深度學習項目開發實踐 (TensorFlow + Sklearn + PyTorch)(微視頻版)

目    錄

 

第1章  AI智能問答系統 1

1.1  背景介紹 2

1.1.1  互聯網的影響 2

1.1.2  問答系統的發展 2

1.2  問答系統的發展趨勢：AI問答系統 4

1.2.1  人工智能介紹 4

1.2.2  機器學習 5

1.2.3  深度學習 5

1.2.4  系統介紹 6

1.3  技術架構 6

1.3.1  TensorFlow.js 6

1.3.2  SQuAD 2.0 7

1.3.3  BERT 8

1.3.4  知識蒸餾 8

1.4  具體實現 9

1.4.1  編寫HTML文件 9

1.4.2  腳本處理 11

1.4.3  加載訓練模型 12

1.4.4  查詢處理 12

1.4.5  文章處理 14

1.4.6  加載處理 16

1.4.7  尋找答案 17

1.4.8  提取最佳答案 18

1.4.9  將答案轉換迴文本 20

1.5  調試運行 20

第2章  AI智能推薦系統 23

2.1  背景介紹 24

2.1.1  推薦系統能解決什麽問題 24

2.1.2  推薦系統的應用領域 25

2.1.3  推薦系統和搜索引擎 25

2.2  項目介紹 26

2.3  數據採集和整理 26

2.3.1  數據整理 26

2.3.2  電影詳情數據 30

2.3.3  提取電影特徵 37

2.4  情感分析和序列化操作 43

2.5  Web端實時推薦 44

2.5.1  Flask啟動頁面 44

2.5.2  模板文件 47

2.5.3  後端處理 49

2.6  調試運行 56

第3章  智能OCR文本檢測識別系統 59

3.1  背景介紹 60

3.2  OCR系統簡介 60

3.2.1  OCR的基本原理和使用方式 60

3.2.2  文字識別的基本步驟 61

3.2.3  深度學習對OCR的影響 63

3.2.4  與OCR相關的深度學習技術 63

3.3  系統介紹 64

3.4  準備模型 65

3.4.1  文本檢測模型 65

3.4.2  文本識別模型 65

3.5  創建工程 66

3.5.1  工程配置 66

3.5.2  配置應用程序 67

3.5.3  導入模型 68

3.6  具體實現 68

3.6.1  頁面佈局 69

3.6.2  實現主Activity 69

3.6.3  圖像處理操作 73

3.6.4  運行OCR模型 76

3.7  調試運行 80

第4章  國際足球比賽結果預測系統 81

4.1  歐洲足球五大聯賽 82

4.2  模塊架構 83

4.3  準備數據 83

4.4  數據可視化分析 84

4.4.1  事件收集 84

4.4.2  射門數據可視化 87

4.4.3  球隊和球員數據可視化 89

4.4.4  聯賽數據可視化 96

4.4.5  巴塞羅那隊的進球數據餅形圖 100

4.4.6  紅牌和黃牌數據可視化 101

4.4.7  進球數據可視化 106

4.4.8  梅西和C羅的數據可視化 114

4.4.9  五大聯賽的球員數量可視化 118

4.5  比賽預測 119

4.5.1  讀取數據 119

4.5.2  清洗數據 121

4.5.3  邏輯回歸算法 122

4.5.4  創建梯度提升模型 123

4.5.5  創建隨機森林分類器模型 124

4.5.6  不平衡處理 126

4.6  進球預測 128

4.6.1  預處理 128

4.6.2  創建循環神經網絡 132

第5章  智能素描繪圖系統 137

5.1  項目介紹 138

5.2  需求分析 138

5.3  功能模塊 139

5.4  預處理 140

5.4.1  低動態範圍配置 140

5.4.2  圖像處理和調整 141

5.4.3  獲取原始圖像的筆畫 143

5.4.4  方向檢測 147

5.4.5  去藍處理 150

5.4.6  圖像合成 152

5.4.7  快速排序 156

5.4.8  側窗濾波 157

5.5  開始繪圖 160

5.5.1  基於邊緣繪畫的繪圖程序 160

5.5.2  繪制鉛筆畫 170

第6章  ChatGPT微信客服機器人 173

6.1  ChatGPT概述 174

6.1.1  ChatGPT的發展歷程 174

