日萌社

大数据、AI、python、C++学习资源

链接：https://pan.baidu.com/s/1rXzERBEhVr08mEeKln8oqQ 
提取码：0t54 

链接：https://pan.baidu.com/s/1BkGfhuejd2JZznvJHaRiow 
提取码：am12 

tensorflow 2.0 深度学习（第一部分 part1）

tensorflow 2.0 深度学习（第一部分 part2）

tensorflow 2.0 深度学习（第一部分 part3）

tensorflow 2.0 深度学习（第二部分 part1）

tensorflow 2.0 深度学习（第二部分 part2）

tensorflow 2.0 深度学习（第二部分 part3）

tensorflow 2.0 深度学习 (第三部分 卷积神经网络 part1)

tensorflow 2.0 深度学习 (第三部分 卷积神经网络 part2)

tensorflow 2.0 深度学习（第四部分 循环神经网络）

tensorflow 2.0 深度学习（第五部分 GAN生成神经网络 part1）

tensorflow 2.0 深度学习（第五部分 GAN生成神经网络 part2）

tensorflow 2.0 深度学习（第六部分 强化学习）

Keras - Python深度学习（第一部分）

Keras - Python深度学习（第二部分）

PaddlePaddle 深度学习实战（第一部分）

PaddlePaddle 深度学习实战（第二部分）

PaddlePaddle 深度学习实战（第三部分）

PaddlePaddle 深度学习实战（第四部分）

PaddlePaddle 深度学习实战（第五部分）

PaddlePaddle 个性化推荐系统

輕鬆學會Google TensorFlow 2.0人工智慧深度學習實作開發

tensorflow 2.0 画出model网络模型的拓扑图 

tensorflow 2.0 的回调函数callbacks（TensorBoard、ModelCheckpoint）

TensorBoard视觉化网络每层权重分布、视觉化网络层结构

MSE(均方误差)、MAE(平均绝对误差)

from_logits

CE(Cross-Entropy)、BCE(Binary Cross-Entropy 即Sigmoid+CE)、CCE(Categorical Cross-Entropy 即Softmax+CE)

对连续值/离散值进行预处理的两种方式（标准化/one-hot化）、反标准化/逆标准化、字符串预处理

损失函数loss、指标函数metrics

激活函数 Sigmoid、Tanh、ReLU、Softmax

Batch Normalization

反向传播、梯度下降、学习率、优化器optimizers（GD、SGD、Momentum、AdaGrad、Adam）

权重初始化对于激活函数的选择：随机常态分布/随机正态分布初始化(标准差为0.01或1)、Xavier(Glorot)初始化、He初始化

图像增强(IA)、数据预处理

混淆矩阵tf.math.confusion_matrix

使用预训练网络训练的两种方式：Keras Applications、TensorFlow Hub

走向TensorFlow 2.0：深度学习应用编程快速入门

Python数据处理工具之Pandas

Python图像处理工具之PIL、Pillow，从JPG文件转换为CIFAR-10文件

TensorFlow 2.0 环境搭建

TensorFlow 2.0基础知识、TensorFlow 2.0高阶API（tf.keras）

tf.keras下常用模块 activations、applications、datasets、layers、losses、optimizers、regularizers、Sequential

去均值、归一化、PCA

基于CNN的图像识别应用编程实践

RNN基于时间的反向传播算法BPTT（Back Propagation Trough Time）梯度消失与梯度爆炸

文本预处理：分词器Tokenizer、text_to_word_sequence、one-hot、hashing_trick、pad_sequences

基于Seq2Seq的中文聊天机器人编程实践（Encoder编码器-Decoder解码器框架 + Attention注意力机制）

TensorFlow Serving：基于TensorFlow Serving的模型部署实践

TensorFlow 2.0 卷积神经网络实战

nltk 处理文本

注意力机制 SENet、CBAM

卷积神经网络 处理文本：word2vec、TF-IDF、TextRank、字符卷积、词卷积、卷积神经网络文本分类模型的实现(Conv1D一维卷积、Conv2D二维卷积)

反向传播、链式求导

梯度下降

最小二乘法(LS算法)：实际为L2范数的一个具体应用(计算残差平方和)

线性回归 例子

Python人脸识别：从入门到工程实践 

人脸识别入门

矩阵、向量

范数：向量的范数（0范数、L1范数、L2范数、∞范数、-∞范数、P范数）

距离度量：欧式距离、曼哈顿距离、余弦距离(余弦相似度)、汉明距离

卷积

机器学习基础：监督学习、非监督学习、强化学习

分类算法：支持向量机、核技巧(核函数)、AdaBoost算法。线性降维(特征预处理:将三维特征空间中样本点映射到二维平面)：PCA算法

图像特征：灰度直方图、LBP特征、Haar特征(即Haar-like特征，又称Viola-Jones识别器)、HOG特征(方向梯度直方图)

