python自主學習成果的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

樹莓派智慧專案設計：Raspberry Pi 4 Model B上的Python實現

為了解決python自主學習成果的問題，作者賀雪晨孫錦中劉丹丹謝凱年楊佳慶仝明磊 這樣論述：

本書通過講述樹莓派（Raspberry Pi 4 Model B ）上的Python實現，使讀者在熟悉Python語言和許多傳感器使用的同時，掌握如何使用樹莓派的GPIO與週邊 硬體進行資料交互、讀取硬件的工作狀態、控制硬體工作等，實現樹莓派與外界硬體設備的交互，通過軟硬體的結合，掌握人工智慧專案開發的基本方法，實現智慧車輛、機械手掌、視覺機器人等多個基於樹莓派的智慧實踐項目。本書可作為高等學校計算機類、信息類、電子類等專業人工智慧相關課程的教材，也可供希望學習Python 、OpenCV的讀者或其他從事人工智慧專案開發的工程技術人員學習參考。 賀雪晨   上海電力大學電子

與資訊工程系主任，多年從事高校教學和科研工作。主持2019年上海高校本科重點教學改革專案“基於人工智能應用場景的產教深度融合實踐教學改革與探索”；主持2019年上海市高水準應用型大學建設重點教改專案“新工科背景下卓越工程師培養模式探索”和“嵌入式智慧技術產教融合教學團隊”。主編教材多部。 第1章 樹莓派安裝使用1 1.1燒寫鏡像文件至SD卡2 1.1.1格式化SD卡2 1.1.2燒寫鏡像文件3 1.2啟動樹莓派4 1.2.1通常情況4 1.2.2開機直接進入樹莓派系統的情況7 1.3PuTTY7 1.4VNC Viewer10 1.4.1通常情況10 1.4.2無法連接VN

C的情況11 1.4.3解析度不匹配情況12 1.4.4樹莓派功能表配置13 1.5檔案傳輸14 1.6Linux常用命令與文本編輯15 1.6.1常用命令15 1.6.2檔與目錄管理15 1.6.3文本編輯16   第2章 程式設計基礎19 2.1Python快速入門19 2.1.1Python程式編寫19 2.1.2方法20 2.1.3迴圈21Ⅳ樹莓派智慧專案設計: Raspberry Pi 4 Model B上的Python實現目錄Ⅴ2.1.4分支21 2.2Python語法基礎23 2.2.12量24 2.2.2值和類型25 2.2.3結構體28 2.2.4控制程式流程31 2.2.5

函數35 2.2.6類36 2.2.7模組39 2.3OpenCV基礎41 2.3.1圖像讀寫42 2.3.2影像處理44 2.3.322捕獲53 2.3.4保存2254 2.3.5人臉檢測54 2.3.6給人臉帶上表情56 2.3.7人臉比對58 2.3.8運動檢測61 2.3.9KNN背景分割器63   第3章 樹莓派的GPIO65 3.1LED67 3.1.1七彩LED673.1.2雙色LED68 3.1.3RGB LED74 3.2繼電器77 3.3鐳射發射模組80 3.4開關82 3.4.1輕觸開關82 3.4.2傾斜開關85 3.4.3振動開關88 3.4.4幹簧管90 3.4.5

觸摸開關93 3.5U型光電感測器96 3.6蜂鳴器99 3.6.1有源蜂鳴器99 3.6.2無源蜂鳴器101 3.7模擬感測器106 3.7.1模數轉換感測器106 3.7.2雨滴感測器110 3.7.3PS2操作杆113 3.7.4電位器117 3.7.5霍爾感測器120 3.7.6類比溫度感測器123 3.7.7聲音感測器125 3.7.8光敏感測器129Ⅵ樹莓派智慧專案設計: Raspberry Pi 4 Model B上的Python實現目錄Ⅶ 3.7.9火焰感測器131 3.7.10煙霧感測器134 3.8超聲波感測器138 3.9旋轉編碼感測器140 3.10陀螺儀加速度感測器1

43 3.11紅外避障感測器146 3.12循跡感測器149 3.13數字溫濕度感測器151   第4章 實踐專案: 智能車輛156 4.1智慧車輛結構及連接方式簡介156 4.1.1智慧車輛結構簡介156 4.1.2智慧車輛連接方式157 4.2智慧車輛視覺巡線157 4.2.1視覺巡線理論基礎及程式簡介158 4.2.2視覺巡線實操162 4.3智慧車輛深度學習自動駕駛164 4.3.1深度學習自動駕駛理論基礎及程式簡介 164 4.3.2深度學習自動駕駛實例171   第5章 實踐專案: 機械手掌174 5.1連接與控制1755.1.1遠端連接機械手掌175 5.1.2程式架構175 5

