- 任務(wù)1：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)簡介
- 任務(wù)2：深度學(xué)習(xí)的發(fā)展歷史
- 任務(wù)3：現(xiàn)代深度學(xué)習(xí)的典型例子
- 任務(wù)4：深度學(xué)習(xí)在計(jì)算機(jī)視覺中的應(yīng)用
- 任務(wù)5：深度學(xué)習(xí)的總結(jié)
- 任務(wù)6：開發(fā)環(huán)境的配置 Python Numpy Keras入門教程
- 任務(wù)7：GPU驅(qū)動(dòng)程序安裝
- 任務(wù)8：CUDA的安裝
- 任務(wù)9：cuDNN的安裝 Tensorflow PyTorch的GPU測試
- 任務(wù)10：問答環(huán)節(jié)
- 任務(wù)11：環(huán)境安裝
- 任務(wù)12：二元分類問題
- 任務(wù)13：邏輯函數(shù)
- 任務(wù)14：指數(shù)與對數(shù) 、邏輯回歸
- 任務(wù)15：示例
- 任務(wù)16：損失函數(shù)
- 任務(wù)17：損失函數(shù)推演
- 任務(wù)18：梯度下降法
- 任務(wù)19：應(yīng)用
- 任務(wù)20：直播答疑
- 任務(wù)21：自動(dòng)駕駛方向盤預(yù)測論文分析
- 任務(wù)22：使用PyCharm Keras建立深度網(wǎng)絡(luò)模型
- 任務(wù)23：數(shù)據(jù)預(yù)處理 數(shù)據(jù)增強(qiáng)
- 任務(wù)24：建立BatchGenerator高效讀取數(shù)據(jù)
- 任務(wù)25：訓(xùn)練網(wǎng)絡(luò) 保存訓(xùn)練的中間過程數(shù)據(jù)
- 任務(wù)26：查看網(wǎng)絡(luò)訓(xùn)練過程 判斷網(wǎng)絡(luò)是否過擬合 欠擬合
- 任務(wù)27：神經(jīng)網(wǎng)絡(luò)分類問題的經(jīng)典數(shù)據(jù)（集鳶尾花數(shù)據(jù)集）介紹，神經(jīng)網(wǎng)絡(luò)Python庫Keras的介紹
- 任務(wù)28：使用Pandas讀取鳶尾花數(shù)據(jù)集， 使用LabelEncoder對類別標(biāo)簽進(jìn)行編碼
- 任務(wù)29：使用Keras創(chuàng)建一個(gè)用于鳶尾花分類識(shí)別的神經(jīng)網(wǎng)絡(luò)
- 任務(wù)30：訓(xùn)練用于鳶尾花分類的神經(jīng)網(wǎng)絡(luò) 解讀訓(xùn)練輸出的日志 了解如何評價(jià)神經(jīng)網(wǎng)絡(luò)的性能
- 任務(wù)31：神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理（1）： 神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)，權(quán)值，激活函數(shù)
- 任務(wù)32：神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理（2）： 神經(jīng)網(wǎng)絡(luò)的前饋（Feed Forward）算法
- 任務(wù)33：神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理（3）：神經(jīng)網(wǎng)絡(luò)的前饋（Feed Forward）算法續(xù)，Softmax層的數(shù)值問題
- 任務(wù)34：神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理（4）：神經(jīng)網(wǎng)絡(luò)BP（誤差反向傳播）算法
- 任務(wù)35：神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理（5）：神經(jīng)網(wǎng)絡(luò)BP（誤差反向傳遞）算法續(xù)
- 任務(wù)36：神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理（6）：手動(dòng)演算神經(jīng)網(wǎng)絡(luò)BP算法（誤差向后傳遞）
