spContent=人工智能已经成为新一轮产业变革的核心驱动力，正在对世界经济、社会进步和人类生活产生极其深刻的影响，人工智能赋能汽车是具有挑战性和重大价值的工作。学科交叉融合是未来发展趋势，掌握深度学习理论及实践方法是当代大学生的必备能力。本课程将从Python零基础开始讲解，通过智能车竞赛任务，实战从数据采集与标注-深度学习模型设计与训练-优化与部署的全流程，希望同学们通过课程学习，提高利用AI解决专业领域工程问题的能力。
人工智能已经成为新一轮产业变革的核心驱动力，正在对世界经济、社会进步和人类生活产生极其深刻的影响，人工智能赋能汽车是具有挑战性和重大价值的工作。学科交叉融合是未来发展趋势，掌握深度学习理论及实践方法是当代大学生的必备能力。本课程将从Python零基础开始讲解，通过智能车竞赛任务，实战从数据采集与标注-深度学习模型设计与训练-优化与部署的全流程，希望同学们通过课程学习，提高利用AI解决专业领域工程问题的能力。
—— 课程团队
课程概述
本课程将系统学习python编程基础、深度学习基础理论及实践，可以从编程零基础入门，掌握python编程求解问题及数据分析方法，到最后能用百度paddlepaddle深度学习框架搭建深度学习模型，课程结合产业级工程项目展开实践教学，并结合了全国大学生智能汽车竞赛百度智慧交通创意组和完全模型竞速组深度学习相关任务设计教学内容。
课程配套有内容完全一致、同名的《Python深度学习及智能车竞赛实践》纸质教材和数字教材，由机械工业出版社出版。
课程特色：
1. 内容丰富且循序渐进。本课程内容从零基础开始讲解python，由易到难逐步过渡到能设计深度学习模型完成车辆图片分类深度学习模型设计、智能汽车竞赛的自动巡航、目标检测任务等。配套有习题、线上实践项目、线下竞赛等丰富的教学资源，共设计有四单元12章内容，如下图所示。
2. 实用性和实践性强。由北京航空航天大学和北京百度网讯科技有限公司联合打造建设的课程，引入了产业级工程实践项目，并基于全国大学生智能汽车竞赛设计各知识点的教学实例，以竞赛内容串联各章理论知识点，实现课程和学科竞赛的深度融合，有力的促进学生解决复杂工程问题能力的提升。
授课目标
1. 基于Python养成计算思维，学会Python编程求解问题;
2. 能用Python做数据分析，完成深度学习数据预处理；
3. 掌握深度学习基础理论及实践方法，能设计深度学习模型解决工程问题；
4. 能创新性完成智能车竞赛中图像处理和深度学习相关任务。
课程大纲
绪论
课时目标：了解人工智能概念和发展史，了解全国大学生智能汽车竞赛，了解编程语言和Python语言
1.1 人工智能的发展及基本概念
1.2 智能汽车及全国大学生智能汽车竞赛
1.3 程序设计语言及Python语言简介
Python基本语法元素及数据类型
课时目标：掌握IPO程序设计方法，掌握python基本语法元素，能读懂简单小程序，掌握python整数类型、浮点数类型、字符串类型及应用方法。
2.1 程序基本设计方法
2.2 python基本语法结构
2.3 python基本数据类型
程序控制结构
课时目标：掌握程序分支结构和循环结构、Python异常处理，学会应用random库和turtle库。
3.1 程序流程图与基本结构
3.2 程序的分支结构
3.3 程序的循环结构
3.4 程序异常处理
3.5 random库
3.6 Turtle库
函数和类
课时目标：掌握python函数和类的定义及应用，从实例中了解智能车自动巡航实现基本原理及方法、掌握单层感知机原理和实现方法。
4.1 代码复用和模块化设计
4.2 函数
4.3 面向对象和类
4.4 实例：智能车自动巡航类创建
4.5 实例：单层感知器类创建
组合数据类型
课时目标：掌握Python列表类型、元组类型、集合类型和字典类型，了解jieba库和wordcloud库的应用，能综合应用列表、字典和元组的方法对文本做高频词分析和词云生成。
5.1 概述
5.2 序列类型
5.3 集合类型
5.4 映射类型
5.5 jieba库
