認知計算導論

第一篇認知計算與物聯(lián)網
1認知數(shù)據的采集(2)
1.1認知數(shù)據的特點(2)
1.1.1認知數(shù)據的定義(2)
1.1.2數(shù)據流量、多樣性、速度、真實性和變化性(3)
1.1.3結構化數(shù)據和非結構化數(shù)據(4)
1.1.4認知數(shù)據的采集與預處理(5)
1.2物聯(lián)網感知(8)
1.2.1物聯(lián)網的演進(8)
1.2.2物聯(lián)網使能技術及發(fā)展路線圖(13)
1.2.3物聯(lián)網感知技術(15)
1.3物聯(lián)網發(fā)展現(xiàn)狀(17)
1.3.1物聯(lián)網的分層架構(17)
1.3.2典型的物聯(lián)網平臺(19)
1.4群智感知(22)
1.4.1群智感知的定義(22)
1.4.2群智感知的起源(23)
1.4.3基于群智感知的數(shù)據采集(24)
1.5本章小結(24)
2認知觸覺網絡(25)
2.1觸覺與認知(25)
2.1.1什么是觸覺(25)
2.1.2觸覺傳感技術(26)
2.1.3由觸覺形成的認知(28)
2.2認知觸覺網絡(29)
2.2.1認知觸覺網絡概述(29)
2.2.2認知觸覺網絡優(yōu)化(30)
2.2.3基于認知觸覺的行為預測(32)
2.3認知觸覺網絡的典型應用(33)
2.3.1機器人通信與控制(33)
2.3.2遠程醫(yī)療應用(37)
2.4本章小結(38)
3語料庫和自然語言處理(39)
3.1構建語料庫(39)
3.1.1語料庫概述(39)
3.1.2基于語料庫的語言認知(41)
3.2自然語言處理(41)
3.2.1自然語言處理的歷史(41)
3.2.2詞法分析(42)
3.2.3語法和句法分析(42)
3.2.4語法結構(43)
3.2.5話語分析(43)
3.2.6機器理解文本 NLP 技術(43)
3.3詞向量(44)
3.3.1概述(45)
3.3.2訓練詞向量(45)
3.3.3詞向量的語言學評價(46)
3.3.4詞向量的應用(47)
3.4本章小結(48)
第一篇習題(48)
本篇參考文獻(50)
認知計算導論目錄第二篇認知計算與機器學習
4機器學習概述(54)
4.1根據學習方式分類(54)
4.2根據算法功能分類(55)
4.3有監(jiān)督的機器學習算法(57)
4.4無監(jiān)督的機器學習算法(58)
4.5本章小結(58)
5機器學習主要算法(60)
5.1決策樹(60)
5.2基于規(guī)則的分類(63)
5.3最近鄰分類(65)
5.4支持向量機(67)
5.4.1線性決策邊界(67)
5.4.2最大邊緣超平面的定義(68)
5.4.3SVM模型(69)
5.5樸素貝葉斯(69)
5.6隨機森林(72)
5.7聚類分析(76)
5.7.1基于相似度的聚類分析(76)
5.7.2聚類方法介紹(77)
5.8本章小結(84)
6面向大數(shù)據分析的機器學習算法(85)
6.1降維算法和其他相關算法(85)
6.1.1降維方法(85)
6.1.2主成分分析法(86)
6.1.3半監(jiān)督學習和增強學習以及表示學習(89)
6.2選擇合適的機器學習算法(91)
6.2.1性能指標和模型擬合情況(92)
6.2.2避免過擬合現(xiàn)象(94)
6.2.3避免欠擬合現(xiàn)象(96)
6.2.4選擇合適的算法(98)
6.3本章小結(99)
第二篇習題(99)
本篇參考文獻(102)
第三篇認知計算與大數(shù)據分析
7認知大數(shù)據分析(106)
7.1大數(shù)據和認知計算的關系(106)
7.1.1處理人類產生的數(shù)據(106)
7.1.2驅動認知計算的關鍵技術(108)
7.1.35G網絡(111)
7.1.4大數(shù)據分析(112)
7.2認知計算相關介紹(113)
7.2.1認知計算的系統(tǒng)特征(113)
7.2.2認知學習的應用(114)
7.3認知分析(115)
