深度学习 TensorFlow
| 案例名称 | 内容概述 |
|---|---|
| tensorflow安装与简介 | 2版本的介绍于安装方法，简单过一下就好 |
| 神经网络原理解读与整体架构 | 复习下神经网络架构 |
| 搭建神经网络进行分类与回归任务 | 用TF完成基本的分类于回归任务，掌握其应用方法 |
| 卷积神经网络原理与参数解读 | CNN的架构于其中每一个参数详解 |
| 猫狗识别实战 | 经典的图像分类任务，这里要讲很多内容，非常重要 |
| 图像数据增强实例 | 数据增强可以说了现在必备技能了 |
| 训练策略-迁移学习实战 | 迁移学习带来的效果还是相当可以的 |
| 递归神经网络与词向量原理解读 | RNN模型解读 |
| 基于TensorFlow实现word2vec | 词向量模型解读，并基于TF来实现 |
| 基于RNN模型进行文本分类任务 | 基于TF完成文本分类任务 |
| tfrecord制作数据源 | 数据源制作实例 |
| 将CNN网络应用于文本分类实战 | CNN也能玩文本分类 |
| 时间序列预测 | 时间序列数据处理与建模实例 |
| 对抗生成网络实战 | GAN来啦，这个可好玩了 |
| 基于CycleGan开源项目实战图像融合 | 我最喜欢玩的GAN，效果相当逗了！ |
| 经典网络架构Resnet实战 | 必须懂的网络架构，学就得了！ |
深度学习框架-Pytorch
- 听说它很火，为啥呢？
19年底Pytorch框架使用人数已经超越tensorflow成为当下最火的框架，原因其实很简单，大家都喜欢用更简单易懂的框架。整体的感觉确实比tensorflow好上手而且 调试起来十分方便，也是建议初学的同学们优先选择Pytorch框架。
| 案例名称 | 内容概述 |
|---|---|
| PyTorch框架基本处理操作 | PyTorch简单熟悉一下就好，上手非常简单 |
| 神经网络实战分类与回归任务 | 用PyTorch构建神经网络模型，确实比TF用的顺手 |
| 卷积神经网络原理与参数解读 | CNN模型架构与参数书解读 |
| 图像识别核心模块实战解读 | 非常重要，PyTorch中的图像处理核心模块 |
| 迁移学习的作用与应用实例 | PyTorch中加载模型来进行迁移学习 |
| 递归神经网络与词向量原理解读 | RNN模型架构解读 |
| 新闻数据集文本分类实战 | 基于PyTorch来构建文本分类模型 |
| 对抗生成网络架构原理与实战解析 | GAN模型通俗解读 |
| 基于CycleGan开源项目实战图像融合 | PyTorch版本的CYCLEGAN，这个开源项目写的相当棒 |
| OCR文字识别原理 | OCR其实原理很简单，需要多个模型协助完成 |
| OCR文字识别项目实战 | 构建OCR网络模型 |
| 基于3D卷积的视频分析与动作识别 | 用3D卷积来处理视频数据并完成行为识别 |
| 基于PyTorch实战BERT模型 | BERT这个架构太火了，必备模型之一 |
| PyTorch框架实战模板解读 | 提供一个模板，以后有任务可以基于模板来进行改进 |
深度学习框架-Keras
- Keras都说简单，有多简单呢？
整体感觉就是啥都不用学，从案例开始直接用就好了，TF2版本其实跟keras很像。适合做实验写论文，简单快速！
| 案例名称 | 内容概述 |
|---|---|
| 安装与简介 | keras安装与上手很容易，基于tf来进行 |
| 搭建神经网络模型 | 搭建个神经网络模型来试试水 |
| 再战卷积神经网络 | CNN模型构建起来也非常容易 |
| LSTM时间序列预测任务 | LSTM模型应用于时间序列任务 |
| 文本分类实战 | 文本分类实例 |
| 多标签与多输出 | 多标签任务很常见，很有学习价值 |
| 新闻数据集文本分类实战 | 基于keras的文本分类任务 |
