ModelArts人工智能應用開發(fā)指南

定　價：￥69.00

作　者：	田奇，白小龍著
出版社：	清華大學出版社
叢編項：	華為智能計算技術叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302563273	出版時間：	2020-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	288	字數(shù)：

內(nèi)容簡介

　　本書主要圍繞人工智能平臺ModelArts和人工智能應用開發(fā)流程，介紹基本概念、關鍵模塊以及典型的場景化應用開發(fā)案例。全書共分為三篇：第一篇人工智能應用開發(fā)概述（第1章和第2章），介紹了人工智能技術、應用、平臺，以及人工智能應用快速開發(fā)流程；第二篇人工智能應用開發(fā)方法（第3章~第9章），介紹了人工智能應用開發(fā)全流程及其子流程，包括數(shù)據(jù)準備、算法選擇和開發(fā)、模型訓練、模型評估和調(diào)優(yōu)、應用生成、應用評估和發(fā)布、應用維護；第三篇人工智能應用開發(fā)場景化實踐（第10章~第12章），介紹了企業(yè)級人工智能平臺、面向復雜行業(yè)的自動化人工智能系統(tǒng)、基于端邊云協(xié)同的人工智能平臺及應用開發(fā)。本書旨在通過一整套工具鏈和方法傳遞，使得每個開發(fā)者都可以借助ModelArts平臺在具體業(yè)務場景下更快、更高效、更低成本地開發(fā)出人工智能應用，從而更好地解決各行業(yè)各領域面臨的實際問題。本書適合有志于從事人工智能應用開發(fā)的開發(fā)者參考。

作者簡介

　　田奇華為云人工智能領域首席科學家，IEEE Fellow，國家自然科學基金海外杰青，中國科學院海外評審專家。本科畢業(yè)于清華大學電子工程系，后赴美國伊利諾伊大學香檳分校師從Thomas S. Huang教授獲博士學位（2002年），后任美國德克薩斯大學圣安東尼奧分校（UTSA）計算機系教授。2010年獲谷歌教授科研獎（Google Faculty Research Award），2017年獲UTSA校長杰出研究獎，2016年獲評多媒體領域十大影響力學者。2018年6月至2020年3月，擔任華為諾亞方舟實驗室計算視覺首席科學家，主導視覺方向的前沿研究。擁有多項美國專利，在計算機視覺及多媒體方向權威期刊及會議上發(fā)表文章550多篇，谷歌學術引用21800多次，7篇論文獲最佳論文獎或最佳學生論文。白小龍華為云機器學習和深度學習技術專家、ModelArts產(chǎn)品架構師，浙江大學工學博士，新加坡南洋理工大學公派聯(lián)合培養(yǎng)博士，《深入理解TensorFlow：架構設計與實現(xiàn)原理》作者之一。博士期間主要從事圖像識別、機器學習、智能檢測系統(tǒng)的研究，曾主導研發(fā)了智能檢測和圖像識別系統(tǒng)，曾獲教育部博士研究生學術新人獎。

圖書目錄

第一篇人工智能應用開發(fā)概述
第1章人工智能技術、應用及平臺
1.1人工智能技術
1.1.1人工智能技術的發(fā)展
1.1.2人工智能技術的主要領域
1.1.3人工智能技術的價值
1.2人工智能應用
1.2.1人工智能應用的特點
1.2.2人工智能應用的商業(yè)化場景
1.3人工智能平臺
第2章人工智能應用快速開發(fā)
2.1基于圖像分類模板的開發(fā)
2.2基于目標檢測模板的開發(fā)
2.3基于聲音分類模板的開發(fā)
2.4基于文本分類模板的開發(fā)
第二篇人工智能應用開發(fā)方法
第3章人工智能應用開發(fā)全流程
3.1人工智能應用開發(fā)全流程解析
3.1.1數(shù)據(jù)準備子流程
3.1.2算法選擇和開發(fā)子流程
3.1.3模型訓練子流程
3.1.4模型評估和調(diào)優(yōu)子流程
3.1.5應用生成、評估和發(fā)布子流程
3.1.6應用維護子流程
3.2人工智能應用開發(fā)流程的權衡
3.2.1復雜和簡單的取舍
3.2.2人與機器的平衡
3.2.3開發(fā)和運行的融合
3.3人工智能應用開發(fā)全流程的成本分析
3.3.1設計和開發(fā)成本
3.3.2部署和維護成本
3.3.3邊際成本
ModelArts人工智能應用開發(fā)指南
目錄

