1. 需要的技能
1. 编程技能-python
对于python, 除掌握其自身语法外，还应该着重掌握下面这些库：
pandas： 超级excel，表格式操作数据，数据清洗和预处理的强大工具。
numpy： 数值计算库，快的不要不要的。
matplotlib： 模仿MATLAB的数据可视化工具。
scikit-learn： 封装超级好的机器学习库，一些简便的算法用起来不要太顺手。
ipython notebook： 数据科学家和算法工程师的笔记本，强力推荐。
2. 数学基础
知道偏微分及其性质、梯度的概念，也就是同济高数一+高数二的前几章线性代数 —— 矩阵四则/微分运算，线性空间、线性变换、特征值特征向量概率论 —— 概率、条件概率、贝叶斯公式、概率分布最优化问题 —— 主要是梯度下降法
3. 图像处理部分
图像处理图像处理的基本方法 —— 滤波、二维卷积、二维正交变换、基本形态学运算（开/闭运算，膨胀/腐蚀）
4. 卷积神经网络(CNN)
卷积神经网络分为卷积层、非线性层、池化层、完全连接层。
完全连接层观察上一层的输出（其表示了更高级特征的激活映射）并确定这些特征与哪一分类最为吻合。
计算机通过一个名为反向传播的训练过程来调整过滤器值（或权重）。
反向传播可分为四部分，分别是前向反馈、损失函数、后向反馈，以及权重更新。
前向反馈： 通过卷积操作、汇合操作、激活函数(非线性映射)或者其他操作/变换等一系列操作层层堆叠，将高层语义信息逐层由原始数据输入层中抽取出来，注意抽象。
损失函数：计算误差。
后向反馈：测定出是哪部分权重导致了最大的损失，寻找调整方法并减少损失。
权重更新：一旦计算出后向导数，将进行最后一步也就是权重更新。所有的过滤器的权重将会更新，以便它们顺着梯度方向改变。
卷积取的是局部特征;
全连接就是把以前的局部特征重新通过权值矩阵组装成完整的图。
池化层（仅指最大池化） 起着类似于“合票”的作用，不同特征在对不同的“候选人”有着各自的喜好。
2. CNN相关资料
知乎： CNN（卷积神经网络）是什么？有何入门简介或文章吗?
知乎： YJango的卷积神经网络——介绍
3. 目标检测
YOLO直接采用regression（回归）的方法进行坐标框的检测以及分类，使用一个end-to-end的简单网络，直接实现坐标回归与分类，意思是说训练出的YOLO当你输入一幅图像，它能直接输出包含物体的坐标框以及该物体是什么。
2847
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
