- 大数据智能分析与先进计算(普通高等院校数据科学与大数据技术专业系列规划教材)
- - 作者：编者:刘朝华//吕明阳//陈磊//许岳兵|责编:韩雪
  - 出版社：中南大学
  - ISBN：9787548750383
  - 出版日期：2022/12/01
  - 页数：226
- 售价：19.2

内容大纲
大数据时代的到来，迫切需要为控制电气信息类研究生的教育建立大数据技术课程体系，为社会培养和输送一批具备大数据素养的高级创新人才，满足工业系统对大数据创新人才日益旺盛的需求。本书定位为控制电气信息类研究生专业教材，为该专业研究生搭建起“大数据智能处理与先进计算”的系统知识体系及研究方向。本书将系统梳理、总结大数据技术的基本原理、大数据处理与学习智能方法、先进计算技术，以及最新大数据研究成果和大数据的主要领域应用，帮助研究生形成对大数据知识体系及其应用领域的深刻认识，为相关研究生在大数据领域奠定基础和开拓研究方向。同时可作为自动化、计算机、电子电气信息类高年级本科生的选修课教材及相关科技工作者的参考资料。全书分两大部分内容，前者重点聚焦于大数据技术的两个核心内容——分布式存储和分布式计算；后者聚焦于各种机器学习、深度学习和智能优化方法等先进计算方法。
作者介绍
目录
第1章  绪论
  1.1  大数据的概念和特征
    1.1.1  大数据的概念
    1.1.2  大数据的特征
  1.2  大数据与先进计算、人工智能
  1.3  大数据的典型应用场景
  1.4  大数据的发展趋势
第2章  机器学习
  2.1  数据挖掘与机器学习概述
  2.2  logistic回归
    2.2.1  logistic回归分类
    2.2.2  L2正则化原问题
    2.2.3  L2正则化对偶问题
    2.2.4  L1正则化原问题
  2.3  决策树
    2.3.1  树形决策过程
    2.3.2  分类与回归树
    2.3.3  训练算法
  2.4  支持向量机
    2.4.1  线性分类器
    2.4.2  线性可分的情况
    2.4.3  线性不可分的情况
    2.4.4  核映射与核函数
    2.4.5  SMO算法
    2.4.6  多分类问题
  2.5  贝叶斯分类器
    2.5.1  贝叶斯决策
    2.5.2  朴素贝叶斯分类器
    2.5.3  正态贝叶斯分类器
  2.6  KNN算法
    2.6.1  基本概念
    2.6.2  预测算法
    2.6.3  距离定义
  2.7  随机森林
    2.7.1  随机抽样
    2.7.2  Bagging算法
    2.7.3  随机森林算法
  2.8  Boosting算法
    2.8.1  AdaBoost算法
    2.8.2  广义加法模型
    2.8.3  实现细节问题
第3章  深度学习
  3.1  深度学习概述
  3.2  深度学习基础
    3.2.1  BP神经网络
    3.2.2  受限Boltzmann机
  3.3  深度信念网络
    3.3.1  模型结构
    3.3.2  学习算法
  3.4  卷积神经网络

