課程簡(jiǎn)介
圖像識(shí)別與深度學(xué)習(xí)
目標(biāo)收益
培訓(xùn)對(duì)象
課程大綱
| 第一節(jié)：Python Package與TensorFlow綜合應(yīng)用 |
Numpy/Scipy/Pandas/Matplotlib/Seaborn庫(kù) Numpy索引 Numpy數(shù)學(xué)運(yùn)算與常用分布 Pandas數(shù)據(jù)處理與分析 Pandas文件讀寫和個(gè)性化控制 Pandas的concat與merge Matplotlib 基本圖結(jié)構(gòu)介紹 基于Matplotlib繪制散點(diǎn)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(jīng)典應(yīng)用 多元高斯分布 典型圖像處理 多種數(shù)學(xué)曲線 多項(xiàng)式擬合 |
| 代碼和案例實(shí)踐 |
快速傅里葉變換FFT與信號(hào)處理 Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) 卷積與(指數(shù))移動(dòng)平均線 股票數(shù)據(jù)分析 缺失數(shù)據(jù)的處理和預(yù)測(cè) 環(huán)境數(shù)據(jù)異常檢測(cè)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(jié)：基于skimage和OpenCV的圖像處理 |
Skimage和OpenCV的簡(jiǎn)介與安裝 將視頻轉(zhuǎn)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(zhuǎn)換 圖像增強(qiáng)與(局部)直方圖均衡化 給予邊緣和區(qū)域的圖像分割 gamma矯正和對(duì)數(shù)矯正 亮度區(qū)域檢測(cè)與前景提取 圖像邊緣檢測(cè)/特征提取與圖像算子 gabor/laplace/prewitt/roberts/scharr/sobel/Niblack/wiener 圖像形態(tài)學(xué)：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(shí)踐 |
不同算子下的圖像卷積 圖像邊緣檢測(cè)與提取 前景分割與圖像融合 regional maxima檢測(cè)與應(yīng)用 HAAR/HOG/LBP等特征應(yīng)用 |
| 第三節(jié)：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 最大熵模型 K-L散度 |
| 代碼和案例實(shí)踐 |
股票數(shù)據(jù)的特征提取和應(yīng)用 泰坦尼克號(hào)乘客缺失數(shù)據(jù)處理和存活率預(yù)測(cè) 環(huán)境檢測(cè)數(shù)據(jù)異常分析和預(yù)測(cè) 模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法 PCA與鳶尾花數(shù)據(jù)分類 二手車數(shù)據(jù)特征選擇與算法模型比較 廣告投入與銷售額回歸分析 鳶尾花數(shù)據(jù)集的分類 TensorFlow實(shí)現(xiàn)線性回歸 TensorFlow實(shí)現(xiàn)Logistic回歸 |
| 第四節(jié)：決策樹、隨機(jī)森林、SVM |
熵、聯(lián)合熵、條件熵、KL散度、互信息 最大似然估計(jì)與最大熵模型 ID3、C4.5、CART詳解 決策樹的正則化 預(yù)剪枝和后剪枝 Bagging 不平衡數(shù)據(jù)集的處理 利用隨機(jī)森林做特征選擇 使用隨機(jī)森林計(jì)算樣本相似度 線性可分支持向量機(jī) 軟間隔 損失函數(shù)的理解 核函數(shù)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(shí)踐 |
隨機(jī)森林與特征選擇 決策樹應(yīng)用于回歸 多標(biāo)記的決策樹回歸 決策樹和隨機(jī)森林的可視化 葡萄酒數(shù)據(jù)集的決策樹/隨機(jī)森林分類 泰坦尼克乘客存活率估計(jì) 葡萄酒數(shù)據(jù)分類 數(shù)字圖像的手寫體識(shí)別 MNIST手寫體識(shí)別 SVR用于時(shí)間序列曲線預(yù)測(cè) SVM、Logistic回歸、隨機(jī)森林三者的橫向比較 |
| 第五節(jié)：卷積神經(jīng)網(wǎng)絡(luò)CNN |
神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標(biāo)分類與識(shí)別、目標(biāo)檢測(cè)與追蹤 AlexNet、VGGNet、GoogleLeNet Inception-V3/V4 ResNet、DenseNet |
| 代碼和案例實(shí)踐 |
數(shù)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(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
| 第六節(jié)：圖像視頻的定位與識(shí)別 |
視頻關(guān)鍵幀處理 物體檢測(cè)與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
| 代碼和案例實(shí)踐 |
遷移學(xué)習(xí) 人臉檢測(cè) OCR字體定位和識(shí)別 睿客識(shí)云 氣象識(shí)別 |
| 第七節(jié)：循環(huán)神經(jīng)網(wǎng)絡(luò)RNN |
RNN基本原理 LSTM、GRU Attention CNN+LSTM模型 Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 編碼器與解碼器結(jié)構(gòu) 特征提取：word2vec Seq2seq模型 |
| 代碼和案例實(shí)踐 |
看圖說話 視頻理解 藏頭詩(shī)生成 問答對(duì)話系統(tǒng) OCR 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
| 第八節(jié)：生成對(duì)抗網(wǎng)絡(luò)GAN |
生成與判別 生成模型：貝葉斯、HMM到深度生成模型 GAN對(duì)抗生成神經(jīng)網(wǎng)絡(luò) DCGAN Conditional GAN InfoGan Wasserstein GAN |
