全新正版 极速发货
-
作者:
主编：吕云翔 钟巧灵 副主编：郭婉茹 王渌汀 韩雪婷 郭宇光 杜宸洋 参编：仇善召 余志浩 杨卓谦等
-
出版社:
清华大学出版社
-
ISBN:
9787302603108
-
出版时间:
2022-09
-
装帧:
平装
-
开本:
16开
-
作者:
主编：吕云翔 钟巧灵 副主编：郭婉茹 王渌汀 韩雪婷 郭宇光 杜宸洋 参编：仇善召 余志浩 杨卓谦等
-
出版社:
清华大学出版社
-
ISBN:
9787302603108
-
出版时间:
2022-09
售价
￥
42.50
7.1折
定价
￥59.80
品相
全新
上书时间2024-11-25
卖家超过10天未登录
-
-
商品描述：
-
前言
随着近年来数据科学的发展，人们记录信息的方式和量级不断地发生改变，数据的数量逐渐增多，种类逐渐复杂化，大数据技术得到了广泛的应用。
同时，在大数据时代，人工智能相关技术也得到了越来越多的关注，市场对于人工智能产品的呼声也越来越高。人工智能作为大数据应用的重要出口，在与大数据应用结合的过程中将会得到更广泛的应用。
本书将大数据与人工智能基础理论和实际案例相结合，适合初学者学习。读者可以在短时间内学习本书介绍的知识和概念。作为一本关于大数据与人工智能的书籍，本书共有20章。其中，第1～9章为概念和一些理论知识的介绍，第10～20章为11个实际项目案例。各章的内容如下。
第1章主要阐述大数据与人工智能的概念和发展，并对大数据与人工智能的结合趋势进行预测。
第2章阐述数据工程的一般流程，其中包括数据获取、数据存储和数据预处理技术的详细内容。
第3章主要介绍机器学习的常用算法及其实现细节。算法包括线性回归、逻辑回归、线性判别分析、分类与回归树分析、朴素贝叶斯、k最近邻算法、学习矢量量化、支持向量机、Bagging、随机森林、Boosting和AdaBoost。
第4章主要介绍深度学习的相关知识，即神经网络的基础知识和算法理论。首先介绍神经网络的基础知识； 其次讲解神经网络的训练过程，包括神经网络的参数、向量化、价值函数、梯度下降和反向传播； 然后讲解神经网络的优化和改进方式，卷积神经网络的结构； 最后讲解深度学习的优势及其框架。
第5章介绍大数据存储技术。首先介绍大数据存储技术的发展； 其次介绍海量数据存储的关键技术，包括数据分片与路由，数据复制与一致性； 再次介绍重要数据结构和算法； 然后介绍分布式文件系统和分布式数据库NoSQL； 最后讲解HBase数据库的搭建与使用。
第6章主要是对Hadoop MapReduce的解析。首先介绍Hadoop MapReduce架构； 其次介绍MapReduce的工作机制，包括Map、Reduce、Combine、Shuffle、Speculative Task和任务容错； 最后通过三个应用案例介绍MapReduce分布式计算框架在实际中的应用方式。
第7章是对Spark分布式计算框架的解析。首先介绍Spark RDD； 其次对比了Spark和MapReduce； 再次介绍Spark的工作机制，包括DAG、Partition、Lineage容错方法、内存管理和数据持久化； 然后讲解Spark读取数据的方式； 最后通过两个应用案例对Spark在实际中的应用进行解析。
第8章介绍分布式数据挖掘算法。首先介绍KMeans聚类算法，并对其并行化思路和分布式实现展开讲解； 其次从并行化思路和分布式实现两方面介绍逻辑回归算法； 最后讲解朴素贝叶斯分类算法的设计思路和实现方案。
第9章主要介绍PyTorch深度学习框架。首先介绍PyTorch的基础知识； 其次阐述Tensor相关的PyTorch深度学习基本操作； 最后通过在Spark上运行PyTorch模型和利用PyTorch手写数字识别的应用案例讲解PyTorch框架的使用方法。
