还在迷茫嘛？这一篇干货整理，计算机视觉学习路线

写在前面

整理了走CV这条路的一些干货，有我学习过的，也有我没学习过的，打算后面遇到了好的资源或者资料就更新过来，方便自己保存后面看，也可以提供给其他人一同学习，资料连接我都放出来了，数学那部分我把pdf放在云盘里面了，更详细可以去我的GitHub上看。

单纯就是想分享技术博文，还想说一句就是，如果觉得有用，请点个关注、给个赞吧，也算对我来说是个宽慰，毕竟也得掉不少头发，嘿嘿嘿

数学–高等数学

• 数学基础：高等数学
• 高等数学知识集合
• 高等数学 第七版（上册）
• 高等数学 第七版（下册）

数学–线性代数

• 数学基础：线性代数
• 线性代数课件(完整版)同济大学
• 矩阵分析引论罗家洪(第四版)

数学–概率论

• 数学基础：概率论与数理统计
• 概率论与数理统计公式整理(超全免费版)PDF
• 概率论与数理统计讲义
• 概率论与数理统计课件(PPT)

数学–凸优化

• 凸优化_Boyd_王书宁译
• ConvexOptimization_Boyd_slides
• Convex Optimization_Solutions
• 凸优化知识点整理
  • Ch1-2 引言
  • Ch3 凸函数
  • Ch4 凸优化问题
  • Ch5 对偶问题
  • Ch6 逼近与拟合
  • Ch7 统计估计
  • Ch8 几何问题
  • Ch9 无约束优化
  • Ch10 等式约束优化
  • Ch11 内点法
  • 凸优化重点整理&总结

机器学习基础–数学过渡

• 统计学习方法
• 周志华-机器学习(西瓜书) 书中公式推导
• 斯坦福大学机器学习数学基础

深度学习

• 深度学习入门300页ppt
• 神经网络与深度学习
• 神经网络与深度学习 - 复旦邱锡鹏
• 《深度学习》 – 花书
• 《深度学习 500 问》

计算机视觉

• 《Computer Vision：Models, Learning and Inference》
• 《Computer Vision：Algorithms and Applications》
• 《OpenCV3编程入门》

理论实战

• 《Scikit-Learn 与 TensorFlow 机器学习实用指南》

网络课程

机器学习

• 吴恩达《Machine Learning》 课程主页 中文笔记

这绝对是机器学习入门的首选课程，没有之一！即便你没有扎实的机器学习所需的扎实的概率论、线性代数等数学基础，也能轻松上手这门机器学习入门课，并体会到机器学习的无穷趣味。网易云课堂搬运了这门课，并由黄海广等人翻译了中文字幕。该课程有中文笔记以及作业代码。

• 吴恩达 CS229 课程主页 中文笔记

吴恩达在斯坦福教授的机器学习课程 CS229 与 吴恩达在 Coursera 上的《Machine Learning》相似，但是有更多的数学要求和公式的推导，难度稍难一些。该课程对机器学习和统计模式识别进行了广泛的介绍。

• 林轩田《机器学习基石》 中文课程 中文笔记 配套书籍

台湾大学林轩田老师的《机器学习基石》课程由浅入深、内容全面，基本涵盖了机器学习领域的很多方面。其作为机器学习的入门和进阶资料非常适合。而且林老师的教学风格也很幽默风趣，总让读者在轻松愉快的氛围中掌握知识。这门课比 Ng 的《Machine Learning》稍难一些，侧重于机器学习理论知识。

• 林轩田《机器学习技法》 中文课程 中文笔记

《机器学习技法》课程是《机器学习基石》的进阶课程。主要介绍了机器学习领域经典的一些算法，包括支持向量机、决策树、随机森林、神经网络等等。难度要略高于《机器学习基石》，具有很强的实用性。

深度学习

• 吴恩达《Deep Learning》 课程主页 中文课程 课程笔记

在吴恩达开设了机器学习课程之后，发布的《Deep Learning》课程也备受好评，吴恩达老师的课程最大的特点就是将知识循序渐进的传授给你，是入门学习不可多得良好视频资料。整个专题共包括五门课程：01.神经网络和深度学习；02.改善深层神经网络-超参数调试、正则化以及优化；03.结构化机器学习项目；04.卷积神经网络；05.序列模型。

• Fast.ai《程序员深度学习实战》 视频地址 中文视频 英文笔记原文 中文视频

说到深度学习的公开课，与吴恩达《Deep Learning》并驾齐驱的另一门公开课便是由 Fast.ai 出品的《程序员深度学习实战》。这门课最大的特点便是“自上而下”而不是“自下而上”,是绝佳的通过实战学习深度学习的课程。

