TensorFlow实战(一)-人工智能基础知识

简介: 1.4 软件和知识点简介2.1 什么是人工智能2.

1.4 软件和知识点简介

img_eca5d2ec21585b6d841aee1a2de96a1d.png

img_d61b18ad092597d0a95d6b39773d7e33.png

img_382b50c1c85a3c03e15d430e946235c6.png

img_ec2bdeec610e2e3b0c4bdbfc044f92d5.png

2.1 什么是人工智能

img_f07b4d5fa4425a325aa1c06b4b389488.png

img_38073f5ff5396e47126e040b4d09f77b.png

img_c03181d1878047a38719a65579f53696.png

img_b5dc62c88d8b848415279e5927da1e7f.png

img_b81f582da8a616534a57bad1717461de.png

img_ef5a0a72858802941bd2c5022e32b93e.png

img_29873e41265f7f59d85f5f78bff976d9.png

img_2f20fff6e6293043117ea3919a4b9084.png

img_48928ef8d147f591ec6d3143058e3321.png

img_ceedc497208d8927e634941bc6c2fd3c.png

img_c023a66cc0fef5a5100dbf2fd2c181c0.png

2.3 人工智能需要的基本数学知识

img_e4370a7a6b7279a6aba00e45b7317d3e.png

2.4 人工智能简史

img_279260d5600ffcb412f234019af96a42.png

img_25c707c80f9aec5800bb6664da5473e8.png

img_09bee51701bec9e2a78848e4ebaaf347.png

img_95be7415a2e3ba5a4e143b6ec51028e6.png

img_9974f4c5d7a36672bd728947255c8a3c.png

img_202c1a0043db51929f4490dda16dd7cc.png

img_0783757d506c6abe6785660a8d680c8a.png

img_25318bb5f1c1243043fe52abc057d36b.png

img_9dfbd45f9966a9695d6eaa34fc3ccbb1.png

img_973696976c27bfca5cbfb20e249cc464.png

img_aea61228bd23ad44d59785a7927cd09f.png

img_19559cccd961743bee58395070a6466a.png

img_5ec8d7d078c49c28b09d12534c2021a6.png

2.5 ai 机器学习和深度学习的关联

img_e006069eae33f0cd595f868d00bfe31e.png

img_f5f81c276b100b22e5cb5fdc85d0a0c1.png

img_c9127cd1bd0bd3f591ba8fddd214dbee.png

2.6 什么是机器学习

img_ed61bfff14ebfbe94067282fd9bfafd4.png

img_9e4785fd38c49a39e297c719952bc591.png

img_b07238bcf98e459db5dcae4483518178.png

img_c76e2e96cd28781a4248dd67318eb74e.png

img_7d1d88bad64bbb1b61eb01b4ad8097b9.png

img_0a8b6a7de888c8d22dd3a74d04693a35.png

img_01a6d0625927d4621caa562a50fb09c5.png

img_4d91bb867c97c78f5d744aaea5ecf901.png

img_61fe2bf3a4dde3b0e2fd6a8e4569b92f.png

img_88f5088d6fa4d1e1612683a681352036.png

img_ddd02eabec9a09328be71c945b3d72f9.png

img_a1adcac15705a3ba99fbbaba6d11de8c.png

img_05ff6f9b40cf90833dfdab08249190bb.png

img_1042f2a35e6a9c342775d97f13ea21ec.png

img_5c455928124a9cc7b46e9451bea4478e.png

img_d4e828a23d646eb788db88aa7034ae0b.png

img_aeee0c208570c16ef9305fb4785b1325.png

img_d664188a3d4709648ce13df93dd384da.png

img_6d2222672026d9381dd89b6c00b1a76c.png

2.7 面对ai 我们应有的态度

img_a2238438ced1379f4c2aa6da39d7551c.png

img_4f82ee8f1bf58ab72cbbd72d33c42744.png

img_a8d83e3c2d8ec6c8657a1d24e8569ad3.png

img_20346949f5d3779a32b5424f48e8cc62.png

img_1c43a8d5769fc7e7b454d3fcced0ef93.png

img_a844f837b4585ce1d03ebf6c1663a7b1.png

img_92ee98ce1f6583a9ac556f06a45a8d57.png

img_83af621a4aabf9597a33625c4be85bdc.png

img_a6615e49cd779e89547cb78c0514ae91.png

img_4bcbc02a06110c67301df18fd7ec1445.png

2.8 什么是过拟合

img_b81a69ad7078a5ae30b4b45cc7b8a429.png

