人工智能深度学习基础实践

第 1篇 人工智能产品研发 1
项目1 人工智能需求管理 2
项目描述 2
知识准备 2
1．1 需求的定义 2
1．2 需求管理的过程 3
1．2．1 需求获取 3
1．2．2 需求分析 4
1．2．3 需求表述 4
1．2．4 需求验证 5
1．3 需求文档的撰写 5
1．3．1 产品需求 5
1．3．2 产品目标 6
1．3．3 产品功能 6
项目实施 撰写商品检测项目需求文档 7
1．4 实施思路 7
1．5 实施步骤 7
知识拓展 9
课后实训 10
项目2 设计人工智能产品 11
项目描述 11
知识准备 11
2．1 人工智能产品的特性 11
2．2 人工智能产品设计流程 12
2．2．1 需求管理 12
2．2．2 功能设计 12
2．2．3 原型设计 14
2．2．4 研发实施 16
2．3 人工智能产品的发展趋势 16
2．3．1 当前人工智能产品设计的缺陷 16
2．3．2 人工智能产品设计的发展趋势 16
项目实施 商品检测项目设计 17
2．4 实施思路 17
2．5 实施步骤 17
知识拓展 20
课后实训 20
项目3 人工智能开发平台应用 22
项目描述 22
知识准备 22
3．1 人工智能开发平台简介 22
3．1．1 智能数据服务平台 23
3．1．2 深度学习模型定制平台 24
3．2 人工智能开发流程 27
3．2．1 需求分析 27
3．2．2 数据准备 27
3．2．3 模型训练 34
3．2．4 模型应用 34
项目实施 商品检测 35
3．3 实施思路 35
3．4 实施步骤 35
知识拓展 49
课后实训 50
第 2篇 深度学习数据应用 51
项目4 数据采集工程应用 52
项目描述 52
知识准备 52
4．1 常见数据集和数据服务市场 52
4．1．1 开源数据集 53
4．1．2 行业数据集 53
4．1．3 数据服务市场 54
4．2 PaddlePaddle 内置数据集 55
4．3 数据采集质量要求 56
4．3．1 数据质量控制原则 56
4．3．2 数据质量控制方式 56
4．3．3 数据质量评价方法 57
项目实施 加载PaddlePaddle内置数据集 57
4．4 实施思路 57
4．5 实施步骤 57
知识拓展 60
课后实训 61
项目5 数据处理工程应用 62
项目描述 62
知识准备 62
5．1 数据特征 62
5．2 特征工程 63
5．2．1 数据预处理 63
5．2．2 数据特征可视化 63
5．2．3 数据特征挖掘 64
项目实施 汽车油耗量数据挖掘 65
5．3 实施思路 65
5．4 实施步骤 65
知识拓展 72
课后实训 73
项目6 数据标注工程应用 74
项目描述 74
知识准备 74
6．1 数据标注工具与平台 74
6．1．1 图像数据标注工具 75
6．1．2 文本数据标注工具 75
6．1．3 音频数据标注工具 76
6．1．4 数据标注平台 76
6．2 数据标注常见任务 77
6．2．1 分类标注 77
6．2．2 标框标注 77
6．2．3 区域标注 78
6．2．4 描点标注 78
6．3 数据标注质量标准 79
项目实施 EasyData数据标注 79
6．4 实施思路 79
6．5 图像分类数据标注实施步骤 79
6．6 物体检测数据标注实施步骤 81
6．7 图像分割数据标注实施步骤 82
6．8 文本分类数据标注实施步骤 83
6．9 短文本相似度数据标注实施步骤 84
知识拓展 85
课后实训 86
第3篇 深度学习基础应用 87
项目7 机器学习模型训练 88
项目描述 88
知识准备 88
7．1 机器学习基础知识 88
7．2 机器学习的训练流程 89
7．2．1 数据操作 89
7．2．2 模型构建 90
7．2．3 机器学习任务实现 90
7．3 常用算法 90
7．3．1 线性回归 90
7．3．2 逻辑回归 91
7．3．3 决策树 91
7．3．4 随机森林 92
项目实施 通过机器学习模型预测汽车油耗量 92
7．4 实施思路 92
7．5 实施步骤 92
知识拓展 94
课后实训 94
项目8 深度学习框架应用开发 96
项目描述 96
知识准备 96
8．1 深度学习框架的作用 96
8．2 常用的深度学习框架 97
8．2．1 PaddlePaddle 97
8．2．2 TensorFlow 99
8．2．3 Keras 99
8．2．4 Caffe 99
8．2．5 PyTorch 100
项目实施 安装PaddlePaddle 100
8．3 实施思路 100
8．4 实施步骤 100
8．4．1 在Windows 系统下安装PaddlePaddle实施步骤 100
8．4．2 在Linux 系统下安装PaddlePaddle实施步骤 106
知识拓展 108
8．5 GPU 108
8．6 CUDA和CUDA工具包 109
课后实训 109
项目9 深度学习框架基础功能应用 110
项目描述 110
知识准备 110
9．1 模型设计 111
9．1．1 模型的输入 111
9．1．2 模型的输出 112
9．1．3 模型的架构 112
9．2 数据准备 113
9．3 训练设置 113
9．4 应用部署 113
9．5 模型评估 113
项目实施 预测电影受欢迎度 113
9．6 实施思路 113
9．7 实施步骤 114
知识拓展 119
课后实训 120
项目10 深度学习线性回归模型应用 121
项目描述 121
知识准备 121
10．1 损失函数 121
10．1．1 均方误差 122
10．1．2 交叉熵 122
10．2 优化器 122
10．2．1 梯度下降法 122
10．2．2 随机梯度下降法 123
10．2．3 小批量随机梯度下降法 123
10．3 自定义数据集 123
项目实施`通过深度学习模型预测汽车油耗量 125
10．4 实施思路 125
10．5 实施步骤 125
知识拓展 130
课后实训 131