计算机视觉
助教微信
udacity公众号
Nanodegree key: nd891-cn
Version: 6.0.0
Locale: zh-cn
掌握机器人及自动化的前沿技术，应用深度学习模型来进行图像分析、特征提取、物体识别等项目。
Content
Part 01 : 学习社群和学前必知
- Module 01: DLCV 学习服务说明
- Lesson 01: 学习社群和服务说明第一时间加入本课程学员交流群，了解本纳米学位提供的服务内容，更高效地完成课程。
- Concept 01: 加入学习交流群
- Concept 02: 本课程服务概览
- Concept 03: 值得关注的教室新功能
- Lesson 01: 学习社群和服务说明第一时间加入本课程学员交流群，了解本纳米学位提供的服务内容，更高效地完成课程。
Module 02: 基本教程
- Lesson 01: 教室使用指南通过本节学习，你将了解如何更好的使用教室，以及教室的所有功能。
- Concept 01: 认识你的教室
- Concept 02: 登录与收藏教室
- Concept 03: 教室首页
- Concept 04: 设置页面
- Concept 05: 测试：如何正确填写姓名
- Concept 06: 纳米学位项目
- Concept 07: 课程目录和章节
- Concept 08: 项目提交指引
- Concept 09: 发送课程反馈
- Concept 10: 优达论坛
- Lesson 02: 课程注意事项通过本节学习，你将了解课程的服务内容、有效期、毕业要求等注意事项。
- Lesson 01: 教室使用指南通过本节学习，你将了解如何更好的使用教室，以及教室的所有功能。
Module 01: Module
- Lesson 01: 欢迎学习计算机视觉课程欢迎学习计算机视觉纳米学位课程！
- Concept 01: 欢迎学习计算机视觉纳米学位课程
- Concept 02: 计算机视觉行业应用
- Concept 03: 项目和主题
- Concept 04: 与行业领军者合作
- Concept 05: 开始学习！
- Lesson 02: 图像表示法和分类了解如何以数字方式表示图像并实施图像处理技巧，例如颜色遮罩和二元分类。
- Concept 01: 模式识别简介
- Concept 02: 情感智力
- Concept 03: 计算机视觉管道
- Concept 04: 训练模型
- Concept 05: 划分数据
- Concept 06: AffdexMe 演示
- Concept 07: 图像形成
- Concept 08: 作为网格像素的图像
- Concept 09: Notebook: 作为数字数据的图像
- Concept 10: 颜色图像
- Concept 11: 颜色或灰度？
- Concept 12: Notebook: 可视化 RGB 通道
- Concept 13: 颜色阈值
- Concept 14: 编写蓝色屏幕
- Concept 15: Notebook：蓝色屏幕
- Concept 16: Notebook：绿色屏幕
- Concept 17: 颜色空间和转换
- Concept 18: Notebook：颜色转换
- Concept 19: 昼夜分类挑战
- Concept 20: Notebook: 加载和可视化数据
- Concept 21: 标签数据和准确性
- Concept 22: 显著特征
- Concept 23: 特征
- Concept 24: 标准化输出
- Concept 25: Notebook：标准化白天和夜晚图像
- Concept 26: 平均亮度
- Concept 27: Notebook: 平均亮度特征提取
- Concept 28: 分类
- Concept 29: Notebook: 分类
- Concept 30: 评估指标
- Concept 31: Notebook: 准确性和错误分类
- Concept 32: 复习和计算机视觉管道
- Lesson 03: 卷积过滤器和边缘检测学习图像中的频率并实现你自己的图像过滤器，用于检测图像中的边缘和形状。使用计算机视觉进行脸部检测。
- Concept 01: 过滤和查找边缘
- Concept 02: 图像中的频率
- Concept 03: Notebook：傅里叶变换
- Concept 04: 练习：傅里叶变换
- Concept 05: 高通滤波器
- Concept 06: 练习：核
- Concept 07: 创建过滤器
- Concept 08: 梯度和索贝尔过滤器
- Concept 09: Notebook：寻找边缘
- Concept 10: 低通过滤器
- Concept 11: 高斯模糊
- Concept 12: Notebook：高斯模糊
- Concept 13: Notebook：过滤器的傅里叶变换
- Concept 14: 卷积层
- Concept 15: Canny 边缘检测器
- Concept 16: Notebook：Canny 边缘检测
- Concept 17: 形状检测
- Concept 18: 霍夫变换
- Concept 19: 练习：霍夫空间
- Concept 20: 霍夫线检测
- Concept 21: Notebook：霍夫检测
- Concept 22: 对象识别和哈尔特征简介
- Concept 23: 哈尔特征
- Concept 24: Notebook：哈尔特征脸部检测
- Concept 25: 脸部识别和偏差风险
