??機器視覺CV企業級超前沿開發實戰課程，融入了智能駕駛的高級應用實戰技術。從機器學習，深度學習，再到機器智能視覺，整體課程容的前瞻性和難度是非常具有挑戰的，需要同學們有非常深厚的技術功底，和攻堅克難的毅力才能完全的掌握精髓。課程在理論分析和實踐上都很有深度，在課程的體系構建上也更有深度，同時結合了最新的應用級項目，這樣更能夠快速的滿足實際應用中的挑戰與難題。
===============課程目錄===============
(1)\course.simulator；目錄中文件數:3個
├─beta-simulator-linux.zip
├─beta-simulator-mac.zip
├─beta-simulator-windows.zip
(2)\CV計算機視覺集訓營（視頻）；目錄中文件數:233個
├─1 任務1：機器學習、深度學習簡介[.mp4
├─10 任務10：問答環節.mp4
├─11 任務11：環境安裝.mp4
├─12 任務12：二元分類問題[.mp4
├─13 任務13：邏輯函數[.mp4
├─14 任務14：指數與對數 、邏輯回歸[.mp4
├─15 任務15：示例[.mp4
├─16 任務16：損失函數[.mp4
├─17 任務17：損失函數推演[.mp4
├─18 任務18：梯度下降法[.mp4
├─19 任務19：應用[.mp4
├─2 任務2：深度學習的發展歷史[.mp4
├─3 任務3：現代深度學習的典型例子[.mp4
├─4 任務4：深度學習在計算機視覺中的應用[.mp4
├─5 任務5：深度學習的總結[.mp4
├─6 任務6：開發環境的配置, Pythn, Nupy, Kas入門教程[.mp4
├─7 任務7：GPU驅動程序安裝.mp4
├─8 任務8：CUDA的安裝[.mp4
├─9 任務9：uDNN的安裝, Tnsf, PyTh的GPU測試[.mp4
├─任務100：道路行車道檢測代碼講解[.mp4
├─任務101：在圖像和視頻上面演示道路行車道檢測[.mp4
├─任務102：項目介紹[.mp4
├─任務103：交通指示牌識別的簡介[.mp4
├─任務104：交通指示牌識別課程的編程任務[.mp4
├─任務105：如何分析數據 (utpy 的詳細介紹)[.mp4
├─任務106：如何預處理圖像數據、建立神經網絡模型、訓練網絡模型 (tanpy 的詳細介紹)01[.mp4
├─任務107：如何預處理圖像數據、建立神經網絡模型、訓練網絡模型 (tanpy 的詳細介紹)02[.mp4
├─任務108：色彩空間轉換[.mp4
├─任務109：直方圖均衡[.mp4
├─任務110：圖像標準化[.mp4
├─任務111：使用IaDataGnat做圖像增強[.mp4
├─任務112：作業上傳的要求[.mp4
├─任務113：介紹經典交通指示牌卷積神經網絡模型[.mp4
├─任務114：代碼實現經典交通指示牌識別卷積神經網絡模型[.mp4
├─任務115：卷積神經網絡的數學原理01[.mp4
├─任務116：卷積神經網絡的數學原理02[.mp4
├─任務117：深度學習調參-直播-01[.mp4
├─任務118：深度學習調參-直播-02[.mp4
├─任務119：深度學習調參-直播-03[.mp4
├─任務120：卷積層的啟發[.mp4
├─任務121：卷積層的定量分析[.mp4
├─任務122：單通道輸入 單通道輸出的卷積層的實例[.mp4
├─任務123：多通道輸入 多通道輸出的卷積層的實例[.mp4
├─任務124：池化層的原理 定量分析[.mp4
├─任務125：卷積神經網絡和全連接神經網絡的比較[.mp4
├─任務126：卷積神經網絡在圍棋 語言識別和自然語言處理中的應用[.mp4
├─任務127：基于深度學習的圖像分類歷史回顧[.mp4
├─任務128：AxNt的結構分析[.mp4
├─任務129：ZFNt的結構分析[.mp4
├─任務130：VGG的結構分析[.mp4
├─任務131：GNt Inptn的結構分析[.mp4
├─任務132：Inptn V3的結構分析.mp4
├─任務133：RsNt的結構分析[.mp4
