正版新书]深度学习项目开发实践(TensorFlow+Sklearn+PyTorch)

第1章  AI智能问答系统 1
1.1  背景介绍 2
1.1.1  互联网的影响 2
1.1.2  问答系统的发展 2
1.2  问答系统的发展趋势：AI问答系统 4
1.2.1  人工智能介绍 4
1.2.2  机器学习 5
1.2.3  深度学习 5
1.2.4  系统介绍 6
1.3  技术架构 6
1.3.1  TensorFlow.js 6
1.3.2  SQuAD 2.0 7
1.3.3  BERT 8
1.3.4  知识蒸馏 8
1.4  具体实现 9
1.4.1  编写HTML文件 9
1.4.2  脚本处理 11
1.4.3  加载训练模型 12
1.4.4  查询处理 12
1.4.5  文章处理 14
1.4.6  加载处理 16
1.4.7  寻找答案 17
1.4.8  提取最佳答案 18
1.4.9  将答案转换回文本 20
1.5  调试运行 20
第2章  AI智能推荐系统 23
2.1  背景介绍 24
2.1.1  推荐系统能解决什么问题 24
2.1.2  推荐系统的应用领域 25
2.1.3  推荐系统和搜索引擎 25
2.2  项目介绍 26
2.3  数据采集和整理 26
2.3.1  数据整理 26
2.3.2  电影详情数据 30
2.3.3  提取电影特征 37
2.4  情感分析和序列化操作 43
2.5  Web端实时推荐 44
2.5.1  Flask启动页面 44
2.5.2  模板文件 47
2.5.3  后端处理 49
2.6  调试运行 56
第3章  智能OCR文本检测识别系统 59
3.1  背景介绍 60
3.2  OCR系统简介 60
3.2.1  OCR的基本原理和使用方式 60
3.2.2  文字识别的基本步骤 61
3.2.3  深度学习对OCR的影响 63
3.2.4  与OCR相关的深度学习技术 63
3.3  系统介绍 64
3.4  准备模型 65
3.4.1  文本检测模型 65
3.4.2  文本识别模型 65
3.5  创建工程 66
3.5.1  工程配置 66
3.5.2  配置应用程序 67
3.5.3  导入模型 68
3.6  具体实现 68
3.6.1  页面布局 69
3.6.2  实现主Activity 69
3.6.3  图像处理操作 73
3.6.4  运行OCR模型 76
3.7  调试运行 80
第4章  国际足球比赛结果预测系统 81
4.1  欧洲足球五大联赛 82
4.2  模块架构 83
4.3  准备数据 83
4.4  数据可视化分析 84
4.4.1  事件收集 84
4.4.2  射门数据可视化 87
4.4.3  球队和球员数据可视化 89
4.4.4  联赛数据可视化 96
4.4.5  巴塞罗那队的进球数据饼形图 100
4.4.6  红牌和黄牌数据可视化 101
4.4.7  进球数据可视化 106
4.4.8  梅西和C罗的数据可视化 114
4.4.9  五大联赛的球员数量可视化 118
4.5  比赛预测 119
4.5.1  读取数据 119
4.5.2  清洗数据 121
4.5.3  逻辑回归算法 122
4.5.4  创建梯度提升模型 123
4.5.5  创建随机森林分类器模型 124
4.5.6  不平衡处理 126
4.6  进球预测 128
4.6.1  预处理 128
4.6.2  创建循环神经网络 132
第5章  智能素描绘图系统 137
5.1  项目介绍 138
5.2  需求分析 138
5.3  功能模块 139
5.4  预处理 140
5.4.1  低动态范围配置 140
5.4.2  图像处理和调整 141
5.4.3  获取原始图像的笔画 143
5.4.4  方向检测 147
5.4.5  去蓝处理 150
5.4.6  图像合成 152
5.4.7  快速排序 156
5.4.8  侧窗滤波 157
5.5  开始绘图 160
5.5.1  基于边缘绘画的绘图程序 160
5.5.2  绘制铅笔画 170
第6章  ChatGPT微信客服机器人 173
6.1  ChatGPT概述 174
6.1.1  ChatGPT的发展历程 174
6.1.2  GPT系列的演变 175
6.1.3  ChatGPT的主要特点 175
6.2  系统介绍 176
6.3  项目结构 176
6.4  准备工作 177
6.4.1  注册成为OpenAI会员 177
6.4.2  获取API key 178
6.5  系统配置 181
6.5.1  基本配置 181
6.5.2  其他配置 182
6.6  通道处理 188
6.6.1  通用处理逻辑 188
6.6.2  微信聊天通道 194
6.6.3  微信公众号通道 199
6.7  对话处理 204
6.7.1  OpenAI对话 204
6.7.2  ChatGPT对话 207
6.7.3  Baidu Unit对话 212
6.8  语音识别 213
6.8.1  OpenAI语音识别 213
6.8.2  谷歌语音识别 214
6.8.3  百度语音识别 215
6.8.4  Microsoft Azure语音识别 218
6.9  调试运行 219
第7章  移动机器人智能物体识别系统 221
7.1  背景介绍 222
7.2  物体识别 222
7.2.1  物体识别介绍 223
7.2.2  图像特征的提取方法 223
7.3  系统介绍 225
7.4  准备模型 226
7.4.1  模型介绍 226
7.4.2  自定义模型 227
7.5  基于Android的机器人智能检测器 230
7.5.1  准备工作 230
7.5.2  页面布局 232
7.5.3  实现主Activity 232
7.5.4  物体识别界面 238
7.5.5  相机预览界面拼接 241
7.5.6  lib_task_api方案 249
7.5.7  lib_interpreter方案 251
7.6  基于iOS的机器人智能检测器 256
7.6.1  系统介绍 256
7.6.2  视图文件 258
7.6.3  相机处理 270
7.6.4  处理TensorFlow Lite模型 277
7.7  调试运行 284
第8章  AI考勤管理系统 285
8.1  背景介绍 286
8.2  系统介绍 286
8.3  系统需求分析 287
8.3.1  可行性分析 287
8.3.2  系统操作流程分析 287
8.3.3  系统模块设计 287
8.4  系统配置 289
8.4.1  Django配置文件 289
8.4.2  路径导航文件 289
8.4.3  设计数据模型 290
8.5  用户登录验证 291
8.5.1  登录表单页面 291
8.5.2  登录验证 292
8.6  添加新员工信息 293
8.6.1  后台主页面 293
8.6.2  添加员工表单页面 295
8.6.3  添加员工信息 296
8.7  采集员工照片信息 296
8.7.1  设置采集对象 297
8.7.2  采集照片 298
8.8  训练照片模型 300
8.8.1  前台页面 300
8.8.2  预测处理 300
8.8.3  训练数据集 301
8.8.4  训练可视化 302
8.9  考勤打卡 303
8.9.1  上班打卡签到 303
8.9.2  下班打卡签退 305
8.10  查看员工考勤信息 305
8.10.1  统计最近两周的考勤信息 306
8.10.2  查看某员工在指定时间范围内的考勤信息 308
8.10.3  查看指定日期的考勤信息 310
8.11  查看本人的考勤信息 311
8.11.1  视图函数 311
8.11.2  模板文件 313
8.12  调试运行 315
第9章  网络舆情数据分析系统 317
9.1  系统介绍 318
9.1.1  舆情数据分析的方式和意义 318
9.1.2  舆情热度分析 318
9.2  架构设计 319
9.2.1  模块分析 319
9.2.2  系统结构 320
9.3  微博爬虫 320
9.3.1  系统配置 321
9.3.2  批量账号模拟登录 321
9.3.3  爬取信息 323
9.4  系统后端 334
9.4.1  系统配置 334
9.4.2  数据结构设计 334
9.4.3  数据处理 339
9.4.4  微博话题分析 345
9.5  系统前端 352
9.5.1  API导航 352
9.5.2  博文详情 353 

