1. 课程主页
2. 英文笔记
3. 中文笔记
4. 课程视频
5. 环境配置
6. 作业链接
7. 作业参考
8. 课程课件

• 线性代数
• 概率论
• 凸函数优化
• 随机梯度下降算法

• 机器学习中的数学基本知识
• 统计学习方法

大学数学课本（从故纸堆里翻出来^_^）

• Python复习
• PyTorch教程
• 廖雪峰python3教程
• github教程
• 深度学习的学习路线和开源深度学习课程
• mxnet/gluon 教程
• 我的知乎专栏和pytorch教程
• 官方pytorch教程和一个比较好的教程
• tensorflow教程

• assignment1
• assignment2

对于算法工程师，不同的人的认知角度都是不同的，我们通过下面三个知乎的高票回答帮助大家了解算法工程师到底需要做什么样的事，工业界需要什么样的能力

从今年校招来看，机器学习等算法岗位应届生超多，竞争激烈，未来 3-5 年机器学习相关就业会达到饱和吗?

秋招的 AI 岗位竞争激烈吗?

论算法工程师首先是个工程师之深度学习在排序应用踩坑总结

注意: 我们提供了免费的云环境配置文字教程和视频教程，如果大家不想自己配置本地环境，可以使用colab云平台!!!

Colab使用系列：Colab基础教程，Colab之GPU，Colab作业完整部署

作业提交的具体操作流程: CV作业提交详解

训练营的作业自检系统已经正式上线啦！只需将作业发送到训练营公共邮箱即可，知识圈以打卡为主，不用提交作业。以下为注意事项:
<0> 训练营代码公共邮箱：[email protected]

<1> 查询自己成绩
CV一期训练营
CV二期训练营
CV三期训练营

CV四期训练营

<2> 先将完成的作业改名为“训练营期数-学号-作业编号”，例如："一期-CV0001-assignment1"，然后压缩成 zip 文件，zip 文件名也为"训练营期数-学号-作业编号.zip"，例如: "一期-CV0001-assignment1.zip"，务必确保学号填写正确

<3> 在提交作业之前需要删掉下载的数据，上传的 zip 文件大小不要超过 20M

<4> 注意不要改变作业中的《类名》和 《函数名》不然会检测失败！！

每周具体时间划分为4个部分：

• 1部分安排在周一到周二
• 2部分安排在周四到周五
• 3部分安排在周日
• 4部分作业是任何有空的时间自行完成，可以落后于学习进度
• 周三和周六休息 ^_^

1. 了解计算机视觉综述，历史背景和课程大纲

• slides: lecture01
• 观看视频 p1, p2 和 p3

2. 学习数据驱动的方法, 理解 KNN 算法，初步学习线性分类器

• slides: lecture02
• 观看视频 p4 p5 和 p6
• 学习 图像分类笔记上
• 学习 图像分类笔记下
• 学习 线性分类笔记上

3. 掌握本门课 python 编程的基本功

• 阅读 python 和 numpy 教程和代码

4. 作业

• (热身)写一个矩阵的类，实现矩阵乘法，只能使用 python 的类(class)和列表(list)
• 完成assignment1 中的 knn.ipynb
• 作业详解：knn.md

1. 深入理解线性分类器的原理

• slides: lecture03
• 观看视频 p7
• 学习线性分类笔记中
• 学习线性分类笔记下

2. 学习损失函数以及梯度下降的相关知识

• slides: lecture03
• 观看视频 p8
• 学习最优化笔记

3. 掌握矩阵求导的基本方法

• 根据资料，学习矩阵求导的基本技巧，看多少内容取决于个人需要

4. 作业

• 简述 KNN 和线性分类器的优劣, 打卡上传知知识圈
• 完成assignment1 中 svm.ipynb
• 作业详解：svm.md

1. 学习掌握深度学习的基石: 反向传播算法

• slides: lecture04
• 观看视频 p9
• 学习反向传播算法的笔记

2. 理解神经网络的结构和原理

• slides: lecture04
• 观看视频 p10

3. 深入理解反向传播算法

• 阅读反向传播算法的数学补充和例子

4. 作业

• 完成 assignment1 中的 softmax.ipynb
• 完成 assignment1 中的 two_layer_net.ipynb
• 作业详解1：Softmax.md
• 作业详解2：two_layer_net.md

1. 掌握 PyTorch 中的基本操作

• 学习 pytorch 的入门基础

2. 了解 kaggle 比赛的流程，并完成第一次的成绩提交

• 了解比赛房价预测
• 学习模板代码

3. 学习深度学习的系统项目模板

4. 作业

• 完成 assignment1 中的 features.ipynb
• 修改房价预测的代码，在知识圈上提交 kaggle 的成绩
• 作业详解：features.md

