【01】 人工智能与计算机视觉：课程导论
课时量：1周，每周 2-3 小时视频+跟视频操作时间
课程简介：本门课程作为AI工程师计算机视觉方向的开篇导论，将会以思维扩展为主，讲解人工智能CV方向的主流技术体系及理论知识概述，使学员了解一个合格的AI工程师需要具备哪些技术能力。同时在微专业开始的第一周，我们会指导大家完成课程的前期准备工作，包括加入课程QQ群、获得学号等。
课程大纲：
第一课
第一章 人工智能-计算机视觉概述
1.1 如何学习AI？
1.2 计算机视觉发展史
1.3 计算机视觉技术和应用场景
【02】Python快速掌握
课时量：2周，每周 6-8 小时视频+跟视频操作时间
课程简介：Python作为最优美的语言，简单易懂，且配备非常成熟的数据分析和算法工具包，非常适合小白学习，以此展开自己的数据分析之路。本门课程将会从零开始教授Python语言，介绍Python基本语法，配合作业练习操作，使学员在短时间内掌握Python核心内容。
课程大纲：
第一章 Python语言基础
第二章 科学计算库numpy
第三章 数据分析库Pandas
第四章 图表绘制库 Matplotlib
考核项目1 – 豆瓣数据处理项目实战
【03】计算机视觉库OpenCV
课时量：1周，每周 8-10 小时视频+跟视频操作时间
课程简介：本门课程主要学习计算机视觉基础知识，及计算机视觉库OpenCV的使用，包括图像的载入、保存、剪切、缩放、移动、翻转等操作，并且使用OpenCV完成目标检测、人脸检测等实际应用。
课程大纲：
第零章 体验课 Opencv图像处理
第一章 基础操作
第二章 几何变换
第三章 形态学
第四章 图像平滑
第五章 颜色空间转换
第六章 二值化
第七章 图像梯度
第八章 Canny边缘检测
第九章 视频操作
第十章 人脸检测识别
考核项目2：人脸识别项目实战
【04】深度学习基础
课时量：1周，每周 2-4 小时视频+跟视频操作时间
课程简介：
深度学习的基础神经网络诞生于上世纪60年代，并且在上世纪80年代有一次比较大的发展，近几年爆发的深度学习热潮算是其第三次热潮。本门课程则会从上世纪60年代的神经网络基础开始学习，了解单层感知器，线性神经网络，梯度下降法，BP神经网络等算法及应用。
课程大纲：
第一章 感知器
课程1.0 本章节课程介绍
课程1.1 深度学习基本介绍和基本应用
课程1.2 深度学习发展背景和人物介绍
课程1.3 机器学习基础
课程1.4 单层感知器介绍
课程1.5 单层感知器应用案例
课程1.6 线性神经网络处理异或问题
课程1.7 delta学习规则和梯度下降法
第二章 BP神经网络
课程2.1 BP网络介绍
课程2.2 BP算法详细推导
课程2.3 激活函数和梯度消失讲解
课程2.4 BP神经网络-异或问题
课程2.5 BP神经网络实现手写数字识别
课程2.6 sklearn-手写数字识别
考核项目05_葡萄酒识别
【05】 深度学习框架I：Tensorflow
课时量：3周，每周 8-10 小时视频+跟视频操作时间
课程简介：课程内容基本上是以代码编程为主，也会有少量的深度学习理论内容。课程从TensorFlow最基础的图（graphs），会话（session）、张量（tensor）、变量（variable）等一些最基础的知识开始讲起，逐步讲到Tensorflow的基础使用，以及其中CNN和LSTM的使用，在课程后面还会学到多分类图像识别等。
课程大纲：
第一章 Tensorflow基础
课程1.0 第一周课程介绍
课程1.1 Tensorflow介绍和安装
课程1.2 Tensorflow基本概念
课程1.3 创建会话，启动会话
课程1.4 变量的使用
课程1.5 Fetch和Feed的用法
