人工智能原理与应用教程

C.4 Jetson Nano的系统镜像烧写

C.3 Neo4j的安装

C.2 Git的安装

C.1 Docker的安装

附录C 软件环境配置

B.3.3 MatConvNet

B.3.2 Deep Learning Toolbox

B.3.1 Neural Network Toolbox

B.3 MATLAB工具箱的安装

B.2 PaddlePaddle的安装

B.1 PyTorch的安装

附录B 开发框架配置

A.3 Kaggle的使用

A.2 Jupyter Notebook的安装

A.1 PyCharm的安装

附录A 编程环境配置

附录

课后作业

参考文献

11.3.3 人工智能的法规

11.3.2 伦理的问题

11.3.1 人工智能事故

11.3 法规、社会与伦理

11.2.2 其他应用

11.2.1 完全自动驾驶

11.2 人工智能的未来应用

11.1.2 强大的人工智能芯片

11.1.1 机器学习的未来

11.1 机器智能的未来

第11章 人工智能的未来

课后作业

参考文献

10.5.5 自动化集装箱堆场仿真验证

10.5.4 基于深度强化学习的场桥调度方法

10.5.3 基于强化学习和超启发式算法的箱位分配方法

10.5.2 自动化集装箱堆场优化问题定义与分解

10.5.1 自动化集装箱堆场概念

10.5 物流调度——自动化集装箱码头堆场优化方法

10.4.4 农业推荐系统的排序算法设计

10.4.3 农业推荐系统的召回算法设计

10.4.2 农产品内容理解算法

10.4.1 特征工程设计

10.4 推荐系统——农业推荐系统设计

10.3.4 局部路径规划

10.3.3 全局路径规划

10.3.2 基于激光雷达的环境感知

10.3.1 系统方案设计

10.3 无人驾驶——无人驾驶车辆导航方法研究

10.2.5 基于深度RNN的模型预测

10.2.4 模型超参数与运行环境

10.2.3 网络模型结构设计

10.2.2 数据预处理与整形

10.2.1 维度分组与划分状态数据集

10.2 时序分析——大飞机试飞时间序列数据预测

10.1.6 模型测试

10.1.5 评价指标选取

10.1.4 模型训练

10.1.3 模型设计

10.1.2 数据预处理与标注

10.1.1 制作数据集

10.1 图像处理——基于深度学习的白粉病斑分割

第10章 人工智能系统应用案例

案例篇

课后作业

参考文献

9.3.4 知识存储

9.3.3 知识融合

9.3.2 知识抽取

9.3.1 Schema定义

9.3 应用——中文医疗知识图谱的构建

9.2.5 上层应用开发及系统评估

9.2.4 数据存储

9.2.3 知识图谱的设计

9.2.2 数据收集与预处理

9.2.1 需求分析

9.2 知识图谱的构建步骤

9.1.3 知识图谱的应用

9.1.2 知识图谱的发展历史

9.1.1 知识图谱的概念

9.1 知识图谱概述

第9章 知识图谱

课后作业

参考文献

8.3.3 应用——枢纽机场摆渡车动态调度方法

8.3.2 应用——多AGV多任务分配调度优化策略

8.3.1 粒子群算法的概念

8.3 粒子群算法

8.2.3 应用——YN4/5焊接工艺参数优化模型

8.2.2 应用——齿轮参数公差优化模型

8.2.1 遗传算法的概念

8.2 遗传算法

8.1.3 拉格朗日乘数法

8.1.2 组合优化问题

8.1.1 优化的概念

8.1 优化问题

第8章 仿生优化算法

课后作业

参考文献

7.4.3 应用——基于Transformer的锐削刀具磨损状态监测

7.4.2 Transformer的结构分析

7.4.1 Transformer的原理

7.4 Transformer

7.3.3 应用——基于LSTM的改进遗传算法求解柔性车间调度问题

7.3.2 LSTM的原理

7.3.1 LSTM概述

7.3 长短期记忆网络

7.2 循环神经网络

7.1 序列模型概述

第7章 序列模型分析

课后作业

参考文献

