我要评论第一阶段：数学基础+编程语言学习
1. 程序员数学
- 微积分基础、多元函数微积分、线性代数基础、线性代数高级、概率论等
- 机器学习面试、算法原理常用的数学知识
2. python学习
- python基础：掌握 python 基础语法, 具备基础的编程能力；掌握代码编程逻辑，条件判断与循环； 完成小游戏开发
- python数据分析：掌握数据分析与数据挖掘常用开发库：numpy、pandas、 matplotlib、seaborn 等。掌握数据分析流程、核心方法、 方法论
- python算法与数据结构《python数据结构与算法分析》
3. c++学习
- c++基础学习《c++ primer plus》
- c++：sdk后处理（逻辑）
- 数据类型，stl容器的操作指令，指针，引用，重载，模板，继承，多态，命名空间
- gdb,ldd工具以及c++的运行流程，堆，栈，静态链接库、动态链接库，库路径问题，cmakelist问题
- gcc,g++,cmake,opencv版本不匹配等问题
- 工程团队更关注：前处理加速、算子加速、后处理加速，内存，芯片平台多核优化，单核优化，内存复用，带宽，异构计算
第二阶段：机器学习
1. ml常用算法
- 线性回归算法：掌握线性回归，最小二乘法，正规方程，梯度下降的各种优化，linear回归、ridge、lasso 回归、弹性网络等回归算法，掌握 l1 与 l2 正则化原理与区别
- 线性分类算法：掌握逻辑回归、ovr、softmax、svm 支持向量机算法；掌握拉格朗日乘子法、kkt 条件、smo 优化算法。分类项目实战
- 无监督学习：掌握聚类算法（kmeans、dbscan、分层聚类）、掌握pca、lda 降维原理与推导，掌握 em 算法，掌握 gmm高斯混合模型应用与原理
- 决策树与集成算法：掌握决策树算法原理与推导，理解信息熵、交叉熵、gini系数。掌握随机森林、极限森林、adaboost 、gbdt ，xgboost 等算法的应用于原理推导
- 概率图模型：掌握概率论相关知识。掌握贝叶斯公式、朴素贝叶斯模型原理与应用、掌握自然语言处理、文本分类操作、隐马尔可夫 hmm 算法、条件随机场 crf 算法
2. kaggle实战
- 掌握概率论相关知识。掌握贝叶斯公式、朴素贝叶斯模型原理与应用、掌握自然语言处理、文本分类操作、隐马尔可夫 hmm 算法、条件随机场 crf 算法
第三阶段：计算机视觉opencv
1. 传统图像算法
- 数字图像处理基础
- 图像锐化、图像平滑（再次总结）
- 形态学图像处理
- 图像分割（基于区域、边缘、阈值、图论）
- 数字图像处理进阶
- 图像全局特征描述
- 图像局部特征描述
- 目标检测与跟踪
【持续更新】
2. 计算机视觉cs231n
3. opencv实践
熟练掌握 opencv 相关操作，掌握图像的基本处 理方法与技巧，了解基本的物体检测模型，掌握物体追踪，车道线检测，交通标志识别等技术
- 基础部分：车辆检测项目实战
- 进阶部分：《基于gpu加速的计算机视觉编程》
第四阶段：深度学习
1. 卷积神经网络基础
2. pytorch和tensorflow
3. 图像处理（分类、分割、目标检测、图像生成）
- 图像分类
- 01mmclassification理论（cnn分类模型训练以及pytorch简介-中）
- 02mmclassification实践（基于mmcl框架实现分类模型的训练-下）
- 目标检测
4. ai加速（模型优化）
第五阶段：项目实战
1. 医学图像分析
- 病理图像智能计算
- 医学图像分析综述
发表评论