虽是课程,自学也可。欢迎交流!
1.机器学习基础与深度学习基础 | |
1.机器学习课程整体介绍 | 8.全连接神经网络不收敛的原因 |
2.线性回归的keras实现 | 9.特征缩放 |
3.线性回归的sklearn实现 | 10.权值初始化 |
4.多项式拟合实例 | 11.激活函数 |
5.欠拟合和过拟合 | 12.Batch Normalization |
6. Logistic回归的sklearn实现 | 13.神经网络过拟合处理方法 |
7.全连接神经网络的keras实现 |
|
1.用Keras框架实现线性回归和逻辑回归 2.Mnist数据集手写数字识别的Keras实现 | |
√1.掌握机器学习和深度学习的基本训练流程 √2.掌握线性回归和逻辑回归基本原理 √3.掌握深度学习基本知识 √4.熟练使用Keras框架构建网络结构并进行建模实战 |
2.深度学习模型搭建及工程应用 | |
1.Keras基础知识 | 4.Tensorflow.Keras框架序贯模型编写 |
2.Keras模型编写的三种方式 | 5.自然场景分类案例实现 |
3.Fashion Mnist衣服识别案例编写 | 6.云平台GPU服务器模型训练操作 |
1.Keras案例:Fashion Mnist衣服识别 2.Tensorflow案例:自然场景分类 3.Tensorflow案例:云平台模型训练实践 | |
√1.掌握Keras使用方法 √2.独立编写Keras框架案例 √3.掌握独立编写CNN能力 √4.掌握基于Tensroflow的数据预处技能 √5.掌握Keras使用及编写案例 √6.掌握图像分类技能 √7.模型图形可视化 √8.掌握云平台的模型训练流程 √9.工程化项目文档的搭建 |
3.常见经典模型分类 | |
1. Lenet5卷积模型基础知识 | 5.Resnet卷积模型基础知识经验分享 |
2.Lenet5模型搭建 | 6.Resnet模型搭建 |
3.VGG卷积神经网络基础知识和经验分享 | 7.DenseNet的具体模型讲解 |
4.VGG模型搭建 | 8. DenseNet模型搭建 |
7.全连接神经网络的keras实现 |
|
1. Lenet5案例:手势识别 2. VGG案例:树叶病理分析 3.Resnet案例:Caltech101 4.DensNet案例:Caltech10 | |
√1.掌握Lenet5模型的结构 √2.可以独立使用Lenet5进行分类任务搭建 √3.对于模型数据增强的深入理解 √4.掌握VGG的模型优点;以及和Lenet的网络差异 √5.可以使用VGG16进行分类任务 √6.理解Resnet的对难收敛和网络退化的原因 √7.独立搭建Resnet50网络进行分类任务 √8. DenseNet知识扩展以及对model函数的深入理解 √9.独立使用DenseNet网络进行分类任务 |
4.PyTorch框架讲解与应用 | |
1. PyTorch框架介绍 | 8. Dropout和正则化程序实现 |
2.tensor的属性 | 9.各种优化器(Optimizer)的使用 |
3. YOLOV2之Darknet-19网络讲解 | 10.卷积具体计算和卷积核介绍 |
4.数据的索引 | 11.Pooling操作和Padding操作 |
5.自动求导 | 12.卷积网络Lenet-5模型详解 |
6.使用PyTorch搭建神经网络实现手写数字识别 | 13.模型的保存和载入 |
7.交叉嫡(cross-entropy)讲解和使用 | 14.案例实战-猫狗分类模型训练与预测 |
1.Lenet5案例:Mnist数据集手写数字识别的PyTorch框架实现 2.案例:猫狗图片分类的PyTorch框架实现 | |
√1.掌握pytorch框架的基础知识 √2.掌握深度学习基础知识的pytorch使用 √3.掌握pytorch框架下模型的保存和载入 √4.掌握pytorch框架搭建Lenet5进行分类任务搭建 √5.掌握pytorch框架使用pre-trained模型完成图片分类任务 |
5.YOLO系列目标检测 | |
1.项目介绍 | 5. YOLOV4模型原理介绍 |
2.YOLOV1模型原理介绍 | 6.模型优化模块解析及功能介绍 |
3.基本运算操作 | 7.模型的部署和环境配置 |
4.YOLOV3之Darknet-53 |
|
所需技能点: 1.数据集 2.数据增强及预处理 3.多尺度预测 4.了解网络结构原理 5.网络结构优化解析 | |
√1.了解数据集 √2.学习Mosaic与自对抗训练 √3.通过GA算法选择最优超参数 √4.改进SAM、改进PAN,CmBN √5.学习网络结构优化解析 √6.学习CSPDarkNet53结构原理 √7.针对SOTA方法进行改进 √8.对图像中检测到的对象执行多标签分类 |
6.FASTERRCNN目标检测 | |
1.项目介绍 | 5.FASTERRCNN RPN loss函数介绍 |
2.FASTERRCNN简介 | 6.FASTERRCNN IOU MNS介绍 |
3.FASTERRCNN主干网络介绍 | 7.前向推进介绍 |
