这本书融合了大数据理论与智能云(物联网)的新技术。数据分析师和计算机科学家必须学会如何有效地使用云和物联网来发现新的知识，进而才能明智地做出重要决策。本书旨在缩短这些学习方向之间的差距,并鼓励数据科学家和云计算科学家之间的相互学习与合作。书中将大数据集成理论、云设计原则、物联网传感、机器学习、数据分析、Hadoop和Spark编程等融为一体，目标是在物联网传感、机器学习和分析系统的支持下，完成有效的智能云大数据计算操作。
过去十年间，计算机与信息产业在平台规模和应用范围层面都经历了快速变革。计算机、智能手机、云和社交网络不仅需要优越的性能，而且需要高程度的智能。实际上，我们正进入认知计算和大数据分析时代，这种变化趋势随处可见，包括智能手机的广泛使用、云存储与云计算的应用、人工智能在实践中的复兴、从扩展的超级计算机到物联网（Internet of Things，IoT）平台的大范围部署，等等。面对这些新兴的计算和通信方法，我们必须升级云和IoT生态系统，赋予它们新的能力，如机器学习、IoT感知、数据分析，以及一种可以模仿或者增强人类智慧的认知能力。
为了满足新的需求，需要设计新的云系统、Web服务和数据中心，用以存储、处理、学习和分析大数据，以发现新的知识或者做出有价值的决策。其目的是建立一个大数据产业链来提供认知服务，从而高效率地帮助人类克服在劳动密集型任务方面的缺陷。这些目标可以通过硬件虚拟化、机器学习、深度学习、IoT感知、数据分析和认知计算来实现。例如，随着机器学习和数据分析的实际应用日益增多，“学习即服务”（Learning as a Service，LaaS）、“分析即服务”（Analytics as a Service，AaaS）和“安全即服务”（Security as a Service，SaaS）等云服务开始出现。
如今，为了支持移动网络的应用，IT公司、大企业、学校和政府都把主要数据中心转移到云设备上。具有与云类似集群架构的超级计算机，也正在为处理大型数据集或数据流而转型。智慧云的需求大大增加，它在社交、媒体、移动、商业和政府的运营中变得非常重要。超级计算机和云平台有不同的生态系统和编码环境，在未来，它们之间的鸿沟将随着认知计算的到来而消失。本书致力于实现这个目标。
内容概览
本书根据我们的英文著作《Big Data Analytics for Cloud, IoT and Cognitive Computing》（Kai Hwang and Min Chen, Wiley Publisher, London, U. K.，ISBN 978119247029，2017）翻译、改编与增补而成。全书共11章，其中第4、8、11章是全新的章节。书中强调认知计算、深度学习与大数据的基本原理，同时涵盖物联网与云平台的智能应用，例如健康监护、医疗认知、智慧城市、社交媒体分析、认知车联网与5G移动认知系统等。
全书简要目录如下：
第1章 认知计算与大数据科学
第2章 智慧云与虚拟化技术
第3章 物联网的传感、移动和认知系统
第4章 NB-IoT技术与架构
第5章 有监督的机器学习
第6章 无监督学习和算法选择
第7章 深度学习
第8章 生成对抗式网络与深度学习应用
第9章 深度学习和社交媒体分析应用
第10章 医疗认知系统与健康大数据应用
第11章 认知车联网与5G认知系统
第1～3章介绍数据科学、智慧云以及大数据计算的IoT设备或框架，涵盖通过大数据分析和认知机器学习能力来探索智慧云计算的技术，包含云架构、IoT、认知系统以及软件支持。具体地说，第1章介绍数据科学与认知计算的基本原理，第2章展示云计算平台的系统结构与虚拟化技术，第3章涵盖物联网的传感技术、移动环境和认知系统。
新增加的第4和11章，介绍窄带物联网（NB-IoT）的技术、架构及其在认知车联网与5G认知系统上的应用。第5和6章介绍各类机器学习算法与模型拟合技术，第7~9章详细介绍深度学习的理论与应用实例，第10章专注于医疗认知系统与健康大数据应用。
特殊方法
我们在本书中使用了一种技术融合方法，将认知计算、大数据理论与云设计原则以及超级计算机标准融合，以提高智慧云或超级计算机的计算效率。IoT传感技术可实现大量数据采集，机器学习与数据分析将帮助我们做出决策。我们的根本目标是增强云和超级计算机以及人工智能（AI）。