- 任務(wù)37：神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)原理（7）：手動(dòng)演算神經(jīng)網(wǎng)絡(luò)BP算法（誤差向后傳遞）續(xù)
- 任務(wù)38：Neural.Network.Loss-直播01
- 任務(wù)39：Neural.Network.Loss-直播02
- 任務(wù)40：Neural.Network.Loss-直播03
- 任務(wù)41：梯度消亡
- 任務(wù)42：梯度消亡問題分析
- 任務(wù)43：梯度消亡解決方案
- 任務(wù)44：過擬合
- 任務(wù)45：DropOut 訓(xùn)練
- 任務(wù)46：正則化
- 任務(wù)47：最大范數(shù)約束 神經(jīng)元的初始化
- 任務(wù)48：作業(yè)講解與答疑-01
- 任務(wù)49：作業(yè)講解與答疑-02
- 任務(wù)50：為什么需要遞歸神經(jīng)網(wǎng)絡(luò)？
- 任務(wù)51：遞歸神經(jīng)網(wǎng)絡(luò)介紹
- 任務(wù)52：語言模型
- 任務(wù)53：RNN的深度
- 任務(wù)54：梯度爆炸和梯度消失
- 任務(wù)55：Gradient Clipping
- 任務(wù)56：LSTM的介紹
- 任務(wù)57：LSTM的應(yīng)用
- 任務(wù)58：Bi-Directional LSTM
- 任務(wù)59：Gated Recurrent Unit
- 任務(wù)60：機(jī)器翻譯
- 任務(wù)61：Multimodal Learning
- 任務(wù)62：Seq2Seq模型
- 任務(wù)63：回顧RNN與LSTM
- 任務(wù)64：Attention for Image Captioning
- 任務(wù)65：Attention for Machine Translation
- 任務(wù)66：Self-Attention
- 任務(wù)67：Attention總結(jié)
- 任務(wù)68：neural network optimizer直播-01
- 任務(wù)69：neural network optimizer直播-02
- 任務(wù)70：neural network optimizer直播-03
- 任務(wù)71：項(xiàng)目介紹
- 任務(wù)72：看圖說話任務(wù)一-01
- 任務(wù)73：看圖說話任務(wù)一-02
- 任務(wù)74：看圖說話任務(wù)一-03
- 任務(wù)75：任務(wù)介紹
- 任務(wù)76：如何實(shí)現(xiàn) load_img_as_np_array 這個(gè)函數(shù)
- 任務(wù)77：如何實(shí)現(xiàn)“l(fā)oad_vgg16_model”函數(shù)
- 任務(wù)78：如何實(shí)現(xiàn)“extract_features”函數(shù)
- 任務(wù)79：創(chuàng)建Tokenizer01
- 任務(wù)80：創(chuàng)建Tokenizer02
- 任務(wù)81：產(chǎn)生模型需要的輸入數(shù)據(jù)01
- 任務(wù)82：產(chǎn)生模型需要的輸入數(shù)據(jù)02
- 任務(wù)83：任務(wù)的概述
- 任務(wù)84：Input Embedding和Dropout層介紹
- 任務(wù)85：LSTM Add層的介紹
- 任務(wù)86：如何訓(xùn)練模型
- 任務(wù)87：如何使用深度神經(jīng)網(wǎng)絡(luò)模型做預(yù)測 產(chǎn)生標(biāo)題 完成generate_caption函數(shù)01
- 任務(wù)88：如何使用深度神經(jīng)網(wǎng)絡(luò)模型做預(yù)測 產(chǎn)生標(biāo)題 完成generate_caption函數(shù)02
- 任務(wù)89：如何調(diào)用generate_caption函數(shù)
- 任務(wù)90：如何評價(jià)標(biāo)題生成模型的性能
- 任務(wù)91：讀取和顯示數(shù)字圖像
- 任務(wù)92：數(shù)字圖像大小縮放
- 任務(wù)93：數(shù)字圖像直方圖均衡
- 任務(wù)94：圖像去噪聲
- 任務(wù)95：圖像邊緣檢測
