- Python深度学习及智能车竞赛实践(智能汽车新能源汽车方向普通高等教育新工科汽车类系列教材)
- - 作者：编者:徐国艳//刘聪琳|责编:何士娟
  - 出版社：机械工业
  - ISBN：9787111752141
  - 出版日期：2024/03/01
  - 页数：293
- 售价：39.6

内容大纲
本书结合全国大学生智能汽车竞赛百度智慧交通创意赛和完全模型组竞速赛，循序渐进地对Python和深度学习的基本知识进行了全面、系统的介绍。全书共11章，分为Python基础知识体系、Python文件处理与数据分析、深度学习基础理论与实践、智能车竞赛任务与实践四部分，详细介绍了Python基础知识、Python数据分析方法、机器学习概念、全连接神经网络和卷积神经网络模型的理论及产业级工程项目实践等。通过学习本书，学生可以从零基础开始，到能完成深度学习模型设计及部署验证，完成智能汽车竞赛中关于图像处理和深度学习相关的任务。
本书内容丰富、叙述清晰、循序渐进，采用新形态构建形式，配套有MOOC、教学案例、习题等。本书可作为智能车辆、智慧交通、计算机、自动控制等专业的人工智能入门教材，也可作为全国大学生智能汽车竞赛的参考书。
作者介绍
目录
前言
二维码清单
第1部分  Python基础知识体系
  第1章  绪论
    1.1  人工智能的发展及基本概念
      1.1.1  人工智能的起源与发展
      1.1.2  中国人工智能技术的发展
      1.1.3  人工智能的基本概念
    1.2  智能汽车及全国大学生智能汽车竞赛
      1.2.1  智能汽车技术概述
      1.2.2  全国大学生智能汽车竞赛简介
    1.3  程序设计语言及Python语言简介
      1.3.1  低级语言和高级语言
      1.3.2  结构化语言和面向对象语言
      1.3.3  Python语言特点
      1.3.4  Python开发环境及小实例
    习题
  第2章  Python基本语法元素及数据类型
    2.1  程序的基本设计方法
      2.1.1  IPO程序设计方法
      2.1.2  实例：ReLU激活函数
      2.1.3  实例：智能车差速转向
    2.2  Python基本语法元素
      2.2.1  注释（comment）
      2.2.2  缩进（indent）
      2.2.3  标识符（identifier）
      2.2.4  赋值语句
      2.2.5  input（）函数
      2.2.6  print（）函数
      2.2.7  eval（）函数
      2.2.8  分支语句
      2.2.9  功能库引用
    2.3  Python基本数据类型
      2.3.1  数字类型概述
      2.3.2  数字类型的操作
      2.3.3  字符串类型概述
      2.3.4  字符串类型的操作
      2.3.5  字符串类型的格式化
    2.4  math库
      2.4.1  math库概述
      2.4.2  math库常用函数
      2.4.3  实例：使用math库计算组合数和排列数
    2.5  time库
      2.5.1  time库概述
      2.5.2  time库常用函数
      2.5.3  实例：使用time库计算代码执行时间
    习题
  第3章  程序控制结构
    3.1  程序流程图与基本结构
    3.2  程序的分支结构

      3.2.1  单分支结构：if语句
      3.2.2  二分支结构：if-else语句
      3.2.3  多分支结构：if-elif-else语句
      3.2.4  实例：简单计算器
    3.3  程序的循环结构
      3.3.1  遍历循环：for循环
      3.3.2  条件循环：while循环
      3.3.3  循环保留字：break和continue
    3.4  程序异常处理
    3.5  random库
      3.5.1  random库概述
      3.5.2  random库使用
    3.6  turtle库
      3.6.1  turtle库概述
      3.6.2  turtle库使用
      3.6.3  实例：智能车竞赛车道线绘制
    习题
  第4章  函数和类
    4.1  代码复用和模块化设计
    4.2  函数
      4.2.1  函数的定义和调用
      4.2.2  函数参数传递
      4.2.3  函数的返回值
      4.2.4  函数的递归
      4.2.5  局部变量和全局变量
      4.2.6  匿名函数：lambda函数
      4.2.7  实例：单层感知器函数设计
    4.3  面向对象和类
      4.3.1  面向对象编程基本概念
      4.3.2  类和对象
      4.3.3  基类和继承
    4.4  实例：智能车自动巡航类创建
    4.5  实例：单层感知器类创建
    习题
  第5章  组合数据类型
    5.1  概述
    5.2  序列类型
      5.2.1  元组及其操作
      5.2.2  列表及其操作
      5.2.3  列表操作
    5.3  集合类型
      5.3.1  集合的创建
      5.3.2  集合的操作
    5.4  映射类型
      5.4.1  字典的创建和访问
      5.4.2  字典的操作
      5.4.3  实例：使用字典实现英文词频统计
      5.4.4  实例：用类创建智能车自动巡航的字典
    5.5  jieba库
      5.5.1  jieba库概述

