本书共分为7章。第1章介绍了大数据与人工智能的基本概念、发展历史、特征与现状，以及面临的难题和未来的前景。第2章介绍了大数据的特性以及大数据分析全流程所涉及的各种技术。第3章介绍了大数据各种云计算平台。第4章介绍了机器学习的定义、发展、范围和方法等。第5章首先介绍了人工神经元的结构和数学模型，人工神经网络的定义、特点、结构和工作方式，并着重介绍了最基本、最典型的BP神经网络和Hopfield神经网
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。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
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。
电子书
电子书
本书遵循理念与方法、经典与前沿、技术与应用相融合渗透的原则，在理念、结构、内容和资源上都极具特色和创新。按照人工智能新知识体系，本书内容分为五大部分13章。将传统或经典人工智能理论、方法与技术以及新一代人工智能技术和方法相结合，形成基础概念（1-3章）+基础技术（4-5章）+重点研究内容与方向（机器智能）（6-12章）+行业应用与伦理基础（12、13章）的新知识体系模式。本书提供了配套学习资源，可
电子书
本书根据人工智能技术服务专业人才培养的需求，以智能机器人为载体，以揭开人工智能的神秘面纱为主线进行编写，设置了5个学习情境。学习情境1主要介绍人工智能的发展和应用，引起学习者的兴趣；学习情境2主要从智能机器如何进行知识存储的角度来理解人工智能；学习情境3主要从智能机器如何使用知识进行探索世界和求解问题的角度来进一步理解人工智能；学习情境4主要从智能机器如何进行自主学习知识、增长智慧的角度来理解人工
电子书
本书从人工智能的基本定义出发，阐述了人工智能的理论、策略、研究方法和应用领域，以梳理知识脉络和要点的方式，介绍了知识表示、逻辑推理及方法、非确定性推理及方法、搜索策略、机器学习等方面的内容。
电子书
本书由四篇共17章组成。第一篇是基础理论篇，共九章（第1～9章），从整体角度介绍人工智能的基本概念与基础理论。第二篇是应用技术篇，共四章（第10～13章），介绍人工智能基础理论与相关分支领域相融合所产生的新技术。第三篇是应用篇，共三章（第14～16章），介绍智能产品的开发及目前广为流行的四种应用实例。第四篇是展望篇，共一章（第17章），对人工智能学科今后发展提出建议和看法。 在本书的编写中坚持三
电子书
本书共分10个项目，详细介绍了人工智能导论的相关知识，内容包括人工智能的前世今生、从零开始认识人工智能、人工智能编程基础开发语言——Phython、物体识别、计算机视觉的应用——人脸识别、生物信息识别、自然语言处理、语音识别、无人驾驶和数据挖掘。本书适用于高职高专院校理工科学生，作为通识课教材使用。
电子书
本书内容包括大数据概述、大数据与其他新兴技术的关系、大数据基础知识、大数据应用、数据采集与预处理、数据存储与管理、数据处理与分析、数据可视化、大数据分析综合案例。
电子书
本书内容包括大数据概述、大数据与云计算、从产业结构来探索大数据技术、大数据的硬件架构——集群、大数据开发与计算技术、大数据存储技术、大数据分析、大数据与人工智能。