- Concept 26: 除了边缘之外，选择其他特征
- Lesson 04: 特征类型和图像分割开发角点检测器，并学习 k 均值聚类等技巧以将图像分割为独特的部分。
- Concept 01: 特征类型
- Concept 02: 角点检测器
- Concept 03: Notebook：查找角点
- Concept 04: 膨胀和腐蚀
- Concept 05: 图像分割
- Concept 06: 图像轮廓
- Concept 07: Notebook：查找轮廓和特征
- Concept 08: 解决方案：查找轮廓和特征
- Concept 09: K 均值聚类
- Concept 10: K 均值实现
- Concept 11: Notebook：K 均值聚类
- Lesson 05: 特征向量学习如何使用特征向量描述对象和图像。
- Concept 01: 角点和对象检测
- Concept 02: 特征向量
- Concept 03: 实时特征检测
- Concept 04: ORB 简介
- Concept 05: FAST
- Concept 06: 练习：FAST 关键点
- Concept 07: BRIEF
- Concept 08: 缩放和旋转不变性
- Concept 09: Notebook：图像金字塔
- Concept 10: 特征匹配
- Concept 11: 视频中的 ORB
- Concept 12: Notebook：实施 ORB
- Concept 13: HOG
- Concept 14: Notebook：实施 HOG
- Concept 15: 学习查找特征
- Lesson 06: CNN 层级和特征可视化定义并训练你自己的服饰识别卷积神经网络。使用特征可视化技巧了解网络学习的规律。
- Concept 01: CNN 层级简介
- Concept 02: 复习：训练神经网络
- Concept 03: 课程大纲和数据
- Concept 04: CNN 架构，VGG-16
- Concept 05: 卷积层
- Concept 06: 在 PyTorch 中定义层级
- Concept 07: Notebook：可视化卷积层
- Concept 08: 池化，VGG-16 架构
- Concept 09: 池化层
- Concept 10: Notebook：可视化池化层
- Concept 11: 全连接层，VGG-16
- Concept 12: Notebook：可视化 FashionMNIST
- Concept 13: 在 PyTorch 中训练
- Concept 14: 特征可视化
- Concept 15: Notebook：Fashion MNIST 训练练习
- Concept 16: Notebook：FashionMNIST，解决方案 1
- Concept 17: 复习：丢弃
- Concept 18: Notebook：FashionMNIST，解决方案 2
- Concept 19: 网络结构
- Concept 20: 特征图
- Concept 21: 首个卷积层
- Concept 22: 可视化 CNN（第 2 部分）
- Concept 23: 可视化激活函数
- Concept 24: Notebook：FashionMNIST 特征可视化
- Concept 25: 最终特征向量和 t-SNE
- Concept 26: 遮挡、显著性和导向反向传播
- Concept 27: 特征可视化总结
- Concept 28: 图像分类和递归挑战
- Lesson 07: 癌症检测深度学习在本课中，听 Sebastian Thrun 介绍他用卷积神经网络检测皮肤癌的开创性工作。
- Concept 01: 介绍
- Concept 02: 皮肤癌
- Concept 03: 皮肤癌生存概率
- Concept 04: 医学分类
- Concept 05: 数据
- Concept 06: 图像挑战
- Concept 07: 练习：数据挑战
- Concept 08: 参考答案：数据挑战
- Concept 09: 训练神经网络
- Concept 10: 练习：随机权重与预初始化权重
- Concept 11: 参考答案：随机权重与预初始化权重
- Concept 12: 训练验证
- Concept 13: 练习：敏感性与特异性
- Concept 14: 参考答案：敏感性与特异性
- Concept 15: 敏感性与特异性进一步介绍
- Concept 16: 练习：癌症诊断
- Concept 17: 参考答案：癌症诊断
- Concept 18: ROC 曲线回顾
- Concept 19: 练习：ROC 曲线
- Concept 20: 参考答案：ROC 曲线
- Concept 21: 将我们的结果与医生诊断结果相比较
- Concept 22: 可视化
- Concept 23: 神经网络关注的是什么
- Concept 24: 混淆矩阵回顾
- Concept 25: 混淆矩阵
- Concept 26: 总结
- Concept 27: 有用资源
- Concept 28: 小项目介绍
- Concept 29: 小项目：皮肤科医生的人工智能
- Lesson 08: 项目：脸部关键点检测运用图像处理和深度学习知识创建一个脸部关键点（眼睛、嘴巴等）检测 CNN。Project Description - 人脸关键点检测Project Rubric - 人脸关键点检测
- Lesson 01: 欢迎学习计算机视觉课程欢迎学习计算机视觉纳米学位课程！