4.FASTERRCNN RPN网络介绍 | 8.模型的部署和环境配置 |
所需技能点: 1.数据集操作 2.数据增强 3. RPN网络讲解 4. BBox回归讲解 5.Loss讲解 6.MNS讲解 7.部署环境运行模型及调优 | |
√1.数据集操作 √2.数据增强 √3.对RPN网络详细地了解 √4.了解BBox回归原理 √5.了解Loss函数原理 √6.MNS了解 √7.掌握prediction的原理 √8.独立掌握模型的远程运行和调试 |
7.图像分割经典模型MASKRCNN | |
1.项目介绍 | 6. MASKRCNNROIAlign讲解 |
2. MASKRCNN简介 | 7.MASKRCNN Loss讲解 |
3. MASKRCNN主干网络介绍 | 8.MASKRCNN MASK分支讲解 |
4. MASKRCNN数据集操作 | 9.前向推进介绍 |
5.MASKRCNN FPN讲解 | 10.模型的部署以及环境配置 |
所需技能点: 1.数据集操作 2.数据增强 3.FPN讲解 4.ROIAlign讲解 5.Loss讲解 6. MASK分支讲解 7.部署环境运行模型及调优 | |
√1.数据集操作 √2.数据增强 √3. FPN网络了解 √4.了解ROIAlign √5.了解Loss函数原理 √6.掌握MASK分支的结构原理 √7.掌握prediction的原理 √8.独立进行模型远程运行和调试 |
8.SkyEye智慧眼系统搭建(一) | |
1.项目介绍 | 5.关联算法介绍 |
2.目标跟踪的基本概念 | 6.滤波算法介绍 |
3.单目及多目标跟踪介绍 | 7.搭建完整的目标跟踪框架 |
4.目标检测模型基本知识及yolo3回顾 |
|
所需技能点: 1.了解目标跟踪的主流框架结构 2.了解多目标跟踪 3.了解项目整体流程及数据集 4.回顾YOLO等目标检测模型 5.了解卡尔曼滤波算法 6.掌握相关滤波运动模型的搭建 7.了解相似度模型基本概念 8.了解数据关联模型基本概念 9.了解匈牙利算法 10.搭建完整的目标跟踪框架 | |
√1.掌握视频跟踪功能的基本开发思路 √2.在视频追踪中理解YoloV3的实际使用 √3.掌握成熟的轨迹追踪算法基本原理 √4.掌握相似度和数据关联算法的基本原理 √5.掌握视频跟踪项目框架的搭建 |
9.SkyEye智慧眼系统搭建(二) | |
1.上节回顾 | 6. Django环境搭建 |
2.工程项目开发环境搭建 | 7.工程化模块搭建 |
3.安卓基础知识 | 8.算法模型嵌入 |
4.安卓环境配置 | 9.工程优化讲解 |
5.服务器端基础知识讲解 |
|
所需技能点: 1.了解安卓基础知识 2.了解网页端基础知识 3.搭建工程化模块 4.模型部署 | |
√1.掌握工程化开发思路 √2.掌握多端通讯思路 √3.掌握算法模型在工程端的集成与嵌入 |
10.MTCNN模型 | |
1.项目介绍 | 7.NMS, Soft-NMS讲解 |
2.MTCNN及数据集简介 | 8. Bounding-Box regression,PRelu讲解 |
3.P-Net网络讲解 | 9.模型代码编写 |
4.R-Net网络讲解 | 10.模型的部署以及环境配置 |
5.O-Net网络讲解 | 11.模型训练及测试 |
6.FCN,IOU讲解 |
|
和FaceNet模型重复 |
11.FaceNet模型 | |
1.项目介绍 | 6.Triplet Loss损失函数 |
2.FaceNet及数据集简介 | 7.模型代码讲解 |
3.CNN特征提取 | 8.模型的部署以及环境配置 |
4.L2标准化 | 9.模型训练及测试 |
5.学习embedding方式 |
|
所需技能点: 1.数据集操作 2.数据增强 3.特征提取讲解 4.embedding讲解 5.Triplet Loss讲解 6.部署环境运行模型及调优 | |
√1.数据集操作 √2.FaceNet网络了解 √3.了解CNN特征提取 √4.了解L2标准化 √5.掌握embedding方式 √6.掌握Triplet Loss损失函数 √7.掌握FaceNet模型的原理 √8.独立进行模型运行和训练 |
12. 人脸数据集建立与预处理 | |
1.项目介绍 | 6.整合项目代码 |
2.OpenCV脸部数据集建立 | 7.建立自建数据集; bounding_box标签 |
3.编写脸部训练文件 | 8.模型性能评测,绘制ROC曲线 |
4.人脸数据集预处理 | 9.实现人脸识别项目 |
5.建立个人人脸数据库 |
|
所需技能点: 1.数据集操作 2.数据增强 3.人脸数据建立 4.数据预处 5.对比MTCNN模型训练结果 6.对比FaceNet模型训练结果 7.个人人脸数据库 8. Opencv技能 9.项目整合及模型使用 | |
√1.数据集操作 √2.数据增强 √3.人脸数据建立 √4.数据预处理 √5.模型调试 √6.自建数据集 √7.MTCNN模型使用 √8. FaceNet模型使用 √9.整合并调用模型 √10.模型性能评测 √11.测试模型结果,针对项目并展示 |