第10～20章为11个实际应用中的实战案例。其中，第10～13章为大数据技术的实战案例； 第14～17章为深度学习的案例； 第18～20章包含三个大数据技术和机器学习、深度学习相结合的案例。
本书的主要特点如下。
(1) 结构清晰，理论阐述简洁明了，可读性强。
(2) 以案例为导向，对基础知识和算法理论点在实际中的应用进行详细讲解。
(3) 实战案例丰富，涵盖9个章节的小案例和11个完整项目案例。
(4) 11个完整项目案例都有视频讲解。
(5) 代码详尽，避免对 API 的形式展示，规避重复代码。
(6) 各个数据库相对独立，数学原理相对容易理解。
为便于教学，本书配有源代码。获取源代码和数据集方式： 先扫描本书封底的文泉云盘防盗码，再扫描下方二维码，即可获取。
本书的作者为吕云翔、钟巧灵、郭婉茹、王渌汀、韩雪婷、郭宇光、杜宸洋、仇善召、余志浩、杨卓谦、樊子康、李牧锴、刘卓然、袁琪、关捷雄、华昱云、陈妙然、许鸿智、贺祺，曾洪立参与了部分内容的编写及资料整理工作。
在本书的编写中参考了诸多相关资料，在此向资料的作者表示衷心的感谢。
限于作者水平和时间仓促，书中难免存在疏漏之处，欢迎读者批评指正。 作者2022年6月
商品简介
本书将基础理论和实际案例相结合，循序渐进地介绍大数据与人工智能方面的知识，全面、系统地介绍大数据与人工智能的算法概念和适用范畴，并通过11个具体案例分别阐述人工智能和大数据技术在生产生活中的应用。全书共20章，第1～9章分别介绍大数据与人工智能的发展历史、数据工程、机器学习算法、深度学习与神经网络、大数据存储技术、Hadoop MapReduce解析、Spark解析、分布式数据挖掘算法和PyTorch解析等知识，第10～20章为大数据技术和机器学习技术相结合的一些案例。 本书主要面向广大数据工程与人工智能的初学者、高等院校的师生，以及相关领域的从业人员。
目录
第1章 绪论1.1日益增长的数据1.1.1大数据的基本概念1.1.2大数据的基本特征1.1.3大数据的发展历程1.2人工智能初窥1.2.1人工智能的历史1.2.2人工智能的发展现状1.2.3人工智能的发展前景1.2.4大数据与人工智能第2章 数据工程2.1数据工程的一般流程2.2数据获取2.2.1数据采集方法2.2.2大数据采集平台2.3数据存储与数据仓库2.3.1数据存储2.3.2数据仓库2.4数据预处理2.4.1数据清理2.4.2数据集成2.4.3数据变换第3章 机器学习算法3.1算法概述 3.1.1线性回归3.1.2逻辑回归3.1.3线性判别分析3.1.4分类与回归树分析3.1.5朴素贝叶斯3.1.6k最近邻算法3.1.7学习矢量量化3.1.8支持向量机3.1.9Bagging和随机森林3.1.10Boosting和AdaBoost3.2支持向量机算法3.2.1线性支持向量机3.2.2非线性支持向量机3.2.3支持向量机算法求解3.3逻辑回归算法3.3.1线性回归算法3.3.2逻辑回归3.3.3用PyTorch实现逻辑回归算法3.4聚类算法3.4.1KMeans聚类3.4.2均值漂移聚类 3.4.3基于密度的聚类方法3.5机器学习算法总结3.5.1逻辑回归和朴素贝叶斯3.5.2逻辑回归和支持向量机3.5.3Bagging、随机森林和Boosting 第4章 深度学习4.1神经网络基础知识4.1.1深度神经网络4.1.2正向传播4.1.3激活函数4.2神经网络的训练4.2.1神经网络的参数4.2.2向量化4.2.3价值函数4.2.4梯度下降和反向传播4.3神经网络的优化和改进4.3.1神经网络的优化策略4.3.2交叉验证4.3.3正则化方法4.4卷积神经网络4.4.1卷积运算4.4.2池化层4.4.3CNN实例4.5深度学习的优势4.5.1计算机视觉4.5.2自然语言处理4.5.3强化学习4.6深度学习训练与推理框架4.6.1训练框架4.6.2推理框架第5章 