.2顏色分類176 5.3顏色跟蹤178 5.4人臉檢測178 5.5石頭剪刀布179 5.6手勢識別180   第6章 實踐專案: 視覺人形機器人182 6.1專案啟動182 6.2自主巡線183 6.3點球射門184 6.4雲台跟蹤186 6.5物品識別187 6.6手勢交互188   參考文獻190     前言 人工智慧是國家新興戰略產業中資訊產業發展的核心領域。作者團隊在校企合作教書育人過程中，通過與企業工程師共同探討，選用開源軟硬體進行基於樹莓派的智慧車輛、機械手掌、視覺機器人等人工智慧專案的設計和製作，完成了基於人工智慧應用場景的實踐教學，經過近幾年卓越工程

師班的教學實踐，教學良好。 本書由上海電力大學“嵌入式智慧技術”產教融合教學團隊編寫，是上海市2019年高校本科重點教學改革專案“基於人工智慧應用場景的產教深度融合實踐教學改革與探索”的成果，也是2019年上海市高水準應用型大學建設上海電力大學重點教改專案“新工科背景下卓越工程師培養模式探索”的成果。 本書共分6章，前3章主要講解基本知識，後3章進行項目實踐，具體如下。 第1章介紹樹莓派的安裝使用。 第2章介紹Python程式的編寫和OpenCV的基礎內容，包括人臉檢測、人臉比對、運動檢測等內容。 第3章介紹如何使用樹莓派的GPIO與硬體的交互，包括LED、繼電器、蜂鳴器、各類開關、

各類類比感測器和數位感測器等內容。 第4章介紹智慧車輛實踐專案，通過深度學習實現智慧交通，具體包括類比車輛智慧視覺巡線及無人自動駕駛，通過圖像預處理及相應演算法獲取車道線及障礙物資訊，以及根據路徑規劃實現車輛的自主導航。 第5章介紹機械手掌實踐專案，通過智慧視覺識別功能，實現顏色識別和跟蹤、人臉檢測、手勢識別等功能。 第6章介紹視覺人形機器人實踐專案，通過黑線識別實現自主巡線，通過圓形識別實現點球射門，通過單色物體識別實現雲台跟蹤，通過多色物體識別實現物品識別，通過手勢識別實現交互。 實踐項目案例會不斷更新，有興趣的讀者可以與作者進行探討。 由於作者能力有限，書中難免有所遺漏，懇請同

行專家及讀者批評指正。   作者 2020年12月    

Google教你深度學習：中小企業如何利用會自己學習的電腦?

為了解決python自主學習成果的問題，作者日經大數據 這樣論述：

你要聽特斯拉馬斯克的或是臉書祖克伯的？ 前者認為人工智慧（AI）會毁滅人類，後者說不會！ 其實你應聽Google的， 它提供平台讓中小企業也可以搭上人工智慧的特快車！ 　　將衝擊世界的人工智慧類型基本上是指會自己學習的電腦，也就是所謂的機器學習（Machine Learning）及深度學習（Deep learning），而非過去大家習慣的電腦依程式行事。前者是指機器自己由大量資料中，得出某結論，如給電腦一堆貓的圖片，他會自己替貓做定義，進而由一張被切割的照片中，判斷那是不是貓。而深度學習則是電腦自行處理多層結構的訊息，而進行判讀。 　　人工智慧用5000部影片，就可以自己學會讀唇語！

　　曾有研究單位利用「深度學習」學習唇語的判讀，他們將英國BBC電視頻道的多個節目系列、合計約五千小時的影片做為學習的資料。學習後的電腦，在兩百支影片測驗組合中，光靠唇部動作便成功解讀出大約百分之五十的單字。而即使是在法庭上擁有十年以上經驗的唇語術專家，在相同的測驗中也只能判讀四分之一左右的單字。 　　電腦具備自主學習及判斷能力的事實將對人類社會產生重大衝擊，本書不只以一般人能理解的方式說明人工智慧在技術方面的進展，更以大量的實例，說明目前全球各種規模的企業如何利用會「學習」的電腦，來改變企業的運作。例如客戶服務的工作，原本極為依靠人力，但是，現在只要投入大量過去的QA，電腦會自己學會如何

