人工智能(AI)無疑在汽車技術中扮演著越來越重要的角色。事實上,汽車是為數不多的幾個領域之一,你可以在一個產品中發現許多人工智能創新。

《AI for Cars》提供了一個簡短的導覽,介紹了許多不同的人工智能景觀,包括機器人技術、圖像和語音處理、推薦係統和深度學習,所有這些都與汽車世界有關。從行人檢測到司機監控,再到推薦引擎,這本書討論了數千名有才華的工程師和研究人員迄今為止所取得的背景、研究和進展,以及他們在世界各地部署這種救生技術的計劃。

https://www.routledge.com/AI-for-Cars/Aulinas-Sjafrie/p/book/9780367565190#

"> 【幹貨書】人工智能自動駕駛,AI FOR CARS,129頁pdf - 專知VIP

人工智能(AI)無疑在汽車技術中扮演著越來越重要的角色。事實上,汽車是為數不多的幾個領域之一,你可以在一個產品中發現許多人工智能創新。

《AI for Cars》提供了一個簡短的導覽,介紹了許多不同的人工智能景觀,包括機器人技術、圖像和語音處理、推薦係統和深度學習,所有這些都與汽車世界有關。從行人檢測到司機監控,再到推薦引擎,這本書討論了數千名有才華的工程師和研究人員迄今為止所取得的背景、研究和進展,以及他們在世界各地部署這種救生技術的計劃。

https://www.routledge.com/AI-for-Cars/Aulinas-Sjafrie/p/book/9780367565190#

成為VIP會員查看完整內容
0
51
1

相關內容

人工智能(Artificial Intelligence, AI )是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用係統的一門新的技術科學。 人工智能是計算機科學的一個分支。

在過去的十年裏,人們對人工智能和機器學習的興趣有了相當大的增長。從最廣泛的意義上說,這些領域旨在“學習一些有用的東西”,了解生物體所處的環境。如何處理收集到的信息導致了算法的發展——如何處理高維數據和處理不確定性。在機器學習和相關領域的早期研究階段,類似的技術在相對孤立的研究社區中被發現。雖然不是所有的技術都有概率論的自然描述,但許多都有,它是圖模型的框架(圖和概率論的結合),使從統計物理、統計、機器學習和信息理論的想法的理解和轉移。在這種程度上,現在有理由期待機器學習研究人員熟悉統計建模技術的基礎知識。這本書集中在信息處理和機器學習的概率方麵。當然,沒有人說這種方法是正確的,也沒有人說這是唯一有用的方法。事實上,有人可能會反駁說,這是沒有必要的,因為“生物有機體不使用概率論”。無論情況是否如此,不可否認的是,圖模型和概率框架幫助機器學習領域出現了新算法和模型的爆炸式增長。我們還應該清楚,貝葉斯觀點並不是描述機器學習和信息處理的唯一方法。貝葉斯和概率技術在需要考慮不確定性的領域中發揮了自己的作用。

http://www0.cs.ucl.ac.uk/staff/d.barber/brml/

本書結構

本書第一部分的目的之一是鼓勵計算機科學專業的學生進入這一領域。許多現代學生麵臨的一個特別困難是有限的正規微積分和線性代數訓練,這意味著連續和高維分布的細節可能會讓他們離開。在以概率作為推理係統的一種形式開始時,我們希望向讀者展示他們可能更熟悉的邏輯推理和動態規劃的想法如何在概率環境中有自然的相似之處。特別是,計算機科學的學生熟悉的概念,算法為核心。然而,在機器學習中更常見的做法是將模型視為核心,而如何實現則是次要的。從這個角度來看,理解如何將一個數學模型轉換成一段計算機代碼是核心。

第二部分介紹了理解連續分布所需的統計背景,以及如何從概率框架來看待學習。第三部分討論機器學習的主題。當然,當一些讀者看到他們最喜歡的統計話題被列在機器學習下麵時,他們會感到驚訝。統計學和機器學習之間的一個不同觀點是,我們最終希望構建什麼樣的係統(能夠完成“人類/生物信息處理任務的機器),而不是某些技術。因此,我認為這本書的這一部分對機器學習者來說是有用的。第四部分討論了明確考慮時間的動態模型。特別是卡爾曼濾波器被視為圖模型的一種形式,這有助於強調模型是什麼,而不是像工程文獻中更傳統的那樣把它作為一個“過濾器”。第五部分簡要介紹了近似推理技術,包括隨機(蒙特卡羅)和確定性(變分)技術。

