云计算系统与人工智能应用PDF|Epub|txt|kindle电子书版本下载

云计算系统与人工智能应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 云平台、大数据与认知计算2

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SaaS16

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

2.2.1IoT感知与平台架构45

2.2.2IoT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

2.4.2IBM 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Cambricon68

2.4.4Google 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74

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

3.3Docker引擎和应用程序容器86

3.4Docker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

3.5.3Docker容器调度和编排98

3.6Eucalyptus、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

4.2.4VMware vSphere6：商用云操作系统123

4.3AWS云及其服务项目124

4.3.1三大云架构与服务融合124

4.3.2AWS 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

4.4Google AppEngine与MicrosoAzure133

4.4.1Google AppEngine及其计算引擎133

4.4.2Google硬件/软件支持下的机器学习服务137

4.4.3Microsoft Azure云及其服务项目138

4.5Salesforce、IBM SmartCloud及其他云平台141

4.5.1用于SaaS服务的S alesforce云平台141

4.5.2IBM SmartCloud云平台、物联网及认知项目143

4.5.3SGI、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

5.1.2WiFi、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190

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

7.1.3IBM与其他公司的认知服务230

7.1.4Intel、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

7.3.2ANN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ANN241

7.3.5ANN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264

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Spark265

8.1.3大数据处理的应用软件库266

8.2Hadoop及其HDFS和YARN267

8.2.1MapReduce云计算引擎267

8.2.2用于并行矩阵乘法的MapReduce271

8.2.3Hadoop架构及其最新扩展273

8.2.4Hadoop分布式文件系统276

8.2.5Hadoop YARN资源管理系统279

8.3Spark核心组件和弹性分布式数据集280

8.3.1Spark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RDD284

8.4Spark SQL和流编程287

8.4.1具有结构化数据的Spark SQL287

8.4.2使用实时数据流的Spark Streaming288

8.4.3Spark 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GraphX291

8.5.1用于机器学习的Spark MLlib库292

8.5.2MLlib应用示例293

8.5.3用于图像处理的Spark GraphX294

8.5.4GraphX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TensorFlow306

9.1.1TensorFlow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

9.1.4TensorFlow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

9.2.2TensorFlow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

9.2.4TensorFlow用于手写数字识别320

9.2.5TensorFlow用于认知服务323

9.3Google 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

9.3.3AlphaGo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DIGITS5335

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QoS344

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