更新时间：2024-12-31 19:18:17
封面
版权页
内容简介
主要作者简介
图书推荐
前言
第1章 人工智能、机器学习与深度学习简介
1.1 什么是人工智能
1.2 人工智能的本质
1.3 人工智能相关专业人才就业前景
1.4 机器学习和深度学习
1.4.1 什么是机器学习
1.4.2 深度学习独领风骚
1.4.3 机器学习和深度学习的关系和对比
1.5 小白如何学深度学习
1.5.1 关于两个“放弃”
1.5.2 关于三个“必须”
第2章 深度学习框架PyTorch开发环境搭建
2.1 PyCharm的安装和使用技巧
2.2 在Windows环境下安装CPU版的PyTorch
2.3 在Windows环境下安装GPU版的PyTorch
2.3.1 确认显卡是否支持CUDA
2.3.2 安装CUDA
2.3.3 安装cuDNN
2.3.4 安装GPU版PyTorch
第3章 Python数据科学库
3.1 张量、矩阵和向量的区别
3.2 数组和矩阵运算库NumPy
3.2.1 列表和数组的区别
3.2.2 创建数组的方式
3.2.3 NumPy的算术运算
3.2.4 数组变形
3.3 数据分析处理库Pandas
3.3.1 Pandas数据结构Series
3.3.2 Pandas数据结构DataFrame
3.3.3 Pandas处理CSV文件
3.3.4 Pandas数据清洗
3.4 数据可视化库Matplotlib介绍
第4章 深度学习的基本原理
4.1 神经网络原理阐述
4.1.1 神经元和感知器
4.1.2 激活函数
4.1.3 损失函数
4.1.4 梯度下降和学习率
4.1.5 过拟合和Dropout
4.1.6 神经网络反向传播法
4.2 卷积神经网络
4.2.1 什么是卷积神经网络
4.2.2 卷积神经网络详解
4.2.3 卷积神经网络是如何训练的
4.2.4 卷积神经网络为什么能称霸图像识别领域
4.3 卷积神经网络经典模型架构简介
4.3.1 LeNet-5
4.3.2 AlexNet
4.3.3 VGG
4.3.4 GoogLeNet
4.3.5 ResNet
4.4 常用的模型评估指标
第5章 深度学习框架PyTorch入门
5.1 Tensor
5.1.1 Tensor简介
5.1.2 使用特定数据创建张量
5.1.3 使用随机数创建张量
5.1.4 张量基本操作
5.2 使用GPU加速
5.3 自动求导
5.4 PyTorch神经网络
5.4.1 构建神经网络
5.4.2 数据的加载和处理
5.4.3 模型的保存和加载
5.5 PyTorch入门实战：CIFAR-10图像分类
第6章 迁移学习花朵识别项目实战
6.1 迁移学习简介
6.2 什么是预训练模型
6.3 如何使用预训练模型
6.4 使用迁移学习技术实现花朵识别
6.5 迁移学习总结
第7章 垃圾分类识别项目实战
7.1 垃圾分类识别项目背景
7.2 垃圾分类背后的技术
7.3 垃圾图片数据集介绍
7.4 MnasNet模型介绍
7.5 垃圾分类识别项目代码分析
第8章 短期电力负荷预测项目实战
8.1 电力负荷预测项目背景
8.2 电力负荷预测的意义
8.3 电力负荷数据的获取
8.4 一维卷积1D-CNN
8.5 项目代码分析
第9章 空气质量识别分类与预测项目实战
9.1 空气质量识别分类与预测项目背景
9.2 主成分分析
9.3 聚类分析（K-Means）
9.4 项目代码分析
第10章 手写数字识别项目实战
10.1 手写数字识别项目背景
10.2 手写数字数据集
10.3 LeNet5模型构建
10.4 模型训练和测试
10.4.1 损失函数