本书融会了我们多年的研究和教学经验，帮助读者在大数据世界通过自己的计算设备、分析能力以及应用技能来推动职业发展、商业转型以及科学发现。本书将认知计算理论与智慧云上的新兴技术相结合，并通过新应用探索分布式数据中心。如今，我们可以看到信息物理系统在智慧城市、自动驾驶、情感监测机器人、虚拟现实、增强现实以及认知服务中的应用。
读者指南
我们编写此书是为了满足计算机科学与电气工程教育领域不断增长的课程需求，因此本书适合作为高等院校与研究院的专业教材，专业领域跨越计算机科学、人工智能、机器学习与大数据等。不论教师想要教授本书11章中的任何部分，都可以给大四学生和研究生使用本书，或者作为专业参考书。以下四类大学课程适合使用本书：大数据分析（Big Data Analytics，BDA），云计算（Cloud Computing，CC），机器学习（Machine Learning，ML），认知系统（Cognitive System，CS）。这些课程已经在世界范围内的多所大学中开设，并且学校的数量还在快速增长。我们为授课老师提供课件与习题解答，请访问华章网站www.hzbook.com下载教辅资料。
对于想要将计算技能转化为IT新机遇的从业者，本书也能提供有益的帮助。比如：对本书感兴趣的读者可能是在“Cloud of Things”工作的Intel工程师；谷歌Brain和DeepMind团队也在研发用于自动驾驶的机器学习技术；Facebook开发了基于AR/VR（Augmented and Virtual Realities）的新AI特征、新社交和娱乐服务；IBM客户期待将认知计算服务应用于商业和社交媒体领域；亚马逊和阿里巴巴云的买家和卖家希望以电子商务和社交服务等形式拓展其在线交易业务。
此外，机械工业出版社华章分社预计于2018出版的《智能云计算与机器学习》一书与本书是互补配套关系，该书译自黄铠的专著《Cloud Computing for Machine Learning and Cognitive Applications》（Kai Hwang，MIT Press，Cambridge，U. S.，ISBN 9780262036412，2017），强调云计算的系统结构与程序应用方面，欢迎读者阅读参考。
致谢
本书的出版得到了机械工业出版社华章分社温莉芳、曲熠等人的支持，并得到了华中科技大学嵌入与普适计算实验室以下研究人员的大力协助：史霄波、王露、缪一铭、刘梦宸、卢佳毅、周萍、阳俊、胡龙、郝义学、李伟、钱永峰、魏泽如、韩超、徐意、蒋莹莹、游星辉、吴高翔。我们在此表示由衷的感谢。
陈敏，华中科技大学
2017年11月于武汉
黄铠，美国南加州大学
2017年11月于洛杉矶
计算机/人工智能/深度学习与神经网络
【英文书名】Cognitive Computing and Deep Learning：Intelligent Applications based on IoT/Cloud
在新技术不断涌现的时代，我们必须升级云和IoT生态系统，赋予它们感知、分析和认知能力，从而助力科学发现和商业转型。本书强调认知计算、深度学习与大数据的基本原理，同时涵盖物联网与云平台的智能应用，包括医疗认知、智慧城市、社交媒体分析、认知车联网与5G移动认知系统等。书中融会了两位作者多年的研究和教学经验，既满足了计算机科学与电气工程教育领域不断增长的课程需求，也为IT从业者学习新技能和挑战新机遇提供了有益参考。
本书特色：
·新技术融合方法。创新性地将认知计算、大数据理论与云设计原则和超级计算机标准相融合，利用IoT传感技术实现大量数据采集，利用机器学习与数据分析协助决策制定，最终实现更高效的计算和服务。
·打造智慧云平台。针对云在认知等方面的不足，致力于缩小超级计算机与云平台因生态系统差异而形成的鸿沟，不仅讨论了AlphaGo等热点技术的原理，还展示了作者团队开发的先进的情感交互系统。
·全方位教辅支持。为鼓励读者了解新技术、探索新应用，书中包含大量实例和算法，章后配有开放性习题。此外，用书教师可免费获取教学PPT和习题答案，请访问华章网站www.hzbook.com下载。
陈敏 黄铠 著：
陈敏 华中科技大学计算机学院教授、博士生导师，嵌入与普适计算实验室主任，IEEE计算机协会大数据技术委员会主席。23岁获华南理工大学通信与信息系统博士学位，曾任韩国首尔大学助理教授。2012年入选国家第二批青年千人计划。