大数据存储5.1大数据存储技术发展5.2海量数据存储的关键技术5.2.1数据分片与路由5.2.2数据复制与一致性5.3重要数据结构和算法5.3.1Bloom Filter5.3.2LSM Tree5.3.3Merkle Tree5.3.4Cuckoo Hash5.4分布式文件系统5.4.1文件存储格式5.4.2GFS5.4.3HDFS5.5分布式数据库NoSQL5.5.1NoSQL数据库概述5.5.2KV数据库5.5.3列式数据库5.6HBase数据库搭建与使用5.6.1HBase伪分布式运行5.6.2HBase分布式运行第6章 Hadoop MapReduce解析6.1Hadoop MapReduce架构6.2MapReduce工作机制6.2.1Map6.2.2Reduce6.2.3Combine6.2.4Shuffle6.2.5Speculative Task6.2.6任务容错6.3应用案例6.3.1WordCount6.3.2WordMean6.3.3Grep第7章 Spark解析7.1Spark RDD7.2Spark与MapReduce的比较7.3Spark工作机制7.3.1DAG7.3.2Partition7.3.3容错机制7.3.4内存管理7.3.5数据持久化7.4数据读取7.5应用案例7.5.1日志挖掘7.5.2判别西瓜好坏第8章 分布式数据挖掘算法8.1KMeans聚类算法8.1.1KMeans并行化思路8.1.2KMeans分布式实现8.2逻辑回归算法实现8.2.1逻辑回归算法并行化思路8.2.2逻辑回归算法分布式实现8.3朴素贝叶斯分类算法8.3.1朴素贝叶斯分类算法并行化思路8.3.2朴素贝叶斯分布式实现第9章 PyTorch解析9.1PyTorch的基本知识9.1.1PyTorch概述9.1.2PyTorch与其他深度学习框架的比较9.2PyTorch基本操作9.2.1Tensor对象及其运算9.2.2Tensor的索引和切片9.2.3Tensor的变换、拼接和拆分9.2.4PyTorch的归纳操作9.2.5PyTorch的自动微分9.3应用案例9.3.1在Spark上训练和运行PyTorch模型9.3.2用PyTorch进行手写数字识别第10章 案例： Hadoop平台的搭建和数据分析10.1构建虚拟机网络10.1.1VirtualBox安装及配置10.1.2Ubuntu虚拟机安装及配置10.1.3修改Ubuntu系统内网络配置10.2大数据环境安装10.2.1Java安装10.2.2Hadoop安装10.3应用案例10.3.1日志分析10.3.2交通流量分析第11章 案例： 基于Spark的搜索引擎日志用户行为分析11.1功能需求11.1.1搜索引擎用户行为分析的意义11.1.2搜索引擎日志概述11.2系统架构11.2.1用户搜索流程11.2.2系统架构设计11.3功能实现11.3.1Spark本地运行环境搭建11.3.2搜索引擎日志数据获取11.3.3分析指标11.3.4Spark任务提交第12章 案例： 使用Spark实现数据统计分析及性能优化12.1系统架构12.1.1总体方案12.1.2详细设计12.1.3优化设计12.2具体实现12.2.1数据获取12.2.2数据可视化12.3性能优化12.3.1读取优化12.3.2查询优化12.3.3Spark参数级优化第13章 案例： 使用Spark和HBase实现商品批量存储13.1HBase数据库设计13.2复杂数据处理13.2.1数据读取13.2.2压缩信息13.2.3解压信息13.3数据读写13.3.1从Hive获取数据表13.3.2将数据复制到HBase集群13.3.3读取数据第14章 案例： 使用Keras进行人脸关键点检测14.1深度学习模型14.1.1数据集获取14.1.2卷积神经网络的搭建与训练14.2模型评价14.2.1关键点坐标可视化14.2.2训练历史可视化第15章 案例： 