编程 1678.1 遗传算法的结构 1698.2 KEEL框架 1728.3 Encog机器学习框架 1758.3.1 Encog开发环境设置 1758.3.2 Encog API结构 1768.4 Weka框架 1798.5 用Weka以遗传算法实现属性搜索 1898.6 常见问答 1928.7 小结 192第9章 群体智能 1939.1 什么是群体智能 1949.1.1 自组织 1949.1.2 主动共识 1959.1.3 劳动分工 1969.1.4 集体智能系统的优势 1969.1.5 开发SI系统的设计原则 1979.2 粒子群优化模型 1989.3 蚁群优化模型 2019.4 MASON库 2039.5 Opt4J库 2069.6 在大数据分析中的应用 2089.7 处理动态数据 2109.8 多目标优化 2109.9 常见问答 2119.10 小结 212第 10章 强化学习 21310.1 强化学习算法的概念 21310.2 强化学习技术 21610.2.1 马尔可夫决策过程 21710.2.2 动态规划与强化学习 21810.2.3 Q-learning 22110.2.4 SARSA学习 22810.3 深度强化学习 23010.4 常见问答 23110.5 小结 231第 11章 网络安全 23311.1 大数据用于维生管线保护 23311.1.1 数据收集与分析 23411.1.2 异常检测 23511.1.3 纠正和预防措施 23611.1.4 概念上的数据流 23611.2 理解流处理 23911.2.1 流处理语义 24011.2.2 Spark Streaming 24111.2.3 Kafka 24211.3 网络安全攻击类型 24411.3.1 网络钓鱼 24511.3.2 内网漫游 24511.3.3 注入攻击 24511.3.4 基于AI的防御 24611.4 了解SIEM 24711.5 Splunk 25011.5.1 Splunk EnterpriseSecurity 25011.5.2 Splunk Light 25111.6 ArcSight ESM 25311.7 常见问答 25311.8 小结 254第 12章 认知计算 25612.1 认知科学 25612.2 认知系统 25912.2.1 认知系统简史 26012.2.2 认知系统的目标 26112.2.3 认知系统的因素 26212.3 认知智能在大数据分析中的应用 26312.4 认知智能即服务 26412.4.1 基于Watson的IBM认知工具包 26512.4.2 基于Watson的认知应用 26612.4.3 用Watson进行开发 26912.5 常见问答 27312.6 小结 274
展开全部
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30