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
1
55
0

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。

機器學習(ML)是一種係統從大規模數據中自動獲取、整合、開發知識,然後通過發現新信息自主擴展所獲得知識的能力,而無需專門編程。簡而言之,ML算法可以在以下方麵找到應用: (1)對生成研究數據的網絡事件有更深入的了解,(2)以模型的形式捕獲對事件的低估,(3)基於構建的模型預測事件將產生的未來價值,(4)主動檢測現象的任何異常行為,以便提前采取適當的糾正措施。ML是一個不斷發展的領域,隨著最近的技術創新,特別是隨著更智能算法的發展以及硬件和存儲係統的進步,它已經能夠更高效、更精確地執行大量任務,這在幾十年前甚至是無法想象的。在過去的幾年中,深度學習(deep learning, DL)也在不斷發展,它是機器學習的一個專門子集,涉及更複雜的架構、算法和模型,用於解決複雜問題和預測複雜事件的未來結果。

//www.webtourguide.com/paper/a2722f2cd41de99beda43da11ddddf66

近年來,機器學習算法係統發展迅速,特別是在強化學習、自然語言處理、計算機和機器人視覺、圖像處理、語音、情感處理和理解等方麵。目前,機器學習在一些業務領域已經出現或正在發展,如醫藥和醫療保健、金融和投資、銷售和市場營銷、運營和供應鏈、人力資源、媒體和娛樂等。

近年來,工業上應用的ML係統呈現出一些突出的發展趨勢。這些趨勢將利用ML和人工智能(AI)係統的力量,進一步在商業和社會中獲取利益。其中一些趨勢如下:(1)更少的代碼量和更快的ML係統實現;(2)越來越多地使用適合在資源受限的物聯網設備上工作的輕量級係統;(3) ML模型構建代碼的自動生成;(4)為ML係統開發的魯棒管理設計新的流程,以提高可靠性和效率;(5)深度學習解決方案在各個領域和應用產品中得到更廣泛的應用;6)增加使用基於生成對抗式網絡(GAN)的各種圖像處理應用,包括圖像搜索、圖像增強等;7)更加突出非監督學習係統,不需要或更少的人為幹預;(8)使用強化學習係統;最後,(9)基於零樣本的學習係統的進化。

隨著ML模型、算法及其應用的重要性和相關性的增加,以及基於DL和人工智能係統的更多創新應用的出現,本卷介紹了一些創新的研究工作及其在現實世界中的應用,如股票交易、醫療和醫療保健係統、和軟件自動化如何設計、優化ML和DL算法和模型,並將其應用於真實世界場景中的業務和其他流程,以實現更高的精度和效率。本書介紹了6個章節,重點介紹了機器學習、深度學習和人工智能的不同架構、模型、算法和應用。本書各章節討論的主題說明了在真實世界的應用中涉及到的設計、訓練、驗證、測試和部署機器學習和深度學習模型的複雜性。

成為VIP會員查看完整內容
3
33
0

本文檔包含了物理模擬環境中與深度學習相關的所有內容的實用和全麵的介紹。盡可能多地,所有主題都以Jupyter形式提供了實際操作的代碼示例,以便快速入門。除了標準的監督學習數據,我們將著眼於物理損失約束,更緊密耦合的學習算法與可微分模擬,以及強化學習和不確定性建模。我們生活在一個激動人心的時代: 這些方法有巨大的潛力從根本上改變計算機模擬所能達到的效果。

在本文中,我們將介紹將物理模型引入深度學習的不同方法,即基於物理的深度學習(PBDL)方法。為了增加集成的緊密性,將引入這些算法變體,並將討論不同方法的優缺點。重要的是要知道每種不同的技術在哪些場景中特別有用。

成為VIP會員查看完整內容
2
92
0

在我們第7版的年度人工智能狀況報告中,我們繼續探討了大大小小的公司在成功部署人工智能方麵所采用的戰略。我們調查了商業領袖和技術從業者(我們稱之為技術專家),以了解他們在實施人工智能時的優先事項、他們的成功以及他們的瓶頸。總的來說,他們的回答讓我們勾勒出了一幅圖景,即人工智能行業是如何在一個比以往任何時候都更虛擬、更科技、更全球化的世界中繼續發展的。

