第一部分 深度学习基础 第1章 什么是深度学习 第2章 神经网络的数学基础 第3章 神经网络入门 第4章 机器学习基础 第二部分 深度学习实践 第5章 深度学习用于计算机视觉 第6章 深度学习用于文本和序列 第7章 高级的深度学习最佳实践 第8章 生成式深度学习 第9章 总结

第1章 引言 第2章 监督学习 第3章 无监督学习与预处理 第4章 数据表示与特征工程 第5章 模型评估与改进 第6章 算法链与管道 第7章 处理文本数据 第8章 全书总结

 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的自然语言处理方法（理性方法，传统方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译  基于语料库（数据）的自然语言处理方法（经验方法） ◼ 语言模型（N元文法） ◼ 分词、词性标注（序列化标注模型） ◼ 句法分析（概率上下文无关模型、移进-规约分析器） ◼ 文本分类（朴素贝叶斯模型、最大熵模型） ◼ 情感分析 ◼ 机器翻译 (IBM Model等) ◼ ......（基于神经网络的深度学习方法）

在工业生产中，从机器的设计到制造，或进行技术交 流，或使用及维修机器设备，都要用到装配图。因此，对 从事工程技术的工作人员来说，掌握看装配图的方法是很 有必要的

第一节发明 一、发明的概念 各个国家对发明下了不同的定义,虽 然其各不相同,却也具有一些共同的特点。美 国《专利法》第101条将发明定义为:任何新 颖而适用的制法、机器、制造品、物质的组合 ,或者任何新颖而适用的改进。该法还对其中 的“制法”作出了解释,是指制作的技艺或者方 法,包括对已知的制法、机器、制造品、物质 的组成或者材料的新用途。在日本《专利法》 中规定,发明是指利用自然规律进行技术构思 的高度创造

电子科技大学：《机器学习 Machine Learning》课程教学资源（课件讲稿）第1章 机器学习介绍（师君）

一、装配图的作用 设计时:先画装配图,然后再以装配图为依据绘制设计零件 生产时需以装配图为依据,按装配关系和技术要求,进行零 安装时件生产并装配成机器或部件,然后进行检验和调试。 装配图是设计和安装的重要技术文件。 二、装配图的内容 以旋塞阀为例,一张装配图应包括以下几方面的内容: (1)一组图形 选用一组视图,并采用各种表达方法,正确、完整、清晰 地表达机器或部件的工作原理;结构特征;各组成零件之间 的相对位置;装配关系和主要零件的结构形状等

电子科技大学：《智能机器人原理及实践》课程教学资源（讲稿）08 自主导航与路径规划（机器人导航与路径规划）

电子科技大学：《智能机器人原理及实践》课程教学资源（讲稿）07 羽毛球视觉处理系统（羽毛球机器人视觉软件系统）

电子科技大学：《智能机器人原理及实践》课程教学资源（讲稿）06 羽毛球机器人定位与视觉系统设计