Module 01: 选修：云计算
- Lesson 01: 用 Google Cloud 进行云计算学习如何利用 Google Cloud 上的 GPU 进行机器学习和科学计算。
- Concept 01: 概述
- Concept 02: 登录并兑换积分
- Concept 03: 创建项目
- Concept 04: 访问 GPU
- Concept 05: 定义配额
- Concept 06: gcloud 命令行工具
- Concept 07: 启动实例
- Concept 08: 登录实例
- Concept 09: [重要事项]关闭实例
- Lesson 02: 选修：用 AWS 进行云计算利用亚马逊的 GPU 更快速地训练神经网络。在这节课，你将学习如何设置 AWS 实例并用 GPU 训练神经网络。
- Lesson 01: 用 Google Cloud 进行云计算学习如何利用 Google Cloud 上的 GPU 进行机器学习和科学计算。
Module 01: Advanced Computer Vision and Deep Learning
- Lesson 01: 高级 CNN 架构了解高级 CNN 架构并了解基于区域的 CNN（例如 Faster R-CNN）如何快速定位并识别图像中的对象。
- Concept 01: CNN 和场景理解
- Concept 02: 不止分类
- Concept 03: 分类和定位
- Concept 04: 边界框和递归
- Concept 05: 练习：损失值
- Concept 06: 区域建议
- Concept 07: R-CNN
- Concept 08: Fast R-CNN
- Concept 09: Faster R-CNN
- Concept 10: 包含/不含建议的检测
- Lesson 02: YOLO了解 YOLO (You Only Look Once) 多对象检测模型，并实现 YOLO 算法。
- Concept 01: YOLO 简介
- Concept 02: YOLO 输出
- Concept 03: 滑动窗口，重新访问
- Concept 04: CNN 与滑动窗口
- Concept 05: 使用网格
- Concept 06: 用网格训练
- Concept 07: 生成边界框
- Concept 08: 练习：生成边界框和检测对象
- Concept 09: 太多边界框
- Concept 10: 交并比 (IoU)
- Concept 11: 练习：IoU 和重叠限制
- Concept 12: 非最大值抑制
- Concept 13: 锚点框
- Concept 14: YOLO 算法
- Concept 15: Notebook：YOLO 实现
- Lesson 03: RNN学习如何使用递归神经网络 (RNN) 使深度学习网络具有记忆。了解 RNN 如何从有序数据中学习规律并生成有序数据。
- Concept 01: 计算机视觉中的 RNN
- Concept 02: 循环神经网络简介
- Concept 03: 循环神经网络历史
- Concept 04: 循环神经网络的应用
- Concept 05: 前馈神经网络：提醒
- Concept 06: 前馈过程
- Concept 07: 前馈练习
- Concept 08: 反向传播算法：理论
- Concept 09: 反向传播算法：示例(第一部分)
- Concept 10: 反向传播算法：示例(第二部分)
- Concept 11: 反向传播算法练习
- Concept 12: 循环神经网络(第一部分)
- Concept 13: 循环神经网络(第二部分)
- Concept 14: 循环神经网络：展开模型
- Concept 15: 展开模型练习
- Concept 16: 循环神经网络：示例
- Concept 17: 基于时间的反向传播算法 （第一部分）
- Concept 18: 基于时间的反向传播算法（第二部分）
- Concept 19: 基于时间的反向传播算法（第三部分）
- Concept 20: 基于时间的反向传播算法练习 1
- Concept 21: 基于时间的反向传播算法练习 2
- Concept 22: 基于时间的反向传播算法练习3
- Concept 23: 更多数学知识
- Concept 24: 循环神经网络总结
- Concept 25: 从循环神经网络到长短期记忆网络
- Concept 26: 小结
- Lesson 04: 长短期记忆网络 (LSTM)Luis 介绍了长短期记忆网络 (LSTM) 以及有助于保留长期记忆的类似架构。
- Concept 01: LSTM 介绍
- Concept 02: RNN vs LSTM
- Concept 03: LSTM 基础
- Concept 04: LSTM 的架构
- Concept 06: 学习门
- Concept 07: 遗忘门
- Concept 08: 记忆门
- Concept 09: 应用门
- Concept 10: 组合在一起
- Concept 11: 练习
- Concept 12: Notebook：词性标注 LSTM
- Concept 13: 字符级 RNN
- Concept 14: 序列批处理
- Concept 15: Notebook：字符级 LSTM
- Concept 16: 其他架构
- Lesson 05: 超参数了解用于定义和训练深度学习模型的不同超参数。 我们将讨论调整每个超参数的起始值。