7.3.1統(tǒng)計學、數(shù)據挖掘與機器學習的關系(115)
7.3.2在分析過程中使用機器學習(116)
7.4本章小節(jié)(119)
8深度學習在認知系統(tǒng)中的應用(120)
8.1認知系統(tǒng)和深度學習(120)
8.2深度學習和淺層學習(121)
8.3深度學習模仿人的感知(122)
8.4深度學習模仿人類直覺(124)
8.5深度學習實現(xiàn)步驟(125)
8.6本章小結(126)
9人工神經網絡與深信念網絡(127)
9.1人工神經網絡(127)
9.1.1感知器(127)
9.1.2多層人工神經網絡(128)
9.1.3人工神經網絡前向傳播和后向傳播(129)
9.1.4梯度下降法擬合參數(shù)(133)
9.2堆疊自編碼和深信念網絡(134)
9.2.1自編碼器(134)
9.2.2堆疊自編碼器(137)
9.2.3限制波茲曼機(138)
9.2.4深信念網絡(143)
9.3本章小結(144)
10卷積神經網絡與其他神經網絡(145)
10.1CNN中的卷積操作(145)
10.2池化(148)
10.3訓練卷積神經網絡(150)
10.4其他深度學習神經網絡(151)
10.4.1深度神經網絡的連接性(152)
10.4.2遞歸神經網絡(152)
10.4.3不同神經網絡的輸入和輸出的關系(153)
10.4.4結構遞歸深度神經網絡結構(154)
10.4.5其他深度學習神經網絡(154)
10.5本章小結(155)
第三篇習題(155)
本篇參考文獻(157)
第四篇認知云計算
11云端認知計算(162)
11.1云端認知計算(162)
11.1.1利用分布式計算共享資源(162)
11.1.2云計算是智能認知服務的基礎(162)
11.1.3云計算的特點(163)
11.1.4云計算模型(163)
11.1.5云交付模型(167)
11.1.6工作負載管理(168)
11.1.7安全和治理(169)
11.1.8云數(shù)據集成和管理(169)
11.1.9云端認知學習工具包簡介(170)
11.2本章小結(171)
12面向認知計算的云編程與編程工具(172)
12.1可拓展并行計算(172)
12.1.1可拓展計算的特點(172)
12.1.2從MapReduce到Hadoop和Spark(173)
12.1.3常用的大數(shù)據處理軟件庫(174)
12.2YARN、HDFS與Hadoop編程(175)
12.2.1MapReduce計算引擎(175)
12.2.2MapReduce在矩陣并行算法中的應用(179)
12.2.3Hadoop架構和擴展(181)
12.2.4Hadoop分布式文件系統(tǒng)(HDFS)(184)
12.2.5Hadoop YARN資源管理(186)
12.3Spark核心和分布式彈性數(shù)據集(188)
12.3.1Spark核心應用(188)
12.3.2彈性分布式數(shù)據集中的關鍵概念(189)
12.3.3Spark中RDD和DAG tasks編程(191)
12.4Spark SQL、流處理、機器學習和GraphX編程(193)
12.4.1結構化數(shù)據Spark SQL(194)
12.4.2使用實時數(shù)據流的Spark Streaming(195)
12.4.3用于機器學習的 Spark MLlib Library(196)
12.4.4圖像處理框架Spark GraphX(197)
12.5本章小結(199)
13TensorFlow(200)
13.1TensorFlow的發(fā)展(200)
13.2TensorFlow基本概念和Data Flow Graph模型(201)
13.2.1TensorFlow基本概念(201)
13.2.2Data Flow Graph 模型(203)
13.2.3機器學習系統(tǒng)中數(shù)據流圖(205)
13.3圖像識別系統(tǒng)中TensorFlow的使用(206)