黄铠 美国南加州大学电子工程与计算机科学系终身教授，IEEE终身会士。他曾在普渡大学任教多年，并先后在清华大学和香港大学等担任特聘讲座教授。他于2012年荣获国际云计算大会终身成就奖，2004年荣获中国计算机学会首届海外杰出贡献奖。
出版者的话
前言
作者简介
第1章 认知计算与大数据科学 1
1.1 数据科学简介 1
1.1.1 数据科学与相关学科 1
1.1.2 下一个十年的新兴技术 3
1.1.3 驱动认知计算的五种关键技术（SMACT） 7
1.2 社交媒体和移动云计算 10
1.2.1 社交网络和Web服务网站 10
1.2.2 移动蜂窝核心网络 12
1.2.3 移动设备和互联网边缘网络 13
1.2.4 移动云计算环境 15
1.3 大数据采集、挖掘和分析 15
1.3.1 海量数据的大数据价值链 16
1.3.2 大数据的采集与预处理 17
1.3.3 数据质量控制、表示和数据库模型 19
1.3.4 云分析系统的发展 19
1.4 机器智能和大数据应用 21
1.4.1 数据挖掘与机器学习 21
1.4.2 大数据应用概述 23
1.4.3 认知计算概述 26
1.5 本章小结 28
1.6 本章习题 28
1.7 参考文献 29
第2章 智慧云与虚拟化技术 31
2.1 云计算模型和云服务 31
2.1.1 基于服务的云分类 31
2.1.2 云服务平台的多层发展 34
2.1.3 支持大数据存储和处理引擎的云平台 37
2.1.4 支持大数据分析的云资源 38
2.2 虚拟机和Docker容器的创建 40
2.2.1 云平台资源的虚拟化 40
2.2.2 虚拟机管理程序和虚拟机 41
2.2.3 Docker引擎和应用程序容器 43
2.2.4 容器和虚拟机的发展 45
2.3 云架构和虚拟资源管理 46
2.3.1 三种云平台架构 46
2.3.2 虚拟机管理和灾难恢复 48
2.3.3 创建私有云的Eucalyptus和OpenStack 50
2.3.4 Docker容器调度和业务流程 52
2.3.5 建立混合云的VMware云操作系统 53
2.4 IaaS、PaaS和SaaS云的案例研究 55
2.4.1 基于分布式数据中心的AWS云 55
2.4.2 AWS云服务产品 56
2.4.3 PaaS：谷歌AppEngine及其他 59
2.4.4 SaaS：Salesforce云 61
2.5 移动云与云间的混搭服务 63
2.5.1 微云网关的移动云 63
2.5.2 跨云平台的混搭服务 66
2.5.3 混搭服务Skyline的发现 68
2.5.4 混搭服务的动态组成 70
2.6 本章小结 71
2.7 本章习题 71
2.8 参考文献 74
第3章 物联网的传感、移动和认知系统 75
3.1 物联网感知与关键技术 75
3.1.1 物联网感知技术 75
3.1.2 物联网关键技术 77
3.2 物联网体系结构和交互框架 78
3.2.1 物联网体系结构 78
3.2.2 本地定位技术与全球定位技术 79
3.2.3 传统物联网系统与以云为中心的物联网应用 80
3.2.4 物联网与环境交互框架 83
3.3 RFID 85
3.3.1 射频识别技术和标签设备 85
3.3.2 RFID系统架构 86
3.3.3 物联网支持的供应链管理 87
3.4 传感器、无线传感器网络和全球定位系统 88
3.4.1 传感器的硬件和操作系统 89
3.4.2 基于智能手机的传感 93
3.4.3 无线传感器网络和体域网 94
3.4.4 全球定位系统 96
3.5 认知计算技术与原型系统 99
3.5.1 认知科学和神经信息学 99
3.5.2 脑启发计算芯片和系统 100
3.5.3 谷歌大脑团队项目 102
3.5.4 物联网环境下的认知服务 104
3.5.5 增强和虚拟现实应用 105
3.6 本章小结 107
3.7 本章习题 107
3.8 参考文献 109
第4章 NB-IoT技术与架构 111
4.1 NB-IoT概述 111
4.1.1 NB-IoT的背景 111
4.1.2 NB-IoT发展简史与标准化进程 111
4.2 NB-IoT的特性与关键技术 113
4.2.1 NB-IoT的特性 113
4.2.2 NB-IoT的基础理论与关键技术 118
4.3 NB-IoT与几种技术的对比 120
4.3.1 NB-IoT与eMTC技术的对比 120
