人工智能技術(shù)與大數(shù)據(jù)

定　價：￥69.00

作　者：	[印] 阿南德·德什潘德（Anand Deshpande）著，趙運楓，黃偉哲譯
出版社：	人民郵電出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥57.80)

ISBN：	9787115508157	出版時間：	2020-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	274	字?jǐn)?shù)：

內(nèi)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(shù)據(jù)的本體論、機(jī)器學(xué)習(xí)的基本理論等內(nèi)容，為具體場景、算法的實踐奠定了基礎(chǔ)。讀者可以了解到，在工程實踐中，對大數(shù)據(jù)的處理、轉(zhuǎn)化方式與人類學(xué)習(xí)知識并將其轉(zhuǎn)化為實踐的過程是多么相似。在對機(jī)器學(xué)習(xí)的介紹中，會對其數(shù)學(xué)原理、訓(xùn)練過程做基本的講解，并輔以代碼幫助讀者了解真實場景中技術(shù)工具的使用。第6章到第12章提供了多個不同的用例，章節(jié)之間彼此獨立，介紹了如何用人工智能技術(shù)（自然語言處理、模糊系統(tǒng)、遺傳編程、群體智能、強(qiáng)化學(xué)習(xí)、網(wǎng)絡(luò)安全、認(rèn)知計算）實現(xiàn)大數(shù)據(jù)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(jī)器學(xué)習(xí)算法有一定的了解，那么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(shù)在大數(shù)據(jù)中的應(yīng)用。如果讀者對上述知識一無所知，但是對大數(shù)據(jù)人工智能的技術(shù)、業(yè)務(wù)非常感興趣，那么可以通過本書獲得從零到一的認(rèn)知提升。

作者簡介

　　阿南德·德什潘德（Anand Deshpande）是Datametica Solutions公司的大數(shù)據(jù)交付主管。他負(fù)責(zé)與客戶合作制訂數(shù)據(jù)策略，并幫助他們的公司成為數(shù)據(jù)驅(qū)動型企業(yè)。他擁有豐富的大數(shù)據(jù)生態(tài)系統(tǒng)技術(shù)經(jīng)驗，經(jīng)常在各種活動中就數(shù)據(jù)科學(xué)和大數(shù)據(jù)發(fā)表演講，對數(shù)據(jù)科學(xué)、認(rèn)知智能以及用于數(shù)據(jù)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(shù)架構(gòu)師。作為一名數(shù)據(jù)、解決方案和產(chǎn)品架構(gòu)師，他擁有超過11年的數(shù)據(jù)管理行業(yè)經(jīng)驗，經(jīng)常就大數(shù)據(jù)和數(shù)據(jù)科學(xué)發(fā)表演講。他在構(gòu)建有效的ETL管道、通過Hadoop實現(xiàn)安全性、實現(xiàn)實時數(shù)據(jù)分析解決方案，以及為數(shù)據(jù)科學(xué)問題提供創(chuàng)新和最佳的可能解決方案方面擁有豐富的經(jīng)驗。

