具体描述
本书是认知计算的一本导论书，介绍了从认知科学到认知计算的演进过程，阐述了借助认知科学理论来构建模拟人的客观认知和心理认知过程的认知计算。从信息论到认知科学，再到认知计算，本书试图将认知计算理论的由来、思想和支撑技术做一个系统且深入的探讨。在本书中，我们提出了认知计算与Human、Machine和Cyber Space相互交互与融合而形成的“以人为中心的认知循环”及其三大部分。本书围绕这三大部分介绍了为认知计算在信息采集、获取、传输、存储和分析等方面提供各种支持的关键技术，包括物联网、大数据分析、云计算、5G网络和机器人技术等。同时本书对认知计算与以上各种技术的关联进行了详细研究与讨论，包括认知计算与物联网、认知计算与机器学习、认知计算与大数据分析、认知云计算、认知计算与机器人技术，其分别对应于不同的篇章。每个技术相关的篇章下，又详细讨论了各技术的相关概念，各种技术架构和应用实例等。比如详细介绍了各种机器学习和深度学习算法，介绍了为认知计算提供数据支持的物联网感知与群智感知，以及为人提供认知服务的机器人技术。在此基础上，将理论与实际相结合，本书在最后两篇章对认知计算的应用和前沿专题做了进一步讨论，包括IBM Watson认知系统、Google的AlphaGo、医疗认知系统，5G认知系统、认知软件定义网络和情感认知系统。全书共分为7篇，21章。
本书可作为语言学、心理学、人工智能、哲学、神经科学和人类学等多个交叉学科本科生或研究生的教材或参考书。也可供相关专业工程人员参考。
作者简介
陈敏，华中科技大学计算机学院教授、博导，嵌入与普适计算实验室主任。二十三岁获博士学位。曾先后任国立汉城大学和加拿大不列颠哥伦比亚大学博士后、韩国首尔大学助理教授。2011年入选教育部“新世纪优秀人才支持计划”。
陈敏教授主要 从事认知计算、物联网感知、情感计算通信和机器人技术、5G网络、软件定义网络、医疗大数据、人体局域网等领域的研究工作。在国际学术期刊和会议上发表论文200余篇，发表论文谷歌学术引用总数超过9000次，H-index = 48，SCI他引次数超过2500次。担任IEEE计算机协会大数据技术委员会主席。获IEEE ICC 2012、IEEE IWCMC 2016等国际大会最佳论文奖。荣获 2017 年度 IEEE通信学会Fred W. Ellersick Prize。
目录信息
1认知数据的采集(2)
1.1认知数据的特点(2)
1.1.1认知数据的定义(2)
1.1.2数据流量、多样性、速度、真实性和变化性(3)
1.1.3结构化数据和非结构化数据(4)
1.1.4认知数据的采集与预处理(5)
1.2物联网感知(8)
1.2.1物联网的演进(8)
1.2.2物联网使能技术及发展路线图(13)
1.2.3物联网感知技术(15)
1.3物联网发展现状(17)
1.3.1物联网的分层架构(17)
1.3.2典型的物联网平台(19)
1.4群智感知(22)
1.4.1群智感知的定义(22)
1.4.2群智感知的起源(23)
1.4.3基于群智感知的数据采集(24)
1.5本章小结(24)
2认知触觉网络(25)
2.1触觉与认知(25)
2.1.1什么是触觉(25)
2.1.2触觉传感技术(26)
2.1.3由触觉形成的认知(28)
2.2认知触觉网络(29)
2.2.1认知触觉网络概述(29)
2.2.2认知触觉网络优化(30)
2.2.3基于认知触觉的行为预测(32)
2.3认知触觉网络的典型应用(33)
2.3.1机器人通信与控制(33)
2.3.2远程医疗应用(37)
2.4本章小结(38)
3语料库和自然语言处理(39)
3.1构建语料库(39)
3.1.1语料库概述(39)
3.1.2基于语料库的语言认知(41)
3.2自然语言处理(41)
3.2.1自然语言处理的历史(41)
3.2.2词法分析(42)
3.2.3语法和句法分析(42)
3.2.4语法结构(43)
3.2.5话语分析(43)
3.2.6机器理解文本 NLP 技术(43)
3.3词向量(44)
3.3.1概述(45)
3.3.2训练词向量(45)
3.3.3词向量的语言学评价(46)
3.3.4词向量的应用(47)
3.4本章小结(48)
第一篇习题(48)
本篇参考文献(50)