- Concept 01: 讲师简介
- Concept 02: 简介
- Concept 03: 学习率简介
- Concept 04: 学习率
- Concept 05: Minibatch 大小
- Concept 06: 训练迭代 / Epoch 的次数
- Concept 07: 隐藏单元/层的数量
- Concept 08: RNN 超参数
- Concept 09: RNN 超参数
- Concept 10: 资源和参考
- Lesson 06: 深度学习注意力机制注意力是近期深度学习的最重要创新技术之一。在此部分，你将学习注意力模型的原理并完成基本的代码实现过程。
- Concept 01: 注意力简介
- Concept 02: 编码器和解码器
- Concept 03: 选修：文本情感分析
- Concept 04: 序列到序列小结
- Concept 05: 编码 — 注意力概述
- Concept 06: 解码 — 注意力概述
- Concept 07: 注意力概述
- Concept 08: 注意力编码器
- Concept 09: 注意力解码器
- Concept 10: 注意力编码器和解码器
- Concept 11: Bahdanau 注意力与 Luong 注意力
- Concept 12: 乘法注意力
- Concept 13: 加法注意力
- Concept 14: 加法和乘法注意力
- Concept 15: 计算机视觉应用
- Concept 16: 其他注意力方法
- Concept 17: Transformer 和自注意力
- Concept 18: Notebook：注意力基础知识
- Concept 19: [解决方案]：注意力基础知识
- Concept 20: 小结
- Lesson 07: 图像说明学习如何结合 CNN 和 RNN 构建复杂的自动图像说明模型。
- Concept 01: 图像说明简介
- Concept 02: 利用神经网络
- Concept 03: 图像说明和 COCO 数据集
- Concept 04: 可视化数据集
- Concept 05: CNN-RNN 模型
- Concept 06: 粘合剂特征向量
- Concept 07: 标记化说明
- Concept 08: 标记化单词
- Concept 09: RNN 训练
- Concept 10: 视频说明
- Concept 11: 介绍项目！
- Lesson 08: 项目：图像说明训练 CNN-RNN 模型，预测给定图像的图像说明。你的主要任务是为 CNN 编码器实现一个有效的 RNN 解码器。Project Description - 图像标注Project Rubric - 图像标注
- Concept 01: 项目概述
- Concept 02: LSTM 输入/输出
- Concept 03: GPU Workspace 简介
- Concept 04: [从此处提交]项目：图像说明，PyTorch 0.4
- Lesson 09: 选修：用 AWS 进行云计算利用亚马逊的 GPU 更快速地训练神经网络。在这节课，你将学习如何设置 AWS 实例并用 GPU 训练神经网络。
- Lesson 01: 高级 CNN 架构了解高级 CNN 架构并了解基于区域的 CNN（例如 Faster R-CNN）如何快速定位并识别图像中的对象。
Module 01: 目标跟踪与定位
- Lesson 01: 运动简介这部分讲解了表示运动的一种数学方式，概述本节课你将学到的内容，并介绍了光流法及其原理。
- Concept 01: 目标跟踪
- Concept 02: 定位简介
- Concept 03: 运动
- Concept 04: 光流法
- Concept 05: 运动向量
- Concept 06: 光流法假定
- Concept 07: Notebook：光流法和动作向量
- Concept 08: 目标跟踪特征
- Lesson 02: 机器人定位学习实现贝叶斯过滤器，以定位空间中的机器人并表示机器人运动的不确定性。
- Concept 01: 概率复习
- Concept 02: 不确定性和贝叶斯规则
- Concept 03: 降低不确定性
- Concept 04: 概率分布
- Concept 05: 定位
- Concept 06: 总概率
- Concept 07: Notebook：一维机器人世界
- Concept 08: 感知之后的概率
- Concept 09: Notebook：感知之后的概率
- Concept 10: 标准化分布
- Concept 11: 传感函数
- Concept 12: Notebook：传感函数
- Concept 13: 答案：传感函数
- Concept 14: 标准化传感函数
- Concept 15: Notebook：标准化传感函数
- Concept 16: 答案：标准化传感函数
- Concept 17: 测试传感函数
- Concept 18: 多个测量项
- Concept 19: Notebook：多个测量项
- Concept 20: 答案：多个测量项
- Concept 21: 精确运动
- Concept 22: 运动函数
- Concept 23: Notebook：运动函数
- Concept 24: 答案：运动函数
- Concept 25: 非精确运动
- Concept 26: 非精确运动函数
- Concept 27: Notebook：非精确运动函数
- Concept 28: 答案：非精确运动函数
