因工作需要，年初花了4个月左右时间学习了机器学习、神经网络相关的知识，工作日每天大概学习4-6个小时，周末每天大概10个小时，工作中的需求应对也得心应手了。
想快速入门的话，从自己的经验看，可以先不看高等数学和线性代数，因为机器学习和深度学习中涉及的相关知识并不多。
视觉的知识部分建议分成两部分学习，第一部分传统图像处理，第二部分基于深度学习的图像处理。
但我发现，几乎80%的CVer 都没有从头至尾深入的学习图像处理方面的知识。
现在有了深度学习，不需要人为提取特征了，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。
计算机视觉的提升不在于搭建模型，而在于不断调优、改进过程中积累的经验。
我们该怎么针对不同领域的图像设置不同的参数？其中包括卷积核大小、网络架构、初始权重等等，不可能拿到一个模型，既适合医学图像，又适合人脸识别，这其中就需要n次从70%的精度调到95%以上中积累出经验。
如果你决心要在这个领域深耕，那么图像底层方面的知识坚决不可跨越的，欲速则不达。
分享一套当时我学习过的教程，有视频、代码、PPT等，帮助大家打好基础。
跟着这个路线重新去梳理一下你的学习路线，相信计算机视觉水平一定会有质的提升。
资源已经整理好了，文末附下载方式！以下是详细内容介绍～
第一章：机器学习与计算机视觉
计算机视觉简介
技术背景
了解人工智能方向、热点
计算机视觉简介
cv简介
cv技能树构建
应用领域
机器学习的数学基础
线性与非线性变换
概率学基础
熵
kl散度
梯度下降法
计算机视觉与机器学习基础
图像和视频
图像的取样与量化
滤波
直方图
上采样
下采样
卷积
直方图均衡化算法
最近邻差值
单/双线性差值
特征选择与特征提取
特征选择方法
filter等
特征提取方法：PCA、LDA、SVD等
边缘提取
Canny
Roberts
Sobel
Prewitt
Hessian特征
Haar特征
相机模型
小孔成像模型
相机模型
镜头畸变
透视变换
计算机视觉与机器学习进阶
聚类算法
kmeans
层次聚类
密度聚类
谱聚类
坐标变换与视觉测量
左右手坐标系及转换
万向锁
旋转矩阵
四元数
三维计算机视觉
立体视觉
多视几何
SIFT算法
三维计算机视觉与点云模型
PCL点云模型
spin image
三维重构
SFM算法
图像滤波器
直通滤波
体素滤波
双边滤波器
条件滤波
半径滤波
图像增加噪声与降噪
OpenCV详解
OpenCV算法解析
线性拟合
最小二乘法
RANSAC算法
哈希算法
DCT算法
汉明距离
图像相似度
第二章：深度学习与计算机视觉
神经网络
深度学习与神经网络
深度学习简介
基本的深度学习架构
神经元
激活函数详解（sigmoid、tanh、relu等）
感性认识隐藏层
如何定义网络层
损失函数
推理和训练
神经网络的推理和训练
bp算法详解
归一化
Batch Normalization详解
解决过拟合
dropout
softmax
手推神经网络的训练过程
从零开始训练神经网络
使用python从零开始实现神经网络训练
构建神经网络的经验总结
深度学习开源框架
pytorch
tensorflow
caffe
mxnet
keras
优化器详解(GD,SGD,RMSprop等
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（计算机科学和数学应用双硕士）毕业。
????长按下方二维码 2 秒
立即领取
（添加小助理人数较多，请耐心等待）
他在人工智能和芯片领域发表10余篇论文，具有深厚的学术背景和丰富的项目及业务落地经验。工作期间主要负责人工智能业务线CV与NLP相关算法工作，推进人机混合智能、语义分割、机器翻译、虹膜识别等模块的核心算法研究与优化。对图像分类、物体检测、目标跟踪、自动驾驶、计算机体系结构等有深入的研究。他兼具理论与实战落地经验，深知初学者学习痛点。
有幸当时接触到了这份资源，能有一位这样的学术届与工业届双开花的大佬教程陪伴，完成从学校到职场的过渡。