| 数据增强 | 数据增强实例解读 |
| 对抗生成网络 | GAN架构，用keras来做更简单 |
| 迁移学习与Resnet残差网络 | resnet模型大家一定自己动手玩一遍 |
| 地址邮编多序列任务 | 文本模型实例 |
| seq2seq网络实战 | 序列网络模型应用还是比较广的 |
| 实战模板总结 | 给大家提供的keras模板，再有任务直接写就好 |
深度学习框架-Caffe
- Caffe框架现阶段还有必要学习吗？
我觉得现阶段已经有tensorflow和pytorch了，暂时轮不到caffe登场了，初学的同学们就不推荐了。可能有些论文和任务还是需要caffe框架，需要的同学们自取就好啦！
| 案例名称 | 内容概述 |
|---|---|
| Caffe配置文件解读 | Caffe框架常用配置文件解读 |
| 多种数据集构建方法 | 数据集构建方法，这个很重要 |
| Caffe常用工具解读 | 里面内置了很多小工具，可以快速完成任务 |
| 人脸检测实战 | 基于Caffe框架构建人脸检测模型 |
| 人脸关键点定位实战 | 基于Caffe框架完成人脸关键点识别模型 |
计算机视觉
- 计算机视觉发展这么火，就业面试都需要哪些核心技能呢？
计算机视觉这个行业我就不用多说啦，当下最吃香的了。那都需要学什么呢？最核心的其实就两部分，一个是图像处理，另一个是图像建模。所谓的图像处理就是Opencv 那一套啦，这个工具包简直无敌了，但凡你要用的这里全能找到。图像建模主要就是用深度学习来完成检测，识别等任务。现阶段的学习我觉得关于传统图像处理算法可以 都不用去看啦，简单熟悉一下就好，主流的方向还是用深度学习来做，这就需要大家多多最新的阅读论文了。
Opencv图像处理实战
- 关于opencv我该怎么学呢？
建议大家选择Python版本来进行学习和使用，跟其他工具包一样，调就完事了！遇到不熟悉的多查API，边用边学是最快的途径。Opencv中基本所有函数都涉及非常多的 数学公式，这些大家都可以先放一放，如果把每个算法每个公式都学一遍那得猴年马月了，以后用到了再说完全来得及。
- 这些案例我需要自己动手写一遍吗？
给大家准备了非常多的学习资源和案例，前期只需要熟悉即可，工具包就是用的，面向复制粘贴编程也是一项技能！
| 案例名称 | 内容概述 |
|---|---|
| Opencv简介与环境配置 | 环境安装与配置 |
| 图像基本操作 | 用opencv完成基本的图像处理操作，练手! |
| 阈值与平滑处理 | 最常用的处理操作，几行代码就能搞定 |
| 图像形态学操作 | 这几个形态学操作熟悉下即可 |
| 图像梯度计算 | 图像梯度计算实例 |
| 边缘检测 | 边缘检测的应用面非常广 |
| 图像金字塔与轮廓检测 | 轮廓检测实例，效果还是不错的 |
| 直方图与傅里叶变换 | 熟悉下即可 |
| 项目实战-信用卡数字识别 | 动手做一个实战项目，对信用卡数字进行检测与识别 |
| 项目实战-文档扫描OCR识别 | 扫描文档数据，进行ocr识别 |
| 图像特征-harris | 常用特征提取方法，算法简单熟悉就可以 |
| 图像特征-sift | 最老牌的特征提取方法了，数学还是蛮多的 |
| 案例实战-全景图像拼接 | 全景摄像大家肯定都玩过，怎么实现的呢？ |
| 项目实战-停车场车位识别 | 重型项目，从零开始构建停车场车位识别模型 |
| 项目实战-答题卡识别判卷 | 咱们也整一个自动阅卷的玩玩 |
| 背景建模 | 常规处理方法 |
| 光流估计 | 简单熟悉即可 |
| Opencv的DNN模块 | 加载训练好的模型进行识别 |
| 项目实战-目标追踪 | 追踪的效果还是蛮有意思的 |
| 卷积原理与操作 | 卷积到哪都是核心 |
| 项目实战-疲劳检测 | 基于摄像头检测疲劳 |
计算机视觉实战项目（基于深度学习）
- 这些项目我都需要掌握吗？
