【01】 人工智能与计算机视觉：课程导论

课时量：1周，每周 2-3 小时视频+跟视频操作时间

课程简介：本门课程作为AI工程师计算机视觉方向的开篇导论，将会以思维扩展为主，讲解人工智能CV方向的主流技术体系及理论知识概述，使学员了解一个合格的AI工程师需要具备哪些技术能力。同时在微专业开始的第一周，我们会指导大家完成课程的前期准备工作，包括加入课程QQ群、获得学号等

课程目录

• 第一课
• 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
• 【02】Python快速掌握
• 课时量：2周，每周 6-8 小时视频+跟视频操作时间
• 课程简介：Python作为最优美的语言，简单易懂，且配备非常成熟的数据分析和算法工具包，非常适合小白学习，以此展开自己的数据分析之路。本门课程将会从零开始教授Python语言，介绍Python基本语法，配合作业练习操作，使学员在短时间内掌握Python核心内容

课程目录

• 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
• 【03】计算机视觉库OpenCV
• 课时量：1周，每周 8-10 小时视频+跟视频操作时间
• 课程简介：本门课程主要学习计算机视觉基础知识，及计算机视觉库OpenCV的使用，包括图像的载入、保存、剪切、缩放、移动、翻转等操作，并且使用OpenCV完成目标检测、人脸检测等实际应用

课程目录

• 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
• 【04】深度学习基础
• 课时量：1周，每周 2-4 小时视频+跟视频操作时间

课程简介

深度学习的基础神经网络诞生于上世纪60年代，并且在上世纪80年代有一次比较大的发展，近几年爆发的深度学习热潮算是其第三次热潮。本门课程则会从上世纪60年代的神经网络基础开始学习，了解单层感知器，线性神经网络，梯度下降法，BP神经网络等算法及应用

课程目录

• 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
• 【05】 深度学习框架I：Tensorflow
• 课时量：3周，每周 8-10 小时视频+跟视频操作时间

课程简介：课程内容基本上是以代码编程为主，也会有少量的深度学习理论内容。课程从TensorFlow最基础的图（graphs），会话（session）、张量（tensor）、变量（variable）等一些最基础的知识开始讲起，逐步讲到Tensorflow的基础使用，以及其中CNN和LSTM的使用，在课程后面还会学到多分类图像识别等

课程目录

• 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
• 【06】深度学习框架II：Keras
• 课时量：2周，每周 8-10 小时视频+跟视频操作时间
• 课程简介：本门课程内容基本上是以代码编程为主，也会有少量的深度学习理论内容。课程会一步一步从Keras环境安装开始，到实现线性回归、非线性回归，手写数字分类模型，以及一些深度学习网络的应用如CNN、LSTM，最后会带着大家完成一个图像分类的实战任务

课程目录

• 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
• 【07】计算机视觉应用实战
• 课时量：4周，每周 8-10 小时视频+跟视频操作时间
• 课程简介：本门课程是计算机视觉微专业课程中最重要，同时也是难度最大的部分，在这个课程中我们会综合前面课程学习到的python语言基础、OpenCV运用、数学理论知识及深度学习算法知识、TensorFlow及Keras应用，来完成计算机视觉领域中最前沿的技术应用

课程目录

• 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
• 考核项目12：监测视频中的人脸识别应用
• 【8】拓展课程:网易人脸检测与识别
• 课时量：1周，每周 3-5 小时视频+跟视频操作时间
• 课程简介：本门课程将会重点讲解人脸识别，包括Faster-RCNN、SSD等框架介绍，基于Caffe框架进行人脸检测模型的训练，并且手把手教大家训练Insightface算法，达到LFW95%以上的实验效果。最后通过实战项目，对比不同的loss函数及模型，对效果进行调优

课程目录

• 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
• 【9】拓展课程:硅谷对抗样例及DL模型
• 课时量：1周，每周 3-5 小时视频+跟视频操作时间
• 课程简介：本门课程将会深入思考对抗样例及深度学习的弱点，讲解对抗样例的概念及发展历史，介绍对抗样例如何产生，及攻击图像识别的深度学习模型，并基于现有的对抗样例防范方法，提升模型的准确性

课程目录

• 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