認(rèn)知計(jì)算與深度學(xué)習(xí)：基于物聯(lián)網(wǎng)云平臺(tái)的智能應(yīng)用

目　　錄
Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud
出版者的話
前言
作者簡(jiǎn)介
第1章　認(rèn)知計(jì)算與大數(shù)據(jù)科學(xué) 1
1.1　數(shù)據(jù)科學(xué)簡(jiǎn)介 1
1.1.1　數(shù)據(jù)科學(xué)與相關(guān)學(xué)科 1
1.1.2　下一個(gè)十年的新興技術(shù) 3
1.1.3　驅(qū)動(dòng)認(rèn)知計(jì)算的五種關(guān)鍵技術(shù)（SMACT） 7
1.2　社交媒體和移動(dòng)云計(jì)算 10
1.2.1　社交網(wǎng)絡(luò)和Web服務(wù)網(wǎng)站 10
1.2.2　移動(dòng)蜂窩核心網(wǎng)絡(luò) 12
1.2.3　移動(dòng)設(shè)備和互聯(lián)網(wǎng)邊緣網(wǎng)絡(luò) 13
1.2.4　移動(dòng)云計(jì)算環(huán)境 15
1.3　大數(shù)據(jù)采集、挖掘和分析 15
1.3.1　海量數(shù)據(jù)的大數(shù)據(jù)價(jià)值鏈 16
1.3.2　大數(shù)據(jù)的采集與預(yù)處理 17
1.3.3　數(shù)據(jù)質(zhì)量控制、表示和數(shù)據(jù)庫模型 19
1.3.4　云分析系統(tǒng)的發(fā)展 19
1.4　機(jī)器智能和大數(shù)據(jù)應(yīng)用 21
1.4.1　數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí) 21
1.4.2　大數(shù)據(jù)應(yīng)用概述 23
1.4.3　認(rèn)知計(jì)算概述 26
1.5　本章小結(jié) 28
1.6　本章習(xí)題 28
1.7　參考文獻(xiàn) 29
第2章　智慧云與虛擬化技術(shù) 31
2.1　云計(jì)算模型和云服務(wù) 31
2.1.1　基于服務(wù)的云分類 31
2.1.2　云服務(wù)平臺(tái)的多層發(fā)展 34
2.1.3　支持大數(shù)據(jù)存儲(chǔ)和處理引擎的云平臺(tái) 37
2.1.4　支持大數(shù)據(jù)分析的云資源 38
2.2　虛擬機(jī)和Docker容器的創(chuàng)建 40
2.2.1　云平臺(tái)資源的虛擬化 40
2.2.2　虛擬機(jī)管理程序和虛擬機(jī) 41
2.2.3　Docker引擎和應(yīng)用程序容器 43
2.2.4　容器和虛擬機(jī)的發(fā)展 45
2.3　云架構(gòu)和虛擬資源管理 46
2.3.1　三種云平臺(tái)架構(gòu) 46
2.3.2　虛擬機(jī)管理和災(zāi)難恢復(fù) 48
2.3.3　創(chuàng)建私有云的Eucalyptus和OpenStack 50
2.3.4　Docker容器調(diào)度和業(yè)務(wù)流程 52
2.3.5　建立混合云的VMware云操作系統(tǒng) 53
2.4　IaaS、PaaS和SaaS云的案例研究 55
2.4.1　基于分布式數(shù)據(jù)中心的AWS云 55
2.4.2　AWS云服務(wù)產(chǎn)品 56
2.4.3　PaaS：谷歌AppEngine及其他 59
2.4.4　SaaS：Salesforce云 61
2.5　移動(dòng)云與云間的混搭服務(wù) 63
2.5.1　微云網(wǎng)關(guān)的移動(dòng)云 63
2.5.2　跨云平臺(tái)的混搭服務(wù) 66
2.5.3　混搭服務(wù)Skyline的發(fā)現(xiàn) 68
2.5.4　混搭服務(wù)的動(dòng)態(tài)組成 70
2.6　本章小結(jié) 71
2.7　本章習(xí)題 71
2.8　參考文獻(xiàn) 74
第3章　物聯(lián)網(wǎng)的傳感、移動(dòng)和認(rèn)知系統(tǒng) 75
3.1　物聯(lián)網(wǎng)感知與關(guān)鍵技術(shù) 75
3.1.1　物聯(lián)網(wǎng)感知技術(shù) 75
3.1.2　物聯(lián)網(wǎng)關(guān)鍵技術(shù) 77
3.2　物聯(lián)網(wǎng)體系結(jié)構(gòu)和交互框架 78
3.2.1　物聯(lián)網(wǎng)體系結(jié)構(gòu) 78
3.2.2　本地定位技術(shù)與全球定位技術(shù) 79
