写在前面
整理了走CV这条路的一些干货,有我学习过的,也有我没学习过的,打算后面遇到了好的资源或者资料就更新过来,方便自己保存后面看,也可以提供给其他人一同学习,资料连接我都放出来了,数学那部分我把pdf放在云盘里面了,更详细可以去我的GitHub上看。
单纯就是想分享技术博文,还想说一句就是,如果觉得有用,请点个关注、给个赞吧,也算对我来说是个宽慰,毕竟也得掉不少头发,嘿嘿嘿
数学–高等数学
- 数学基础:高等数学
- 高等数学知识集合
- 高等数学 第七版(上册)
- 高等数学 第七版(下册)
数学–线性代数
- 数学基础:线性代数
- 线性代数课件(完整版)同济大学
- 矩阵分析引论罗家洪(第四版)
数学–概率论
- 数学基础:概率论与数理统计
- 概率论与数理统计公式整理(超全免费版)PDF
- 概率论与数理统计讲义
- 概率论与数理统计课件(PPT)
数学–凸优化
- 凸优化_Boyd_王书宁译
- ConvexOptimization_Boyd_slides
- Convex Optimization_Solutions
- 凸优化知识点整理
- Ch1-2 引言
- Ch3 凸函数
- Ch4 凸优化问题
- Ch5 对偶问题
- Ch6 逼近与拟合
- Ch7 统计估计
- Ch8 几何问题
- Ch9 无约束优化
- Ch10 等式约束优化
- Ch11 内点法
- 凸优化重点整理&总结
机器学习基础–数学过渡
- 统计学习方法
- 周志华-机器学习(西瓜书) 书中公式推导
- 斯坦福大学机器学习数学基础
深度学习
- 深度学习入门300页ppt
- 神经网络与深度学习
- 神经网络与深度学习 - 复旦邱锡鹏
- 《深度学习》 – 花书
- 《深度学习 500 问》
计算机视觉
- 《Computer Vision:Models, Learning and Inference》
- 《Computer Vision:Algorithms and Applications》
- 《OpenCV3编程入门》
理论实战
- 《Scikit-Learn 与 TensorFlow 机器学习实用指南》
网络课程
机器学习
这绝对是机器学习入门的首选课程,没有之一!即便你没有扎实的机器学习所需的扎实的概率论、线性代数等数学基础,也能轻松上手这门机器学习入门课,并体会到机器学习的无穷趣味。网易云课堂搬运了这门课,并由黄海广等人翻译了中文字幕。该课程有中文笔记以及作业代码。
吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似,但是有更多的数学要求和公式的推导,难度稍难一些。该课程对机器学习和统计模式识别进行了广泛的介绍。
台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面,基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣,总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些,侧重于机器学习理论知识。
《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法,包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》,具有很强的实用性。
深度学习
在吴恩达开设了机器学习课程之后,发布的《Deep Learning》课程也备受好评,吴恩达老师的课程最大的特点就是将知识循序渐进的传授给你,是入门学习不可多得良好视频资料。整个专题共包括五门课程:01.神经网络和深度学习;02.改善深层神经网络-超参数调试、正则化以及优化;03.结构化机器学习项目;04.卷积神经网络;05.序列模型。
说到深度学习的公开课,与吴恩达《Deep Learning》并驾齐驱的另一门公开课便是由 Fast.ai 出品的《程序员深度学习实战》。这门课最大的特点便是“自上而下”而不是“自下而上”,是绝佳的通过实战学习深度学习的课程。
强化学习
与吴恩达的课程对于机器学习和深度学习初学者的意义相同,David Silver 的这门课程绝对是大多数人学习强化学习必选的课程。课程从浅到深,把强化学习的内容娓娓道来,极其详尽。不过由于强化学习本身的难度,听讲这门课还是有一定的门槛,建议还是在大致了解这个领域之后观看该视频学习效果更佳,更容易找到学习的重点。
David Silver 的课程虽然内容详尽,但前沿的很多内容都没有被包括在内,这时,台大李宏毅的《深度强化学习》就是学习前沿动态的不二之选。
计算机视觉
- Stanford CS223B
比较适合基础,适合刚刚入门的同学,跟深度学习的结合相对来说会少一点,不会整门课讲深度学习,而是主要讲计算机视觉,方方面面都会讲到
-
东北大学 魏颖教授的图像处理课程笔记
-
网易云课堂《Opencv计算机视觉实战》的学习笔记
- 计算机视觉实战 (一) 开个视觉实战专栏
- 计算机视觉实战(二)图像基本操作
- 计算机视觉实战(三)阈值与平滑处理
- 计算机视觉实战(四)图像形态学操作
- 计算机视觉实战(五)图像梯度计算
- 计算机视觉实战(六)边缘检测
- 计算机视觉实战(七)图像金字塔与轮廓检测
- 计算机视觉实战(八)直方图与傅里叶变换
- 计算机视觉实战(九)信用卡数字识别项目(附完整代码)
- 计算机视觉实战(十)图像特征harris角点检测(附完整代码)
- 计算机视觉实战(十一)Scale Invariant Feature Transform(SIFT)(附完整代码)
- 计算机视觉实战(十二)全景图像拼接(附完整代码)
- 计算机视觉实战(十三)停车场车位识别(附完整代码)
- 计算机视觉实战(十四)答题卡识别 (附完整代码)
- 计算机视觉实战(十五)背景建模 (附完整代码)
- 计算机视觉实战(十六)光流估计 (附完整代码)
- 计算机视觉实战(十七)OpenCV的DNN模型 (附完整代码)
论文
-
Deep Learning Papers 阅读路线 地址
-
吴恩达在Deep Learning课程中提到的论文
-
Papers with Code Papers with Code(Browse state-of-the-art)
-
Deep Learning Object Detection 地址
目标检测(Object Detection)是深度学习 CV 领域的一个核心研究领域和重要分支。纵观 2013 年到 2019 年,从最早的 R-CNN、Fast R-CNN 到后来的 YOLO v2、YOLO v3 再到今年的 M2Det,新模型层出不穷,性能也越来越好!
- Arxiv Stats Arxiv 机器学习最新论文检索主页地址
参考文档及工具
比赛是提升自己机器学习实战能力的最有效的方式,首选 Kaggle 比赛。
Scikit-Learn 作为机器学习一个非常全面的库,是一份不可多得的实战编程手册。
这款神器只要截个图,公式会自动转化为 LaTex 表达式,我们只需要简单地修改就行了。
Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件,如今已被广泛使用。此篇使用说明主要分享引用研究资源功能,其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。
项目
会议
-
NeurIPS:https://nips.cc/
-
ICML:https://icml.cc/
-
ICLR:https://iclr.cc/
-
AAAI:https://aaai.org/Conferences/AAAI-19/
-
IJCAI:https://www.ijcai.org/
-
UAI:http://www.auai.org/uai2019/index.php
-
CVPR:http://cvpr2019.thecvf.com/
-
ECCV:https://eccv2018.org/program/main-conference/
-
ICCV:http://iccv2019.thecvf.com/