人工智能技术与大数据 azw3 网盘 高速 下载地址大全 免费

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。

第1章大数据与人工智能系统1 1.1结果金字塔2 1.2人脑擅长什么2 1.2.1感官输入2 1.2.2存储3 1.2.3处理能力3 1.2.4低能耗3 1.3电子大脑擅长什么3 1.3.1速度信息存储3 1.3.2蛮力处理4 1.4两全其美4 1.4.1大数据5 1.4.2从迟钝机器进化到智能机器6 1.4.3智能7 1.4.4大数据框架8 1.4.5大数据智能应用10 1.5常见问答10 1.6小结12 第2章大数据本体论13 2.1人脑与本体14 2.2信息科学本体论15 2.2.1本体的属性16 2.2.2本体的优点17 2.2.3本体的组成18 2.2.4本体在大数据中扮演的角色19 2.2.5本体对齐20 2.2.6本体在大数据中的目标20 2.2.7本体在大数据中的挑战21 2.2.8资源描述框架——通用数据格式21 2.2.9使用Web本体语言：OWL26 2.2.10SPARQL查询语言28 2.2.11用本体构建智能机器31 2.2.12本体学习33 2.3常见问答36 2.4小结36 第3章从大数据中学习38 3.1监督学习和无监督学习38 3.2Spark编程模型42 3.3Spark MLlib库44 3.3.1转换器函数44 3.3.2估计器算法45 3.3.3管道45 3.4回归分析46 3.4.1线性回归47 3.4.2广义线性模型50 3.4.3对数几率回归分类技术50 3.4.4多项式回归52 3.4.5逐步回归53 3.4.6岭回归53 3.4.7套索回归54 3.5数据聚类54 3.6K均值算法55 3.7数据降维58 3.8奇异值分解59 3.8.1矩阵理论和线性代数概述60 3.8.2奇异值分解的重要性质62 3.8.3Spark ML实现SVD63 3.9主成分分析 3.9.1用SVD实现PCA算法 3.9.2用Spark ML实现SVD65 3.10基于内容的推荐系统66 3.11常见问答70 3.12小结71 第4章大数据神经网络72 4.1神经网络和人工神经网络的基础72 4.2感知器和线性模型73 4.2.1神经网络的组成符号74 4.2.2简单感知器模型的数学表示75 4.2.3激活函数77 4.3非线性模型80 4.4前馈神经网络81 4.5梯度下降和反向传播82 4.5.1梯度下降伪代码85 4.5.2反向传播模型86 4.6过拟合88 4.7循环神经网络89 4.7.1RNN的需求89 4.7.2RNN的结构89 4.7.3训练RNN90 4.8常见问答90 4.9小结92 第5章深度大数据分析93 5.1深度学习基础知识和构建模块93 5.1.1基于梯度的学习95 5.1.2反向传播97 5.1.3非线性98 5.1.4剔除99 5.2构建数据准备管道101 5.3实现神经网络架构的实用方法107 5.4超参数调优109 5.4.1学习率110 5.4.2训练迭代的次数111 5.4.3隐藏单元数111 5.4.4时期数112 5.4.5用deeplearning4j试验超参数112 5.5分布式计算117 5.6分布式深度学习119 5.6.1DL4J和Spark119 5.6.2TensorFlow122 5.6.3Keras122 5.7常见问答123 5.8小结125 第6章自然语言处理126 6.1自然语言处理基础127 6.2文本预处理128 6.2.1删除停用词129 6.2.2词干提取130 6.2.3词形还原132 6.2.4N-Gram132 6.3特征提取133 6.3.1独热编码133 6.3.2TF-IDF134 6.3.3CountVectorizer136 6.3.4Word2Vec137 应用自然语言处理技术140 6.5实现情感分析145 6.6常见问答147 6.7小结148 第7章模糊系统149 7.1模糊逻辑基础149 7.1.1模糊集和隶属函数150 7.1.2明确集的属性和符号151 7.1.3模糊化153 7.1.4去模糊化156 7.1.5模糊推理156 7.2ANFIS网络157 7.2.1自适应网络157 7.2.2ANFIS架构和混合学习算法157 7.3模糊C均值聚类160 7.4模糊神经分类器1 7.5常见问答165 7.6小结166 第8章遗传编程167 8.1遗传算法的结构169 8.2KEEL框架172 8.3Encog机器学习框架175 8.3.1Encog开发环境设置175 8.3.2EncogAPI结构176 8.4Weka框架179 8.5用Weka以遗传算法实现属性搜索189 8.6常见问答192 8.7小结192 第9章群体智能193 9.1什么是群体智能194 9.1.1自组织194 9.1.2主动共识195 9.1.3劳动分工196 9.1.4集体智能系统的优势196 9.1.5开发SI系统的设计原则197 9.2粒子群优化模型198 9.3蚁群优化模型201 9.4MASON库203 9.5Opt4J库206 9.6在大数据分析中的应用208 9.7处理动态数据210 9.8多目标优化210 9.9常见问答211 9.10小结212 0章强化学习213 10.1强化学习算法的概念213 10.2强化学习技术216 10.2.1马尔可夫决策过程217 10.2.2动态规划与强化学习218 10.2.3Q-learning221 10.2.4SARSA学习228 10.3深度强化学习230 10.4常见问答231 10.5小结231 1章网络安全233 11.1大数据用于维生管线保护233 11.1.1数据收集与分析234 11.1.2异常检测235 11.1.3纠正和预防措施236 11.1.4概念上的数据流236 11.2理解流处理239 11.2.1流处理语义240 11.2.2Spark Streaming241 11.2.3Kafka242 11.3网络安全攻击类型244 11.3.1网络钓鱼245 11.3.2内网漫游245 11.3.3注入攻击245 11.3.4基于AI的防御246 11.4了解SIEM247 11.5Splunk250 11.5.1Splunk Enterprise Security250 11.5.2Splunk Light251 11.6ArcSight ESM253 11.7常见问答253 11.8小结254 2章认知计算256 12.1认知科学256 12.2认知系统259 12.2.1认知系统简史260 12.2.2认知系统的目标261 12.2.3认知系统的因素262 12.3认知智能在大数据分析中的应用263 12.4认知智能即服务2 12.4.1基于Watson的IBM认知工具包265 12.4.2基于Watson的认知应用266 12.4.3用Watson进行开发269 12.5常见问答273 12.6小结274

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。 目录

暂无其它内容！

暂时还没有人为这本书评论！