认知计算导论目录第二篇认知计算与机器学习
4机器学习概述(54)
4.1根据学习方式分类(54)
4.2根据算法功能分类(55)
4.3有监督的机器学习算法(57)
4.4无监督的机器学习算法(58)
4.5本章小结(58)
5机器学习主要算法(60)
5.1决策树(60)
5.2基于规则的分类(63)
5.3最近邻分类(65)
5.4支持向量机(67)
5.4.1线性决策边界(67)
5.4.2最大边缘超平面的定义(68)
5.4.3SVM模型(69)
5.5朴素贝叶斯(69)
5.6随机森林(72)
5.7聚类分析(76)
5.7.1基于相似度的聚类分析(76)
5.7.2聚类方法介绍(77)
5.8本章小结(84)
6面向大数据分析的机器学习算法(85)
6.1降维算法和其他相关算法(85)
6.1.1降维方法(85)
6.1.2主成分分析法(86)
6.1.3半监督学习和增强学习以及表示学习(89)
6.2选择合适的机器学习算法(91)
6.2.1性能指标和模型拟合情况(92)
6.2.2避免过拟合现象(94)
6.2.3避免欠拟合现象(96)
6.2.4选择合适的算法(98)
6.3本章小结(99)
第二篇习题(99)
本篇参考文献(102)
第三篇认知计算与大数据分析
7认知大数据分析(106)
7.1大数据和认知计算的关系(106)
7.1.1处理人类产生的数据(106)
7.1.2驱动认知计算的关键技术(108)
7.1.35G网络(111)
7.1.4大数据分析(112)
7.2认知计算相关介绍(113)
7.2.1认知计算的系统特征(113)
7.2.2认知学习的应用(114)
7.3认知分析(115)
7.3.1统计学、数据挖掘与机器学习的关系(115)
7.3.2在分析过程中使用机器学习(116)
7.4本章小节(119)
8深度学习在认知系统中的应用(120)
8.1认知系统和深度学习(120)
8.2深度学习和浅层学习(121)
8.3深度学习模仿人的感知(122)
8.4深度学习模仿人类直觉(124)
8.5深度学习实现步骤(125)
8.6本章小结(126)
9人工神经网络与深信念网络(127)
9.1人工神经网络(127)
9.1.1感知器(127)
9.1.2多层人工神经网络(128)
9.1.3人工神经网络前向传播和后向传播(129)
9.1.4梯度下降法拟合参数(133)
9.2堆叠自编码和深信念网络(134)
9.2.1自编码器(134)
9.2.2堆叠自编码器(137)
9.2.3限制波兹曼机(138)
9.2.4深信念网络(143)
9.3本章小结(144)
10卷积神经网络与其他神经网络(145)
10.1CNN中的卷积操作(145)
10.2池化(148)
10.3训练卷积神经网络(150)
10.4其他深度学习神经网络(151)
10.4.1深度神经网络的连接性(152)
10.4.2递归神经网络(152)
10.4.3不同神经网络的输入和输出的关系(153)
10.4.4结构递归深度神经网络结构(154)
10.4.5其他深度学习神经网络(154)
10.5本章小结(155)
第三篇习题(155)
本篇参考文献(157)
第四篇认知云计算
11云端认知计算(162)
11.1云端认知计算(162)
11.1.1利用分布式计算共享资源(162)
11.1.2云计算是智能认知服务的基础(162)
11.1.3云计算的特点(163)
11.1.4云计算模型(163)
11.1.5云交付模型(167)
11.1.6工作负载管理(168)
11.1.7安全和治理(169)
11.1.8云数据集成和管理(169)
11.1.9云端认知学习工具包简介(170)
11.2本章小结(171)
12面向认知计算的云编程与编程工具(172)
12.1可拓展并行计算(172)
12.1.1可拓展计算的特点(172)
12.1.2从MapReduce到Hadoop和Spark(173)
12.1.3常用的大数据处理软件库(174)
12.2YARN、HDFS与Hadoop编程(175)
12.2.1MapReduce计算引擎(175)
12.2.2MapReduce在矩阵并行算法中的应用(179)
12.2.3Hadoop架构和扩展(181)
