123,123

內(nèi)容簡(jiǎn)介

　　本書聚焦近期涌現(xiàn)的人工智能、機(jī)器人工程、智能醫(yī)學(xué)工程等新工科專業(yè)對(duì)于人才培養(yǎng)的實(shí)際需求，著力解決人工智能基礎(chǔ)知識(shí)交叉貫通不足、配套實(shí)驗(yàn)實(shí)踐支撐不強(qiáng)等問(wèn)題。書中主要內(nèi)容包括Python編程基礎(chǔ)、神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、深度學(xué)習(xí)計(jì)算框架、卷積神經(jīng)網(wǎng)絡(luò)、序列到序列網(wǎng)絡(luò)、目標(biāo)檢測(cè)及其應(yīng)用、語(yǔ)義分割及其應(yīng)用等。本書結(jié)合高等院校人工智能相關(guān)專業(yè)的知識(shí)體系，將基礎(chǔ)知識(shí)和編程實(shí)踐相結(jié)合，通過(guò)代碼實(shí)例分析，使得基礎(chǔ)知識(shí)變得直觀易懂；通過(guò)基礎(chǔ)Python編程和PyTorch框架編程的結(jié)合進(jìn)行實(shí)踐，適應(yīng)互聯(lián)網(wǎng)時(shí)代共享代碼的社區(qū)生態(tài)需求；通過(guò)綜合實(shí)踐例程，使讀者經(jīng)歷知識(shí)學(xué)習(xí)、數(shù)據(jù)準(zhǔn)備、代碼編寫、參數(shù)調(diào)試、結(jié)果分析等過(guò)程，在掌握相關(guān)技術(shù)的同時(shí)提高學(xué)習(xí)興趣。本書可滿足高等院校人工智能相關(guān)專業(yè)的學(xué)生學(xué)習(xí)基礎(chǔ)知識(shí)及實(shí)踐創(chuàng)新的需求，也可為電子、信息等相關(guān)領(lǐng)域的從業(yè)者轉(zhuǎn)型人工智能領(lǐng)域提供入門學(xué)習(xí)資料。

作者簡(jiǎn)介

　　張偉，教授，山東大學(xué)，畢業(yè)于香港中文大學(xué)，現(xiàn)從事人工智能、機(jī)器人方面的研究與教學(xué)工作。先后主持/參與部省校本科教改項(xiàng)目10項(xiàng)；撰寫“新工科人工智能相關(guān)專業(yè)程序設(shè)計(jì)課程體系設(shè)置探討”教研論文并發(fā)表在清華大學(xué)主辦的教研期刊《計(jì)算機(jī)教育》；擔(dān)任學(xué)院教學(xué)指導(dǎo)委員會(huì)委員，中國(guó)自動(dòng)化學(xué)會(huì)智慧教育專委會(huì)首屆委員；獲山東省自動(dòng)化學(xué)會(huì)教學(xué)成果特等獎(jiǎng)、山東大學(xué)教學(xué)成果二等獎(jiǎng)等榮譽(yù)獎(jiǎng)勵(lì)。