圖書目錄

第　1章大數(shù)據(jù)與人工智能系統(tǒng)　1
1．1　結(jié)果金字塔　2
1．2　人腦最擅長什么　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　電子大腦最擅長什么　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(shù)據(jù)　5
1．4．2　從遲鈍機(jī)器進(jìn)化到智能
機(jī)器　6
1．4．3　智能　7
1．4．4　大數(shù)據(jù)框架　8
1．4．5　大數(shù)據(jù)智能應(yīng)用　10
1．5　常見問答　10
1．6　小結(jié)　12
第　2章大數(shù)據(jù)本體論　13
2．1　人腦與本體　14
2．2　信息科學(xué)本體論　15
2．2．1　本體的屬性　16
2．2．2　本體的優(yōu)點　17
2．2．3　本體的組成　18
2．2．4　本體在大數(shù)據(jù)中扮演的
角色　19
2．2．5　本體對齊　20
2．2．6　本體在大數(shù)據(jù)中的目標(biāo)　20
2．2．7　本體在大數(shù)據(jù)中的
挑戰(zhàn)　21
2．2．8　資源描述框架——通用
數(shù)據(jù)格式　21
2．2．9　使用Web本體語言：
OWL　26
2．2．10　SPARQL查詢語言　28
2．2．11　用本體構(gòu)建智能機(jī)器　31
2．2．12　本體學(xué)習(xí)　33
2．3　常見問答　36
2．4　小結(jié)　36
第3章　從大數(shù)據(jù)中學(xué)習(xí)　38
3．1　監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)　38
3．2　Spark編程模型　42
3．3　Spark MLlib庫　44
3．3．1　轉(zhuǎn)換器函數(shù)　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(shù)幾率回歸分類技術(shù)　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(shù)據(jù)聚類　54
3．6　K均值算法　55
3．7　數(shù)據(jù)降維　58
3．8　奇異值分解　59
3．8．1　矩陣?yán)碚摵途€性代數(shù)
概述　60
3．8．2　奇異值分解的重要
性質(zhì)　62
3．8．3　Spark ML實現(xiàn)SVD　63
3．9　主成分分析　64
3．9．1　用SVD實現(xiàn)PCA算法　64
3．9．2　用Spark ML實現(xiàn)SVD　65
3．10　基于內(nèi)容的推薦系統(tǒng)　66
3．11　常見問答　70
3．12　小結(jié)　71
第4章　大數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)　72
4．1　神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的
基礎(chǔ)　72
4．2　感知器和線性模型　73
4．2．1　神經(jīng)網(wǎng)絡(luò)的組成符號　74
4．2．2　簡單感知器模型的數(shù)學(xué)
表示　75
4．2．3　激活函數(shù)　77
4．3　非線性模型　80
4．4　前饋神經(jīng)網(wǎng)絡(luò)　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(huán)神經(jīng)網(wǎng)絡(luò)　89
4．7．1　RNN的需求　89
4．7．2　RNN的結(jié)構(gòu)　89
4．7．3　訓(xùn)練RNN　90
4．8　常見問答　90
4．9　小結(jié)　92
第5章　深度大數(shù)據(jù)分析　93
5．1　深度學(xué)習(xí)基礎(chǔ)知識和構(gòu)建
模塊　93
5．1．1　基于梯度的學(xué)習(xí)　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(gòu)建數(shù)據(jù)準(zhǔn)備管道　101
5．3　實現(xiàn)神經(jīng)網(wǎng)絡(luò)架構(gòu)的實用
方法　107
5．4　超參數(shù)調(diào)優(yōu)　109
5．4．1　學(xué)習(xí)率　110
5．4．2　訓(xùn)練迭代的次數(shù)　111
5．4．3　隱藏單元數(shù)　111
5．4．4　時期數(shù)　112
5．4．5　用deeplearning4j試驗
超參數(shù)　112
5．5　分布式計算　117
5．6　分布式深度學(xué)習(xí)　119
5．6．1　DL4J和Spark　119
5．6．2　TensorFlow　122
5．6．3　Keras　122
5．7　常見問答　123
5．8　小結(jié)　125
第6章　自然語言處理　126
