项目结题报告

项目结题报告：

Python基础和相关库的学习：
一：Python基础与科学计算库numpy
1.Python语言基础
2.Python数据结构（列表,字典,元组）
3.科学计算库Numpy基础
4.Numpy数组操作
5.Numpy矩阵基本操作
6.Numpy矩阵初始化与创建
7.Numpy排序与索引

二：数据分析处理Pandas库
1.Pandas数据读取与现实
2.Pandas样本数值计算与排序
3.Pandas数据预处理与透视表
4.Pandas自定义函数
5.Pandas核心数据结构Series详解
6.Pandas数据索引
7.Matplotlib绘制第一个折线图
8.Matplotlib条形图,直方图,四分图绘制
9.Matplotlib数据可视化分析

数字图像处理：
数字图像基础
灰度变换和空间滤波
灰度图像处理
彩色图像处理
图像压缩
图像分割
图像分类（识别）
图像描述

机器学习：
一：回归算法
1.机器学习概要
2.有监督与无监督问题
3.线性回归算法原理
4.实现简易回归算法
5.逻辑回归算法原题
6.梯度下降算法

二：贝叶斯算法
1.前向传播与反向传播结构
2.激活函数
3.神经网络结构
4.深入神经网络细节
5.神经网络表现效果

三：机器学习框架
1.把数据拆分为训练集和测试集
2.用训练集和训练集的特征向量来训练算法
3.用学习来的算法运用在测试集上来评估算法（涉及到调整参数（parameter tuning）用验证集(validation set））
4.什么是卷积神经网络
5.什么是批量过滤器和池化

Linux系统：
1.选择操作系统 ：UBuntu
2.linux操作系统特点
3.如何在使用liunx系统
4.在linux系统上各类库和包的下载指令
5.Liunx系统中文件存取权限操作

深度学习：
一：深度学习必备基础知识点
1．深度学习与人工智能简介
2．挑战与传统图像识别方法
3．前向传播之得分函数
4．前向传播之损失函数
5．梯度下降原理形象解读
6．反向传播过程

二：神经网络模型
1．神经网络整体架构
2．DEMO演示神经网络分类模型
3．激活函数
4．过拟合问题解决方案
5．参数初始化方法

三：卷积神经网络
1．卷积神经网络模型效果
2．卷积层详解
3．卷积计算流程
4．卷积核涉及的参数
5．参数共享原则
6．卷积神经网络的反向传播

基于Tensorflow的深层神经网络：
1.线性模型的局限性
2.激活函数去线性化
3.多层神经网络解决异或运算问题
4.分类、回归的损失函数定义
5.深层神经网络的优化算法
6.学习率的设置
7.过拟合问题
8.滑动平均模型

Tensorlfow框架的学习：
1.Tensorflow环境搭建
2.Tensorflow在Win10系统下的搭建
3.Tensorflow在Linux系统下的搭建
4.Tensorflow计算模型——计算图（graph）
（1）计算图的概念
（2）计算图的使用
5.Tensorflow数据模型——张量（Tensor）
（1）Tensor的概念
（2）Tensor的使用
6.Tensorflow运行模型——会话（session）
7.Tensorflow——variable、placeholder
8.Tensorflow数据输入格式——四维张量

Tensorflo实战：
1.MNIST数据集
2.Cifer-10