图像处理（算法）工程师、人工智能（算法）工程师、数据科学家

一.研涯总目标

1.达到毕业要求（发明专利公开或者实用新型专利授权、英语四级（√）、毕业课题实物、毕业论文）

2.胜任图像处理（算法）工程师、深度学习（算法）工程师

3.英语六级

4.Wpp

二.岗位要求（图像处理（算法）工程师）

1.理论研究：图像处理理论算法（图像融合、拼接、识别、定位）（√）、机器学习算法、深度学习理论

2.编程语言：c（√）、c++（√）、python

3.深度学习：Keras、caffe、Tensorflow等框架

4.常用工具：OpenCV（√）、MATLAB（√）、Halcon、QT、VS2010（√）

5.项目经验：基础语言项目经验（√）、机器视觉项目经验（人脸识别、车牌识别、二维码识别）、可视化编程项目经验（QT）

6.数学基础：线性代数（√）、优化理论、泛函分析

7.外语水平：英语六级

三.岗位要求（深度学习（算法）工程师）、人工智能（算法）工程师

1.理论研究：机器学习算法、深度学习算法

2.编程语言：c（√）、c++（√）、python（√）

3.常用框架：Keras、caffe、Tensorflow

4.机器学习：监督学习、非监督学习、数据处理与模型调优

5.数据挖掘：百度音乐系统文件分类、千万级P2P金融系统反欺诈模型训练

6.深度学习：BP神经网络、卷积神经网络（CNN）、递归神经网络（RNN）、AutoEncoder自动编码器、多层LSTM、生成对抗网络、finetune及迁移学习、irgan、孪生网络

7.Python：容器、浅拷贝深拷贝、高阶函数、lambda表达式、约舍夫环问题、模块和高级包、时间库、并发库科学计算库、matplotlib可视化会图库、锁和线程、多线程编程

8.项目经验：基础语言项目经验（√）、机器视觉项目经验（人脸识别、车牌识别、二维码识别）、可视化编程项目经验（QT）

9.数学基础：数据分析、概率论、线性代数、凸优化、微积分、古典模型、逼近论、牛顿法、梯度下降

10.外语水平：英语六级

四.岗位要求（数据科学家）

1.

五.如何学习

推崇以练促学，以学促练。所以不会一上来就推荐一堆理论性东西的。
1）opencv。无论以后是否使用opencv，咱先用着玩起来。找本书跟着写写demo，然后自己做点小应用，虽然一直在调用api但是大概知道图像处理是个什么玩意儿。（当然期间配合着可以学学C++或者Python）
2）冈萨雷斯的数字图像处理 + opencv部分源码。调了这么久的api，是不是已经欲求不满了？所以我们开始研究算法吧，这时候对于一些常用的函数，我们可以去看看对应的实现，以及在理论上到底是个什么意思，为什么需要这样。记住是opencv的部分源码，不是让你去通看，看着看着就没兴趣了，而且也迷失了方向。
3）数学。 对于算法走到后来就是很多数学的东西，对于这些我推荐的还是差哪儿补哪儿，哪儿不懂学哪儿。而不是抱着几门公开课，厚厚的书啃，这样就又迷失方向了，记住我们是要学图像处理的。
4）项目实践。这个不用多说，找点实际问题去解决会进步很快哦。
当这儿，我们已经对图像处理有了一个熟悉感了，但是可能会觉得有些杂，这时候就是静下来系统的看看冈萨雷斯那本书了，慢慢的就会有一种通透的感觉。（我也没达到通透。。。）
以上就是传统图像处理算法的路子了。现在还有很火的 机器学习和深度学习 做图像处理的。大概路子差不多，学的东西不太一样。
1）Keras/Caffe/Tensorflow/Mxnet等等 深度学习库或者scikit-learn 机器学习库。语言推荐python，深入底层后也需要C++。DL库强烈推荐Keras上手，非常快。
2）深度学习方面的书比较少，主要还是以 论文 为主吧，多看总有益。机器学习的书籍：国内：《统计学习方法》（满满的干货），周志华的《机器学习》，国外的《An Introduction to Statistical Learning 》《ESL》《PRML》等等，当然看英文的可能比较辛苦。
3）因为这方面比较火，所以网上公开课也不少。Ng大神的《Machine Learning》，林轩田的《机器学习基石》《机器学习技法》，HInton的《Neural Network for Machine Learning》，任选其一学习即可，英文稍差可以看林轩田的，台湾人，说的是中文。
4）数学。线性代数，矩阵论，概率论，数理统计都会用到的。学习方法还是如上所说。

5）学ML/DL切忌纸上谈兵，多实践。网上找点数据集，各种模型自己跑跑试试，改改，这样才能理解透彻。

 

转载于:https://www.cnblogs.com/fpzs/p/9603085.html