人工智能(第2版)
作者:[美]史蒂芬·卢奇(Stephen Lucci),丹尼·科佩克(Danny Kopec)
出版社:人民邮电出版社
ISBN:9787115488435
VIP会员免费
(仅需0.8元/天)
¥ 69.12
温馨提示: 价值40000元的1000本电子书,VIP会员随意看哦!
电子书推荐
-
人工智能及其应用(蔡自兴)课后答案 评分:
状态空间法:基于解答空间的问题表示和求解方法,它是以状态和算符为基础来表示和求解问题的。一般用状态空间法来表示下述方法:从某个初始状态开始,每次加一个操作符,递增的建立起操作符的试验序列,直到达到目标状态为止。
上传时间:2018-11 大小:75KB
- 5.70MB
《人工智能》(蔡自兴著)课后答案完整版.pdf
2019-07-07主要内容如标题所示,为《人工智能》课后答案
- 4.55MB
大学课程《人工智能》课后习题及答案(PDF).pdf
2021-02-01大学课程《人工智能》课后习题及答案(PDF).pdf
- 965KB
《人工智能及其应用》最新版课后习题参考答案2021.pdf
2021-06-08资源内容为《人工智能及其应用》(第6版)蔡自兴编著的部分课后答案pdf, 适合人群:人工智能相关专业本科生
- 4.17MB
人工智能蔡自兴课后题及答案
2018-12-14人工智能课程蔡自兴老师的课后题及答案,适合学习这门课程的同学用作练习,也可以用作考试的复习资料。
- 4.10MB
人工智能及其应用蔡自兴第四版.ppt
2021-11-27人工智能及其应用蔡自兴第四版.ppt
- 76KB
(完整版)人工智能及其应用(蔡自兴)课后答案.doc
2022-10-23(完整版)人工智能及其应用(蔡自兴)课后答案.doc
- 0B
《人工智能及其应用》(蔡自兴)课后习题答案第3章.doc
2022-12-02《人工智能及其应用》(蔡自兴)课后习题答案第3章.doc
- 0B
《人工智能及其应用》(蔡自兴)课后习题答案第3章(word文档良心出品).doc
2022-11-13《人工智能及其应用》(蔡自兴)课后习题答案第3章(word文档良心出品).doc
- 609KB
机器人学蔡自兴课后习题答案.doc
2021-05-16机器人学蔡自兴课后习题答案
- 97KB
人工智能课后答案 第三章
2009-06-06人工智能 后答案 第三章 有点乱,希望对大家有用!!
- 9.14MB
机器人学 蔡自兴
2017-06-14机器人学经典教材
- 173KB
人工智能原理及其应用(王万森)第4版课后习题答案
2022-05-20本文档在原有的第三版的基础上改进,整理,归结出了前6章的答案
- 281KB
人工智能导论课参考答案第2章.pdf
2022-05-29人工智能导论课参考答案第2章.pdf人工智能导论课参考答案第2章.pdf人工智能导论课参考答案第2章.pdf人工智能导论课参考答案第2章.pdf人工智能导论课参考答案第2章.pdf人工智能导论课参考答案第2章.pdf人工智能导论课参考答案第2章.pdf人工智能导论课参考答案第2章.pdf
- 332KB
人工智能及其应用王万良答案.pdf
2022-07-14人工智能及其应用王万良答案.pdf
- 17.16MB
王万良人工智能及其应用3版ppt
2016-12-06王万良人工智能及其应用3版配套ppt
- 500KB
人工智能及其应用.pdf
2021-07-10人工智能及其应用.pdf
- 650KB
人工智能课后习题答案(清华大学出版社).pdf
2021-02-01人工智能课后习题答案(清华大学出版社).pdf
- 216KB
人工智能课原理及其应用课后答案
2008-07-03ISBN 978-7-121-03730-6
- 171KB
人工智能原理及其应用参考答案
2009-05-20人工智能原理及其应用参考答案。 本人找了好长时间才找到的,希望大家能用的上。
- 293.88MB
YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数
2023-10-06本资源纯属免费,不收任何钱和任何积分,纯粹为爱发电,本资源已经为大家整合好了的,看我的博客部署好直接用:https://blog.csdn.net/Little_Carter/article/details/133610076?spm=1001.2014.3001.5501 资源原本项目源码地址:https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking 本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先,利用YOLOv8算法对视频中的车辆目标进行检测,并对检测到的目标进行标记。然后,通过deepsort算法对标记的车辆目标进行跟踪,实现车辆目标的持续跟踪。最后,根据跟踪结果对车辆数量进行统计,实现车辆计数功能。本资源提供了完整的代码实现和详细的使用说明,帮助读者快速掌握基于YOLOv8-deepsort的智能车辆目标检测、车辆跟踪和车辆计数技术。
- 98KB
YOLOv8网络结构图,自制visio文件,yolov8.vsds,需要的自取,在原有的基础上直接改就行了
