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。
一本书解决你的技术焦虑
机器学习、深度学习、认知计算、5G、大数据、云计算、物联网……技术热点层出不穷，站在计算机产业的风口，我们学什么？怎么用？书中全面涵盖这些热点的必备知识，为深入学习奠定基础。
智能应用连接技术与未来
社交媒体分析、健康监护、情感交互、车联网、智慧城市……智能应用推动着技术的融合与创新，更预见着技术的未来。书中正是借助这些应用实现了内容的融合，为从业者把握IT新机遇指明方向。
适合多门前沿计算机课程
大数据分析、云计算、机器学习、认知系统、物联网……教师可遴选书中章节辅助不同课程的教学，这些内容新颖有趣，实例丰富，教辅齐全。学生可纵览不同技术的特点和发展趋势，开阔视野。
新方向，新作者
南加州大学黄铠教授继《云计算与分布式系统》后的又一力作，紧跟并行计算、物联网、机器学习等技术的发展，再次引*该领域的知识热点。此次华中科技大学陈敏教授的加入，不仅创新性地打造了认知计算与深度学习的章节架构，还分享了其团队正在研发的先进认知系统。全书在《云》的基础上全面升级，精准呈现了当前技术发展的脉络，基础完备，实例新颖，是助力高校教学和科学探索的有益参考。
前 言Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud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
作 者 简 介Cognitive Computing and Deep Learning: Intelligent Applications based on IoT/Cloud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。23岁获华南理工大学通信与信息系统博士学位，曾在韩国首尔大学、加拿大不列颠哥伦比亚大学从事博士后研究，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。主要研究方向是物联网、大数据分析与认知计算。
他发表国际学术论文300多篇，80篇发表于IEEE/ACM计算机与通信领域核心期刊。他的论文在谷歌学术中引用超过10500次，其中10篇第壹作者论著引用超过3400次，H指数为50。近三年以来连续入选爱思唯尔计算机类中国高被引学者。他曾获IEEE ICC 2012、IEEE IWCMC 2016等国际大会佳论文奖，2017年获IEEE通信协会Fred W. Ellersick奖。他曾任IEEE ICC 2012通信理论程序委员会主席及IEEE ICC 2013无线网络程序委员会主席等，2014年被选为IEEE 计算机协会大数据技术委员会主席。
黄铠（Kai Hwang） 计算机系统和互联网技术领域的国际知名学者。他拥有加州大学伯克利分校博士学位，主要研究领域为计算机体系结构、并行处理、云计算、分布式系统和网络安全，目前是美国南加州大学（USC）电子工程与计算机科学系终身教授。他曾在普渡大学任教多年，并先后在清华大学、香港大学、台湾大学和浙江大学担任特聘讲座教授。他在专业领域发表了250篇科学论文，截至2017年在谷歌学术中引用超过16800次，H指数为55。他还是IEEE计算机协会的终身会士（Life Fellow）。
他创作或合著了10余本学术专著，包括《高级计算机体系结构》（1992）、《云计算与分布式系统》（2011）和《智能云计算与机器学习》（2018）等。他曾担任《并行与分布式计算》（JPDC）杂志主编28年，还曾担任IEEE 《云计算会刊》（TCC）、《并行和分布式系统》（TPDS）、《服务计算》（TSC）以及《大数据智能》杂志的编委。他于2012年获得国际云计算大会（IEEE CloudCom）终身成就奖，2004年获得中国计算机学会（CCF）首届海外杰出贡献奖。
多年来，他在南加州大学和普渡大学共培养博士生21人，其中4人晋升为IEEE 会士，1人为IBM会士。他在IEEE与ACM国际会议和全球领先的大学发表了60多次主题演讲和杰出讲座。他曾在IBM研究院、Intel公司、富士通研究院、麻省理工学院林肯实验室、加州理工学院喷气推进实验室（JPL）、台湾工业技术研究院（ITRI）、法国国家计算科学研究中心（ENRIA）和中国科学院计算所担任高级顾问或首席科学家。他目前的科研兴趣集中于云计算、物联网、机器智能和大数据在医疗保健与移动社交网络上的应用。
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 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
书单推荐
