超值优惠券
¥50
100可用 有效期2天

全场图书通用(淘书团除外)

不再提示
关闭
图书盲袋,以书为“药”
欢迎光临中图网 请 | 注册
> >
阿里云天池大赛赛题解析:深度学习篇

阿里云天池大赛赛题解析:深度学习篇

作者:天池平台
出版社:电子工业出版社出版时间:2021-09-01
开本: 16开 页数: 260
中 图 价:¥68.0(6.3折) 定价  ¥108.0 登录后可看到会员价
加入购物车 收藏
运费6元,满39元免运费
?新疆、西藏除外
本类五星书更多>

阿里云天池大赛赛题解析:深度学习篇 版权信息

  • ISBN:9787121417818
  • 条形码:9787121417818 ; 978-7-121-41781-8
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

阿里云天池大赛赛题解析:深度学习篇 本书特色

三大经典深度学习赛题,真实的业务场景,涉及医疗、工业和文娱,带你入门算法竞赛本书由戴琼海院士、阿里云智能事业群总裁张建锋、阿里巴巴副总裁贾扬清及各个领域的多位专家联合推荐。本书遴选阿里云天池平台三大经典赛题,分别来自医疗、工业和文娱的真实业务场景,覆盖计算机视觉和自然语言处理两大热门方向。 人工智能的落地往往发生在与生命科学、医学、工业、文化等领域的交叉应用之上,这不仅需要理论推导,更需要动手实践。在人工智能的人才培养中,我们迫切需要建立起理论与实践并重的教育模式,通过实践项目、学科竞赛等多种方式,丰富学生的实践经历,将从课堂和书本上学习到的知识与课堂外的实战结合在一起。本书提供的三个案例涉及人工智能在医疗、工业、文化领域的经典应用,通过深入浅出的解读,实现了对理论知识的补充和升华,向大家力荐此书。 中国工程院院士,清华大学教授、清华大学信息科学技术学院院长、清华大学脑与认知科学研究院院长,中国人工智能学会理事长 戴琼海 当前,人工智能技术作为数字化转型升级的重要推动力和新一轮科技竞赛的制高点,已经被提升到国家战略高度。人工智能技术的快速迭代和大规模应用,正在日益改变着人们的生活方式、产业结构,以及社会治理模式。作为实现人工智能的基础与核心技术,深度学习一经问世就迅速成为热点,推动语音、计算机视觉、自然语言处理等人工智能技术的快速发展,促成人工智能应用的普及。本书甄选了阿里云天池平台上的三个人工智能赛题,深入浅出地介绍了深度学习算法及赛题应用,相信能帮助参赛选手和人工智能领域的开发者启发数据思维,带来切实收获,并推动深度学习技术的进一步普及,为数字经济的发展添砖加瓦。 阿里云智能事业群总裁,达摩院院长 张建锋 (以下按姓氏拼音排序,排名不分先后。)近些年,随着深度学习算法的突破、算力和数据的发展,人工智能技术迎来了高速发展,神经网络赋予了机器感知能力,快速应用在社会的各行各业,推动了智慧城市、智慧工业、智慧农业的发展。很高兴看到阿里云天池平台在这个领域产生了非常大的影响力,大量的商业、工业、医疗、公益领域的真实场景,通过天池平台开放出来,被优秀的各界人士使用。 