成為VIP會員查看完整內容
0
77
2

這本書的目的是介紹計算機科學家所需要的一些基本數學知識。讀者並不期望自己是數學家,我們希望下麵的內容對你有用。

成為VIP會員查看完整內容
0
102
1

機器學習已經成為近年來最流行的話題之一。我們今天看到的機器學習的應用隻是冰山一角。機器學習革命才剛剛開始。它正在成為所有現代電子設備不可分割的一部分。在自動化領域的應用,如汽車、安全和監視、增強現實、智能家居、零售自動化和醫療保健,還不多。機器人技術也正在崛起,主宰自動化世界。機器學習在機器人領域的未來應用仍未被普通讀者發現。因此,我們正在努力編寫這本關於機器學習在機器人技術上的未來應用的編輯書籍,其中幾個應用已經包含在單獨的章節中。這本書的內容是技術性的。它試圖覆蓋機器學習的所有可能的應用領域。這本書將提供未來的願景在未探索的領域的應用機器人使用機器學習。本書中提出的觀點得到了原始研究結果的支持。本章在這裏提供了所有必要的理論和數學計算的深入研究。對於外行人和開發人員來說,它將是完美的,因為它將結合高級材料和介紹性材料,形成一個論點,說明機器學習在未來可以實現什麼。它將詳細介紹未來的應用領域及其方法。因此,本書將極大地有利於學術界、研究人員和行業項目管理者開發他們的新項目,從而造福人類。

https://link.springer.com/book/10.1007/978-981-16-0598-7#about

成為VIP會員查看完整內容
0
38
2

圖像分類、目標檢測與跟蹤、姿態估計、人臉識別和情感估計在解決計算機視覺問題中都起著重要的作用。

本書將重點介紹這些和其他深度學習架構和技術,以幫助您創建使用Keras和TensorFlow庫的解決方案。您還將回顧多種神經網絡架構,包括LeNet、AlexNet、VGG、Inception、R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLO和SqueezeNet,並通過最佳實踐、技巧、捷徑和陷阱了解它們如何與Python代碼一起工作。所有代碼片段都將被分解並進行詳細討論,以便您可以在各自的環境中實現相同的原則。

使用深度學習的計算機視覺提供了一個全麵而簡潔的指南,將DL和CV結合在一起,實現自動化操作,減少人工幹預,提高能力,並降低成本。

你會:

  • 掌握深度學習的代碼和概念,將指導原則應用到您自己的項目中
  • 對各種體係結構進行分類和評估,以更好地理解您在各種用例中的選擇
  • 深入基本深度學習功能,找出它們是如何工作的。

不久前,計算機視覺還隻是科幻小說的專屬內容,但現在,即使不是在整個社會,也正迅速成為各行各業的普遍現象。人類視覺是人類感官中最珍貴的一種,在模仿人類視覺這一領域取得的進展令人驚歎。直到1957年,拉塞爾·基爾希才掃描出了世界上第一張照片——他兒子的黑白照片。到20世紀80年代末,西羅維奇和柯比的工作幫助人臉識別成為一種可行的生物識別技術。盡管存在隱私問題和法律挑戰,但Facebook在2010年將人臉識別技術納入其社交媒體平台時,使這項技術無處不在。

這本書試圖解釋計算機視覺問題的深度學習和神經網絡的概念。我們正在詳細研究卷積神經網絡,以及它們的各個組成部分和屬性。我們正在探索各種神經網絡架構,如LeNet, AlexNet, VGG, R-CNN, Fast R-CNN, Faster R-CNN, SSD, YOLO, ResNet, Inception, DeepFace,和FaceNet的細節。我們還在開發實用的解決方案,以解決二值圖像分類、多類圖像分類、目標檢測、人臉識別和視頻分析的用例。我們將使用Python和Keras作為解決方案。所有的代碼和數據集被檢入GitHub repo快速訪問。在最後一章中,我們將學習深度學習項目中的所有步驟——從定義業務問題到部署。我們還在處理在製定解決方案時麵臨的重大錯誤和問題。在這本書中,我們提供了訓練更好的算法的技巧和技巧,減少訓練時間,監測結果,並改進解決方案。我們也分享代表性的研究論文和數據集,你應該使用它們來獲得進一步的知識。