《2021年人工智能狀況報告》是一項跨行業的努力,旨在通過高級決策者的調研提供人工智能空間的視角。該報告向當前的人工智能實踐者提供了其他組織如何看待人工智能的想法——包括哪些因素推動了成功,哪些因素仍然是重大障礙。了解什麼是優先級和如何解決共同的挑戰可以幫助加速人工智能交付給任何正在努力啟動他們自己的人工智能計劃的讀者。

AI預算增加:預算從50萬美元增加到500萬美元,同比增長了55%,隻有26%的預算低於50萬美元,這表明更廣泛的市場成熟度。

絕大多數組織都與外部訓練數據提供商合作,大規模部署和更新人工智能項目。

人工智能優先事項因組織規模而異,規模對於大型企業尤為重要,而數據多樣性對於中小型組織更為重要。

各公司都表示對數據安全和隱私有高度承諾,並願意與他人分享數據。

雖然2021年商界領袖和技術專家傾向於達成更多共識,但在道德和可解釋性等領域仍存在一些核心分歧。

各種規模的企業證實,由於2019冠狀病毒病,它們在2020年加快了人工智能戰略,並將在2021年繼續這樣做。

https://resources.appen.com/wp-content/uploads/2021/06/Whitepaper-State-of-AI-2021.pdf

成為VIP會員查看完整內容
2
60
0

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
2
103
0

PyTorch是Facebook於2017年初在機器學習和科學計算工具Torch的基礎上,針對Python語言發布的一個全新的機器學習工具包,一經推出便受到了業界的廣泛關注和討論,目前已經成為機器學習從業人員的研發工具。

《PyTorch深度學習》是使用PyTorch構建神經網絡模型的實用指南,內容分為9章,包括PyTorch與深度學習的基礎知識、神經網絡的構成、神經網絡的知識、機器學習基礎知識、深度學習在電腦視覺中的應用、深度學習在序列數據和文本中的應用、生成網絡、現代網絡架構,以及PyTorch與深度學習的未來走向。

《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀;具備其他深度學習框架使用經驗的讀者,也可以通過本書掌握PyTorch的用法。

Vishnu Subramanian在領導、設計和實施大數據分析項目(人工智能、機器學習和深度學習)方麵富有經驗。

擅長機器學習、深度學習、分布式機器學習和可視化等。 在零售、金融和旅行等行業頗具經驗,還善於理解和協調企業、人工智能和工程團隊之間的關係。

成為VIP會員查看完整內容
3
141
0

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
4
181
0

獲得金融、醫療保健和零售領域的機器學習實用技能。這本書通過提供這些領域的案例研究,使用了動手的方法:你將看到如何使用機器學習作為商業增強工具的例子。作為一名領域專家,您不僅會發現機器學習在金融、醫療保健和零售領域是如何應用的,而且還會通過實施機器學習的實際案例研究進行工作。

使用Python的機器學習應用程序分為三個部分,分別針對每個領域(醫療保健、金融和零售)。每一節都以機器學習和該領域的關鍵技術進展的概述開始。然後,您將通過案例研究了解更多關於組織如何改變其所選擇市場的遊戲規則。這本書有實際的案例研究與Python代碼和領域特定的創新想法賺錢的機器學習。

你會學到什麼

  • 發現應用的機器學習過程和原理
  • 在醫療保健、金融和零售領域實現機器學習
  • 避免應用機器學習的陷阱
  • 在三個主題領域構建Python機器學習示例

這本書是給誰的

  • 數據科學家和機器學習專家。
成為VIP會員查看完整內容
1
93
0

智能視頻監控(IVS)是當前計算機視覺和機器學習領域的一個活躍研究領域,為監控操作員和取證視頻調查者提供了有用的工具。人的再識別(PReID)是IVS中最關鍵的問題之一,它包括識別一個人是否已經通過網絡中的攝像機被觀察到。PReID的解決方案有無數的應用,包括檢索顯示感興趣的個體的視頻序列,甚至在多個攝像機視圖上進行行人跟蹤。文獻中已經提出了不同的技術來提高PReID的性能,最近研究人員利用了深度神經網絡(DNNs),因為它在類似的視覺問題上具有令人信服的性能,而且在測試時執行速度也很快。鑒於再識別解決方案的重要性和廣泛的應用範圍,我們的目標是討論在該領域開展的工作,並提出一項最先進的DNN模型用於這項任務的調查。我們提供了每個模型的描述以及它們在一組基準數據集上的評估。最後,我們對這些模型進行了詳細的比較,並討論了它們的局限性,為今後的研究提供了指導。

