限时删！985博士总结了一套人工智能学习笔记（20G高清/PPT/代码）

AI 显然是最近几年非常火的一个新技术方向，从几年前大家看法到 AI 的才能，到如今产业里曾经在普遍的讨论 AI 如何落地了。

我们可以预言将来在很多的范畴，很多的行业，AI 都会在里边起到重要的作用。

随着AI的不断持续火热，越来越多的人才涌入出去，但我发现一个行业现象：人才短缺，工程师过剩。

目前在商业中有所运用，而且可以创收的只要搜索引荐和计算机视觉，因此，这两个方向的人力缺口很大，尤其是计算机视觉。

前两年校招时可以看到，互联网、IT、生物医药、汽车安防等等行业，几乎都会有计算机视觉的岗位。

所以，很多其他方向的同窗末尾纷纷转向，随着大潮流投入计算机视觉这个方向，为什么这么多人投入计算机视觉方向？我以为有以下几个缘由：

入门容易

模型成熟

人才缺口大

热度高，名望大

其他的暂且不说，就着重的说一下入门容易和模型成熟这两点。

目前入门CV的常用套路就是：

看吴恩达《机器学习》《深度学习》课程，学一点机器学习的知识。

读几篇CV模型的文章，了解一下经典的Alexnet、R-CNN系列、YOLO等。

在github上找几个tensorflow、pytorch完成上述模型的开源代码。

下载VOC、ImageNet、COCO、kaggle等数据集。

按照开源代码中的Readme预备一下数据集，跑一下结果。

但好多初学者学了两个月、跑了几次结果后就以为曾经入行CV了，其实不然，这外面有一个需求留意的成绩：计算机视觉属于图像处理的范畴，而很多人却把它当成机器学习来对待。

但是实践上几乎80%的CV的从业者都没有从头至尾深化的学习图像处理方面的知识。

如今有了深度学习，不需求人为提取特征了，所以很多人不再关注图像底层的信息，而是直接越过这个根基去搭建模型，我觉得这是一个误区。

不同范畴的图像，例如OCT、MR、遥感、自然图像等等，有着宏大的特征差异，对这些特征差异性都不了解，怎样在搭建模型之后对精度停止提升和改进呢？怎样在原来模型的基础上做一些改变呢？

因此，我以为好好学习一下图像预处理、后处理的知识对CV有着至关重要的作用，例如图像去噪、分割、加强、增广等等。

但是网上很多教程也比较碎片，鉴于此，整理一套卷积神经网络、目的检测、OpenCV，从检测模型教学逐渐深化，帮你轻松掌握目的检测，轻松提升CV算法核心才能。

（材料内容过多，仅截取部分）

上次曾经给大家引荐过一次，但微信有限制每天只能加100个人，很多人反馈没有领到，这次又央求到了100个名额，速度支付，手慢无！

该视频出品人是王小天，目前就职于BAT之一，AI算法高级技术专家，法国TOP3高校双硕（计算机迷信和数学运用双硕士）毕业。