3857-王元新-人工智能学科-计算机视觉方向
3857-王元新-人工智能学科-计算机视觉方向
![]()
扫二维码继续学习 二维码时效为半小时
【3857】【王元新】
【个人情况】：本科电子信息专业，未接触过Python、CV、深度学习等内容。
【学习目标】：系统学习相关内容，实现基于深度学习的遥感图像预测问题，发表论文。
【备注】：
【学习方向】：计算机视觉
【是否需要就业】：否
【目标就业地点】：一线城市
【学习思路】：
第1个月：熟练掌握Python语法编程、调试，能够独立阅读代码，写简单的程序（如写一个计算机，写一个信息管理与信息系统）。学习计算机图形学、计算机视觉相关知识，搭建知识体系框架。
第2个月：学习深度学习理论，掌握PyTorch框架，读懂源码，跑通示例，会制作数据集，会调参、修改网络函数等。
第3-5个月：学习各类应用项目，初步具备应用能力。根据自己的研究内容，搜集国内外顶会顶刊文献，筛选，挑选两三篇进行复现。针对自己的数据集，修改代码，调整结果。同时撰写论文。
第6个月：翻译润色投稿。
（以上内容根据实际情况和需求随时讨论调整）
【学习要点】：
（1）Python基础：会读懂代码，会调试，会写简单的小程序（如四则运算计算器、学生班级管理软件）。
（2）计算机图形学、计算机视觉：掌握基本原理，如图形的基本变换，数字图像处理，双目视觉原理，多视图几何等。
（3）机器视觉和深度学习：了解常见的方法，如SVM，CNN等。能讲明白原理，不要求实现。
（4）PyTorch：熟练掌握基本用法，明白运行原理，能读懂，会调用，会修改。
（5）项目实战：根据项目讲解，对照视频一边复现一边实现功能。
（6）论文科研：先从百度学术、谷歌学术搜论文。近10年的综述+近5年的小论文。顶会顶刊，SCI一区二区，CCF ABC类。有代码的最好。先看论文的题目，摘要，集中筛选出来100篇左右和你相关的论文。然后再看这100篇论文的引言、研究现状、实验结果，和你要研究的内容相似不相似？相似就留下，不相似直接删掉，应该能剩下20多篇，这20多篇也是以后你的论文研究现状要用到的。然后第三遍，看这20多篇的方法设计与实现，精确匹配你的任务目标，看符不符合，最后应该只剩下2到3篇，可以跟着复现的。然后复现他们论文的代码，或者GitHub下载下来跑通他们的代码。跑通原作者的代码和数据集之后，再换上自己的数据跑。针对结果中效果比较差的地方，分析数据特点，改进网络，形成自己的新型网络。
（以上内容根据实际情况和需求随时讨论调整）
【必读须知】：
所有参考资料都是掌握其原理，不要陷入数学公式当中来回去推导演算，用到的时候再算，先构建一个完整的知识体系，就跟字典目录一样，这些都是工具，用到的时候带着实际问题去查去用。
不定时在线，有事请留言。可文字、长语音消息、短视频、截图群里留言。周日交周报，总结本周工作（100字左右）。如有沟通不清或紧急情况，可在晚上9点打电话，提前预约。有任何问题随时就说，计划可以随时调整。
为了提高同学的提问效率，避免浪费时间，甚至引起矛盾。要求同学必须！认真！阅读文章“提问的智慧”（https://github.com/ryanhanwu/How-To-Ask-Questions-The-Smart-Way/blob/main/README-zh_CN.md） ，学习如何清晰准确完整的描述一个问题。尤其避免“没有论文原文算法，没有代码上下文内容，没有怎么操作的步骤，没有调试信息，没有任何你查找资料或解决问题的过程，直接甩个Error红字截图过来，要求老师马上报出答案”的这种场面。老师不是神仙，不能未卜先知，不是全知全能，不可能跑过天底下所有的代码库，也要根据你自己的情况描述，和你一起分析可能出错的地方。你描述的越详细，提供的信息越多，解决问题的速度就越快，对你的帮助就越大。
同时，要求同学们必须！必须！优先熟练掌握开发工具pycharm的使用（http://vip.17baishi.com/course_set/34215） ，以及pycharm的debug调试功能（http://vip.17baishi.com/course_set/34216） 。python掌握基本的读代码写代码能力（http://vip.17baishi.com/course/10183）、（http://vip.17baishi.com/course/29448） 。我们的课程资源库就有相关课程，知识体系非常完备。或者参考csdn，b站，都有类似相关视频。很简短，几十分钟就可以完全掌握了。
【课程学习顺序】：
红色标注课程为重点掌握内容，其它内容为参考辅助。
===============章节分割线===============
【第1阶段】：数学阶段