第4章數(shù)據(jù)準備
4.1數(shù)據(jù)采集和接入
4.1.1數(shù)據(jù)采集
4.1.2數(shù)據(jù)接入
4.2數(shù)據(jù)處理
4.2.1數(shù)據(jù)校驗和轉(zhuǎn)換
4.2.2數(shù)據(jù)清洗
4.2.3數(shù)據(jù)選擇
4.2.4數(shù)據(jù)增強
4.2.5其他數(shù)據(jù)處理
4.3數(shù)據(jù)標注
4.3.1標注任務分類
4.3.2智能數(shù)據(jù)標注
4.3.3數(shù)據(jù)標注元信息管理
4.4數(shù)據(jù)分析和優(yōu)化
4.4.1數(shù)據(jù)集特征分析和優(yōu)化
4.4.2細粒度數(shù)據(jù)診斷和優(yōu)化
第5章算法選擇和開發(fā)
5.1算法選擇
5.1.1基礎層算法選擇
5.1.2應用層算法選擇
5.1.3ModelArts預置算法選擇
5.2算法開發(fā)
5.2.1開發(fā)語言
5.2.2開發(fā)庫
5.2.3交互式開發(fā)環(huán)境
5.2.4ModelArts云上云下協(xié)同開發(fā)
第6章模型訓練
6.1模型訓練的基本過程
6.1.1基礎概念
6.1.2模型訓練與數(shù)據(jù)源的交互
6.1.3模型訓練具體過程
6.2基于ModelArts的模型訓練
6.2.1使用預置算法訓練
6.2.2使用自定義算法訓練
6.2.3使用自定義鏡像訓練
6.3端到端訓練加速
6.3.1數(shù)據(jù)側加速
6.3.2計算側加速
6.3.3分布式并行側加速
6.3.4調(diào)參側加速
6.4自動搜索
6.4.1AutoSearch框架
6.4.2基于AutoSearch進行搜索
6.5彈性訓練
6.6聯(lián)邦協(xié)同訓練
第7章模型評估和調(diào)優(yōu)
7.1模型評估
7.1.1精度評估
7.1.2性能評估
7.1.3其他維度的評估
7.1.4基于ModelArts的模型評估
7.2模型診斷優(yōu)化
7.2.1精度診斷優(yōu)化
7.2.2性能診斷優(yōu)化
第8章應用生成、評估和發(fā)布
8.1應用管理
8.1.1模型格式轉(zhuǎn)換
8.1.2簡單應用生成
8.1.3基于編排的應用生成
8.1.4應用評估
8.2應用部署和發(fā)布
8.2.1部署類型
8.2.2部署管理
8.2.3應用測試和使用
第9章應用維護
9.1數(shù)據(jù)采集和篩選
9.2應用迭代
9.2.1基于數(shù)據(jù)的應用迭代優(yōu)化
9.2.2基于算法和模型的應用迭代優(yōu)化
9.3基于ModelArts的應用維護
第三篇人工智能應用開發(fā)場景化實踐
第10章構建企業(yè)級人工智能平臺
10.1企業(yè)級人工智能平臺
10.1.1企業(yè)級人工智能平臺的設計要素
10.1.2ModelArts Pro企業(yè)級開發(fā)套件
10.2企業(yè)級OCR平臺
10.2.1OCR算法的基本流程
10.2.2企業(yè)級OCR平臺及關鍵流程
第11章構建面向復雜行業(yè)的自動化人工智能系統(tǒng)
11.1面向復雜行業(yè)的人工智能系統(tǒng)

11.2面向基因組學的自動化人工智能建模系統(tǒng)
11.2.1基于人工智能的組學數(shù)據(jù)建模
11.2.2面向基因組學的自動化建模
11.2.3基于SHAP的模型解釋
11.2.4基因組數(shù)據(jù)自動建模工具——AutoGenome
第12章端邊云協(xié)同的人工智能平臺及應用開發(fā)
12.1端云協(xié)同的人工智能應用開發(fā)
12.1.1端云協(xié)同開發(fā)的應用場景
12.1.2HiLens端云協(xié)同開發(fā)平臺
12.1.3HiLens開發(fā)環(huán)境
12.1.4HiLens開發(fā)框架
12.1.5案例：智慧工地安全帽識別
12.2邊云協(xié)同的人工智能應用開發(fā)
12.2.1智能交通解決方案的背景
12.2.2智能交通解決方案的設計
12.2.3基于邊云協(xié)同的智能視頻分析