本书的赛题来自天池竞赛场景,并由天池选手众智编写,不仅讲解了算法理论知识,还重点关注课题实践,学练相结合,能够更好地学以致用。 阿里巴巴集团副总裁,达摩院城市大脑实验室负责人,IEEE Fellow 华先胜 天池平台通过多年的大数据及AI类比赛沉淀了实战案例和经验,通过在医疗、工业、文娱等行业的具体案例分析引导出基于深度学习、机器学习等基础理论来构建一个智能系统。本书由浅入深地讲述了与深度学习相关的知识图谱、目标检测、视频分割等领域模型的知识及工具。本书适合AI相关专业的大学生和研究生,以及不具有机器学习或统计学背景但想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。 复旦大学计算机学院教授,中国中文信息学会常务理事 黄萱菁 这是一本值得推荐给AI开发者的好书。天池大赛的赛题本身就是真实案例,拥有真实数据,而作者在这本书中,既详细讲解了赛题的技术背景,又深入浅出地讲解了解题思路和技术要点等。这些内容不但能让天池大赛的参与者获益匪浅,而且还有助于广大开发者真正熟悉工业场景,以及学习如何应用AI技术解决实际问题。 量子位创始人 孟鸿 阿里云天池平台一直致力于大数据竞赛的推广,为国内高校及计算机从业人员提供了非常好的数据场景和算法实战平台。本书遴选了天池平台经典的三个赛题,覆盖了计算机视觉和自然语言处理两个热门的人工智能技术方向,每个赛题自成体系,从背景介绍、原理、代码实践和模型调优等方面详细讲解了大赛赛题,希望本书的出版能给人工智能专业的学生和从业人员带来帮助。 新加坡南洋理工大学南洋助理教授,机器推理和学习(MReaL)实验室负责人,2020年“AI's 10 To Watch”获得者 张含望 本书是天池平台推出的《阿里云天池大赛赛题解析—机器学习篇》的姊妹篇,重点介绍了计算机视觉和自然语言处理方向的技术原理和代码实践,选题来源丰富、有趣,三个赛题分别来自医疗、工业和文娱场景,涵盖了知识图谱、目标检测、视频分割等热门应用。人工智能是我国的重点战略方向,希望天池平台能持续为我国人工智能人才的培养添砖加瓦。 苏州大学特聘教授,博士生导师,国家杰出青年科学基金获得者 张民 作为一门冉冉升起的新兴学科,人工智能是学界与工业界距离*近、交叉*多的领域之一。不同于“象牙塔”里的很多学问,由于人工智能本身对算法、算力、数据、场景的综合性要求,很多人工智能学术进展的诞生本身就发生在工业界,发生在应用的一线,发生在产业的“现场”。要想深入了解人工智能,掌握人工智能,仅仅靠理论知识是不够的,越是实战,越具指导价值。因此,力荐本书。其不绕弯子,单刀直入,对具体命题抽丝剥茧,理论、工具、代码齐备——非常具体,全是“干货”,非常“解渴”。 甲子光年创始人 张一甲 深度学习已经进入产业化阶段,AI人才结构正在不断升级,将技术应用到真实场景并解决实际问题将成为未来AI技术人才的核心竞争力。本书精选天池平台经典赛题,基于真实业务场景和案例,提供了扎实且实用的深度学习技术介绍,能够帮助你快速掌握关键领域的实践。 机器之心创始人兼CEO 赵云峰

