[Publishing House Direct Supply] От машинного обучения до алгоритма нейронной сети без водителя укрепить алгоритм обучения автономной технологии развития модуля вождения.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Название: От машинного обучения до вождения без водителя
Автор: песня Жексян
Цена: 99 юаней
Раздел: 1-1
ISBN: 9787302552154
Дата публикации: 2020.05.01
Дата печати: 2020.04.22
Эта книга использует машинное обучение в качестве отправной точки и использует простой код для объяснения основного алгоритма (глубокая нейронная сеть и улучшенное обучение) на основе обучения алгоритму, использование инкрементного разработки метода включает в себя позиционирование, прогнозирование, планирование пути и планирование и бизнес -контроль.Этот кодекс книги включает в себя универсальный бизнес -метод автономного вождения, который позволяет читателям понимать идеи дизайна и принципы автономного вождения и быстро начать с алгоритма и процесса разработки автономного вождения.Эта книга имеет богатый пример кода, охватывающий все важные знания в реальном развитии.
Глава Y. Основы машинного обучения
Глава 1 Машинное обучение и вождение без водителя1
1.1 Введение в машинное обучение1
1.1.1 Машинное обучение1
1.1.2 Глубокое обучение5
1.1.3 Улучшить обучение6
1.2 Без водитель и машинное обучение7
1.2.1 История беспилотного вождения7
1.2.2 Зачем применять машинное обучение в без водителя9
1.2.3 Преимущество беспилотной коммерциализации10
1.2.4 Прогресс коммерциализации вождения без водителя11
Рекомендации13
Глава 2 Тенорфлоу основа15
2.1 Введение в основную структуру машинного обучения15
2.2 Среда развития TensorFlow19
2.2.1 Решение VirtualENV на основе языковой структуры Python19
2.2.2 Решение Docker на основе контейнеров приложений23
2.3 Hello TensorFlow—Y Простой пример23
2.4 Архитектура Tensorflow26
2.4.1 Обзор архитектуры Tensorflow26
2.4.2 Tensorflow Client Architecture27
2.4.3 Tensorflow Распределенная основная архитектура обслуживания28
2.4.4 Архитектура службы труда TensorFlow29
2.4.5 Архитектура ядра Tensorflow30
2.5 Tensorflow Core API30
2.5.1 TensorFlow Low -Level API31
2.5.2 Tensorflow Advanced API35
2.6 Расширение: используйте tensorflow.js для выполнения машинного обучения38
Рекомендации40
Глава 3 Линейная регрессия41
3.1 Что такое линейная регрессия41
3.1.1 Концепция линейной регрессии41
3.1.2 История линейной регрессии42
3.1.3 Модель линейной регрессии42
3.2 Z маленькая вторая модель умножения в линейной регрессии43
3.3 Z небольшой пример модели второго умножения45
3.4 Модель падения градиента линейной регрессии47
3.5 Экземпляр модели спецификации48
Рекомендации51
Глава 4 Логическая регрессия52
4.1 Введение в логическую регрессию52
4.2 Логическая регрессионная модель54
4.3 Паннологическая регрессия55
4.4 Пример: прогноз цен на акции56
Рекомендации64
Вторая глава Усовершенствованное машинное обучение
Глава 5 Нейронные сети65
5.1 Нейрон модель65
5.1.1 Источник вдохновения нейронной сети65
5.1.2 Обзор модели восприятия66
5.2 Пример единственной нейронарной модели67
5.2.1 Обзор кода Z68
5.2.2 Подробное объяснение примера разработки кода69
5.3 Функция активации76
5.3.1 Общая функция активации76
5.3.2 Сигмоидальная функция77
5.3.3 Функция TANH79
5.3.4 Рельеф -функция и вариант79
5.4 Модель нейронной сети полного соединения80
5.4.1 Многослойное восприятие структуры нейронной сети80
5.4.2 Алгоритм BP82
5.5 Весь экземпляр нейронной сети82
Рекомендации84
Глава 6 сверточная нейронная сеть85
6.1 Обзор сверточных нейронных сетей85
6.1.1 Архитектура сверточной нейронной сети85
6.1.2 Строильная операция86
6.1.3 Операция объединения87
6.1.4 Особенности сверточных нейронных сетей88
6.2 Пример 1: распознавание кода теста Z89
6.2.1 Конкретный дизайн нейронной сети89
6.2.2 Развитый анализ процесса91
6.2.3 Анализ процесса пендализации92
6.2.4 Полный анализ процесса обучения93
6.3 Пример 2: задолженность и задолженность95
6.3.1 Скачать набор данных IMDB96
6.3.2 Создайте модель99
6.3.3 Тренировочная модель101
6.3.4 Практика процесса подгонки106
6.3.5 Чрезмерно правильно реагирующая стратегия115
Рекомендации120
Глава 7 Циклическая нейронная сеть121
7.1 Обзор нейронной сети круга121
7.1.1 Последовательные данные121
7.1.2 Модель круговой нейронной сети122
7.2 Архитектура нейронной сети памяти в длину и короткой123
7.3 Пример: написать путешествие на запад126
