123,123,123

內(nèi)容簡(jiǎn)介

　　本書聚焦深度學(xué)習(xí)算法建模及相關(guān)技術(shù)，選取醫(yī)療、視頻、工業(yè)三個(gè)非常有行業(yè)代表性的賽題：瑞金醫(yī)院MMC人工智能輔助構(gòu)建知識(shí)圖譜、阿里巴巴優(yōu)酷視頻增強(qiáng)和超分辨率挑戰(zhàn)賽和布匹疵點(diǎn)智能識(shí)別，介紹賽題涉及的技術(shù)知識(shí)和選手的創(chuàng)新思路與模型，對(duì)賽題的解決方案從0到1層層拆解。本書從經(jīng)典行業(yè)案例出發(fā)，內(nèi)容由淺入深、層層遞進(jìn)，既可以作為專業(yè)開(kāi)發(fā)者用書，也可以作為參考選手的實(shí)戰(zhàn)手冊(cè)。

作者簡(jiǎn)介

　　阿里云天池作為國(guó)內(nèi)**的競(jìng)賽平臺(tái)和AI社區(qū)，自誕生以來(lái)就一直秉持著讓更多人公平獲得大數(shù)據(jù)的理念。也正因此，天池每場(chǎng)經(jīng)典賽事沉淀的課題和數(shù)據(jù)集都會(huì)永久保留和開(kāi)放。截至目前，天池平臺(tái)已舉辦了超過(guò)200場(chǎng)來(lái)自真實(shí)業(yè)務(wù)場(chǎng)景的數(shù)據(jù)競(jìng)賽，覆蓋政府、金融、交通、物流、航空、電力、醫(yī)療等多個(gè)領(lǐng)域。

