大数据与人工智能导论(微课版)

【章名目录】

第　1章 大数据与人工智能概述　1

第　2章 大数据与人工智能产业概况　14

第3章　大数据技术　34

第4章　人工智能技术　97

第5章　机器学习　106

第6章　强化学习、深度学习与集成学习　135

第7章　其他新兴技术　148

第8章　人工智能与大数据人才概述　168

第9章　人工智能伦理　181

第　10章 数据安全　193



【详细目录】

第　1章 大数据与人工智能概述　1

1.1　大数据的概念、特征与发展历程　1

1.1.1　大数据的概念与特征　1

1.1.2　大数据的发展历程　3

1.2　人工智能的概念与发展历程　4

1.2.1　人工智能的概念　4

1.2.2　人工智能的发展历程　5

1.3　数字时代的思维变革与技术支持　7

1.3.1　数字时代的挑战与数据思维模式的转变　7

1.3.2　发展基石：算子、算力　8

1.4　大数据与人工智能的关系　10

1.4.1　大数据与人工智能　10

1.4.2　小数据与人工智能　11

1.5　本章小结　12

1.6　习题　13

第　2章 大数据与人工智能产业概况　14

2.1　大数据与人工智能的应用现状　14

2.1.1　应用领域　14

2.1.2　发展趋势　24

2.2　我国相关产业的布局　25

2.2.1　大数据产业相关布局　26

2.2.2　人工智能产业相关布局　27

2.3　大数据与人工智能产业的发展机遇与面临的挑战　27

2.3.1　大数据与人工智能产业的发展机遇　28

2.3.2　大数据与人工智能产业面临的挑战　30

2.4　本章小结　33

2.5　习题　33

第3章　大数据技术　34

3.1　大数据采集　34

3.1.1　大数据来源　34

3.1.2　大数据采集设备　35

3.1.3　大数据采集方法　36

3.2　大数据预处理　40

3.2.1　数据预处理技术基本概述　40

3.2.2　大数据预处理流程　42

3.3　大数据存储与管理　48

3.3.1　大数据存储的概念　49

3.3.2　大数据存储技术　64

3.4　大数据可视化　80

3.4.1　数据可视化概念　81

3.4.2　大数据可视化方法　81

3.4.3　可视化工具　84

3.5　典型大数据计算平台　86

3.5.1　Hadoop　86

3.5.2　Apache Spark　90

3.5.3　Apache Storm　95

3.6　本章小结　96

3.7　习题　96

第4章　人工智能技术　97

4.1　人工智能技术的概念　97

4.2　自然语言处理　97

4.2.1　自然语言处理的定义　98

4.2.2　自然语言处理的原理　98

4.2.3　自然语言处理的发展历史　98

4.2.4　自然语言处理的前景　99

4.3　机器视觉　100

4.3.1　机器视觉的定义　100

4.3.2　机器视觉的原理　101

4.3.3　机器视觉的发展历史　101

4.3.4　机器视觉的前景　102

4.4　语音识别　103

4.4.1　语音识别的定义　103

4.4.2　语音识别的原理　103

4.4.3　语音识别的发展历史　104

4.4.4　语音识别的前景　104

4.5　本章小结　105

4.6　习题　105

第5章　机器学习　106

5.1　机器学习概述　106

5.1.1　机器学习的定义　106

5.1.2　机器学习的发展历史　107

5.1.3　机器学习算法分类　109

5.2　机器学习基本概念　110

5.2.1　样本数据、数据集和特征　110

5.2.2　分类、回归与聚类　111

5.3　机器学习模型评估与性能度量　112

5.3.1　模型评估　113

5.3.2　性能度量　115

5.4　机器学习算法　118

5.4.1　线性模型　119

5.4.2　决策树　123

5.4.3　神经网络　126

5.4.4　支持向量机　129

5.4.5　朴素贝叶斯　130

5.4.6　聚类　131

5.4.7　降维与度量学习　132

5.4.8　特征选择　133

5.5　本章小结　134

5.6　习题　134

第6章　强化学习、深度学习与集成学习　135

6.1　强化学习　135

6.1.1　强化学习要素　136

6.1.2　K-臂游戏机　137

6.1.3　蒙特卡洛强化学习　138

6.1.4　时序差分学习　138

6.1.5　强化学习的相关技术　140

6.2　深度学习　141

6.2.1　走进深度学习　141

6.2.2　前馈神经网络　141

6.2.3　卷积网络　142

6.2.4　循环网络　142

6.2.5　Transformer　142

6.3　集成学习　143

6.3.1　Boosting　144

6.3.2　Bagging　145

6.3.3　其他集成学习技术　146

6.4　本章小结　147

6.5　习题　147

第7章　其他新兴技术　148

7.1　物联网　148

7.1.1　物联网的概念及背景　148

7.1.2　物联网的应用　148

7.2　云计算　152

7.2.1　云计算的概念及背景　152

7.2.2　云计算的应用　158

7.3　图计算　159

7.3.1　图计算的概念及背景　159

7.3.2　图计算的应用　160

7.4　边缘计算　161

7.4.1　边缘计算的概念及背景　161

7.4.2　边缘计算的应用　162

7.5　区块链　163

7.5.1　区块链的概念及背景　163

7.5.2　区块链的应用　165

7.6　本章小结　167

7.7　习题　167

第8章　人工智能与大数据人才概述　168

8.1　人工智能与大数据人才现状分析　168

8.1.1　人才现状分析　168

8.1.2　人工智能与大数据人才地图　173

8.2　人工智能与大数据人才能力要求　175

8.2.1　人工智能人才要求　175

8.2.2　大数据人才要求　178

8.3　本章小结　180

8.4　习题　180

第9章　人工智能伦理　181

9.1　人工智能伦理概述　181

9.1.1　人工智能——人类新前沿　181

9.1.2　人工智能伦理的历史经验　182

9.2　人工智能伦理具体内容　183

9.2.1　人工智能伦理是什么　183

9.2.2　人工智能道德与权利　184

9.2.3　人工智能安全问题　189

9.3　构建友好人机交互关系　189

9.3.1　构建人工智能道德　190

9.3.2　为人工智能道德设计架构　190

9.3.3　确保人工智能系统的安全和保障　190

9.4　本章小结　192

9.5　习题　192

第　10章 数据安全　193

10.1　数据安全内涵与重要性　193

10.1.1　数据安全内涵　193

10.1.2　数据安全重要性　195

10.2　数据安全需求与挑战　196

10.2.1　数据产业新生态及发展趋势　196

10.2.2　产业升级和技术发展下的数据安全新挑战　197

10.2.3　数据安全产业人才需求　199

10.3　数据安全应对策略　201

10.3.1　管理——法规、政策的建立与执行　201

10.3.2　技术——数据全生命周期安全　203

10.4　本章小结　205

10.5　习题　205

后记　206