對應客戶；如語文的翻譯，電腦也可以自己由大量的翻譯資訊中學習，讓翻譯的品質提升。 　　善用人工智慧技術的企業，將在企業的經營上（至少成本的控制上），取得領先。問題是人工智慧的發展是否有很高的技術門檻？阻擋一般的中小企業於門外？其實不然。 　　中小企業也可以利用Google平台提供的應用程式介面，發展自己的深度學習運用 　　谷歌在其雲端服務「Google Cloud Platform（GCP）」中，將谷歌研究開發至今的深度學習成果透過兩種方式開放一般大眾使用（Google目前將人工智慧用在公司一千種服務以上）：一種是將機器學習訓練完畢的模型，以應用程式介面 (Application Pro

gramming Interface；API)方式提供服務。另一種是提供機器學習程式庫「開源機器學習系統（Tensor Flow）」。 　　應用程式介面（API）一般是指能將擁有特定機能的電腦程式由外部程式叫出使用的介面。透過應用程式介面與電腦程式連結，就可以直接利用其功能。 　　谷歌將許多不同種類具有「機器學習」或是「深度學習」能力的「模型」放在「谷歌雲端平台（GCP）」。中小企業可以利用應用程式介面，直接利用其功能。而這些「模型」已經經過基本的「訓練」，因此使用者只要提供少量的資料，就可以達成學習的目的。 　　因為有了應用程式介面（API）的提供，使得「機器學習」與「深度學習」為一般

企業所用的門檻大幅降低了。只需以程式介面（API）程式將「模型」叫出，就能使用圖像辨識與語音辨識的最新成果，真的很方便。 　　不過另一方面，許多太專業的運用，如人體器官病徵的辨識或是機械故障的預兆判斷等，無法以應用程式介面（API）套用現有的「模型」。谷歌所準備的機器學習程式庫「開源機器學習系統 TensorFlow」將派上用場。使用者可以下載程式，自行發展所需要的功能。「使用TensorFlow最大的好處，是只要以Python語言寫出簡單的程式碼，就能運用深度學習」。 　　本書不只告訴你人工智慧是什麼？將改變什麼？更告訴你可以做什麼，讓公司保持在科技的浪潮尖端。 本書特色 　　從定義

到駕御：讓你徹底搞懂將對人類產生鉅大影響的科技 　　本書在觀察大量企業的運用後，在第五章《架構活用篇》提出導入的深度學習的具體架構，讓讀者不只能懂，也能縮短運用時摸索的時間。本書發現人工智慧（機器學習、深度學習）的風潮席捲全球，不過其在企業運用的目的不外以下幾種：1、刪減成本。2、提高附加價值創造出新的商機。3、提升創意性。而在觀察幾百家企業的操作後，發現以刪減成本的目的最容易產生效果。 　　用案例讓讀者完全理解 　　對沒有技術背景的民眾而言，最關心的是人工智慧（機器學習、深度學習）要如何運用，本書以實際的案例說明相關問題： 　　■ 安藤HAZAMA――用以判斷隧道工程之岩盤硬度 　

　為了建設隧道工程時能兼具安全與效率，安藤HAZAMA與日本系統軟體共同開發的「隧道開挖面AI自動評價系統」。將挖掘隧道時最尖端之開挖面照片輸入後，該系統就會自動評價其岩盤的硬度、脆性等工學特性。透過人工智慧帶來的岩盤工學特性評價自動化，即使沒有專家或資深技師在場，也能給予正確的判斷。 　　在學習之際，將五百張左右的相片進行分割，製作成五萬張的相片資料。結合相片岩石所代表的彈性波速度，一起讓機器學習的結果，在拍攝開挖面相片後，就能得到彈性波的速度值。新系統在從開挖面的相片辨識其相對應的彈性波速度上，正確率大約有百分之八十五。 　　■ AUCNET IBS――從車輛相片就能鎖定款式 　　深

度學習特別適用於圖片的識別。從事支援中古車等業者間交易的AUCNET（位於東京都港區）系統開發子公司之AUCNET IBS就是圖片識別運用的例子。該公司運用深度學習技術，開發了能自動將車輛不同部位照片歸類上傳到網站的系統「konpeki（紺碧）」。二〇一六年十一月集團旗下的中古車經銷商FLEX（東京都港區）採用了這個系統，提升網站上資訊登錄作業的效率。 　　中古車經銷商經常需要為購入的中古車拍攝許多相片、進行上傳到自家網站或資訊網站的作業。車子的左斜前方、右斜前方、右側、左側、後方、還有車內的前座及後座、儀表板、導航等……。這些相片如果由店員手工整理的話，大概要花個五分鐘左右。Konpeki