- Concept 29: 极限分布
- Concept 30: 移动两次
- Concept 31: 移动 1000 次
- Concept 32: Notebook：移动多次
- Concept 33: 感知和移动
- Concept 34: Notebook：感知和移动循环
- Concept 35: 答案：感知和移动
- Concept 36: 感知和移动 2
- Concept 37: 定位总结
- Concept 38: C++ 选修课和实现
- Lesson 03: 迷你项目： 二维直方图滤波器写 sense 与 move 函数（并调试）2D直方图滤波器！
- Concept 01: 实战项目概述
- Concept 02: Notebook - 二维直方图滤波器
- Concept 03: 自我测试与评估
- Lesson 04: 卡尔曼滤波器简介了解卡尔曼了滤波器的原理，学习一种车辆跟踪算法，并自行实现一维跟踪器。
- Concept 01: 卡尔曼滤波器和线性代数
- Concept 02: 简介
- Concept 03: 跟踪简介
- Concept 04: 答案：跟踪简介
- Concept 05: 高斯函数简介
- Concept 06: 答案：高斯函数简介
- Concept 07: 练习：方差和首选高斯函数
- Concept 08: 答案：方差和首选高斯函数
- Concept 09: 高斯函数和最大化
- Concept 10: 练习：偏移均值
- Concept 11: 答案：偏移均值
- Concept 12: 练习：预测峰值
- Concept 13: 答案：预测峰值
- Concept 14: 练习：参数更新
- Concept 15: 答案：参数更新
- Concept 16: Notebook：新均值和方差
- Concept 17: 解决方案：新均值和方差
- Concept 18: 练习：高斯运动
- Concept 19: 答案：高斯运动
- Concept 20: 预测函数
- Concept 21: Notebook：预测函数
- Concept 22: 答案：预测函数
- Concept 23: 卡尔曼滤波器代码
- Concept 24: Notebook：一维卡尔曼滤波器
- Concept 25: 答案：一维卡尔曼滤波器
- Concept 26: 卡尔曼预测
- Concept 27: 后续内容：运动模型和状态
- Lesson 05: 状态与移动了解如何使用线性代数，来修改矢量中的汽车状态。
- Concept 01: 定位步骤
- Concept 02: 状态介绍
- Concept 03: 运动模型
- Concept 04: 测验： 预测状态
- Concept 05: 一个不同的模型
- Concept 06: 运动学
- Concept 07: 状态定量
- Concept 08: 课程大纲
- Concept 09: 一直在移动
- Concept 10: 车辆对象
- Concept 11: 与车辆对象互动
- Concept 12: 查看类代码
- Concept 13: 右转
- Concept 14: 添加颜色
- Concept 15: 多辆汽车对象
- Concept 16: 颜色类
- Concept 17: 重载函数
- Concept 18: 颜色添加重载
- Concept 19: 状态向量
- Concept 20: 状态转换矩阵
- Concept 21: 矩阵乘法
- Concept 22: 一维状态向量和更多的乘法
- Concept 23: 修改预测状态
- Concept 24: 使用矩阵
- Lesson 06: 矩阵和状态变换线性代数是一门知识丰富的数学分支和很实用的工具。在这节课，你将学习多维卡尔曼滤波器用到的矩阵算法。
- Concept 01: 卡尔曼滤波器原理
- Concept 02: 卡尔曼滤波器预测
- Concept 03: 另一个预测
- Concept 04: 更多卡尔曼滤波器
- Concept 05: 关于符号
- Concept 06: 卡尔曼滤波器设计
- Concept 07: 到目前为止学到的知识
- Concept 08: 卡尔曼滤波器方程
- Concept 09: 简化卡尔曼滤波器方程
- Concept 10: 课程其余内容
- Concept 11: 使用矩阵表示状态
- Concept 12: 卡尔曼方程参考
- Concept 13: 什么是向量？
- Concept 14: Python 中的向量
- Concept 15: 向量编程
- Concept 16: 向量编程（参考答案）
- Concept 17: 数学符号指南
- Concept 18: 使用 Python 实现矩阵
- Concept 19: 矩阵代码
- Concept 20: 矩阵代码（参考答案）
- Concept 21: 矩阵加法
- Concept 22: 矩阵加法代码
- Concept 23: 矩阵乘法
- Concept 24: 矩阵乘法代码
- Concept 25: 矩阵转置
- Concept 26: 矩阵转置代码
- Concept 27: 单位矩阵
- Concept 28: 单位矩阵代码
- Concept 29: 矩阵求逆
- Concept 30: 矩阵的逆代码
- Concept 31: 这一课你学到了什么
- Lesson 07: 即时定位与地图构建学习如何实施 SLAM：即时定位自动驾驶车辆并为周围环境中的地标创建一个地图。