6．1　自然語言處理基礎(chǔ)　127
6．2　文本預(yù)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
6．2．4　N-Gram　132
6．3　特征提取　133
6．3．1　獨熱編碼　133
6．3．2　TF-IDF　134
6．3．3　CountVectorizer　136
6．3．4　Word2Vec　137
6．4　應(yīng)用自然語言處理技術(shù)　140
6．5　實現(xiàn)情感分析　145
6．6　常見問答　147
6．7　小結(jié)　148
第7章　模糊系統(tǒng)　149
7．1　模糊邏輯基礎(chǔ)　149
7．1．1　模糊集和隸屬函數(shù)　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
7．2　ANFIS網(wǎng)絡(luò)　157
7．2．1　自適應(yīng)網(wǎng)絡(luò)　157
7．2．2　ANFIS架構(gòu)和混合學(xué)習(xí)
算法　157
7．3　模糊C均值聚類　160
7．4　模糊神經(jīng)分類器　164
7．5　常見問答　165
7．6　小結(jié)　166
第8章　遺傳編程　167
8．1　遺傳算法的結(jié)構(gòu)　169
8．2　KEEL框架　172
8．3　Encog機(jī)器學(xué)習(xí)框架　175
8．3．1　Encog開發(fā)環(huán)境設(shè)置　175
8．3．2　Encog API結(jié)構(gòu)　176
8．4　Weka框架　179
8．5　用Weka以遺傳算法實現(xiàn)屬性
搜索　189
8．6　常見問答　192
8．7　小結(jié)　192
第9章　群體智能　193
9．1　什么是群體智能　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　集體智能系統(tǒng)的
優(yōu)勢　196
9．1．5　開發(fā)SI系統(tǒng)的設(shè)計
原則　197
9．2　粒子群優(yōu)化模型　198
9．3　蟻群優(yōu)化模型　201
9．4　MASON庫　203
9．5　Opt4J庫　206
9．6　在大數(shù)據(jù)分析中的應(yīng)用　208
9．7　處理動態(tài)數(shù)據(jù)　210
9．8　多目標(biāo)優(yōu)化　210
9．9　常見問答　211
9．10　小結(jié)　212
第　10章強(qiáng)化學(xué)習(xí)　213
10．1　強(qiáng)化學(xué)習(xí)算法的概念　213
10．2　強(qiáng)化學(xué)習(xí)技術(shù)　216
10．2．1　馬爾可夫決策過程　217
10．2．2　動態(tài)規(guī)劃與強(qiáng)化學(xué)習(xí)　218
10．2．3　Q-learning　221
10．2．4　SARSA學(xué)習(xí)　228
10．3　深度強(qiáng)化學(xué)習(xí)　230
10．4　常見問答　231
10．5　小結(jié)　231
第　11章網(wǎng)絡(luò)安全　233
11．1　大數(shù)據(jù)用于維生管線保護(hù)　233
11．1．1　數(shù)據(jù)收集與分析　234
11．1．2　異常檢測　235
11．1．3　糾正和預(yù)防措施　236
11．1．4　概念上的數(shù)據(jù)流　236
11．2　理解流處理　239
11．2．1　流處理語義　240
11．2．2　Spark Streaming　241
11．2．3　Kafka　242
11．3　網(wǎng)絡(luò)安全攻擊類型　244
11．3．1　網(wǎng)絡(luò)釣魚　245
11．3．2　內(nèi)網(wǎng)漫游　245
11．3．3　注入攻擊　245
11．3．4　基于AI的防御　246
11．4　了解SIEM　247
11．5　Splunk　250
11．5．1　Splunk Enterprise
Security　250
11．5．2　Splunk Light　251
11．6　ArcSight ESM　253
11．7　常見問答　253
11．8　小結(jié)　254
第　12章認(rèn)知計算　256
12．1　認(rèn)知科學(xué)　256
12．2　認(rèn)知系統(tǒng)　259
12．2．1　認(rèn)知系統(tǒng)簡史　260
12．2．2　認(rèn)知系統(tǒng)的目標(biāo)　261
12．2．3　認(rèn)知系統(tǒng)的因素　262
12．3　認(rèn)知智能在大數(shù)據(jù)分析中的
應(yīng)用　263
12．4　認(rèn)知智能即服務(wù)　264
12．4．1　基于Watson的IBM
認(rèn)知工具包　265
12．4．2　基于Watson的認(rèn)知
應(yīng)用　266
12．4．3　用Watson進(jìn)行開發(fā)　269
12．5　常見問答　273
12．6　小結(jié)　274