阿里云天池大赛赛题解析:深度学习篇 内容简介

本书聚焦深度学习算法建模及相关技术,选取医疗、视频、工业三个非常有行业代表性的赛题:瑞金医院MMC人工智能辅助构建知识图谱、阿里巴巴优酷视频增强和超分辨率挑战赛和布匹疵点智能识别,介绍赛题涉及的技术知识和选手的创新思路与模型,对赛题的解决方案从0到1层层拆解。 本书从经典行业案例出发,内容由浅入深、层层递进,既可以作为专业开发者用书,也可以作为参考选手的实战手册。

阿里云天池大赛赛题解析:深度学习篇 目录

目  录
赛题一 瑞金医院MMC人工智能辅助构建知识图谱
0 技术背景 3
0.1 技术现状 3
0.2 实验室介绍 3
1 赛题解读 7
1.1 赛题背景 7
1.2 知识图谱 7
1.2.1 知识图谱的发展历史 7
1.2.2 如何表达知识 9
1.2.3 如何构建知识图谱 11
1.2.4 如何进行知识推理 13
1.3 数据介绍 15
1.3.1 初赛数据 16
1.3.2 复赛数据 17
1.4 评测指标 18
2 数据处理 19
2.1 自然语言处理基础 19
2.1.1 词向量 19
2.1.2 语言模型 20
2.1.3 自然语言处理中的深度学习 24
2.2 数据预处理 29
2.2.1 .txt文件 29
2.2.2 .ann文件 30
2.2.3 使用Python解析文件 32
3 初赛赛题――实体识别 35
3.1 实体识别任务 35
3.2 传统机器学习方法 36
3.2.1 概率图模型 36
3.2.2 隐马尔可夫模型 38
3.2.3 *大熵马尔可夫模型 39
3.2.4 条件随机场模型 40
3.3 深度学习方法 41
3.3.1 双向循环神经网络 41
3.3.2 双向循环神经网络+条件随机场模型 43
3.4 初赛方案 44
3.4.1 数据集构建 44
3.4.2 特征工程 46
3.4.3 模型构建 47
4 复赛赛题――关系抽取 53
4.1 关系抽取任务 53
4.2 传统方法 53
4.2.1 基于模板的抽取 53
4.2.2 基于依存句法的抽取 54
4.2.3 基于统计机器学习的抽取 55
4.3 深度学习方法 56
4.3.1 监督学习 56
4.3.2 半监督学习 57
4.4 复赛方案 59
4.4.1 数据集构建 59
4.4.2 特征工程 62
4.4.3 模型构建 63
5 Neo4j存储知识图谱 69
5.1 Neo4j介绍 69
5.2 Neo4j配置 70
5.2.1 安装 70
5.2.2 Web管理平台 71
5.2.3 Neo4j-shell 72
5.3 数据库构建 72
5.3.1 准备工作 72
5.3.2 创建数据库 72
5.3.3 事务 73
5.3.4 创建节点 73
5.3.5 创建关系 74
5.3.6 查询 74
5.4 Cypher查询 75
5.4.1 读语句 76
5.4.2 写语句 76
5.4.3 通用语句 78
6 赛题进阶讨论 80
6.1 数据标注方法 80
6.1.1 指针标注 80
6.1.2 片段排列 81
6.2 联合抽取 82
6.2.1 共享参数 82
6.2.2 联合标注 84
6.3 大规模预训练语言模型 86
6.3.1 ELMo模型 86
6.3.2 GPT模型 87
6.3.3 BERT模型 89
6.3.4 使用BERT模型进行实体识别与关系抽取 90
赛题二 阿里巴巴优酷视频增强和超分辨率挑战赛
0 技术背景 95
0.1 业界应用 95
0.2 文娱行业面临的画质问题 95
0.3 实验室介绍和技术手段 96
0.4 重点模块 97
0.5 处理效果 98
1 赛题解读 100
1.1 赛题背景 100
1.2 赛题目标 100
1.3 数据概览 100
1.4 评估指标 101
1.5 解题思路 102
1.6 赛题模型 103
2 数据处理 105
2.1 视频和图像处理 105
2.1.1 图像基本概念 105
2.1.2 视频基本概念 106
2.1.3 视频分帧 107
2.1.4 图像处理 108
2.1.5 图片合成视频 110
2.2 工具包 111
2.2.1 OpenCV库 111
2.2.2 FFmpeg库 112
2.3 数据处理 112
2.3.1 安装工具包 112
2.3.2 导入工具包 112
2.3.3 视频转图片函数 112
2.3.4 读取图片并获取大小 113
2.3.5 读取图片并进行灰度处理 114
2.3.6 分帧后的图片灰度处理 114
2.3.7 图片转视频函数 115
3 传统插值方法 117
3.1 插值方法 117
3.1.1 插值方法的基本概念 117