- Concept 01: SLAM 简介
- Concept 02: 练习：图形 SLAM
- Concept 03: 答案：图形 SLAM
- Concept 04: 练习：实施约束条件
- Concept 05: 答案：实施约束条件
- Concept 06: 练习：添加地标
- Concept 07: 答案：添加地标
- Concept 08: 练习：矩阵修改
- Concept 09: 答案：矩阵修改
- Concept 10: 练习：没有变化的字段
- Concept 11: 答案：没有变化的字段
- Concept 12: 练习：Omega 和 Xi
- Concept 13: Notebook：Omega 和 Xi
- Concept 14: 练习：地标位置
- Concept 15: 答案：地标位置
- Concept 16: Notebook：包含传感器测量值
- Concept 17: 练习：引入噪点
- Concept 18: 答案：引入噪点
- Concept 19: 自信的测量值
- Concept 20: Notebook：自信的测量值
- Concept 21: SLAM 总结
- Lesson 08: 选修：车辆运动和微积分复习微积分基础知识，并了解如何根据传感器测量结果和其他数据推断出无人驾驶汽车运动的 x 和 y 分量。
- Concept 01: 测程法简介
- Concept 02: 惯性导航传感器
- Concept 03: 绘制位置 vs. 时间图
- Concept 04: 解释位置 vs. 时间图
- Concept 05: 一个“典型”的微积分问题
- Concept 06: 里程表如何工作
- Concept 07: 位置数据的速度
- Concept 08: 位置、速度和加速度
- Concept 09: 实施一个加速度计
- Concept 10: 微分概要
- Concept 11: 加速度基础知识
- Concept 12: 绘制电梯加速度图
- Concept 13: 关于两个高峰的推理
- Concept 14: 积分：曲线下的面积
- Concept 15: 粗略估计积分
- Concept 16: 粗略估计有代码的积分
- Concept 17: 集成加速度计数据
- Concept 18: 比例陀螺仪
- Concept 19: 集成比例陀螺仪数据
- Concept 20: 处理真实数据
- Concept 21: 积累偏差
- Concept 22: 传感器的优势和劣势
- Concept 23: 小结：三角法回顾
- Concept 24: 三角法与汽车运动
- Concept 25: 求解三角比问题
- Concept 26: 跟踪车辆 x 与 y
- Concept 27: 跟踪车辆 x 与 y（参考答案）
- Concept 28: 小结
- Concept 29: 项目概况
- Concept 30: 工作区 - 重建轨迹
- Lesson 09: 项目：地标检测和跟踪 (SLAM)部署 SLAM，它是使用概率、运动模型和线性代数跟踪模型随时间推移的变化情况并为周围环境构建地图的强大方法。Project Description - 地标检测与跟踪（SLAM）Project Rubric - 地标检测与跟踪（SLAM）
- Lesson 01: 运动简介这部分讲解了表示运动的一种数学方式，概述本节课你将学到的内容，并介绍了光流法及其原理。
Module 01: 应用计算机视觉与深度学习
Module 01: 神经网络是如何训练的
- Lesson 01: 前向反馈与反向传播掌握神经网络的简要知识：它们是如何通过前馈传递训练然后进行反向传播的。
- Concept 01: 讲师
- Concept 02: 为何称为“神经网络”？
- Concept 03: 神经网络结构
- Concept 04: 前向反馈
- Concept 05: 反向传播
- Lesson 02: 训练神经网络现在你已经了解了什么是神经网络。在这一课中你将学会几种方法，以提升神经网络的训练效果。
- Concept 01: 训练优化
- Concept 02: 测试
- Concept 03: 过拟合和欠拟合
- Concept 04: 早期停止
- Concept 05: 正则化
- Concept 06: 正则化 2
- Concept 07: Dropout
- Concept 08: 局部最低点
- Concept 09: 随机重新开始
- Concept 10: 梯度消失
- Concept 11: 其他激活函数
- Concept 12: Batch 和随机梯度下降
- Concept 13: 学习速率衰退
- Concept 14: 动量
- Concept 15: 世界各地的误差函数
- Lesson 03: 通过 PyTorch 进行深度学习学习如何使用 PyTorch 构建深度学习模型。
- Lesson 01: 前向反馈与反向传播掌握神经网络的简要知识：它们是如何通过前馈传递训练然后进行反向传播的。
Module 01: 利用深度学习进行皮肤癌检测
- Lesson 01: 利用深度学习进行皮肤癌检测Sebastian Thrun 向我们讲述了他用卷积神经网络探测皮肤癌的开创性工作。
- Concept 01: 介绍
- Concept 02: 皮肤癌
- Concept 03: 皮肤癌生存概率
- Concept 04: 医学分类
- Concept 05: 数据
- Concept 06: 图像挑战
- Concept 07: 练习：数据挑战