4.3.2 NB-IoT与其他无线通信技术的对比 123
4.4 NB-IoT的智能应用 126
4.4.1 NB-IoT的应用场景 126
4.4.2 NB-IoT的应用范例 127
4.5 NB-IoT的安全需求 128
4.5.1 感知层 129
4.5.2 传输层 129
4.5.3 应用层 130
4.6 本章小结 130
4.7 本章习题 130
4.8 参考文献 131
第5章 有监督的机器学习 135
5.1 机器学习简介 135
5.1.1 学习方式简介 135
5.1.2 主要算法简介 136
5.1.3 监督学习和无监督学习 138
5.1.4 机器学习主要流派 139
5.2 回归分析 140
5.2.1 简介 140
5.2.2 线性回归 141
5.2.3 逻辑回归 144
5.3 有监督的分类算法 146
5.3.1 最近邻分类 146
5.3.2 决策树 148
5.3.3 基于规则的分类 151
5.3.4 支持向量机 155
5.4 贝叶斯与组合算法 157
5.4.1 朴素贝叶斯 158
5.4.2 贝叶斯网络 161
5.4.3 随机森林和组合方法 164
5.5 本章小结 167
5.6 本章习题 167
5.7 参考文献 170
第6章 无监督学习和算法选择 172
6.1 无监督学习简介和关联分析 172
6.1.1 无监督的机器学习 172
6.1.2 关联分析和频繁项集 172
6.1.3 关联规则的产生 175
6.2 聚类分析 177
6.2.1 聚类分析简介 178
6.2.2 K均值聚类 178
6.2.3 凝聚层次聚类 180
6.2.4 基于密度的聚类 183
6.3 降维算法和学习模型 186
6.3.1 常见的降维算法简介 186
6.3.2 主成分分析法 187
6.3.3 其他学习方式 190
6.4 基于模型性能选择合适的算法 192
6.4.1 评估机器学习模型的性能 192
6.4.2 过拟合现象和解决方案 194
6.4.3 欠拟合现象和解决方案 196
6.4.4 根据数据集选择机器学习算法 198
6.5 本章小结 199
6.6 本章习题 199
6.7 参考文献 202
第7章 深度学习 203
7.1 简介 203
7.1.1 深度学习模仿人的感知 203
7.1.2 生物神经元和人工神经元 205
7.1.3 深度学习和浅层学习 206
7.2 人工神经网络 207
7.2.1 感知器 207
7.2.2 多层人工神经网络 208
7.2.3 人工神经网络的前向传播和后向传播 209
7.3 堆叠自编码和深信念网络 213
7.3.1 自编码器 213
7.3.2 堆叠自编码器 215
7.3.3 限制波兹曼机 216
7.3.4 深信念网络 221
7.4 卷积神经网络 222
7.4.1 卷积操作 222
7.4.2 池化 225
7.4.3 训练卷积神经网络 226
7.4.4 LeNet-5各层设置 227
7.4.5 其他深度学习神经网络 227
7.5 本章小结 231
7.6 本章习题 231
7.7 参考文献 233
第8章 生成对抗式网络与深度学习应用 235
8.1 生成对抗式网络及其发展 235
8.1.1 生成对抗式网络 235
8.1.2 深度卷积生成对抗式网络 238
8.1.3 InfoGAN 239
8.1.4 SeqGAN 240
8.2 基于深度学习的文本情感分类 242
8.2.1 文本情感分类 242
8.2.2 文本预处理 242
8.2.3 基于卷积神经网络的文本情感分类 244
8.2.4 基于LSTM神经网络的文本情感分类 245
8.2.5 基于C-LSTM神经网络的文本情感分类 248
8.2.6 基于深度学习的文本情感分类实现 250
8.2.7 实验环境和数据 251
8.2.8 超参数调节 251
8.2.9 实验结果分析 255
8.3 基于卷积神经网络的人脸识别 257
8.3.1 人脸识别的CNN结构 257
8.3.2 人脸识别的CNN实现 259
8.3.3 评价指标 261
8.3.4 数据获取 261
8.3.5 数据预处理 262
8.3.6 人脸识别实验 264
8.4 基于卷积神经网络的语音情感识别 267
8.4.1 语音情感识别简介 267