2024-03-12YOLOv8网络结构图,自制visio文件,yolov8.vsds,需要的自取,在原有的基础上直接改就行了
- 367.44MB
yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt
2023-10-09yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt,需要创建的文件夹都以创建,方便大家不用再去GitHub下载 可以搭配该博客:https://blog.csdn.net/weixin_43366149/article/details/132206526?spm=1001.2014.3001.5501
- 26.50MB
Transformer模型实现长期预测并可视化结果(附代码+数据集+原理介绍)
2023-11-12这篇文章给大家带来是Transformer在时间序列预测上的应用,这种模型最初是为了处理自然语言处理(NLP)任务而设计的,但由于其独特的架构和能力,它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是:Transformer 在时间序列分析中的应用核心在于其自注意力机制,这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码,Transformer 不仅提高了处理效率,而且确保了时间顺序的准确性。其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用,这种模型最初是为了处理自然语言处理(NLP)任务而设计的,但由于其独特的架构和能力,它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是:Transformer 在时间序列分析中的应用核心在于其自注意力机制,这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码,Transformer 不仅提高了处理效率,而且确保了时间顺序的准确性。定制化训练个人数据集进行训练利用python和pytorch实现
- 141KB
社交平台上经济类话题的文章热度信息,数据是真实的,但不是真实日期
2023-03-16使用LSTM模型进行时序预测的代码与说明见:https://blog.csdn.net/Q_M_X_D_D_/article/details/109366895
- 123.13MB
Unet眼底血管图像分割数据集+代码+模型+系统界面+教学视频.zip
2024-02-17本资源配套对应的视频教程和图文教程,手把手教你使用Unet做眼底图像分割的训练、测试和界面封装,包含了Unet原理的解析、处理好的训练集和测试集、训练和测试的代码以及训练好的模型,并封装为了图形化界面,只需点击上传按钮上传图像即可完成眼底图像的预测。 随着生活水平的提高,眼科疾病以及心脑血管疾病的发病率呈现逐年增长的趋势。视网膜血管是这类疾病诊断和监测的重要信息来源,其形态和状况的变化可以反映出许多疾病的早期病理变化。然而,由于受眼底图像采集技术的限制以及视网膜血管自身结构的复杂性和多变性,使得视网膜血管的分割变得非常困难。传统方法依靠人工手动分割视网膜血管,不仅工作量巨大,极为耗时,而且受主观因素影响严重。通过眼底血管图像分割可以提高诊断准确性、效率以及推动科学研究和改进治疗方法等方面。 B站主页:https://space.bilibili.com/161240964 C站主页:https://blog.csdn.net/ECHOSON
- 62.4MB
行人跌倒数据集(VOC格式)
2023-01-30行人跌倒数据集(VOC格式)
- 40.38MB
YOLOV5 + 双目相机实现三维测距(新版本)
2024-04-14YOLOV5 + 双目相机实现三维测距(新版本)
- 728KB
全新的SOTA模型YOLOv9
2024-02-22当今的深度学习方法专注于如何设计最合适的目标函数,以使模型的预测结果尽可能接近真实值。同时,还需要设计一个合适的架构,以便获取足够的信息进行预测。现有方法忽略了一个事实:当输入数据经过逐层的特征提取和空间变换时,会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题,即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息(PGI)的概念,以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息,以计算目标函数,从而获得可靠的梯度信息以更新网络权重。此外,我们还设计了一种基于梯度路径规划的新型轻量级网络架构——广义高效层聚合网络(GELAN)。GELAN的架构证明了PGI在轻量级模型上获得了优越的结果。我们在基于MS COCO数据集的目标检测上验证了所提出的GELAN和PGI。结果显示,GELAN仅使用传统的卷积运算符就实现了比基于深度卷积的最新方法更好的参数利用率。PGI可用于从轻量级到大型的各种模型,它可以获取完整信息,使得从零开始训练的模型比使用大型数据集预训练的最新模型获得更好的结果,比较结果如图1所示。