12.2.4Hadoop分布式文件系统(HDFS)(184)
12.2.5Hadoop YARN资源管理(186)
12.3Spark核心和分布式弹性数据集(188)
12.3.1Spark核心应用(188)
12.3.2弹性分布式数据集中的关键概念(189)
12.3.3Spark中RDD和DAG tasks编程(191)
12.4Spark SQL、流处理、机器学习和GraphX编程(193)
12.4.1结构化数据Spark SQL(194)
12.4.2使用实时数据流的Spark Streaming(195)
12.4.3用于机器学习的 Spark MLlib Library(196)
12.4.4图像处理框架Spark GraphX(197)
12.5本章小结(199)
13TensorFlow(200)
13.1TensorFlow的发展(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机器学习系统中数据流图(205)
13.3图像识别系统中TensorFlow的使用(206)
13.4本章小结(209)
第四篇习题(209)
本篇参考文献(210)
第五篇认知计算与机器人技术
14基于机器人技术的认知系统(212)
14.1机器人系统(212)
14.1.1机器人发展历程(212)
14.1.2机器人分类(213)
14.1.3机器人技术发展核心(217)
14.1.4机器人的未来(218)
14.2认知系统(218)
14.2.1认知计算(219)
14.2.2基于认知计算的认知系统(220)
14.2.3机器人与认知系统的融合(220)
14.2.4基于认知计算的多机器人协作的情感交互(221)
14.3典型应用(225)
14.3.1基于机器人认知能力的工业4.0(225)
14.3.2基于机器人的情感交互(226)
14.4本章小结(228)
15机器人的认知智能(229)
15.1机器人认知智能支撑技术(229)
15.1.1传感器等感知技术的发展(229)
15.1.2大数据、机器学习和深度学习等数据处理技术的发展(230)
15.1.3云机器人(231)
15.1.4机器人通信技术(232)
15.2具有认知智能的机器人的体系架构(232)
15.2.1机器人系统架构(232)
15.2.2机器人硬件架构(234)
15.2.3软件开发平台(236)
15.2.4机器人底层控制软件实现(236)
15.2.5机器人应用软件实现(238)
15.2.6总结(241)
15.3认知智能机器人的重要意义及发展趋势(242)
15.3.1发展智能机器人的重要性(242)
15.3.2智能机器人的发展方向(242)
15.3.3总结(244)
15.4当前认知智能机器人的应用与发展(244)
15.4.1情感交互机器人(244)
15.4.2智能家居(245)
15.4.3其他智能机器人(246)
15.5本章小结(248)
第五篇习题(249)
本篇参考文献(251)
第六篇认知计算应用
16Google认知计算应用(254)
16.1DeepMind的AI程序(254)
16.2深度增强学习算法(255)
16.3机器人玩Flappybird(257)
16.4使用深度增强学习的AlphaGo(263)
16.5本章小结(267)
17IBM认知计算应用(268)
17.1IBM的语言认知系统(268)
17.1.1Watson的语言天赋(268)
17.1.2具有语言认知智能的搜索引擎(269)
17.2IBM认知系统在“极限挑战”中的语言天赋(270)
17.2.1Watson养成记(270)
17.2.2“危险挑战”对语言能力的要求(270)
17.2.3面向商业智能应用的IBM认知系统(271)
17.3IBM医疗认知系统(272)
17.3.1Watson语言认知在医疗领域的应用(272)
17.3.2医疗认知系统发展历史(273)
17.4IBM Watson核心组件——“深度问答”(DeepQA)(274)
17.4.1Watson软件架构(274)
17.4.2DeepQA组件语言分析架构(275)
17.4.3IBM认知系统搜索引擎特点——对问题的语言分析(276)
17.5本章小结(282)