6.4.5 YOLO的预测

6.4.4 YOLO的损失函数

6.4.3 YOLO的网络结构

6.4.2 制作YOLO的数据集

6.4.1 YOLO的核心思想

6.4 目标检测算法——YOLO

6.3.4 经典卷积神经网络

6.3.3 卷积神经网络的结构

6.3.2 卷积运算

6.3.1 卷积神经网络的概念

6.3 卷积神经网络概述

6.2.7 特征分类

6.2.6 特征提取

6.2.5 边缘检测

6.2.4 空间滤波

6.2.3 直方图处理

6.2.2 灰度变换

6.2.1 图像类型

6.2 图像处理概述

6.1.2 机器视觉与计算机视觉

6.1.1 模式识别与图像识别

6.1 机器视觉概述

第6章 机器视觉与图像处理

模型与应用篇

课后作业

参考文献

5.3.4 Neo4j图数据库

5.3.3 Git分布式版本控制系统

5.3.2 Docker应用容器引擎

5.3.1 NVIDIA Jetson Nano开发套件

5.3 人工智能的部署方法

5.2.4 深度学习框架——TensorFlow

5.2.3 深度学习框架——PyTorch

5.2.2 在线编程工具——Jupyter

5.2.1 Python集成开发环境——PyCharm

5.2 人工智能应用的开发工具

5.1.3 人工智能系统的发展与展望

5.1.2 人工智能系统的应用案例

5.1.1 人工智能系统的组成

5.1 人工智能系统的架构

第5章 人工智能系统的架构、开发工具与部署方法

课后作业

参考文献

4.3.5 Adam算法

4.3.4 RMSProp算法

4.3.3 AdaGrad算法

4.3.2 动量梯度下降算法

4.3.1 梯度下降算法

4.3 加速网络训练的优化器

4.2.4 误差逆传播算法的一般计算过程

4.2.3 误差逆传播算法的计算示例

4.2.2 误差逆传播算法的公式推导

4.2.1 链式法则

4.2 误差逆传播算法

4.1.3 神经网络的原理

4.1.2 神经网络的演化过程

4.1.1 神经网络的概念

4.1 神经网络概述

第4章 神经网络模型与训练

课后作业

参考文献

3.3.3 数据降维

3.3.2 特征编码

3.3.1 数据清洗

3.3 数据与特征处理

3.2.5 图结构

3.2.4 树结构

3.2.3 队列

3.2.2 张量

3.2.1 数组

3.2 常见数据结构

3.1.2 特征工程的流程

3.1.1 什么是数据与特征

3.1 数据与特征概述

第3章 数据与特征

课后作业

参考文献

2.6.5 强化学习的应用案例

2.6.4 强化学习的方法

2.6.3 强化学习的分类

2.6.2 强化学习的基本模型

2.6.1 强化学习的概念

2.6 强化学习概述

2.5.3 深度学习在各领域的应用

2.5.2 深度学习的起源和发展

2.5.1 深度学习的概念

2.5 深度学习概述

2.4.4 模型评估和优化

2.4.3 模型选择和训练

2.4.2 数据收集和预处理

2.4.1 明确问题

2.4 机器学习项目的基本流程

2.3.3 按模型类型分类

2.3.2 按任务类型分类

2.3.1 按学习方式分类

2.3 机器学习的分类

2.2 机器学习的常用术语

2.1.3 机器学习的应用前景

2.1.2 机器学习的研究内容

2.1.1 机器学习的概念

2.1 机器学习概述

第2章 机器学习

课后作业

参考文献

1.5 人工智能的关键技术

1.4.2 人工智能的硬件

1.4.1 人工智能的软件

1.4 人工智能的软硬件设施

1.3.4 去中心化的信任机制——区块链

1.3.3 海量数据的处理分析——大数据

1.3.2 数字化的云端力量——云计算

1.3.1 万物互联的智慧网络——物联网

1.3 人工智能的生态设施

1.2.2 三大学派的比较

1.2.1 人工智能简史

1.2 人工智能的起源和发展

1.1.2 人工智能和智能

1.1.1 什么是智能

1.1 人工智能的概念

第1章 人工智能概述

原理篇

前言

内容提要

