计算机视觉完整学习大纲，来源于互联网，仅供大家参考~~~

计算机视觉引论
什么是计算机视觉； 构建第一个视觉程序； 视觉系统构成； 让程序做点事情； 课程体系结构； 照明模型； 颜色模型； 图像的采集与传输； 图像/视频的压缩与显示；

视觉处理与分析
图像滤波及去噪； 图像边缘检测； 直方图与图像分割； 图像特征描述； 再论图像分割； 综合示例； 直线检测； HARRIS角点检测； SIFT特征提取； ORB特征检测； 特征检测综合示例； 背景建模； 光流估计； 综合示例； 视觉编程工具；

机器学习入门
线性回归简介； 回归中的损失函数； 损失函数的概率解释； 过拟合； Scikit-Learn中带正则的线性回归模型； 正则的概率解释； 线性回归模型解析求解； 线性回归模型梯度下降法求解； 线性回归模型坐标轴下降求解； 回归模型性能评价指标； 交叉验证与模型评估； 线性回归案例分析： Boston房价预测； 特征工程：共享单车骑行量预测； Logistic回归简介； Logistic损失函数； 正则项； 牛顿法； Logistic回归的优化求解； 多类分类任务； 类别样本不均衡数据； 分类模型评价指标； Scikit-Learn中的Logistic回归； Logistic回归案例分析：Otto商品分类； 特征工程：糖尿病发病预测；

机器学习基础算法
SVM简介； 带松弛变量的SVM模型: CSVM； 对偶问题； 核方法； 支持向量回归：SVR； Scikit-Learn中的SVM； SVM案例分析：Otto商品分类； 决策树； Scikit-Learn中的决策树模型； 决策树案例分析：Otto商品分类； Bagging和随机森林； Scikit-Learn中的随机森林模型； 随机森林案例分析：Otto商品分类； Adaboost； GBM； Scikit-Learn中的GBM； XGBoost原理； XGBoost工具包使用指南； XGBoost的Scikit-Learn接口； XGBoost案例分析：Otto商品分类； LightGBM原理； LightGBM使用指南； LightGBM案例分析：Otto商品分析； PCA降维原理； Scikit-Learn中的PCA； t-SNE； Scikit-Learn中的 t-SNE； 降维案例分析：Otto商品数据降维分析； 聚类简介； KMean聚类算法； Scikit-Learn中的 KMean聚类； 聚类案例分析：Event聚类； 推荐系统简介； 基于内容的推荐； 基于用户的协同过滤； 基于物品的协同过滤； 基于矩阵分解的协同过滤； 协同过滤推荐案例分析：MovieLens电影推荐； CTR预估简介； FTRL模型； FM与FFM； GBDT； Wide and Deep Learning模型； CTR案例分析：Criteo CTR预估；

深度学习入门
深度学习历史与介绍； 深度学习解决的问题； 感知器介绍； 神经网络的拟合能力； 全连接神经网络介绍； 前向传播； 反向传播；

深度学习基础算法
整体介绍； 数据预处理； 神经网络简介； 激活函数； Batchnorm； Dropout； 网络连接方式； Ground truth； 损失函数； 学习率； 优化算法； 过拟合与欠拟合； 正则化； 参数的初始化；

框架与环境
Tensorflow 使用tensorflow构建神经网络

位姿估计与三维重构
坐标系与相机模型； 相对位姿测量算法； 相机标定； 极线几何； 立体视觉与三维重构； 特征匹配；

计算机视觉与神经网络
卷积和池化； 卷积的反向传播； Tensorflow基础； 卷积神经网络的tensorflow实现； 经典卷积神经网络案例 Vgg/inception网络代码讲解； 基于slim的神经网模型训练； 分类定位； 检测； 检测模型的训练与使用； 分割； 人脸； 其他； 特征使用-相似图；