第4章服务需求

第4章服务需求一、设备清单序号设备名称数量单位1人工智能专业核心课程及课程级实训库1套二、技术要求序号设备名称技术参数1人工智能专业核心课程及课程级实训库1课程名称：计算机视觉应用开发本课程应根据“人工智能技术应用—深度学习应用开发”赛项转化资源，课程从计算机视觉初学者的视角出发，以Python及其相关框架为工具，以实战为导向，系统讲述计算机视觉中关于图像以及多种图像处理的基本概念、理论方法和经典算法，利用计算机视觉中图像变换算法解决图像分类、图像增强、图像语义分割、图像风格迁移、图像超分辨率重建和场景文字识别等现实问题，课程资源开发单位要求有“人工智能技术应用—深度学习应用开发”赛项技术支持经验，要求人工智能技术应用专业共建合作经验和合作案例；本课程适合各类职业院校计算机视觉及相关专业学生学习，也可以作为计算机视觉初学者的入门基础课程。课程资源如下：序号资源类型数量单位1课程大纲1套2教学日志1套3课程标准1套4课件PPT50个5作业题200道6试卷2套7课件视频75个8微课20个9实操视频48个【课程资源包】（1）教学大纲1份（2）教学日历1份（3）课程标准1份（4）作业库：章节配套课后作业（5）试卷：2套（6）课件PPT：8章序号章节任务第一章图像基础PART01图像相关名词概述PART02图像基础操作PART03图像几何变换PART04阈值分割PART05图像统计PART06图像滤波第二章图像分类PART01神经网络PART02卷积神经网络PART03图像分类概述PART04实战案例--基于卷积神经网络的图像分类PART05迁移学习PART06实战案例--基于迁移学习的图像分类任务第三章人脸识别PART01目标检测PART02实战案例--基于YOLOv3的目标检测PART03人脸检测PART04实战案例--基于Haar特征的人脸检测PART05实战案例--基于Hog特征的人脸检测PART06认识face_recognition开源库PART07实战案例--基于face_recognition的人脸识别第四章图像增强PART01图像增强概述PART02有监督的数据增强PART03实战案例--基于mixup/cutmix算法的图像增强PART04无监督的数据增强第五章图像语义分割PART01语义分割概述PART02上采样PART03语义分割网络PART04实战案例--基于U-Net的图像语义分割第六章图像风格迁移PART01图像风格迁移概述PART02风格提取PART03gram矩阵PART04损失计算PART05VGG-19PART06实战案例--基于VGG-19的图像风格迁移PART07对抗生成网络PART08实战案--基于CycleGAN的图像风格迁移第七章图像超分辨率重建PART01认识图像分辨率PART02图像超分辨率概述PART03超分辨率重建技术PART04SRCNNPART05PSNRPART06实战案例--基于SRCNN的图像超分辨率重建PART07基于生成对抗网络的图像超分辨率PART08实战案例—基于SRGAN的图像超分辨率重建第八章场景文字识别PART01场景文字识别概述PART02LSTMPART03CTCPART04实战案例--基于LSTM+CTC的文字识别PART05tesseractPART06实战案例--基于tesseract的文字识别（7）课程级实训库1、实训环境16份2、实训：实验一：图像操作基础实验二：神经网络实操演示实验三：基于卷积神经网络的图像分类实验四：基于迁移学习的图像分类实验五：基于YOLO系列模型的目标检测与优化实验六：基于Haar特征的人脸检测实验七：基于Hog特征的人脸检测实验八：基于face_recognition的人脸识别实验九：基于mixup/cutmix算法的图像增强实验十：基于U-Net的图像语义分割实验十一：基于VGG-19的图像风格迁移实验十二：基于CycleGAN的图像风格迁移实验十三：基于SRCNN的图像超分辨率重建实验十四：基于SRGAN的图像超分辨率重建实验十五：基于LSTM+CTC的文字识别实验十六：基于teseract的文字识别2课程名称：Python文本与语音应用设计本课程以Python及其相关框架为工具，以实战为导向，系统讲述中文自然语言处理中的基本概念、理论方法和经典算法，有对基础知识和理论模型的介绍，也有对相关问题的实现方法和技术现状的详细阐述。通过使用NLP中jieba、LTP、HanLP、NLTK等工具库解决案例中的问题，提高自身使用自然语言处理方法来解决实际问题的能力。