大數(shù)據(jù)智能分析與先進計算

第1章 緒論
1.1 大數(shù)據(jù)的概念和特征
1.1.1 大數(shù)據(jù)的概念
1.1.2 大數(shù)據(jù)的特征
1.2 大數(shù)據(jù)與先進計算、人工智能
1.3 大數(shù)據(jù)的典型應用場景
1.4 大數(shù)據(jù)的發(fā)展趨勢
第2章 機器學習
2.1 數(shù)據(jù)挖掘與機器學習概述
2.2 logistic回歸
2.2.1 logistic回歸分類
2.2.2 L2正則化原問題
2.2.3 L2正則化對偶問題
2.2.4 L1正則化原問題
2.3 決策樹
2.3.1 樹形決策過程
2.3.2 分類與回歸樹
2.3.3 訓練算法
2.4 支持向量機
2.4.1 線性分類器
2.4.2 線性可分的情況
2.4.3 線性不可分的情況
2.4.4 核映射與核函數(shù)
2.4.5 SMO算法
2.4.6 多分類問題
2.5 貝葉斯分類器
2.5.1 貝葉斯決策
2.5.2 樸素貝葉斯分類器
2.5.3 正態(tài)貝葉斯分類器
2.6 KNN算法
2.6.1 基本概念
2.6.2 預測算法
2.6.3 距離定義
2.7 隨機森林
2.7.1 隨機抽樣
2.7.2 Bagging算法
2.7.3 隨機森林算法
2.8 Boosting算法
2.8.1 AdaBoost算法
2.8.2 廣義加法模型
2.8.3 實現(xiàn)細節(jié)問題
第3章 深度學習
3.1 深度學習概述
3.2 深度學習基礎
3.2.1 BP神經(jīng)網(wǎng)絡
3.2.2 受限Boltzmann機
3.3 深度信念網(wǎng)絡
3.3.1 模型結構
3.3.2 學習算法
3.4 卷積神經(jīng)網(wǎng)絡
3.4.1 卷積層
3.4.2 ReLU層
3.4.3 池化層
3.4.4 全連接層
3.4.5 層與層之間的交織
3.5 循環(huán)神經(jīng)網(wǎng)絡
3.5.1 循環(huán)神經(jīng)網(wǎng)絡
3.5.2 雙向循環(huán)神經(jīng)網(wǎng)絡
3.5.3 多層循環(huán)神經(jīng)網(wǎng)絡
3.5.4 回聲狀態(tài)網(wǎng)絡
3.5.5 長短期記憶網(wǎng)絡
3.5.6 門控循環(huán)單元
3.6 生成對抗學習
3.7 強化學習
3.7.1 強化學習的組成部分
3.7.2 馬爾可夫決策過程
3.7.3 基于動態(tài)規(guī)劃的算法
3.7.4 蒙特卡洛算法
3.7.5 時序差分算法
3.8 遷移學習
第4章 大數(shù)據(jù)群智能優(yōu)化算法
4.1 大數(shù)據(jù)處理的難點與群智能優(yōu)化
4.1.1 基于粒子群算法的大數(shù)據(jù)分析
4.1.2 基于蟻群算法的大數(shù)據(jù)分析
4.1.3 基于進化算法的大數(shù)據(jù)分析
4.2 遺傳算法
4.2.1 遺傳算法原理
4.2.2 常用術語簡介
4.2.3 遺傳算法的流程
4.3 人工免疫系統(tǒng)
4.3.1 一般免疫算法
4.3.2 克隆選擇算法
4.3.3 免疫網(wǎng)絡算法
4.3.4 陰性選擇算法
4.4 蟻群算法
4.4.1 蟻群算法的基本原理
4.4.2 蟻群算法的流程
4.2.3 改進的蟻群算法
4.5 粒子群優(yōu)化算法
4.5.1 粒子群優(yōu)化算法的基本原理
4.5.2 粒子群優(yōu)化算法的流程
4.6 差分進化算法
4.6.1 差分進化算法原理
4.6.2 差分進化算法流程
第5章 大數(shù)據(jù)存儲
5.1 Hadoop平臺
5.1.1 Hadoop的特性
5.1.2 Hadoop生態(tài)系統(tǒng)
5.2 分布式文件系統(tǒng)HDFS
5.2.1 分布式文件系統(tǒng)
5.2.2 HDFS的優(yōu)缺點
5.2.3 HDFS相關概念
5.2.4 HDFS的體系結構
5.2.5 HDFS的數(shù)據(jù)存儲
5.2.6 HDFS的數(shù)據(jù)讀寫操作
5.3 分布式數(shù)據(jù)庫HBase
5.3.1 HBase與傳統(tǒng)關系數(shù)據(jù)庫的對比分析
5.3.2 HBase數(shù)據(jù)模型
5.3.3 HBase的實現(xiàn)原理
5.3.4 HBase運行機制
5.4 非關系型數(shù)據(jù)庫NoSQL
5.4 NoSQL數(shù)據(jù)庫的特點
5.4 NoSQL數(shù)據(jù)庫的類型
5.4.3 BASE理論
第6章 大數(shù)據(jù)處理技術
6.1 MapRecluee
6.1.1 Map和Reduce函數(shù)
6.1.2 MapReduce的工作流程
6.1.3 Shuffle過程
6.2 內(nèi)存計算框架Spark
6.2.1 Spark的特點
6.2.2 SDark生態(tài)系統(tǒng)
6.2.3 SDark運行架構
6.2.4 RDD的設計與運行原理
6.2.5 Spark SQL
6.3 流計算
6.3.1 流計算簡介
6.3.2 流計算與Hadoop
6.3.3 流計算處理流程
6.3.4 流計算框架Storm
6.4 圖計算
6.4.1 圖計算簡介
6.4.2 圖計算的應用場景
6.4.3 Pregel圖計算模型
6.4.4 Pregel的體系結構
第7章 風電大數(shù)據(jù)分析實例
7.1 SCADA數(shù)據(jù)介紹
7.2 SCADA數(shù)據(jù)預處理
7.2.1 數(shù)據(jù)清洗
7.2.2 數(shù)據(jù)重采樣和歸一化
7.3 基于SCADA數(shù)據(jù)深度學習的短期風電功率預測模型構建
7.3.1 模型框架
7.3.2 基于小波包分解算法的SCADA數(shù)據(jù)去噪
7.3.3 基于最大互信息系數(shù)的特征選擇
7.3.4 基于門控循環(huán)單元深度學習網(wǎng)絡的風電功率預測模型
7.3.5 風電功率預測評價指標
7.3.6 算法流程
7.4 實驗過程介紹
7.4.1 數(shù)據(jù)準備
7.4.2 數(shù)據(jù)預處理
7.4.3 小波包算法去噪與特征選擇
7.4.4 對比方法與參數(shù)設置
7.4.5 訓練過程與收斂分析
7.4.6 結果分析
7.4.7 多步驗證
第8章 城