人工智能研究

第1章 緒論
1.1 什么是人工智能
1.2 人工智能發(fā)展歷程
1.3 人工智能的重要概念
1.3.1 智能代理
1.3.2 與外部環(huán)境特性相關(guān)的重要術(shù)語
1.4 人工智能發(fā)展現(xiàn)狀
1.4.1 應(yīng)用領(lǐng)域
1.4.2 應(yīng)用層次
1.4.3 發(fā)展趨勢(shì)
1.5 人工智能相關(guān)技術(shù)
第2章 Python
2.1 Python概述
2.1.1 發(fā)展歷史
2.1.2 應(yīng)用領(lǐng)域
2.2 常用數(shù)據(jù)類型
2.2.1 Number類型
2.2.2 String類型
2.2.3 Sequence類型簇
2.2.4 Tuple類型
2.2.5 List類型
2.2.6 Set類型
2.2.7 Dictionary類型
2.2.8 其他類型
2.2.9 數(shù)字類型轉(zhuǎn)換
2.3 流程控制
2.3.1 程序塊與作用域
2.3.2 條件語句
2.3.3 循環(huán)語句
2.4 函數(shù)
2.4.1 定義與調(diào)用
2.4.2 變長(zhǎng)參數(shù)
2.4.3 匿名函數(shù)
2.5 異常
2.6 數(shù)據(jù)結(jié)構(gòu)與算法
2.6.1 常用的數(shù)據(jù)結(jié)構(gòu)
2.6.2 常用的算法
第3章 機(jī)器學(xué)習(xí)
3.1 機(jī)器學(xué)習(xí)常用算法
3.1.1 決策樹
3.1.2 SVM
3.1.3 K近鄰
3.1.4 K均值
3.1.5 馬爾可夫鏈
3.2 卷積神經(jīng)網(wǎng)絡(luò)
3.2.1 基本概念
3.2.2 發(fā)展歷史
3.2.3 基本原理
3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
3.3.1 基本概念
3.3.2 Hopfield神經(jīng)網(wǎng)絡(luò)
3.3.3 玻爾茲曼機(jī)
3.3.4 受限玻爾茲曼機(jī)
第4章 人工智能背景下的融合時(shí)空信息和用戶信任度的推薦算法研究
4.1 概述
4.2 相關(guān)技術(shù)及理論
4.2.1 推薦算法
4.2.2 相似度計(jì)算
4.2.3 推薦系統(tǒng)評(píng)測(cè)
4.3 基于路網(wǎng)的Meeting模式發(fā)現(xiàn)算法
4.3.1 引言
4.3.2 軌跡預(yù)處理
4.3.3 相似軌跡段查詢
4.3.4 軌跡段劃分
4.3.5 軌跡段距離計(jì)算
4.3.6 時(shí)間過濾
4.3.7 Meeting模式發(fā)現(xiàn)算法
4.3.8 實(shí)驗(yàn)與分析
4.4 時(shí)間約束的頻繁模式發(fā)現(xiàn)算法
4.4.1 引言
4.4.2 熱點(diǎn)區(qū)域發(fā)現(xiàn)
4.4.3 頻繁模式發(fā)現(xiàn)
4.4.4 頻繁模式發(fā)現(xiàn)算法
4.4.5 實(shí)驗(yàn)與分析
4.5 移動(dòng)對(duì)象運(yùn)動(dòng)模式發(fā)現(xiàn)原型系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
4.5.1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)
4.5.2 系統(tǒng)實(shí)現(xiàn)
4.6 總結(jié)
第5章 基于人工智能的疲勞駕駛自動(dòng)檢測(cè)
5.1 概述
5.2 傳統(tǒng)疲勞駕駛檢測(cè)技術(shù)
