AI的三个方向

• 深度学习
• 计算机视觉
• 自然语言处理

内容

• 算法讲解
• 论文分析
• 源码解读
  • 经典的源码（万变不离其宗）
• 项目实战

路线图/优先级

• 第一个模块 AI必备基础与机器学习
  • 第一章 python/数学基础(2天)
    • 边用边学 现用现查
  • 第二章 机器学习算法精讲及其案例应用
    • 没有太多的应用地方,已经是transfer的的天下了
    • 面试的时候的看一遍,只是考点，实际工作中用的很少
  • 第三章 机器学习&数据挖掘项目实战
    • 数据分析/挖掘方面
    • 不建议的赛道 比较基础 人多 竞争大
• 第二个模块 计算机视觉算法机器项目实战
  • 第一章 深度学习必备的核心算法（多学几遍）【】
    • 主导地位 最基础的 关注流程
      • AN
      • CNN/RNN
      • Transformer
  • 第二章 深度学习核心框架PyTorch与Tensorflow【】
    • PyTorch 很重要
      • 时间多 自已写一遍
      • 时间少 理解流程 跑一遍
    • Tensorflow（不用学了已过时）
  • 第三章 OpenCv图像处理框架实战
    • OpenCv就是一个工具/框架 会用就行 整体的印象就行了
    • 是什么 能干什么 用什么 学会检索
  • 第四章 物体检测经典算法实战【】 怎么用debugger学
    • YOLO 快速刷一遍 之后就V7(算法掌握 实现细节 debugger) 好好看
    • Detr 一定要会 好好看
    • 半监督 1天左右
  • 第五章 图像分割实战 【】
    • Unet deeplab
    • Mask2former 重点
  • 第六章 走向AI论文试验与项目实战的捷径-MMLAB实战系列
    • open-mmlab
      • 视觉的大统一环境
      • 做实验很推荐 做项目不推荐(底层写死了 很难拆分)
  • 第七章 经典视觉项目实战:行为识别/姿态估计/目标追踪
    • 都要了解熟悉一遍 理解一下知识点
  • 第八章 2022论文必备-Transformer实战系列
    • 拓展视野 有时间 过过源码 没有时间 过一遍 熟悉思想
  • 第九章 图神经网络实战
    • 企业用的地方不少
    • 拓展 一定要会 熟悉基本思想
  • 第十章 面向深度学习的无人驾驶实战
    • 感兴趣的了解
    • 三维重建技术 建议看一下
  • 第十一章 对比学习与多模态任务实战
    • 前沿的东西
    • 了解为主 需要大量数据/吃硬件
  • 第十二章 缺陷检测实战 拓展
  • 第十三章 行人重识别实战 拓展
  • 第十四章 对抗生成网络实战 拓展
  • 第十五章 强化学习与AI黑科技实例
    • 了解思想 预期比较火 难在数学上 很难 门槛高
  • 第十六章 面向医学领域的深度学习实战
  • 第十七章 CV与NLP经典大模型解读
    • Agent AutoGPT 了解流程
  • 第十八章(1) 深度学习模型部署与剪枝优化实战
  • 第十八章(2) AIot人工智能物联网精选
  • 第十九章 论文创新点常用方法及其应用实例
• 第三模块 自然语言处理算法及其项目实战
  • 第一章 自然语言经典处理案例实战
  • 第二章 自然语言处理必备神器Huggingface系列实战 重重之重
  • 第三章 时间序列预测 金融
  • 第四章 自然语言处理通用框架-BERT实战
  • 第五章 知识图谱实战系列
    • 简单玩一遍
  • 第六章 语音识别实战系列
    • 工作机会非常少
  • 第七章 推荐系统实战系列

一个重点 一周

人群分类

80%为在职研究生,论文为主

硬件要求

• 学习可以用MAC 具体做事做好还是台式机
• GPU 大部分模型都是GPU的跑的
  • 笔记本最低 3080 显存：8G 最好24G
  • 台式机最低 4060 显存：12G 最好24G
• CPU
  • 越高越好