目　　录Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud出版者的话前言作者简介第1章　认知计算与大数据科学 11.1　数据科学简介 11.1.1　数据科学与相关学科 11.1.2　下一个十年的新兴技术 31.1.3　驱动认知计算的五种关键技术（SMACT） 71.2　社交媒体和移动云计算 101.2.1　社交网络和Web服务网站 101.2.2　移动蜂窝核心网络 121.2.3　移动设备和互联网边缘网络 131.2.4　移动云计算环境 151.3　大数据采集、挖掘和分析 151.3.1　海量数据的大数据价值链 161.3.2　大数据的采集与预处理 171.3.3　数据质量控制、表示和数据库模型 191.3.4　云分析系统的发展 191.4　机器智能和大数据应用 211.4.1　数据挖掘与机器学习 211.4.2　大数据应用概述 231.4.3　认知计算概述 261.5　本章小结 281.6　本章习题 281.7　参考文献 29第2章　智慧云与虚拟化技术 312.1　云计算模型和云服务 312.1.1　基于服务的云分类 312.1.2　云服务平台的多层发展 342.1.3　支持大数据存储和处理引擎的云平台 372.1.4　支持大数据分析的云资源 382.2　虚拟机和Docker容器的创建 402.2.1　云平台资源的虚拟化 402.2.2　虚拟机管理程序和虚拟机 412.2.3　Docker引擎和应用程序容器 432.2.4　容器和虚拟机的发展 452.3　云架构和虚拟资源管理 462.3.1　三种云平台架构 462.3.2　虚拟机管理和灾难恢复 482.3.3　创建私有云的Eucalyptus和OpenStack 502.3.4　Docker容器调度和业务流程 522.3.5　建立混合云的VMware云操作系统 532.4　IaaS、PaaS和SaaS云的案例研究 552.4.1　基于分布式数据中心的AWS云 552.4.2　AWS云服务产品 562.4.3　PaaS：谷歌AppEngine及其他 592.4.4　SaaS：Salesforce云 612.5　移动云与云间的混搭服务 632.5.1　微云网关的移动云 632.5.2　跨云平台的混搭服务 662.5.3　混搭服务Skyline的发现 682.5.4　混搭服务的动态组成 702.6　本章小结 712.7　本章习题 712.8　参考文献 74第3章　物联网的传感、移动和认知系统 753.1　物联网感知与关键技术 753.1.1　物联网感知技术 753.1.2　物联网关键技术 773.2　物联网体系结构和交互框架 783.2.1　物联网体系结构 783.2.2　本地定位技术与全球定位技术 793.2.3　传统物联网系统与以云为中心的物联网应用 803.2.4　物联网与环境交互框架 833.3　RFID 853.3.1　射频识别技术和标签设备 853.3.2　RFID系统架构 863.3.3　物联网支持的供应链管理 873.4　传感器、无线传感器网络和全球定位系统 883.4.1　传感器的硬件和操作系统 893.4.2　基于智能手机的传感 933.4.3　无线传感器网络和体域网 943.4.4　全球定位系统 963.5　认知计算技术与原型系统 993.5.1　认知科学和神经信息学 993.5.2　脑启发计算芯片和系统 1003.5.3　谷歌大脑团队项目 1023.5.4　物联网环境下的认知服务 1043.5.5　增强和虚拟现实应用 1053.6　本章小结 1073.7　本章习题 1073.8　参考文献 109第4章　NB-IoT技术与架构 1114.1　NB-IoT概述 1114.1.1　NB-IoT的背景 1114.1.2　NB-IoT发展简史与标准化进程 1114.2　NB-IoT的特性与关键技术 1134.2.1　NB-IoT的特性 1134.2.2　NB-IoT的基础理论与关键技术 1184.3　NB-IoT与几种技术的对比 1204.3.1　NB-IoT与eMTC技术的对比 1204.3.2　NB-IoT与其他无线通信技术的对比 1234.4　NB-IoT的智能应用 1264.4.1　NB-IoT的应用场景 1264.4.2　NB-IoT的应用范例 1274.5　NB-IoT的安全需求 1284.5.1　感知层 1294.5.2　传输层 1294.5.3　应用层 1304.6　本章小结 1304.7　本章习题 1304.8　参考文献 131第5章　有监督的机器学习 1355.1　机器学习简介 1355.1.1　学习方式简介 1355.1.2　主要算法简介 1365.1.3　监督学习和无监督学习 1385.1.4　机器学习主要流派 1395.2　回归分析 1405.2.1　简介 1405.2.2　线性回归 1415.2.3　逻辑回归 1445.3　有监督的分类算法 1465.3.1　最近邻分类 1465.3.2　决策树 1485.3.3　基于规则的分类 1515.3.4　支持向量机 1555.4　贝叶斯与组合算法 1575.4.1　朴素贝叶斯 1585.4.2　贝叶斯网络 1615.4.3　随机森林和组合方法 1645.5　本章小结 1675.6　本章习题 1675.7　参考文献 170第6章　无监督学习和算法选择 1726.1　无监督学习简介和关联分析 1726.1.1　无监督的机器学习 1726.1.2　关联分析和频繁项集 1726.1.3　关联规则的产生 1756.2　聚类分析 1776.2.1　聚类分析简介 1786.2.2　K均值聚类 1786.2.3　凝聚层次聚类 1806.2.4　基于密度的聚类 1836.3　降维算法和学习模型 1866.3.1　常见的降维算法简介 1866.3.2　主成分分析法 187