13.4本章小結(209)
第四篇習題(209)
本篇參考文獻(210)
第五篇認知計算與機器人技術
14基于機器人技術的認知系統(tǒng)(212)
14.1機器人系統(tǒng)(212)
14.1.1機器人發(fā)展歷程(212)
14.1.2機器人分類(213)
14.1.3機器人技術發(fā)展核心(217)
14.1.4機器人的未來(218)
14.2認知系統(tǒng)(218)
14.2.1認知計算(219)
14.2.2基于認知計算的認知系統(tǒng)(220)
14.2.3機器人與認知系統(tǒng)的融合(220)
14.2.4基于認知計算的多機器人協(xié)作的情感交互(221)
14.3典型應用(225)
14.3.1基于機器人認知能力的工業(yè)4.0(225)
14.3.2基于機器人的情感交互(226)
14.4本章小結(228)
15機器人的認知智能(229)
15.1機器人認知智能支撐技術(229)
15.1.1傳感器等感知技術的發(fā)展(229)
15.1.2大數(shù)據、機器學習和深度學習等數(shù)據處理技術的發(fā)展(230)
15.1.3云機器人(231)
15.1.4機器人通信技術(232)
15.2具有認知智能的機器人的體系架構(232)
15.2.1機器人系統(tǒng)架構(232)
15.2.2機器人硬件架構(234)
15.2.3軟件開發(fā)平臺(236)
15.2.4機器人底層控制軟件實現(xiàn)(236)
15.2.5機器人應用軟件實現(xiàn)(238)
15.2.6總結(241)
15.3認知智能機器人的重要意義及發(fā)展趨勢(242)
15.3.1發(fā)展智能機器人的重要性(242)
15.3.2智能機器人的發(fā)展方向(242)
15.3.3總結(244)
15.4當前認知智能機器人的應用與發(fā)展(244)
15.4.1情感交互機器人(244)
15.4.2智能家居(245)
15.4.3其他智能機器人(246)
15.5本章小結(248)
第五篇習題(249)
本篇參考文獻(251)
第六篇認知計算應用
16Google認知計算應用(254)
16.1DeepMind的AI程序(254)
16.2深度增強學習算法(255)
16.3機器人玩Flappybird(257)
16.4使用深度增強學習的AlphaGo(263)
16.5本章小結(267)
17IBM認知計算應用(268)
17.1IBM的語言認知系統(tǒng)(268)
17.1.1Watson的語言天賦(268)
17.1.2具有語言認知智能的搜索引擎(269)
17.2IBM認知系統(tǒng)在“極限挑戰(zhàn)”中的語言天賦(270)
17.2.1Watson養(yǎng)成記(270)
17.2.2“危險挑戰(zhàn)”對語言能力的要求(270)
17.2.3面向商業(yè)智能應用的IBM認知系統(tǒng)(271)
17.3IBM醫(yī)療認知系統(tǒng)(272)
17.3.1Watson語言認知在醫(yī)療領域的應用(272)
17.3.2醫(yī)療認知系統(tǒng)發(fā)展歷史(273)
17.4IBM Watson核心組件——“深度問答”(DeepQA)(274)
17.4.1Watson軟件架構(274)
17.4.2DeepQA組件語言分析架構(275)
17.4.3IBM認知系統(tǒng)搜索引擎特點——對問題的語言分析(276)
17.5本章小結(282)
18醫(yī)療認知系統(tǒng)(283)
18.1醫(yī)療認知系統(tǒng)(283)
18.1.1概述(283)
18.1.2醫(yī)療數(shù)據的模式學習(284)
18.2基于大數(shù)據分析和認知計算的認知醫(yī)療系統(tǒng)(285)
18.2.1基于云計算的醫(yī)療服務系統(tǒng)架構(285)
18.2.2基于大數(shù)據和認知計算的高危病人智能分析系統(tǒng)(286)
