人工智能导论王万良-测试答案人工智能导论王万良-测试答案人工智能导论王万良-测试答案人工智能导论王万良-测试答案人工智能导论王万良-测试答案人工智能导论王万良-测试答案人工智能导论王万良-测试答案人工智能导论王万良-测试答案人工智能导论王万良-测试答案

内容概况： 使用CelebA数据集中戴口罩和没戴口罩的图像作为训练样本对模型进行训练。在测试时对笔记本摄像头拍摄的人脸进行判断，标记出是否戴了口罩。 采用三种方法： 实现方法一：CNN卷积神经网络训练模型实现口罩识别； 实现方法二：Python+opencv训练分类器实现人脸口罩检测； 实现方法三：yolov5训练目标检测模型实现人脸口罩识别。 试用人群： 大学生（人工智能导论课程），人脸口罩识别三级项目 阅读建议： 含有完整的报告格式，含有运行截图，代码截图，并附加教程网址

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

人工智能导论-莫宏伟-邮电

人工智能导论（第五版）王万良 配套PPT素材

山东大学信息学院2022春人工智能导论试题附答案 题库详解博客地址：https://blog.csdn.net/m0_52316372/article/details/125627808

山东大学人工智能导论实验2工程文件-前向传播和反向传播 详解博客地址：https://blog.csdn.net/m0_52316372/article/details/125626360 内容： 假设X有n个样本，属于m=3个类别, a^m表示样本属于第m类的概率，请实现 的三次前向传播及反向传播(更新参数ω和b)，每次反向传播结束后更新并输出参数ω和b的值，计算cross entropy loss，其中σ(∙)表示sigmoid函数。 目标： 理解前向传播和反向传播 应用作业一中提到的基本操作 代码要求： 按代码模板实现函数功能 文档要求： 前向传播及反向传播涉及到的公式计算（参考） 粘贴代码输出结果截图。

山东大学人工智能导论实验4工程文件-利用神经网络分类红色和蓝色的花 详解博客地址：https://blog.csdn.net/m0_52316372/article/details/125627113 内容： 利用具有1层隐藏层的神经网络分类红色和蓝色的花。参考1 和 参考2 数据集： 2分类数据集flower，红色和蓝色点的“花”。使用X, Y = planar_utils.load_planar_dataset()加载数据集，X为样本，共有400个，Y为样本对应的标签，0表示红色，1表示蓝色。 目标：建立具有隐藏层的完整神经网络 善用非线性单位 实现正向传播和反向传播，并训练神经网络 了解不同隐藏层大小（包括过度拟合）的影响 代码要求：1.定义模型结构2.初始化模型的参数3.循环计算当前损失（前向传播），请使用Relu激活函数。计算当前梯度（反向传播）更新参数（梯度下降） 文档要求：对比使用逻辑回归和使用具有1层隐藏层神经网络的分类效果（请粘贴2种方法分类效果图），哪种效果更好，分析原因。调整隐藏层大小（至少5种大小），观察不同大小隐藏层的模型的不同表现，请粘贴分类效果图，当隐

山东大学人工智能导论实验1工程文件-numpy的基本操作 详解博客地址：https://blog.csdn.net/m0_52316372/article/details/125625648 内容： 使用numpy实现深度学习任务中的一些基本操作，包括以下函数：  sigmoid function  sigmoid gradient function  softmax function  cross entropy loss function 目标：  熟悉numpy的一些基本函数  理解sigmoid, softmax, cross entropy loss等函数 代码要求：  按代码模板实现函数功能 文档要求：  代码运行结果截图(main函数里的内容不要修改)  sigmoid函数的公式及图像  sigmoid函数梯度求解公式及图像  softmax函数公式  cross entropy loss function公式  它们在神经网络中有什么用处？

山东大学人工智能导论实验3工程文件-Logistic回归分类器识别猫 详解博客地址：https://blog.csdn.net/m0_52316372/article/details/125626670 内容： 建立Logistic回归分类器用来识别猫。参考1 和 参考2 目标：  基于作业二的拓展，进一步理解神经网络的思想  理解逻辑回归实际上是一个非常简单的神经网络 代码要求 1. 定义模型结构 2. 初始化模型的参数 3. 循环  计算当前损失（前向传播）  计算当前梯度（反向传播）  更新参数（梯度下降） 文档要求：  尝试不同的学习率（至少三种），观察不同学习率下随着迭代次数的增加损失值的变化，请粘贴不同学习率下损失的变化曲线图像，放到一张图像上，分析不同的学习率对模型准确率的影响及原因，如何选择合适的学习率。 数据集介绍：  datasets/train_catvnoncat.h5 保存的是训练集里面的图像数据（本训练集有209张64x64的图像）及对应的分类值（0或1，0表示不是猫，1表示是猫）  datasets/ test_catvnonca