第一篇認知計算與物聯網
1認知數據的采集(2)
1.1認知數據的特點(2)
1.1.1認知數據的定義(2)
1.1.2數據流量、多樣性、速度、真實性和變化性(3)
1.1.3結構化數據和非結構化數據(4)
1.1.4認知數據的采集與預處理(5)
1.2物聯網感知(8)
1.2.1物聯網的演進(8)
1.2.2物聯網使能技術及發展路綫圖(13)
1.2.3物聯網感知技術(15)
1.3物聯網發展現狀(17)
1.3.1物聯網的分層架構(17)
1.3.2典型的物聯網平颱(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基於群智感知的數據采集(24)
1.5本章小結(24)
2認知觸覺網絡(25)
2.1觸覺與認知(25)
2.1.1什麼是觸覺(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認知觸覺網絡優化(30)
2.2.3基於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機器人通信與控製(33)
2.3.2遠程醫療應用(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基於語料庫的語言認知(41)
3.2自然語言處理(41)
3.2.1自然語言處理的曆史(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詞嚮量(44)
3.3.1概述(45)
3.3.2訓練詞嚮量(45)
3.3.3詞嚮量的語言學評價(46)
3.3.4詞嚮量的應用(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有監督的機器學習算法(57)
4.4無監督的機器學習算法(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基於規則的分類(63)
5.3最近鄰分類(65)
5.4支持嚮量機(67)
5.4.1綫性決策邊界(67)
5.4.2最大邊緣超平麵的定義(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基於相似度的聚類分析(76)
5.7.2聚類方法介紹(77)
5.8本章小結(84)
6麵嚮大數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半監督學習和增強學習以及錶示學習(89)
6.2選擇閤適的機器學習算法(91)
6.2.1性能指標和模型擬閤情況(92)
6.2.2避免過擬閤現象(94)
6.2.3避免欠擬閤現象(96)
6.2.4選擇閤適的算法(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據分析
7認知大數據分析(106)
7.1大數據和認知計算的關係(106)
7.1.1處理人類産生的數據(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大數據分析(112)
7.2認知計算相關介紹(113)
7.2.1認知計算的係統特徵(113)
7.2.2認知學習的應用(114)
7.3認知分析(115)
7.3.1統計學、數據挖掘與機器學習的關係(115)
7.3.2在分析過程中使用機器學習(116)
7.4本章小節(119)
8深度學習在認知係統中的應用(120)
8.1認知係統和深度學習(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人工神經網絡前嚮傳播和後嚮傳播(129)
9.1.4梯度下降法擬閤參數(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限製波茲曼機(138)
9.2.4深信念網絡(143)
9.3本章小結(144)
10捲積神經網絡與其他神經網絡(145)
10.1CNN中的捲積操作(145)
10.2池化(148)
10.3訓練捲積神經網絡(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齣的關係(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)
第四篇認知雲計算
11雲端認知計算(162)
11.1雲端認知計算(162)
11.1.1利用分布式計算共享資源(162)
11.1.2雲計算是智能認知服務的基礎(162)
11.1.3雲計算的特點(163)
11.1.4雲計算模型(163)
11.1.5雲交付模型(167)
11.1.6工作負載管理(168)
11.1.7安全和治理(169)
11.1.8雲數據集成和管理(169)
11.1.9雲端認知學習工具包簡介(170)
11.2本章小結(171)
12麵嚮認知計算的雲編程與編程工具(172)
12.1可拓展並行計算(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在矩陣並行算法中的應用(179)
12.2.3Hadoop架構和擴展(181)
12.2.4Hadoop分布式文件係統(HDFS)(184)
12.2.5Hadoop YARN資源管理(186)
12.3Spark核心和分布式彈性數據集(188)
12.3.1Spark核心應用(188)
12.3.2彈性分布式數據集中的關鍵概念(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結構化數據Spark SQL(194)
12.4.2使用實時數據流的Spark Streaming(195)
12.4.3用於機器學習的 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機器學習係統中數據流圖(205)