18医疗认知系统(283)
18.1医疗认知系统(283)
18.1.1概述(283)
18.1.2医疗数据的模式学习(284)
18.2基于大数据分析和认知计算的认知医疗系统(285)
18.2.1基于云计算的医疗服务系统架构(285)
18.2.2基于大数据和认知计算的高危病人智能分析系统(286)
18.3医疗认知系统中结构化数据分析(287)
18.3.1慢性疾病检测问题(287)
18.3.2疾病检测的预测分析模型(289)
18.3.3 5种疾病检测机器学习方法的性能分析(293)
18.4医疗认知系统中文本数据分析(296)
18.4.1疾病风险评估模型(297)
18.4.2深度学习中的词向量(297)
18.4.3卷积神经网络结构(299)
18.4.4卷积神经网络进行医疗文本疾病风险评估实现(299)
18.5医疗认知系统中图像分析(302)
18.5.1医疗图像分析(302)
18.5.2卷积神经网络医疗图像分析(303)
18.5.3自编码医疗图像分析(308)
18.5.4卷积自编码医疗图像分析(310)
18.6本章小结(315)
第六篇习题(316)
本篇参考文献(318)
第七篇认知计算前沿专题
195G认知系统(322)
19.15G的演进(322)
19.1.1移动蜂窝核心网络(322)
19.1.2移动设备和边缘网络(323)
19.1.35G驱动力(325)
19.25G关键性技术(326)
19.2.1网络架构设计(326)
19.2.25G网络代表性服务(328)
19.2.3认知计算在5G中的应用(331)
19.35G认知系统(332)
19.3.15G认知系统的网络架构(332)
19.3.25G认知系统的通信方式(333)
19.3.35G认知系统的核心组件(333)
19.45G认知系统的关键技术(334)
19.4.1无线接入网的关键技术(334)
19.4.2核心网的关键技术(335)
19.4.3认知引擎的关键技术(335)
19.55G认知系统的应用(335)
19.5.15G认知系统的应用(335)
19.5.2认知系统的应用的分析(337)
19.6本章小结(337)
20情感认知系统(338)
20.1情感认知系统介绍(338)
20.1.1传统人机交互系统介绍(338)
20.1.2NLOS人机交互系统介绍(339)
20.2情感通信关键技术(340)
20.3情感通信系统结构(341)
20.4情感通信协议(343)
20.4.1对象(343)
20.4.2参数(344)
20.4.3通信指令集(344)
20.4.4通信过程(345)
20.4.5马尔可夫状态转移(346)
20.5抱枕机器人语音情感通信系统(347)
20.5.1语音数据库(347)
20.5.2移动云平台介绍(348)
20.5.3场景测试(348)
20.5.4实时性分析(349)
20.6情感认知应用实例介绍(351)
20.6.1情感数据的采集与分析(351)
20.6.2基于抑郁检测的情感认知(355)
20.6.3基于焦虑检测的情感认知(356)
20.7本章小结(358)
21软件定义网络(359)
21.1认知软件定义网络的由来(359)
21.1.1软件定义网络(359)
21.1.2由软件定义网络到认知软件定义网络(361)
21.2认知软件定义网络的架构(363)
21.3广义数据层(365)
21.3.1数据收集(365)
21.3.2转发规则(365)
21.4认知控制层(366)
21.5广义应用层(368)
21.6认知软件定义网络特点(369)
21.6.1特点(370)
21.6.2关键组成(370)
21.7认知软件定义网络的安全问题(371)
21.7.1安全需求与挑战(372)
21.7.2安全问题概述(372)
21.8本章小结(375)
第七篇习题(375)
本篇参考文献(377)
· · · · · · (收起)
读后感
我买这本书的时候，主要是冲着它的全面去的，因为我很少看到有人能把大数据、云计算、物联网、5G移动通信结合起来写，而我也确实不知道这些技术之间有什么联系。买回来后，发现作者的写作叙事讲解的逻辑很强，把这么多东西结合起来写，竟然丝毫不混乱，而且还井井有条，这确实...