课程1.6 线性回归应用
课程1.7 非线性回归应用
1.8 MNIST数据集介绍
1.9 softmax函数介绍
1.10 MNIST数据集分类简单版本
第二章 概率论与数理统计（上）
2.1 交叉熵讲解
2.2 交叉熵程序
2.3 过拟合以及抵抗过拟合的方式
2.4 Dropout的应用
2.5 正则化的应用
2.6 优化器介绍
2.7 优化器的使用
第三章 概率论与数理统计（下）（第二周课程）
3.1 第二周课程介绍
3.2 Tensorboard网络结构
3.3 Tensorboard记录数据
3.4 模型保存载入方式（上）
3.5 模型保存载入方式（下）
第四章 卷积神经网络
4.1 CNN局部感受野和权值共享介绍
4.2 卷积具体计算和卷积核介绍
4.3 Pooling和Padding操作
4.4 卷积网络LeNET-5模型详解
4.5 卷积网络应用于MNIST数据集分类
第五章 序列模型
5.1 ImageNet介绍
5.2 RNN介绍
5.3 LSTM介绍
5.4 GRU,双向RNN,多层RNN介绍
5.5 LSTM手写数字识别
第六章 多分类图像识别（第三周课程）
6.1 Tensorflow的GPU版本安装
6.2 图像识别经典模型介绍
6.3 使用inception-v3完成图像识别
6.4 重新训练自己的图像识别模型
6.5 新训练好的图像识别模型做预测
第七章 破解图形验证码
7.1 多任务学习介绍
7.2 验证码生成
7.3 多任务学习-验证码识别模型
7.4 验证码识别模型测试
考核项目6 – mnist数据集分类程序优化
考核项目7 – Cifar10图像分类项目
考核项目8 – 场景分类项目
【06】深度学习框架II：Keras
课时量：2周，每周 8-10 小时视频+跟视频操作时间
课程简介：本门课程内容基本上是以代码编程为主，也会有少量的深度学习理论内容。课程会一步一步从Keras环境安装开始，到实现线性回归、非线性回归，手写数字分类模型，以及一些深度学习网络的应用如CNN、LSTM，最后会带着大家完成一个图像分类的实战任务。
课程大纲：
第一章 Keras基础
1.1 Keras简介
1.2 线性回归
1.3 非线性回归
1.4 Keras运用于“手写数字识别”
第二章 网络优化
2.1 交叉熵的运用
2.2 Dropout的运用
2.3 正则化
2.4 各种优化
第三章 卷积神经网络
第四章 序列模型
第五章 其他应用
5.1 保存模型
5.2 载入模型
5.3 绘制网络结构
第六章 猫狗分类问题
6.1 图像预处理
6.2 猫狗分类 - 简单CNN
6.3 猫狗分类 - VGG16 bottleneck
6.4 猫狗分类 - VGG16 Finetune
考核项目9：如何鉴别汪星人品种
【07】计算机视觉应用实战
课时量：4周，每周 8-10 小时视频+跟视频操作时间
课程简介：本门课程是计算机视觉微专业课程中最重要，同时也是难度最大的部分，在这个课程中我们会综合前面课程学习到的python语言基础、OpenCV运用、数学理论知识及深度学习算法知识、TensorFlow及Keras应用，来完成计算机视觉领域中最前沿的技术应用。
课程大纲：
第一章 目标检测
1.0 本周课程介绍
1.1 1×1卷积介绍
1.2 空洞卷积介绍
1.3 转置卷积介绍
1.4 目标检测简单方法介绍
1.5 全卷积网络FCN介绍
1.6 交并比和mAP介绍
1.7 mAP的具体计算方法
1.8 非极大值抑制NMS
1.9 RCNN介绍
1.10 SPP-Net介绍
1.11 Fast-RCNN介绍
1.12 Faster-RCNN结构以及RPN网络介绍
1.13 Faster-RCNN代价函数分析