圖書目錄

目　　錄
賽題一瑞金醫(yī)院MMC人工智能輔助構(gòu)建知識(shí)圖譜
0 技術(shù)背景 3
0．1 技術(shù)現(xiàn)狀 3
0．2 實(shí)驗(yàn)室介紹 3
1 賽題解讀 7
1．1 賽題背景 7
1．2 知識(shí)圖譜 7
1．2．1 知識(shí)圖譜的發(fā)展歷史 7
1．2．2 如何表達(dá)知識(shí) 9
1．2．3 如何構(gòu)建知識(shí)圖譜 11
1．2．4 如何進(jìn)行知識(shí)推理 13
1．3 數(shù)據(jù)介紹 15
1．3．1 初賽數(shù)據(jù) 16
1．3．2 復(fù)賽數(shù)據(jù) 17
1．4 評(píng)測(cè)指標(biāo) 18
2 數(shù)據(jù)處理 19
2．1 自然語(yǔ)言處理基礎(chǔ) 19
2．1．1 詞向量 19
2．1．2 語(yǔ)言模型 20
2．1．3 自然語(yǔ)言處理中的深度學(xué)習(xí) 24
2．2 數(shù)據(jù)預(yù)處理 29
2．2．1 ．txt文件 29
2．2．2 ．a(chǎn)nn文件 30
2．2．3 使用Python解析文件 32
3 初賽賽題――實(shí)體識(shí)別 35
3．1 實(shí)體識(shí)別任務(wù) 35
3．2 傳統(tǒng)機(jī)器學(xué)習(xí)方法 36
3．2．1 概率圖模型 36
3．2．2 隱馬爾可夫模型 38
3．2．3 最大熵馬爾可夫模型 39
3．2．4 條件隨機(jī)場(chǎng)模型 40
3．3 深度學(xué)習(xí)方法 41
3．3．1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 41
3．3．2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)+條件隨機(jī)場(chǎng)模型 43
3．4 初賽方案 44
3．4．1 數(shù)據(jù)集構(gòu)建 44
3．4．2 特征工程 46
3．4．3 模型構(gòu)建 47
4 復(fù)賽賽題――關(guān)系抽取 53
4．1 關(guān)系抽取任務(wù) 53
4．2 傳統(tǒng)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 基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的抽取 55
4．3 深度學(xué)習(xí)方法 56
4．3．1 監(jiān)督學(xué)習(xí) 56
4．3．2 半監(jiān)督學(xué)習(xí) 57
4．4 復(fù)賽方案 59
4．4．1 數(shù)據(jù)集構(gòu)建 59
4．4．2 特征工程 62
4．4．3 模型構(gòu)建 63
5 Neo4j存儲(chǔ)知識(shí)圖譜 69
5．1 Neo4j介紹 69
5．2 Neo4j配置 70
5．2．1 安裝 70
5．2．2 Web管理平臺(tái) 71
5．2．3 Neo4j-shell 72
5．3 數(shù)據(jù)庫(kù)構(gòu)建 72
5．3．1 準(zhǔn)備工作 72
5．3．2 創(chuàng)建數(shù)據(jù)庫(kù) 72
5．3．3 事務(wù) 73
5．3．4 創(chuàng)建節(jié)點(diǎn) 73
5．3．5 創(chuàng)建關(guān)系 74
5．3．6 查詢 74
5．4 Cypher查詢 75
5．4．1 讀語(yǔ)句 76
5．4．2 寫語(yǔ)句 76
5．4．3 通用語(yǔ)句 78
6 賽題進(jìn)階討論 80
6．1 數(shù)據(jù)標(biāo)注方法 80
6．1．1 指針標(biāo)注 80
6．1．2 片段排列 81
6．2 聯(lián)合抽取 82
6．2．1 共享參數(shù) 82
6．2．2 聯(lián)合標(biāo)注 84
6．3 大規(guī)模預(yù)訓(xùn)練語(yǔ)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模型進(jìn)行實(shí)體識(shí)別與關(guān)系抽取 90
賽題二阿里巴巴優(yōu)酷視頻增強(qiáng)和超分辨率挑戰(zhàn)賽
0 技術(shù)背景 95
0．1 業(yè)界應(yīng)用 95
0．2 文娛行業(yè)面臨的畫質(zhì)問(wèn)題 95
0．3 實(shí)驗(yàn)室介紹和技術(shù)手段 96
0．4 重點(diǎn)模塊 97
0．5 處理效果 98
1 賽題解讀 100
1．1 賽題背景 100
1．2 賽題目標(biāo) 100
1．3 數(shù)據(jù)概覽 100
1．4 評(píng)估指標(biāo) 101
1．5 解題思路 102
1．6 賽題模型 103
2 數(shù)據(jù)處理 105
2．1 視頻和圖像處理 105
2．1．1 圖像基本概念 105
2．1．2 視頻基本概念 106
2．1．3 視頻分幀 107
2．1．4 圖像處理 108
2．1．5 圖片合成視頻 110
2．2 工具包 111
2．2．1 OpenCV庫(kù) 111
2．2．2 FFmpeg庫(kù) 112
2．3 數(shù)據(jù)處理 112
2．3．1 安裝工具包 112
2．3．2 導(dǎo)入工具包 112
2．3．3 視頻轉(zhuǎn)圖片函數(shù) 112
2．3．4 讀取圖片并獲取大小 113
2．3．5 讀取圖片并進(jìn)行灰度處理 114
2．3．6 分幀后的圖片灰度處理 114
2．3．7 圖片轉(zhuǎn)視頻函數(shù) 115
3 傳統(tǒng)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 最近鄰插值算法 119