18.3醫(yī)療認知系統(tǒng)中結構化數(shù)據分析(287)
18.3.1慢性疾病檢測問題(287)
18.3.2疾病檢測的預測分析模型(289)
18.3.3 5種疾病檢測機器學習方法的性能分析(293)
18.4醫(yī)療認知系統(tǒng)中文本數(shù)據分析(296)
18.4.1疾病風險評估模型(297)
18.4.2深度學習中的詞向量(297)
18.4.3卷積神經網絡結構(299)
18.4.4卷積神經網絡進行醫(yī)療文本疾病風險評估實現(xiàn)(299)
18.5醫(yī)療認知系統(tǒng)中圖像分析(302)
18.5.1醫(yī)療圖像分析(302)
18.5.2卷積神經網絡醫(yī)療圖像分析(303)
18.5.3自編碼醫(yī)療圖像分析(308)
18.5.4卷積自編碼醫(yī)療圖像分析(310)
18.6本章小結(315)
第六篇習題(316)
本篇參考文獻(318)
第七篇認知計算前沿專題
195G認知系統(tǒng)(322)
19.15G的演進(322)
19.1.1移動蜂窩核心網絡(322)
19.1.2移動設備和邊緣網絡(323)
19.1.35G驅動力(325)
19.25G關鍵性技術(326)
19.2.1網絡架構設計(326)
19.2.25G網絡代表性服務(328)
19.2.3認知計算在5G中的應用(331)
19.35G認知系統(tǒng)(332)
19.3.15G認知系統(tǒng)的網絡架構(332)
19.3.25G認知系統(tǒng)的通信方式(333)
19.3.35G認知系統(tǒng)的核心組件(333)
19.45G認知系統(tǒng)的關鍵技術(334)
19.4.1無線接入網的關鍵技術(334)
19.4.2核心網的關鍵技術(335)
19.4.3認知引擎的關鍵技術(335)
19.55G認知系統(tǒng)的應用(335)
19.5.15G認知系統(tǒng)的應用(335)
19.5.2認知系統(tǒng)的應用的分析(337)
19.6本章小結(337)
20情感認知系統(tǒng)(338)
20.1情感認知系統(tǒng)介紹(338)
20.1.1傳統(tǒng)人機交互系統(tǒng)介紹(338)
20.1.2NLOS人機交互系統(tǒng)介紹(339)
20.2情感通信關鍵技術(340)
20.3情感通信系統(tǒng)結構(341)
20.4情感通信協(xié)議(343)
20.4.1對象(343)
20.4.2參數(shù)(344)
20.4.3通信指令集(344)
20.4.4通信過程(345)
20.4.5馬爾可夫狀態(tài)轉移(346)
20.5抱枕機器人語音情感通信系統(tǒng)(347)
20.5.1語音數(shù)據庫(347)
20.5.2移動云平臺介紹(348)
20.5.3場景測試(348)
20.5.4實時性分析(349)
20.6情感認知應用實例介紹(351)
20.6.1情感數(shù)據的采集與分析(351)
20.6.2基于抑郁檢測的情感認知(355)
20.6.3基于焦慮檢測的情感認知(356)
20.7本章小結(358)
21軟件定義網絡(359)
21.1認知軟件定義網絡的由來(359)
21.1.1軟件定義網絡(359)
21.1.2由軟件定義網絡到認知軟件定義網絡(361)
21.2認知軟件定義網絡的架構(363)
21.3廣義數(shù)據層(365)
21.3.1數(shù)據收集(365)
21.3.2轉發(fā)規(guī)則(365)
21.4認知控制層(366)
21.5廣義應用層(368)
21.6認知軟件定義網絡特點(369)
21.6.1特點(370)
21.6.2關鍵組成(370)
21.7認知軟件定義網絡的安全問題(371)
21.7.1安全需求與挑戰(zhàn)(372)
21.7.2安全問題概述(372)
21.8本章小結(375)
第七篇習題(375)
本篇參考文獻(377)