第 1篇 人工智能技术服务　1
项目１ 人工智能技术与应用设计　2
项目目标　2
项目描述　2
知识准备　2
1.1　智能与人工智能　2
1.1.1　智能的定义　3
1.1.2　人工智能的定义　3
1.2　人工智能关键技术　3
1.2.1　机器学习　3
1.2.2　深度学习　4
1.2.3　计算机视觉　5
1.2.4　自然语言处理　5
1.2.5　知识图谱　6
1.2.6　人机交互　6
1.3　人工智能场景下的应用设计方案分析　7
1.3.1　场景需求分析　7
1.3.2　设计方案分析　7
项目实施　9
1.4　实施思路　9
1.5　实施步骤　9
知识拓展　11
1.6　图灵测试　11
1.7　图灵测试的缺陷　12
课后实训　12

项目2 人工智能产业与应用开发　13
项目目标　13
项目描述　13
知识准备　14
2.1　人工智能产业结构　14
2.2　人工智能基础层相关产品　14
2.2.1　硬件设施　14
2.2.2　软件设施　15
2.2.3　数据资源　16
2.3　人工智能技术层相关产品　16
2.3.1　基础框架　16
2.3.2　算法模型　17
2.3.3　通用技术　17
2.4　人工智能应用层相关产品　17
2.4.1　应用平台　17
2.4.2　智能应用场景　18
2.5　人工智能应用开发的基本流程　18
2.5.1　需求分析　18
2.5.2　数据准备　19
2.5.3　模型训练　20
2.5.4　模型应用　20
项目实施　20
2.6　实施思路　20
2.7　实施步骤　20
知识拓展　23
课后实训　24

第 2篇　智能数据服务平台应用　25
项目3 智能数据服务平台入门使用　26
项目目标　26
项目描述　26
知识准备　26
3.1　智能数据服务平台简介　26
3.2　智能数据服务平台功能　27
3.2.1　数据采集　27
3.2.2　数据清洗　28
3.2.3　数据标注　28
3.3　智能数据服务平台优势　29
项目实施　29
3.4　实施思路　29
3.5　实施步骤　30
知识拓展　35
课后实训　36

项目4 智能数据服务平台数据采集　37
项目目标　37
项目描述　37
知识准备　37
4.1　数据的定义　37
4.2　数据的分类　38
4.2.1　按照字段类型分类　38
4.2.2　按照数据结构分类　38
4.2.3　其他分类　40
4.3　构建高质量数据集　40
4.3.1　获取足够的数据量　40
4.3.2　采集高质量的数据　42
4.3.3　创建高质量的分类　43
4.3.4　拆分数据集　43
项目实施　44
4.4　实施思路　44
4.5 实施步骤　44
知识拓展　51
课后实训　52

项目5 智能数据服务平台数据清洗　53
项目目标　53
项目描述　53
知识准备　53
5.1　数据清洗的定义　53
5.2　数据清洗的对象　54
5.2.1　残缺数据　54
5.2.2　错误数据　54
5.2.3　重复数据　54
5.3　数据清洗的作用　55
5.4　数据质量的评估准则　55
5.4.1　完整性　55
5.4.2　一致性　56
5.4.3　准确性　56
项目实施　56
5.5　实施思路　56
5.6 实施步骤　57
知识拓展　64
课后实训　65

项目6 智能数据服务平台图像标注　66
项目目标　66
项目描述　66
知识准备　66
6.1　图像标注的定义　66
6.2　常见的图像标注方式　67
6.2.1　2D边界框标注　67
6.2.2　3D长方体标注　68
6.2.3　多边形标注　68
6.2.4　关键点标注　69
6.2.5　折线标注　69
6.2.6　语义分割　69
6.3　图像标注流程　70
6.3.1　确定标注规则　70
6.3.2　试标注　71
6.3.3　标注检查　71
6.3.4　模型训练　71
6.3.5　预标注　71
6.3.6　补充标注　72
6.4　图像标注通用规则　72
6.4.1　贴边规则　72
6.4.2　重叠规则　72
6.4.3　独立规则　73
6.4.4　不框规则　73
6.4.5　边界检查规则　74
6.4.6　小目标规则　74
项目实施　74
6.5　实施思路　74
6.6　实施步骤　74
知识拓展　84
6.7　XML的定义　84
6.8　XML文件的作用　85
课后实训　85

第3篇　深度学习模型定制平台应用　87
项目7 深度学习模型定制平台入门使用　88
项目目标　88
项目描述　88
知识准备　89
7.1　深度学习模型定制平台的简介　89
7.2　深度学习模型定制平台的功能　89
7.2.1　EasyDL图像　89
7.2.2　EasyDL文本　91
7.2.3　EasyDL语音　93
7.2.4　EasyDL OCR　94
7.2.5　EasyDL视频　94
7.2.6　EasyDL结构化数据　95
7.3　深度学习模型定制平台的优势　96
项目实施　97
7.4　实施思路　97
7.5　实施步骤　97
知识拓展　107
课后实训　108

项目8 深度学习模型定制平台模型训练　109
项目目标　109
项目描述　109
知识准备　110
8.1　物体检测模型的应用场景　110
8.1.1　视频图像监控　110
8.1.2　工业生产质检　111
8.1.3　专业领域研究　112
8.2　物体检测模型的训练结果　112
8.2.1　正确识别　112
8.2.2　误识别　113
8.2.3　漏识别　113
8.3　物体检测模型的评估指标　114
8.3.1　准确率　114
8.3.2　精确率　114
8.3.3　召回率　114
8.3.4　假正类率　115
8.3.5　F1分数　115
8.3.6　平均精度　115
8.4　EasyDL训练物体检测模型的基本流程　116
项目实施　116
8.5　实施思路　116
8.6　实施步骤　117
知识拓展　124
课后实训　124

项目9 深度学习模型定制平台模型部署　126
项目目标　126
项目描述　126
知识准备　127
9.1 深度学习模型部署流程　127
9.2 深度学习模型定制平台的部署方法　127
9.2.1 图像类模型部署方法　127
9.2.2 文本类模型部署方法　128
9.3 人工智能边缘开发设备及摄像头　128
项目实施　129
9.4 实施思路　129
9.5 实施步骤　129
知识拓展　140
9.6 获取Access Token　140
9.7 API请求返回参数　141
9.8 错误码　141
课后实训　143

第4篇　深度学习综合应用　144
项目１0 深度学习开发平台视觉任务应用　145
项目目标　145
项目描述　145
知识准备　146
10.1　工业质检行业背景　146
10.2　智能工业质检流程　147
10.3　工业质检行业应用　147
项目实施　148
10.4　实施思路　148
10.5　实施步骤　148
知识拓展　159
课后实训　160

项目11 深度学习开发平台文本任务应用　161
项目目标　161
项目描述　161
知识准备　161
11.1　文本分类的行业背景　161
11.2　文本分类的流程　162
11.3　文本分类模型的评估指标　162
11.3.1　宏平均和微平均　162
11.3.2　11点平均正确率　163
11.4　文本分类模型的行业应用　163
项目实施　163
11.5　实施思路　163
11.6　实施步骤　164
知识拓展　183
11.7　中文语料库　183
11.8　英文语料库　184
课后实训　184

项目１2 深度学习开发平台声音任务应用　186
项目目标　186
项目描述　186
知识准备　187
12.1　声音分类的概念　187
12.2　声音分类的应用　187
12.3　智能声音分类的流程　187
项目实施　188
12.4　实施思路　188
12.5　实施步骤　189
知识拓展　203
课后实训　204