這本書把這個主題分成三部分。在第1章到第4章,本書描述了神經網絡的本質和揭秘他們如何學習。並指出了不同的架構及其曆史意義。實踐者在擁有所有所需資源的情況下,可以體驗到LeNet優雅的簡單性、AlexNet提高的效率以及流行的VGG Net。在第5至7章,從業人員運用簡單而強大的計算機視覺應用,如訓練算法來檢測物體和識別人臉。在進行視頻分析時,我們遇到了漸變消失和爆炸的困擾問題,以及如何在ResNet架構中使用跳過連接來克服它。最後,在第8章中,我們回顧了完整的模型開發過程,從正確定義的業務問題開始,係統地推進,直到模型在生產環境中部署和維護。

成為VIP會員查看完整內容
0
100
2

近年來,自然語言處理的研究方法取得了一些突破。這些突破來源於兩個新的建模框架以及在計算和詞彙資源的可用性的改進。在這個研討會小冊子中,我們將回顧這些框架,以一種可以被視為現代自然語言處理開端的方法論開始:詞嵌入。我們將進一步討論將嵌入式集成到端到端可訓練方法中,即卷積神經網絡和遞歸神經網絡。這本小冊子的第二章將討論基於注意力的模型的影響,因為它們是最近大多數最先進的架構的基礎。因此,我們也將在本章中花很大一部分時間討論遷移學習方法在現代自然語言處理中的應用。最後一章將會是一個關於自然語言生成的說明性用例,用於評估最先進的模型的訓練前資源和基準任務/數據集。

https://compstat-lmu.github.io/seminar_nlp_ss20/

在過去的幾十年裏,人工智能技術的重要性和應用不斷得到關注。在當今時代,它已經與構成人類塑造環境的大部分環境密不可分。因此,商業、研究和開發、信息服務、工程、社會服務和醫學等無數部門已經不可逆轉地受到人工智能能力的影響。人工智能有三個主要領域組成了這項技術:語音識別、計算機視覺和自然語言處理(見Yeung (2020))。在這本書中,我們將仔細研究自然語言處理(NLP)的現代方法。

這本小冊子詳細介紹了用於自然語言處理的現代方法,如深度學習和遷移學習。此外,本研究亦會研究可用於訓練自然語言處理任務的資源,並會展示一個將自然語言處理應用於自然語言生成的用例。

為了分析和理解人類語言,自然語言處理程序需要從單詞和句子中提取信息。由於神經網絡和其他機器學習算法需要數字輸入來進行訓練,因此應用了使用密集向量表示單詞的詞嵌入。這些通常是通過有多個隱藏層的神經網絡學習的,深度神經網絡。為了解決容易的任務,可以應用簡單的結構神經網絡。為了克服這些簡單結構的局限性,采用了遞歸和卷積神經網絡。因此,遞歸神經網絡用於學習不需要預先定義最佳固定維數的序列的模型,卷積神經網絡用於句子分類。第二章簡要介紹了NLP中的深度學習。第三章將介紹現代自然語言處理的基礎和應用。在第四章和第五章中,將解釋和討論遞歸神經網絡和卷積神經網絡及其在自然語言處理中的應用。

遷移學習是每個任務或領域的學習模型的替代選擇。在這裏,可以使用相關任務或領域的現有標記數據來訓練模型,並將其應用到感興趣的任務或領域。這種方法的優點是不需要在目標域中進行長時間的訓練,並且可以節省訓練模型的時間,同時仍然可以(在很大程度上)獲得更好的性能。遷移學習中使用的一個概念是注意力,它使解碼器能夠注意到整個輸入序列,或自注意,它允許一個Transformer 模型處理所有輸入單詞,並建模一個句子中所有單詞之間的關係,這使得快速建模一個句子中的長期依賴性成為可能。遷移學習的概念將在小冊子的第6章簡要介紹。第七章將通過ELMo、ULMFiT和GPT模型來描述遷移學習和LSTMs。第八章將詳細闡述注意力和自注意力的概念。第九章將遷移學習與自注意力相結合,介紹了BERT模型、GTP2模型和XLNet模型。

