如今有大量的資源可以用來學習計算機視覺技術(shù)，那我們?nèi)绾螐谋姸嘟坛讨羞M行選擇呢？哪個值得我們?nèi)ネ度霑r間呢？如果你也遇到這些問題，那么恭喜你來對地方了。我們通過理解數(shù)百種資源來選擇值得你花費時間的資源－這就是我們首先推出本文的主要原因之一。去年，我們廣泛地專注于兩個技術(shù)的學習方法——機器學習和深度學習，但是我們的社區(qū)需要更細化的學習路徑——一個結(jié)構(gòu)化的計算機視覺學習路徑。
這是可以理解的，因為計算機視覺專家的需求和價值在業(yè)界遙遙領(lǐng)先。專門研究計算機視覺及其不同方面，你會看到大量招聘人員試圖接近你。我記得當我開始自己的計算機視覺之旅時，我同時參考了多種資源——書籍、文章（當時并不多）、YouTube視頻等等。因此，我很高興有機會為你整理這種結(jié)構(gòu)化的計算機視覺學習路徑。在開始學習之前，讓我們了解一下為簡化你的學習過程而構(gòu)建的框架。我們的計算機視覺學習路徑框架每個月都要有其對應(yīng)的學習結(jié)構(gòu)，這是我們對每個月需要了解的不同方面進行分類的方式：目標：這個月你會學到什么？關(guān)鍵要點是什么？你的計算機視覺之旅將如何進行？我們會在每個月初提及此問題，以確保你知道該月底的立場以及所處的位置建議時間：你每周平均應(yīng)在該部分上花費多少時間學習資源：該月你將學習的計算機視覺主題的頂級資源集合，其中包括文章，教程，視頻，研究論文和其他類似資源你可以在此處下載該學習路徑的相應(yīng)信息圖。https：／／discuss．a(chǎn)nalyticsvidhya．com／t／heres－your－learning－path－to－master－computer－vision－in－2020／87785在數(shù)據(jù)科學領(lǐng)域?qū)ふ移渌麑W習途徑？別擔心，我們?yōu)槟闾峁┝耍?020年成為數(shù)據(jù)科學家和掌握機器學習的學習之路https：／／www．a(chǎn)nalyticsvidhya．com／blog／2020／01／learning－path－data－scientist－machine－learning－20202020年掌握深度學習的學習道路https：／／www．a(chǎn)nalyticsvidhya．com／blog／2020／01／comprehensive－learning－path－deep－learning－2020自然語言處理（NLP）學習路徑https：／／www．a(chǎn)nalyticsvidhya．com／blog／2020／01／learning－path－nlp－2020第1個月 – 涵蓋基礎(chǔ)知識：Python與統(tǒng)計目標：到第一個月末，你將對什么是計算機視覺有基本的了解。你還將對Python和Statistics（計算機視覺之旅中的兩個核心主題）有一定的知識儲備。
建議時間：每周5－6小時
計算機視覺的介紹和動機：SAS計算機視覺教程：它是什么，它為什么重要：https：／／www．sas．com／en＿in／insights／analytics／computer－vision．html
OpenCV中文官方教程v4．1（可選）：http：／／woshicver．com
先決條件：
Python：Analytics Vidhya撰寫的Python課程https：／／courses．a(chǎn)nalyticsvidhya．com／courses／introduction－to－data－science統(tǒng)計：可汗學院的描述性統(tǒng)計https：／／www．khanacademy．org／math／engageny－alg－1／alg1－2第2個月 – 使用機器學習解決圖像分類問題目標：你將對機器學習有基本的了解。你應(yīng)該熟悉不同的圖像預(yù)處理技術(shù)，并能夠使用機器學習模型解決圖像分類問題。
建議時間：每周5－6小時
機器學習基礎(chǔ)：機器學習基礎(chǔ)https：／／www．a(chǎn)nalyticsvidhya．com／blog／2015／06／machine－learning－basics／sklearn中文官方教程0．22．1（可選）：http：／／sklearn123．com線性回歸https：／／www．a(chǎn)nalyticsvidhya．com／blog／2017／06／a－comprehensive－guide－for－linear－ridge－and－lasso－regression／邏輯回歸https：／／www．a(chǎn)nalyticsvidhya．com／blog／2015／10／basics－logistic－regression／斯坦福大學－機器學習的動機與應(yīng)用https：／／see．stanford．edu／Course／CS229／47斯坦福大學的“過擬合”和“過擬合”的概念https：／／see．stanford．edu／Course／CS229／42圖像預(yù)處理：從圖像中提取特征的3種技術(shù)https：／／www．a(chǎn)nalyticsvidhya．com／blog／2019／08／3－techniques－extract－features－from－image－data－machine－learning－python／HOG特征https：／／www．a(chǎn)nalyticsvidhya．com／blog／2019／09／feature－engineering－images－introduction－h(huán)og－feature－descriptor／SIFT特征https：／／www．a(chǎn)nalyticsvidhya．com／blog／2019／10／detailed－guide－powerful－sift－technique－image－matching－python／使用機器學習進行圖像分類：使用邏輯回歸進行圖像分類https：／／www．kaggle．com／gulsahdemiryurek／image－classification－with－logistic－regression使用Logistic回歸進行圖像分類https：／／mmlind．github．io／Using＿Logistic＿Regression＿to＿solve＿MNIST／項目：識別服裝https：／／datahack．a(chǎn)nalyticsvidhya．com／contest／practice－problem－identify－the－apparels／第三個月 – Keras和神經(jīng)網(wǎng)絡(luò)簡介目標：你將學習最常用的深度學習工具之一－Keras，你還將了解什么是神經(jīng)網(wǎng)絡(luò)以及它們?nèi)绾喂ぷ?，到三月底，你將能夠使用神?jīng)網(wǎng)絡(luò)解決圖像分類問題。
1234下一頁>（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