img_e53f51d49ed8e00ba703e757d32b9837.png

img_ab45e187c5885e425a2cff82887c9b97.png

img_14c81bc6ac0050b3d3a427e2f83d61b9.png

img_f22d640f3114653088b3243351c20b8c.png

img_df97cca98ddc4b428e8aff56f632f04c.png

img_fb50bec045a5ca8ddab2f5f31a66a2f1.png

2.9 什么是深度学习

img_82badf65bf4931ab203c437fb63a0be1.png

img_d5732f26c58c6ae690dcfe4054a67ffd.png

img_b140f6fac7a5e3edddb6700a9ab6088d.png

img_4ee6c06268eab3b9a8894b4d7e23367e.png

img_b765e8965534ba468972aede53e43feb.png

img_55993636daf6aa4e5dc8b3722b761be7.png

img_ef768e60aa75dd80b292dbdad56d185a.png

img_f39752956048ba1880966ea28e912a33.png

img_52f9470b232b24b5bf642d969081d83c.png

img_c982bd238ed1cce63facfbe2aa176e58.png

img_53173f6348f3b2588894476ca69e05d0.png

img_03588fc980889e25608de55bdcde9fd2.png

img_d366252826e26418e5709f7903122c74.png

img_d2a8cad4c50a8d81653f84563a10a202.png
目录
相关文章
|
2月前
|
机器学习/深度学习 PyTorch TensorFlow
TensorFlow与PyTorch深度对比分析:从基础原理到实战选择的完整指南
蒋星熠Jaxonic,深度学习探索者。本文深度对比TensorFlow与PyTorch架构、性能、生态及应用场景,剖析技术选型关键,助力开发者在二进制星河中驾驭AI未来。
603 13
|
2月前
|
人工智能 自然语言处理 TensorFlow
134_边缘推理:TensorFlow Lite - 优化移动端LLM部署技术详解与实战指南
在人工智能与移动计算深度融合的今天,将大语言模型(LLM)部署到移动端和边缘设备已成为行业发展的重要趋势。TensorFlow Lite作为专为移动和嵌入式设备优化的轻量级推理框架,为开发者提供了将复杂AI模型转换为高效、低功耗边缘计算解决方案的强大工具。随着移动设备硬件性能的不断提升和模型压缩技术的快速发展,2025年的移动端LLM部署已不再是遥远的愿景,而是正在成为现实的技术实践。
|
12月前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
959 55
|
9月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
害虫识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了12种常见的害虫种类数据集【"蚂蚁(ants)", "蜜蜂(bees)", "甲虫(beetle)", "毛虫(catterpillar)", "蚯蚓(earthworms)", "蜚蠊(earwig)", "蚱蜢(grasshopper)", "飞蛾(moth)", "鼻涕虫(slug)", "蜗牛(snail)", "黄蜂(wasp)", "象鼻虫(weevil)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Djan
501 1
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
10月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
952 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
12月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
565 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
机器学习/深度学习 人工智能 TensorFlow
基于TensorFlow的深度学习模型训练与优化实战
基于TensorFlow的深度学习模型训练与优化实战
545 3
|
机器学习/深度学习 人工智能 算法
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
鸟类识别系统。本系统采用Python作为主要开发语言,通过使用加利福利亚大学开源的200种鸟类图像作为数据集。使用TensorFlow搭建ResNet50卷积神经网络算法模型,然后进行模型的迭代训练,得到一个识别精度较高的模型,然后在保存为本地的H5格式文件。在使用Django开发Web网页端操作界面,实现用户上传一张鸟类图像,识别其名称。
541 12
鸟类识别系统Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+ResNet50算法模型+图像识别
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
498 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
|
机器学习/深度学习 人工智能 算法
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型
手写数字识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Flask框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
445 0
【手写数字识别】Python+深度学习+机器学习+人工智能+TensorFlow+算法模型

热门文章

最新文章