第一节：Python Package与TensorFlow综合应用
|
Numpy/Scipy/Pandas/Matplotlib/Seaborn库
Numpy索引
Numpy数学运算与常用分布
Pandas数据处理与分析
Pandas文件读写和个性化控制
Pandas的concat与merge
Matplotlib 基本图结构介绍
基于Matplotlib绘制散点图、柱状图、等高线图、3D图等
多图合并与图片文件存取
Seaborn/PyEcharts等包的使用
scikit-learn的介绍和典型使用
TensorFlow经典应用
多元高斯分布
典型图像处理
多种数学曲线
多项式拟合 |
| 代码和案例实践 |
快速傅里叶变换FFT与信号处理
Soble/Prewitt/Laplacian算子与卷积网络
卷积与(指数)移动平均线
股票数据分析
缺失数据的处理和预测
环境数据异常检测和分析
快速傅里叶变换FFT
图像处理与奇异值分解SVD
|
| 第二节：基于skimage和OpenCV的图像处理 |
Skimage和OpenCV的简介与安装
将视频转换为图像序列
图像可视化与几何作图
HSV、RGB与图像颜色空间的转换
图像增强与(局部)直方图均衡化
给予边缘和区域的图像分割
gamma矫正和对数矫正
亮度区域检测与前景提取
图像边缘检测/特征提取与图像算子
gabor/ laplace /prewitt /roberts /scharr /sobel /Niblack /wiener
图像形态学：开/闭/凸包/膨胀/腐蚀
双边滤波器/小波降噪/wiener滤波 |
| 代码和案例实践 |
不同算子下的图像卷积
图像边缘检测与提取
前景分割与图像融合
regional maxima检测与应用
HAAR/HOG/LBP等特征应用
|
| 第三节：回归分析 |
线性回归
Logistic/Softmax回归
广义线性回归
L1/L2正则化
Ridge与LASSO
Elastic Net
梯度下降算法：BGD与SGD
特征选择与过拟合
Softmax回归的概念源头
最大熵模型
K-L散度 |
| 第四节：决策树、随机森林、SVM |
熵、联合熵、条件熵、KL散度、互信息
最大似然估计与最大熵模型
ID3、C4.5、CART详解
决策树的正则化
预剪枝和后剪枝
Bagging
不平衡数据集的处理
利用随机森林做特征选择
使用随机森林计算样本相似度
线性可分支持向量机
软间隔
损失函数的理解
核函数的原理和选择
SMO算法
支持向量回归SVR
多分类SVM
|
| 代码和案例实践 |
随机森林与特征选择
决策树应用于回归
多标记的决策树回归
决策树和随机森林的可视化
葡萄酒数据集的决策树/随机森林分类
泰坦尼克乘客存活率估计
葡萄酒数据分类
数字图像的手写体识别
MNIST手写体识别
SVR用于时间序列曲线预测
SVM、Logistic回归、随机森林三者的横向比较
|
| 第五节：卷积神经网络CNN |
神经网络结构，滤波器，卷积
池化，激活函数，反向传播
目标分类与识别、目标检测与追踪
AlexNet、VGGNet、GoogleLeNet
Inception-V3/V4
ResNet、DenseNet
|
| 代码和案例实践 |
数字图片分类
卷积核与特征提取
以图搜图
人证合一
卷积神经网络调参经验分享 |
| 第六节：图像视频的定位与识别 |
视频关键帧处理
物体检测与定位
RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN
YOLO
FaceNet |
| 代码和案例实践 |
迁移学习
人脸检测
OCR字体定位和识别
睿客识云
气象识别 |
| 第七节：循环神经网络RNN |
RNN基本原理
LSTM、GRU
Attention
CNN+LSTM模型
Bi-LSTM双向循环神经网络结构
编码器与解码器结构
特征提取：word2vec
Seq2seq模型 |
| 代码和案例实践 |
看图说话
视频理解
藏头诗生成
问答对话系统
OCR
循环神经网络调参经验分享
|
| 第八节：生成对抗网络GAN |
生成与判别
生成模型：贝叶斯、HMM到深度生成模型
GAN对抗生成神经网络
DCGAN
Conditional GAN
InfoGan
Wasserstein GAN |
| 代码和案例实践 |
代码和案例实践 |