- 任務(wù)96：圖像關(guān)鍵點(diǎn)檢測
- 任務(wù)97：道路行車道檢測簡介
- 任務(wù)98：Canny邊緣檢測
- 任務(wù)99：霍夫變換用于直線檢測
- 任務(wù)100：道路行車道檢測代碼講解
- 任務(wù)101：在圖像和視頻上面演示道路行車道檢測
- 任務(wù)102：項(xiàng)目介紹
- 任務(wù)103：交通指示牌識(shí)別的簡介
- 任務(wù)104：交通指示牌識(shí)別課程的編程任務(wù)
- 任務(wù)105：如何分析數(shù)據(jù) (util.py 的詳細(xì)介紹)
- 任務(wù)106：如何預(yù)處理圖像數(shù)據(jù)、建立神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練網(wǎng)絡(luò)模型 (train.py 的詳細(xì)介紹)01
- 任務(wù)107：如何預(yù)處理圖像數(shù)據(jù)、建立神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練網(wǎng)絡(luò)模型 (train.py 的詳細(xì)介紹)02
- 任務(wù)108：色彩空間轉(zhuǎn)換
- 任務(wù)109：直方圖均衡
- 任務(wù)110：圖像標(biāo)準(zhǔn)化
- 任務(wù)111：使用ImageDataGenerator做圖像增強(qiáng)
- 任務(wù)112：作業(yè)上傳的要求
- 任務(wù)113：介紹經(jīng)典交通指示牌卷積神經(jīng)網(wǎng)絡(luò)模型
- 任務(wù)114：代碼實(shí)現(xiàn)經(jīng)典交通指示牌識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型
- 任務(wù)115：卷積神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理01
- 任務(wù)116：卷積神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)原理02
- 任務(wù)117：深度學(xué)習(xí)調(diào)參-直播-01
- 任務(wù)118：深度學(xué)習(xí)調(diào)參-直播-02
- 任務(wù)119：深度學(xué)習(xí)調(diào)參-直播-03
- 任務(wù)120：卷積層的啟發(fā)
- 任務(wù)121：卷積層的定量分析
- 任務(wù)122：單通道輸入 單通道輸出的卷積層的實(shí)例
- 任務(wù)123：多通道輸入 多通道輸出的卷積層的實(shí)例
- 任務(wù)124：池化層的原理 定量分析
- 任務(wù)125：卷積神經(jīng)網(wǎng)絡(luò)和全連接神經(jīng)網(wǎng)絡(luò)的比較
- 任務(wù)126：卷積神經(jīng)網(wǎng)絡(luò)在圍棋 語言識(shí)別和自然語言處理中的應(yīng)用
- 任務(wù)127：基于深度學(xué)習(xí)的圖像分類歷史回顧
- 任務(wù)128：AlexNet的結(jié)構(gòu)分析
- 任務(wù)129：ZFNet的結(jié)構(gòu)分析
- 任務(wù)130：VGG的結(jié)構(gòu)分析
- 任務(wù)131：GoogleNet Inception的結(jié)構(gòu)分析
- 任務(wù)132：Inception V3的結(jié)構(gòu)分析
- 任務(wù)133：ResNet的結(jié)構(gòu)分析
- 任務(wù)134：ResNet的代碼實(shí)現(xiàn)
- 任務(wù)135：基于內(nèi)容的圖像搜索理論基礎(chǔ)
- 任務(wù)136：基于去噪自動(dòng)編碼器的圖像搜索代碼實(shí)現(xiàn)
- 任務(wù)137：使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行語義圖像嵌入在目標(biāo)檢測 自動(dòng)駕駛 圖像超分辨率重構(gòu) 工業(yè)探傷等等領(lǐng)域的應(yīng)用
- 任務(wù)138：項(xiàng)目1-看圖說話（助教）講解和答疑-01
- 任務(wù)139：項(xiàng)目1-看圖說話（助教）講解和答疑-02
- 任務(wù)140：項(xiàng)目介紹