课程资源开发单位要求有“人工智能技术应用—深度学习应用开发”赛项技术支持经验，要求具有人工智能技术应用专业共建合作经验和合作案例；本课程适合各类职业院校计算机视觉及相关专业学生学习，也可以作为计算机视觉初学者的入门基础课程。课程资源如下：序号资源类型数量单位1课程大纲1套2教学日志1套3课程标准1套4课件PPT45个5作业题200道6试卷2套7课件视频45个8微课20个9实操视频60个【课程资源包】（1）教学大纲1份（2）教学日历1份（3）课程标准1份（4）作业库：章节配套课后作业（5）试卷：2套（6）课件PPT：11章序号章节任务第一章自然语言处理基础PART01什么是自然语言处理PART02自然语言处理的发展历程PART03自然语言处理的三个层面PART04Python开发环境--Anaconda的安装PART05实战案例--Python正则表达式包的使用第二章中文分词PART01分词方法PART02实战案例--中文分词工具包jieba的使用第三章词性标注和实体命名识别PART01词性标注PART02命名实体识别PART03实战案例--基于LTP的词性标注和命名实体识别第四章句法分析PART01句法分析分类PART02实战案例--基于PCFG的句法分析PART03实战案例--依存句法分析中文分词简介第五章NLP中的深度学习PART01RNNPART02LSTMPART03Encoder-decoder框架PART04Attention机制PART05transformer模型第六章文本向量化PART01文本向量化PART02实战案例--文本向量化第七章关键词提取PART01关键词提取算法PART02自动文摘方法PART03实战案例--关键词提取PART04实战案例--自动文摘PART05实战案例--词云第八章文本分类PART01文本分类方法PART02实战案例--基于传统机器学习的新闻文本分类PART03实战案例--垃圾邮件分类第九章文本情感分析PART01情感分析方法PART02实战案例--基于词典的情感分析PART03任实战案例--基于传统机器学习方法的情感分析PART04实战案例--基于LSTM的情感分析第十章聊天机器人PART01聊天机器人的分类PART02自然语言理解PART03实战案例--天气查询机器人PART04ElasticsearchPART05实战案例--法务咨询机器人第十一章语音识别设计与应用PART01语音识别--语音文本转换PART02基于WaveNet网络的方言语音分类PART03基于WaveNet网络的英语语音识（7）课程级实训库1、实训环境20份2、实训：实验一：Python开发环境--Anaconda实验二：Python正则表达式包的使用实验三：中文分词工具包jieba的使用实验四：基于LTP的词性标注和命名实体识别实验五：基于PCFG的句法分析实验六：依存句法分析中文分词简介实验七：文本向量化实验八：关键词提取实验九：自动文摘实验十：词云实验十一：基于传统机器学习的新闻文本分类实验十二：垃圾邮件分类实验十三：基于词典的情感分析实验十四：基于传统机器学习方法的情感分析实验十五：基于LSTM的情感分析实验十六：天气查询机器人实验十七：法务咨询机器人实验十八：语音文本转换实验十九：基于WaveNet网络的方言语音分类实验二十：基于WaveNet网络的英语语音识别3课程名称：人工智能深度学习应用开发本课程为基于TensorFlow框架的深度学习基础与AI项目开发实践课程，从基本原理知识开始学习，到经典的深度学习项目实践，理解深度学习基础知识，掌握基于深度学习理论进行AI项目开发实践技能。课程内容包括神经网络与深度学习、TensorFlow基础、全连接神经网络、卷积神经网络、TensorFlow项目实践、回归问题、分类问题、迁移学习。课程资源开发单位要求有“人工智能技术应用—深度学习应用开发”赛项技术支持经验，要求具有人工智能技术应用专业共建合作经验和合作案例；课程资源如下：序号资源类型数量单位1课程大纲1套2教学日志1套3课程标准1套4课件PPT45个5作业题200道6试卷2套7课件视频60个8微课20个9实操视频40个【课程资源包】（1）教学大纲1份（2）教学日历1份（3）课程标准1份（4）作业库：章节配套课后作业（5）试卷：2套（6）课件PPT：7章序号章节任务第一章深度学习绪论PART01人工智能与深度学习PART02深度学习的应用领域PART03深度学习框架介绍PART04深度学习应用开发环境搭建第二章TensorFlow2.0介绍PART01TensorFlow基础PART02TensorFlow数学基础PART03TensorFlow基本数据结构PART04张量的物理意义