王振丽，华中科技大学计算机硕士，知名Python开发工程师，热衷于移动开底层系统架构、驱动开发、AI开发的研究和具体工作，对Python人工智能的架构设计和实现原理有非常深刻的认识和理解，应用开发经验也十分丰富。

王振丽，华中科技大学计算机硕士，知名Python开发工程师，热衷于移动开底层系统架构、驱动开发、AI开发的研究和具体工作，对Python人工智能的架构设计和实现原理有非常深刻的认识和理解，应用开发经验也十分丰富。

Python是当今使用最为广泛的开发语言之一，被认为是开发深度学习程序的最佳语言。《深度学习项目开发实践（TensorFlow Sklearn PyTorch）（微视频版）》通过9个综合实例，详细讲解了使用Python语言开发大型深度学习项目的过程，这些项目在现实应用中具有极强的代表性。第1章讲解了AI智能问答系统的具体实现流程；第2章讲解了AI智能推荐系统的具体实现流程；第3章讲解了智能OCR文本检测识别系统的具体实现流程；第4章讲解了国际足球比赛结果预测系统的具体实现流程；第5章讲解了智能绘图系统的具体实现流程；第6章讲解了利用ChatGPT开发微信客服机器人的具体实现流程；第7章讲解了移动机器人智能物体识别系统的具体实现流程；第8章讲解了AI考勤管理系统的具体实现流程；第9章讲解了网络舆情数据分析系统的具体实现流程。在具体讲解每个实例时，都遵循项目的进度顺序来讲解，从接到项目到具体开发，直到最后的调试和发布，内容循序渐进，并穿插讲解了这样做的原因，深入讲解了每个重点内容的具体细节，引领读者全面掌握Python深度学习开发技术。
《深度学习项目开发实践（TensorFlow Sklearn PyTorch）（微视频版）》不但适合Python深度学习开发的初学者学习，也适合有一定Python深度学习开发基础的读者学习，还可以作为有一定基础的程序员的参考书。