Python計(jì)算機(jī)視覺和自然語言處理 開發(fā)機(jī)器人應(yīng)用系統(tǒng)

第 1章 機(jī)器人學(xué)基礎(chǔ) 1
1．1　簡(jiǎn)介　1
1．2　機(jī)器人學(xué)的歷史　2
1．3　人工智能　3
1．3．1　自然語言處理簡(jiǎn)介　4
1．3．2　計(jì)算機(jī)視覺簡(jiǎn)介　5
1．3．3　機(jī)器人的類型　5
1．3．4　機(jī)器人的硬件和軟件　6
1．4　機(jī)器人定位　8
1．4．1　練習(xí)1：計(jì)算機(jī)器人的位置　10
1．4．2　如何進(jìn)行機(jī)器人開發(fā)　12
1．4．3　練習(xí)2：使用Python計(jì)算輪子走過的距離　12
1．4．4　練習(xí)3：使用Python計(jì)算機(jī)器人的最終位置　13
1．4．5　項(xiàng)目1：使用Python和測(cè)距法進(jìn)行機(jī)器人定位　15
1．5　小結(jié)　16
第 2章　計(jì)算機(jī)視覺　17
2．1　簡(jiǎn)介　17
2．2　計(jì)算機(jī)視覺基本算法　18
2．2．1　圖像相關(guān)術(shù)語　18
2．2．2　OpenCV　19
2．2．3　閾值化　19
2．2．4　練習(xí)4：對(duì)圖像應(yīng)用各種閾值化操作　21
2．2．5　形態(tài)學(xué)變換　25
2．2．6　練習(xí)5：對(duì)圖像應(yīng)用形態(tài)學(xué)變換　27
2．2．7　模糊（平滑）　31
2．2．8　練習(xí)6：對(duì)圖像應(yīng)用模糊方法　32
2．2．9　練習(xí)7：加載圖像并應(yīng)用所學(xué)的各種方法　34
2．3　機(jī)器學(xué)習(xí)簡(jiǎn)介　38
2．3．1　決策樹和提升方法　38
2．3．2　練習(xí)8：使用決策樹、隨機(jī)森林和AdaBoost進(jìn)行數(shù)字
預(yù)測(cè)　41
2．3．3　人工神經(jīng)網(wǎng)絡(luò)　47
2．3．4　練習(xí)9：構(gòu)建第 一個(gè)神經(jīng)網(wǎng)絡(luò)　51
2．3．5　項(xiàng)目2：對(duì)Fashion-MNIST數(shù)據(jù)集中的10種衣物進(jìn)行分類　54
2．4　小結(jié)　56
第3章　自然語言處理　57
3．1　簡(jiǎn)介　57
3．1．1　自然語言處理　58
3．1．2　自然語言處理的兩個(gè)部分　59
3．1．3　NLP的各層次　60
3．2　Python中的NLP　61
3．2．1　自然語言工具包（NLTK）　61
3．2．2　練習(xí)10：NLTK入門　62
3．2．3　spaCy　65
3．2．4　練習(xí)11：spaCy入門　67
3．3　主題建?！?0
3．3．1　詞頻-逆文檔頻率（TF-IDF）　70
3．3．2　潛在語義分析（LSA）　71
3．3．3　練習(xí)12：使用Python進(jìn)行主題建?！?2
3．3．4　項(xiàng)目3：處理一個(gè)語料庫　75
3．4　語言建模　76
3．4．1　語言模型簡(jiǎn)介　76
3．4．2　二元模型　77
3．4．3　N元模型　77
3．4．4　計(jì)算概率　78
3．4．5　練習(xí)13：創(chuàng)建一個(gè)二元模型　80
3．5　小結(jié)　83
第4章　NLP神經(jīng)網(wǎng)絡(luò)　84
4．1　簡(jiǎn)介　84
4．2　循環(huán)神經(jīng)網(wǎng)絡(luò)　86
4．2．1　循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）簡(jiǎn)介　87
4．2．2　循環(huán)神經(jīng)網(wǎng)絡(luò)原理　87
4．2．3　RNN架構(gòu)　89
4．2．4　長距離依賴問題　89
4．2．5　練習(xí)14：使用RNN預(yù)測(cè)房?jī)r(jià)　90
4．2．6　長短期記憶網(wǎng)絡(luò)　93
4．2．7　練習(xí)15：預(yù)測(cè)數(shù)學(xué)函數(shù)的下一個(gè)解　94
4．3　神經(jīng)語言模型　100