1.14 Faster-RCNN训练流程和结果分析
1.15 目标检测算法中的one-stage和two-stage
1.16 SSD结构介绍
1.17 SSD特征金字塔
1.18 SSD代价函数和Match策略
1.19 SSD-Hard negative mining and Data augmentation
1.20 SSD算法结果分析
1.21 YOLOv1结构及工作流程
1.22 YOLOv1代价函数讲解以及缺点分析
1.23 YOLOv2网络结构Darknet-19讲解
1.24 YOLOv2精度优化-高分辨率和anchor
1.25 YOLOv2精度优化-维度聚类
1.26 YOLOv2精度优化-直接位置预测
1.27 YOLOv2精度优化-细粒度特征和多尺度训练
1.28 YOLOv3结构讲解
1.29 YOLOv3先验框设置和代价函数修改
1.30 目标检测标注工具labelImg使用
1.31 Tensorflow object detection API准备工作
1.32 使用训练好的目标检测模型完成目标检测任务
1.33 训练自己的目标检测模型
2.1 目标检测作业布置
2.2 第一章课件（无本地版，移动端可缓存）PDF
3.1 目标检测作业答案
第二章 目标分割
2.0 本章节课程介绍
2.1 目标分割任务介绍
2.2 目标分割数据集介绍
2.3 FCN网络结构介绍
2.4 FCN的跳级连接
2.5 语义分割评价标准
2.6 FCN结果分析
2.7 Mask-RCNN结构介绍
2.8 ROIAlign和ROIPooling对比
2.9 Mask-RCNN代价函数讲解
2.10 目标分割软件Labelme使用介绍
2.11 使用训练好的Mask-RCNN进行目标分割
2.12 训练自己的图像分割模型
2.13 目标分割作业布置（本章无解答，以上课程上完可完成）
2.14 第四章课件（无本地版，移动端可缓存）
第三章 人脸识别
3.1 人脸识别具体做什么？
3.2 人脸识别算法介绍
3.3 人脸属性识别算法介绍
3.4 人脸识别案例演练
第四章 图像风格迁移
4.1 什么是“图像风格迁移”？
4.2 算法介绍
4.3 图像风格迁移案例演练
第五章 生成对抗网络GAN
5.1 什么是“生成对抗网络GAN”
5.2 算法介绍
5.3 生成手写数字案例演练
考核项目10：行人检测项目
考核项目11：目标分割项目
考核项目12：监测视频中的人脸识别应用
【8】拓展课程:网易人脸检测与识别
课时量：1周，每周 3-5 小时视频+跟视频操作时间
课程简介：本门课程将会重点讲解人脸识别，包括Faster-RCNN、SSD等框架介绍，基于Caffe框架进行人脸检测模型的训练，并且手把手教大家训练Insightface算法，达到LFW95%以上的实验效果。最后通过实战项目，对比不同的loss函数及模型，对效果进行调优。
课程大纲：
第一章 人脸检测
1.1 人脸检测介绍
1.2 Caffe框架安装
1.3 人脸数据的处理
1.4 训练与测试
第二章 人脸关键点检测
1.1 人脸&关键点检测
第三章 人脸识别
1.1 课程介绍
1.2 人脸识别算法介绍
1.3 人脸算法工程师实战
1.4 人脸识别算法优先
【9】拓展课程:硅谷对抗样例及DL模型
课时量：1周，每周 3-5 小时视频+跟视频操作时间
课程简介：本门课程将会深入思考对抗样例及深度学习的弱点，讲解对抗样例的概念及发展历史，介绍对抗样例如何产生，及攻击图像识别的深度学习模型，并基于现有的对抗样例防范方法，提升模型的准确性。
课程大纲：
硅谷实战：对抗样例及DL模型弱点
1.0 导读篇
1.1 对抗样例介绍
1.2 对抗样例机理和构造
1.3 对抗样例的迁移
1.4 对抗样例的防御