- Concept 08: 参考答案：数据挑战
- Concept 09: 训练神经网络
- Concept 10: 练习：随机权重与预初始化权重
- Concept 11: 参考答案：随机权重与预初始化权重
- Concept 12: 训练验证
- Concept 13: 练习：敏感性与特异性
- Concept 14: 参考答案：敏感性与特异性
- Concept 15: 敏感性与特异性进一步介绍
- Concept 16: 练习：癌症诊断
- Concept 17: 参考答案：癌症诊断
- Concept 18: ROC 曲线回顾
- Concept 19: 练习：ROC 曲线
- Concept 20: 参考答案：ROC 曲线
- Concept 21: 将我们的结果与医生诊断结果相比较
- Concept 22: 可视化
- Concept 23: 神经网络关注的是什么
- Concept 24: 混淆矩阵回顾
- Concept 25: 混淆矩阵
- Concept 26: 总结
- Concept 27: 有用资源
- Concept 28: 小项目介绍
- Concept 29: 小项目：皮肤科医生的人工智能
Part 09 (Elective)__ : 文本情感分析
- Lesson 01: 利用深度学习进行皮肤癌检测Sebastian Thrun 向我们讲述了他用卷积神经网络探测皮肤癌的开创性工作。
Module 01: 情感分析
- Lesson 01: Lab: 情感分析在这节课中，《Grokking Deep Learning》一书的作者 Andrew Trask，将指导你一步步来运用神经网络进行情感分析。具体而言，你将构建一个神经网络，完全根据评论文本内容将影评归类为正面影评或负面影评！
- Concept 01: 介绍 Andrew Trask
- Concept 02: 认识 Andrew
- Concept 03: 材料
- Concept 04: Notebook:情感分析
- Concept 05: 分析问题
- Concept 06: 迷你项目 1
- Concept 07: 迷你项目 1 解决方案
- Concept 08: 将文本转化为数字
- Concept 09: 迷你项目 2
- Concept 10: 迷你项目 2 解决方案
- Concept 11: 构建神经网络
- Concept 12: 迷你项目 3
- Concept 13: 迷你项目 3 解决方案
- Concept 14: 理解神经网络中的噪音
- Concept 15: 迷你项目 4
- Concept 16: 理解网络中的低效情况
- Concept 17: 迷你项目 5
- Concept 18: 迷你项目 5 解决方案
- Concept 19: 进一步减少噪音
- Concept 20: 迷你项目 6
- Concept 21: 迷你项目 6 解决方案
- Concept 22: 分析：权重发生了什么？
- Concept 23: 总结
Part 10 (Elective)__ : 更多深度学习模型
- Lesson 01: Lab: 情感分析在这节课中，《Grokking Deep Learning》一书的作者 Andrew Trask，将指导你一步步来运用神经网络进行情感分析。具体而言，你将构建一个神经网络，完全根据评论文本内容将影评归类为正面影评或负面影评！
Module 01: 场景理解
- Lesson 01: 全卷积神经网络和语义分割大致了解下全卷积神经网络的原理，以及可以如何使用它们分类图像中的每个相似。
- Concept 01: 简介
- Concept 02: 为何要使用全卷积神经网络 (FCN)？
- Concept 03: 全卷积网络
- Concept 04: 全连接到 1x1 卷积
- Concept 05: 转置卷积
- Concept 06: 跳过连接
- Concept 07: FCN 应用
- Concept 08: 边界框
- Concept 09: 语义分割
- Concept 10: 语义分割和 FCN
- Concept 11: 场景理解
- Concept 12: IoU
- Concept 13: IOU 示例
- Concept 14: FCN-8 架构
- Concept 15: 小结
- Lesson 01: 全卷积神经网络和语义分割大致了解下全卷积神经网络的原理，以及可以如何使用它们分类图像中的每个相似。
Module 02: 3D CNN 架构
Module 01: C++ 基础
- Lesson 01: C++ 入门C++ 和 Python 的区别，以及如何写 C++ 代码。
- Concept 01: 介绍
- Concept 02: 课程概述
- Concept 03: Elecia White
- Concept 04: 为什么选择 C++
- Concept 05: Python 和 C++ 比较
- Concept 06: 静态 vs 动态类型
- Concept 07: C++ - 静态类型语言
- Concept 08: 数据的基本类型
- Concept 09: 单精度和双精度浮点数[示范区]
- Concept 10: 双精度浮点数占用空间更大
- Concept 11: 常见错误和错误消息
- Concept 12: C++ 函数
- Concept 13: 函数剖析
- Concept 14: 多输出
- Concept 15: 两个同名函数
- Concept 16: 函数签名 1
- Concept 17: 函数签名 2