為NLP建模,需要資源。為了找到任務的最佳模型,可以使用基準測試。為了在基準實驗中比較不同的模型,需要諸如精確匹配、Fscore、困惑度或雙語評估替補學習或準確性等指標。小冊子的第十章簡要介紹了自然語言處理的資源及其使用方法。第11章將解釋不同的指標,深入了解基準數據集SQuAD、CoQa、GLUE和SuperGLUE、AQuA-Rat、SNLI和LAMBADA,以及可以找到資源的預訓練模型和數據庫,如“帶代碼的論文”和“大壞的NLP數據庫”。

在小冊子的最後一章中,介紹了生成性NLP處理自然語言生成,從而在人類語言中生成可理解的文本。因此,不同的算法將被描述,聊天機器人和圖像字幕將被展示,以說明應用的可能性。

本文對自然語言處理中各種方法的介紹是接下來討論的基礎。小冊子的各個章節將介紹現代的NLP方法,並提供了一個更詳細的討論,以及各種示例的潛力和限製。

成為VIP會員查看完整內容
0
168
1

這本書將理論計算機科學和機器學習連接起來,探索雙方可以相互促進什麼。它強調需要靈活、易於處理的模型,以便更好地捕捉機器學習的難點。理論計算機科學家將介紹機器學習的重要模型和該領域的主要問題。機器學習研究人員將以一種可訪問的格式介紹前沿研究,並熟悉現代算法工具包,包括矩的方法,張量分解和凸規劃鬆弛。最壞情況分析之外的處理是建立對實踐中使用的方法的嚴格理解,並促進發現令人興奮的、解決長期存在的重要問題的新方法。

https://www.cambridge.org/hk/academic/subjects/computer-science/pattern-recognition-and-machine-learning/algorithmic-aspects-machine-learning?format=PB

成為VIP會員查看完整內容
0
49
0

這本書的重點是麵向深度不確定性下關於決策的理論和實踐的相關工具和方法。它探討了在深度不確定性下支持戰略計劃設計的方法和工具,以及它們在現實世界中的測試,包括在實踐中使用它們的障礙和促成因素。這本書擴展了傳統的方法和工具,包括與手頭的問題相關的行為和網絡的分析。它還展示了如何利用應用過程中獲得的經驗教訓來改進設計過程中使用的方法和工具。這本書提供了識別和運用適當的方法和工具來設計計劃的指導,以及在現實世界中實施這些計劃的建議。對於決策者和實踐者,這本書包括現實的例子和實用的指導方針,應該幫助他們理解在深度不確定性下的決策是什麼,以及它可能如何幫助他們。

深度不確定性下的決策: 從理論到實踐分為四個部分。第一部分介紹了在深度不確定性下設計策略計劃的五種方法: 穩健決策、動態適應規劃、動態適應策略路徑、信息缺口決策理論和工程選項分析。每種方法都是根據其理論基礎、使用方法時要遵循的方法學步驟、最新的方法學見解和改進的挑戰來製定的。在第二部分中,將介紹每一種方法的應用。基於最近的案例研究,運用每種方法的實際意義被深入討論。第三部分基於對真實世界案例的理解,重點關注在真實世界的環境中使用這些方法和工具。第四部分包含結論和綜合可以為設計、應用和執行深度不確定性下的策略計劃而得出的教訓,以及對未來工作的建議。

成為VIP會員查看完整內容
0
46
1

計算機視覺是許多前沿創新的核心,包括自動駕駛汽車、無人機、增強現實、麵部識別等等。由於人工智能和深度學習(DL)的快速發展,每天都有驚人的新的計算機視覺應用程序被開發出來。這本《深度學習視覺係統》教你的概念和工具,建立智能,可擴展的計算機視覺係統,可以識別和反應的對象,在圖像,視頻,和現實生活。有了作者Mohamed Elgendy的專家指導和現實世界項目的說明,您將最終掌握最先進的深度學習技術,這樣您就可以構建、貢獻和領導令人興奮的計算機視覺領域!

