中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)與圖像識(shí)別:原理與實(shí)踐
作者：魏溪含，涂銘，張修鵬著
開本：
其他
頁數(shù)：
276
讀者評(píng)分：5分1條評(píng)論
本類五星書更多>
-
>
全國計(jì)算機(jī)等級(jí)考試最新真考題庫模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥89.0
加入購物車
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)與圖像識(shí)別:原理與實(shí)踐 版權(quán)信息
- ISBN：9787111630036
- 條形碼：9787111630036 ; 978-7-111-63003-6
- 裝幀：簡(jiǎn)裝本
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)與圖像識(shí)別:原理與實(shí)踐 本書特色
本書是一本有關(guān)人工智能圖像識(shí)別應(yīng)用開發(fā)與實(shí)踐指導(dǎo)類的教材，主要介紹圖像處理應(yīng)用項(xiàng)目開發(fā)的基本流程、圖像識(shí)別處理應(yīng)用項(xiàng)目關(guān)鍵技術(shù)。本書直擊當(dāng)今研究熱點(diǎn)，選擇有代表性的專題項(xiàng)目而且盡量避免復(fù)雜的數(shù)學(xué)推導(dǎo)，易于讀者理解，專注于實(shí)戰(zhàn)。詳細(xì)介紹了numpy，knn，線性回歸，邏輯回歸，神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用，并為后一部分的深度學(xué)習(xí)做好鋪墊。同時(shí)，針對(duì)每一個(gè)項(xiàng)目介紹項(xiàng)目的應(yīng)用及意義，該項(xiàng)目的數(shù)據(jù)特征分析、識(shí)別系統(tǒng)設(shè)計(jì)、圖像預(yù)處理技術(shù)、特征提取技術(shù)，以及識(shí)別方法等。書中實(shí)例程序的框架結(jié)構(gòu)簡(jiǎn)單，代碼簡(jiǎn)潔，讀者可在數(shù)字圖像處理技術(shù)的基礎(chǔ)上進(jìn)一步深化學(xué)習(xí)內(nèi)容，提高實(shí)踐應(yīng)用能力和項(xiàng)目開發(fā)能力。
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)與圖像識(shí)別:原理與實(shí)踐 內(nèi)容簡(jiǎn)介
本書是一本有關(guān)人工智能圖像識(shí)別應(yīng)用開發(fā)與實(shí)踐指導(dǎo)類的教材，主要介紹圖像處理應(yīng)用項(xiàng)目開發(fā)的基本流程、圖像識(shí)別處理應(yīng)用項(xiàng)目關(guān)鍵技術(shù)。本書直擊當(dāng)今研究熱點(diǎn)，選擇有代表性的專題項(xiàng)目而且盡量避免復(fù)雜的數(shù)學(xué)推導(dǎo)，易于讀者理解，專注于實(shí)戰(zhàn)。詳細(xì)介紹了numpy，knn，線性回歸，邏輯回歸，神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用，并為后一部分的深度學(xué)習(xí)做好鋪墊。同時(shí)，針對(duì)每一個(gè)項(xiàng)目介紹項(xiàng)目的應(yīng)用及意義，該項(xiàng)目的數(shù)據(jù)特征分析、識(shí)別系統(tǒng)設(shè)計(jì)、圖像預(yù)處理技術(shù)、特征提取技術(shù)，以及識(shí)別方法等。書中實(shí)例程序的框架結(jié)構(gòu)簡(jiǎn)單，代碼簡(jiǎn)潔，讀者可在數(shù)字圖像處理技術(shù)的基礎(chǔ)上進(jìn)一步深化學(xué)習(xí)內(nèi)容，提高實(shí)踐應(yīng)用能力和項(xiàng)目開發(fā)能力。
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)與圖像識(shí)別:原理與實(shí)踐 目錄
前言
第1章 機(jī)器視覺在行業(yè)中的應(yīng)用1
1.1 機(jī)器視覺的發(fā)展背景1
1.1.1 人工智能1
1.1.2 機(jī)器視覺2