3．2．2 雙線性插值算法 119
3．2．3 雙三次插值算法 120
3．3 幾種傳統(tǒng)插值算法結(jié)果對(duì)比 121
3．4 數(shù)據(jù)處理 122
3．4．1 導(dǎo)入工具包 122
3．4．2 讀取圖片 122
3．4．3 最近鄰插值算法 122
3．4．4 雙線性插值算法 123
3．4．5 基于4px×4px鄰域的三次插值算法 123
3．4．6 不同插值函數(shù)計(jì)算PSNR 123
3．4．7 傳統(tǒng)插值方法效果對(duì)比 123
3．4．8 Bicubic插值算法 124
4 深度插值方法 126
4．1 深度學(xué)習(xí) 126
4．1．1 卷積神經(jīng)網(wǎng)絡(luò) 126
4．1．2 使用SRCNN實(shí)現(xiàn)超清分辨率 132
4．2 賽題實(shí)踐 132
4．2．1 導(dǎo)入工具包 132
4．2．2 讀取圖片 133
4．2．3 使用Bicubic插值放大至目標(biāo)尺寸 133
4．2．4 實(shí)現(xiàn)SRCNN 133
4．2．5 SRCNN模型訓(xùn)練 133
4．2．6 SRCNN模型驗(yàn)證 135
4．2．7 SRCNN模型預(yù)測(cè) 135
4．2．8 保存圖片 135
5 深度學(xué)習(xí)方法改進(jìn) 136
5．1 FSRCNN實(shí)現(xiàn)超清分辨率 136
5．2 ESPCN實(shí)現(xiàn)超清分辨率 138
5．3 賽題實(shí)踐 140
5．3．1 導(dǎo)入工具包 140
5．3．2 讀取圖片 140
5．3．3 FSRCNN 140
5．3．4 ESPCN 142
6 深度學(xué)習(xí)方法進(jìn)階 145
6．1 GAN基本概念 145
6．1．1 GAN生成手寫數(shù)字 146
6．1．2 GAN訓(xùn)練 147
6．1．3 GAN算法數(shù)學(xué)形式 148
6．2 CGAN 149
6．3 VGGNet 150
6．4 ResNet 153
6．5 SRGAN結(jié)構(gòu) 156
6．5．1 SRGAN損失函數(shù) 157
6．5．2 SRGAN效果 157
6．6 SRGAN實(shí)現(xiàn)超清分辨率 158
6．6．1 導(dǎo)入工具包 158
6．6．2 讀取圖片 159
6．6．3 實(shí)現(xiàn)SRGAN 159
6．6．4 SRGAN模型訓(xùn)練 163
6．6．5 SRGAN模型驗(yàn)證 163
6．6．6 SRGAN模型預(yù)測(cè) 163
6．6．7 保存圖片 163
賽題三布匹疵點(diǎn)智能識(shí)別
（2019廣東工業(yè)智造創(chuàng)新大賽賽場(chǎng)一）
0 技術(shù)背景 167
0．1 行業(yè)背景 167
0．2 實(shí)驗(yàn)室產(chǎn)品介紹 168
0．3 賽題背景 170
0．4 初賽數(shù)據(jù)示例 171
0．5 復(fù)賽數(shù)據(jù)示例 172
1 賽題解析 173
1．1 賽題背景分析 173
1．2 計(jì)算機(jī)視覺(jué) 174
1．2．1 計(jì)算機(jī)視覺(jué)簡(jiǎn)介 174
1．2．2 計(jì)算機(jī)視覺(jué)發(fā)展歷史 175
1．2．3 計(jì)算機(jī)視覺(jué)方法 177
1．3 數(shù)據(jù)集介紹 178
1．4 賽題指標(biāo)介紹 179
1．5 賽題初步分析 181
2 深度學(xué)習(xí)基礎(chǔ) 182
2．1 感知機(jī) 182
2．2 梯度下降法 184
2．3 多層感知機(jī) 186
2．4 反向傳播 189
2．5 深度神經(jīng)網(wǎng)絡(luò)PyTorch實(shí)現(xiàn) 189
3 卷積神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)處理 193
3．1 卷積運(yùn)算與互相關(guān)運(yùn)算 193
3．2 卷積神經(jīng)網(wǎng)絡(luò) 195
3．3 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法 198
3．4 卷積神經(jīng)網(wǎng)絡(luò)PyTorch實(shí)現(xiàn) 199
3．4．1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單實(shí)現(xiàn)示例 199
3．4．2 競(jìng)賽數(shù)據(jù)預(yù)訓(xùn)練模型 202
4 區(qū)域卷積神經(jīng)網(wǎng)絡(luò)系列算法 204
4．1 目標(biāo)檢測(cè)的基本概念 204
4．2 區(qū)域卷積神經(jīng)網(wǎng)絡(luò) 205
4．3 Fast R-CNN算法 210
4．4 Faster R-CNN算法 214
4．5 目標(biāo)檢測(cè)Faster R-CNN算法實(shí)戰(zhàn) 218
5 實(shí)例分割Mask R-CNN算法 226
5．1 實(shí)例分割 226
5．2 Mask R-CNN算法 226
5．3 PyTorch實(shí)現(xiàn)實(shí)例分割 230
6 賽題最優(yōu)算法與提升思路 237
6．1 級(jí)聯(lián)區(qū)域卷積神經(jīng)網(wǎng)絡(luò) 237
6．2 目標(biāo)檢測(cè)賽題提升思路 239
6．3 mm-detection框架下的算法實(shí)現(xiàn) 241
參考文獻(xiàn) 242