8.4.2 语音情感识别技术 267
8.4.3 语音情感识别系统实现 268
8.5 本章小结 272
8.6 本章习题 272
8.7 参考文献 273
第9章 深度学习和社交媒体分析应用 275
9.1 深度学习系统和社交媒体行业 275
9.1.1 深度学习系统和软件支持 275
9.1.2 增强学习原则 277
9.1.3 社交媒体行业及其影响 278
9.2 使用ANN和CNN算法的文本和图像识别 279
9.2.1 在ANN中使用TensorFlow进行数字识别 280
9.2.2 使用卷积神经网络进行数字识别 281
9.2.3 使用卷积神经网络进行人脸识别 284
9.2.4 使用卷积神经网络进行医疗文本分析 285
9.3 深度增强学习的应用 291
9.3.1 DeepMind利用深度增强学习玩游戏 291
9.3.2 深度增强学习算法 292
9.3.3 深度增强学习训练平台——OpenAI Gym 294
9.3.4 AlphaGo原理解析 296
9.4 社交媒体应用程序的数据分析 299
9.4.1 社交媒体应用中的大数据需求 300
9.4.2 社交网络和图表分析 301
9.4.3 预测分析软件工具 306
9.4.4 社交网络中的社区检测 307
9.5 本章小结 310
9.6 本章习题 310
9.7 参考文献 311
第10章 医疗认知系统与健康大数据应用 313
10.1 健康监护问题和医疗认知工具 313
10.1.1 健康监护和慢性疾病检测问题 313
10.1.2 通用机器学习应用的软件库 315
10.2 物联网和基于机器人的健康监护系统与应用 316
10.2.1 物联网传感器用于身体信号的收集 316
10.2.2 基于云的健康监护系统 317
10.2.3 运动促进和智能服装 319
10.2.4 健康监护机器人和移动健康云 321
10.3 健康监护应用的大数据分析 323
10.3.1 健康监护大数据预处理 323
10.3.2 疾病检测的预测分析 324
10.3.3 五种疾病检测方法的性能分析 328
10.3.4 疾病控制相关的移动大数据 331
10.4 情感控制的健康监护应用 333
10.4.1 精神健康监护系统的基础 333
10.4.2 情感控制计算和服务 334
10.4.3 基于物联网和云的情感交互 336
10.4.4 基于机器人技术的情感控制 338
10.4.5 用于未来健康监护应用的智能认知系统 340
10.5 基于生物信息学的医疗认知系统 342
10.5.1 将基因组测序应用于诊断 342
10.5.2 重塑生物医学 342
10.5.3 从健康治疗到健康监护和预防 343
10.6 本章小结 343
10.7 本章习题 344
10.8 参考文献 345
第11章 认知车联网与5G认知系统 348
11.1 5G的演进 348
11.1.1 移动蜂窝网络的演进 348
11.1.2 5G驱动力 349
11.2 5G关键技术 350
11.2.1 网络架构设计 350
11.2.2 5G网络代表性服务能力 352
11.2.3 5G与认知计算 354
11.3 认知车联网基本架构 356
11.3.1 基础架构层 356
11.3.2 认知层 357
11.3.3 应用层 357
11.4 认知车联网通信模式 358
11.4.1 车–云通信 358
11.4.2 云–车通信 359
11.4.3 车–车通信 359
11.5 车联网缓存策略研究 359
11.5.1 缓存问题 359
11.5.2 评价指标 360
11.6 车载云计算 361
11.6.1 车载云模式 361
11.6.2 车载云卸载策略 363
11.7 5G认知系统 363
11.7.1 网络架构 363
11.7.2 5G认知系统的通信方式 365
11.7.3 5G认知系统的核心组件 365
11.8 5G认知系统的关键技术 366
11.8.1 无线接入网络的关键技术 366
11.8.2 核心网的关键技术 366
11.8.3 认知引擎的关键技术 367
11.9 5G认知系统的应用 367
11.9.1 5G 认知系统的应用实例 367
11.9.2 认知系统的应用分析 369
11.10 本章小结 369
11.11 本章习题 369
11.12 参考文献 370