圖書目錄

前言
第1章Python編程基礎(chǔ)
1.1Python簡(jiǎn)介
1.2Python安裝與運(yùn)行
1.3Python基礎(chǔ)編程
1.3.1標(biāo)識(shí)符
1.3.2注釋
1.3.3行和縮進(jìn)
1.3.4變量和數(shù)據(jù)類型
1.3.5基本計(jì)算
1.3.6數(shù)據(jù)結(jié)構(gòu)
1.3.7控制語(yǔ)句
1.3.8函數(shù)
1.3.9模塊
1.4Python面向?qū)ο缶幊?
1.4.1類
1.4.2繼承機(jī)制
1.4.3類變量與方法的屬性
1.5Python常用庫(kù)介紹
1.5.1NumPy庫(kù)
1.5.2Matplotlib庫(kù)
1.6小結(jié)
參考文獻(xiàn)
第2章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
2.1感知機(jī)模型
2.2神經(jīng)網(wǎng)絡(luò)模型
2.2.1神經(jīng)網(wǎng)絡(luò)的架構(gòu)
2.2.2激活函數(shù)
2.3神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)原理
2.3.1數(shù)據(jù)集的準(zhǔn)備
2.3.2損失函數(shù)
2.3.3小批量學(xué)習(xí)
2.3.4梯度下降法
2.3.5誤差反向傳播算法
2.4神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)實(shí)踐
2.4.1設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)類
2.4.2小批量學(xué)習(xí)的實(shí)現(xiàn)
2.5神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技巧
2.5.1優(yōu)化方法的選擇
2.5.2權(quán)重初始值的設(shè)定
2.5.3批量歸一化
2.5.4正則化方法
2.5.5數(shù)據(jù)增強(qiáng)
2.6小結(jié)
參考文獻(xiàn)
第3章深度學(xué)習(xí)計(jì)算框架
3.1常用深度學(xué)習(xí)計(jì)算框架簡(jiǎn)介
3.2GPU加速配置
3.3PyTorch安裝
3.4張量
3.4.1張量的概念
3.4.2張量的基本操作
3.5動(dòng)態(tài)計(jì)算圖
3.6神經(jīng)網(wǎng)絡(luò)層和模塊
3.7PyTorch神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)實(shí)踐
3.8小結(jié)
參考文獻(xiàn)
第4章卷積神經(jīng)網(wǎng)絡(luò)
4.1卷積神經(jīng)網(wǎng)絡(luò)的基本原理
4.1.1卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)
4.1.2卷積運(yùn)算
4.1.3卷積運(yùn)算實(shí)例：邊緣檢測(cè)
4.1.4卷積層及其代碼實(shí)現(xiàn)
4.1.5填充
4.1.6步幅
4.1.7池化
4.2經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型
4.2.1數(shù)據(jù)集的準(zhǔn)備
4.2.2Pipeline
4.2.3LeNet
4.2.4AlexNet
4.2.5VGG
4.2.6GoogLeNet
4.2.7ResNet
4.3小結(jié)
參考文獻(xiàn)
第5章序列到序列網(wǎng)絡(luò)
5.1循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
5.1.1RNN的基本原理
5.1.2RNN的簡(jiǎn)單實(shí)現(xiàn)
5.2長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）
5.2.1LSTM的基本原理
5.2.2LSTM的簡(jiǎn)單實(shí)現(xiàn)
5.3Transformer網(wǎng)絡(luò)
5.3.1自注意力層
5.3.2Transformer網(wǎng)絡(luò)結(jié)構(gòu)
5.3.3Vision Transformer(ViT)網(wǎng)絡(luò)
5.4小結(jié)
參考文獻(xiàn)
第6章目標(biāo)檢測(cè)及其應(yīng)用
6.1目標(biāo)檢測(cè)的基本概念
6.1.1邊界框
6.1.2錨框
6.1.3交并比
6.1.4NMS操作
6.1.5評(píng)價(jià)指標(biāo)
6.2常用的目標(biāo)檢測(cè)算法
6.2.1區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）系列
6.2.2YOLO系列
6.3實(shí)踐案例：行人檢測(cè)
6.3.1基于Faster R-CNN的行人檢測(cè)
6.3.2基于YOLO v5的行人檢測(cè)
6.3.3YOLO v5與Faster R-CNN算法對(duì)比
6.4小結(jié)
參考文獻(xiàn)
第7章語(yǔ)義分割及其應(yīng)用
7.1語(yǔ)義分割的基本概念
7.1.1語(yǔ)義分割任務(wù)描述
7.1.2上采樣
7.1.3膨脹卷積
7.1.4定義損失函數(shù)
7.1.5評(píng)價(jià)指標(biāo)
7.2語(yǔ)義分割網(wǎng)絡(luò)
7.2.1FCN
7.2.2U-Net架構(gòu)
7.2.3DeepLab系列
7.3實(shí)踐案例：城市街景分割
7.3.1實(shí)踐Pipeline
7.3.2算法對(duì)比分析
7.4小結(jié)
參考文獻(xiàn)