人工智能技术与大数据

第　1章 大数据与人工智能系统　1
1．1　结果金字塔　2
1．2　人脑最擅长什么　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　电子大脑最擅长什么　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：
OWL　26
2．2．10　SPARQL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
3．2　Spark编程模型　42
3．3　Spark 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
3．6　K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
3．8．3　Spark ML实现SVD　63
3．9　主成分分析　64
3．9．1　用SVD实现PCA算法　64
3．9．2　用Spark ML实现SVD　65
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
4．7．1　RNN的需求　89
4．7．2　RNN的结构　89
4．7．3　训练RNN　90
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
5．6．1　DL4J和Spark　119
5．6．2　TensorFlow　122
5．6．3　Keras　122
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
6．2．4　N-Gram　132
6．3　特征提取　133
6．3．1　独热编码　133
6．3．2　TF-IDF　134
6．3．3　CountVectorizer　136
6．3．4　Word2Vec　137
6．4　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
7．2　ANFIS网络　157
7．2．1　自适应网络　157
7．2．2　ANFIS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　164
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
8．2　KEEL框架　172
8．3　Encog机器学习框架　175
8．3．1　Encog开发环境设置　175
8．3．2　Encog API结构　176
8．4　Weka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
9．4　MASON库　203
9．5　Opt4J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
第　10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
10．2．3　Q-learning　221
10．2．4　SARSA学习　228
10．3　深度强化学习　230
10．4　常见问答　231
10．5　小结　231
第　11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
11．2．2　Spark Streaming　241
11．2．3　Kafka　242
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SIEM　247
11．5　Splunk　250
11．5．1　Splunk Enterprise
Security　250
11．5．2　Splunk Light　251
11．6　ArcSight ESM　253
11．7　常见问答　253
11．8　小结　254
第　12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　264
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