5.6 wordcloud库
文件和数据格式化
课时目标：掌握文件的读写操作方法、掌握一维、二维、高维数据的处理方法，了解OS库、ZIPFile库和json库，掌握其常用方法的应用。掌握图片处理PIL库和OpenCV的使用方法，能根据需要对图片进行处理。
6.1 文件的使用
6.2 数据的格式化和处理
6.3 PIL库
6.4 OpenCV库
Python计算生态及机器学习概述
课时目标：掌握计算思维基本概念，了解python计算生态，掌握python 三大数据分析库的应用方法，掌握机器学习的基本类型，掌握一元线性回归理论及实践方法。
7.1 计算思维的概念
7.2 Python计算生态
7.3 Python数据分析库
7.4 机器学习方法概述
7.5 一元线性回归理论及实践
深度学习基础及车辆识别项目实践
课时目标：掌握神经网络和深度学习基本概念、基础理论和实践方法
8.1 神经网络简介
8.2 深度学习理论基础
8.3 深度学习框架
8.4 实例：DNN车辆识别项目
卷积神经网络及斑马线识别项目实践
课时目标：掌握卷积神经网络基本理论，局部连接、权重共享和池化。了解典型的卷积神经网络模型，掌握卷积神经网络的工程实践方法。
9.1 全连接神经网络的问题
9.2 卷积神经网络理论基础
9.3 典型的卷积神经网络模型
9.4 实例：CNN斑马线检测项目
智能车自动巡航算法设计及部署
课时目标：在全国大学生智能汽车竞赛中，沿着竞赛场景车道线实现自动巡航是竞赛的一项基本任务，车道线自动巡航可以通过图像处理提取车道线实现，也可以基于深度学习模型来实现。本掌握基于OpenCV图像处理、基于CNN和基于PaddleSeg套件的智能车自动巡航方法及其部署。
10.1 百度智慧交通创意赛介绍
10.2 基于OpenCV图像处理的智能车自动巡航
10.3 基于CNN的智能车自动巡航模型设计及实验验证
10.4 基于PaddleSeg套件的智能车自动巡航模型设计及实验验证
智能车竞赛目标检测任务的CNN模型设计与部署
课时目标：在全国大学生智能汽车竞赛百度智慧交通创意赛和完全模型组竞速赛中，设计了系列目标检测相关任务，需要设计卷积神经网络模型来实现目标检测。本章将学习智能车竞赛目标检测任务涉及的单阶段目标检测模型及网络轻量化技术，结合竞赛任务，掌握目标检测数据集创建方法、基于PaddleDetection的模型设计及训练、并完成边缘计算部署及实验验证。
11.1 目标检测概述
11.2 单阶段目标检测方法与神经网络轻量化
11.3 智能车竞赛目标检测任务数据集构建
11.4 目标检测网络模型构建与训练
11.5 目标检测模型部署
大模型基础及智能车竞赛OCR任务
课时目标：第十九届智能汽车竞赛智慧交通创意赛中，线上赛和线下赛都新增了大模型项目的任务，且线上赛和线下赛任务是关联的，本章将学习如何应用文心一言大语言模型完成智能车竞赛的OCR识别任务。
12.1 大模型基础知识
12.2 大模型提示词工程与Agent
12.3 大模型调用方式介绍
12.4 大模型与智能车竞赛OCR任务介绍
12.5 大模型与智能车硬件结合
展开全部
预备知识
参考资料
徐国艳，刘聪琳，Python深度学习及智能车竞赛实践，机械工业出版社，2024年3月。
常见问题
1. 没有基础可以学习吗？
答：编程零基础可以学习前六章，后面五章的学习需要掌握必要的高等数学、线性代数和统计基础知识。
2.有什么好的学习方法推荐？
答：循序渐进，先打好基础，再逐步提高;理论与实践紧密结合，不能光听视频讲解，一定要自己动手编写、调试程序，到课程后期能自己搭建深度学习模型；
建议学有余力同学报名参加全国大学生智能汽车竞赛百度智慧交通创意赛和完全模型组竞赛，用所学知识解决实际问题。
3.本课程有无配套的实践资源？
答：有的，有配套教材，教材上可以下载实例代码，大项目提供百度飞桨星河社区AI Studio上的链接。
学习贵在坚持，日积月累，长期努力，必有大成！
认证成绩和证书
智能问答和解析
视频学习辅助
浙公网安备 33010802012594号
