大数据与人工智能技术 微课视频版

本书将基础理论和实际案例相结合，循序渐进地介绍了大数据与人工智能方面的知识，并配以大量案例。

本书将基础理论和实际案例相结合，循序渐进地介绍大数据与人工智能方面的知识，全面、系统地介绍大数据与人工智能的算法概念和适用范畴，并通过11个具体案例分别阐述人工智能和大数据技术在生产生活中的应用。全书共20章，第1～9章分别介绍大数据与人工智能的发展历史、数据工程、机器学习算法、深度学习与神经网络、大数据存储技术、Hadoop MapReduce解析、Spark解析、分布式数据挖掘算法和PyTorch解析等知识，第10～20章为大数据技术和机器学习技术相结合的一些案例。 本书主要面向广大数据工程与人工智能的初学者、高等院校的师生，以及相关领域的从业人员。

第1章 绪论
1.1 日益增长的数据
1.1.1 大数据的基本概念
1.1.2 大数据的基本特征
1.1.3 大数据的发展历程
1.2 人工智能初窥
1.2.1 人工智能的历史
1.2.2 人工智能的发展现状
1.2.3 人工智能的发展前景
1.2.4 大数据与人工智能
第2章 数据工程
2.1 数据工程的一般流程
2.2 数据获取
2.2.1 数据采集方法
2.2.2 大数据采集平台
2.3 数据存储与数据仓库
2.3.1 数据存储
2.3.2 数据仓库
2.4 数据预处理
2.4.1 数据清理
2.4.2 数据集成
2.4.3 数据变换
第3章 机器学习算法
3.1 算法概述
3.1.1 线性回归
3.1.2 逻辑回归
3.1.3 线性判别分析
3.1.4 分类与回归树分析
3.1.5 朴素贝叶斯
3.1.6 k最近邻算法
3.1.7 学习矢量量化
3.1.8 支持向量机
3.1.9 Bagging和随机森林
3.1.10 Boosting和AdaBoost
3.2 支持向量机算法
3.2.1 线性支持向量机
3.2.2 非线性支持向量机
3.2.3 支持向量机算法求解
3.3 逻辑回归算法
3.3.1 线性回归算法
3.3.2 逻辑回归
3.3.3 用PyTorch实现逻辑回归算法
3.4 聚类算法
3.4.1 K-Means聚类
3.4.2 均值漂移聚类
3.4.3 基于密度的聚类方法
3.5 机器学习算法总结
3.5.1 逻辑回归和朴素贝叶斯
3.5.2 逻辑回归和支持向量机
3.5.3 Bagging、随机森林和Boosting
第4章 深度学习
4.1 神经网络基础知识
4.1.1 深度神经网络
4.1.2 正向传播
4.1.3 激活函数
4.2 神经网络的训练
4.2.1 神经网络的参数
4.2.2 向量化
4.2.3 价值函数
4.2.4 梯度下降和反向传播
4.3 神经网络的优化和改进
4.3.1 神经网络的优化策略
4.3.2 交叉验证
4.3.3 正则化方法
4.4 卷积神经网络
4.4.1 卷积运算
4.4.2 池化层
4.4.3 CNN实例
……
第5章 大数据存储
第6章 Hadoop MapReduce解析
第7章 Spark解析
第8章 分布式数据挖掘算法
第9章 PyTorch解析
第10章 案例：Hadoop平台的搭建和数据分析
第11章 案例：基于Spark的搜索引擎日志用户行为分析
第12章 案例：使用Spark实现数据统计分析及性能优化
第13章 案例：使用Spark和HBase实现商品批量存储
第14章 案例：使用Keras进行人脸关键点检测
第15章 案例：使用PyTorch实现基于词级别的情感分析
第16章 案例：短语视觉定位
第17章 案例：使用PyTorch进行视觉问答
第18章 案例：使用Hadoop和MapReduce分布式计算语料中单词出现的频数
第19章 案例：使用多种机器学习算法实现基于用户行为数据的用户分类器
第20章 案例：构建苹果叶病病害分类模型
附录A 用户历史充值情况数据表
附录B 用户各类订单余额情况
附录C 各省用户收到公示消息后的充值情况
参考文献