关于我们
书单推荐
新书推荐
|
认知计算导论
本书共七篇21章,介绍了认知计算与物联网、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、认知计算应用和认知计算前沿专题等七个方面的内容,全面研究了认知计算与当前各前沿研究领域的结合及应用,全面概括了认知计算这一全新概念在当前科技领域研究的重要性。本书可以作为取代《物联网导论》之类教材的全新教材,可以供计算机专业、物联网专业及相关专业的本科生、研究生使用,也可供相关专业技术人员使用。
适读人群 :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。
编辑推荐:《认知计算导论》带你探索计算机“认知大脑”的奥秘和潜能。全书从认知计算的演进过程出发,详细讨论了认知计算变迁过程中从终端到网络到云的一系列关键技术和实用算法,帮助我们认识认知计算的本质,以及构建面向用户需求的认知计算应用系统。让我们深入全书,跟随作者思想的火花领略认知计算的魅力。
一、 从认知科学到认知计算20世纪中后期,行为主义思潮逐渐衰落,伴随着语言学、信息论和数据科学的兴起,以及计算机技术的飞速发展与普及,引发了一场声势浩大且令人深思的认知革命,随之产生了认知科学(Cognitive Science)。认知科学是一门研究信息如何在大脑中流转及处理的跨领域学科。从事认知科学研究的科学家们通过对包括语言、感知、记忆、注意力、推理和情感等方面的观察,来探寻人的心智能力。人类的认知过程主要体现在以下两个阶段。首先,人们通过五官、皮肤等人体自身的感知器官来觉察周围物理环境,获得外部信息作为输入。其次,输入信息经神经传输至大脑进行存储、分析、学习等复杂处理,并将处理结果通过神经系统反馈给身体的各个部位,由各部位做出适当的行为反应,由此形成一个完整的涵盖决策和执行过程的闭环。因此,新生儿在认知世界的过程中需要不断同外部世界进行交流沟通,以获取外部环境的各种信息,同时利用所获取的信息以及动作反馈逐步建立自身的认知系统。由于认知系统具有极高的复杂性,所以认知科学需要运用包含多门学科的工具和方法来对认知系统进行多维度和全方位的深入研究。因而,认知科学横跨了语言学、心理学、人工智能、哲学、神经科学和人类学等多个交叉学科和研究领域。可以说,迄今为止人们在认知科学领域所取得的成就,与其跨学科的研究方法是密切相关的。近年来,随着计算机软硬件技术的高速发展、大数据时代的来临以及人工智能研究的兴起,认知计算逐渐成为人们关注的焦点
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,2012年入选国家第二批"青年千人计划"。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zui佳论文奖。荣获 2017 年度 IEEE通信学会Fred W. Ellersick Prize。
第一篇认知计算与物联网
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)
你还可能感兴趣
我要评论
|