對如何快速把握大數據與人工智能的精髓、避免陷入過多的數學細節推導的問題，以及人工智能算法和大數據平臺技術的結合問題，本書作者做出了不懈探索。
1.選材上，不僅分別單獨講授人工智能和大數據，還突出兩者相結合的內容。
2.內容上，突出淺顯易懂，繁雜的數學推導適當做減法，宏觀的介紹和實戰技能適當做加法。
3.結構上，由淺入深，由宏觀到比微觀，由基礎知識到新技術，由理論到實踐。
本書主要突出優點如下：
1.知識點覆蓋全。本書共七章，對大數據與人工智能領域的常用基礎技術、算法、模型均有介紹，保障讀者知識體繫的完整性。
2.知識點覆蓋新。本書緊跟本領域**研究成果。尤其重點介紹了深度學習基礎知識及其應用。深度學習是當前人工智能領域的潮流和趨勢。另外，本書新版所增加的強化學習是機器學習新興起的一個類別，在許多領域都具有重要作用，具有研究價值。
3.知識點難易程度嚴格控制。有利於讀者構建完整、清晰的知識體繫，抓住主干，避免鑽進個別牛角尖。
4.理論與實戰相結合。本書不僅介紹了理論知識，還注重問題建模、數據分析、算法實現、模型應用等實戰技能。
5.知識脈絡構建有特色。本書認為，當前人工智能取得重要進展的最根本原因是大數據，絕不能把兩者割裂開來。

本書主要涉及數據工程與人工智能算法原理、大數據平臺技術、人工智能算法在大數據平臺上的實現等，共7章。第1章介紹大數據與人工智能的歷史、應用；第2章介紹數據工程；第3章介紹大數據平臺；第4章介紹人工智能基礎算法的原理；第5章以第4章為基礎，介紹深度學習相關內容；第6章介紹當前熱門的強化學習技術；第7章為數據分析與深度學習項目實踐。
本書可作為希望快速了解和入門大數據與人工智能領域知識的本科生、研究生的參考書，也可供互聯網領域中對人工智能算法感興趣的工程技術人員參考使用。

姚海鵬，北京郵電大學副教授， 主要研究方向為未來網絡體繫架構、網絡大數據、物聯網等。

劉韻潔，中國工程院院士，現任中國聯通科技委主任，兼任國家信息化專家咨詢委員會委員、國務院三網融合專家組成員、中國通信學會常務理事、中國互聯網協會常務理事，國家未來網絡試驗設施重大科技基礎設施項目負責人，面向服務的未來互聯網體繫結構及機制研究973項目首席科學家，獲得“2014中國互聯網年度人物”特別貢獻獎。

