浙大博士整理的计算机视觉学习路线（含时间建议分配）

AI 显然是最近几年非常火的一个新技术方向，从几年前大家认识到 AI 的能力，到现在产业里已经在普遍的探讨 AI 如何落地了。

我们可以预言未来在很多的领域，很多的行业，AI 都会在里边起到重要的作用。目前在商业中有所应用，而且能够创收的只有搜索推荐和计算机视觉，因此，这两个方向的人力缺口很大。因工作需要，年初花了4个月左右时间学习了机器学习、神经网络相关的知识，工作日每天大概学习4-6个小时，周末每天大概10个小时，工作中的需求应对也得心应手了。想快速入门的话，从自己的经验看，可以先不看高等数学和线性代数，因为机器学习和深度学习中涉及的相关知识并不多。视觉的知识部分建议分成两部分学习，第一部分传统图像处理，第二部分基于深度学习的图像处理。然而我发现实际上几乎80%的CV的从业者都没有从头至尾深入的学习图像处理方面的知识。现在有了深度学习，不需要人为提取特征了，所以很多人不再关注图像底层的信息，而是直接越过这个根基去搭建模型，我觉得这是一个误区。不同领域的图像，例如OCT、MR、遥感、自然图像等等，有着巨大的特征差异，对这些特征差异性都不了解，怎么在搭建模型之后对精度进行提升和改进呢?怎么在原来模型的基础上做一些改变呢?因此，我认为好好学习一下图像预处理、后处理的知识对CV有着至关重要的作用，例如图像去噪、分割、增强、增广等等。

学习心态：早就是优势，早学早受益!

然而网上很多教程也比较碎片，鉴于此，整理一条学习路线，跟着这个路线重新去梳理一下你的学习计划，相信计算机视觉水平一定会有质的提升。

第一章：机器学习与计算机视觉

计算机视觉简介

技术背景

• 了解人工智能方向、热点

计算机视觉简介

• cv简介
• cv技能树构建
• 应用领域

机器学习的数学基础

• 线性与非线性变换
• 概率学基础
• 熵
• kl散度</