7.3.1 Чтение и сегментация текста126
7.3.2 Определение модели нейронной сети круга130
7.3.3 Обучение модели и анализ результатов132
Рекомендации134
Глава 8 Улучшить обучение136
8.1 Укрепление обзора обучения136
8.1.1 Укрепить историю обучения136
8.1.2 Характеристики укрепления обучения137
8.1.3 Укрепление модели обучения138
8.1.4 Укрепление классификации обучения139
8.2 Q-обучение архитектура140
8.2.1 Q-обучение математической модели140
8.2.2 Алгоритм Q-обучения псевдод141
8.3 Пример: жадный змея искусственный интеллект142
8.3.1 Pygame Framework142
8.3.2 Реализация функции игры143
8.3.3 Усиление функций обучения151
Рекомендации160
Третий беспилотный
Глава 9 Система без водителя161
9.1 Обзор системы без водителя161
9.1.1 Обзор экологического восприятия162
9.1.2 Обзор позиционирования транспортного средства163
9.1.3 Обзор планирования пути164
9.1.4 Обзор управления транспортными средствами164
9.2 Аполлон профиль165
9.2.1 Обзор архитектуры Аполлона165
9.2.2 Аполлоно подсистема интерактивные отношения167
9.3 Среда развития Аполлона169
9.3.1 Программный системный код локальная установка170
9.3.2 Меры предосторожности в развитии среды развития171
Рекомендации173
Глава 10 Кибер -база174
10.1 Введение в кибер (включая сравнение с АФК)174
10.1.1 Что такое Apollo Cyber RT174
10.1.2 ROS Система175
10.1.3 Анализ архитектуры и основного программного модуля Cyber RT176
10.2 Кибер API и демонстрация API177
10.2.1 Talker-Listener (простая система диалога)178
10.2.2 Кибер -сервис181
10.2.3 Библиотека журнала188
10.2.4 Кибер -модуль189
10.2.5 Таймер таймер194
10.2.6 Время (время) класс195
10.2.7 Аполлон записал операцию чтения и записи файла196
10.3 Apollo Module запускает анализ исходного кода199
10.3.1 Процесс запуска модуля Apollo199
10.3.2 Регистрация и динамическое создание модуля Аполлона217
Рекомендации222
Глава 11 Технология карты без водителя223
11.1 Высококачественная карта223
11.1.1 Применение карт с высокой оценкой в автономной подсистеме вождения223
11.1.2 Решение с высокой оценкой карты224
11.1.3 Введение в формат карты Opendrive227
11.1.4 Анализ исходного кода, связанный с Baidu Apollo234
11.2 PncMap264
11.3 Относительный модуль карты281
Рекомендации303
Глава 12 Технология позиционирования без водителя304
12.1 RTK Technology304
12.2 Multi -Sensor Fusion Технология позиционирования307
12.2.1 Введение в Лидар307
12.2.2 Расширенный принцип фильтрации Кармана308
12.2.3 Анализ исходного кода, связанный с Baidu Apollo309
Рекомендации322
Глава 13 Технология прогнозирования без водителя323
13.1 Введение в модуль прогнозирования323
13.2 Устройство оценки затрат: вероятность расчета функции этой функции состоит из Y327
13.3 Устройство оценки MLP: Рассчитайте вероятность расчета с моделью MLP329
13.4 Устройство оценки RNN: Рассчитайте вероятность расчета с моделью RNN343
Рекомендации350
Глава 14 Стратегия планирования без водителя351
14.1 Введение в модуль планирования351
14.1.1 Планирование анализа бизнес -процессов351
14.1.2 Система координат Frenet352
14.1.3 Путь-декодический352
14.1.4 Решетка для трехмерной траектории353
14.1.5 Статус транспортного средства353
14.2 План маршрута353
14.3 Препятствие363
14.4 Скорость плана373
Рекомендации392
Глава 15 Стратегия контроля без водителя394
15.1 Модель транспортного средства394
15.1.1 Спортивная модель394
15.1.2 Динамическая модель396
15.2 Алгоритм управления PID397
15.2.1 Пропорциональный алгоритм контроля397
15.2.2 Алгоритм управления точкой397
15.2.3 Микрокарский алгоритм контроля398
15.2.4 Анализ исходного кода, связанный с Baidu Apollo398
15.3 Алгоритм управления MPC408
15.3.1 Принцип управления MPC409
15.3.2 Анализ исходного кода, связанный с Baidu Apollo409
Рекомендации414
Приложение Укрепление обучения: жадная змея AI Complete Game Logic Code416
Приложение б Cyberrt System Core API Словарь API423
Песня Жекс, многолетний опыт в Интернете и машинного обучения и разработки, и занимался исследованиями и разработкой интеллектуальной структуры алгоритма автомобильных компаний в известных автомобильных компаниях. Инженерная практика миграционного обучения.
Старший преподаватель класса MU, Love To Clease, разрабатывает ряд въезда в искусственный интеллект и продвинутые курсы, и хорошо подходит в аналоговом объяснении случаев.
Получить 1 национальный патент в интеллектуальном транспортном средстве.