圖像識別與深度學習培訓大綱
第一節：Python Package與TensorFlow綜合應用
Numpy/Scipy/Pandas/Matplotlib/Seaborn庫
Numpy索引
Numpy數學運算與常用分布
Pandas數據處理與分析
Pandas文件讀寫和個性化控制
Pandas的concat與merge
Matplotlib 基本圖結構介紹
基于Matplotlib繪制散點圖、柱狀圖、等高線圖、3D圖等
多圖合并與圖片文件存取
Seaborn/PyEcharts等包的使用
scikit-learn的介紹和典型使用
TensorFlow經典應用
多元高斯分布
典型圖像處理
多種數學曲線
多項式擬合
代碼和案例實踐 快速傅里葉變換FFT與信號處理
Soble/Prewitt/Laplacian算子與卷積網絡
卷積與(指數)移動平均線
股票數據分析
缺失數據的處理和預測
環境數據異常檢測和分析
快速傅里葉變換FFT
圖像處理與奇異值分解SVD
第二節：基于skimage和OpenCV的圖像處理 Skimage和OpenCV的簡介與安裝
將視頻轉換為圖像序列
圖像可視化與幾何作圖
HSV、RGB與圖像顏色空間的轉換
圖像增強與(局部)直方圖均衡化
給予邊緣和區域的圖像分割
gamma矯正和對數矯正
亮度區域檢測與前景提取
圖像邊緣檢測/特征提取與圖像算子
gabor/ laplace /prewitt /roberts /scharr /sobel /Niblack /wiener
圖像形態學：開/閉/凸包/膨脹/腐蝕
雙邊濾波器/小波降噪/wiener濾波
代碼和案例實踐 不同算子下的圖像卷積
圖像邊緣檢測與提取
前景分割與圖像融合
regional maxima檢測與應用
HAAR/HOG/LBP等特征應用
第三節：回歸分析 線性回歸
Logistic/Softmax回歸
廣義線性回歸
L1/L2正則化
Ridge與LASSO
Elastic Net
梯度下降算法：BGD與SGD
特征選擇與過擬合
Softmax回歸的概念源頭
大熵模型
K-L散度
第四節：決策樹、隨機森林、SVM 熵、聯合熵、條件熵、KL散度、互信息
大似然估計與大熵模型
ID3、C4.5、CART詳解
決策樹的正則化
預剪枝和后剪枝
Bagging
不平衡數據集的處理
利用隨機森林做特征選擇
使用隨機森林計算樣本相似度
線性可分支持向量機
軟間隔
損失函數的理解
核函數的原理和選擇
SMO算法
支持向量回歸SVR
多分類SVM
代碼和案例實踐 隨機森林與特征選擇
決策樹應用于回歸
多標記的決策樹回歸
決策樹和隨機森林的可視化
葡萄酒數據集的決策樹/隨機森林分類
泰坦尼克乘客存活率估計
葡萄酒數據分類
數字圖像的手寫體識別
MNIST手寫體識別
SVR用于時間序列曲線預測
SVM、Logistic回歸、隨機森林三者的橫向比較
第五節：卷積神經網絡CNN 神經網絡結構，濾波器，卷積
池化，激活函數，反向傳播
目標分類與識別、目標檢測與追蹤
AlexNet、VGGNet、GoogleLeNet
Inception-V3/V4
ResNet、DenseNet
代碼和案例實踐 數字圖片分類
卷積核與特征提取
以圖搜圖
人證合一
卷積神經網絡調參經驗分享
第六節：圖像視頻的定位與識別 視頻關鍵幀處理
物體檢測與定位
RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN
YOLO
FaceNet
代碼和案例實踐 遷移學習
人臉檢測
OCR字體定位和識別
睿客識云
氣象識別
第七節：循環神經網絡RNN RNN基本原理
LSTM、GRU
Attention
CNN+LSTM模型
Bi-LSTM雙向循環神經網絡結構
編碼器與解碼器結構
特征提取：word2vec
Seq2seq模型
代碼和案例實踐 看圖說話
視頻理解
藏頭詩生成
問答對話系統
OCR
循環神經網絡調參經驗分享
第八節：生成對抗網絡GAN 生成與判別
生成模型：貝葉斯、HMM到深度生成模型
GAN對抗生成神經網絡
DCGAN
Conditional GAN
InfoGan
Wasserstein GAN
代碼和案例實踐 代碼和案例實踐 |
