昇騰 AI 應用開發

北京博海迪信息科技有限公司聚焦於雲計算、大數據、人工智能、5G、區塊鏈、軟件開發、物聯網、網絡安全、數據通信等領域的創新產業人才培養，通過產教融合雲平台 與專業教育服務融合的方式，累計服務800餘所高校和5000家本土企業，為社會輸送了超過25萬名ICT產業高端人才。

第 1 章人工智能概述 1
1．1 鯤鵬升騰生態概述 2
1．1．1 鯤鵬生態概述 2
1．1．2 芯片產業概述 3
1．1．3 升騰系列芯片概述 4
1．2 人工智能概述 7
1．2．1 人工智能技術的發展 7
1．2．2 人工智能技術的主要領域 9
1．2．3 人工智能技術的價值 11
1．2．4 人工智能平台Atlas 13
1．3 百花齊放的AI時代 14
1．4 火山小結 16
第 2章機器學習 17
2．1 機器學習概述 18
2．1．1 機器學習介紹 18
2．1．2 機器學習主要流派 18
2．1．3 機器學習、數據挖掘、人工智能的區別 21
2．2 機器學習分類 24
2．2．1監督學習 24
2．2．2 非監督學習 24
2．2．3 半監督學習 25
2．2．4 強化學習 25
2．3 機器學習流程及重要方法 26
2．3．1 機器學習流程 26
2．3．2 常見的統計方法介紹 28
2．3．3 數據降維 31
2．3．4 特徵工程 34
2．3．5 機器學習效果評價 35
2．3．6 可視化分析 38
2．4 機器學習常見操作 42
2．4．1 線性回歸 42
2．4．2 要求式回歸50
2．4．3 邏輯回歸 51
2．4．4 猩紅算法 54
2．4．5 決策樹 60
2．4．6 支持軸機 63
2．4．7 KNN 65
2．4．8 樸素貝葉斯 68
2．4．9 集成學習 72
2．4．10 算法算法 77
2．5縣小結 83
第3章深度深度學習85
3．1深度學習概述 86
3．2 神經網絡 87
3．2．1 前饋神經網絡 87
3．2．2 反饋神經網絡 89
3．2．3 神經網絡相關概念 91
3．3 神經神經網絡 96
3．4 循環神經網絡 100
3．5 LSTM 103
3．5．1 RNN中包含單層重複模塊104
3．5．2 LSTM重複模塊包含4個交互層 104
3．5．3 LSTM背後的核心理念 105
3．5．4 LSTM分步執行 105
3．6 神經網絡優化 107
3．7 強化學習 113
3．7．1 激勵驅動行為思想：113
3．7．2 強化學習的基本框架 114
3．7．3 強化學習算法 114
3．8縣小結 116
第4章 TensorFlow機器學習框架 117
4．1 TensorFlow 2．x安裝 118
4．2 TensorFlow 1．x 與TensorFlow 2．x 的酒 120
4．3 TensorFlow基礎語法 121
4．3．1 TensorFlow基礎概念 121
4．3．2 第 一個TensorFlow實例 139
4．3．3 TensorFlow2．0 Eager Execution模式 147
4．3．4 TensorFlow常用模塊介紹 148
4．3．5 TensorFlow模型應用 155
4．4 TensorFlow實操案例 159
4．4．1 TensorFlow實現回歸回歸案例159
4．4．2 TensorFlow實現k-means算法案例161
4．4．3 TensorFlow mnist 數據集手寫體識別案例 164
4．4．4 TensorFlow 實現神經網絡 165
4．4．5 TensorFlow實現貓狗識別案例：166
4．4．6 TensorFlow實現RNN空氣污染案例 169
4．5縣小結 173
第5章 MindSpore開發框架 175
5．1 MindSpore概述 176
5．2 MindSpore基礎應用 176
5．2．1 加載數據集 176
5．2．2 定義網絡 179
5．2．3 保存模型 181