- 任務(wù)141：自動(dòng)駕駛方向盤轉(zhuǎn)動(dòng)方向預(yù)測的背景知識(shí)
- 任務(wù)142：如何收集訓(xùn)練數(shù)據(jù)
- 任務(wù)143：理解分析訓(xùn)練數(shù)據(jù)
- 任務(wù)144：自動(dòng)駕駛方向盤轉(zhuǎn)動(dòng)方向預(yù)測的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)訓(xùn)練代碼講解
- 任務(wù)145：提高網(wǎng)絡(luò)性能的思路 圖像處理、數(shù)據(jù)增強(qiáng)、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化
- 任務(wù)146：探索數(shù)據(jù)01
- 任務(wù)147：探索數(shù)據(jù)02
- 任務(wù)148：圖像增強(qiáng)01
- 任務(wù)149：圖像增強(qiáng)02
- 任務(wù)150：解決數(shù)據(jù)不平衡的問題 DataGenerator的應(yīng)用
- 任務(wù)151：網(wǎng)絡(luò)結(jié)構(gòu)實(shí)例
- 任務(wù)152： 圖像增強(qiáng)部分的代碼講解
- 任務(wù)153：DataGenerator部分的代碼講解
- 任務(wù)154：網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)部分的代碼講解
- 任務(wù)155：方向盤轉(zhuǎn)動(dòng)方向預(yù)測網(wǎng)絡(luò)模型的性能評估方法
- 任務(wù)156：使用模擬器定性的判斷網(wǎng)絡(luò)性能的方法以及代碼講解
- 任務(wù)157：模擬器自動(dòng)駕駛的展示
- 任務(wù)158：通過損失函數(shù)的變化判斷網(wǎng)絡(luò)性能、識(shí)別和解決過擬合和欠擬合的問題
- 任務(wù)159：如何安裝Python 連接模擬器的Python 庫
- 任務(wù)160：windows 下面使用自動(dòng)駕駛模擬器的教程
- 任務(wù)161：mac 下面使用自動(dòng)駕駛模擬器的教程
- 任務(wù)162：目標(biāo)識(shí)別綜述
- 任務(wù)163：基于HOG(梯度直方圖)的目標(biāo)識(shí)別
- 任務(wù)164：Non-Max Suppression IoU 和 Hard Negative Mining
- 任務(wù)165：R-CNN的工作原理
- 任務(wù)166：R-CNN中的邊界框(Bounding Box)預(yù)測原理
- 任務(wù)167：R-CNN的不足之處
- 任務(wù)168：Fast R-CNN詳解
- 任務(wù)169：Faster R-CNN Region Proposal Network
- 任務(wù)170：R-CNN Fast R-CNN Faster R-CNN的總結(jié)
- 任務(wù)171：目標(biāo)識(shí)別 R-CNN家族的回顧
- 任務(wù)172：SSD的簡介 SSD與R-CNN的比較
- 任務(wù)173：SSD的網(wǎng)絡(luò)結(jié)構(gòu)
- 任務(wù)174：如何使用卷積作為最后的預(yù)測層
- 任務(wù)175：SSD的訓(xùn)練過程
- 任務(wù)176：SSD的實(shí)驗(yàn)結(jié)果分析
- 任務(wù)177：VGG16到SSD網(wǎng)絡(luò)的演化 L2Normalization層的實(shí)現(xiàn)
- 任務(wù)178：SSD各個(gè)技術(shù)對失敗率的影響 Atrous卷積層的原理
- 任務(wù)179：使用卷積作為最后的預(yù)測層詳解
- 任務(wù)180：SSD定位損失函數(shù)詳解
- 任務(wù)181：SSD中Anchor尺寸 寬高比 中心位置的確定
- 任務(wù)182：SSD中分類損失函數(shù)詳解
- 任務(wù)183：Non-Max Suppression的原理
- 任務(wù)184：SSD和YOLO的比較 SSD的總結(jié)
- 任務(wù)185：圖像分割簡介
- 任務(wù)186：基于深度學(xué)習(xí)的圖像分割U-Net的原理
- 任務(wù)187：Transposed Convolution原理與運(yùn)用