系統只要經銷商店員將拍攝的相片登錄，就立刻能自動依部位別分類，輕鬆地上傳至中古車資訊網站。 　　它將車輛外部區分為十八種、内部區分為十二種。它也會將包含車輛的相片、但並非銷售對象的圖像（如廣告）區分出來。甚至還能鎖定某品牌、車名、款式，顯示平均銷售價格帶。 　　「konpeki（紺碧）」系統的開發便是採用了谷歌的「谷歌雲端平台（GCP）」上為了開發深度學習模型的程式庫「開源機器學習系統（Tensor Flow）」、讓機器學習大量圖像資料而成。 　　■ 以少量的訓練資料構築出車輛台數檢測的系統 　　Aerosense與大數據的BrainPad公司共同合作、運用了深度學習技術的作法。開發了

從空拍圖像中測出停車車輛數的系統。先從實驗結果來看的話，使用了深度學習的空拍圖辨識汽車模型，在顯示了一百一十六輛汽車的測試圖資料中，測岀結果為一百二十二輛。 　　Aerosense的汽車辨識模型，其特點在於其從空拍圖辨識汽車用的深度學習模型，並非是從零開始打造的。研發人員說明：「若要製作專用的模型，將需要大量的訓練資料。即使有一萬張也不夠吧！這次是運用了現有的模型，大約只有一百三十張的少量訓練資料，就顯示出其高精確度，很有價值。」 　　在深度學習模型的開發上，活用了谷歌的深度學習程式庫「TensorFlow」。利用TensorFlow中名為「Inception-V3」之一般圖像辨識模型，從

圖像資料中製作抽取了特徵值的向量。此時，使用約一百三十張的汽車空拍照作為訓練資料。抽取了特徵值的向量，再以一種名為SVM（支援向量機；Support Vector Machine）的機器學習進行學習，得出結果。 　　結合500家企業的導入經驗，系統化說明著手運用深度學習的方法 　　作者輔導了500家以上企業導入深度學習於工作之中，他用資料×目的的矩陣，描繪出活用展望圖，協助讀者理清頭緒，讓公司縮短導入摸索的時間。  

使用詞向量透過無監督學習分群的學習序列聚類方法

為了解決python自主學習成果的問題，作者李蘊庭 這樣論述：

隨著2019 年Covid-19 新冠肺炎疫情爆發，居家隔離或者是遠距工作已然成為了不少人的日常，傳統的教學方式也因此次疫情受到了衝擊，此時大規模開放線上課程(MOOC)更彰顯出遠距教學與數位學習的重要。近年來人工智慧相關技術的發展以及各式各樣新穎的數據分析方法的誕生，推薦系統以及成效預測已經成為了一個重要的研究方向。大規模開放式線上課程 (Massive Open Online Courses，MOOCs)是現今不斷擴展的數位學習方式，將課程透過網路發送給學習者學習，這種線上學習的行為自主性強且不受時間和地點限制，對於有富有學習動機的人來說是絕佳的學習資源。本研究使用由日本京都大學開發的B

ookRoll 線上電子書學習系統搭配國立中央大學所開發的複習與答題系統，根據學生們使用教材學習的行為紀錄(Log)經過文本轉換後透過無監督學習方式進行學習策略的歸納，並探討學習行為與學習成效之間的關聯性。本文探討學生的學習行為足跡以此來了解學生對學習成效較佳的活動或行為，提供參考進而改善學生們的學習成效。我們透過Bookroll 平台與各複習系統上所收集的學習歷程進行處理，生成學生們的學習動作序列並歸納出學習策略。本研究希望能從中找出學習策略與學習成效的關聯性，提供老師輔導學生的參考。我們使用中央大學109 學年度下學期的Python 程式設計課程在混合式教學場景中的學習歷程與成果來分析學生

的學習策略，發現學生在Bookroll 平台上所留下的學習活動資料確實可以透過無監督學習的方式使用分群演算法來萃取其學習策略。研究發現，學生們使用BookRoll 及其他練習系統的足跡使用基於神經網路的文本表示方法後透過無監督學習所歸納出的所有學習策略皆與學習成效都達到顯著正相關，且使用基於神經網路的文本表示法運算速度非常快速，未來可應用於學習預警或推薦機制實現精準的教學干預。