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