云计算系统与人工智能应用|231433pdf下载

云计算系统与人工智能应用|231433百度网盘pdf下载

作者:
简介:云计算系统与人工智能应用|231433
出版社：
出版时间：2018-05
pdf下载价格：0.00￥

免费下载

前去下载

书籍下载

下载地址

内容介绍

 书[0名0]：  (正版特价)云计算系统与人工智能应用|231433
 图书定价： 99元
 图书作者： （美）黄铠（Kai Hwang）
 出版社：  [1机1]械工业出版社
 出版日期：  2018-05-01 00:00:00
 ISBN号： 9787111598831
 开本： 16开
 页数： 0
 版次： 1-1
 作者简介
作者简介
黄铠教授是计算[1机1]系统和互联网技术[令页]域的[0国0]际[0知0][0名0]资深[0学0]者。目前，他是香港中文[0大0][0学0]（深圳）校长讲座教授，兼任中[0国0]科[0学0]院云计算中心[0首0]席科[0学0]家。他拥有加州[0大0][0学0]伯克利分校的博士[0学0]位，[1主1]要研究[令页]域为计算[1机1]体系结构、并行与分布式处理、云计算、[0大0]数据、物联网、移动互联网、网络安全与人工智能应用等方[mian]，目前[1主1]要关注[0大0]数据在医疗保健、智慧城市与移动社交网络方[mian]的应用。
加盟香港中文[0大0][0学0]与中[0国0]科[0学0]院之前，他是美[0国0]南加州[0大0][0学0]（USC）电子工程与计算[1机1]科[0学0]系的终身教授，现在已从该校退休。他曾在普渡[0大0][0学0]任教多年，并先后在清华[0大0][0学0]、香港[0大0][0学0]、台湾[0大0][0学0]和浙江[0大0][0学0]担任特聘讲座教授。他在专业[令页]域发表了260篇科[0学0]论文，截至2018年4月在谷歌[0学0]术搜索中被引次数[0超0]过17400次，h指数为55。他是IEEE计算[1机1]协[0会0]的终身[0会0]士。他于2012年获得[0国0]际云计算[0大0][0会0]（IEEE CloudCom）终身成就奖，2004年获得中[0国0]计算[1机1][0学0][0会0]（CCF）[0首0]届海外杰出贡献奖。
黄教授创作或合著了10余本英文[0学0]术专著，被翻译为五[0国0]语言。其中，有5本被翻译为中文，包括清华[0大0][0学0]出版社出版的《高等计算[1机1]系统结构》（1995），以及[1机1]械工业出版社出版的《可扩展并行计算》（2000）、《云计算与分布式系统》（2013）与《认[0知0]计算与深度[0学0]习：基于物联网云平台的智能应用》（2018）等。这些书与本书是配套的关系。此外，他曾担任《并行与分布式计算》（JPDC）杂志[1主1]编28年，还曾担任IEEE《云计算[0会0]刊》（TCC）、
《并行和分布式系统》（TPDS）、《服务计算》（TSC）以及《[0大0]数据智能》杂志的编委。
多年来，黄教授在南加州[0大0][0学0]和普渡[0大0][0学0]共培养博士生21人，其中4人晋升为IEEE[0会0]士，1人为IBM[0会0]士。他在IEEE与ACM[0国0]际[0会0]议和全球[令页]先的[0大0][0学0]进行过60多次[1主1]题演讲和杰出讲座。他曾在IBM研究院、Intel 公司、富士通研究院、麻省理工[0学0]院林肯实验室、加州理工[0学0]院喷气推进实验室（JPL）、台湾工业技术研究院（ITRI）、[0法0][0国0][0国0]家计算科[0学0]研究中心（ENRIA）和中[0国0]科[0学0]院计算所担任高级顾问或[0首0]席科[0学0]家。
 内容简介
本书关注云计算、[0大0]数据、物联网、认[0知0]计算、[1机1]器[0学0]习的基本原理、智能应用和编程实战，包括AWS、微软Azure云、谷歌DeepMind和寒武纪神[纟巠]芯片等[0大0]量案例。全书共四个部分，[0第0]一部分介绍云计算、数据科[0学0]和自适应计算的基本原理，[0第0]二部分涵盖云架构、虚拟[1机1]、Docker容器和多云混搭服务等，[0第0]三部分讲解[1机1]器[0学0]习、深度[0学0]习、类脑计算[1机1]和AR/VR等的原理，[0第0]四部分讨论MapReduce、Hadoop、Spark、TensorFlow和GraphX云编程。
本书适合作为高等院校计算[1机1]相关专业高年级本科生和研究生的教材，也适合互联网、物联网等[令页]域的专业技术人员参考。
 目录