【监督方式】：弱监督
「第1章」：高数基础篇
课程名称：【749】【1、高数基础---人工智能AI数学基础(完全0基础数学)「自由式学习」】
课程内容：高数的系统知识学习，不建议从头到尾观看。浪费时间，可以通过数学加强课程中的数学知识，针对性复习。
---考核---（可选择，联系教务老师）
「第2章」：概率基础篇
课程名称：【752】【2、概率基础---人工智能AI数学基础(完全0基础数学)「自由式学习」】
课程内容：概率的系统知识学习，不建议从头到尾观看。浪费时间，可以通过数学加强课程中的数学知识，针对性复习。
---考核---（可选择，联系教务老师）
「第3章」：统计基础篇
课程名称：【753】【3、统计基础---人工智能AI数学基础(完全0基础数学)「自由式学习」】
课程内容：统计的系统知识学习，不建议从头到尾观看。浪费时间，可以通过数学加强课程中的数学知识，针对性复习。
---考核---（可选择，联系教务老师）
===============章节分割线===============
【第2阶段】：基础阶段
【监督方式】：弱监督
「第1章」：编程语言篇
课程名称：【3449】【Python基础知识-pycharm版「自由式学习」】
课程内容：python基础入门知识，对于算法中需要的基础的python做了一个系统的学习。
---考核---（可选择，联系教务老师）
「第2章」：数据结构与算法篇
课程名称：【721】【Python数据结构与算法「自由式学习」】
课程内容：数据结构入门，主要讲解了堆、栈、链表、快排、二分、树等数据结构与算法，课程末尾将会提供leetcode刷题教程，请需要就业的徒弟务必重视练习。
---考核---（可选择，联系教务老师）
「第3章」：编程语言篇
课程名称：【14282】【机器学习-数据科学库（HM）「自由式学习」】
课程内容：讲解了目前主要是pandas、numpy、matpoltlib库的使用。
---考核---（可选择，联系教务老师）
「第4章」：操作系统篇
课程名称：【1243】【Linux零基础课程「自由式学习」】
课程内容：主要讲解了linux数据库的使用，开发人员的基本操作。必须学习吸收，之后大数据阶段会跟服务器一直关联学习。极其重要。
---考核---（可选择，联系教务老师）
「第5章」：Git使用篇
课程名称：【4312】【Git操作详解「自由式学习」】
课程内容：该课程，对代码管理工具GIT进行了讲解，代码的版本管理，托管等知识进行了学习，该课程不学习不影响接下来的学习，进公司在学习也可以。
---考核---（可选择，联系教务老师）
「第6章」：编程语言篇
课程名称：【32674】【Pycharm的基本使用「自由式学习」】
课程内容：讲解了pycharm如何使用
---考核---（可选择，联系教务老师）
「第7章」：编程语言篇
课程名称：【32161】【Pycharm debug 怎样调试代码「自由式学习」】
课程内容：讲解了pycharm中如何进行debug
---考核---（可选择，联系教务老师）
「第8章」：编程语言篇
课程名称：【29448】【Python练习100题「自由式学习」】
课程内容：该课程主要讲解使用Pyhton完成了一百道小练习，用于巩固Python基础语法的一些小练习
---考核---（可选择，联系教务老师）
「第9章」：数据结构与算法篇
课程名称：【10183】【玩转算法面试Leetcode题库「自由式学习」】
课程内容：等待介绍文本
---考核---（可选择，联系教务老师）
===============章节分割线===============
【第3阶段】：深度学习阶段
【监督方式】：弱监督
「第1章」：深度学习基础篇
课程名称：【33180】【机器视觉 「自由式学习」】
课程内容：该视频主要讲解了计算机视觉的介绍、数学基础、数学图像、插值算法、直方图均衡化、卷积和滤波、特征选择、PCA、边缘检测、canny、相机模型、透视变换、立体视觉、点云模型、Kmeans、层次聚类和密度聚类、图像噪声、SIFT、OpenCV和最小二乘法、Ransac、哈希算法、神经网络等。
---考核---（可选择，联系教务老师）
===============章节分割线===============
【第4阶段】：机器学习阶段
【监督方式】：弱监督
「第1章」：机器学习基础篇
课程名称：【728】【机器学习---导论「自由式学习」】
课程内容：该课程主要讲解了人工智能和大数据的关系等知识点，并且讲了人工智能基础的分类等知识点，属于一个普及课程
---考核---（可选择，联系教务老师）
「第2章」：机器学习基础篇
课程名称：【23611】【机器学习-算法基础（TBF）「自由式学习」】