1.2 機(jī)器視覺的主要應(yīng)用場(chǎng)景3
1.2.1 人臉識(shí)別3
1.2.2 視頻監(jiān)控分析4
1.2.3 工業(yè)瑕疵檢測(cè)5
1.2.4 圖片識(shí)別分析6
1.2.5 自動(dòng)駕駛/駕駛輔助7
1.2.6 三維圖像視覺8
1.2.7 醫(yī)療影像診斷8
1.2.8 文字識(shí)別9
1.2.9 圖像/視頻的生成及設(shè)計(jì)9
1.3 本章小結(jié)10
第2章 圖像識(shí)別前置技術(shù)11
2.1 深度學(xué)習(xí)框架11
2.1.1 Theano11
2.1.2 Tensorflow12
2.1.3 MXNet13
2.1.4 Keras13
2.1.5 PyTorch14
2.1.6 Caffe14
2.2 搭建圖像識(shí)別開發(fā)環(huán)境15
2.2.1 Anaconda15
2.2.2 conda18
2.2.3 Pytorch的下載與安裝19
2.3 Numpy使用詳解20
2.3.1 創(chuàng)建數(shù)組20
2.3.2 創(chuàng)建Numpy數(shù)組22
2.3.3 獲取Numpy屬性24
2.3.4 Numpy數(shù)組索引25
2.3.5 切片25
2.3.6 Numpy中的矩陣運(yùn)算26
2.3.7 數(shù)據(jù)類型轉(zhuǎn)換27
2.3.8 Numpy的統(tǒng)計(jì)計(jì)算方法28
2.3.9 Numpy中的arg運(yùn)算29
2.3.10 FancyIndexing29
2.3.11 Numpy數(shù)組比較30
2.4 本章小結(jié)31
第3章 圖像分類之KNN算法32
3.1 KNN的理論基礎(chǔ)與實(shí)現(xiàn)32
3.1.1 理論知識(shí)32
3.1.2 KNN的算法實(shí)現(xiàn)33
3.2 圖像分類識(shí)別預(yù)備知識(shí)35
3.2.1 圖像分類35
3.2.2 圖像預(yù)處理36
3.3 KNN實(shí)戰(zhàn)36
3.3.1 KNN實(shí)現(xiàn)MNIST數(shù)據(jù)分類36
3.3.2 KNN實(shí)現(xiàn)Cifar10數(shù)據(jù)分類41
3.4 模型參數(shù)調(diào)優(yōu)44
3.5 本章小結(jié)48
第4章 機(jī)器學(xué)習(xí)基礎(chǔ)49
4.1 線性回歸模型49
4.1.1 一元線性回歸50
4.1.2 多元線性回歸56
4.2 邏輯回歸模型57
4.2.1 Sigmoid函數(shù)58
4.2.2 梯度下降法59
4.2.3 學(xué)習(xí)率的分析61
4.2.4 邏輯回歸的損失函數(shù)63
4.2.5 Python實(shí)現(xiàn)邏輯回歸66
4.3 本章小結(jié)68
第5章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)69
5.1 神經(jīng)網(wǎng)絡(luò)69
5.1.1 神經(jīng)元70
5.1.2 激活函數(shù)72
5.1.3 前向傳播76
5.2 輸出層80
5.2.1 Softmax80
5.2.2 one-hotencoding82
5.2.3 輸出層的神經(jīng)元個(gè)數(shù)83
5.2.4 MNIST數(shù)據(jù)集的前向傳播83
5.3 批處理85
5.4 廣播原則87
5.5 損失函數(shù)88
5.5.1 均方誤差88
5.5.2 交叉熵誤差89
5.5.3 Mini-batch90
5.6 *優(yōu)化91
5.6.1 隨機(jī)初始化91
5.6.2 跟隨梯度（數(shù)值微分）92
5.7 基于數(shù)值微分的反向傳播98
5.8 基于測(cè)試集的評(píng)價(jià)101
5.9 本章小結(jié)104
第6章 誤差反向傳播105
6.1 激活函數(shù)層的實(shí)現(xiàn)105
6.1.1 ReLU反向傳播實(shí)現(xiàn)106
6.1.2 Sigmoid反向傳播實(shí)現(xiàn)106
6.2 Affine層的實(shí)現(xiàn)107
6.3 Softmaxwithloss層的實(shí)現(xiàn)108
6.4 基于數(shù)值微分和誤差反向傳播的比較109
6.5 通過反向傳播實(shí)現(xiàn)MNIST識(shí)別111
6.6 正則化懲罰114