- 任務(wù)188：U-Net的代碼講解
- 任務(wù)189：圖像生成的原理
- 任務(wù)190：使用深度學(xué)習(xí)自動(dòng)圖像生成手寫數(shù)字的代碼講解
- 任務(wù)191：圖像風(fēng)格轉(zhuǎn)移的原理
- 任務(wù)192：使用深度學(xué)習(xí)實(shí)現(xiàn)圖像風(fēng)格轉(zhuǎn)移的代碼講解
- 任務(wù)193：SSD的原理回顧
- 任務(wù)194：編程項(xiàng)目的訓(xùn)練數(shù)據(jù)介紹
- 任務(wù)195：對SSD模型對產(chǎn)生Anchor有影響的參數(shù)講解
- 任務(wù)196：對候選框精選處理有影響的參數(shù)講解
- 任務(wù)197：對輸入模型參數(shù)的合法性檢測和轉(zhuǎn)換
- 任務(wù)198：具有7層的SSD的網(wǎng)絡(luò)結(jié)構(gòu)講解
- 任務(wù)199：編譯模型 使用模型做預(yù)測
- 任務(wù)200：SSD解碼的實(shí)現(xiàn)
- 任務(wù)201：幫助函數(shù)IoU 坐標(biāo)轉(zhuǎn)換 SSD損失函數(shù) Non-Max-Suppression的實(shí)現(xiàn)
- 任務(wù)202：二值化神經(jīng)網(wǎng)絡(luò)的簡介
- 任務(wù)203：二值化網(wǎng)絡(luò)的前向后向傳播 梯度計(jì)算原理
- 任務(wù)204：二值化網(wǎng)絡(luò)的訓(xùn)練算法
- 任務(wù)205：二值化網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果
- 任務(wù)206：二值化全連接網(wǎng)絡(luò)的代碼講解
- 任務(wù)207：DropoutNoScale層的實(shí)現(xiàn)
- 任務(wù)208：BinaryDense層的實(shí)現(xiàn)
- 任務(wù)209：二值化卷積神經(jīng)網(wǎng)絡(luò)的代碼講解
- 任務(wù)210：項(xiàng)目作業(yè)要求
- 任務(wù)211：神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中面臨的挑戰(zhàn) 輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)的必要性
- 任務(wù)212：MobileNet Depthwise Seperable Convolution的原理計(jì)算量分析
- 任務(wù)213：ShuffleNet Group Convolution Channel Shuffle的原理
- 任務(wù)214：EffNet Spatial Seperable Convolution的原理計(jì)算量分析和實(shí)驗(yàn)效果
- 任務(wù)215：lightweight-network答疑時(shí)間
- 任務(wù)216：回顧EffNet的原理
- 任務(wù)217：EffNet的代碼講解
- 任務(wù)218：One-Shot Learning 的意義和工作原理
- 任務(wù)219：用于One-Shot Learning 的Siamese 深度神經(jīng)網(wǎng)絡(luò)的介紹
- 任務(wù)220：Siamese 深度神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)和結(jié)果分析
- 任務(wù)221：Transposed Convolution 的應(yīng)用 算法回顧 以及使用矩陣乘法實(shí)現(xiàn)
- 任務(wù)222：Transposed Convolution 的梯度推導(dǎo)
- 任務(wù)223：將卷積核轉(zhuǎn)換為Toeplitz Matrix用于矩陣乘法實(shí)現(xiàn)Transposed
- 任務(wù)224：同學(xué)對課程的效果反饋調(diào)查
- 任務(wù)225：使用 Siamese 網(wǎng)絡(luò)做門禁卡系統(tǒng)的入門介紹 數(shù)據(jù)集的介紹
- 任務(wù)226：PyTorch 基礎(chǔ)教程
- 任務(wù)227：Siamese One-Shot learning 知識(shí)回顧
