- 课程资料:
课程主页: http://cs231n.stanford.edu /
course note: http://cs231n.github.io /
知乎翻译: https://zhuanlan.zhihu.com/p/21930884
推荐b站的视频观看 https://www.bilibili.com/video/av17204303/?p=3
注册一个github账号: github.com - 后续发布的一些project和exercise会在这个github下:
https://github.com/orgs/sharedeeply/dashboard
配置环境: https://github.com/sharedeeply/DeepLearning-StartKit
- 预习两套教程
- github教程:https://www.liaoxuefeng.com/wiki/0013739516305929606dd18361248578c67b8067c8c017b000
- pytorh教程: https://pytorch.org/tutorials /
-
任务1:听深度学习绪论+0基础一小时完成一场比赛PPT
-
任务详解:视频1主要是介绍深度学习的一些应用案例,第二个是完成一次kaggle比赛的流程
-
任务2: 深度学习的工作与前景
-
任务详解:查看目前工业界最需要什么样的人,对未来有一个清晰地定位,并且查看并准备好课程材料 链接:
-
从今年校招来看,机器学习等算法岗位应届生超多,竞争激烈,未来 3-5 年机器学习相关就业会达到饱和吗? - Cheeeen的回答 - 知乎 https://www.zhihu.com/question/66406672/answer/317489657
-
2019 秋招的 AI 岗位竞争激烈吗? - 王剑锋的回答 - 知乎 https://www.zhihu.com/question/286925266/answer/491117602
-
论算法工程师首先是个工程师之深度学习在排序应用踩坑总结 - 吴海波的文章 - 知乎 https://zhuanlan.zhihu.com/p/44315278
- 任务名称:计算机视觉综述 slides: lecture01
- 观看视频 p1 和 p2 热身,了解计算机视觉概述以及历史背景
- 观看 p3 了解整门课程的大纲
- 作业: 阅读 python 和 numpy 教程和代码写一个矩阵的类,实现矩阵乘法,只能使用 python 的类(class)和列表(list)
- 任务名称:学习数据驱动的方法和 KNN 算法和线性分类器[上] slides: lecture02
- 观看视频 p4 p5 和 p6
- 学习 图像分类笔记上下 和 线性分类笔记上
- 作业:
- 完成assignment1 中的
knn.ipynb
- 学习线性分类器[中 下], 损失函数和优化器
slides: lecture03
作业:
- 简述 KNN 和线性分类器的优劣(已完成)
- (可选)学习矩阵求导的方法
- 完成assignment1 中
svm.ipynb
(已完成)
slides: lecture04
- 观看视频 p9 和 p10
作业:
- 理解并推导反向传播算法
- 完成 assignment1 中的
softmax.ipynb
和two_layer_net.ipynb
- 学习 pytorch基础
作业:
- 完成 assignment1 中 和
features.ipynb
- 修改房价预测的代码,并提交kaggle查看得分
- 卷积神经网络初步 slides: lecture05
- 观看视频 p11, p12 和 p13,学习 CNN 中的卷积层和池化层
- 学习卷积神经网络笔记
作业:
- 完成 assignment2 中
FullyConnectedNets.ipynb
和BatchNormalization.ipynb
- 思考一下卷积神经网络对比传统神经网络的优势在哪里?为什么更适合处理图像问题
- 了解和学习深度学习中的normalization方法
- 如何更好的训练网络(上)
slides: lecture06
作业:
- 完成 assignment2 中
Dropout.ipynb
- (可选) 完成 facial keypoint 小项目,参考代码
- 理解更 fancy 的优化方法,更多的 normalize 以及正则化和迁移学习对网络训练的影响
- 了解第二次的 kaggle 比赛 cifar10 分类
- 全面的理解深度学习中的优化算法
- 阅读优化算法的笔记
- 作业
- 完成 assignment2 中
ConvolutionNetworks.ipynb
- 修改 cifar10 的网络结构,在知识星球上提交 kaggle 成绩
- 了解主流深度学习框架之间的区别与联系
- slides: lecture08
- 观看视频 p19
- 了解经典的网络结构
- slides: lecture09
- 观看视频 p20
- 理解卷积神经网络的最新进展
- 作业
- 掌握 RNN 和 LSTM 的基本知识
- slides: lecture10
- 观看视频 p21
- 了解语言模型和 image caption 的基本方法
- slides: lecture10
- 观看视频 p22 和 p23
- 更深入的理解循环神经网络的内部原理
- 学习blog Understanding LSTM Networks, 中文版本
- 作业
- 完成 assignment3 中的
RNN_Captioning.ipynb
- 完成 assignment3 中的
LSTM_Captioning.ipynb
- 完成 coco 数据集上的 image caption 小项目,参考代码