5.2.1 基于行車數(shù)據(jù)的檢測(cè)技術(shù)
5.2.2 基于生理指標(biāo)的檢測(cè)技術(shù)
5.2.3 基于機(jī)器視覺的檢測(cè)技術(shù)
5.3 基于MTCNN的疲勞駕駛自動(dòng)檢測(cè)
5.3.1 檢測(cè)原理
5.3.2 檢測(cè)模型
5.3.3 實(shí)驗(yàn)
5.4 總結(jié)
第6章 基于機(jī)器學(xué)習(xí)和輿情預(yù)測(cè)的新冠肺炎疫情分析
6.1 概述
6.2 傳播模式
6.2.1 自然傳播階段
6.2.2 干預(yù)后傳播階段
6.3 加入輿情預(yù)測(cè)后的預(yù)測(cè)模型
6.4 總結(jié)
第7章 基于人工智能的點(diǎn)頭和搖頭人臉表情研究
7.1 概述
7.2 相關(guān)技術(shù)和理論
7.2.1 確定參考點(diǎn)
7.2.2 點(diǎn)頭和搖頭的偵測(cè)算法
7.3 實(shí)驗(yàn)分析
7.4 基于點(diǎn)頭和搖頭的表情研究
7.5 總結(jié)
第8章 基于DNN的樹莓派人臉識(shí)別系統(tǒng)架構(gòu)設(shè)計(jì)
8.1 概述
8.2 樹莓派系統(tǒng)配置
8.2.1 硬件部分
8.2.2 軟件部分
8.3 非云端架構(gòu)設(shè)計(jì)
8.4 云端架構(gòu)設(shè)計(jì)
8.5 總結(jié)
第9章 基于人工智能的膳食分析及個(gè)性化推薦系統(tǒng)研究
9.1 概述
9.2 相關(guān)技術(shù)及理論
9.2.1 粗糙集理論
9.2.2 個(gè)性化推薦算法
9.2.3 Android平臺(tái)
9.3 基于粗糙集理論的膳食分析及個(gè)性化推薦模型
9.3.1 膳食本體
9.3.2 用戶模型
9.3.3 基于粗糙集理論的個(gè)性化推薦模型
9.3.4 實(shí)例分析
9.4 膳食分析及個(gè)性化推薦系統(tǒng)需求分析與總體設(shè)計(jì)
9.4.1 需求分析
9.4.2 可行性分析
9.4.3 總體設(shè)計(jì)
9.5 總結(jié)
第10章 基于深度學(xué)習(xí)的情緒感知研究
10.1 概述
10.2 相關(guān)技術(shù)及理論
10.2.1 人臉識(shí)別流程
10.2.2 技術(shù)原理
10.3 表情識(shí)別的實(shí)現(xiàn)原理
10.3.1 識(shí)別流程
10.3.2 技術(shù)原理
10.4 傳統(tǒng)的人臉與表情識(shí)別方法
10.5 基于深度學(xué)習(xí)的人臉與表情識(shí)別方法
10.5.1 使用深度卷積神經(jīng)網(wǎng)絡(luò)模型
10.5.2 使用DNN進(jìn)行分類輸出
10.5.3 使用樹莓派作為采集終端
10.6 情緒感知原理
10.7 前期準(zhǔn)備
10.7.1 平臺(tái)的選擇
10.7.2 環(huán)境的搭建
10.7.3 TensorFlow和Keras的安裝
10.7.4 OpenCV的安裝
10.7.5 模型的訓(xùn)練
10.8 識(shí)別過程與結(jié)果
10.8.1 人臉與表情識(shí)別過程
10.8.2 人臉與表情識(shí)別結(jié)果
10.8.3 情緒感知識(shí)別結(jié)果
10.9 總結(jié)
第11章 基于人工智能的煙煤太赫茲光譜特性研究
11.1 概述
11.2 實(shí)驗(yàn)
11.2.1 實(shí)驗(yàn)系統(tǒng)
11.2.2 實(shí)驗(yàn)樣本
11.2.3 實(shí)驗(yàn)方案與數(shù)據(jù)處理方法
11.3 結(jié)果與討論
11.3.1 煙煤的太