6.7 本章小結(jié)115
第7章 PyTorch實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)圖像分類116
7.1 PyTorch的使用116
7.1.1 Tensor116
7.1.2 Variable117
7.1.3 激活函數(shù)118
7.1.4 損失函數(shù)120
7.2 PyTorch實(shí)戰(zhàn)122
7.2.1 PyTorch實(shí)戰(zhàn)之MNIST分類122
7.2.2 PyTorch實(shí)戰(zhàn)之Cifar10分類125
7.3 本章小結(jié)128
第8章 卷積神經(jīng)網(wǎng)絡(luò)129
8.1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)129
8.1.1 全連接層129
8.1.2 卷積層130
8.1.3 池化層134
8.1.4 批規(guī)范化層135
8.2 常見卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)135
8.2.1 AlexNet136
8.2.2 VGGNet138
8.2.3 GoogLeNet140
8.2.4 ResNet142
8.2.5 其他網(wǎng)絡(luò)結(jié)構(gòu)144
8.3 VGG16實(shí)現(xiàn)Cifar10分類145
8.3.1 訓(xùn)練146
8.3.2 預(yù)測(cè)及評(píng)估149
8.4 本章小結(jié)152
8.5 參考文獻(xiàn)152
第9章 目標(biāo)檢測(cè)153
9.1 定位 分類153
9.2 目標(biāo)檢測(cè)155
9.2.1 R-CNN156
9.2.2 Fast R-CNN160
9.2.3 Faster R-CNN162
9.2.4 YOLO165
9.2.5 SSD166
9.3 SSD實(shí)現(xiàn)VOC目標(biāo)檢測(cè)167
9.3.1 PASCAL VOC數(shù)據(jù)集167
9.3.2 數(shù)據(jù)準(zhǔn)備170
9.3.3 構(gòu)建模型175
9.3.4 定義Loss178
9.3.5 SSD訓(xùn)練細(xì)節(jié)181
9.3.6 訓(xùn)練186
9.3.7 測(cè)試189
9.4 本章小結(jié)190
9.5 參考文獻(xiàn)191
第10章 分割192
10.1 語義分割193
10.1.1 FCN193
10.1.2 UNet實(shí)現(xiàn)裂紋分割196
10.1.3 SegNet209
10.1.4 PSPNet210
10.2 實(shí)例分割211
10.2.1 層疊式212
10.2.2 扁平式212
10.3 本章小結(jié)213
10.4 參考文獻(xiàn)214
第11章 產(chǎn)生式模型215
11.1 自編碼器215
11.2 對(duì)抗生成網(wǎng)絡(luò)215
11.3 DCGAN及實(shí)戰(zhàn)217
11.3.1 數(shù)據(jù)集218
11.3.2 網(wǎng)絡(luò)設(shè)置220
11.3.3 構(gòu)建產(chǎn)生網(wǎng)絡(luò)221
11.3.4 構(gòu)建判別網(wǎng)絡(luò)223
11.3.5 定義損失函數(shù)224
11.3.6 訓(xùn)練過程224
11.3.7 測(cè)試227
11.4 其他GAN230
11.5 本章小結(jié)235
11.6 參考文獻(xiàn)235
第12章 神經(jīng)網(wǎng)絡(luò)可視化236
12.1 卷積核236
12.2 特征層237
12.2.1 直接觀測(cè)237
12.2.2 通過重構(gòu)觀測(cè)239
12.2.3 末端特征激活情況243
12.2.4 特征層的作用244
12.3 圖片風(fēng)格化245
12.3.1 理論介紹245
12.3.2 代碼實(shí)現(xiàn)247
12.4 本章小結(jié)255
12.5 參考文獻(xiàn)255
第13章 圖像識(shí)別算法的部署模式257
13.1 圖像算法部署模式介紹257
13.2 實(shí)際應(yīng)用場(chǎng)景和部署模式的匹配262
13.3 案例介紹264
13.4 本章小結(jié)265
第1章 機(jī)器視覺在行業(yè)中的應(yīng)用1
1.1 機(jī)器視覺的發(fā)展背景1