| 代碼和案例實(shí)踐 | 代碼和案例實(shí)踐 |
|
第一節(jié)：Python Package與TensorFlow綜合應(yīng)用 Numpy/Scipy/Pandas/Matplotlib/Seaborn庫(kù) Numpy索引 Numpy數(shù)學(xué)運(yùn)算與常用分布 Pandas數(shù)據(jù)處理與分析 Pandas文件讀寫和個(gè)性化控制 Pandas的concat與merge Matplotlib 基本圖結(jié)構(gòu)介紹 基于Matplotlib繪制散點(diǎn)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(jīng)典應(yīng)用 多元高斯分布 典型圖像處理 多種數(shù)學(xué)曲線 多項(xiàng)式擬合 |
|
代碼和案例實(shí)踐 快速傅里葉變換FFT與信號(hào)處理 Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) 卷積與(指數(shù))移動(dòng)平均線 股票數(shù)據(jù)分析 缺失數(shù)據(jù)的處理和預(yù)測(cè) 環(huán)境數(shù)據(jù)異常檢測(cè)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(jié)：基于skimage和OpenCV的圖像處理 Skimage和OpenCV的簡(jiǎn)介與安裝 將視頻轉(zhuǎn)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(zhuǎn)換 圖像增強(qiáng)與(局部)直方圖均衡化 給予邊緣和區(qū)域的圖像分割 gamma矯正和對(duì)數(shù)矯正 亮度區(qū)域檢測(cè)與前景提取 圖像邊緣檢測(cè)/特征提取與圖像算子 gabor/laplace/prewitt/roberts/scharr/sobel/Niblack/wiener 圖像形態(tài)學(xué)：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(shí)踐 不同算子下的圖像卷積 圖像邊緣檢測(cè)與提取 前景分割與圖像融合 regional maxima檢測(cè)與應(yīng)用 HAAR/HOG/LBP等特征應(yīng)用 |
|
第三節(jié)：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 最大熵模型 K-L散度 |
|
代碼和案例實(shí)踐 股票數(shù)據(jù)的特征提取和應(yīng)用 泰坦尼克號(hào)乘客缺失數(shù)據(jù)處理和存活率預(yù)測(cè) 環(huán)境檢測(cè)數(shù)據(jù)異常分析和預(yù)測(cè) 模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法 PCA與鳶尾花數(shù)據(jù)分類 二手車數(shù)據(jù)特征選擇與算法模型比較 廣告投入與銷售額回歸分析 鳶尾花數(shù)據(jù)集的分類 TensorFlow實(shí)現(xiàn)線性回歸 TensorFlow實(shí)現(xiàn)Logistic回歸 |
|
第四節(jié)：決策樹、隨機(jī)森林、SVM 熵、聯(lián)合熵、條件熵、KL散度、互信息 最大似然估計(jì)與最大熵模型 ID3、C4.5、CART詳解 決策樹的正則化 預(yù)剪枝和后剪枝 Bagging 不平衡數(shù)據(jù)集的處理 利用隨機(jī)森林做特征選擇 使用隨機(jī)森林計(jì)算樣本相似度 線性可分支持向量機(jī) 軟間隔 損失函數(shù)的理解 核函數(shù)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(shí)踐 隨機(jī)森林與特征選擇 決策樹應(yīng)用于回歸 多標(biāo)記的決策樹回歸 決策樹和隨機(jī)森林的可視化 葡萄酒數(shù)據(jù)集的決策樹/隨機(jī)森林分類 泰坦尼克乘客存活率估計(jì) 葡萄酒數(shù)據(jù)分類 數(shù)字圖像的手寫體識(shí)別 MNIST手寫體識(shí)別 SVR用于時(shí)間序列曲線預(yù)測(cè) SVM、Logistic回歸、隨機(jī)森林三者的橫向比較 |
|
第五節(jié)：卷積神經(jīng)網(wǎng)絡(luò)CNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標(biāo)分類與識(shí)別、目標(biāo)檢測(cè)與追蹤 AlexNet、VGGNet、GoogleLeNet Inception-V3/V4 ResNet、DenseNet |
|
代碼和案例實(shí)踐 數(shù)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(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
|
第六節(jié)：圖像視頻的定位與識(shí)別 視頻關(guān)鍵幀處理 物體檢測(cè)與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
|
代碼和案例實(shí)踐 遷移學(xué)習(xí) 人臉檢測(cè) OCR字體定位和識(shí)別 ?？妥R(shí)云 氣象識(shí)別 |
|
第七節(jié)：循環(huán)神經(jīng)網(wǎng)絡(luò)RNN RNN基本原理 LSTM、GRU Attention CNN+LSTM模型 Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 編碼器與解碼器結(jié)構(gòu) 特征提?。簑ord2vec Seq2seq模型 |
|
代碼和案例實(shí)踐 看圖說話 視頻理解 藏頭詩(shī)生成 問答對(duì)話系統(tǒng) OCR 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
|
第八節(jié)：生成對(duì)抗網(wǎng)絡(luò)GAN 生成與判別 生成模型：貝葉斯、HMM到深度生成模型 GAN對(duì)抗生成神經(jīng)網(wǎng)絡(luò) DCGAN Conditional GAN InfoGan Wasserstein GAN |
|
代碼和案例實(shí)踐 代碼和案例實(shí)踐 |
近期公開課推薦