3.2.3　傳統(tǒng)物聯(lián)網(wǎng)系統(tǒng)與以云為中心的物聯(lián)網(wǎng)應(yīng)用 80
3.2.4　物聯(lián)網(wǎng)與環(huán)境交互框架 83
3.3　RFID 85
3.3.1　射頻識(shí)別技術(shù)和標(biāo)簽設(shè)備 85
3.3.2　RFID系統(tǒng)架構(gòu) 86
3.3.3　物聯(lián)網(wǎng)支持的供應(yīng)鏈管理 87
3.4　傳感器、無線傳感器網(wǎng)絡(luò)和全球定位系統(tǒng) 88
3.4.1　傳感器的硬件和操作系統(tǒng) 89
3.4.2　基于智能手機(jī)的傳感 93
3.4.3　無線傳感器網(wǎng)絡(luò)和體域網(wǎng) 94
3.4.4　全球定位系統(tǒng) 96
3.5　認(rèn)知計(jì)算技術(shù)與原型系統(tǒng) 99
3.5.1　認(rèn)知科學(xué)和神經(jīng)信息學(xué) 99
3.5.2　腦啟發(fā)計(jì)算芯片和系統(tǒng) 100
3.5.3　谷歌大腦團(tuán)隊(duì)項(xiàng)目 102
3.5.4　物聯(lián)網(wǎng)環(huán)境下的認(rèn)知服務(wù) 104
3.5.5　增強(qiáng)和虛擬現(xiàn)實(shí)應(yīng)用 105
3.6　本章小結(jié) 107
3.7　本章習(xí)題 107
3.8　參考文獻(xiàn) 109
第4章　NB-IoT技術(shù)與架構(gòu) 111
4.1　NB-IoT概述 111
4.1.1　NB-IoT的背景 111
4.1.2　NB-IoT發(fā)展簡(jiǎn)史與標(biāo)準(zhǔn)化進(jìn)程 111
4.2　NB-IoT的特性與關(guān)鍵技術(shù) 113
4.2.1　NB-IoT的特性 113
4.2.2　NB-IoT的基礎(chǔ)理論與關(guān)鍵技術(shù) 118
4.3　NB-IoT與幾種技術(shù)的對(duì)比 120
4.3.1　NB-IoT與eMTC技術(shù)的對(duì)比 120
4.3.2　NB-IoT與其他無線通信技術(shù)的對(duì)比 123
4.4　NB-IoT的智能應(yīng)用 126
4.4.1　NB-IoT的應(yīng)用場(chǎng)景 126
4.4.2　NB-IoT的應(yīng)用范例 127
4.5　NB-IoT的安全需求 128
4.5.1　感知層 129
4.5.2　傳輸層 129
4.5.3　應(yīng)用層 130
4.6　本章小結(jié) 130
4.7　本章習(xí)題 130
4.8　參考文獻(xiàn) 131
第5章　有監(jiān)督的機(jī)器學(xué)習(xí) 135
5.1　機(jī)器學(xué)習(xí)簡(jiǎn)介 135
5.1.1　學(xué)習(xí)方式簡(jiǎn)介 135
5.1.2　主要算法簡(jiǎn)介 136
5.1.3　監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí) 138
5.1.4　機(jī)器學(xué)習(xí)主要流派 139
5.2　回歸分析 140
5.2.1　簡(jiǎn)介 140
5.2.2　線性回歸 141
5.2.3　邏輯回歸 144
5.3　有監(jiān)督的分類算法 146
5.3.1　最近鄰分類 146
5.3.2　決策樹 148
5.3.3　基于規(guī)則的分類 151
5.3.4　支持向量機(jī) 155
5.4　貝葉斯與組合算法 157
5.4.1　樸素貝葉斯 158
5.4.2　貝葉斯網(wǎng)絡(luò) 161
5.4.3　隨機(jī)森林和組合方法 164
5.5　本章小結(jié) 167
5.6　本章習(xí)題 167
5.7　參考文獻(xiàn) 170
第6章　無監(jiān)督學(xué)習(xí)和算法選擇 172
6.1　無監(jiān)督學(xué)習(xí)簡(jiǎn)介和關(guān)聯(lián)分析 172
6.1.1　無監(jiān)督的機(jī)器學(xué)習(xí) 172
6.1.2　關(guān)聯(lián)分析和頻繁項(xiàng)集 172
6.1.3　關(guān)聯(lián)規(guī)則的產(chǎn)生 175
6.2　聚類分析 177
6.2.1　聚類分析簡(jiǎn)介 178
6.2.2　K均值聚類 178
6.2.3　凝聚層次聚類 180
6.2.4　基于密度的聚類 183
6.3　降維算法和學(xué)習(xí)模型 186
6.3.1　常見的降維算法簡(jiǎn)介 186
6.3.2　主成分分析法 187