引言
(by Mehdi Roopaei & Paul Rad)
异态检测与情境感知
在数据分析领域，异态检测讲的是在一个数据集中，发现到其中不符合预期模式的物体，动作，行为或事件。异态检测在诸多领域都有被用到，比如生物识别防伪，医疗保健，信用卡诈骗检测，网络入侵检测，恶意程序检测，军事威胁监测。数据中的异态会由多种原因引发，这些原因有个共同点，就是数据科学家和网络分析者对它们很感兴趣（摊手）。异态检测在不同的领域都已经有所研究和发展了，比如计算机科学，工程学，信息系统，以及网络安全。多种异态检测的算法已经出现，有的算法适用于特定领域，有的则比较一般而通用。
过去很多异态检测算法被设计出来，用于特定的场景，还有一些是属于大众化的算法，比较普通。本书尝试全面总览关于语境和情境感知（context and situational awareness）的异态检测，以对语境信息如何影响异态检测有个更好的理解。我们已经把拥有大量实用知识点的工业与学术中的有关标量分成了不同种类。在每一章中，先给出高级异态检测及其关键的预设效果，每次给定某一模型用于特定场景，前面的预设可作为此模型在此场景中的效能评估标准。在每一章中，我们提供了深度的内容理解和异态检测算法，进而展示此推荐算法与基础技术的不同之处。对于每一章，都会讨论此章的算法的优缺点。最后一章也很重要，讨论了模型和图形计算框架的计算复杂性，诸如Google Tensorflow和H2O，它们都是实际运用场景中的常客。我们希望，此书，可以供读者更好地理解那些在深层语义分析领域及情境评量中指出的有关深度学习的方法，如何被用于异态检测领域，可以让读者了解，在某一领域发展出的方法，是如何能被运用到其它的领域中去的。
此书旨在为计算机领域从业人员以及科研人员提供最前沿的，最专业的，基于认知与人工智能模型的，用于深度语义分析和高级异态检测的云框架技术。本书剩余部分的结构编排如下所述。
……
第二章：为新闻事件中的异态检测施加可选偏好项(？Leveraging Selectional Preferences for Anomaly Detection in Newswire Events)
……
第三章：人群中的非正常事件识别
……
第四章：认知型判断：基于深度网络的自适应异态检测
……
第五章：基于语言文字的视觉辨识
……
第六章：基于深度学习的字体辨识与检索
……
第七章：一个可靠的分布式的机器学习及语义分析云框架
……
第八章：实践并了解运用H2O和R语言实现自编码型的异态检测
……