幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

Python深度學習及智能車競賽實踐(智能汽車新能源汽車方向普通高等教育新工科汽車類系列教材)

  • 作者：編者:徐國艷//劉聰琳|責編:何士娟
  • 出版社：機械工業
  • ISBN：9787111752141
  • 出版日期：2024/03/01
  • 裝幀：平裝
  • 頁數：293
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書結合全國大學生智能汽車競賽百度智慧交通創意賽和完全模型組競速賽，循序漸進地對Python和深度學習的基本知識進行了全面、系統的介紹。全書共11章，分為Python基礎知識體系、Python文件處理與數據分析、深度學習基礎理論與實踐、智能車競賽任務與實踐四部分，詳細介紹了Python基礎知識、Python數據分析方法、機器學習概念、全連接神經網路和卷積神經網路模型的理論及產業級工程項目實踐等。通過學習本書，學生可以從零基礎開始，到能完成深度學習模型設計及部署驗證，完成智能汽車競賽中關於圖像處理和深度學習相關的任務。
    本書內容豐富、敘述清晰、循序漸進，採用新形態構建形式，配套有MOOC、教學案例、習題等。本書可作為智能車輛、智慧交通、電腦、自動控制等專業的人工智慧入門教材，也可作為全國大學生智能汽車競賽的參考書。
作者介紹
編者:徐國艷//劉聰琳|責編:何士娟
目錄
前言
二維碼清單
第1部分  Python基礎知識體系
  第1章  緒論
    1.1  人工智慧的發展及基本概念
      1.1.1  人工智慧的起源與發展
      1.1.2  中國人工智慧技術的發展
      1.1.3  人工智慧的基本概念
    1.2  智能汽車及全國大學生智能汽車競賽
      1.2.1  智能汽車技術概述
      1.2.2  全國大學生智能汽車競賽簡介
    1.3  程序設計語言及Python語言簡介
      1.3.1  低級語言和高級語言
      1.3.2  結構化語言和面向對象語言
      1.3.3  Python語言特點
      1.3.4  Python開發環境及小實例
    習題
  第2章  Python基本語法元素及數據類型
    2.1  程序的基本設計方法
      2.1.1  IPO程序設計方法
      2.1.2  實例：ReLU激活函數
      2.1.3  實例：智能車差速轉向
    2.2  Python基本語法元素
      2.2.1  註釋（comment）
      2.2.2  縮進（indent）
      2.2.3  標識符（identifier）
      2.2.4  賦值語句
      2.2.5  input（）函數
      2.2.6  print（）函數
      2.2.7  eval（）函數
      2.2.8  分支語句
      2.2.9  功能庫引用
    2.3  Python基本數據類型
      2.3.1  數字類型概述
      2.3.2  數字類型的操作
      2.3.3  字元串類型概述
      2.3.4  字元串類型的操作
      2.3.5  字元串類型的格式化
    2.4  math庫
      2.4.1  math庫概述
      2.4.2  math庫常用函數
      2.4.3  實例：使用math庫計算組合數和排列數
    2.5  time庫
      2.5.1  time庫概述
      2.5.2  time庫常用函數
      2.5.3  實例：使用time庫計算代碼執行時間
    習題
  第3章  程序控制結構
    3.1  程序流程圖與基本結構
    3.2  程序的分支結構

      3.2.1  單分支結構：if語句
      3.2.2  二分支結構：if-else語句
      3.2.3  多分支結構：if-elif-else語句
      3.2.4  實例：簡單計算器
    3.3  程序的循環結構
      3.3.1  遍歷循環：for循環
      3.3.2  條件循環：while循環
      3.3.3  循環保留字：break和continue
    3.4  程序異常處理
    3.5  random庫
      3.5.1  random庫概述
      3.5.2  random庫使用
    3.6  turtle庫
      3.6.1  turtle庫概述
      3.6.2  turtle庫使用
      3.6.3  實例：智能車競賽車道線繪製
    習題
  第4章  函數和類
    4.1  代碼復用和模塊化設計
    4.2  函數
      4.2.1  函數的定義和調用
      4.2.2  函數參數傳遞
      4.2.3  函數的返回值
      4.2.4  函數的遞歸
      4.2.5  局部變數和全局變數
      4.2.6  匿名函數：lambda函數
      4.2.7  實例：單層感知器函數設計
    4.3  面向對象和類
      4.3.1  面向對象編程基本概念
      4.3.2  類和對象
      4.3.3  基類和繼承
    4.4  實例：智能車自動巡航類創建
    4.5  實例：單層感知器類創建
    習題
  第5章  組合數據類型
    5.1  概述
    5.2  序列類型
      5.2.1  元組及其操作
      5.2.2  列表及其操作
      5.2.3  列表操作
    5.3  集合類型
      5.3.1  集合的創建
      5.3.2  集合的操作
    5.4  映射類型
      5.4.1  字典的創建和訪問
      5.4.2  字典的操作
      5.4.3  實例：使用字典實現英文詞頻統計
      5.4.4  實例：用類創建智能車自動巡航的字典
    5.5  jieba庫
      5.5.1  jieba庫概述