及应用PART05实战案例--基于TensorFlow框架的线性回归实现第三章Keras--TensorFlow的高级APIPART01keras基础PART02keras的体系结构PART03构建模型的两种方式PART04创建多层感知器PART05实战案例--基于Keras框架的花朵图像分类实现第四章神经网络PART01神经网络的由来PART02全连接神经网络基础PART03实战案例--基于全连接神经网络的MNIST手写数字识别实现PART04卷积神经网络基础PART05经典的卷积神经网络PART06实战案例--基于LeNet-5的手写数字识别实现第五章回归问题PART01回归的概念PART02回归的基本原理PART03实战案例--汽车燃油效率预测PART04过拟合的概念PART05解决过拟合的基本方法PART06实战案例--房价预测模型搭建第六章图像分类PART01图像分类的概念PART02二分类问题概述PART03实战案例--基于卷积神经网络的猫狗图像分类PART04多分类问题概述PART05实战案例--基于卷积神经网络的CIFAR-10图像分类第七章迁移学习PART01迁移学习基本概念PART02迁移学习训练方法与技巧PART03实战案例--基于迁移学习的猫狗图像分类（7）课程级实训库1、实训环境10份2、实训：实验一：开发环境的安装实验二：基于TensorFlow框架的线性回归实现实验三：基于Keras框架的花朵图像分类实现实验四：基于全连接神经网络的MNIST手写数字识别实现实验五：基于LeNet-5的手写数字识别实现实验六：汽车燃油效率预测实验七：房价预测模型搭建实验八：基于卷积神经网络的猫狗图像分类实验九：基于卷积神经网络的CIFAR-10图像分类实验十：基于迁移学习的猫狗图像分类4课程名称：AI技术应用与实践本课程为基于Jetbot小车的实践课程。智能AI机器人Jetbot具备计算机视觉处理能力和人工智能推理能力的功能性机器人，为研究人员、学生和业余爱好者提供AI技术实践平台，学习人工智能自动驾驶等相关技术。智能小车功能包括基本前进后退转向运动、游戏手柄控制、自主巡线、自主避障、对象跟踪、自动驾驶、OpenCV二维码识别、手势识别、百度语音结合、云台摄像头物体和人脸追踪、人脸识别、OpenCVAI实践等人工智能项目。课程资源开发单位要求有“人工智能技术应用—深度学习应用开发”赛项技术支持经验，要求具有人工智能技术应用专业共建合作经验和合作案例；课程资源如下：序号资源类型数量单位1课程大纲1套2教学日志1套3课程标准1套4课件PPT45个5作业题200道6试卷2套7课件视频80个8微课20个序号步骤任务第一章认识及组装JetbotAI小车1.JetbotAI小车简介1.1JetbotAI小车和自动驾驶1.2NVIDIAJetsonNano开发板1.3JetbotAI小车功能介绍2.JetbotAI小车组装2.1JetbotAI小车组装教程2.2JetbotAI小车软件环境搭建第二章系统和软件安装1.Jetbot镜像烧录方法1.1MicroSD卡格式化软件的使用1.2系统镜像解压及烧录2.XshellSSH工具的使用2.1镜像SD卡插入及小车启动2.2账户登录及开发界面访问3.JetbotAI小车连接WIFI3.1小车wifi连接3.2电源模式配置第三章Jetbot机器人OpenCV项目实践1.OpenCV安装及测试1.1OpenCV介绍1.2OpenCV安装2.图像和视频的读取、显示和保存2.1用摄像头捕获目标2.2从文件中播放2.3保存数据3.OpenCV颜色检测3.1色彩空间介绍3.2颜色空间转换3.3OpenCV颜色识别3.4OpenCV颜色物体追踪4.OpenCV面部和眼睛检测4.1面部及眼睛检测4.2OpenCV中的级联检测5.OpenCV汽车和行人检测5.1OpenCV实现行人检测5.2OpenCV实现汽车检测6.基于OpenCV的手势识别6.1手势识别介绍6.2图像预处理6.3手势识别实验第四章Jetbot机器人图像采集与处理1.Python基本运动控制编程1.1前后左右移动控制1.2电机单独控制2.游戏手柄控制与图像采集2.1云台角度设置2.2摄像头初始化2.3数据集文件创建2.4采集并保存图像第五章Jetbot机器人图像分类实践1.图像分类与自主避障介绍1.1目标检测原理介绍1.2目标跟踪原理介绍2.数据采集2.1调节摄像头角度2.2实时显示摄像头图像2.3创建游戏手柄控制2.4采集并收集数据3.模型训练3.1划分数据集3.2加载数据3.3模型训练3.4模型测试4.