1.1.1 人工智能1
1.1.2 機(jī)器視覺2
1.2 機(jī)器視覺的主要應(yīng)用場(chǎng)景3
1.2.1 人臉識(shí)別3
1.2.2 視頻監(jiān)控分析4
1.2.3 工業(yè)瑕疵檢測(cè)5
1.2.4 圖片識(shí)別分析6
1.2.5 自動(dòng)駕駛/駕駛輔助7
1.2.6 三維圖像視覺8
1.2.7 醫(yī)療影像診斷8
1.2.8 文字識(shí)別9
1.2.9 圖像/視頻的生成及設(shè)計(jì)9
1.3 本章小結(jié)10
第2章 圖像識(shí)別前置技術(shù)11
2.1 深度學(xué)習(xí)框架11
2.1.1 Theano11
2.1.2 Tensorflow12
2.1.3 MXNet13
2.1.4 Keras13
2.1.5 PyTorch14
2.1.6 Caffe14
2.2 搭建圖像識(shí)別開發(fā)環(huán)境15
2.2.1 Anaconda15
2.2.2 conda18
2.2.3 Pytorch的下載與安裝19
2.3 Numpy使用詳解20
2.3.1 創(chuàng)建數(shù)組20
2.3.2 創(chuàng)建Numpy數(shù)組22
2.3.3 獲取Numpy屬性24
2.3.4 Numpy數(shù)組索引25
2.3.5 切片25
2.3.6 Numpy中的矩陣運(yùn)算26
2.3.7 數(shù)據(jù)類型轉(zhuǎn)換27
2.3.8 Numpy的統(tǒng)計(jì)計(jì)算方法28
2.3.9 Numpy中的arg運(yùn)算29
2.3.10 FancyIndexing29
2.3.11 Numpy數(shù)組比較30
2.4 本章小結(jié)31
第3章 圖像分類之KNN算法32
3.1 KNN的理論基礎(chǔ)與實(shí)現(xiàn)32
3.1.1 理論知識(shí)32
3.1.2 KNN的算法實(shí)現(xiàn)33
3.2 圖像分類識(shí)別預(yù)備知識(shí)35
3.2.1 圖像分類35
3.2.2 圖像預(yù)處理36
3.3 KNN實(shí)戰(zhàn)36
3.3.1 KNN實(shí)現(xiàn)MNIST數(shù)據(jù)分類36
3.3.2 KNN實(shí)現(xiàn)Cifar10數(shù)據(jù)分類41
3.4 模型參數(shù)調(diào)優(yōu)44
3.5 本章小結(jié)48
第4章 機(jī)器學(xué)習(xí)基礎(chǔ)49
4.1 線性回歸模型49
4.1.1 一元線性回歸50
4.1.2 多元線性回歸56
4.2 邏輯回歸模型57
4.2.1 Sigmoid函數(shù)58
4.2.2 梯度下降法59
4.2.3 學(xué)習(xí)率的分析61
4.2.4 邏輯回歸的損失函數(shù)63
4.2.5 Python實(shí)現(xiàn)邏輯回歸66
4.3 本章小結(jié)68
第5章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)69
5.1 神經(jīng)網(wǎng)絡(luò)69
5.1.1 神經(jīng)元70
5.1.2 激活函數(shù)72
5.1.3 前向傳播76
5.2 輸出層80
5.2.1 Softmax80
5.2.2 one-hotencoding82
5.2.3 輸出層的神經(jīng)元個(gè)數(shù)83
5.2.4 MNIST數(shù)據(jù)集的前向傳播83
5.3 批處理85
5.4 廣播原則87
5.5 損失函數(shù)88
5.5.1 均方誤差88
5.5.2 交叉熵誤差89
5.5.3 Mini-batch90
5.6 *優(yōu)化91
5.6.1 隨機(jī)初始化91
5.6.2 跟隨梯度（數(shù)值微分）92
5.7 基于數(shù)值微分的反向傳播98
5.8 基于測(cè)試集的評(píng)價(jià)101
5.9 本章小結(jié)104
第6章 誤差反向傳播105
6.1 激活函數(shù)層的實(shí)現(xiàn)105
6.1.1 ReLU反向傳播實(shí)現(xiàn)106
6.1.2 Sigmoid反向傳播實(shí)現(xiàn)106
6.2 Affine層的實(shí)現(xiàn)107
6.3 Softmaxwithloss層的實(shí)現(xiàn)108
6.4 基于數(shù)值微分和誤差反向傳播的比較109
6.5 通過反向傳播實(shí)現(xiàn)MNIST識(shí)別111