    3.4.1  卷积层
    3.4.2  ReLU层
    3.4.3  池化层
    3.4.4  全连接层
    3.4.5  层与层之间的交织
  3.5  循环神经网络
    3.5.1  循环神经网络
    3.5.2  双向循环神经网络
    3.5.3  多层循环神经网络
    3.5.4  回声状态网络
    3.5.5  长短期记忆网络
    3.5.6  门控循环单元
  3.6  生成对抗学习
  3.7  强化学习
    3.7.1  强化学习的组成部分
    3.7.2  马尔可夫决策过程
    3.7.3  基于动态规划的算法
    3.7.4  蒙特卡洛算法
    3.7.5  时序差分算法
  3.8  迁移学习
第4章  大数据群智能优化算法
  4.1  大数据处理的难点与群智能优化
    4.1.1  基于粒子群算法的大数据分析
    4.1.2  基于蚁群算法的大数据分析
    4.1.3  基于进化算法的大数据分析
  4.2  遗传算法
    4.2.1  遗传算法原理
    4.2.2  常用术语简介
    4.2.3  遗传算法的流程
  4.3  人工免疫系统
    4.3.1  一般免疫算法
    4.3.2  克隆选择算法
    4.3.3  免疫网络算法
    4.3.4  阴性选择算法
  4.4  蚁群算法
    4.4.1  蚁群算法的基本原理
    4.4.2  蚁群算法的流程
    4.2.3  改进的蚁群算法
  4.5  粒子群优化算法
    4.5.1  粒子群优化算法的基本原理
    4.5.2  粒子群优化算法的流程
  4.6  差分进化算法
    4.6.1  差分进化算法原理
    4.6.2  差分进化算法流程
第5章  大数据存储
  5.1  Hadoop平台
    5.1.1  Hadoop的特性
    5.1.2  Hadoop生态系统
  5.2  分布式文件系统HDFS
    5.2.1  分布式文件系统

    5.2.2  HDFS的优缺点
    5.2.3  HDFS相关概念
    5.2.4  HDFS的体系结构
    5.2.5  HDFS的数据存储
    5.2.6  HDFS的数据读写操作
  5.3  分布式数据库HBase
    5.3.1  HBase与传统关系数据库的对比分析
    5.3.2  HBase数据模型
    5.3.3  HBase的实现原理
    5.3.4  HBase运行机制
  5.4  非关系型数据库NoSQL
  5.4  NoSQL数据库的特点
  5.4  NoSQL数据库的类型
    5.4.3  BASE理论
第6章  大数据处理技术
  6.1  MapRecluee
    6.1.1  Map和Reduce函数
    6.1.2  MapReduce的工作流程
    6.1.3  Shuffle过程
  6.2  内存计算框架Spark
    6.2.1  Spark的特点
    6.2.2  SDark生态系统
    6.2.3  SDark运行架构
    6.2.4  RDD的设计与运行原理
    6.2.5  Spark SQL
  6.3  流计算
    6.3.1  流计算简介
    6.3.2  流计算与Hadoop
    6.3.3  流计算处理流程
    6.3.4  流计算框架Storm
  6.4  图计算
    6.4.1  图计算简介
    6.4.2  图计算的应用场景
    6.4.3  Pregel图计算模型
    6.4.4  Pregel的体系结构
第7章  风电大数据分析实例
  7.1  SCADA数据介绍
  7.2  SCADA数据预处理
    7.2.1  数据清洗
    7.2.2  数据重采样和归一化
  7.3  基于SCADA数据深度学习的短期风电功率预测模型构建
    7.3.1  模型框架
    7.3.2  基于小波包分解算法的SCADA数据去噪
    7.3.3  基于最大互信息系数的特征选择
    7.3.4  基于门控循环单元深度学习网络的风电功率预测模型
    7.3.5  风电功率预测评价指标
    7.3.6  算法流程
  7.4  实验过程介绍
    7.4.1  数据准备
    7.4.2  数据预处理

    7.4.3  小波包算法去噪与特征选择
    7.4.4  对比方法与参数设置
    7.4.5  训练过程与收敛分析
    7.4.6  结果分析
    7.4.7  多步验证
第8章  城市供水量预测系统大数据分析实例
  8.1  城市供水量预测
    8.1.1  供水量预测的概念
    8.1.2  供水量预测步骤
    8.1.3  预测误差评价指标
  8.2  基于连续深度信念神经网络的城市日供水量预测
    8.2.1  连续深度信念神经网络
    8.2.2  建模过程
    8.2.3  预测结果
  8.3  城市供水量预测云平台的实现
    8.3.1  系统需求分析
    8.3.2  系统结构设计
    8.3.3  系统工作流程
    8.3.4  MATLAB算法在Hadoop平台上的实现
  8.4  系统应用实例
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目