学科基础课平台必修课 《高等数学 A1》 《高等数学 A2》 《大学物理 A1》 《C++程序设计》 《C++程序设计实验》 《C++程序设计实训》 《线性代数》 《概率论与数理统计 B》 《离散数学Ⅰ》 《计算机组成原理 I》 《数据结构 I》 《数据结构 I 实验》 《计算机网络原理Ⅰ》 《操作系统Ⅰ》 《数字通信原理》 学科基础课平台选修课 《数字逻辑》 《Java 程序设计》 《Java 程序设计实验》 《管理信息系统》 《管理信息系统实训》 《数据库原理 A》 《人工智能导论》 《生理学 E》 《卫生统计学 B》 《流行病学 B》 《外科学总论 B》 《诊断学 D》（临床医学概要） 《诊断学 D》(临床医学概要） 《诊断学 D》 《编译原理》 《传感器技术及应用》 专业课平台必修课 《计算机类认识实习》 《医信工程生产实习》 《医信工程毕业实习》 《医信工程毕业设计（论文）I》 《医信工程毕业设计（论文）II》 《医学信息工程导论》 《生物信息学导论》 《生物医学信号处理》 《生物医学信号处理实验》 《数字图像处理 A》 专业课平台选修课 《软件工程概论 A》 《医学信息系统》 《现代病案信息管理》 《医学决策支持系统》 《智能医疗》 《智能医疗》实验 《数据挖掘》 《数据挖掘》实验 《大数据与深度学习》

学科基础课平台必修课 《高等数学 A1》 《高等数学 A2》 《大学物理 A1》 《大学物理 A2》 《大学物理实验》 《C++程序设计》 《C++程序设计实验》 《C++程序设计实训》 《线性代数》 《概率论与数理统计 B》 《离散数学Ⅰ》 《计算机组成原理 I》 《数据结构 I》 《数据结构 I 实验》 《计算机网络原理Ⅰ》 《操作系统 I》 《操作系统Ⅰ》 《电工电子技术 C》 学科基础课平台选修课 《数字逻辑》 《Java 程序设计》 《Java 程序设计实验》 《Java 程序设计》实训 《管理信息系统》 《管理信息系统实训》实践 《数据库原理 A》 《编译原理》 《物联网工程导论》 《软件工程概论 A》 《汇编语言与接口技术》 《汇编语言与接口技术》考查大纲 《汇编语言与接口技术》实践 《算法分析与设计》 专业课平台必修课 《数字通信原理》 《网络设计与集成》 《网络信息安全》 《网络管理》 《网络应用开发》 《计算机类(网络)认识实习》 《网络生产实习》 《网络毕业实习》 《网络工程专业毕业设计（论文）》 专业课平台选修课 《协议分析与设计》 《网络空间攻防实训》 《Linux 网络操作系统》 《路由与交换技术实验》 《网络软件开发》 《云计算技术》 《Java EE 平台开发》 《Java EE 平台开发实验》 《开源框架技术》 《大数据与深度学习》 《离散数学 II》 《模式识别与人工智能》 《嵌入式系统设计》 《嵌入式 linux 应用程序开发》 《智能医疗》 《智能医疗》实验 《数据挖掘》 《数据挖掘》实验

基于高性能的YOLOv3目标检测算法，提出一种分阶段高效火车号识别算法。整个识别过程分为两个阶段：第一阶段在低分辨率全局图像中检测出火车号区域位置；第二阶段在局部高分辨率图像中检测出组成火车号的字符，根据字符的空间位置关系搜索得到12位火车号，并利用每个字符的识别置信度及火车号编码规则进行校验得到最终火车号。另外，本文提出一种结合批一化因子和滤波器相关度的剪枝算法，通过对两个阶段检测模型的剪枝，在保证识别准确率不降（实验中略有提升）的条件下降低了存储空间占用率和计算复杂度。在现场采集的1072幅火车号图像上的实验结果表明，本文提出的火车号识别算法达到了96.92%的整车号识别正确率，平均识别时间仅为191 ms

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪

 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）

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级

医生诊断需要结合临床症状、影像检查等各种数据，基于此，提出了一种可以进行数据融合的医疗辅助诊断方法。将患者的影像信息（如CT图像）和数值数据（如临床诊断信息）相结合，利用结合的信息自动预测患者的病情，进而提出了基于深度学习的医疗辅助诊断模型。模型以卷积神经网络为基础进行搭建，图像和数值数据作为输入，输出病人的患病情况。该医疗辅助诊断方法能够利用更加全面的信息，有助于提高自动诊断准确率、降低诊断误差；另外，仅使用提出的医疗辅助诊断模型就可以一次性处理多种类型的数据，能够在一定程度上节省诊断时间。在两个数据集上验证了所提出方法的有效性，实验结果表明，该方法是有效的，它可以提高辅助诊断的准确性

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战

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

【机器感知与模式识别】三元组深度哈希学习的司法案例相似匹配方法