人工智能技術(shù)基礎(chǔ)及應(yīng)用

前言
第1章Python編程基礎(chǔ)
1.1Python簡介
1.2Python安裝與運行
1.3Python基礎(chǔ)編程
1.3.1標識符
1.3.2注釋
1.3.3行和縮進
1.3.4變量和數(shù)據(jù)類型
1.3.5基本計算
1.3.6數(shù)據(jù)結(jié)構(gòu)
1.3.7控制語句
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繼承機制
1.4.3類變量與方法的屬性
1.5Python常用庫介紹
1.5.1NumPy庫
1.5.2Matplotlib庫
1.6小結(jié)
參考文獻
第2章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
2.1感知機模型
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)學習原理
2.3.1數(shù)據(jù)集的準備
2.3.2損失函數(shù)
2.3.3小批量學習
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)學習實踐
2.4.1設(shè)計神經(jīng)網(wǎng)絡(luò)類
2.4.2小批量學習的實現(xiàn)
2.5神經(jīng)網(wǎng)絡(luò)學習技巧
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
2.6小結(jié)
參考文獻
第3章深度學習計算框架
3.1常用深度學習計算框架簡介
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動態(tài)計算圖
3.6神經(jīng)網(wǎng)絡(luò)層和模塊
3.7PyTorch神經(jīng)網(wǎng)絡(luò)學習實踐
3.8小結(jié)
參考文獻
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卷積運算
4.1.3卷積運算實例：邊緣檢測
4.1.4卷積層及其代碼實現(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
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的簡單實現(xiàn)
5.2長短期記憶網(wǎng)絡(luò)（LSTM）
5.2.1LSTM的基本原理
5.2.2LSTM的簡單實現(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
第6章目標檢測及其應(yīng)用
6.1目標檢測的基本概念
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評價指標
6.2常用的目標檢測算法
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實踐案例：行人檢測
6.3.1基于Faster R-CNN的行人檢測
6.3.2基于YOLO v5的行人檢測
6.3.3YOLO v5與Faster R-CNN算法對比
6.4小結(jié)
參考文獻
第7章語義分割及其應(yīng)用
7.1語義分割的基本概念
7.1.1語義分割任務(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評價指標
7.2語義分割網(wǎng)絡(luò)
7.2.1FCN
7.2.2U-Net架構(gòu)
7.2.3DeepLab系列
7.3實踐案例：城市街景分割
7.3.1實踐Pipeline
7.3.2算法對比分析
7.4小結(jié)
參考文獻