实时避障测试4.1避障模型加载4.2目标检测函数加载4.3目标跟踪函数加载第六章Jetbot机器人对象跟踪实践1.目标检测与目标跟踪介绍1.1目标检测介绍1.2目标跟踪介绍2.目标检测实现2.1云台角度设置2.2创建游戏手柄控制2.3数据采集及标注3.目标跟踪实现3.1摄像头计算检测3.2控制跟随目标中心第七章Jetbot机器人自动驾驶实践1.回归与自动驾驶介绍1.1回归问题介绍1.2自动驾驶原理介绍2.数据采集2.1调节摄像头角度2.2实时显示摄像头图像2.3创建游戏手柄控制2.4采集并收集数据3.模型训练3.1划分数据集3.2加载数据3.3模型训练3.4模型测试4.自动驾驶测试4.1加载模型4.2测试模型5课程资源及实训库资源部署平台参数要求人工智能课程资源及实训库需要能够部署在人工智能在线学习及实训平台上，需满足平台对课程资源类型及格式的具体要求。课程资源类型及内容需完全支持可在平台上使用，要求如下：（1）平台要求课程类型为计算机视觉、深度学习、AI项目开发、NLP语音系统设计等人工智能课程；（2）平台要求课程涉及人工智能项目开发环境搭建，要求课程项目运行使用jupyternotebook环境，教材内容要求具有OpenCV开源计算机视觉库、Pandas、Numpy、Matplotlib、Dlib等第三方库的具体内容，以便项目资源的部署；（3）平台要求课程资源要有实训库环境部署、虚拟环境创建，使用的深度学习框架为TensorFlow、keras、Pytorch等深度学习框架安装；（4）平台要求课程资源支持教师灵活发布项目资源、考试资源；资源类型需支持教师随时可编辑、可更改、可二次开发。以便于教师可以通过平台完成在线考核、项目管理、班级管理等教务；（5）平台要求课程资源支持学生在线学习、模拟实训、课后任务考核，要求支持学生可通过调用课程资源项目进行二次开发，生成自己的项目，资源要以降低学生学习的门槛为目标；（6）平台要求课程资源需具有详细介绍、独立化项目、独立化任务，以便于课程资源展示在平台的首页、应用库、课程和个人中心等重要组成部分。三、资源类型要求1.视频（1）文件格式媒体类型扩展名说明视频*.MP4/flv采用MP4/FLV格式;片头/片尾文件（模板视频）统一发放，视频生成时添加，时长不低于8分钟。（2）技术要求技术要求品质要求视频压缩采用H.264(MPEG-4Part10：profile=main,level=3.0)编码方式，码率2.5M以上，帧率不低于10fps，分辨率大于1280×720(16:9)。画面要求每帧图像颜色数不低于256色，灰度不低于128级。图像清晰，播放时没有明显噪点，流畅。彩色视频每帧图像颜色为真彩色。音频与视频图像达到同步，音频部分符合音频素材质量要求。内容要求视频内容符合国家法律法规，尊重民族风俗习惯，版权不存争议。若包含少数民族或外国语言文字信息，应遵循其原内容完整性，使用原语言进行处理。2.课件（1）文件格式媒体类型扩展名说明文件类型*.pptxMicrosoftPowerPoint演示文稿网页比例16:9横向（2）技术规范技术要求品质要求PPT课件采用MicrosoftPowerPoint统一按照模板要求制作，页面简洁且突出重点，文字与图片结合，图文并茂，有效页数不低于8页。模板应用模板朴素、大方，颜色适宜，便于长时间观看；每类资源模板统一；适当位置标明资源名称、章/节、序号等。背景、按钮等元素，可使用幻灯片母版实现。恰当使用组合：插图中位置相对固定的文本框、数学公式以及图片等应采用组合方式，避免产生相对位移。不同对象动作需同时出现时，可确定彼此间时间间隔为0。各级标题采用不同字体和颜色，一般一张幻灯片上文字颜色原则限定不超过4种，文字与背景色具有反差，能清晰辨识。动画方案不出现不必要动画效果、不使用随机效果。动画连续，节奏适当。导航设计文件内链接都采用相对链接，并能够正常打开。文件中插入其他素材时，应满足本规范媒体素材的技术规范如果使用超级链接，应在目标页面设有“返回”按钮。鼠标移至按钮上时要求显示出该按钮操作提示。不同位置使用导航按钮须保持风格一致或使用相同按钮。宏尽可能不采用宏，播放时不出现宏脚本提示。其他演示文稿中所采用媒体素材符合本规范媒体素材技术规范3.微课（1）文件格式媒体类型扩展名说明MP4*.MP4/flv采用MP4/FLV格式片头/片尾文件（模板视频）统一发放，视频生成时添加。微课数量*.MP4/flv每门课程微课不少于20讲，每讲时长应在5—8分钟以内。（2）技术规范技术要求品质要求微课的开始要有醒目的标题，标题要能够体现微课内容的表现。微课中如果有文字，文字要醒目，文字的字体、字号与内容协调，字体颜色避免与背景色相近。微课色彩造型