出版者的话
译者序
前言
作者简介
[0第0]一部分　云平台、[0大0]数据与认[0知0]计算
[0第0]1章　云计算系统原理 2
1.1　可扩展计算的弹性云系统 2
1.1.1　云计算的驱动技术 2
1.1.2　可扩展的分布式/并行计算的演化 3
1.1.3　云系统中的虚拟资源 5
1.1.4　云计算与本地计算 7
1.2　云平台架构与分布式系统的比较 8
1.2.1　基本云平台的架构 8
1.2.2　公共云、私有云、社区云和混合云 10
1.2.3　物理集群与虚拟集群 12
1.2.4　云与传统并行/分布式系统的比较 14
1.3　云服务模型、生态系统与可扩展性分析 16
1.3.1　云服务模型：IaaS、PaaS和SaaS 16
1.3.2　云性能分析与可扩展性定理 18
1.3.3　云生态系统与用户环境 20
1.3.4　云计算的技术成熟度曲线 23
1.3.5　云计算与其他技术的关系 24
1.4　集群的可用性、移动性和[0优0]化 26
1.4.1　云服务器集群的可用性分析 26
1.4.2　虚拟集群[*]作中的容错 28
1.4.3　云中多服务器集群的排队模型 29
1.4.4　云计算的多服务器集群[0优0]化 30
1.5　结论 32
习题 33
参考文献 35
[0第0]2章　数据分析、物联网与认[0知0]计算 37
2.1　[0大0]数据科[0学0]与应用[mian]临的挑战 37
2.1.1　数据科[0学0]与[0大0]数据特征 37
2.1.2　物联网的技术成熟度曲线 38
2.1.3　走向[0大0]数据工业 40
2.1.4　[0大0]数据应用概述 41
2.2　物联网与云平台的互动模式 44
2.2.1　IoT感[0知0]与平台架构 45
2.2.2　IoT价值链与发展路线 47
2.2.3　[0独0]立使用和与云平台结合的IoT应用 49
2.2.4　智慧城市与智慧社区的发展 52
2.3　在云平台上的数据收集、挖掘与分析 54
2.3.1　数据质量控制与表达 54
2.3.2　数据挖掘与分析 57
2.3.3　在云平台上[扌是]升数据分析能力 59
2.3.4　支撑[0大0]数据分析的云资源 61
2.4　神[纟巠]形态硬[亻牛]与认[0知0]计算 63
2.4.1　认[0知0]计算与神[纟巠]形态处理器 63
2.4.2　IBM SyNAPSE与相关的神[纟巠]类脑计算[1机1]项目 66
2.4.3　中[0国0]科[0学0]院的神[纟巠]处理器Cambricon 68
2.4.4　Google TPU与相关的人工智能应用 68
2.5　结论 70
习题 71
参考文献 72
[0第0]二部分　云系统架构与服务平台设计
[0第0]3章　虚拟[1机1]、Docker容器和服务器集群 74
3.1　云计算系统中的虚拟化 74
3.1.1　虚拟化的基本概念 74
3.1.2　虚拟化的实现层级 75
3.1.3　集群或云系统中的资源虚拟化 78
3.2　用于创建虚拟[1机1]的虚拟[1机1]监控器 79
3.2.1　虚拟[1机1]架构类型 79
3.2.2　完全虚拟化和托管虚拟化 81
3.2.3　修改客户[*]作系统的半虚拟化 83
3.2.4　平台虚拟化软[亻牛]产[0品0]与工具包比较 85
3.3　Docker引擎和应用程序容器 86
3.4　Docker容器和部署要求 89
3.4.1　使用Linux内核函数创建的Docker容器 89
3.4.2　虚拟[1机1]与Docker容器的比较 91
3.4.3　从虚拟[1机1]到容器和unikernel的架构演变 92
3.5　虚拟[1机1]管理和容器编排 94
3.5.1　虚拟[1机1]管理解决方案 94
3.5.2　用于灾难恢复的虚拟[1机1]迁移 95
3.5.3　Docker容器调度和编排 98
3.6　Eucalyptus、OpenStack和VMware云构建 100
3.6.1　私有云中的Eucalyptus虚拟集群 100
3.6.2　用于构建私有云或公共云的OpenStack软[亻牛] 102
3.6.3　支持构建混合云的VMware虚拟化 103
3.7　结论 105
习题 105
参考文献 107
[0第0]4章　云架构与服务平台设计 109
4.1　云架构与基础设施设计 109
4.1.1　公共云平台及其服务项目 109
4.1.2　云服务的[0商0]业模型 111
4.1.3　数据中心到云平台的转换 113
4.1.4　资源弹性配置方[0法0] 117
4.2　虚拟集群的动态配置 119
4.2.1　虚拟集群配置项目 119
4.2.2　虚拟集群配置自适应 121
4.2.3　数据中心集群的虚拟化支持 122
4.2.4　VMware vSphere 6：[0商0]用云[*]作系统 123