- 任務(wù)228：使用 PyTorch torchvision 庫高效讀取數(shù)據(jù)
- 任務(wù)229：使用 PyTorch 定義 Siamese 網(wǎng)絡(luò)結(jié)構(gòu)
- 任務(wù)230：使用 PyTorch 寫訓(xùn)練網(wǎng)絡(luò)的代碼
- 任務(wù)231：使用 PyTorch 寫測試網(wǎng)絡(luò)的代碼
計(jì)算機(jī)視覺方向網(wǎng)站
1 Visual 3D Modeling
2 University of California 的計(jì)算機(jī)視覺課程
3 多視幾何教程的代碼
4 VGG
計(jì)算機(jī)視覺方向博客
人工智能方向博客
尹相志Allans blog
人工智能方向網(wǎng)站
1 AI Weekly
2 CSDN-機(jī)器學(xué)習(xí)-知識(shí)庫
3 CUM計(jì)算機(jī)學(xué)院
實(shí)用網(wǎng)站
Quora
其他
1 在線玩轉(zhuǎn)深度學(xué)習(xí)
2 一個(gè)數(shù)學(xué)問題講解網(wǎng)站
計(jì)算機(jī)視覺書籍
1.計(jì)算機(jī)視覺方向網(wǎng)站
1.1 Visual 3D Modeling
美國北卡羅來納大學(xué)教堂山分校（UNC）的Visual 3D Modeling from Images的課程notes，詳細(xì)內(nèi)容見該課程目錄頁，有一些關(guān)于攝影幾何基本知識(shí)、攝像機(jī)模型、多視幾何等的基本概念的介紹，淺顯易懂，特別是配了很多特別棒的圖，易于理解！
1.2 University of California 的計(jì)算機(jī)視覺課程
CSE 252B: Computer Vision II
1.3 多視幾何教程的代碼
Richard Hartley和Andrew Zisserman的多視幾何的MATLAB代碼，只有書中部分內(nèi)容對應(yīng)的代碼
1.4 VGG
超級(jí)權(quán)威的一個(gè)網(wǎng)站，里面有大量計(jì)算機(jī)視覺相關(guān)算法、文章和軟件
http://www.robots.ox.ac.uk/~vgg/
2.計(jì)算機(jī)視覺方向博客
Damier Teney的個(gè)人網(wǎng)站，里面有許多關(guān)于該作者自己的各種關(guān)于computer vision的m文件：http://damienteney.info/dml.htm
3. 人工智能方向博客
尹相志Allan’s blog
尹相志Allan’s blog主要介紹人工智能方向的內(nèi)容，內(nèi)容為繁體字書寫，應(yīng)該是香港人吧
4.人工智能方向網(wǎng)站
4.1 AI Weekly
AI Weekly是一個(gè)人工資能方向的日報(bào)，可以輸入郵箱訂閱，每天更新人工智能領(lǐng)域的最新進(jìn)展、想課程等，但為英文版本
4.2 CSDN-機(jī)器學(xué)習(xí)-知識(shí)庫
CSDN-機(jī)器學(xué)習(xí)-知識(shí)庫
4.3 CUM計(jì)算機(jī)學(xué)院
CUM機(jī)器學(xué)習(xí)團(tuán)隊(duì)-joe
5.實(shí)用網(wǎng)站
Quora
美國的一個(gè)問答網(wǎng)站，類似于國內(nèi)的知乎，比較活躍，但需要使用英文進(jìn)行問答
６.其他
6.1 在線玩轉(zhuǎn)深度學(xué)習(xí)
Google Tensorflow給出了一個(gè)非常直觀的playground，任何人都可以通過該網(wǎng)站玩轉(zhuǎn)深度學(xué)習(xí)，非常酷炫
6.2 一個(gè)數(shù)學(xué)問題講解網(wǎng)站
interactive mathematics
該網(wǎng)站以淺顯易懂的語言講解了許多基本的數(shù)學(xué)知識(shí)，比如，什么是向量、圓、….等
7.計(jì)算機(jī)視覺書籍
《Computer Vision for Visual Effects》
現(xiàn)在的很多大片例如阿凡達(dá)等，里面的特效制作都使用了大量的計(jì)算機(jī)視覺技術(shù)。這本書就是用來介紹如何使用現(xiàn)在最先進(jìn)的計(jì)算機(jī)視覺技術(shù)來制作電影電視特效。