评分我对认知计算的初步了解主要来源于对智能机器人的认识，这本书让我认识到机器的认知潜能可放大信息的价值，推动认知智能的演进。此外，深度学习、机器学习的发展也让认知系统有能力理解不同维度的信息的价值，它们之间具有一定的关联性。我认为这不仅是一本科普教材，这本书里...
评分我买这本书的时候，主要是冲着它的全面去的，因为我很少看到有人能把大数据、云计算、物联网、5G移动通信结合起来写，而我也确实不知道这些技术之间有什么联系。买回来后，发现作者的写作叙事讲解的逻辑很强，把这么多东西结合起来写，竟然丝毫不混乱，而且还井井有条，这确实...
评分文章第五章中提到了多种分类算法，比如里面的决策树算法、基于规则的分类算法以及随机森林等，在进行毕设内容学习上对我很有帮助。在第六章还有对分类过程中出现过拟合现象的针对措施。因为本人毕设内容主要是对大数据进行分析缄建模处理，本文中的许多内容都让我收获良多。个...
评分我买这本书的时候，主要是冲着它的全面去的，因为我很少看到有人能把大数据、云计算、物联网、5G移动通信结合起来写，而我也确实不知道这些技术之间有什么联系。买回来后，发现作者的写作叙事讲解的逻辑很强，把这么多东西结合起来写，竟然丝毫不混乱，而且还井井有条，这确实...
用户评价
这本书的语言风格非常引人入胜，它不像传统教科书那样枯燥乏味，而是充满了探讨和启发性。作者似乎很擅长用生动的比喻和贴近生活的案例来阐释复杂的理论，这使得即便是初次接触这一领域的人，也能迅速找到理解的切入点。我特别留意到了一些段落，它们不仅仅是知识的堆砌，更像是一场与读者的深度对话，不断引导你去思考“为什么”和“怎么办”。这种引导式的叙述方式，极大地激发了我的学习热情，让我不再是被动接受信息，而是主动地去构建自己的认知地图。可以说，作者的文字功底深厚，将晦涩的概念变得易于消化，这是非常了不起的成就。
评分这本书的结构安排体现了作者对学科脉络的深刻洞察力。它不是简单地罗列各个子领域，而是精心设计了一条从基础原理到高级应用的递进路径。我发现，作者在构建理论基础时，往往会追溯其历史渊源和哲学根基，这为后续的深入学习打下了坚实的理论基础。每当一个新概念提出时，作者都会立即给出详尽的图示或流程图来辅助理解，这些视觉辅助工具的质量非常高，极大地弥补了纯文本描述的局限性。这种系统性和层次感，使得读者在阅读过程中，能够清晰地把握知识的全貌和细节之间的联系，避免了碎片化学习的弊端。
评分这本书最让我感到惊喜的是它所蕴含的实践导向精神。尽管内容理论性很强，但作者始终没有脱离实际应用场景进行空泛的讨论。在讲解完一个核心概念后，紧接着就会出现关于其在现实世界中具体部署和挑战的讨论。这种理论与实践的紧密结合，让我感觉自己不仅仅是在学习知识，更是在学习如何应用这些知识去解决实际问题。书中对未来发展趋势的展望部分也尤为精彩，它既保持了谨慎的客观性，又充满了对技术潜力的乐观期待，让人读完后，对这个领域未来的发展方向有了更清晰、更具批判性的认识，受益匪浅。
