借鉴游戏化方式；
短期内，设定时间如3天，分解任务。达成目标

• 最近三天7.28-7.31目标及任务分解

• 找到小伙伴一起学，每周碰头讨论

计算机视觉学习清单(参考CSDN人工智能工程师课程)

我把卷积核理解为特征识别器，层数越深，意味着看的抽象级别越高，越全面．如同望远镜看月亮，哈勃望远镜和平民用的望远镜，区别太大了．
除此之外还有什么区别呢？

这个问题还可以这样问：
在CNN里，如何设计神经网络中的卷积核呢？

计算机视觉技能清单

1.基础技能

数学

• - 凸优化

• 概率论与数理统计

• 数学分析

• 线性代数

• 深度学习

• 统计机器学习

• 视觉神经学习

• low-level视觉学习

• 3D计算视觉

• 相机原理

中间层技能

• 图像分类
• 图像分割
• 目标检测
• 目标跟踪
• 视频（序列图像）分析

应用层技能

• OCR
• 图像检索
• 图像识别
• 视频内容理解（直播鉴黄/盗版检测）
• 手势识别
• 人脸识别
• 图像/视频编辑/风格化
• 智能视频分析
• 图像与NLP结合
• 3D重建
• 工业视觉
• 无人驾驶
• 医疗影像诊断
• 神经网络芯片

参考自《CSDN AI技术人才成长线路1.0》

什么是归一化、标准化？，但没有说明在特征工程中，什么情况下使用。

归一化、标准化、正则化的区别

• 除了课程提供的图片，另找三张图片，测试图像滤波、去噪、特征分析、描述。

ValueError: Unable to determine SOCKS version from socks://127.0.0.1:1080/

这个说得嘴清楚解决办法:https://www.smwenku.com/a/5c27cd57bd9eee16b4a843ed/zh-cn

机器学习翻越四座大山：

1. 代码-编程语言
   python:依据《笨办法学python》

2. 数学-理论基础
   先根据《人工智能：一种现代方法》附录掌握关键概念和知识点；
   再依据CSDN 课程建立体系；
   （做练习题）

3. 算法-深度学习
   依据CSDN课程；

4. 实践-应用场景
   CSDN两个项目；

5. 中途遇到困难，找谁解答？
   问金策及CSDN老师；

6. 遇难处，容易放弃，怎么办？

• 找个同伴；

• 找个目标；

人脑55%部分用来处理视觉信息相关.75%-80%信息来自视觉.视觉感知基本上是人类最重要的感知方式了.AI已经发展了三个阶段,下一个阶段人机协同/以人为核心,计算机视觉作为人类视觉的延伸和辅助,地位重要,应用广阔.

今天碰到了python2.7无法兼容opencv3.2部分方法问题.助教建议使用python3.配置环境和opencv/Python有点麻烦.但Python版本/opencv版本有什么关系和联系呢?

高阶模型配合实践策略，加上技巧；

背景:
Sklearn实现线性回归,Lasso 是 L2损失+L1正则,Ridge 是 L2损失+L2正则.弹性网络ElasticNet是L2 损失+(p*L1正则+(1-p)*L2正则),其中0<p<1.

问题:
在文件最后,测试将p设置为1,即让ElasticNet变成完全的L1正则,但预测结果比Lasso差太远了.为什么呢?

week6:1.2EDA_BikeShareing.ipynb
train['date']= pd.to_datetime(train['dteday'])
train['dayofyear']= train["date"].dt.dayofyear

根据此图得到RA核心技能清单:

图片来源： CSDN

但此图与CSDN RA课程内容不一样。课程内容删去部分知识点，有重点。