电子书
内容简介
本书分为人工智能产品研发、深度学习数据应用、深度学习基础应用3篇共10个项目，内容包括：人工智能需求管理、设计人工智能产品、人工智能开发平台应用、数据采集工程应用、数据处理工程应用、数据标注工程应用等。
章节目录
- 第1篇人工智能产品研发
- 项目１ 人工智能需求管理
- 项目描述
- 知识准备
- 1.1 需求的定义
- 1.2 需求管理的过程
- 1.2.1 需求获取
- 1.2.2 需求分析
- 1.2.3 需求表述
- 1.2.4 需求验证
- 1.3 需求文档的撰写
- 1.3.1 产品需求
- 1.3.2 产品目标
- 1.3.3 产品功能
- 项目实施 撰写商品检测项目需求文档
- 1.4 实施思路
- 1.5 实施步骤
- 知识拓展
- 课后实训
- 项目２ 设计人工智能产品
- 项目描述
- 知识准备
- 2.1 人工智能产品的特性
- 2.2 人工智能产品设计流程
- 2.2.1 需求管理
- 2.2.2 功能设计
- 2.2.3 原型设计
- 2.2.4 研发实施
- 2.3 人工智能产品的发展趋势
- 2.3.1 当前人工智能产品设计的缺陷
- 2.3.2 人工智能产品设计的发展趋势
- 项目实施 商品检测项目设计
- 2.4 实施思路
- 2.5 实施步骤
- 知识拓展
- 课后实训
- 项目３ 人工智能开发平台应用
- 项目描述
- 知识准备
- 3.1 人工智能开发平台简介
- 3.1.1 智能数据服务平台
- 3.1.2 深度学习模型定制平台
- 3.2 人工智能开发流程
- 3.2.1 需求分析
- 3.2.2 数据准备
- 3.2.3 模型训练
- 3.2.4 模型应用
- 项目实施 商品检测
- 3.3 实施思路
- 3.4 实施步骤
- 知识拓展
- 课后实训
- 第2篇深度学习数据应用
- 项目４ 数据采集工程应用
- 项目描述
- 知识准备
- 4.1 常见数据集和数据服务市场
- 4.1.1 开源数据集
- 4.1.2 行业数据集
- 4.1.3 数据服务市场
- 4.2 PaddlePaddle 内置数据集
- 4.3 数据采集质量要求
- 4.3.1 数据质量控制原则
- 4.3.2 数据质量控制方式
- 4.3.3 数据质量评价方法
- 项目实施 加载PaddlePaddle 内置数据集
- 4.4 实施思路
- 4.5 实施步骤
- 知识拓展
- 课后实训
- 项目５ 数据处理工程应用
- 项目描述
- 知识准备
- 5.1 数据特征
- 5.2 特征工程
- 5.2.1 数据预处理
- 5.2.2 数据特征可视化
- 5.2.3 数据特征挖掘
- 项目实施 汽车油耗量数据挖掘
- 5.3 实施思路
- 5.4 实施步骤
- 知识拓展
- 课后实训
- 项目６ 数据标注工程应用
- 项目描述
- 知识准备
- 6.1 数据标注工具与平台
- 6.1.1 图像数据标注工具
- 6.1.2 文本数据标注工具
- 6.1.3 音频数据标注工具
- 6.1.4 数据标注平台
- 6.2 数据标注常见任务
- 6.2.1 分类标注
- 6.2.2 标框标注
- 6.2.3 区域标注
- 6.2.4 描点标注
- 6.3 数据标注质量标准
- 项目实施 EasyData 数据标注
- 6.4 实施思路
- 6.5 图像分类数据标注实施步骤
- 6.6 物体检测数据标注实施步骤
- 6.7 图像分割数据标注实施步骤
- 6.8 文本分类数据标注实施步骤
- 6.9 短文本相似度数据标注实施步骤
- 知识拓展
- 课后实训
- 第3篇深度学习基础应用
- 项目７机器学习模型训练
- 项目描述
- 知识准备
- 7.1 机器学习基础知识
- 7.2 机器学习的训练流程
- 7.2.1 数据操作
- 7.2.2 模型构建
- 7.2.3 机器学习任务实现
- 7.3 常用算法
- 7.3.1 线性回归
- 7.3.2 逻辑回归
- 7.3.3 决策树
- 7.3.4 随机森林
- 项目实施 通过机器学习模型预测汽车油耗量
- 7.4 实施思路
- 7.5 实施步骤
- 知识拓展
- 课后实训
- 项目８ 深度学习框架应用开发
- 项目描述
- 知识准备
- 8.1 深度学习框架的作用
- 8.2 常用的深度学习框架
- 8.2.1 PaddlePaddle
- 8.2.2 TensorFlow
- 8.2.3 Keras
- 8.2.4 Caffe
- 8.2.5 PyTorch
- 项目实施 安装PaddlePaddle
- 8.3 实施思路
- 8.4 实施步骤
- 8.4.1 在Windows 系统下安装PaddlePaddle 实施步骤
- 8.4.2 在Linux 系统下安装PaddlePaddle 实施步骤
- 知识拓展
- 8.5 GPU
- 8.6 CUDA 和CUDA 工具包
- 课后实训
- 项目９ 深度学习框架基础功能应用
- 项目描述
- 知识准备
- 9.1 模型设计
- 9.1.1 模型的输入
- 9.1.2 模型的输出
- 9.1.3 模型的架构
- 9.2 数据准备
- 9.3 训练设置
- 9.4 应用部署
- 9.5 模型评估
- 项目实施 预测电影受欢迎度
- 9.6 实施思路
- 9.7 实施步骤
- 知识拓展
- 课后实训
- 项目１０ 深度学习线性回归模型应用
- 项目描述
- 知识准备
- 10.1 损失函数
- 10.1.1 均方误差
- 10.1.2 交叉熵
- 10.2 优化器
- 10.2.1 梯度下降法
- 10.2.2 随机梯度下降法
- 10.2.3 小批量随机梯度下降法
- 10.3 自定义数据集
- 项目实施 通过深度学习模型预测汽车油耗量
- 10.4 实施思路
- 10.5 实施步骤
- 知识拓展
- 课后实训
展开全部
人工智能深度学习基础实践是2022年由人民邮电出版社出版,作者张健，常城主编。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《人工智能深度学习基础实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