1. 理解 CNN 中的卷积

• slides: lecture05
• 观看视频 p11, p12

2. 理解 CNN 中的 pooling

• slides: lecture05
• 观看视频 p13
• 学习卷积神经网络笔记

3. 完成 CNN 的第一个应用练习，人脸关键点检测

• 阅读 facial keypoint 小项目
• 参考代码

4. 作业

• 思考一下卷积神经网络对比传统神经网络的优势在哪里？为什么更适合处理图像问题，知识圈打卡上传
• 完成 assignment2 中 FullyConnectedNets.ipynb
• 作业详解：FullyConnectedNets1.md
• 作业详解：FullyConnectedNets2.md

1. 理解激活函数，权重初始化，batchnorm 对网络训练的影响

• slides: lecture06
• 观看视频 p14
• 学习神经网络笔记1

2. 深入理解 BatchNormalization

• slides: lecture06
• 观看视频 p15
• 学习神经网络笔记2

3. 总结回顾和理解深度学习中 normalize 的技巧

• 阅读文章 深度学习中的 normalization 方法

4. 作业

• 完成 assignment2 中 BatchNormalization.ipynb
• 完成 assignment2 中 Dropout.ipynb
• 作业详解：BatchNormalization.md
• 作业详解：Dropout.md

1. 理解更 fancy 的优化方法，更多的 normalize 以及正则化和迁移学习对网络训练的影响

• slides: lecture07
• 观看视频 p16, p17 和 p18
• 学习神经网络笔记3

2. 了解第二次的 kaggle 比赛 cifar10 分类

• 报名 cifar10 比赛
• 学习模板代码

3. 全面的理解深度学习中的优化算法

• 阅读优化算法的笔记

4. 作业

• 完成 assignment2 中 ConvolutionNetworks.ipynb
• 修改 cifar10 的网络结构，在知识圈上提交 kaggle 成绩
• 作业详解：ConvolutionNetworks

1. 了解主流深度学习框架之间的区别与联系

• slides: lecture08
• 观看视频 p19

2. 了解经典的网络结构

• slides: lecture09
• 观看视频 p20

3. 理解卷积神经网络的最新进展

• 学习笔记变形卷积核、可分离卷积？卷积神经网络中十大拍案叫绝的操作

4. 作业

• 完成 assignment2 中的 PyTorch.ipynb
• 学习模板代码, 尝试更大的网络结构完成 kaggle 比赛种子类型识别的比赛，在知识圈上提交 kaggle 成绩

1. 掌握 RNN 和 LSTM 的基本知识

• slides: lecture10
• 观看视频 p21

2. 了解语言模型和 image caption 的基本方法

• slides: lecture10
• 观看视频 p22 和 p23

3. 更深入的理解循环神经网络的内部原理

• 学习blog Understanding LSTM Networks, 中文版本

4. 作业

• 完成 assignment3 中的 RNN_Captioning.ipynb
• 完成 assignment3 中的 LSTM_Captioning.ipynb
• 完成 coco 数据集上的 image caption 小项目，参考代码

1. 学习计算机视觉中的语义分割问题

• slides: lecture11
• 观看视频 p24

2. 学习计算机视觉中的目标检测问题

• slides: lecture11
• 观看视频 p25 和 p26

3. 了解目标检测中的常见算法

• 学习目标检测的笔记

4. 作业

• 阅读论文 Fully Convolutional Networks for Semantic Segmentation 和中文笔记
• (可选) FCN 的复现代码理解

1. 理解卷积背后的原理

• slides: lecture13
• 观看视频 p27

2. 学习 deep dream 和 风格迁移等有趣应用

• slides: lecture13
• 观看视频 p28

3. 了解无监督学习和生成模型

• slides: lecture12
• 观看视频 p29

4. 作业

• 完成 assignment3 中的 NetworkVisualization-PyTorch.ipynb
• 阅读论文 SSD: Single Shot MultiBox Detector 和一个详细的讲解
• (可选) SSD 的复现代码理解

1. 掌握自动编码器和生成对抗网络的基本原理

• slides: lecture12
• 观看视频 p30 和 p31

2. 了解强化学习的基本概念

• slides: lecture14
• 观看视频 p32

3. 学习强化学习中的 q learning 和 actor-critic 算法

• slides: lecture14
• 观看视频 p33

4. 作业

• 完成 assignment3 中的 GANs-PyTorch.ipynb
• 完成 assignment3 中的 StyleTransfer-PyTorch.ipynb