13.3圖像識彆係統中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基於機器人技術的認知係統(212)
14.1機器人係統(212)
14.1.1機器人發展曆程(212)
14.1.2機器人分類(213)
14.1.3機器人技術發展核心(217)
14.1.4機器人的未來(218)
14.2認知係統(218)
14.2.1認知計算(219)
14.2.2基於認知計算的認知係統(220)
14.2.3機器人與認知係統的融閤(220)
14.2.4基於認知計算的多機器人協作的情感交互(221)
14.3典型應用(225)
14.3.1基於機器人認知能力的工業4.0(225)
14.3.2基於機器人的情感交互(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展(229)
15.1.2大數據、機器學習和深度學習等數據處理技術的發展(230)
15.1.3雲機器人(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係架構(232)
15.2.1機器人係統架構(232)
15.2.2機器人硬件架構(234)
15.2.3軟件開發平颱(236)
15.2.4機器人底層控製軟件實現(236)
15.2.5機器人應用軟件實現(238)
15.2.6總結(241)
15.3認知智能機器人的重要意義及發展趨勢(242)
15.3.1發展智能機器人的重要性(242)
15.3.2智能機器人的發展方嚮(242)
15.3.3總結(244)
15.4當前認知智能機器人的應用與發展(244)
15.4.1情感交互機器人(244)
15.4.2智能傢居(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的語言認知係統(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認知係統在“極限挑戰”中的語言天賦(270)
17.2.1Watson養成記(270)
17.2.2“危險挑戰”對語言能力的要求(270)
17.2.3麵嚮商業智能應用的IBM認知係統(271)
17.3IBM醫療認知係統(272)
17.3.1Watson語言認知在醫療領域的應用(272)
17.3.2醫療認知係統發展曆史(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認知係統搜索引擎特點——對問題的語言分析(276)
17.5本章小結(282)
18醫療認知係統(283)
18.1醫療認知係統(283)
18.1.1概述(283)
18.1.2醫療數據的模式學習(284)
18.2基於大數據分析和認知計算的認知醫療係統(285)
18.2.1基於雲計算的醫療服務係統架構(285)
18.2.2基於大數據和認知計算的高危病人智能分析係統(286)
18.3醫療認知係統中結構化數據分析(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醫療認知係統中文本數據分析(296)
18.4.1疾病風險評估模型(297)
18.4.2深度學習中的詞嚮量(297)
18.4.3捲積神經網絡結構(299)
18.4.4捲積神經網絡進行醫療文本疾病風險評估實現(299)
18.5醫療認知係統中圖像分析(302)
18.5.1醫療圖像分析(302)
18.5.2捲積神經網絡醫療圖像分析(303)
18.5.3自編碼醫療圖像分析(308)
18.5.4捲積自編碼醫療圖像分析(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認知係統(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網絡代錶性服務(328)
19.2.3認知計算在5G中的應用(331)
19.35G認知係統(332)
19.3.15G認知係統的網絡架構(332)
19.3.25G認知係統的通信方式(333)
19.3.35G認知係統的核心組件(333)
19.45G認知係統的關鍵技術(334)
19.4.1無綫接入網的關鍵技術(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認知係統的應用(335)
19.5.15G認知係統的應用(335)
19.5.2認知係統的應用的分析(337)
19.6本章小結(337)
20情感認知係統(338)
20.1情感認知係統介紹(338)
20.1.1傳統人機交互係統介紹(338)
20.1.2NLOS人機交互係統介紹(339)
20.2情感通信關鍵技術(340)
20.3情感通信係統結構(341)
20.4情感通信協議(343)
20.4.1對象(343)
20.4.2參數(344)
20.4.3通信指令集(344)
20.4.4通信過程(345)
20.4.5馬爾可夫狀態轉移(346)
20.5抱枕機器人語音情感通信係統(347)
20.5.1語音數據庫(347)
20.5.2移動雲平颱介紹(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情感數據的采集與分析(351)
20.6.2基於抑鬱檢測的情感認知(355)
20.6.3基於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廣義數據層(365)
21.3.1數據收集(365)
21.3.2轉發規則(365)
21.4認知控製層(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(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)
· · · · · · (
收起)