CS231N：Lecture 1: Introduction

一、深度学习的基础
图像分类：计算视觉最重要的核心任务之一。包括：线性分类器、正则化和优化、神经网络。

二、感知与理解视觉世界
任务：超过了图像分类，包括了Semantic Segmentation: 语义分割、 Object Detection: 目标检测、 Instance Segmentation: 实例分割、视频分类、可视化与理解 、多模态视频理解
模型：超过了多层感知机，包括了CNN、RNN、Transformer。

三、生成与交互式视觉智能
超越了2D识别：自监督学习、生成模型（文字生成、风格转换）、3D视觉、具身智能

四、以人为中心的应用与影响

可选的教材资源

• 《Deep Learning》
  • 作者：Goodfellow、Bengio 和 Courville
  • 这里有一个免费版本Deep Learning
• 《深度学习的数学》
  • 第5、6、7章对理解向量微积分和连续优化很有帮助
  • 免费在线版本https://mml-book.github.io/book/mml-book.pdf
• 《深入深度学习》
  • 一本基于NumPy接口的交互式深度学习书，包含代码、数学和讨论
  • 免费在线版本Dive into Deep Learning — Dive into Deep Learning 1.0.3 documentation

学习目标：
1、将计算机视觉应用形式化为任务
        为与视觉相关的问题形式化输入和输出
        了解培训模型所需的数据和计算要求
2、开发和训练视觉模型
        学习编码、调试和训练卷积神经网络的方法。
        学习如何使用诸如PyTorch和TensorFlow之类的软件框架
3、了解该领域的现状和发展方向
        过去0-5年间有哪些新的研究成果？
        存在哪些开放的研究挑战？
        在部署之前应该考虑哪些伦理和社会因素？

CS231n: 计算机视觉的深度学习

• 深度学习基础知识（讲座2-4）
• 感知和理解视觉世界（讲座5-12）
• 重构和与视觉世界交互（讲座13-16）
• 以人为中心的人工智能（讲座17-18）

学习安排：