- Concept 18: If 和布尔逻辑
- Concept 19: While 和 For 循环
- Concept 20: Switch 语句
- Concept 21: 库
- Concept 22: 继续加油！
- Lesson 02: C++ 向量为了进行矩阵代数的程序运算和翻译 Python 代码，你将需要用到 C++ 向量。这些向量同 Python 列表相似，但其中的句法更为复杂。
- Concept 01: C++ 向量
- Concept 02: 命名空间
- Concept 03: Python 与 C++ 向量
- Concept 04: 初始化向量值
- Concept 05: 向量方法
- Concept 06: 向量和 for 循环
- Concept 07: 数学和向量
- Concept 08: 1D 向量练习区
- Concept 09: 二维向量
- Concept 10: 二维向量与 for 循环
- Concept 11: 二维向量练习区
- Concept 12: 下节课预告
- Lesson 03: C++ 实战学习如何在自己的计算机上编写 C++代码，并将其编译为可执行程序，同时尽量避免编译错误。
- Concept 01: 编译介绍
- Concept 02: 本地运行代码
- Concept 03: C++ 版本
- Concept 04: 构造函数和文件组织
- Concept 05: 输入和输出
- Concept 06: 读入文本文件
- Concept 07: 输出到文本文件
- Concept 08: 练习
- Lesson 04: C++ 面向对象编程学习 C++ 面向对象编程的语法，以及该语言提供的一些额外的 OOP 特性。
- Concept 01: 介绍
- Concept 02: Python vs. C++ 高斯分布例子
- Concept 03: 为什么使用面向对象编程？
- Concept 04: Python vs. C++：类的使用
- Concept 05: 类的剖析
- Concept 06: 类文件结构
- Concept 07: 练习类的使用
- Concept 08: Include 防范
- Concept 09: 私有和公开
- Concept 10: 类变量
- Concept 11: 类函数声明
- Concept 12: 构造函数
- Concept 13: Set 和 Get 函数
- Concept 14: 矩阵函数
- Concept 15: 使用 Include 防范
- Concept 16: 实例化一个对象
- Concept 17: 在本地运行你的程序
- Lesson 05: Python 和 C++ 的速度本堂课上，我们会对比 C++ 和 Python 程序的运行速度。
- Concept 01: 简介
- Concept 02: 执行移动函数
- Concept 03: Python 中的移动
- Concept 04: C++ 中的移动
- Concept 05: 速度对比
- Lesson 01: C++ 入门C++ 和 Python 的区别，以及如何写 C++ 代码。
- Module 02: C++ 的性能编程
- Lesson 01: C++ 优化实战现在，你已经知道了 C++ 程序是如何运行的。接下来，我们会学习一些具体的优化技巧，并付诸实践。学完本课，你就可以完成代码优化实战项目了。
- Concept 01: 介绍
- Concept 02: 软件开发和优化
- Concept 03: 优化技巧
- Concept 04: 无用代码
- Concept 05: 练习：删除无用代码
- Concept 06: If 语句
- Concept 07: 练习：If 语句
- Concept 08: For 循环
- Concept 09: 练习：for 循环
- Concept 10: 中间变量
- Concept 11: 练习：中间变量
- Concept 12: 向量存储
- Concept 13: 练习：向量存储
- Concept 14: 引用
- Concept 15: 练习：引用
- Concept 16: Sebastian 的故事
- Concept 17: 静态关键词
- Concept 18: 练习：静态关键词
- Concept 19: 速度挑战
- Lesson 02: C++ 优化介绍
- Concept 01: 课程介绍
- Concept 02: 电脑硬件介绍
- Concept 03: 嵌入式终端解释
- Concept 04: 示范区：机器代码
- Concept 05: 汇编语言
- Concept 06: 示范区：二进制
- Concept 07: 示范区：二进制单精度浮点数
- Concept 08: 示范区：栈 vs 堆
- Lesson 03: 实战项目 4 - 高性能粒子滤波器准备好优化 C++ 代码了吗？本实战项目里，我们提供了一个功能正常的二维直方图滤波器。你的任务是让这个滤波器的代码运行速度更快！
- Concept 01: 概述
- Concept 02: 项目演练概述
- Concept 03: 项目代码
- Concept 04: GCC Flags
- Concept 05: 项目参考答案
- Concept 06: 代码参考
- Lesson 01: C++ 优化实战现在，你已经知道了 C++ 程序是如何运行的。接下来，我们会学习一些具体的优化技巧，并付诸实践。学完本课，你就可以完成代码优化实战项目了。
【点击购买】
若有收获，就点个赞吧
0 人点赞