课程内容：该课程的内容主要包括：线性回归、非线性回归、逻辑回归、神经网络、KNN算法、决策树、集成学习、贝叶斯算法、聚类算法、主成分分析PCA、支持向量机SVM相关讲解
---考核---（可选择，联系教务老师）
「第3章」：机器学习基础篇
课程名称：【3212】【机器学习算法基础（基础机器学习课程）「自由式学习」】
课程内容：机器学习基础算法的讲解，偏向于实现，对底层原理没有进行过多的阐述。
---考核---（可选择，联系教务老师）
「第4章」：机器学习进阶篇
课程名称：【725】【机器学习---算法进阶「自由式学习」】
课程内容：对机器学习深入的讲解，利用了大量的数学公式进行推导，足以应对工厂面试过程中问到的算法的底层远离的实现。比较难理解，需要多次吸收强化。如对该课程有不适应，请及时跟教务老师联系。
---考核---（可选择，联系教务老师）
===============章节分割线===============
【第5阶段】：深度学习阶段
【监督方式】：弱监督
「第1章」：深度学习基础篇
课程名称：【31017】【深度学习理论「自由式学习」】
课程内容：该课程主要对深度学习做了整体的介绍、讲解了传统神经网络、卷积神经网络（初级、高级、目标分类、目标探测）、递归神经网络（基础）、递归网络和卷积网络的结合、生成对抗网络（GAN）、增强学习
---考核---（可选择，联系教务老师）
「第2章」：深度学习基础篇
课程名称：【20360】【深度学习-【2020版】【深版】「cv-自由式学习」】
课程内容：深度学习深入知识的讲解，对神经网络等深度学习常用的算法进行了讲解
---考核---（可选择，联系教务老师）
「第3章」：深度学习基础篇
课程名称：【33512】【1、深度学习-CNN-RNN「自由式学习」】
课程内容：该课程主要讲解了深度学习实施的一般过程、逻辑回归、单层、多层感知机、项目的构建和模型的训练、模型的评估和选择、激活函数和优化器的选择、使用正则提升模型的训练、人类视觉和卷积神经网路的关系、卷积的运算过程、卷积的变体、VGG的介绍、图片的数据增广、MoocTrialNet网络模型的搭建、不用的RNN类型、用BPTT训练RNN、LSTMGRU的讲解、基于双层双向的GRU命令词识别的模型等知识点讲解了RNN和CNN网络
---考核---（可选择，联系教务老师）
「第4章」：深度学习基础篇
课程名称：【33513】【2、深度学习-GAN网络「自由式学习」】
课程内容：该课程主要讲解了什么是GAN、GAN的原理、GAN的变体CycleGAN、StyleGAN、DCGAN、超参和dataset编写、Generator编写、Discriminator的编写、Trainer的编写、以及怎么检查GAN的训练过程
---考核---（可选择，联系教务老师）
「第5章」：深度学习基础篇
课程名称：【33523】【3、深度学习-注意力机制、迁移学习、半监督学习「自由式学习」】
课程内容：该课程主要讲解了什么是注意力机制、注意力机制的原理、自注意力机制self-attention、Transformer的原理，Transformer实现G2p、Multi-head attention的讲解、什么是迁移学习、迁移学习的分类、怎么实现迁移学习、基于ResNet迁移学习的姿态识别、半监督是什么、半监督解决了什么问题、半监督的原理等等知识点
---考核---（可选择，联系教务老师）
「第6章」：深度学习基础篇
课程名称：【34052】【GCN图卷积神经网络「自由式学习」】
课程内容：该课程主要讲解了图基本知识、图基本知识的代码、DeepWalk、LINE、node2Vec、truct2Vec、SDNE、GCN、GraphSAGE、GAT、GCN、PyG代码、图网络的分类、HAN算法、GTN算法、metapath2vec算法、GATNE理论、BiNE理论和代码、SGCN代码和理论、SiGAT理论和代码、动态图分类、DySAT代码和理论、Evolve理论和代码、DGNN理论和代码、HGNN理论和代码等知识
---考核---（可选择，联系教务老师）
「第7章」：深度学习基础篇
课程名称：【33533】【深度学习-图像、语音讲解「自由式学习」】
课程内容：该课程主要讲解了词云、图像风格迁移、自编码器图像去噪、变分自编码器、生成样式对抗网络、DCGAN人脸图像生成、Inception-v3图片分类、股票预测、物体检测、Dlib快速入门、WGAN的讲解、CGAN和ACGAN、次元头像生成、ix2pix图像翻译、CycleGan性别转换、Deepdream、歌词古诗自动生成、图像标题生成、服饰关键点定位、自动语音识别、方言种类分类、快速图像风格迁移等知识点