├─任務134：RsNt的代碼實現[.mp4
├─任務135：基于內容的圖像搜索理論基礎[.mp4
├─任務136：基于去噪自動編碼器的圖像搜索代碼實現[.mp4
├─任務137：使用卷積神經網絡進行語義圖像嵌入在目標檢測, 自動駕駛, 圖像超分辨率重構, 工業探傷等等領域的應用[.mp4
├─任務138：項目1-看圖說話（助教）講解和答疑-01[.mp4
├─任務139：項目1-看圖說話（助教）講解和答疑-02[.mp4
├─任務140：項目介紹[.mp4
├─任務141：自動駕駛方向盤轉動方向預測的背景知識[.mp4
├─任務142：如何收集訓練數據[.mp4
├─任務143：理解分析訓練數據[.mp4
├─任務144：自動駕駛方向盤轉動方向預測的網絡結構和網絡訓練代碼講解[.mp4
├─任務145：提高網絡性能的思路 圖像處理、數據增強、網絡結構優化[.mp4
├─任務146：探索數據01[.mp4
├─任務147：探索數據02[.mp4
├─任務148：圖像增強01[.mp4
├─任務149：圖像增強02[.mp4
├─任務150：解決數據不平衡的問題 DataGnat的應用[.mp4
├─任務151：網絡結構實例[.mp4
├─任務152： 圖像增強部分的代碼講解[.mp4
├─任務153：DataGnat部分的代碼講解[.mp4
├─任務154：網絡結構實現部分的代碼講解[.mp4
├─任務155：方向盤轉動方向預測網絡模型的性能評估方法[.mp4
├─任務156：使用模擬器定性的判斷網絡性能的方法以及代碼講解[.mp4
├─任務157：模擬器自動駕駛的展示[.mp4
├─任務158：通過損失函數的變化判斷網絡性能、識別和解決過擬合和欠擬合的問題[.mp4
├─任務159：如何安裝Pythn 連接模擬器的Pythn 庫[.mp4
├─任務160：nds 下面使用自動駕駛模擬器的教程[.mp4
├─任務161：a 下面使用自動駕駛模擬器的教程[.mp4
├─任務162：目標識別綜述[.mp4
├─任務163：基于HOG(梯度直方圖)的目標識別[.mp4
├─任務164：Nn-Max Suppssn IU 和 Had Natv Mnn[.mp4
├─任務165：R-CNN的工作原理[.mp4
├─任務166：R-CNN中的邊界框(Bundn Bx)預測原理[.mp4
├─任務167：R-CNN的不足之處[.mp4
├─任務168：Fast R-CNN詳解[.mp4
├─任務169：Fast R-CNN Rn Ppsa Ntk[.mp4
├─任務170：R-CNN Fast R-CNN Fast R-CNN的總結[.mp4
├─任務171：目標識別 R-CNN家族的回顧[.mp4
├─任務172：SSD的簡介 SSD與R-CNN的比較[.mp4
├─任務173：SSD的網絡結構(1)[.mp4
├─任務173：SSD的網絡結構[.mp4
├─任務174：如何使用卷積作為最后的預測層[.mp4
├─任務175：SSD的訓練過程[.mp4
├─任務176：SSD的實驗結果分析[.mp4
├─任務177：VGG16到SSD網絡的演化 L2Nazatn層的實現[.mp4
├─任務178：SSD各個技術對失敗率的影響 Atus卷積層的原理[.mp4
├─任務179：使用卷積作為最后的預測層詳解[.mp4
├─任務180：SSD定位損失函數詳解[.mp4
├─任務181：SSD中Anh尺寸 寬高比 中心位置的確定[.mp4
├─任務182：SSD中分類損失函數詳解[.mp4
├─任務183：Nn-Max Suppssn的原理[.mp4
├─任務184：SSD和YOLO的比較 SSD的總結[.mp4
├─任務185：圖像分割簡介[.mp4
├─任務186：基于深度學習的圖像分割U-Nt的原理[.mp4
├─任務187：Tanspsd Cnvutn原理與運用[.mp4
├─任務188：U-Nt的代碼講解[.mp4
├─任務189：圖像生成的原理[.mp4
├─任務190：使用深度學習自動圖像生成手寫數字的代碼講解[.mp4