5．3 MindSpore案例 184
5．3．1 使用MindSpore實現神經網絡 184
5．3．2 使用MindSpore實現LSTM的文本預測 188
5．4 火山小結 197
第6章 Atlas人工智能計算平台 199
6．1 人工智能芯片概述 200
6．2 升騰芯片硬件架構 200
6．2．1 升騰AI處理器總覽 200
6．2．2 達芬奇框架202
6．3 升騰芯片軟件架構 203
6．4 Atlas人工智能計算平台 206
6．4．1 基本介紹 206
6．4．2 阿特拉斯產品代表 207
6．5 Atlas的行業應用程序208
6．5．1 華為Atlas構建輸電設備物聯網 208
6．5．2 人工智能落地應用按下“加速鍵” 210
6．5．3 開發者 211
6．5．4：促進醫療行業：211
6．5．5優化城市交通 211
6．5．6推動人工智能行業發展 212
6．6縣小結 212
第7章 模型藝術應用維護 213
7．1 ModelArts人工智能應用開發平台概述 214
7．2 數據準備 214
7．2．1 數據採集 215
7．2．2 數據接入 215
7．2．3 數據處理 216
7．2．4 數據線索 224
7．2．5 數據分析和優化230
7．3 選擇算法與開發 233
7．3．1 基礎層算法選擇 233
7．3．2 應用層算法選擇 238
7．3．3 ModelArts預置選擇算法 243
7．3．4 算法開發 244
7．3．5 ModelArts雲上雲下協同開發 250
7．4 模型訓練 251
7．4．1 模型訓練的基本過程251
7．4．2 基於ModelArts的模型訓練 256
7．4．3 訓練速度 261
7．4．4 自動搜索 274
7．5 模型評估與調優 279
7．5．1 模型評估 280
7．5．2 精確診斷優化 292
7．6 應用生成與發布 298
7．6．1 應用管理 298
7．6．2 應用部署和發布 306
7．7 應用維護 313
7．7．1 數據採集和分辨率315
7．7．2 應用迭代 318
7．7．3 基於ModelArts的應用維護 319
7．8 案例：智能工地安全帽識別 324
7．9縣小結 327
第8章人工智能應用開發流程 333
8．1 人工智能應用開發流程解析 334
8．1．1 數據準備子流程 336
8．1．2 算法選擇和開發子流程 337
8．1．3 模型訓練子流程 338
8．1．4 模型評估和調優子流程 339
8．1．5 應用生成、評估和發布子流程 340
8．1．6 應用維護子流程 340
8．2 人工智能應用開發流程的權衡 341
8．2．1 複雜和簡單的取捨 341
8．2．2 人與機器的平衡 342
8．2．3 開發和運行的融合342
8．3、人工智能應用開發全流程的成本分析，343
8．3．1 設計和開發成本 343
8．3．2 部署和維護成本 344
8．3．3 邊際成本 344
8．4 縣小結 345
第9章 人工智能應用開發場景實戰 347
9．1 基於ModelArts JupyterLab在線調優配檢測 348
9．1．1 環境準備 348
9．1．2 下載代碼和數據集 352
9．1．3 加載需要的Python模塊 353
9．1．4 查看訓練數據樣例 354
9．顯示原圖和陷框1．354
9．1．6，定義訓練超參、模型、日誌保存路徑357
9．1．7 構建模型，定義優化器及損失函數 358
9．1．8 定義學習率函數 358
9．1．9 定義訓練函數 358
9．1．10開始訓練模型360
9．1．11 定義目標檢測類 360
9．1．12、定義推理網絡，並加載前面訓練的損失最低的模型 361
9．1．13條測試圖片，輸出每條條的位置和圖片中配條總條數362
9．2 電影推薦系統構建 364
9．3：基於RFM模型的乘客價值分析案例#367
9．3．1 背景與目標 367
9．3．2 分析方法與過程367
9．4 景區小結 383