人工智能技术搭建

一：基础知识

1，数学基础：高等数学、线性代数、概率论
2，python工具包实战:Numpy、Pandas、 Matplotlib、Seaborn

二：机器学习

1，机器学习基础

1.1，简单的数据集训练、结果预测；（就是把原有的xy输入，得到一个合适的参数，再输入x得到的y值与实际结果相差较小，含有这样合适参数的代码就是一个结果预测模型）
1.2，py机器学习工具包SKlearn的学习（常用于数据预处理，模型建立），SKlearn适合做所有传统的机器学习（不可以用于神经网络，神经网络有更高级的工具）
1.2.1，使用SKlean训练模型时，要将数据集分成两份份（一般按8:2分），一份是用于训练生成模型，最后一小份用来测试模型的误差。在训练生成模型的数据中在分出一份作为验证集，用交叉验证的方法生成模型。
交叉验证生成模型，

混淆矩阵，

1.3：机器学习式的回归方程预测：
1.3.1：用SKlearn实现机器学习算法：
使用SKlearn工具包预测的结果和使用参数公式计算出结果是一致的。（2.782和4.310是预测方程的权重参数和偏执参数与手动计算结果一致，所以生产的预测方程一致，SKlean的回归实现方法实际方法就是用参数计算方程实现的）

1.3.2：通过梯度下降进行学习方式的预测：
（1），对数据进行预处理进行标准化，减少数据的浮动问题。用（数据-均值）/标准差的公式进行数据处理。目的是让数据相差较大和相差较小的取值范围相同（如年龄20，30，40岁和对应的工资1k,8k,5w）
（2），批量梯度下降中的计算公式：
xj和sita j是一一对应关系，如果用for循环遍历每个特征就太麻烦了，所以将右边使用的方程转化为矩阵方式进行计算。

（3），随机梯度下降：
学习率逐渐衰减，就是逐渐精细化。比如另epoch=50就是对所有样本进行50次迭代，每一次迭代逐渐减少学习率。

（4），minnbatch方法梯度下降：

（5），梯度下降、随机梯度下降、minbatch三种方法对比

1.4，多项式回归

2，机器学习应用

2.1，应用一：朴素贝叶斯算法（应用级算法）

2.2，应用二：决策树（应用级算法）

https://blog.csdn.net/suic009/article/details/125577319
https://blog.csdn.net/suic009/article/details/126397432

三：深度学习

1、深度学习框架PyTorch与TensorFlow
2、深度学习算法入门
3、深度学习应用实战

四：OpenCV

图像清晰化——>图像特征提取——>图像理解
1，图像分类
2，目标检测
3，图像分割
4，计算机视觉实战

1，Canny边缘检测算法

用梯度变化计算图像边缘

2，图像金字塔

图像放缩
（1）放大：用0进行填充
（2）缩小：偶数列、行删除

3，harris图像角点检测

角点：边界、拐角、平面
（1）泰勒展开进行Ix,Iy梯度变化计算
（2）求矩阵特征值
（3）比较特征值大小
（4）NMS非极大值抑制（求出真正的角点）

4，sift图像特征检测

（1）对图片用图像金字塔变换
（2）对每层变换过的图片都进行高斯滤波变换
（3）对同层高斯滤波进行差分，进而得到有价值的点（不同模糊程度进行相减）
（4）对有价值的离散点进行处理：

• 泰勒展开进行拟合操作
• Hessian矩阵消除边界

（5）计算特征点的方向结果

Sift参考链接

实战一：OCR银行卡号识别

五：NLP

1，机器翻译、文本摘要、文本分类与校对
2，信息抽取、语音合成、语音识别
3，NLP项目实战

（1）3小时学懂了深度学习神经网络入门到实战
（2）OpenCV入门级实战
（3）机器学习基础课