昇腾AI应用开发

第 1章 人工智能概述 1
1．1　鲲鹏&昇腾生态概述　2
1．1．1　鲲鹏生态概述　2
1．1．2　芯片产业概述　3
1．1．3　昇腾系列芯片概述　4
1．2　人工智能概述　7
1．2．1　人工智能技术的发展　7
1．2．2　人工智能技术的主要领域　9
1．2．3　人工智能技术的价值　11
1．2．4　人工智能平台Atlas　13
1．3　百花齐放的AI时代　14
1．4　本章小结　16
第　2章 机器学习　17
2．1　机器学习概述　18
2．1．1　机器学习介绍　18
2．1．2　机器学习主要流派　18
2．1．3　机器学习、数据挖掘、人工智能的区别　21
2．2　机器学习分类　24
2．2．1　监督学习　24
2．2．2　非监督学习　24
2．2．3　半监督学习　25
2．2．4　强化学习　25
2．3　机器学习流程及重要方法　26
2．3．1　机器学习流程　26
2．3．2　常见的统计方法介绍　28
2．3．3　数据降维　31
2．3．4　特征工程　34
2．3．5　机器学习效果评测　35
2．3．6　可视化分析　38
2．4　机器学习常见算法　42
2．4．1　线性回归　42
2．4．2　多项式回归　50
2．4．3　逻辑回归　51
2．4．4　梯度下降算法　54
2．4．5　决策树　60
2．4．6　支持向量机　63
2．4．7　KNN　65
2．4．8　朴素贝叶斯　68
2．4．9　集成学习　72
2．4．10　聚类算法　77
2．5　本章小结　83
第3章　深度学习　85
3．1　深度学习概述　86
3．2　神经网络　87
3．2．1　前馈神经网络　87
3．2．2　反馈神经网络　89
3．2．3　神经网络相关概念　91
3．3　卷积神经网络　96
3．4　循环神经网络　100
3．5　LSTM　103
3．5．1　RNN中包含单个层重复模块　104
3．5．2　LSTM重复模块包含4个交互层　104
3．5．3　LSTM背后的核心理念　105
3．5．4　LSTM分步执行　105
3．6　神经网络优化　107
3．7　强化学习　113
3．7．1　奖励驱动行为思想　113
3．7．2　强化学习的基本框架　114
3．7．3　强化学习算法　114
3．8　本章小结　116
第4章　TensorFlow机器学习框架　117
4．1　TensorFlow 2．x安装　118
4．2　TensorFlow 1．x 与TensorFlow 2．x的差别　120
4．3　TensorFlow基础语法　121
4．3．1　TensorFlow基础概念　121
4．3．2　第 一个TensorFlow实例　139
4．3．3　TensorFlow2．0 Eager Execution模式　147
4．3．4　TensorFlow常用模块介绍　148
4．3．5　TensorFlow模型应用　155
4．4　TensorFlow实操案例　159
4．4．1　TensorFlow实现线性回归案例　159
4．4．2　TensorFlow实现k-means算法案例　161
4．4．3　TensorFlow mnist 数据集手写体识别案例　164
4．4．4　TensorFlow 实现简单神经网络　165
4．4．5　TensorFlow实现猫狗识别案例　166
4．4．6　TensorFlow实现RNN空气污染案例　169
4．5　本章小结　173
第5章　MindSpore开发框架　175
5．1　MindSpore概述　176
5．2　MindSpore基础应用　176
5．2．1　加载数据集　176
5．2．2　定义网络　179
5．2．3　保存模型　181
5．3　MindSpore案例　184
5．3．1　使用MindSpore实现深度神经网络　184
5．3．2　使用MindSpore实现LSTM的文本预测　188
5．4　本章小结　197
第6章　Atlas人工智能计算平台　199
6．1　AI芯片概述　200
6．2　昇腾芯片硬件架构　200
6．2．1　昇腾AI处理器总览　200
6．2．2　达芬奇架构　202
6．3　昇腾芯片软件架构　203
6．4　Atlas人工智能计算平台　206
6．4．1　基本介绍　206
6．4．2　Atlas产品代表　207
6．5　Atlas的行业应用　208
6．5．1　华为Atlas构建输电设备物联网　208
6．5．2　人工智能落地应用按下“加速键”　210
6．5．3　助力开发者　211
6．5．4　促进医疗行业　211
6．5．5　优化城市交通　211
6．5．6　推动AI行业发展　212
6．6　本章小结　212
第7章　ModelArts应用维护　213
7．1　ModelArts人工智能应用开发平台概述　214
7．2　数据准备　214
7．2．1　数据采集　215
7．2．2　数据接入　215
7．2．3　数据处理　216
7．2．4　数据标注　224
7．2．5　数据分析和优化　230
7．3　算法选择与开发　233
7．3．1　基础层算法选择　233
7．3．2　应用层算法选择　238
7．3．3　ModelArts预置算法选择　243
7．3．4　算法开发　244
7．3．5　ModelArts云上云下协同开发　250
7．4　模型训练　251
7．4．1　模型训练的基本过程　251
7．4．2　基于ModelArts的模型训练　256
7．4．3　端到端训练加速　261
7．4．4　自动搜索　274
7．5　模型评估与调优　279
7．5．1　模型评估　280
7．5．2　精度诊断优化　292
7．6　应用生成与发布　298
7．6．1　应用管理　298
7．6．2　应用部署和发布　306
7．7　应用维护　313
7．7．1　数据采集和筛选　315
7．7．2　应用迭代　318
7．7．3　基于ModelArts的应用维护　319
7．8　案例：智慧工地安全帽识别　324
7．9　本章小结　327
第8章　人工智能应用开发流程　333
8．1　人工智能应用开发流程解析　334
8．1．1　数据准备子流程　336
8．1．2　算法选择和开发子流程　337
8．1．3　模型训练子流程　338
8．1．4　模型评估和调优子流程　339
8．1．5　应用生成、评估和发布子流程　340
8．1．6　应用维护子流程　340
8．2　人工智能应用开发流程的权衡　341
8．2．1　复杂和简单的取舍　341
8．2．2　人与机器的平衡　342
8．2．3　开发和运行的融合　342
8．3　人工智能应用开发全流程的成本分析　343
8．3．1　设计和开发成本　343
8．3．2　部署和维护成本　344
8．3．3　边际成本　344
8．4　本章小结　345
第9章　人工智能应用开发场景实战　347
9．1　基于ModelArts JupyterLab在线调优钢筋检测　348
9．1．1　环境准备　348
9．1．2　下载代码和数据集　352
9．1．3　加载需要的Python模块　353
9．1．4　查看训练数据样例　354
9．1．5　显示原图和标注框　354
9．1．6　定义训练超参、模型、日志保存路径　357
9．1．7　构建模型，定义优化器及损失函数　358
9．1．8　定义自适应学习率函数　358
9．1．9　定义训练函数　358
9．1．10　开始训练模型　360
9．1．11　定义目标检测类　360
9．1．12　定义推理网络，并加载前面训练的loss*低的模型　361
9．1．13　测试图片，输出每条钢筋的位置和图片中钢筋总条数　362
9．2　电影推荐系统构建　364
9．3　基于RFM模型的航空公司客户价值分析案例　367
9．3．1　背景与挖掘目标　367
9．3．2　分析方法与过程　367
9．4　本章小结　383