从入门到进阶，攻破人工智能CV领域

【课程介绍】
以主流的语言python为主，简单易学，从零开始课程从python语法讲起，逐步学习数据分析、数学基础和机器学习相关的python实现方法，配合14个实战案例，确保学员学到实在技能。满足AI计算机视觉方向企业岗位

【课程目录】课程介绍：以主流的语言python为主，简单易学，从零开始课程从python语法讲起，逐步学习数据分析、数学基础和相关的python实现方法，配合14个实战案例，确保学员学到实在技能。满足AI计算机视觉方向企业岗位需求，从理论知识到技术操作课程涉及领域较深，系统化地整理了计算机视觉方向的工作技能，确保学员的就业需求得到满足，此外课程主办方会对优秀学员共享就业信息。课程目录：第一阶段 人工智能与计算机视觉：课程导论第一章 人工智能-计算机视觉概述1.1 如何学习AI？1.2 计算机视觉发展史1.3 计算机视觉技术和应用场景第二章 基于图片数据的城市研究实践2.1 图片城市主义2.2 基于图片的街景绿视率评价第二阶段 Python快速掌握第一章 Python语言基础第二章  科学计算库numpy第三章  数据分析库Pandas第四章  图表绘制库 Matplotlib考核项目1 – 豆瓣数据处理项目实战第三阶段 计算机视觉库OpenCV第零章  体验课 Opencv图像处理第一章   基础操作第二章  几何变换第三章  形态学第四章  图像平滑第五章  颜色空间转换第六章  二值化第七章  图像梯度第八章  Canny边缘检测第九章  视频操作第十章  人脸检测识别考核项目2：人脸识别项目实战第四阶段 深度学习基础第一章 感知器课程1.0 本章节课程介绍课程1.1 深度学习基本介绍和基本应用课程1.2 深度学习发展背景和人物介绍课程1.3 机器学习基础课程1.4 单层感知器介绍课程1.5 单层感知器应用案例课程1.6 线性神经网络处理异或问题课程1.7 delta学习规则和梯度下降法第二章 BP神经网络课程2.1 BP网络介绍课程2.2 BP算法详细推导课程2.3 激活函数和梯度消失讲解课程2.4 BP神经网络-异或问题课程2.5 BP神经网络实现手写数字识别课程2.6 sklearn-手写数字识别考核项目05_葡萄酒识别第五阶段 深度学习框架I：Tensorflow第一章 Tensorflow基础课程1.0 第一周课程介绍课程1.1 Tensorflow介绍和安装课程1.2 Tensorflow基本概念课程1.3 创建会话，启动会话课程1.4 变量的使用课程1.5 Fetch和Feed的用法课程1.6 线性回归应用课程1.7 非线性回归应用1.8 MNIST数据集介绍1.9 softmax函数介绍1.10 MNIST数据集分类简单版本第二章 概率论与数理统计（上）2.1 交叉熵讲解2.2 交叉熵程序2.3 过拟合以及抵抗过拟合的方式2.4 Dropout的应用2.5 正则化的应用2.6 优化器介绍2.7 优化器的使用第三章 概率论与数理统计（下）（第二周课程）3.1 第二周课程介绍3.2 Tensorboard网络结构3.3 Tensorboard记录数据3.4 模型保存载入方式（上）3.5 模型保存载入方式（下）第四章 卷积神经网络4.1 CNN局部感受野和权值共享介绍4.2 卷积具体计算和卷积核介绍4.3 Pooling和Padding操作4.4 卷积网络LeNET-5模型详解4.5 卷积网络应用于MNIST数据集分类第五章 序列模型5.1 ImageNet介绍5.2 RNN介绍5.3 LSTM介绍5.4 GRU,双向RNN,多层RNN介绍5.5 LSTM手写数字识别第六章 多分类图像识别（第三周课程）6.1 Tensorflow的GPU版本安装6.2 图像识别经典模型介绍6.3 使用inception-v3完成图像识别6.4 重新训练自己的图像识别模型6.5 新训练好的图像识别模型做预测第七章 破解图形验证码7.1 多任务学习介绍7.2 验证码生成7.3 多任务学习-验证码识别模型7.4 验证码识别模型测试考核项目6 – mnist数据集分类程序优化考核项目7 – Cifar10图像分类项目考核项目8 – 场景分类项目第六阶段 深度学习框架II：Keras第一章 Keras基础1.1 Keras简介1.2 线性回归1.3 非线性回归1.4 Keras运用于“手写数字识别”第二章 网络优化2.1 交叉熵的运用2.2 Dropout的运用2.3 正则化2.4 各种优化第三章 卷积神经网络第四章 序列模型第五章 其他应用5.1 保存模型5.2 载入模型5.3 绘制网络结构第六章 猫狗分类问题6.1 图像预处理6.2 猫狗分类 – 简单CNN6.3 猫狗分类 – VGG16 bottleneck6.4 猫狗分类 – VGG16 Finetune考核项目9：如何鉴别汪星人品种第七阶段 计算机视觉应用实战第一章 目标检测1.0 本周课程介绍1.1 1×1卷积介绍1.2 空洞卷积介绍1.3 转置卷积介绍1.4 目标检测简单方法介绍1.5 全卷积网络FCN介绍1.6 交并比和mAP介绍1.7 mAP的具体计算方法1.8 非极大值抑制NMS1.9 RCNN介绍1.10 SPP-Net介绍1.11 Fast-RCNN介绍1.12 Faster-RCNN结构以及RPN网络介绍1.13 Faster-RCNN代价函数分析1.14 Faster-RCNN训练流程和结果分析1.15 目标检测算法中的one-stage和two-stage1.16 SSD结构介绍1.17 SSD特征金字塔1.18 SSD代价函数和Match策略1.19 SSD-Hard negative mining and Data augmentation1.20 SSD算法结果分析1.21 YOLOv1结构及工作流程1.22 YOLOv1代价函数讲解以及缺点分析1.23 YOLOv2网络结构Darknet-19讲解1.24 YOLOv2精度优化-高分辨率和anchor1.25 YOLOv2精度优化-维度聚类1.26 YOLOv2精度优化-直接位置预测1.27 YOLOv2精度优化-细粒度特征和多尺度训练1.28 YOLOv3结构讲解1.29 YOLOv3先验框设置和代价函数修改1.30 目标检测标注工具labelImg使用1.31 Tensorflow object detection API准备工作1.32 使用训练好的目标检测模型完成目标检测任务1.33 训练自己的目标检测模型2.1 目标检测作业布置2.2 第一章课件（无本地版，移动端可缓存）PDF3.1 目标检测作业答案第二章 目标分割2.0 本章节课程介绍2.1 目标分割任务介绍2.2 目标分割数据集介绍2.3 FCN网络结构介绍2.4 FCN的跳级连接2.5 语义分割评价标准2.6 FCN结果分析2.7 Mask-RCNN结构介绍2.8 ROIAlign和ROIPooling对比2.9 Mask-RCNN代价函数讲解2.10 目标分割软件Labelme使用介绍2.11 使用训练好的Mask-RCNN进行目标分割2.12 训练自己的图像分割模型2.13 目标分割作业布置（本章无解答，以上课程上完可完成）2.14 第四章课件（无本地版，移动端可缓存）第三章  人脸识别3.1 人脸识别具体做什么？3.2 人脸识别算法介绍3.3 人脸属性识别算法介绍3.4 人脸识别案例演练第四章  图像风格迁移4.1 什么是“图像风格迁移”？4.2 算法介绍4.3 图像风格迁移案例演练第五章  生成对抗网络GAN5.1 什么是“生成对抗网络GAN”5.2 算法介绍5.3 生成手写数字案例演练考核项目10：行人检测项目考核项目11：目标分割项目第八阶段 拓展课程:人脸检测与识别第一章 人脸检测  1.1 人脸检测介绍1.2 Caffe框架安装1.3 人脸数据的处理1.4 训练与测试第二章 人脸关键点检测1.1 人脸&关键点检测第三章 人脸识别1.1 课程介绍1.2 人脸识别算法介绍  1.3 人脸算法工程师实战1.4 人脸识别算法优先第九阶段 拓展课程:硅谷对抗样例及DL模型硅谷实战：对抗样例及DL模型弱点1.0 导读篇1.1 对抗样例介绍1.2 对抗样例机理和构造1.3 对抗样例的迁移1.4 对抗样例的防御