颜色模型：RGB、HSV、灰度图像、二值图像

信号与噪声。图像滤波(用于滤除噪声)：均值滤波、中值滤波。

图像的几何变换：平移、旋转、缩放

科学计算库Numpy

Numpy提供的 线性代数 相关的函数：点积(叉乘)、向量的范数、对矩阵求F范数/行列式/秩/迹/逆矩阵/伪逆矩阵、哈达马乘积(元素乘)

矩阵的高级函数：基于SVD算法(即奇异值分解法)的矩阵分解、通过SVD算法(即奇异值分解法)/特征值分解法来实现PCA算法、随机数矩阵

OpenCV：颜色变换(灰度化、负片转换、亮度/对比度调节)、几何变换(裁剪、尺寸缩放(默认使用线性插值)、旋转)、图像噪声处理、滤波(二维卷积滤波、中值滤波、高斯滤波、双边滤波)

Keras深度学习：Keras、TensorFlow安装、ubuntu16上安装英伟达驱动等

Keras神经网络堆叠的两种方法：线性模型、函数式API

激活函数：Sigmoid、Softmax、ReLU

神经网络层：全连接层、二维卷积层、池化层、BN层、dropout层、flatten层

优化器：SGD优化器(随机梯度下降)、Adadelta优化器(自适应调节学习率)。反向传播：梯度下降算法(BP算法)。

损失函数(代价函数)：均方误差MSE、均方根误差RMSE、平均绝对误差MAE、交叉熵损失函数

模型评估方法：交叉验证。分类器性能评估：准确率accuracy、精确率precision(即查准率)、召回率recall(即查全率)、F1值、ROC曲线(受试者工作特征曲线感受性曲线)

数据增强：ImageDataGenerator类实现

Keras的工程实践：训练时的回调函数(EarlyStopping、记录训练日志、模型持久化ModelCheckpoint、降低学习率)、获取某隐藏层输出(提取某隐藏层特征向量)

人脸识别方法 - 特征脸法：对PCA算法的应用

OpenCV 人脸识别方法：特征脸法(应用PCA算法)、费舍尔脸法FisherFace(应用LDA算法)、LBPH方法(应用LBP算法)

Dlib的人脸检测方法(基于图像的Hog特征，结合支持向量机算法实现人脸检测)

基于深度学习的图片特征提取：AlexNet、VGGNet、GoogLeNet、ResNet(残差单元引入shortcut connections实现恒等映射)

使用OpenCV的人脸检测：Haar级联分类器、OpenCV的SSD人脸检测器、使用Dlib的人脸检测、基于Hog-SVM的人脸检测、基于最大边界的对象检测器

人脸图片数据集：Olivetti Faces、LFW、YouTube Faces、IMDB WIKI、FDDB

基于深度学习的目标检测/人脸检测/人脸识别：MTCNN、基于度量学习的方法，基于边界分类的方法

基于深度学习的人脸识别系统：卷积神经网络实现(VIPLFaceNet、VGGNet、Xception、ResNet50、ResNet18)、AM-Softmax损失

人脸识别工程化：把人脸识别算法封装为云服务。服务API设计：人脸检测、人脸对比、人脸图片存储、人脸图片检索。

window安装dlib、face_recognition

OpenCV 4 计算机视觉项目实战

安装 Visual Studio 2019、Opencv 4.2.0，同时VS配置Opencv

opencv实时视频中检测面部部位并覆盖面具：Haar级联、积分图像

使用OpenCV进行深度学习：YOLO、SSD

Python深度学习实战-基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别 

人脸检测、人脸跟踪、人脸识别、OpenCV(特征脸、LBPH、费歇脸)

OpenCV轻松入门：面向python 

OpenCV中提供的训练好的分类器实现人脸检测：级联分类器(Haar特征、Hog特征、LBP算法)。OpenCV中提供的人脸识别方法：LBPH、Eigenfaces、Fisherfaces

Python深度学习：基于PyTorch

PyTorch安装

人脸检测、人脸定位、人脸对齐、MTCNN、人脸识别(衡量人脸的相似或不同：softmax、三元组损失Triplet Loss、中心损失Center Loss、ArcFace)

深度学习：核心技术、工具与案例解析

人脸检测、人脸对齐、人脸识别、haar分类器、MTCNN(PNet、RNet、ONet)

深度学习之图像识别：核心技术与案例实战

V-J人脸检测算法：Haar特征与积分图像、级连分类器

神经网络与深度学习

常用数学符号表

人工智能、机器学习、深度学习、端到端学习、神经网络机器学习的三个基本要素 

图像识别之卷积神经网络

卷积神经网络：从头开始构建一个CNN

1.卷积神经网络

初识机器学习

1.监督学习

2.无监督学习

单变量线性回归

1.线性回归

2.成本函数/代价函数、损失函数、目标函数

3.梯度下降

4.矩阵、向量

软件安装

window 安装 Octave

多变量线性回归

1.多变量线性回归/多元线性回归

2.多元梯度下降法

3.特征和多项式回归

4.正规方程

向量化

向量化

Logistic 回归

Logistic 回归