6.6 正則化懲罰114
6.7 本章小結(jié)115
第7章 PyTorch實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)圖像分類116
7.1 PyTorch的使用116
7.1.1 Tensor116
7.1.2 Variable117
7.1.3 激活函數(shù)118
7.1.4 損失函數(shù)120
7.2 PyTorch實(shí)戰(zhàn)122
7.2.1 PyTorch實(shí)戰(zhàn)之MNIST分類122
7.2.2 PyTorch實(shí)戰(zhàn)之Cifar10分類125
7.3 本章小結(jié)128
第8章 卷積神經(jīng)網(wǎng)絡(luò)129
8.1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)129
8.1.1 全連接層129
8.1.2 卷積層130
8.1.3 池化層134
8.1.4 批規(guī)范化層135
8.2 常見卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)135
8.2.1 AlexNet136
8.2.2 VGGNet138
8.2.3 GoogLeNet140
8.2.4 ResNet142
8.2.5 其他網(wǎng)絡(luò)結(jié)構(gòu)144
8.3 VGG16實(shí)現(xiàn)Cifar10分類145
8.3.1 訓(xùn)練146
8.3.2 預(yù)測(cè)及評(píng)估149
8.4 本章小結(jié)152
8.5 參考文獻(xiàn)152
第9章 目標(biāo)檢測(cè)153
9.1 定位 分類153
9.2 目標(biāo)檢測(cè)155
9.2.1 R-CNN156
9.2.2 Fast R-CNN160
9.2.3 Faster R-CNN162
9.2.4 YOLO165
9.2.5 SSD166
9.3 SSD實(shí)現(xiàn)VOC目標(biāo)檢測(cè)167
9.3.1 PASCAL VOC數(shù)據(jù)集167
9.3.2 數(shù)據(jù)準(zhǔn)備170
9.3.3 構(gòu)建模型175
9.3.4 定義Loss178
9.3.5 SSD訓(xùn)練細(xì)節(jié)181
9.3.6 訓(xùn)練186
9.3.7 測(cè)試189
9.4 本章小結(jié)190
9.5 參考文獻(xiàn)191
第10章 分割192
10.1 語義分割193
10.1.1 FCN193
10.1.2 UNet實(shí)現(xiàn)裂紋分割196
10.1.3 SegNet209
10.1.4 PSPNet210
10.2 實(shí)例分割211
10.2.1 層疊式212
10.2.2 扁平式212
10.3 本章小結(jié)213
10.4 參考文獻(xiàn)214
第11章 產(chǎn)生式模型215
11.1 自編碼器215
11.2 對(duì)抗生成網(wǎng)絡(luò)215
11.3 DCGAN及實(shí)戰(zhàn)217
11.3.1 數(shù)據(jù)集218
11.3.2 網(wǎng)絡(luò)設(shè)置220
11.3.3 構(gòu)建產(chǎn)生網(wǎng)絡(luò)221
11.3.4 構(gòu)建判別網(wǎng)絡(luò)223
11.3.5 定義損失函數(shù)224
11.3.6 訓(xùn)練過程224
11.3.7 測(cè)試227
11.4 其他GAN230
11.5 本章小結(jié)235
11.6 參考文獻(xiàn)235
第12章 神經(jīng)網(wǎng)絡(luò)可視化236
12.1 卷積核236
12.2 特征層237
12.2.1 直接觀測(cè)237
12.2.2 通過重構(gòu)觀測(cè)239
12.2.3 末端特征激活情況243
12.2.4 特征層的作用244
12.3 圖片風(fēng)格化245
12.3.1 理論介紹245
12.3.2 代碼實(shí)現(xiàn)247
12.4 本章小結(jié)255
12.5 參考文獻(xiàn)255
第13章 圖像識(shí)別算法的部署模式257
13.1 圖像算法部署模式介紹257
13.2 實(shí)際應(yīng)用場(chǎng)景和部署模式的匹配262
13.3 案例介紹264
13.4 本章小結(jié)265
展開全部
