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人工智能工作技能，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CNN

6.3 猫狗分类 - VGG16 bottleneck

6.4 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NMS

1.9 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-stage

1.16 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 augmentation

1.20 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anchor

1.25 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）PDF

3.1 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GAN

5.1 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