├─任務191：圖像風格轉移的原理[.mp4
├─任務192：使用深度學習實現圖像風格轉移的代碼講解[.mp4
├─任務193：SSD的原理回顧[.mp4
├─任務194：編程項目的訓練數據介紹[.mp4
├─任務195：對SSD模型對產生Anh有影響的參數講解[.mp4
├─任務196：對候選框精選處理有影響的參數講解[.mp4
├─任務197：對輸入模型參數的合法性檢測和轉換[.mp4
├─任務198：具有7層的SSD的網絡結構講解[.mp4
├─任務199：編譯模型, 使用模型做預測[.mp4
├─任務200：SSD解碼的實現[.mp4
├─任務201：幫助函數IU, 坐標轉換, SSD損失函數, Nn-Max-Suppssn的實現[.mp4
├─任務202：二值化神經網絡的簡介[.mp4
├─任務203：二值化網絡的前向后向傳播, 梯度計算原理[.mp4
├─任務204：二值化網絡的訓練算法[.mp4
├─任務205：二值化網絡的實驗結果[.mp4
├─任務206：二值化全連接網絡的代碼講解[.mp4
├─任務207：DputNSa層的實現[.mp4
├─任務208：BnayDns層的實現[.mp4
├─任務209：二值化卷積神經網絡的代碼講解[.mp4
├─任務20：直播答疑[.mp4
├─任務210：項目作業要求[.mp4
├─任務211：神經網絡在實際應用中面臨的挑戰, 輕量級深度神經網絡的必要性[.mp4
├─任務212：MNt, Dpths Spa Cnvutn的原理計算量分析[.mp4
├─任務213：ShuffNt, Gup Cnvutn, Chann Shuff的原理[.mp4
├─任務214：EffNt, Spata Spa Cnvutn的原理計算量分析和實驗效果[.mp4
├─任務215：htht-ntk答疑時間[.mp4
├─任務216：回顧EffNt的原理[.mp4
├─任務217：EffNt的代碼講解[.mp4
├─任務218：On-Sht Lann 的意義和工作原理[.mp4
├─任務219：用于On-Sht Lann 的Sas 深度神經網絡的介紹[.mp4
├─任務21：自動駕駛方向盤預測論文分析[.mp4
├─任務220：Sas 深度神經網絡的實驗和結果分析[.mp4
├─任務221：Tanspsd Cnvutn 的應用, 算法回顧, 以及使用矩陣乘法實現[.mp4
├─任務222：Tanspsd Cnvutn 的梯度推導[.mp4
├─任務223：將卷積核轉換為Tptz Matx用于矩陣乘法實現Tanspsd[.mp4
├─任務224：同學對課程的效果反饋調查[.mp4
├─任務225：使用 Sas 網絡做門禁卡系統的入門介紹, 數據集的介紹[.mp4
├─任務226：PyTh 基礎教程[.mp4
├─任務227：Sas On-Sht ann 知識回顧[.mp4
├─任務228：使用 PyTh thvsn 庫高效讀取數據[.mp4
├─任務229：使用 PyTh 定義 Sas 網絡結構[.mp4
├─任務22：使用PyCha Kas建立深度網絡模型[.mp4
├─任務230：使用 PyTh 寫訓練網絡的代碼[.mp4
├─任務231：使用 PyTh 寫測試網絡的代碼[.mp4
├─任務23：數據預處理 數據增強[.mp4
├─任務24：建立BathGnat高效讀取數據[.mp4
├─任務25：訓練網絡 保存訓練的中間過程數據[.mp4
├─任務26：查看網絡訓練過程 判斷網絡是否過擬合 欠擬合[.mp4
├─任務27：神經網絡分類問題的經典數據（集鳶尾花數據集）介紹，神經網絡Pythn庫Kas的介紹[.mp4
├─任務28：使用Pandas讀取鳶尾花數據集， 使用LaEnd對類別標簽進行編碼[.mp4
├─任務29：使用Kas創建一個用于鳶尾花分類識別的神經網絡[.mp4
├─任務30：訓練用于鳶尾花分類的神經網絡 解讀訓練輸出的日志 了解如何評價神經網絡的性能[.mp4
├─任務31：神經網絡數學原理（1）： 神經網絡的結點，權值，激活函數[.mp4
├─任務32：神經網絡數學原理（2）： 神經網絡的前饋（Fd Fad）算法[.mp4