4.3　AWS云及其服务项目 124
4.3.1　三[0大0]云架构与服务融合 124
4.3.2　AWS EC2计算引擎和S3存储云服务 127
4.3.3　其他AWS云服务产[0品0] 129
4.4　Google AppEngine与Microsoft Azure 133
4.4.1　Google AppEngine及其计算引擎 133
4.4.2　Google硬[亻牛]/软[亻牛]支持下的[1机1]器[0学0]习服务 137
4.4.3　Microsoft Azure云及其服务项目 138
4.5　Salesforce、IBM SmartCloud及其他云平台 141
4.5.1　用于SaaS服务的Salesforce云平台 141
4.5.2　IBM SmartCloud云平台、物联网及认[0知0]项目 143
4.5.3　SGI、NASA和CERN建立的云平台 145
4.6　结论 148
习题 149
参考文献 150
[0第0]5章　移动云、物联网、社交媒体与混搭云服务 153
5.1　无线互联网与移动云计算 153
5.1.1　移动设备与边际互联子网 153
5.1.2　WiFi、蓝牙和无线传感器网络 155
5.1.3　移动云计算的微云网 156
5.1.4　移动云与托管云 158
5.2　物联网感[0知0]以及与云的交互 160
5.2.1　本地与全球定位系统 161
5.2.2　构建移动云的无线接入网 162
5.2.3　物联网和云的互动框架与设备 164
5.3　社交媒体应用中的云计算 167
5.3.1　社交媒体[0大0]数据工业应用 167
5.3.2　社交网络与应用编程接口 170
5.3.3　社交图的特性与表示 172
5.3.4　智慧云的社交图分析 175
5.4　多云混搭架构与服务 176
5.4.1　混搭云的敏捷性与可扩展性 177
5.4.2　混搭云服务架构 179
5.4.3　混搭云服务的Skyline发现 182
5.4.4　混搭云服务的动态组成 184
5.5　结论 185
习题 185
参考文献 187
[0第0]三部分　[1机1]器[0学0]习原理与人工智能[1机1]器
[0第0]6章　[1机1]器[0学0]习算[0法0]与预测模型拟合 190
6.1　[1机1]器[0学0]习方[0法0]的分类 190
6.1.1　[1机1]器[0学0]习算[0法0]的种类 190
6.1.2　监督式[1机1]器[0学0]习算[0法0] 192
6.1.3　无监督[1机1]器[0学0]习算[0法0] 193
6.2　监督式回归与分类方[0法0] 193
6.2.1　预测的线性回归方[0法0] 194
6.2.2　[1机1]器[0学0]习的决策树 199
6.2.3　贝叶斯分类与训练样本 202
6.2.4　支持向量[1机1] 205
6.3　聚类方[0法0]与降维方[0法0] 207
6.3.1　聚类分析与k均值聚类 207
6.3.2　降维方[0法0]与强化[0学0]习 210
6.3.3　[1主1]成分分析方[0法0] 212
6.3.4　半监督[0学0]习方[0法0] 214
6.4　[1机1]器[0学0]习的建模方[0法0] 216
6.4.1　模型拟合的性能指标 216
6.4.2　降低模型过拟合的方[0法0] 217
6.4.3　避免欠拟合的方[0法0] 219
6.4.4　选择[1机1]器[0学0]习算[0法0] 219
6.5　结论 221
习题 221
参考文献 224
[0第0]7章　智能[1机1]器与深度[0学0]习网络 225
7.1　人工智能[1机1]器的发展 225
7.1.1　智能[1机1]器的技术成熟度曲线 225
7.1.2　谷歌人工智能产[0品0]及服务进展 226
7.1.3　IBM与其他公司的认[0知0]服务 230
7.1.4　Intel、Nvidia和CAS/ICT的深度[0学0]习芯片 231
7.2　增强现实、虚拟现实与区块链技术 233
7.2.1　增强、介导与虚拟现实 234
7.2.2　虚拟现实与相关产[0品0] 235
7.2.3　区块链在[0商0]业交易安全中的应用 236
7.3　深度[0学0]习人工神[纟巠]网络 237
7.3.1　深度[0学0]习模仿人类认[0知0]功能 237
7.3.2　ANN的演进和应用 239
7.3.3　人工神[纟巠]元的数[0学0]描述 240
7.3.4　多层ANN 241
7.3.5　ANN的正向传播与反向传播 244
7.4　深度[0学0]习网络的分类 247
7.4.1　深度[0学0]习网络的类型 247
7.4.2　卷积神[纟巠]网络 248
7.4.3　深度神[纟巠]网络的连接性能 252
7.4.4　循环神[纟巠]网络 252