使用PyTorch实现基于词级别的情感分析15.1数据集处理15.2模型搭建15.2.1MemNet模型15.2.2IAN模型15.2.3AOA模型15.3训练和评测第16章 案例： 短语视觉定位16.1短语视觉定位概述16.2相关工作16.2.1问题定义16.2.2先前方法16.3方法16.3.1概述16.3.2特征编码16.3.3邻域交互模块16.3.4全局交互模态16.3.5模态间融合16.3.6多模态对齐16.3.7训练与预测16.4代码与实现16.5实验16.5.1数据集16.5.2实现细节16.5.3实验结果第17章 案例： 使用PyTorch进行视觉问答17.1视觉问答简介17.2基于BottomUp Attention的联合嵌入模型17.3准备工作17.3.1下载数据17.3.2安装必需的软件包17.3.3使用配置文件17.4实现基础模块17.4.1FCNet模块17.4.2SimpleClassifier模块17.5实现问题嵌入模块17.5.1词嵌入17.5.2RNN17.6实现TopDown Attention模块17.7组装完整的VQA系统17.8运行VQA实验17.8.1训练17.8.2可视化第18章 案例： 使用Hadoop和MapReduce分布式计算语料中单词出现的频数18.1MapReduce介绍18.2MapReduce实现WordCount程序18.2.1上传数据到HDFS18.2.2使用Hadoop运行WordCount程序18.2.3停止Hadoop第19章 案例： 使用多种机器学习算法实现基于用户行为数据的用户分类器19.1基于机器学习的分类器的技术概述19.2工程数据的提取聚合和存储19.2.1数据整合的逻辑流程19.2.2Sqoop数据同步19.2.3基于Hive的数据仓库19.2.4基于Azkaban的数据仓库的调度任务19.2.5数据仓库的数据集成和数据清洗19.2.6整合后的数据表19.3数据展示和分析19.3.1数据集的选取和业务背景的描述19.3.2各维度信息详细说明19.3.3各维度数据的描述性统计19.3.4各维度数据的可视化19.4特征工程19.4.1标准化19.4.2区间缩放19.4.3归一化19.4.4对定性特征进行独热（onehot）编码19.4.5缺失值填补19.4.6数据倾斜19.5模型训练和结果评价19.5.1构造模型思路 19.5.2模型训练的流程19.5.3Kfold交叉验证19.6各分类器模型的训练和结果评价19.6.1利用Python的sklearn包进行模型训练的过程梳理19.6.2逻辑回归模型的训练和结果评价19.6.3k最近邻模型的训练和结果评价19.6.4线性判别分析模型的训练和结果评价19.6.5朴素贝叶斯算法的模型的训练和结果评价19.6.6决策树模型的训练和结果评价19.6.7支持向量机模型的训练和结果评价19.7模型提升——集成分类器19.7.1Boosting提升算法19.7.2AdaBoost提升算法19.7.3AdaBoost实现过程及实验结果第20章 案例： 构建苹果叶病病害分类模型20.1细粒度图像识别概述20.2Spark集群的使用20.3细粒度植物数据处理20.3.1原始数据集分析处理20.3.2实验数据集准备20.4使用PyTorch训练模型20.4.1模型训练流程20.4.2卷积神经网络模型选择20.4.3损失函数20.4.4训练策略20.5模型评估20.5.1模型效果20.5.2模型结果分析附录A用户历史充值情况数据表附录B用户各类订单余额情况附录C各省用户收到公示消息后的充值情况参考文献
【前言】
主编推荐
本书将基础理论和实际案例相结合，循序渐进地介绍了大数据与人工智能方面的知识，并配以大量案例。
【内容简介】
![]()
孔网啦啦啦啦啦纺织女工火锅店第三课
开播时间：09月02日 10:30
即将开播，去预约
直播中，去观看
占位居中