成為VIP會員查看完整內容
2
63
0

【導讀】最近在人工智能和機器學習方麵的研究開始越來越多的強調通用學習以及越來越大的訓練集和越來越多的計算。相比之下,作者提出了一種混合的、知識驅動的、基於推理的方法,該方法以認知模型為核心。與目前的方法相比,作者提出的模型可以為人工智能提供更豐富、更健壯的基礎。

1.朝著‘強‘’人工智能前進

雖然沒有人確切地知道在未來的幾十年裏,深度學習或人工智能將會發展成什麼樣子,但如果我們要達到一個新的水平,有必要考慮一下我們從過去十年中學到了什麼,以及接下來應該研究什麼。

讓我們暫且稱呼這種新級別的人工智能為‘強’人工智能:智能,盡管不一定是具有超人一樣的能力或者能夠自我提高的能力,但是我們可以指望這種級別的智能能夠以一種係統和可靠的方式把它所知道的應用到廣泛的問題上,綜合各種來源的知識,能夠靈活和動態地對世界進行推理。把它在一種環境中所學習到的東西遷移到另一種環境中,就像我們期望一個普通成年人能夠舉一反三一樣。

2.一種混合的,知識驅動的,基於認知模型的方法

許多認知科學家,包括我自己,都把認知視為一種循環:生物從外界獲取感知信息,他們會基於他們所獲取到的信息構建一個模型,然後根據這些認知模型作出決定。這其中可能會包括在外部世界中包含哪些種類的實體信息,他們的屬性是什麼,這些實體之間是如何關聯到一起的。盡管認知科學家普遍將這些認知模型視為不完善或者不精確的模型,但是依舊把它們看作是生物體看待世界的核心。即使是不完美的,認知模型也可以作為一個強大的指南來認知世界。在很大程度上,一個有機體在世界上的繁榮程度取決於這些內部認知模型的好壞。

2.1混合架構

我們對變量符號的操作提供了一個潛在的答案——這一解決方案每天都要被使用數萬億次,幾乎是全世界所有軟件的基礎。特別是,幾乎每個計算機程序都有四個基本概念作為基礎:變量、實例、將變量綁定到實例以及變量上的操作。而混合本身並不是什麼新鮮事:Pinker和我三十年前就提出孩子們學習英語過去式的最好方法就是混合模式:規則(在動詞幹上加-ed),用於形成規則動詞的過去式,以及類似神經網絡的係統,用於獲取和檢索不規則動詞。事實上,將符號知識和感性知識結合的需求由來已久(如人們希望通過把對馬的外貌的感性認識與把斑馬比作條紋馬的口頭定義結合起來識別斑馬)。而計算機科學家在90年代就開始提倡混合模型,並且已經證明了將有限的邏輯子集轉化為神經網絡是可能的。

2.2大規模的數據當中有些是抽象的,具有因果關係的

我們可以操作符號對抽象知識進行表示,但如何積累和表示抽象知識到目前為止依舊是一項艱苦的工作,所取得的成績遠遠不能令人滿意。另外目前的大型數據庫如穀歌知識圖譜、Freebase和YAGO主要關注事實而不是常識,這導致我們不能很好的理解和使用這些抽象的知識數據。

2.3推理

推理提供了另外一種選擇;你不需要記住所有的東西,也不需要在你之前可能遇到過的近鄰之間進行插值,你隻需要進行推理。而不是強行記住一些東西。你需要學習一個普遍的真理:所有人類都是終有一死的,並根據需要將這一普遍真理應用於這一範疇內的所有具體實例。正如我們所看到的那樣,諸如Transformers這樣的神經網絡也不能作出值得信賴的推理。它們有時可能奏效,但效果不佳;但是好在隻要有足夠的知識,他們至少提供了朝著正確方向前進的希望。