7.5　深度[0学0]习应用与其他认[0知0]功能 255
7.5.1　受限玻尔兹曼[1机1] 255
7.5.2　深度信念网络 256
7.5.3　深度[0学0]习与脑功能开发 257
7.6　结论 258
习题 258
参考文献 261
[0第0]四部分　云编程、性能[扌是]升与数据安全
[0第0]8章　基于Hadoop和Spark的云计算 264
8.1　[0大0]型集群的可扩展并行计算 264
8.1.1　可扩展计算的特点 264
8.1.2　从MapReduce到Hadoop和Spark 265
8.1.3　[0大0]数据处理的应用软[亻牛]库 266
8.2　Hadoop及其HDFS和YARN 267
8.2.1　MapReduce云计算引擎 267
8.2.2　用于并行矩阵乘[0法0]的MapReduce 271
8.2.3　Hadoop架构及其[z1u1i][亲斤]扩展 273
8.2.4　Hadoop分布式文[亻牛]系统 276
8.2.5　Hadoop YARN资源管理系统 279
8.3　Spark核心组[亻牛]和弹性分布式数据集 280
8.3.1　Spark通用核心组[亻牛] 280
8.3.2　弹性分布式数据集 282
8.3.3　用于DAG的RDD 284
8.4　Spark SQL和流编程 287
8.4.1　具有结构化数据的Spark SQL 287
8.4.2　使用实时数据流的Spark Streaming 288
8.4.3　Spark Streaming应用示例 290
8.5　用于[1机1]器[0学0]习的Spark MLlib和用于图像处理的GraphX 291
8.5.1　用于[1机1]器[0学0]习的Spark MLlib库 292
8.5.2　MLlib应用示例 293
8.5.3　用于图像处理的Spark GraphX 294
8.5.4　GraphX编程示例 295
8.6　结论 299
习题 300
参考文献 304
[0第0]9章　TensorFlow、Keras、DeepMind和图分析 306
9.1　神[纟巠]网络计算平台TensorFlow 306
9.1.1　TensorFlow的关键概念 306
9.1.2　张量、变量、输入和[扌是]取[*]作 309
9.1.3　分布式TensorFlow执行环境 310
9.1.4　TensorFlow程序的执行[0会0]话 313
9.2　用于深度[0学0]习的TensorFlow系统 315
9.2.1　分层TensorFlow系统架构 315
9.2.2　TensorFlow在不同[1主1][1机1]上的安装 317
9.2.3　分布式资源共享的TensorFlow生态系统 319
9.2.4　TensorFlow用于手写数字识别 320
9.2.5　TensorFlow用于认[0知0]服务 323
9.3　Google DeepMind及其他AI计划 326
9.3.1　强化深度[0学0]习算[0法0] 326
9.3.2　政策网络与价值网络的互动 328
9.3.3　AlphaGo计划中的强化[0学0]习 330
9.3.4　英[0国0]DeepMind Health项目 332
9.4　预测软[亻牛]库、Keras库、DIGITS库和图库 333
9.4.1　用于认[0知0]应用的预测软[亻牛]库 333
9.4.2　用于深度[0学0]习的Keras库和DIGITS 5 335
9.4.3　云中的图并行计算 338
9.4.4　社交网络中的社区检测 339
9.5　结论 342
习题 342
参考文献 343
[0第0]10章　云性能、安全和数据隐私 344
10.1　引言 344
10.1.1　什么是云性能和QoS 344
10.1.2　如何保护云和共享数据 345
10.2　云性能指标和基准 346
10.2.1　自动扩展、横向扩展和放[0大0]策略 347
10.2.2　云性能指标 350
10.2.3　雷达图表示的云性能模型 353
10.3　云基准结果的性能分析 357
10.3.1　可扩展云性能的弹性分析 357
10.3.2　横向扩展、放[0大0]和混合扩展性能 358
10.3.3　扩展策略的[0优0]缺点 360
10.4　云安全和数据隐私保护 362
10.4.1　云安全和隐私问题 362
10.4.2　云安全基础设施 364
10.4.3　移动云和安全威胁 369
10.5　云和数据中心的信任管理 370
10.5.1　分布式入侵和异常检测 370
10.5.2　云中基于信誉的信任管理 371
10.5.3　多个数据中心的P2P信任覆盖网络 374
10.6　结论 377
习题 377
参考文献 379
索引 381