對這項技術

通過使用深度神經網絡,人工智能係統根據它們對輸入數據的感知做出決策。基於深度學習的計算機視覺(CV)技術,增強和解釋視覺感知,使圖像識別、生成和分類等任務成為可能。CV的令人興奮的進步已經在包括機器人、自動化、農業、醫療保健和安全在內的廣泛行業中產生了解決方案。在許多情況下,CV被認為比人類視覺更準確,這是一個重要的區別,當你想到CV程序可以檢測皮膚癌或在醫學診斷掃描中發現異常時。無論我們談論的是自動駕駛汽車還是拯救生命的醫療項目,毫無疑問,計算機視覺的深度學習應用正在改變世界。

百度網盤:鏈接:https://pan.baidu.com/s/1nhgWcnW4Yf8f40DF3zGdHg提取碼: 9vzk

關於這本書深度學習視覺係統教你應用深度學習技術來解決真實世界的計算機視覺問題。DL和CV專家Mohamed Elgendy以其簡單易懂的風格向您介紹了視覺直覺的概念——機器如何學習理解它所看到的東西。然後你將探索不同簡曆應用中的DL算法。你將深入到簡曆解釋係統或管道的不同部分。使用Python、OpenCV、Keras、Tensorflow和Amazon的MxNet,您將發現解決CV問題的高級DL技術。

我們聚焦的應用包括圖像分類、分割、字幕描述、生成以及人臉識別和分析。您還將學習最重要的深度學習體係結構,包括人工神經網絡(ANNs)、卷積網絡(cns)和遞歸網絡(RNNs),您可以將這些知識應用到相關的深度學習學科,如自然語言處理和語音用戶界麵。來自Amazon、穀歌和Facebook的真實的、可擴展的項目把這一切都帶回家了。有了這本無價的書,你將獲得必要的技能,以建立驚人的端到端的CV項目,解決現實世界的問題。

裏麵有什麼

  • 計算機視覺概論
  • 深度學習和神經網絡
  • 轉移學習和先進的CNN架構
  • 圖像分類和字幕
  • 使用YOLO、SSD和R-CNN進行目標檢測
  • 風格轉移
  • AI倫理
  • 實際項目

目錄:

Part I. DEEP LEARNING FOUNDATION

  1. Introduction to Computer Vision
  2. Deep learning and neural networks
  3. Convolutional Neural Networks (CNNs)
  4. Improving deep neural networks and hyperparameters tuningart I. Image Classification and Object Detection
  5. Advanced CNN architectures
  6. Transfer learning
  7. Object detection with YOLO, SSD and R-CNNPART III. Generative Models
  8. Generative Adversarial Networks (GANs)
  9. DeepDream and Neural Style Transfer
  10. Visual Embeddings
成為VIP會員查看完整內容
0
117
1
小貼士
相關主題
相關VIP內容
專知會員服務
77+閱讀 · 2021年10月8日
專知會員服務
102+閱讀 · 2021年7月27日
專知會員服務
38+閱讀 · 2021年5月29日
專知會員服務
100+閱讀 · 2021年5月20日
專知會員服務
168+閱讀 · 2021年2月22日
專知會員服務
49+閱讀 · 2021年1月25日
專知會員服務
85+閱讀 · 2020年8月31日
相關論文
Thomas F Burns,Robert Tang
0+閱讀 · 1月17日
Hee Rhang Yoon,Robert Ghrist,Chad Giusti
0+閱讀 · 1月13日
Jaydip Sen,Sidra Mehtab,Rajdeep Sen,Abhishek Dutta,Pooja Kherwa,Saheel Ahmed,Pranay Berry,Sahil Khurana,Sonali Singh,David W. W Cadotte,David W. Anderson,Kalum J. Ost,Racheal S. Akinbo,Oladunni A. Daramola,Bongs Lainjo
5+閱讀 · 1月6日
Yifan Zhang,Bingyi Kang,Bryan Hooi,Shuicheng Yan,Jiashi Feng
4+閱讀 · 2021年10月9日
Leonard Hussenot,Marcin Andrychowicz,Damien Vincent,Robert Dadashi,Anton Raichuk,Lukasz Stafiniak,Sertan Girgin,Raphael Marinier,Nikola Momchev,Sabela Ramos,Manu Orsini,Olivier Bachem,Matthieu Geist,Olivier Pietquin
6+閱讀 · 2021年5月25日
Abhimanyu Dubey,Vignesh Ramanathan,Alex Pentland,Dhruv Mahajan
6+閱讀 · 2021年3月30日
Kamran Kowsari,Kiana Jafari Meimandi,Mojtaba Heidarysafa,Sanjana Mendu,Laura E. Barnes,Donald E. Brown
3+閱讀 · 2019年4月25日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
8+閱讀 · 2018年9月25日
Stock Chart Pattern recognition with Deep Learning
Marc Velay,Fabrice Daniel
4+閱讀 · 2018年8月1日
Top
微信掃碼谘詢專知VIP會員
Top