AI 显然是最近几年非常火的一个新技术方向，从几年前大家认识到 AI 的能力，到现在产业里已经在普遍的探讨 AI 如何落地了。
我们可以预言未来在很多的领域，很多的行业，AI 都会在里边起到重要的作用。目前在商业中有所应用，而且能够创收的只有搜索推荐和计算机视觉，因此，这两个方向的人力缺口很大。因工作需要，年初花了4个月左右时间学习了机器学习、神经网络相关的知识，工作日每天大概学习4-6个小时，周末每天大概10个小时，工作中的需求应对也得心应手了。想快速入门的话，从自己的经验看，可以先不看高等数学和线性代数，因为机器学习和深度学习中涉及的相关知识并不多。视觉的知识部分建议分成两部分学习，第一部分传统图像处理，第二部分基于深度学习的图像处理。然而我发现实际上几乎80%的CV的从业者都没有从头至尾深入的学习图像处理方面的知识。现在有了深度学习，不需要人为提取特征了，所以很多人不再关注图像底层的信息，而是直接越过这个根基去搭建模型，我觉得这是一个误区。不同领域的图像，例如OCT、MR、遥感、自然图像等等，有着巨大的特征差异，对这些特征差异性都不了解，怎么在搭建模型之后对精度进行提升和改进呢?怎么在原来模型的基础上做一些改变呢?因此，我认为好好学习一下图像预处理、后处理的知识对CV有着至关重要的作用，例如图像去噪、分割、增强、增广等等。
学习心态：早就是优势，早学早受益!
然而网上很多教程也比较碎片，鉴于此，整理一条学习路线，跟着这个路线重新去梳理一下你的学习计划，相信计算机视觉水平一定会有质的提升。
第一章：机器学习与计算机视觉
计算机视觉简介
技术背景
- 了解人工智能方向、热点
计算机视觉简介
- cv简介
- cv技能树构建
- 应用领域
机器学习的数学基础
- 线性与非线性变换
- 概率学基础
- 熵
- kl散度
- 梯度下降法
计算机视觉与机器学习基础
图像和视频
- 图像的取样与量化
- 滤波
- 直方图
- 上采样
- 下采样
- 卷积
- 直方图均衡化算法
- 最近邻差值
- 单/双线性差值
特征选择与特征提取
- 特征选择方法
- filter等
- 特征提取方法：PCA、LDA、SVD等
边缘提取
- Canny
- Roberts
- Sobel
- Prewitt
- Hessian特征
- Haar特征
相机模型
- 小孔成像模型
- 相机模型
- 镜头畸变
- 透视变换
计算机视觉与机器学习进阶
聚类算法
- kmeans
- 层次聚类
- 密度聚类
- 谱聚类
坐标变换与视觉测量
- 左右手坐标系及转换
- 万向锁
- 旋转矩阵
- 四元数
三维计算机视觉
- 立体视觉
- 多视几何
- SIFT算法
三维计算机视觉与点云模型
- PCL点云模型
- spin image
- 三维重构
- SFM算法
图像滤波器
- 直通滤波
- 体素滤波
- 双边滤波器
- 条件滤波
- 半径滤波
- 图像增加噪声与降噪
OpenCV详解
OpenCV算法解析
- 线性拟合
- 最小二乘法
- RANSAC算法
- 哈希算法
- DCT算法
- 汉明距离
- 图像相似度
第二章：深度学习与计算机视觉
神经网络
深度学习与神经网络
深度学习简介
- 基本的深度学习架构
- 神经元
- 激活函数详解(sigmoid、tanh、relu等)
- 感性认识隐藏层
- 如何定义网络层
- 损失函数
推理和训练
- 神经网络的推理和训练
- bp算法详解
- 归一化
- Batch Normalization详解
- 解决过拟合
- dropout
- softmax
- 手推神经网络的训练过程
从零开始训练神经网络
- 使用python从零开始实现神经网络训练
- 构建神经网络的经验总结
深度学习开源框架
- pytorch
- tensorflow
- caffe
- mxnet
- keras
- 优化器详解(GD,SGD,RMSprop等
最后免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLP、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。
下面是部分截图，点击文末名片关注我的公众号【AI技术星球】发送暗号 321 领取
目录
一、人工智能免费视频课程和项目
二、人工智能必读书籍
三、人工智能论文合集
四、机器学习+计算机视觉基础算法教程
五、深度学习机器学习速查表（共26张）
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。