本书关注云计算、大数据、物联网、认知计算、机器学习的基本原理、智能应用和编程实战,包括AWS、微软Azure云、谷歌DeepMind和寒武纪神经芯片等大量案例。全书共四个部分,部分介绍云计算、数据科学和自适应计算的基本原理,第二部分涵盖云架构、虚拟机、Docker容器和多云混搭服务等,第三部分讲解机器学习、深度学习、类脑计算机和AR/VR等的原理,第四部分讨论MapReduce、Hadoop、Spark、TensorFlow和GraphX云编程。本书适合作为高等院校计算机相关专业高年级本科生和研究生的教材,也适合互联网、物联网等领域的专业技术人员参考。
Cloud Computing for Machine Learning and Cognitive Applications
出版者的话
译者序
前言
作者简介
第一部分 云平台、大数据与认知计算
第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、移动性和优化 26
1.4.1 云服务器集群的可用性分析 26
1.4.2 虚拟集群操作中的容错 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优化 30
1.5 结论 32
习题 33
参考文献 35
第2章 数据分析、物联网与认知计算 37
2.1 大数据科学与应用面临的挑战 37
2.1.1 数据科学与大数据特征 37
2.1.2 物联网的技术成熟度曲线 38
2.1.3 走向大数据工业 40
2.1.4 大数据应用概述 41
2.2 物联网与云平台的互动模式 44
2.2.1 IoT感知与平台架构 45
2.2.2 IoT价值链与发展路线 47
2.2.3 独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 在云平台上提升数据分析能力 59
2.3.4 支撑大数据分析的云资源 61
2.4 神经形态硬件与认知计算 63
2.4.1 认知计算与神经形态处理器 63
2.4.2 IBM SyNAPSE与相关的神经类脑计算机项目 66
2.4.3 中国科学院的神经处理器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
第二部分 云系统架构与服务平台设计
第3章 虚拟机、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 用于创建虚拟机的虚拟机监控器 79
3.2.1 虚拟机架构类型 79
3.2.2 完全虚拟化和托管虚拟化 81
3.2.3 修改客户操作系统的半虚拟化 83
3.2.4 平台虚拟化软件产品与工具包比较 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 虚拟机与Docker容器的比较 91
3.4.3 从虚拟机到容器和unikernel的架构演变 92
3.5 虚拟机管理和容器编排 94
3.5.1 虚拟机管理解决方案 94
3.5.2 用于灾难恢复的虚拟机迁移 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软件 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
第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 云服务的商业模型 111
4.1.3 数据中心到云平台的转换 113
4.1.4 资源弹性配置方法 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:商用云操作系统 123
4.3 AWS云及其服务项目 124
4.3.1 三大云架构与服务融合 124
4.3.2 AWS EC2计算引擎和S3存储云服务 127
4.3.3 其他AWS云服务产品 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硬件/软件支持下的机器学习服务 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、物联网及认知项目 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
第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 物联网感知以及与云的交互 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 社交媒体大数据工业应用 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
第三部分 机器学习原理与人工智能机器
第6章 机器学习算法与预测模型拟合 190
6.1 机器学习方法的分类 190
6.1.1 机器学习算法的种类 190
6.1.2 监督式机器学习算法 192
6.1.3 无监督机器学习算法 193
6.2 监督式回归与分类方法 193
6.2.1 预测的线性回归方法 194
6.2.2 机器学习的决策树 199
6.2.3 贝叶斯分类与训练样本 202
6.2.4 支持向量机 205
6.3 聚类方法与降维方法 207
6.3.1 聚类分析与k均值聚类 207
6.3.2 降维方法与强化学习 210
6.3.3 主成分分析方法 212
6.3.4 半监督学习方法 214
6.4 机器学习的建模方法 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法 217
6.4.3 避免欠拟合的方法 219
6.4.4 选择机器学习算法 219
6.5 结论 221
习题 221
参考文献 224
第7章 智能机器与深度学习网络 225
7.1 人工智能机器的发展 225
7.1.1 智能机器的技术成熟度曲线 225
7.1.2 谷歌人工智能产品及服务进展 226
7.1.3 IBM与其他公司的认知服务 230
7.1.4 Intel、Nvidia和CAS/ICT的深度学习芯片 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 虚拟现实与相关产品 235
7.2.3 区块链在商业交易安全中的应用 236
7.3 深度学习人工神经网络 237
7.3.1 深度学习模仿人类认知功能 237
7.3.2 ANN的演进和应用 239
7.3.3 人工神经元的数学描述 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 深度学习网络的分类 247
7.4.1 深度学习网络的类型 247
7.4.2 卷积神经网络 248
7.4.3 深度神经网络的连接性能 252
7.4.4 循环神经网络 252
7.5 深度学习应用与其他认知功能 255
7.5.1 受限玻尔兹曼机 255
7.5.2 深度信念网络 256
7.5.3 深度学习与脑功能开发 257
7.6 结论 258
习题 258
参考文献 261
第四部分 云编程、性能提升与数据安全
第8章 基于Hadoop和Spark的云计算 264
8.1 大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 大数据处理的应用软件库 266
8.2 Hadoop及其HDFS和YARN 267
8.2.1 MapReduce云计算引擎 267
8.2.2 用于并行矩阵乘法的MapReduce 271
8.2.3 Hadoop架构及其最新扩展 273
8.2.4 Hadoop分布式文件系统 276
8.2.5 Hadoop YARN资源管理系统 279
8.3 Spark核心组件和弹性分布式数据集 280
8.3.1 Spark通用核心组件 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 用于机器学习的Spark MLlib和用于图像处理的GraphX 291
8.5.1 用于机器学习的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
第9章 TensorFlow、Keras、DeepMind和图分析 306
9.1 神经网络计算平台TensorFlow 306
9.1.1 TensorFlow的关键概念 306
9.1.2 张量、变量、输入和提取操作 309
9.1.3 分布式TensorFlow执行环境 310
9.1.4 TensorFlow程序的执行会话 313
9.2 用于深度学习的TensorFlow系统 315
9.2.1 分层TensorFlow系统架构 315
9.2.2 TensorFlow在不同主机上的安装 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用于认知服务 323
9.3 Google DeepMind及其他AI计划 326
9.3.1 强化深度学习算法 326
9.3.2 政策网络与价值网络的互动 328
9.3.3 AlphaGo计划中的强化学习 330
9.3.4 英国DeepMind Health项目 332
9.4 预测软件库、Keras库、DIGITS库和图库 333
9.4.1 用于认知应用的预测软件库 333
9.4.2 用于深度学习的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
第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、横向扩展和放大策略 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、放大和混合扩展性能 358
10.3.3 扩展策略的优缺点 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
猜您喜欢
推荐内容
开源项目推荐 更多
热门活动
热门器件
用户搜过
随便看看
热门下载
热门文章
评论