数科专业《Python机器学习课程设计》作品展
随着人工智能技术的不断发展,机器学习作为人工智能最为基础的算法与实践,发挥着越来越重要的作用。为了更好地满足社会对人才的需求,提高学生的实践能力和创新能力,《Python机器学习课程设计》对实践环节的内容和难度进行了全面的升级。
主要内容及学时规划:
第一部分,基于PyTorch框架的机器学习开发环境
实验学时:2学时
实验目的:掌握PyTorch的开发环境安装
实验硬件:任意独立的NVIDIA GPU
实验软件:Anaconda3、PyTorch
实验要求:1)在教师演示后独立完成环境安装
2)测试环境并运行示例代码
第二部分 PyTorch开发机器学习应用
实验学时:6学时
实验目的:1)掌握PyTorch的基本命令
2)掌握PyTorch的张量运算
3)掌握PyTorch的nn、Dataset、Dataloader
4)掌握使用PyTorch完成简单的深度学习应用开发
实验软件:Anaconda3、PyTorch、Jupyter Notebook
实验要求:1)独立完成PyTorch命令练习
2)独立完成PyTorch应用开发
3)完成图像分类任务
第三部分 MMDetection快速开发目标检测应用
实验学时:16学时
实验目的:1)掌握MMDetection安装
2)掌握MMDetection模型配置
3)掌握MMDetection训练与调优策略
4)掌握使用实际数据完成目标检测应用开发
实验软件:Anaconda3、PyTorch、Jupyter Notebook
实验要求:1)独立完成MMDetection安装、配置、优化
2)独立完成MMDetection目标检测应用开发
第四部分 MMSegmentation快速开发语义分割应用
实验学时:16学时
实验目的:1)掌握MMSegmentation安装
2)掌握MMSegmentation模型配置
3)掌握MMSegmentation训练与调优策略
4)掌握使用实际数据完成语义分割应用开发
实验软件:Anaconda3、PyTorch、Jupyter Notebook
实验要求:1)独立完成MMSegmentation安装、配置、优化
2)独立完成MMSegmentation语义分割应用开发
作品展示:
2班第11组:慈士贤、张正毅、巴岩、余鑫、程鹏
作品评分:98分
1:基于卷积神经网络的脑肿瘤分类
2:基于MMDetection框架的海洋船舶检测
2班第4组:孙小武、黄勇、云文英、潘癸行、万天缘
作品评分:95分
1:基于PyTorch的狮子猎豹分类
2:基于MMDetection框架的汽车检测
1班第3组:李红烨、郭双源、胡本杰、李玉池、胡龙腾飞
作品评分:95分
1:基于PyTorch的鞋品分类
2:基于MMDetection框架的枪支检测
1班第8组:滕长丽、田瑞琪、饶怡婕、周诗芬、王姝淘
作品评分:92分
1:基于PyTorch的猫狗检测
2:基于MMDetection框架的行人检测
审核:袁连海