├─任務33：神經網絡數學原理（3）：神經網絡的前饋（Fd Fad）算法續，Sftax層的數值問題[.mp4
├─任務34：神經網絡數學原理（4）：神經網絡BP（誤差反向傳播）算法[.mp4
├─任務35：神經網絡數學原理（5）：神經網絡BP（誤差反向傳遞）算法續[.mp4
├─任務36：神經網絡數學原理（6）：手動演算神經網絡BP算法（誤差向后傳遞）[.mp4
├─任務37：神經網絡數學原理（7）：手動演算神經網絡BP算法（誤差向后傳遞）續[.mp4
├─任務38：NuaNtkLss-直播01[.mp4
├─任務39：NuaNtkLss-直播02[.mp4
├─任務40：NuaNtkLss-直播03[.mp4
├─任務41：梯度消亡[.mp4
├─任務42：梯度消亡問題分析[.mp4
├─任務43：梯度消亡解決方案[.mp4
├─任務44：過擬合[.mp4
├─任務45：DpOut 訓練[.mp4
├─任務46：正則化[.mp4
├─任務47：最大范數約束 神經元的初始化[.mp4
├─任務48：作業講解與答疑-01[.mp4
├─任務49：作業講解與答疑-02[.mp4
├─任務50：為什么需要遞歸神經網絡？[.mp4
├─任務51：遞歸神經網絡介紹[.mp4
├─任務52：語言模型[.mp4
├─任務53：RNN的深度[.mp4
├─任務54：梯度爆炸和梯度消失[.mp4
├─任務55：Gadnt Cppn[.mp4
├─任務56：LSTM的介紹[.mp4
├─任務57：LSTM的應用[.mp4
├─任務58：B-Dtna LSTM[.mp4
├─任務59：Gatd Runt Unt[.mp4
├─任務60：機器翻譯[.mp4
├─任務61：Mutda Lann[.mp4
├─任務62：Sq2Sq模型[.mp4
├─任務63：回顧RNN與LSTM[.mp4
├─任務64：Attntn f Ia Captnn[.mp4
├─任務65：Attntn f Mahn Tansatn[.mp4
├─任務66：Sf-Attntn[.mp4
├─任務67：Attntn總結[.mp4
├─任務68：nua ntk ptz直播-01[.mp4
├─任務69：nua ntk ptz直播-02[.mp4
├─任務70：nua ntk ptz直播-03[.mp4
├─任務71：項目介紹[.mp4
├─任務72：看圖說話任務一-01[.mp4
├─任務73：看圖說話任務一-02[.mp4
├─任務74：看圖說話任務一-03[.mp4
├─任務75：任務介紹[.mp4
├─任務76：如何實現 ad__as_np_aay 這個函數[.mp4
├─任務77：如何實現“ad_v16_d”函數[.mp4
├─任務78：如何實現“xtat_fatus”函數[.mp4
├─任務79：創建Tknz01[.mp4
├─任務80：創建Tknz02[.mp4
├─任務81：產生模型需要的輸入數據01[.mp4
├─任務82：產生模型需要的輸入數據02[.mp4
├─任務83：任務的概述[.mp4
├─任務84：Input Eddn和Dput層介紹[.mp4
├─任務85：LSTM Add層的介紹[.mp4
├─任務86：如何訓練模型[.mp4
├─任務87：如何使用深度神經網絡模型做預測 產生標題 完成nat_aptn函數01[.mp4
├─任務88：如何使用深度神經網絡模型做預測 產生標題 完成nat_aptn函數02[.mp4
├─任務89：如何調用nat_aptn函數[.m(1)p4
├─任務89：如何調用nat_aptn函數[.mp4
├─任務90：如何評價標題生成模型的性能[.mp4
├─任務91：讀取和顯示數字圖像[.mp4
├─任務92：數字圖像大小縮放[.mp4
├─任務93：數字圖像直方圖均衡[.mp4
├─任務94：圖像去噪聲[.mp4
├─任務95：圖像邊緣檢測[.mp4
├─任務96：圖像關鍵點檢測[.mp4
├─任務97：道路行車道檢測簡介[.mp4
├─任務98：Canny邊緣檢測[.mp4
├─任務99：霍夫變換用于直線檢測[.mp4