---考核---（可选择，联系教务老师）
「第8章」：深度学习工具篇
课程名称：【9556】【Pytorch学习「自由式学习」】
课程内容：深度学习中的Pytorch框架的讲解于使用。
---考核---（可选择，联系教务老师）
「第9章」：深度学习工具篇
课程名称：【9715】【深度学习-Tensorflow2.0「自由式学习」】
课程内容：深度学习中TensorFlow2.X版本的讲解与使用。
---考核---（可选择，联系教务老师）
「第10章」：深度学习进阶篇
课程名称：【24942】【深度学习模型部署+剪枝优化「自由式学习」】
课程内容：该课程的内容主要包括：模型加载与数据预处理、docker、阿里云镜像等相关环境配置、论文算法核心框架概述、整体案例流程解读、常见剪枝方法介绍、网络流程解读、优化器模块配置等
---考核---（可选择，联系教务老师）
===============章节分割线===============
【第6阶段】：计算机视觉阶段
【监督方式】：弱监督
「第1章」：计算机视觉理论篇
课程名称：【1298】【1、计算机视觉CV理论基础「自由式学习」】
课程内容：该课程主要讲解了图像的预处理和图像的特征与描述、深度学习基础、图像分类、图像检索、目标检测、图像分割、图像描述、图像生成等知识点
---考核---（可选择，联系教务老师）
「第2章」：计算机视觉项目篇
课程名称：【10953】【2、计算机视觉CV实践基础「自由式学习」】
课程内容：计算机视觉中对图像的处理，以及完成对车辆的识别、信用卡识别、停车场、答题卡、疲劳驾驶检测等的识别
---考核---（可选择，联系教务老师）
「第3章」：计算机视觉项目篇
课程名称：【1297】【3、计算机视觉CV实践加强「自由式学习」】
课程内容：计算机视觉中图像处理的加强课程，目标检测无人驾驶、车辆图片检索等知识点的讲解。
---考核---（可选择，联系教务老师）
「第4章」：计算机视觉项目篇
课程名称：【19513】【目标检测-YOLO-V4基于PyTorch从零复现（与行人车辆检测实战）「自由式学习」】
课程内容：该课程通过yolov4项目的介绍、卷积神经的介绍、对yolov3的回顾、yolov4的讲解，然后从零开始写项目代码、项目模型的训练、代码解读、以及训练工具的使用
---考核---（可选择，联系教务老师）
「第5章」：计算机视觉理论篇
课程名称：【29446】【YOLOv5(PyTorch)目标检测：原理与源码解析「自由式学习」 】
课程内容：该课程主要讲解了目标检测常见的任务和数据集、Ubuntu系统和Win系统上面分别训练数据集、YOLO的基本原理、模型构建相关代码解析、数据集创建相关代码解析、general.py文件代码解析、辅助工具代码解析、YOLOV5相关代码解析等知识点
---考核---（可选择，联系教务老师）
【简历辅导阶段】
写出来初版的简历，然后老师进行建议，再次修改简历。简历合格，进行模拟面试。沟通面试问题等，具体事宜，到该阶段之后联系相应的教务老师进行安排。
【时间安排】：
学员可以自主安排学习时间。具体的时间可以灵活调整。
【相关规定】：
（1）每天完成今日学习任务，提交相应的csdn或者是有道云笔记之类的链接到每日作业中。老师会进行审核，每个阶段结束，进行阶段测评，测评通过，提交老师发布的通过截图到下一个课程的第一节的阶段卡点之后，方可进行下一章内容的学习。
（2）每个章节结束，如果觉得吸收比较乱，知识点多，可以进行xmind脑图的构造一下整体的思路！
（3）项目阶段，需要录制或者文档落地针对做过的项目的自述！
（4）每天必须按计划完成任务，临时有事需在日报中说明情况即可，长期请假请联系教务老师。
（5）考核不通过需要缴费补考，50元是第一次，每次增加50元，200元封顶（此项如有疑问，可以联系教务老师进行更改）。
【参考博客】：第二天早晨八点半，会有拜师晨报提醒。当中有学生优秀博客，可以查看学生的排版
【监督相关说明】：
弱监督：不需要每天提交作业，直接可以解锁课程，适合于自制力能力强的。
强监督：需要学习完一个课程通过管理员解锁才能继续学习下一个阶段，适合于自制力不够强，已经参加工作的学员。
【工作安排】：
（1）、批改作业，环境安装！还有学习过程中有不会的问题的话，艾特软件安装以及基础答疑老师！
（2）、学习过程中如果有什么问题和疑问，可以艾特答疑老师！
（3）、如果计划需要更改，可以群里艾特我和跟你电话测评沟通的老师进行沟通！
（4）、如果有什么方向上面的疑问，可以艾特相关的答疑老师和计划制定的老师！
（5）、如果不知道找哪位老师的话，或者问题比较紧急的可以艾特教务老师进行处理，或者有什么意见和建议（直接私聊教务老师）！教务老师会进行受理！