2.4 認知模型

特殊類型的知識是隨著時間的推移積累起來的關於事物特定狀態的知識,諸如在一次交談之中我們會對朋友有所了解,閱讀新聞時會對國家的某些事物有所了解。在認知心理學中,我們把這種累積表征稱為認知模型。總的來說,認知模型大體上有一些實體知識(故事中的人物和他們擁有的物品),一些屬性和一些時間,事件信息(人物x在時間t會見了人物y,在時間t,人物x了解到了什麼信息)組成。

3.討論

3.1 把持久的知識作為基礎的智能

沒有我們,或者像我們這樣的其他生物,世界將繼續存在,但它不會被描述、提煉或理解。鳥兒可能會拍打翅膀,鳥兒可能會飛翔。事物之間也許會有關聯,但沒有因果描述。人類的生活將充滿抽象和因果。我們的孩子會花大量時間問為什麼;科學家提出這些問題是為了得出理論。我們力量的一個重要部分來自於我們以科學、文化和技術的形式去努力理解和描述這個世界。這些努力大多以知識的形式表現出來,有些是具體的,有些是籠統的,有些是口頭的,有些是寫於紙麵的。經典人工智能的主要目標是將這些知識提煉成機器可解釋的形式。

3.2 逐步窺探事物全貌

深度學習向我們展示了從大量數據中可以學到多少有用的東西。同現統計和類似的統計可能隻是可靠知識的影子,但肯定有很多類似影子,也許我們可以利用這些影子。隻要我們敏銳地意識到它們的長處和局限性就可以掌握更加複雜的技術。

3.3 結論,展望和啟示

我提出了一個四步走方案:首先完善神經-符號混合架構,然後是建立豐富的、具有認知能力的框架和大規模的知識數據庫,隨後進一步開發能夠用在此類框架上進行抽象推理的工具,最後,發展更複雜的認知模型和歸納機製。綜上所述,這四個先決條件的進展可以為更豐富、更智能的係統提供基礎。我認為這將重新定義我們學習的意義,產生一種(也許是新的)學習方式,通過抽象的、類似語言的歸納,從數據到知識和認知模型,將推理真正作為學習過程的一部分。

成為VIP會員查看完整內容
0
32
0

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
2
121
0
小貼士
相關主題
相關VIP內容
專知會員服務
33+閱讀 · 1月20日
專知會員服務
92+閱讀 · 2021年9月15日
專知會員服務
60+閱讀 · 2021年6月17日
專知會員服務
103+閱讀 · 2021年5月20日
專知會員服務
141+閱讀 · 2021年4月3日
專知會員服務
181+閱讀 · 2021年2月22日
專知會員服務
93+閱讀 · 2021年1月1日
專知會員服務
63+閱讀 · 2020年5月5日
相關資訊
深度學習技術在自動駕駛中的應用
智能交通技術
23+閱讀 · 2019年10月27日
421頁《機器學習數學基礎》最新2019版PDF下載
專知
114+閱讀 · 2019年3月17日
自動駕駛最新綜述論文(31頁PDF下載)
專知
110+閱讀 · 2019年1月15日
人工智能在商業營銷中的十個應用
專知
3+閱讀 · 2018年5月12日
AI世界:2018年八大趨勢
CSDN雲計算
6+閱讀 · 2017年10月20日
關於人工智能(上)
七月在線實驗室
4+閱讀 · 2017年9月13日
相關論文
Arxiv
8+閱讀 · 2021年6月21日
Deep Learning for 3D Point Clouds: A Survey
Arxiv
3+閱讀 · 2019年12月27日
Advances and Open Problems in Federated Learning
Arxiv
17+閱讀 · 2019年12月10日
Arxiv
10+閱讀 · 2019年11月24日
Object Detection in 20 Years: A Survey
Arxiv
39+閱讀 · 2019年5月13日
Arxiv
4+閱讀 · 2019年4月17日
微信掃碼谘詢專知VIP會員
Top