评分我注意到这本书在引用和参考资料方面做得非常扎实和严谨。随处可见的脚注和文末的参考文献列表，不仅体现了作者严谨的学术态度，更重要的是，为有志于继续深挖某个特定方向的读者指明了清晰的进阶路径。我随意查看了几个章节的引用，发现它们涵盖了从经典著作到最新顶会论文的广泛范围，显示了作者对该领域前沿动态的紧密追踪。这种对资料来源的尊重和详尽标注，大大增强了这本书的可信度和权威性，让人愿意将其视为一个可靠的知识源头，而不是昙花一现的流行读物。
评分这本书的装帧设计得非常精美，纸张的质感也很好，拿在手里沉甸甸的，让人感觉作者在内容上必然也下了大功夫。我尤其欣赏封面那种简约又不失深度的设计风格，它似乎在无声地诉说着这本书的专业性和前沿性。内页的排版清晰明了，字体大小和行间距都经过了仔细的考量，长时间阅读也不会感到视觉疲劳，这一点对于一本需要反复研读的专业书籍来说至关重要。从初步翻阅的感受来看，作者在逻辑构建上展现了极高的水准，章节之间的过渡自然流畅，为读者构建了一个稳固的知识框架。这样的细节处理，无疑提升了整体的阅读体验，让人对即将深入探索的知识内容充满了期待。
评分我毕设的时候用到TensorFlow，这本书给了我很大的启发，对于这个深度学习工具，我此前是一无所知的，看到这一章内容后就有了大致的了解。此外，这本书还介绍了其他一些面向认知计算的编程工具，如Hadoop和Spark。这本书很适合大数据、人工人工智能、云计算、物联网等方向的人学习
评分最近刚开始接触深度学习，买了这本书，里面对于深度学习机器学习的算法都讲解的很透彻。此外，还有一章内容专门讲了AlphaGo的深度增强学习的原理，这一章是最吸引我的，平时只是在新闻上看到围棋的人机大战，没去专门了解原理，看到这的时候终于懂了AlphaGo是怎么来的。还有，现在很多人提出人工智能的发展会颠覆人类，出现电影《黑客帝国》中的场景，我认为这是完全不可能的，因为机器人的发展是需要人类不断给它喂数据它才能变得智能，它的计算能力确实比人类高很多个数量级，但它始终只是一个冷冰冰的机器。
评分2019/12
评分最近刚开始接触深度学习，买了这本书，里面对于深度学习机器学习的算法都讲解的很透彻。此外，还有一章内容专门讲了AlphaGo的深度增强学习的原理，这一章是最吸引我的，平时只是在新闻上看到围棋的人机大战，没去专门了解原理，看到这的时候终于懂了AlphaGo是怎么来的。还有，现在很多人提出人工智能的发展会颠覆人类，出现电影《黑客帝国》中的场景，我认为这是完全不可能的，因为机器人的发展是需要人类不断给它喂数据它才能变得智能，它的计算能力确实比人类高很多个数量级，但它始终只是一个冷冰冰的机器。
评分忒难看了，不知哪来那么多人刷好评。“导论”名不副实，试图大而全的综述，跟百科汇总差不多。语言大部分笼统繁复，其余外行看不懂，内行太皮毛，看完只对概念有印象。认知计算这个概念更空泛，寥寥数语的介绍，不过是在强调以人为本，实质就像互联网+，将物联网、传感器、大数据、云计算、机器学习算法、5G网络、机器人系统等前沿技术框架在各个应用领域结合，使之尽量模仿人的能力，冠以认知XX之名。根本没有一个叫认知计算的知识体系，只要你愿意，可以发明一个词叫认知锄头，强调它对手的扩展和心智的联系，糊弄外行。