6.1.2  GPT系列的演變 175

6.1.3  ChatGPT的主要特點 175

6.2  系統介紹 176

6.3  項目結構 176

6.4  準備工作 177

6.4.1  註冊成為OpenAI會員 177

6.4.2  獲取API key 178

6.5  系統配置 181

6.5.1  基本配置 181

6.5.2  其他配置 182

6.6  通道處理 188

6.6.1  通用處理邏輯 188

6.6.2  微信聊天通道 194

6.6.3  微信公眾號通道 199

6.7  對話處理 204

6.7.1  OpenAI對話 204

6.7.2  ChatGPT對話 207

6.7.3  Baidu Unit對話 212

6.8  語音識別 213

6.8.1  OpenAI語音識別 213

6.8.2  谷歌語音識別 214

6.8.3  百度語音識別 215

6.8.4  Microsoft Azure語音識別 218

6.9  調試運行 219

第7章  移動機器人智能物體識別系統 221

7.1  背景介紹 222

7.2  物體識別 222

7.2.1  物體識別介紹 223

7.2.2  圖像特徵的提取方法 223

7.3  系統介紹 225

7.4  準備模型 226

7.4.1  模型介紹 226

7.4.2  自定義模型 227

7.5  基於Android的機器人智能檢測器 230

7.5.1  準備工作 230

7.5.2  頁面佈局 232

7.5.3  實現主Activity 232

7.5.4  物體識別界面 238

7.5.5  相機預覽界面拼接 241

7.5.6  lib_task_api方案 249

7.5.7  lib_interpreter方案 251

7.6  基於iOS的機器人智能檢測器 256

7.6.1  系統介紹 256

7.6.2  視圖文件 258

7.6.3  相機處理 270

7.6.4  處理TensorFlow Lite模型 277

7.7  調試運行 284

第8章  AI考勤管理系統 285

8.1  背景介紹 286

8.2  系統介紹 286

8.3  系統需求分析 287

8.3.1  可行性分析 287

8.3.2  系統操作流程分析 287

8.3.3  系統模塊設計 287

8.4  系統配置 289

8.4.1  Django配置文件 289

8.4.2  路徑導航文件 289

8.4.3  設計數據模型 290

8.5  用戶登錄驗證 291

8.5.1  登錄表單頁面 291

8.5.2  登錄驗證 292

8.6  添加新員工信息 293

8.6.1  後台主頁面 293

8.6.2  添加員工表單頁面 295

8.6.3  添加員工信息 296

8.7  採集員工照片信息 296

8.7.1  設置採集對象 297

8.7.2  採集照片 298

8.8  訓練照片模型 300

8.8.1  前臺頁面 300

8.8.2  預測處理 300

8.8.3  訓練數據集 301

8.8.4  訓練可視化 302

8.9  考勤打卡 303

8.9.1  上班打卡簽到 303

8.9.2  下班打卡簽退 305

8.10  查看員工考勤信息 305

8.10.1  統計最近兩周的考勤信息 306

8.10.2  查看某員工在指定時間範圍內的考勤信息 308

8.10.3  查看指定日期的考勤信息 310

8.11  查看本人的考勤信息 311

8.11.1  視圖函數 311

8.11.2  模板文件 313

8.12  調試運行 315

第9章  網絡輿情數據分析系統 317

9.1  系統介紹 318

9.1.1  輿情數據分析的方式和意義 318

9.1.2  輿情熱度分析 318

9.2  架構設計 319

9.2.1  模塊分析 319

9.2.2  系統結構 320

9.3  微博爬蟲 320

9.3.1  系統配置 321

9.3.2  批量賬號模擬登錄 321

9.3.3  爬取信息 323

9.4  系統後端 334

9.4.1  系統配置 334

9.4.2  數據結構設計 334

9.4.3  數據處理 339

9.4.4  微博話題分析 345

9.5  系統前端 352

9.5.1  API導航 352

9.5.2  博文詳情 353