电子书
内容简介
本书主要涉及数据工程、人工智能算法原理，大数据平台技术、人工智能算法在大数据平台上的实现、人工智能算法的应用于实践。全书共7章。第1章是大数据与人工智能的历史、应用。第2章是数据工程。第3章是人工智能基础算法的原理介绍。第4章是大数据平台的介绍。第5章以第3章中的几种算法为例，介绍了它们是如何在大数据平台上分布式实现的。第6章是当前热门的深度学习技术的介绍。第七章是实践。
章节目录
- 扉页
- 版权页
- 内容提要
- 前言
- 第1章 绪论
- 1.1 日益增长的数据
- 1.1.1 大数据基本概念
- 1.1.2 大数据发展历程
- 1.1.3 大数据的特征
- 1.1.4 大数据的基本认识
- 1.2 人工智能
- 1.2.1 认识人工智能
- 1.2.2 人工智能的派别与发展史
- 1.2.3 人工智能的现状与应用
- 1.2.4 当人工智能遇上大数据
- 1.3 大数据与人工智能的机遇与挑战
- 1.3.1 大数据与人工智能面临的难题
- 1.3.2 大数据与人工智能的前景
- 第2章 数据工程
- 2.1 数据的多样性
- 2.1.1 数据格式的多样性
- 2.1.2 数据来源的多样性
- 2.1.3 数据用途的多样性
- 2.2 数据工程的一般流程
- 2.3 数据的获取
- 2.3.1 数据来源
- 2.3.2 数据采集方法
- 2.3.3 大数据采集平台
- 2.4 数据的存储与数据仓库
- 2.4.1 数据存储
- 2.4.2 数据仓库
- 2.5 数据的预处理技术
- 2.5.1 数据预处理的目的
- 2.5.2 数据清理
- 2.5.3 数据集成
- 2.5.4 数据变换
- 2.5.5 数据归约
- 2.6 模型的构建与评估
- 2.6.1 模型的构建
- 2.6.2 评价指标
- 2.7 数据的可视化
- 2.7.1 可视化的发展
- 2.7.2 可视化工具
- 第3章 大数据框架
- 3.1 Hadoop简介
- 3.1.1 Hadoop的由来
- 3.1.2 MapReduce和HDFS
- 3.2 Hadoop大数据处理框架
- 3.2.1 HDFS组件与运行机制
- 3.2.2 MapReduce组件与运行机制
- 3.2.3 YARN框架和运行机制
- 3.2.4 Hadoop相关技术
- 3.2.5 Hadoop的安装
- 3.3 MapReduce编程
- 3.3.1 MapReduce综述
- 3.3.2 Map阶段
- 3.3.3 Shuffle阶段
- 3.3.4 Reduce阶段
- 3.4 Spark简介
- 3.4.1 Spark概述
- 3.4.2 Spark基本概念
- 3.4.3 Spark生态系统
- 3.4.4 Spark组件与运行机制
- 3.4.5 Spark的安装
- 3.5 Storm简介
- 3.5.1 Storm概述
- 3.5.2 Storm组件和运行机制
- 3.5.3 Storm的应用
- 3.5.4 Storm的安装
- 3.6 Flink简介
- 3.6.1 Flink概述
- 3.6.2 Flink组件和运行机制
- 3.6.3 Flink的应用
- 3.6.4 Flink的安装和实例讲解
- 第4章 机器学习算法
- 4.1 机器学习绪论
- 4.1.1 机器学习基本概念
- 4.1.2 评价标准
- 4.1.3 机器模型的数学基础
- 4.2 决策树理论
- 4.2.1 决策树模型
- 4.2.2 决策树的训练
- 4.2.3 本节小结
- 4.3 朴素贝叶斯理论
- 4.4 线性回归
- 4.5 逻辑斯蒂回归
- 4.5.1 二分类逻辑回归模型
- 4.5.2 二分类逻辑斯蒂回归的训练
- 4.5.3 Softmax分类器
- 4.5.4 逻辑斯蒂回归和softmax的应用
- 4.5.5 本节小结
- 4.6 支持向量机
- 4.6.1 间隔
- 4.6.2 支持向量机的原始形式
- 4.6.3 支持向量机的对偶形式
- 4.6.4 特征空间的隐式映射：核函数
- 4.6.5 支持向量机拓展
- 4.6.6 支持向量机的应用
- 4.7 集成学习
- 4.7.1 基础概念
- 4.7.2 Boosting
- 4.7.3 Bagging
- 4.7.4 Stacking
- 4.8 神经网络
- 4.8.1 生物神经元和人工神经元
- 4.8.2 感知机
- 4.8.3 BP神经网络
- 4.8.4 Sklearn中的神经网络
- 4.8.5 本节小结
- 4.9 聚类
- 4.9.1 聚类思想
- 4.9.2 性能计算和距离计算
- 4.9.3 原型聚类
- 4.9.4 密度聚类
- 4.9.5 层次聚类
- 4.9.6 Sklearn中的聚类
- 4.9.7 本节小结
- 4.10 降维与特征选择
- 4.10.1 维数爆炸与降维
- 4.10.2 降维技术
- 4.10.3 特征选择技术
- 4.10.4 Sklearn中的降维
- 4.10.5 本节小结
- 第5章 深度学习简介
- 5.1 从神经网络到深度神经网络
- 5.1.1 深度学习应用
- 5.1.2 深度神经网络的困难
- 5.2 卷积神经网络
- 5.2.1 卷积神经网络的生物学基础
- 5.2.2 卷积神经网络结构
- 5.3 循环神经网络
- 5.3.1 循环神经网络简介
- 5.3.2 循环神经网络结构
- 5.4 生成对抗网络
- 5.4.1 生成对抗网络简介
- 5.4.2 生成对抗网络结构
- 第6章 强化学习简介
- 6.1 有限马尔可夫决策过程
- 6.1.1 目标和奖励
- 6.1.2 回报和分幕
- 6.1.3 策略和值函数
- 6.1.4 最优策略和最优状态值函数
- 6.2 动态规划
- 6.2.1 策略评估
- 6.2.2 策略改进
- 6.2.3 策略迭代
- 6.2.4 价值迭代
- 6.3 时序差分学习
- 6.3.1 时序差分预测
- 6.3.2 TD（0）学习
- 6.3.3 Sarsa算法
- 6.3.4 Q学习算法
- 6.4 策略梯度方法
- 6.4.1 策略梯度定理
- 6.4.2 蒙特卡罗策略梯度
- 6.4.3 “Actor-Critic”方法
- 6.5 深度强化学习
- 6.5.1 深度Q-learning
- 6.5.2 深度确定性策略梯度
- 第7章 数据分析实例
- 7.1 基本数据分析
- 7.1.1 数据介绍
- 7.1.2 数据导入与数据初识
- 7.1.3 分类
- 7.1.4 回归
- 7.1.5 降维
- 7.2 深度学习项目实战
- 7.2.1 Tensorflow与Keras安装部署
- 7.2.2 使用卷积神经网络进行手写数字识别
- 7.2.3 使用LSTM进行文本情感分类
- 参考文献
- 附录A 矩阵基础
- 附录B 梯度下降
- 附录C 拉格朗日对偶性
- 附录D Python语法知识
- 附录E Java语法基础介绍
展开全部
大数据与人工智能导论（第二版）是2020年由人民邮电出版社出版,作者姚海鹏 王露瑶 刘韵洁 买天乐。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《大数据与人工智能导论（第二版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