3.1.2 插值原理 118
3.2 插值算法 118
3.2.1 *近邻插值算法 119
3.2.2 双线性插值算法 119
3.2.3 双三次插值算法 120
3.3 几种传统插值算法结果对比 121
3.4 数据处理 122
3.4.1 导入工具包 122
3.4.2 读取图片 122
3.4.3 *近邻插值算法 122
3.4.4 双线性插值算法 123
3.4.5 基于4px×4px邻域的三次插值算法 123
3.4.6 不同插值函数计算PSNR 123
3.4.7 传统插值方法效果对比 123
3.4.8 Bicubic插值算法 124
4 深度插值方法 126
4.1 深度学习 126
4.1.1 卷积神经网络 126
4.1.2 使用SRCNN实现超清分辨率 132
4.2 赛题实践 132
4.2.1 导入工具包 132
4.2.2 读取图片 133
4.2.3 使用Bicubic插值放大至目标尺寸 133
4.2.4 实现SRCNN 133
4.2.5 SRCNN模型训练 133
4.2.6 SRCNN模型验证 135
4.2.7 SRCNN模型预测 135
4.2.8 保存图片 135
5 深度学习方法改进 136
5.1 FSRCNN实现超清分辨率 136
5.2 ESPCN实现超清分辨率 138
5.3 赛题实践 140
5.3.1 导入工具包 140
5.3.2 读取图片 140
5.3.3 FSRCNN 140
5.3.4 ESPCN 142
6 深度学习方法进阶 145
6.1 GAN基本概念 145
6.1.1 GAN生成手写数字 146
6.1.2 GAN训练 147
6.1.3 GAN算法数学形式 148
6.2 CGAN 149
6.3 VGGNet 150
6.4 ResNet 153
6.5 SRGAN结构 156
6.5.1 SRGAN损失函数 157
6.5.2 SRGAN效果 157
6.6 SRGAN实现超清分辨率 158
6.6.1 导入工具包 158
6.6.2 读取图片 159
6.6.3 实现SRGAN 159
6.6.4 SRGAN模型训练 163
6.6.5 SRGAN模型验证 163
6.6.6 SRGAN模型预测 163
6.6.7 保存图片 163
赛题三 布匹疵点智能识别
(2019广东工业智造创新大赛 赛场一)
0 技术背景 167
0.1 行业背景 167
0.2 实验室产品介绍 168
0.3 赛题背景 170
0.4 初赛数据示例 171
0.5 复赛数据示例 172
1 赛题解析 173
1.1 赛题背景分析 173
1.2 计算机视觉 174
1.2.1 计算机视觉简介 174
1.2.2 计算机视觉发展历史 175
1.2.3 计算机视觉方法 177
1.3 数据集介绍 178
1.4 赛题指标介绍 179
1.5 赛题初步分析 181
2 深度学习基础 182
2.1 感知机 182
2.2 梯度下降法 184
2.3 多层感知机 186
2.4 反向传播 189
2.5 深度神经网络PyTorch实现 189
3 卷积神经网络与数据处理 193
3.1 卷积运算与互相关运算 193
3.2 卷积神经网络 195
3.3 卷积神经网络的反向传播算法 198
3.4 卷积神经网络PyTorch实现 199
3.4.1 卷积神经网络简单实现示例 199
3.4.2 竞赛数据预训练模型 202
4 区域卷积神经网络系列算法 204
4.1 目标检测的基本概念 204
4.2 区域卷积神经网络 205
4.3 Fast R-CNN算法 210
4.4 Faster R-CNN算法 214
4.5 目标检测Faster R-CNN算法实战 218
5 实例分割Mask R-CNN算法 226
5.1 实例分割 226
5.2 Mask R-CNN算法 226
5.3 PyTorch实现实例分割 230
6 赛题*优算法与提升思路 237
6.1 级联区域卷积神经网络 237
6.2 目标检测赛题提升思路 239
6.3 mm-detection框架下的算法实现 241
参考文献 242

展开全部

阿里云天池大赛赛题解析:深度学习篇 作者简介

阿里云天池作为国内**的竞赛平台和AI社区,自诞生以来就一直秉持着让更多人公平获得大数据的理念。也正因此,天池每场经典赛事沉淀的课题和数据集都会永久保留和开放。截至目前,天池平台已举办了超过200场来自真实业务场景的数据竞赛,覆盖政府、金融、交通、物流、航空、电力、医疗等多个领域。

商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服