目 錄
第 1章緒論1
1．1日益增長的數據1
1．1．1大數據基本概念1
1．1．2大數據發展歷程2
1．1．3大數據的特征3
1．1．4大數據的基本認識3
1．2人工智能4
1．2．1認識人工智能4
1．2．2人工智能的派別與發展史4
1．2．3人工智能的現狀與應用5
1．2．4當人工智能遇上大數據7
1．3大數據與人工智能的機遇與挑戰7
1．3．1大數據與人工智能面臨的難題7
1．3．2大數據與人工智能的前景8
第 2章數據工程10
2．1數據的多樣性10
2．1．1數據格式的多樣性10
2．1．2數據來源的多樣性11
2．1．3數據用途的多樣性11
2．2數據工程的一般流程12
2．3數據的獲取13
2．3．1數據來源14
2．3．2數據采集方法14
2．3．3大數據采集平臺15
2．4數據的存儲與數據倉庫16
2．4．1數據存儲16
2．4．2數據倉庫16
2．5數據的預處理技術17
2．5．1數據預處理的目的17
2．5．2數據清理18
2．5．3數據集成19
2．5．4數據變換19
2．5．5數據歸約19
2．6模型的構建與評估20
2．6．1模型的構建20
2．6．2評價指標20
2．7數據的可視化22
2．7．1可視化的發展22
2．7．2可視化工具23
第3章大數據框架28
3．1Hadoop簡介28
3．1．1Hadoop的由來28
3．1．2MapReduce和HDFS28
3．2Hadoop大數據處理框架30
3．2．1HDFS組件與運行機制30
3．2．2MapReduce組件與運行機制33
3．2．3YARN框架和運行機制34
3．2．4Hadoop相關技術35
3．2．5Hadoop的安裝36
3．3MapReduce編程39
3．3．1MapReduce綜述39
3．3．2Map階段40
3．3．3Shuffle階段40
3．3．4Reduce階段41
3．4Spark簡介41
3．4．1Spark概述41
3．4．2Spark基本概念42
3．4．3Spark生態繫統42
3．4．4Spark組件與運行機制44
3．4．5Spark的安裝44
3．5Storm簡介47
3．5．1Storm概述47
3．5．2Storm組件和運行機制48
3．5．3Storm的應用50
3．5．4Storm的安裝50
3．6Flink簡介53
3．6．1Flink概述53
3．6．2Flink組件和運行機制54
3．6．3Flink的應用55
3．6．4Flink的安裝和實例講解56
第4章機器學習算法58
4．1機器學習緒論58
4．1．1機器學習基本概念58
4．1．2評價標準59
4．1．3機器模型的數學基礎61
4．2決策樹理論64
4．2．1決策樹模型65
4．2．2決策樹的訓練67
4．2．3本節小結72
4．3樸素貝葉斯理論72
4．4線性回歸75
4．5邏輯斯蒂回歸77
4．5．1二分類邏輯回歸模型77
4．5．2二分類邏輯斯蒂回歸的訓練79
4．5．3Softmax分類器81
4．5．4邏輯斯蒂回歸和softmax的應用81
4．5．5本節小結82
4．6支持向量機82
4．6．1間隔83
4．6．2支持向量機的原始形式84
4．6．3支持向量機的對偶形式85
4．6．4特征空間的隱式映射：核函數87
4．6．5支持向量機拓展88
4．6．6支持向量機的應用89
4．7集成學習89
4．7．1基礎概念89
4．7．2Boosting91
4．7．3Bagging94
4．7．4Stacking95
4．8神經網絡95
4．8．1生和人95
4．8．2感知機97
4．8．3BP神經網絡98
4．8．4Sklearn中的神經網絡100
4．8．5本節小結101
4．9聚類101
4．9．1聚類思想101
4．9．2性能計算和距離計算101
4．9．3原型聚類102
4．9．4密度聚類103
4．9．5層次聚類104
4．9．6Sklearn中的聚類105
4．9．7本節小結105
4．10降維與特征選擇105
4．10．1維數爆炸與降維105
4．10．2降維技術106
4．10．3特征選擇技術108
4．10．4Sklearn中的降維108
4．10．5本節小結108
第5章深度學習簡介110
5．1從神經網絡到深度神經網絡110
5．1．1深度學習應用110
5．1．2深度神經網絡的困難111
5．2卷積神經網絡112
5．2．1卷積神經網絡的生物學基礎112
5．2．2卷積神經網絡結構113
5．3循環神經網絡116
5．3．1循環神經網絡簡介116
5．3．2循環神經網絡結構116
5．4生成對抗網絡118
5．4．1生成對抗網絡簡介118
5．4．2生成對抗網絡結構119
第6章強化學習簡介124
6．1有限馬爾可夫決策過程125
6．1．1目標和獎勵125
6．1．2回報和分幕126
6．1．3策略和值函數127
6．1．4最優策略和最優狀態值函數127
6．2動態規劃129
6．2．1策略評估129
6．2．2策略改進132
6．2．3策略迭代133
6．2．4價值迭代134
6．3時序差分學習135
6．3．1時序差分預測136
6．3．2TD(0)學習136
6．3．3Sarsa算法137
6．3．4Q學習算法138
6．4策略梯度方法139
6．4．1策略梯度定理140
6．4．2蒙特卡羅策略梯度141
6．4．3“Actor-Critic”方法142
6．5深度強化學習143
6．5．1深度Q-learning143
6．5．2深度確定性策略梯度146
第7章數據分析實例149
7．1基本數據分析149
7．1．1數據介紹149
7．1．2數據導入與數據初識149
7．1．3分類152
7．1．4回歸153
7．1．5降維154
7．2深度學習項目實戰155
7．2．1Tensorflow與Keras安裝部署155
7．2．2使用卷積神經網絡進行手寫數字識別156
7．2．3使用LSTM進行文本情感分類158
參考文獻162
附錄A矩陣基礎163
附錄B梯度下降166
附錄C拉格朗日對偶性169
附錄DPython語法知識172
附錄EJava語法基礎介紹184