版权信息

封面

封面

版权信息

内容提要

前言

原理篇

第1章 人工智能概述

1.1 人工智能的概念

1.1.1 什么是智能

1.1.2 人工智能和智能

1.2 人工智能的起源和发展

1.2.1 人工智能简史

1.2.2 三大学派的比较

1.3 人工智能的生态设施

1.3.1 万物互联的智慧网络——物联网

1.3.2 数字化的云端力量——云计算

1.3.3 海量数据的处理分析——大数据

1.3.4 去中心化的信任机制——区块链

1.4 人工智能的软硬件设施

1.4.1 人工智能的软件

1.4.2 人工智能的硬件

1.5 人工智能的关键技术

参考文献

课后作业

第2章 机器学习

2.1 机器学习概述

2.1.1 机器学习的概念

2.1.2 机器学习的研究内容

2.1.3 机器学习的应用前景

2.2 机器学习的常用术语

2.3 机器学习的分类

2.3.1 按学习方式分类

2.3.2 按任务类型分类

2.3.3 按模型类型分类

2.4 机器学习项目的基本流程

2.4.1 明确问题

2.4.2 数据收集和预处理

2.4.3 模型选择和训练

2.4.4 模型评估和优化

2.5 深度学习概述

2.5.1 深度学习的概念

2.5.2 深度学习的起源和发展

2.5.3 深度学习在各领域的应用

2.6 强化学习概述

2.6.1 强化学习的概念

2.6.2 强化学习的基本模型

2.6.3 强化学习的分类

2.6.4 强化学习的方法

2.6.5 强化学习的应用案例

参考文献

课后作业

第3章 数据与特征

3.1 数据与特征概述

3.1.1 什么是数据与特征

3.1.2 特征工程的流程

3.2 常见数据结构

3.2.1 数组

3.2.2 张量

3.2.3 队列

3.2.4 树结构

3.2.5 图结构

3.3 数据与特征处理

3.3.1 数据清洗

3.3.2 特征编码

3.3.3 数据降维

参考文献

课后作业

第4章 神经网络模型与训练

4.1 神经网络概述

4.1.1 神经网络的概念

4.1.2 神经网络的演化过程

4.1.3 神经网络的原理

4.2 误差逆传播算法

4.2.1 链式法则

4.2.2 误差逆传播算法的公式推导

4.2.3 误差逆传播算法的计算示例

4.2.4 误差逆传播算法的一般计算过程

4.3 加速网络训练的优化器

4.3.1 梯度下降算法

4.3.2 动量梯度下降算法

4.3.3 AdaGrad算法

4.3.4 RMSProp算法

4.3.5 Adam算法

参考文献

课后作业

第5章 人工智能系统的架构、开发工具与部署方法

5.1 人工智能系统的架构

5.1.1 人工智能系统的组成

5.1.2 人工智能系统的应用案例

5.1.3 人工智能系统的发展与展望

5.2 人工智能应用的开发工具

5.2.1 Python集成开发环境——PyCharm

5.2.2 在线编程工具——Jupyter

5.2.3 深度学习框架——PyTorch

5.2.4 深度学习框架——TensorFlow

5.3 人工智能的部署方法

5.3.1 NVIDIA Jetson Nano开发套件

5.3.2 Docker应用容器引擎

5.3.3 Git分布式版本控制系统

5.3.4 Neo4j图数据库

参考文献

课后作业

模型与应用篇

第6章 机器视觉与图像处理

6.1 机器视觉概述

6.1.1 模式识别与图像识别

6.1.2 机器视觉与计算机视觉

6.2 图像处理概述

6.2.1 图像类型

6.2.2 灰度变换

6.2.3 直方图处理

6.2.4 空间滤波

6.2.5 边缘检测

6.2.6 特征提取

6.2.7 特征分类

6.3 卷积神经网络概述

6.3.1 卷积神经网络的概念

6.3.2 卷积运算

6.3.3 卷积神经网络的结构

6.3.4 经典卷积神经网络

6.4 目标检测算法——YOLO

6.4.1 YOLO的核心思想

6.4.2 制作YOLO的数据集

6.4.3 YOLO的网络结构

6.4.4 YOLO的损失函数