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)與圖像識(shí)別:原理與實(shí)踐 作者簡(jiǎn)介
作者簡(jiǎn)介
魏溪含
愛丁堡大學(xué)人工智能碩士，阿里巴巴達(dá)摩院算法專家，在計(jì)算機(jī)視覺、大數(shù)據(jù)領(lǐng)域有8年以上的算法架構(gòu)和研發(fā)經(jīng)驗(yàn)。
在大數(shù)據(jù)領(lǐng)域，曾帶領(lǐng)團(tuán)隊(duì)對(duì)阿里巴巴個(gè)性化推薦系統(tǒng)進(jìn)行升級(jí)；計(jì)算機(jī)視覺領(lǐng)域，主導(dǎo)并攻克了光伏EL全自動(dòng)瑕疵識(shí)別的世界難題，并在行為識(shí)別領(lǐng)域帶領(lǐng)團(tuán)隊(duì)參賽打破世界紀(jì)錄等。
涂銘
阿里巴巴數(shù)據(jù)架構(gòu)師，對(duì)大數(shù)據(jù)、自然語言處理、圖像識(shí)別、Python、Java相關(guān)技術(shù)有深入的研究，積累了豐富的實(shí)踐經(jīng)驗(yàn)。在工業(yè)領(lǐng)域曾參與了燃煤優(yōu)化、設(shè)備故障診斷項(xiàng)目，正泰光伏電池片和組件EL圖像檢測(cè)項(xiàng)目；在自然語言處理方面，擔(dān)任導(dǎo)購機(jī)器人項(xiàng)目的架構(gòu)師，主導(dǎo)開發(fā)機(jī)器人的語義理解、短文本相似度匹配、上下文理解，以及通過自然語言檢索產(chǎn)品庫，在項(xiàng)目中構(gòu)建了NoSQL 文本檢索等大數(shù)據(jù)架構(gòu)，也同時(shí)負(fù)責(zé)問答對(duì)的整理和商品屬性的提取，帶領(lǐng)NLP團(tuán)隊(duì)構(gòu)建語義解析層。作者簡(jiǎn)介
魏溪含
愛丁堡大學(xué)人工智能碩士，阿里巴巴達(dá)摩院算法專家，在計(jì)算機(jī)視覺、大數(shù)據(jù)領(lǐng)域有8年以上的算法架構(gòu)和研發(fā)經(jīng)驗(yàn)。
在大數(shù)據(jù)領(lǐng)域，曾帶領(lǐng)團(tuán)隊(duì)對(duì)阿里巴巴個(gè)性化推薦系統(tǒng)進(jìn)行升級(jí)；計(jì)算機(jī)視覺領(lǐng)域，主導(dǎo)并攻克了光伏EL全自動(dòng)瑕疵識(shí)別的世界難題，并在行為識(shí)別領(lǐng)域帶領(lǐng)團(tuán)隊(duì)參賽打破世界紀(jì)錄等。
涂銘
阿里巴巴數(shù)據(jù)架構(gòu)師，對(duì)大數(shù)據(jù)、自然語言處理、圖像識(shí)別、Python、Java相關(guān)技術(shù)有深入的研究，積累了豐富的實(shí)踐經(jīng)驗(yàn)。在工業(yè)領(lǐng)域曾參與了燃煤優(yōu)化、設(shè)備故障診斷項(xiàng)目，正泰光伏電池片和組件EL圖像檢測(cè)項(xiàng)目；在自然語言處理方面，擔(dān)任導(dǎo)購機(jī)器人項(xiàng)目的架構(gòu)師，主導(dǎo)開發(fā)機(jī)器人的語義理解、短文本相似度匹配、上下文理解，以及通過自然語言檢索產(chǎn)品庫，在項(xiàng)目中構(gòu)建了NoSQL 文本檢索等大數(shù)據(jù)架構(gòu)，也同時(shí)負(fù)責(zé)問答對(duì)的整理和商品屬性的提取，帶領(lǐng)NLP團(tuán)隊(duì)構(gòu)建語義解析層。
張修鵬
畢業(yè)于中南大學(xué)，阿里巴巴技術(shù)發(fā)展專家，長期從事云計(jì)算、大數(shù)據(jù)、人工智能與物聯(lián)網(wǎng)技術(shù)的商業(yè)化應(yīng)用，在阿里巴巴首次將圖像識(shí)別技術(shù)引入工業(yè)，并推動(dòng)圖像識(shí)別產(chǎn)品化、平臺(tái)化，擅于整合前沿技術(shù)解決產(chǎn)業(yè)問題，主導(dǎo)多個(gè)大數(shù)據(jù)和AI為核心的數(shù)字化轉(zhuǎn)型項(xiàng)目成功實(shí)施，對(duì)技術(shù)和商業(yè)結(jié)合有著深刻的理解。
書友推薦
- >
自卑與超越
- >
有舍有得是人生
- >
煙與鏡
- >
苦雨齋序跋文-周作人自編集
- >
小考拉的故事-套裝共3冊(cè)
- >
回憶愛瑪儂
- >
月亮與六便士
- >
山海經(jīng)
本類暢銷