强化学习

• Reinforcement Learning-David Silver 中文课程 中文笔记 课程 PPT

与吴恩达的课程对于机器学习和深度学习初学者的意义相同，David Silver 的这门课程绝对是大多数人学习强化学习必选的课程。课程从浅到深，把强化学习的内容娓娓道来，极其详尽。不过由于强化学习本身的难度，听讲这门课还是有一定的门槛，建议还是在大致了解这个领域之后观看该视频学习效果更佳，更容易找到学习的重点。

• 李宏毅《深度强化学习》 中文课程 中文笔记 课程 PPT

David Silver 的课程虽然内容详尽，但前沿的很多内容都没有被包括在内，这时，台大李宏毅的《深度强化学习》就是学习前沿动态的不二之选。

计算机视觉

• Stanford CS223B

比较适合基础，适合刚刚入门的同学，跟深度学习的结合相对来说会少一点，不会整门课讲深度学习，而是主要讲计算机视觉，方方面面都会讲到

• 东北大学 魏颖教授的图像处理课程笔记

  • 数字图像处理(一)绪论
  • 数字图像处理(二)数字图像处理基础
  • 数字图像处理(三)图像的变换
  • 数字图像处理(四) 数字增强
  • 数字图像处理(五) 图像复原
  • 数字图像处理(六) 图像压缩
  • 数字图像处理(七) 图像分割
  • 东北大大学研究生课程-数字图像处理-期末资料汇总
  • 目标检测之R-CNN、Faster R-CNN入门
  • 基于FNC(全卷积神经网络)及PASCAL-VOC数据集做图像语义分割(附代码)
  • 图像分割之硬币、销钉、大米代码详解
  • 最大熵图像复原方法原理(附完整代码)
  • 双边滤波方法原理与代码实践(附完整代码)
  • 基于OpenCV的红绿灯识别代码解析

• 网易云课堂《Opencv计算机视觉实战》的学习笔记

  • 计算机视觉实战 (一) 开个视觉实战专栏
  • 计算机视觉实战(二）图像基本操作
  • 计算机视觉实战(三）阈值与平滑处理
  • 计算机视觉实战(四）图像形态学操作
  • 计算机视觉实战(五）图像梯度计算
  • 计算机视觉实战(六）边缘检测
  • 计算机视觉实战(七）图像金字塔与轮廓检测
  • 计算机视觉实战(八）直方图与傅里叶变换
  • 计算机视觉实战(九）信用卡数字识别项目(附完整代码)
  • 计算机视觉实战(十）图像特征harris角点检测(附完整代码)
  • 计算机视觉实战(十一）Scale Invariant Feature Transform（SIFT）(附完整代码)
  • 计算机视觉实战(十二）全景图像拼接(附完整代码)
  • 计算机视觉实战(十三）停车场车位识别(附完整代码)
  • 计算机视觉实战(十四）答题卡识别 (附完整代码)
  • 计算机视觉实战(十五）背景建模 (附完整代码)
  • 计算机视觉实战(十六）光流估计 (附完整代码)
  • 计算机视觉实战(十七）OpenCV的DNN模型 (附完整代码)

论文

• Deep Learning Papers 阅读路线 地址

• 吴恩达在Deep Learning课程中提到的论文

• Arxiv Arxiv Stats，Arxiv Sanity Preserver

• Papers with Code Papers with Code(Browse state-of-the-art)

• Deep Learning Object Detection 地址

目标检测（Object Detection）是深度学习 CV 领域的一个核心研究领域和重要分支。纵观 2013 年到 2019 年，从最早的 R-CNN、Fast R-CNN 到后来的 YOLO v2、YOLO v3 再到今年的 M2Det，新模型层出不穷，性能也越来越好！

• Arxiv Stats Arxiv 机器学习最新论文检索主页地址

参考文档及工具

• Kaggle 主页 路线

比赛是提升自己机器学习实战能力的最有效的方式，首选 Kaggle 比赛。

• TensorFlow 官方文档 中文文档

• Scikit-Learn 官方文档 官方文档 中文文档

Scikit-Learn 作为机器学习一个非常全面的库，是一份不可多得的实战编程手册。

• PyTorch 官方文档 中文文档

• Mathpix Snip 地址

这款神器只要截个图，公式会自动转化为 LaTex 表达式，我们只需要简单地修改就行了。

• 马克飞象 Markdown 地址

• mdnice 地址

• Zotero 下载

Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件，如今已被广泛使用。此篇使用说明主要分享引用研究资源功能，其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。

项目

会议

• NeurIPS：https://nips.cc/

• ICML：https://icml.cc/

• ICLR：https://iclr.cc/

• AAAI：https://aaai.org/Conferences/AAAI-19/

• IJCAI：https://www.ijcai.org/

• UAI：http://www.auai.org/uai2019/index.php

• CVPR：http://cvpr2019.thecvf.com/

• ECCV：https://eccv2018.org/program/main-conference/

• ICCV：http://iccv2019.thecvf.com/

其他

• XMind 地址
• MathPix 地址
• TensorFlow的在线编辑colab 地址