      5.5.2  jieba库安装与分词方法
      5.5.3  实例：“智能汽车创新发展战略”词频统计
    5.6  wordcloud库
      5.6.1  wordcloud库概述
      5.6.2  wordcloud库安装
      5.6.3  wordcloud对象创建及参数设置
      5.6.4  实例：党的二十大报告词云生成
    习题
第2部分  Python文件处理与数据分析
  第6章  文件和数据格式化
    6.1  文件的使用
      6.1.1  文件的理解
      6.1.2  文件的打开和关闭
      6.1.3  文件的读取
      6.1.4  文件的写入
      6.1.5  实例：赛车道自动绘制
      6.1.6  os库和zipfile库
      6.1.7  实例：车辆图片数据集处理
    6.2  数据的格式化和处理
      6.2.1  一维数据
      6.2.2  二维数据
      6.2.3  高维数据json库使用
      6.2.4  实例：车辆图片json文件处理
    6.3  PIL库
      6.3.1  PIL库简介
      6.3.2  Image对象
      6.3.3  图像格式转换
      6.3.4  图像缩放
      6.3.5  图像分离与融合
      6.3.6  图像几何变换
      6.3.7  其他图像处理类
    6.4  OpenCV库
      6.4.1  OpenCV库简介
      6.4.2  OpenCV常用库函数
      6.4.3  色彩空间转换
    习题
  第7章  Python计算生态及机器学习概述
    7.1  计算思维的概念
    7.2  Python计算生态
      7.2.1  Python计算生态简介
      7.2.2  常用库简介
    7.3  Python数据分析库
      7.3.1  numpy库
      7.3.2  pandas库
      7.3.3  matplotlib库
      7.3.4  实例：loss和acc曲线绘制
    7.4  机器学习方法概述
      7.4.1  机器学习简介
      7.4.2  机器学习分类
    7.5  一元线性回归理论及实践

      7.5.1  一元线性回归
      7.5.2  损失函数
      7.5.3  梯度下降法
      7.5.4  实例：智能车路径拟合
    习题
第3部分  深度学习基础理论与实践
  第8章  深度学习基础及车辆识别项目实践
    8.1  神经网络简介
      8.1.1  神经网络基本概念
      8.1.2  单层感知机
      8.1.3  多层感知机
    8.2  深度学习理论基础
      8.2.1  信号前向传播
      8.2.2  激活函数
      8.2.3  损失函数
      8.2.4  优化方法
      8.2.5  误差反向传播
      8.2.6  计算图
    8.3  深度学习框架
      8.3.1  tensorflow
      8.3.2  pytorch
      8.3.3  PaddlePaddle
    8.4  实例：DNN车辆识别项目
    习题
  第9章  卷积神经网络及斑马线识别项目实践
    9.1  全连接神经网络的问题
    9.2  卷积神经网络理论基础
      9.2.1  卷积神经网络基本结构
      9.2.2  卷积层
      9.2.3  池化层
    9.3  典型的卷积神经网络模型
      9.3.1  LeNet
      9.3.2  AlexNet
      9.3.3  VGGNet
      9.3.4  GoogleNet
      9.3.5  ResNet
    9.4  实例：CNN斑马线检测项目
    习题
第4部分  智能车竞赛任务与实践
  第10章  智能车自动巡航算法设计及部署
    10.1  百度智慧交通创意赛介绍
    10.2  基于OpenCV图像处理的智能车自动巡航
      10.2.1  车道线检测的概念
      10.2.2  基于OpenCV实现车道线检测
      10.2.3  基于OpenCV图像处理实现智能车自动巡航
    10.3  基于CNN的智能车自动巡航模型设计及实验验证
      10.3.1  自动巡航数据采集及预处理
      10.3.2  数据增强
      10.3.3  自动巡航CNN模型设计
      10.3.4  代码设计及模型训练

      10.3.5  自动巡航CNN模型部署及实验验证
    10.4  基于PaddleSeg套件的智能车自动巡航模型设计及实验验证
      10.4.1  自动巡航数据采集与标注
      10.4.2  图像分割模型BisenetV2介绍
      10.4.3  代码设计及模型训练
      10.4.4  自动巡航BisenetV2模型部署及实验验证
    习题
  第11章  智能车竞赛目标检测任务的CNN模型设计与部署
    11.1  目标检测概述
      11.1.1  目标检测基本概念
      11.1.2  目标检测方法的技术进展
      11.1.3  常用数据格式与评估指标
    11.2  单阶段目标检测方法与神经网络轻量化
      11.2.1  SSD
      11.2.2  YOLO
      11.2.3  YOLOV2
      11.2.4  YOLOV3
      11.2.5  神经网络轻量化技术介绍
    11.3  智能车竞赛目标检测任务数据集构建
      11.3.1  数据采集
      11.3.2  数据标注
      11.3.3  划分数据
    11.4  目标检测网络模型构建与训练
      11.4.1  PaddleDetection介绍
      11.4.2  环境配置
      11.4.3  数据集准备
      11.4.4  训练参数配置
      11.4.5  开始训练
      11.4.6  模型导出
    11.5  目标检测模型部署
      11.5.1  模型转换
      11.5.2  模型部署
    习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目