对于准备面试就业的同学们建议都过一遍，里面的思想都是蛮好的，大部分都是基于论文来进行复现，有时间的同学最好 先阅读一遍论文再开始研究代码，里面的代码量都会相对较大，建议从debug模式入手，一行代码一行代码来看，我在 讲解过程中也会进入debug模式给大家逐行进行讲解。
- 有没有哪个是需要重点学习的？最好能写在简历里面呢？
重点推荐Mask-rcnn实战项目，可以说是计算机视觉中的通用项目，检测，识别，分割一步全到位了！应用场景非常 广，也适合进行二次开发和改进，如果要写在简历里肯定非它莫属了，算法原理和源码都需要大家熟悉，在课程中 我会重点讲解该项目，并应用到自己的数据任务中！
| 项目名称 | 内容概述 |
|---|---|
| 图像风格转换（style-transfer） | 主要来学习其思想，效果还是很有意思的 |
| 图像缺失自动补全 | GAN网络应用场景非常多，图像也能自己修复 |
| 超分辨率重构 | 近几年研究的重点领域之一，这篇论文的效果已经非常不错了 |
| 物体检测框架-MaskRcnn项目 | 这个就是我重点强调的开源项目，必看！必看！必看！ |
| MaskRcnn网络框架源码详解 | 源码非常重要，每一行都需要懂！ |
| 基于MASK-RCNN框架训练自己的数据 | 如何标注图像数据并进行训练呢？这里给你答案 |
| 人体姿态识别demo | MaskRcnn应用场景非常多 |
| 物体检测FasterRcnn系列 | 物体检测的经典之作，可以当作学习资源 |
| 基于CycleGan开源项目实战图像融合 | PyTorch版本的CYCLEGAN，这个开源项目写的相当棒 |
| OCR文字识别原理 | OCR其实原理很简单，需要多个模型协助完成 |
| OCR文字识别项目实战 | 构建OCR网络模型 |
| 基于3D卷积的视频分析与动作识别 | 用3D卷积来处理视频数据并完成行为识别 |
自然语言处理
- NLP学习难度大不大？就业方向怎么样呢？
难度可以说还是蛮大的，对于图像来说，数据都是固定的，拍了什么就是什么！但是文本数据就没那么固定了，人类 有时候理解起来都不容易，更何况计算机了。高挑战也是高收益，NLP发展前景还是非常不错的，至于具体选择哪个方向 其实还是看大家的喜好了！
自然语言处理实战项目（基于深度学习）
- 这么多项目，有没有哪个是需要重点学习的？最好能写在简历里面呢？
18年的时候谷歌一篇论文横空出世，BERT！相当于自然语言处理通用解决框架了，基本所有任务都能做！ 这个需要大家重点来学习，并且可以当作项目写在简历里，可以说是当下NLP必备技能之一啦！
| 项目名称 | 内容概述 |
|---|---|
| 语言模型 | 语言模型需要大家熟悉下，后续词向量的基础 |
| 使用Gemsim构建词向量 | Gensim这个包实在好用！ |
| 基于word2vec的分类任务 | 先用这个例子来理解上如何使用词向量 |
| NLP-文本特征方法对比 | 文本特征构造方法这么多，哪一个更好用呢？ |
| LSTM情感分析 | 用这个项目来理解RNN模型所需的输入长什么样子 |
| NLP-相似度模型 | 文本相似度计算方法 |
| 对话机器人 | 基于tensorlfow框架构建一个聊天机器人 |
| 动手打造自己的输入法 | 能不能构建一款自己的输入法呢？帮你搞定！ |
| 机器人写唐诗 | 看看模型写出的唐诗咋样！ |
| NMT机器翻译框 | 开源项目，可以进行二次开发 |
| 地址邮编多序列任务 | 经典文本分类任务 |
| 自然语言处理通用框架BERT原理 | 这个就是上面说的BERT了，重点！重点！重点！ |
| 谷歌开源项目BERT源码解读 | 源码非常重要，每一行都需要理解 |
| 基于BERT的中文情感分析 | 基于开源项目进行模型开发 |
| 基于BERT的中文命名实体识别 | 基于开源项目进行命名实体识别 |