Python計算機視覺和自然語言處理 開發(fā)機器人應用系統(tǒng)

第 1章 機器人學基礎 1
1．1　簡介　1
1．2　機器人學的歷史　2
1．3　人工智能　3
1．3．1　自然語言處理簡介　4
1．3．2　計算機視覺簡介　5
1．3．3　機器人的類型　5
1．3．4　機器人的硬件和軟件　6
1．4　機器人定位　8
1．4．1　練習1：計算機器人的位置　10
1．4．2　如何進行機器人開發(fā)　12
1．4．3　練習2：使用Python計算輪子走過的距離　12
1．4．4　練習3：使用Python計算機器人的最終位置　13
1．4．5　項目1：使用Python和測距法進行機器人定位　15
1．5　小結(jié)　16
第 2章　計算機視覺　17
2．1　簡介　17
2．2　計算機視覺基本算法　18
2．2．1　圖像相關術(shù)語　18
2．2．2　OpenCV　19
2．2．3　閾值化　19
2．2．4　練習4：對圖像應用各種閾值化操作　21
2．2．5　形態(tài)學變換　25
2．2．6　練習5：對圖像應用形態(tài)學變換　27
2．2．7　模糊（平滑）　31
2．2．8　練習6：對圖像應用模糊方法　32
2．2．9　練習7：加載圖像并應用所學的各種方法　34
2．3　機器學習簡介　38
2．3．1　決策樹和提升方法　38
2．3．2　練習8：使用決策樹、隨機森林和AdaBoost進行數(shù)字
預測　41
2．3．3　人工神經(jīng)網(wǎng)絡　47
2．3．4　練習9：構(gòu)建第 一個神經(jīng)網(wǎng)絡　51
2．3．5　項目2：對Fashion-MNIST數(shù)據(jù)集中的10種衣物進行分類　54
2．4　小結(jié)　56
第3章　自然語言處理　57
3．1　簡介　57
3．1．1　自然語言處理　58
3．1．2　自然語言處理的兩個部分　59
3．1．3　NLP的各層次　60
3．2　Python中的NLP　61
3．2．1　自然語言工具包（NLTK）　61
3．2．2　練習10：NLTK入門　62
3．2．3　spaCy　65
3．2．4　練習11：spaCy入門　67
3．3　主題建模　70
3．3．1　詞頻-逆文檔頻率（TF-IDF）　70
3．3．2　潛在語義分析（LSA）　71
3．3．3　練習12：使用Python進行主題建?！?2
3．3．4　項目3：處理一個語料庫　75
3．4　語言建?！?6
3．4．1　語言模型簡介　76
3．4．2　二元模型　77
3．4．3　N元模型　77
3．4．4　計算概率　78
3．4．5　練習13：創(chuàng)建一個二元模型　80
3．5　小結(jié)　83
第4章　NLP神經(jīng)網(wǎng)絡　84
4．1　簡介　84
4．2　循環(huán)神經(jīng)網(wǎng)絡　86
4．2．1　循環(huán)神經(jīng)網(wǎng)絡（RNN）簡介　87
4．2．2　循環(huán)神經(jīng)網(wǎng)絡原理　87
4．2．3　RNN架構(gòu)　89
4．2．4　長距離依賴問題　89
4．2．5　練習14：使用RNN預測房價　90
4．2．6　長短期記憶網(wǎng)絡　93
4．2．7　練習15：預測數(shù)學函數(shù)的下一個解　94
4．3　神經(jīng)語言模型　100
4．3．1　神經(jīng)語言模型簡介　100
4．3．2　RNN語言模型　102
4．3．3　練習16：對一個小語料庫進行編碼　103
4．3．4　RNN的輸入維度　107
4．3．5　項目4：預測字符序列中的下一個字符　109
4．4　小結(jié)　111
第5章　計算機視覺中的卷積神經(jīng)網(wǎng)絡　112
5．1　簡介　112
5．2　CNN基礎　113
5．3　構(gòu)建第 一個CNN　118
練習17：構(gòu)建一個CNN　119
5．4　改進模型的方法：數(shù)據(jù)增強　124
5．4．1　練習18：利用數(shù)據(jù)增強改進模型　125
5．4．2　項目5：使用數(shù)據(jù)增強來正確對花朵圖像進行分類　134
5．5　最先進的模型：遷移學習　137
練習19：基于遷移學習對鈔票進行分類　139
5．6　小結(jié)　144
第6章　機器人操作系統(tǒng)（ROS）　146
6．1　簡介　146
6．2　ROS基本概念　147
6．3　ROS基本命令　148
6．4　安裝和配置　149
6．5　Catkin工作空間和軟件包　149
6．6　發(fā)布者和訂閱者　150
6．6．1　練習20：編寫簡單的發(fā)布者和訂閱者　151
6．6．2　練習21：編寫較復雜的發(fā)布者和訂閱者　154
6．7　模擬器　159
6．7．1　練習22：Turtlebot配置　159
6．7．2　練習23：模擬器和傳感器　161
6．7．3　項目6：模擬器和傳感器　163
6．8　小結(jié)　164
第7章　構(gòu)建基于文本的對話系統(tǒng)（聊天機器人）　165
7．1　簡介　165
7．2　向量空間中的詞表示　166
7．2．1　詞嵌入　166
7．2．2　余弦相似度　167
7．2．3　Word2Vec　168
7．2．4　Word2Vec的問題　169
7．2．5　Gensim　169
7．2．6　練習24：創(chuàng)建詞嵌入　169
7．2．7　全局向量（GloVe）　173
7．2．8　練習25：使用預訓練的GloVe模型觀察詞語在平面上的分布　174
7．3　對話系統(tǒng)　179
7．3．1　聊天機器人的開發(fā)工具　180
7．3．2　對話代理的類型　180
7．3．3　創(chuàng)建基于文本的對話系統(tǒng)　182
7．3．4　練習26：創(chuàng)建第 一個對話代理　184
7．3．5　項目7：創(chuàng)建一個用來控制機器人的對話代理　189
7．4　小結(jié)　191
第8章　利用基于CNN的物體識別來指導機器人　193
8．1　簡介　193
8．2　多物體識別和檢測　194
8．2．1　練習27：構(gòu)建第 一個多物體檢測和識別系統(tǒng)　195
8．2．2　ImageAI　200
8．3　視頻中的多物體識別和檢測　202
項目8：視頻中的多物體檢測和識別　206
8．4　小結(jié)　206
第9章　機器人的計算機視覺　208
9．1　簡介　208
9．2　Darknet　209
Darknet基礎安裝　209
9．3　YOLO　210
9．3．1　使用YOLO進行預測　211
9．3．2　在攝像頭上使用YOLO　215
9．3．3　練習28：YOLO編程　215
9．3．4　練習29：在ROS中集成YOLO　219
9．3．5　項目9：機器人保安　223
9．4　小結(jié)　224
附錄　本書項目概覽　225