      5.5.2  jieba庫安裝與分詞方法
      5.5.3  實例：「智能汽車創新發展戰略」詞頻統計
    5.6  wordcloud庫
      5.6.1  wordcloud庫概述
      5.6.2  wordcloud庫安裝
      5.6.3  wordcloud對象創建及參數設置
      5.6.4  實例：黨的二十大報告詞雲生成
    習題
第2部分  Python文件處理與數據分析
  第6章  文件和數據格式化
    6.1  文件的使用
      6.1.1  文件的理解
      6.1.2  文件的打開和關閉
      6.1.3  文件的讀取
      6.1.4  文件的寫入
      6.1.5  實例：賽車道自動繪製
      6.1.6  os庫和zipfile庫
      6.1.7  實例：車輛圖片數據集處理
    6.2  數據的格式化和處理
      6.2.1  一維數據
      6.2.2  二維數據
      6.2.3  高維數據json庫使用
      6.2.4  實例：車輛圖片json文件處理
    6.3  PIL庫
      6.3.1  PIL庫簡介
      6.3.2  Image對象
      6.3.3  圖像格式轉換
      6.3.4  圖像縮放
      6.3.5  圖像分離與融合
      6.3.6  圖像幾何變換
      6.3.7  其他圖像處理類
    6.4  OpenCV庫
      6.4.1  OpenCV庫簡介
      6.4.2  OpenCV常用庫函數
      6.4.3  色彩空間轉換
    習題
  第7章  Python計算生態及機器學習概述
    7.1  計算思維的概念
    7.2  Python計算生態
      7.2.1  Python計算生態簡介
      7.2.2  常用庫簡介
    7.3  Python數據分析庫
      7.3.1  numpy庫
      7.3.2  pandas庫
      7.3.3  matplotlib庫
      7.3.4  實例：loss和acc曲線繪製
    7.4  機器學習方法概述
      7.4.1  機器學習簡介
      7.4.2  機器學習分類
    7.5  一元線性回歸理論及實踐

      7.5.1  一元線性回歸
      7.5.2  損失函數
      7.5.3  梯度下降法
      7.5.4  實例：智能車路徑擬合
    習題
第3部分  深度學習基礎理論與實踐
  第8章  深度學習基礎及車輛識別項目實踐
    8.1  神經網路簡介
      8.1.1  神經網路基本概念
      8.1.2  單層感知機
      8.1.3  多層感知機
    8.2  深度學習理論基礎
      8.2.1  信號前向傳播
      8.2.2  激活函數
      8.2.3  損失函數
      8.2.4  優化方法
      8.2.5  誤差反向傳播
      8.2.6  計算圖
    8.3  深度學習框架
      8.3.1  tensorflow
      8.3.2  pytorch
      8.3.3  PaddlePaddle
    8.4  實例：DNN車輛識別項目
    習題
  第9章  卷積神經網路及斑馬線識別項目實踐
    9.1  全連接神經網路的問題
    9.2  卷積神經網路理論基礎
      9.2.1  卷積神經網路基本結構
      9.2.2  卷積層
      9.2.3  池化層
    9.3  典型的卷積神經網路模型
      9.3.1  LeNet
      9.3.2  AlexNet
      9.3.3  VGGNet
      9.3.4  GoogleNet
      9.3.5  ResNet
    9.4  實例：CNN斑馬線檢測項目
    習題
第4部分  智能車競賽任務與實踐
  第10章  智能車自動巡航演算法設計及部署
    10.1  百度智慧交通創意賽介紹
    10.2  基於OpenCV圖像處理的智能車自動巡航
      10.2.1  車道線檢測的概念
      10.2.2  基於OpenCV實現車道線檢測
      10.2.3  基於OpenCV圖像處理實現智能車自動巡航
    10.3  基於CNN的智能車自動巡航模型設計及實驗驗證
      10.3.1  自動巡航數據採集及預處理
      10.3.2  數據增強
      10.3.3  自動巡航CNN模型設計
      10.3.4  代碼設計及模型訓練

      10.3.5  自動巡航CNN模型部署及實驗驗證
    10.4  基於PaddleSeg套件的智能車自動巡航模型設計及實驗驗證
      10.4.1  自動巡航數據採集與標注
      10.4.2  圖像分割模型BisenetV2介紹
      10.4.3  代碼設計及模型訓練
      10.4.4  自動巡航BisenetV2模型部署及實驗驗證
    習題
  第11章  智能車競賽目標檢測任務的CNN模型設計與部署
    11.1  目標檢測概述
      11.1.1  目標檢測基本概念
      11.1.2  目標檢測方法的技術進展
      11.1.3  常用數據格式與評估指標
    11.2  單階段目標檢測方法與神經網路輕量化
      11.2.1  SSD
      11.2.2  YOLO
      11.2.3  YOLOV2
      11.2.4  YOLOV3
      11.2.5  神經網路輕量化技術介紹
    11.3  智能車競賽目標檢測任務數據集構建
      11.3.1  數據採集
      11.3.2  數據標注
      11.3.3  劃分數據
    11.4  目標檢測網路模型構建與訓練
      11.4.1  PaddleDetection介紹
      11.4.2  環境配置
      11.4.3  數據集準備
      11.4.4  訓練參數配置
      11.4.5  開始訓練
      11.4.6  模型導出
    11.5  目標檢測模型部署
      11.5.1  模型轉換
      11.5.2  模型部署
    習題
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032