4．3．1　神經(jīng)語言模型簡(jiǎn)介　100
4．3．2　RNN語言模型　102
4．3．3　練習(xí)16：對(duì)一個(gè)小語料庫進(jìn)行編碼　103
4．3．4　RNN的輸入維度　107
4．3．5　項(xiàng)目4：預(yù)測(cè)字符序列中的下一個(gè)字符　109
4．4　小結(jié)　111
第5章　計(jì)算機(jī)視覺中的卷積神經(jīng)網(wǎng)絡(luò)　112
5．1　簡(jiǎn)介　112
5．2　CNN基礎(chǔ)　113
5．3　構(gòu)建第 一個(gè)CNN　118
練習(xí)17：構(gòu)建一個(gè)CNN　119
5．4　改進(jìn)模型的方法：數(shù)據(jù)增強(qiáng)　124
5．4．1　練習(xí)18：利用數(shù)據(jù)增強(qiáng)改進(jìn)模型　125
5．4．2　項(xiàng)目5：使用數(shù)據(jù)增強(qiáng)來正確對(duì)花朵圖像進(jìn)行分類　134
5．5　最先進(jìn)的模型：遷移學(xué)習(xí)　137
練習(xí)19：基于遷移學(xué)習(xí)對(duì)鈔票進(jìn)行分類　139
5．6　小結(jié)　144
第6章　機(jī)器人操作系統(tǒng)（ROS）　146
6．1　簡(jiǎn)介　146
6．2　ROS基本概念　147
6．3　ROS基本命令　148
6．4　安裝和配置　149
6．5　Catkin工作空間和軟件包　149
6．6　發(fā)布者和訂閱者　150
6．6．1　練習(xí)20：編寫簡(jiǎn)單的發(fā)布者和訂閱者　151
6．6．2　練習(xí)21：編寫較復(fù)雜的發(fā)布者和訂閱者　154
6．7　模擬器　159
6．7．1　練習(xí)22：Turtlebot配置　159
6．7．2　練習(xí)23：模擬器和傳感器　161
6．7．3　項(xiàng)目6：模擬器和傳感器　163
6．8　小結(jié)　164
第7章　構(gòu)建基于文本的對(duì)話系統(tǒng)（聊天機(jī)器人）　165
7．1　簡(jiǎn)介　165
7．2　向量空間中的詞表示　166
7．2．1　詞嵌入　166
7．2．2　余弦相似度　167
7．2．3　Word2Vec　168
7．2．4　Word2Vec的問題　169
7．2．5　Gensim　169
7．2．6　練習(xí)24：創(chuàng)建詞嵌入　169
7．2．7　全局向量（GloVe）　173
7．2．8　練習(xí)25：使用預(yù)訓(xùn)練的GloVe模型觀察詞語在平面上的分布　174
7．3　對(duì)話系統(tǒng)　179
7．3．1　聊天機(jī)器人的開發(fā)工具　180
7．3．2　對(duì)話代理的類型　180
7．3．3　創(chuàng)建基于文本的對(duì)話系統(tǒng)　182
7．3．4　練習(xí)26：創(chuàng)建第 一個(gè)對(duì)話代理　184
7．3．5　項(xiàng)目7：創(chuàng)建一個(gè)用來控制機(jī)器人的對(duì)話代理　189
7．4　小結(jié)　191
第8章　利用基于CNN的物體識(shí)別來指導(dǎo)機(jī)器人　193
8．1　簡(jiǎn)介　193
8．2　多物體識(shí)別和檢測(cè)　194
8．2．1　練習(xí)27：構(gòu)建第 一個(gè)多物體檢測(cè)和識(shí)別系統(tǒng)　195
8．2．2　ImageAI　200
8．3　視頻中的多物體識(shí)別和檢測(cè)　202
項(xiàng)目8：視頻中的多物體檢測(cè)和識(shí)別　206
8．4　小結(jié)　206
第9章　機(jī)器人的計(jì)算機(jī)視覺　208
9．1　簡(jiǎn)介　208
9．2　Darknet　209
Darknet基礎(chǔ)安裝　209
9．3　YOLO　210
9．3．1　使用YOLO進(jìn)行預(yù)測(cè)　211
9．3．2　在攝像頭上使用YOLO　215
9．3．3　練習(xí)28：YOLO編程　215
9．3．4　練習(xí)29：在ROS中集成YOLO　219
9．3．5　項(xiàng)目9：機(jī)器人保安　223
9．4　小結(jié)　224
附錄　本書項(xiàng)目概覽　225