绪论 课时目标： 了解人工智能概念和发展史，了解全国大学生智能汽车竞赛，了解编程语言和Python语言 1.1 人工智能的发展及基本概念 1.2 智能汽车及全国大学生智能汽车竞赛 1.3 程序设计语言及Python语言简介 Python基本语法元素及数据类型 课时目标： 掌握IPO程序设计方法，掌握python基本语法元素，能读懂简单小程序，掌握python整数类型、浮点数类型、字符串类型及应用方法。 2.1 程序基本设计方法 2.2 python基本语法结构 2.3 python基本数据类型 程序控制结构 课时目标： 掌握程序分支结构和循环结构、Python异常处理，学会应用random库和turtle库。 3.1 程序流程图与基本结构 3.2 程序的分支结构 3.3 程序的循环结构 3.4 程序异常处理 3.5 random库 3.6 Turtle库 函数和类 课时目标： 掌握python函数和类的定义及应用，从实例中了解智能车自动巡航实现基本原理及方法、掌握单层感知机原理和实现方法。 4.1 代码复用和模块化设计 4.2 函数 4.3 面向对象和类 4.4 实例：智能车自动巡航类创建 4.5 实例：单层感知器类创建 组合数据类型 课时目标： 掌握Python列表类型、元组类型、集合类型和字典类型，了解jieba库和wordcloud库的应用，能综合应用列表、字典和元组的方法对文本做高频词分析和词云生成。 5.1 概述 5.2 序列类型 5.3 集合类型 5.4 映射类型 5.5 jieba库 5.6 wordcloud库 文件和数据格式化 课时目标： 掌握文件的读写操作方法、掌握一维、二维、高维数据的处理方法，了解OS库、ZIPFile库和json库，掌握其常用方法的应用。掌握图片处理PIL库和OpenCV的使用方法，能根据需要对图片进行处理。 6.1 文件的使用 6.2 数据的格式化和处理 6.3 PIL库 6.4 OpenCV库 Python计算生态及机器学习概述 课时目标： 掌握计算思维基本概念，了解python计算生态，掌握python 三大数据分析库的应用方法，掌握机器学习的基本类型，掌握一元线性回归理论及实践方法。 7.1 计算思维的概念 7.2 Python计算生态 7.3 Python数据分析库 7.4 机器学习方法概述 7.5 一元线性回归理论及实践 深度学习基础及车辆识别项目实践 课时目标： 掌握神经网络和深度学习基本概念、基础理论和实践方法 8.1 神经网络简介 8.2 深度学习理论基础 8.3 深度学习框架 8.4 实例：DNN车辆识别项目 卷积神经网络及斑马线识别项目实践 课时目标： 掌握卷积神经网络基本理论，局部连接、权重共享和池化。了解典型的卷积神经网络模型，掌握卷积神经网络的工程实践方法。 9.1 全连接神经网络的问题 9.2 卷积神经网络理论基础 9.3 典型的卷积神经网络模型 9.4 实例：CNN斑马线检测项目 智能车自动巡航算法设计及部署 课时目标： 在全国大学生智能汽车竞赛中，沿着竞赛场景车道线实现自动巡航是竞赛的一项基本任务，车道线自动巡航可以通过图像处理提取车道线实现，也可以基于深度学习模型来实现。本掌握基于OpenCV图像处理、基于CNN和基于PaddleSeg套件的智能车自动巡航方法及其部署。 10.1 百度智慧交通创意赛介绍 10.2 基于OpenCV图像处理的智能车自动巡航 10.3 基于CNN的智能车自动巡航模型设计及实验验证 10.4 基于PaddleSeg套件的智能车自动巡航模型设计及实验验证 智能车竞赛目标检测任务的CNN模型设计与部署 课时目标： 在全国大学生智能汽车竞赛百度智慧交通创意赛和完全模型组竞速赛中，设计了系列目标检测相关任务，需要设计卷积神经网络模型来实现目标检测。本章将学习智能车竞赛目标检测任务涉及的单阶段目标检测模型及网络轻量化技术，结合竞赛任务，掌握目标检测数据集创建方法、基于PaddleDetection的模型设计及训练、并完成边缘计算部署及实验验证。 11.1 目标检测概述 11.2 单阶段目标检测方法与神经网络轻量化 11.3 智能车竞赛目标检测任务数据集构建 11.4 目标检测网络模型构建与训练 11.5 目标检测模型部署 大模型基础及智能车竞赛OCR任务 课时目标： 第十九届智能汽车竞赛智慧交通创意赛中，线上赛和线下赛都新增了大模型项目的任务，且线上赛和线下赛任务是关联的，本章将学习如何应用文心一言大语言模型完成智能车竞赛的OCR识别任务。 12.1 大模型基础知识 12.2 大模型提示词工程与Agent 12.3 大模型调用方式介绍 12.4 大模型与智能车竞赛OCR任务介绍 12.5 大模型与智能车硬件结合