6.4.5 YOLO的预测

参考文献

课后作业

第7章 序列模型分析

7.1 序列模型概述

7.2 循环神经网络

7.3 长短期记忆网络

7.3.1 LSTM概述

7.3.2 LSTM的原理

7.3.3 应用——基于LSTM的改进遗传算法求解柔性车间调度问题

7.4 Transformer

7.4.1 Transformer的原理

7.4.2 Transformer的结构分析

7.4.3 应用——基于Transformer的锐削刀具磨损状态监测

参考文献

课后作业

第8章 仿生优化算法

8.1 优化问题

8.1.1 优化的概念

8.1.2 组合优化问题

8.1.3 拉格朗日乘数法

8.2 遗传算法

8.2.1 遗传算法的概念

8.2.2 应用——齿轮参数公差优化模型

8.2.3 应用——YN4/5焊接工艺参数优化模型

8.3 粒子群算法

8.3.1 粒子群算法的概念

8.3.2 应用——多AGV多任务分配调度优化策略

8.3.3 应用——枢纽机场摆渡车动态调度方法

参考文献

课后作业

第9章 知识图谱

9.1 知识图谱概述

9.1.1 知识图谱的概念

9.1.2 知识图谱的发展历史

9.1.3 知识图谱的应用

9.2 知识图谱的构建步骤

9.2.1 需求分析

9.2.2 数据收集与预处理

9.2.3 知识图谱的设计

9.2.4 数据存储

9.2.5 上层应用开发及系统评估

9.3 应用——中文医疗知识图谱的构建

9.3.1 Schema定义

9.3.2 知识抽取

9.3.3 知识融合

9.3.4 知识存储

参考文献

课后作业

案例篇

第10章 人工智能系统应用案例

10.1 图像处理——基于深度学习的白粉病斑分割

10.1.1 制作数据集

10.1.2 数据预处理与标注

10.1.3 模型设计

10.1.4 模型训练

10.1.5 评价指标选取

10.1.6 模型测试

10.2 时序分析——大飞机试飞时间序列数据预测

10.2.1 维度分组与划分状态数据集

10.2.2 数据预处理与整形

10.2.3 网络模型结构设计

10.2.4 模型超参数与运行环境

10.2.5 基于深度RNN的模型预测

10.3 无人驾驶——无人驾驶车辆导航方法研究

10.3.1 系统方案设计

10.3.2 基于激光雷达的环境感知

10.3.3 全局路径规划

10.3.4 局部路径规划

10.4 推荐系统——农业推荐系统设计

10.4.1 特征工程设计

10.4.2 农产品内容理解算法

10.4.3 农业推荐系统的召回算法设计

10.4.4 农业推荐系统的排序算法设计

10.5 物流调度——自动化集装箱码头堆场优化方法

10.5.1 自动化集装箱堆场概念

10.5.2 自动化集装箱堆场优化问题定义与分解

10.5.3 基于强化学习和超启发式算法的箱位分配方法

10.5.4 基于深度强化学习的场桥调度方法

10.5.5 自动化集装箱堆场仿真验证

参考文献

课后作业

第11章 人工智能的未来

11.1 机器智能的未来

11.1.1 机器学习的未来

11.1.2 强大的人工智能芯片

11.2 人工智能的未来应用

11.2.1 完全自动驾驶

11.2.2 其他应用

11.3 法规、社会与伦理

11.3.1 人工智能事故

11.3.2 伦理的问题

11.3.3 人工智能的法规

参考文献

课后作业

附录

附录A 编程环境配置

A.1 PyCharm的安装

A.2 Jupyter Notebook的安装

A.3 Kaggle的使用

附录B 开发框架配置

B.1 PyTorch的安装

B.2 PaddlePaddle的安装

B.3 MATLAB工具箱的安装

B.3.1 Neural Network Toolbox

B.3.2 Deep Learning Toolbox

B.3.3 MatConvNet

附录C 软件环境配置

C.1 Docker的安装

C.2 Git的安装

C.3 Neo4j的安装

C.4 Jetson Nano的系统镜像烧写