無意中看到舉辦的深度學習與計算機視覺的課程培訓，看到培訓的內容，很是感興趣，有種把之前零散學習到的東西進行了一次總結。因此我想根據培訓課程的目錄把我之前的學習的一些內容以及個人經驗進行一次全面的總結，也當做一次複習吧！
　 　 深度學習是近十年來人工智慧領域取得的重要突破。它在計算機視覺、影象與視訊分析、語音識別、自然語言處理、多媒體等諸多領域的應用跨入高速發展期。對行業從業人員的技術要求也在日益增加，同時面臨前所未有的機遇與挑戰。
　 　 計算機視覺是深度學習具有潛力的應用領域，深度學習讓計算機視覺如虎添翼。谷歌以及與其合作的斯坦福大學、愛丁堡大學、UCLA、牛津大學、約翰霍普金斯大學的論文都使用了深度學習，深度學習幾乎成了如今計算機視覺研究的標配，隨著深度學習發展，計算機視覺領域相關技術大幅提高，針對於人臉識別、車牌識別、行人檢測、大規模場景識別的準確性和難度也在大幅提高，為了幫助提高廣大從業人員的技術水平，快速解決實際科研中遇到的問題，應廣大技術工作者的要求
　 　 學習目錄如下：

• 一、機器學習基礎

  　 1.線性代數
  　 　 (1).矩陣運算
  　 　 (2).向量運算
  　 　 (3).SVD
  　 　 (4).PCA
  　 2.概率資訊理論
  　 　 (1).概率分佈
  　 　 (2).期望、方差、協方差
  　 　 (3). 貝葉斯
  　 　 (4).結構概率模型
  　 3.數值優化

• 二、 深度學習基礎

  　 1.深度學習介紹
  　 　 (1).發展歷史
  　 　 (2).主要應用
  　 2.感知器
  　 3.人工神經網路
  　 4.前饋神經網路
  　 5.BP 演算法
  　 6.Hessian 矩陣

• 三、 深度學習進階 — 卷積神經 網路

  　 1.CNN 卷積神經網路
  　 　 (1).卷積層（一維卷積、二維卷積）
  　 　 (2).池化層（均值池化、最大池化）
  　 　 (3). 全連線層
  　 　 (4).啟用函式層
  　 2.CNN 卷積神經網路改進
  　 　 (1).R-CNN
  　 　 (2).Fast-R-CNN
  　 　 (3).Faster-R-CNN 與影象分類實踐
  　 　 (4).例項應用：CNN 與手寫數字集分類

• 四 、 深度學習進階 – 迴圈神經網路

  　 1. RNN 迴圈神經網路
  　 　 (1).梯度計算
  　 　 (2).BPTT
  　 2.RNN 迴圈神經網路改進
  　 　 (1).LSTM
  　 　 (2).GRU
  　 　 (3).Bi-RNN
  　 　 (4).Attention based RNN
  　 3.深度學習的實戰方法
  　 4.深度學習的概率學模型

• 五、 Caffe 應用與計算機視覺應用 I

  　 1.Caffe 應用
  　 　 (1).Caffe 介紹、安裝和配置、Caffe 的優點與侷限性
  　 　 (2).Caffe 原始碼介紹，Caffe 目錄結構，資料結構
  　 　 (3).Caffe 模型(Blob,Layer,Net) ,Layer 的五種型
  　 　 (4).Caffe 的執行流程、Protocal Buffer 介紹、優化求解過程 Solver
  　 2.計算機視覺應用 I
  　 　 (1). LeNet 與 MNIST 手寫數字集識別例項
  　 　 (2). OCR 文字識別應用例項

• 六、計算機視覺應用 II

  　 1.車牌識別應用例項
  　 2.使用深度學習的人臉識別應用例項
  　 3.使用深度學習做行人檢測訓練與識別應用例項
  　 4.使用深度學習實踐 ImageNet 資料集影象分類應用例項