22课时、19大主题，CS 231n进阶版课程视频上线
点击上方“AI算法与图像处理”，选择加"星标"或“置顶”
重磅干货，第一时间送达
讲 CS231n 的 Justin Johnson 在密歇根大学推出了一套计算机视觉的进阶课程。
课时 1：计算机视觉深度学习简介，包括历史背景和当前发展概述；
课时 2：图像分类，包括数据驱动方法、最近邻算法、超参数和交叉验证；
课时 3：线性分类器，包括 Softmax 或 SVM 分类器和 L2 正则化；
课时 4：优化，包括随机梯度下降、动量、AdaGrad、Adam 和二阶优化器；
课时 5：神经网络，包括特征转换、全连接网络、泛逼近（universal approximation ）和凸性。
课时 6：反向传播，包括计算图、反向传播和矩阵乘法示例；
课时 7：卷积网络，包括卷积、池化和批归一化；
课时 8：CNN 架构，包括 AlexNet、VGG、ResNet、大小 VS 准确性、分组和可分离卷积以及神经架构搜索；
课时 9：硬件和软件，包括 CPU、GPU、TPU、动态与静态图以及 PyTorch 和 TensorFlow；
课时 10：神经网络训练 I，包括激活函数、数据预处理、权重初始化、数据增广和正则化（Dropout 等）；
课时 11：神经网络训练 II，包括学习率方案、超参数优化、模型集成、迁移学习和大批量训练；
课时 12：递归网络，包括 RNN、LSTM、GRU、语言建模、序列到序列、图像标注和视觉问题；
课时 13：注意力，包括多模态注意力、自注意力和 Transformers；
课时 14：可视化和理解，包括特征可视化、对抗性示例以及 DeepDream 和风格迁移；
课时 15：目标检测，包括单级检测器和两级检测器；
课时 16：图像分割，包括语义分割、实例分割和关键点估计；
课时 17：3D 视觉，包括 3D 形状表示、深度估计、3D 形状预测以及立体像素、点云、SDF 和网格；
课时 18：视频，包括视频分类、早期和后期融合、3D CNN 和双流网络；
课时 19：生成模型 I，包括监督与无监督学习、判别与生成模型、自回归模型和变分自编码器；
课时 20：生成模型 II，包括变分更强的自编码器和生成对抗网络；
课时 21：强化学习，包括强化学习问题设置、贝尔曼方程、Q 学习和策略梯度；
课时 22：课程总结，包括课程回顾和计算机视觉的发展展望。
个人微信（如果没有备注不拉群！） 请注明：地区+学校/企业+研究方向+昵称
