【资源目录】:
├──0-3
| ├──【第1周】 快速搞清楚人工智能
| | └──1-1 人工智能发展前景与就业方向
| | | ├──1-1-1 第1章 课程全面解析
| | | ├──1-1-2 第2章 人工智能到底是什么？
| | | ├──1-1-3 第3章 人工智能发展背后的历史
| | | └──1-1-4 第4章 解锁人工智能各大行业典型应用&就业方向
| ├──【第2周】 AI编程基石：Python入门与进阶
| | ├──2-1 Python起步：入门与环境搭建
| | | ├──2-1-1 第1章 周课程整体介绍和安排
| | | ├──2-1-2 第2章 Anacond软件：安装、管理python相关包
| | | ├──2-1-3 第3章 Jupyter Notbook&Pycharm：Py开发
| | | └──2-1-4 第4章 环境配置的优化方案
| | ├──2-2 Python基础与程序流程控制
| | | ├──2-2-1 第1章 基础语法与输入出
| | | ├──2-2-2 第2章 顺序结构语句
| | | ├──2-2-3 第3章 选择结构语句
| | | └──2-2-4 第4章 循环结构语句
| | ├──2-3 Python列表、元组、字典和集合
| | | └──2-3-1 第1章 Python序列与应用
| | ├──2-4 Python函数、模块，文件与文件夹操作
| | | ├──2-4-1 第1章 Python函数
| | | ├──2-4-2 第2章 python模块
| | | └──2-4-3 第3章 Python文件与文件操作
| | └──2-5 Python面向对象编程
| | | ├──2-5-1 第1章 面向对象的概念
| | | ├──2-5-2 第2章 面向对象的特征
| | | └──2-5-3 第3章 综合案例
| └──【第3周】 AI编程基石：Python高级编程
| | ├──3-1 Python的文件、表格、绘图、视频处理
| | | ├──3-1-1 第1章 周课程整体介绍与安排
| | | ├──3-1-2 第2章 文本文件操作
| | | ├──3-1-3 第3章 pandas 表格数据处理
| | | ├──3-1-4 第4章 Matplotlib 常用画图处理
| | | ├──3-1-5 第5章 OpenCV 影像数据处理
| | | └──3-1-6 第6章 pickle文件处理：数据序列化处理
| | └──3-2 PyQt构建用户界面应用程序
| | | ├──3-2-1 第1章 PyQt安装与构建用户界面
| | | └──3-2-2 第2章 优化PyQt构建用户界面应用程序
├──11-15
| ├──【第11周】 深入PyTorch模型的训练与可视化
| | ├──11-1 PyThorch训练基础与数据可视化
| | | └──11-1-1 第1章 模型训练与可视化
| | ├──11-2 PyThorch训练进阶与性能优化
| | | ├──11-2-1 第1章 PyTorch 训练进阶
| | | └──11-2-2 第2章 模型性能提升方法
| | └──11-3 PyThorch软件封装
| | | └──11-3-1 第1章 PyThorch软件封装
| ├──【第12周】 CNN图像处理模型
| | ├──12-1 简单链式模型理论与实战
| | | └──12-1-1 第1章 简单链式模型理论与实战
| | ├──12-2 多分支模型理论与实战
| | | └──12-2-1 第1章 多分支模型理论与实战
| | └──12-3 残差模型理论与实战
| | | └──12-3-1 第1章 残差模型理论与实战
| ├──【第13周】 移动端AI高效率分组模型
| | ├──13-1 mobilenet模型理论与实战
| | | ├──13-1-1 第1章 卷积拆分分组与Xception
| | | ├──13-1-2 第2章 MobileNet 模型
| | | └──13-1-3 第3章 从零搭建MobileNet模型
| | └──13-2 shufflenet模型理论与实战
| | | ├──13-2-1 第1章 ShuffleNet模型
| | | └──13-2-2 第2章 从零搭建ShuffleNet模型
| ├──【第14周】 卷积注意力模型
| | ├──14-1 特征通道注意力
| | | ├──14-1-1 第1章 注意力模型基础
| | | ├──14-1-2 第2章 特征注意力模型
| | | └──14-1-3 第3章 从零搭建SENet
| | ├──14-2 空间注意力
| | | └──14-2-1 第1章 空间注意力
| | └──14-3 混合注意力模型
| | | └──14-3-1 第1章 混合注意力模型
| └──【第15周】 Transformer模型
| | └──15-1 Transformer 原理与实现
| | | ├──15-1-1 第1章 自注意力机制
| | | ├──15-1-2 第2章 Transformer模型
| | | └──15-1-3 第3章 从零搭建Transformer
├──16-20
| ├──【第16周】 Vision Transformer 模型
| | ├──16-1 Vision Transformer模型
| | | ├──16-1-1 第1章 基础 ViT模型
| | | └──16-1-2 第2章 从零搭建Vision Transformer
| | └──16-2 轻量级VisionTransformer
| | | ├──16-2-1 第1章 轻量级ViT模型
| | | └──16-2-2 第2章 从零搭建Mobile ViT模型
| ├──【第17周】【视觉领域】图像分类技术与项目实战
| | ├──17-1 图像分类基础与实践：安防监控人脸表情识别
| | | ├──17-1-1 第1章 图像分类基础与模型
| | | └──17-1-2 第2章 人脸表情识别实战
| | └──17-2 多标签分类与实战：生活用品多标签分类
| | | ├──17-2-1 第1章 多标签图像分类模型
| | | └──17-2-2 第2章 实战：生活用品多标签分类
| ├──【第18周】 【工业领域】目标检测技术与项目实战
| | ├──18-1 目标检测基础与YOLO系列模型原理
| | | ├──18-1-1 第1章 目标检测基础
| | | └──18-1-2 第2章 YOLO系列模型原理
| | └──18-2 实践：YOLO v5车牌检测实战
| | | └──18-2-1 第1章 YOLO v5车牌检测实战
| ├──【第19周】 【医疗与直播领域】图像分割技术与项目实战
| | ├──19-1 图像分割基础与模型
| | | ├──19-1-1 第1章 图像分割基础
| | | ├──19-1-2 第2章 经典语义分割模型
| | | └──19-1-3 第3章 语义分割的关键技术改进
| | └──19-2 实践：基于UNet的人脸语义分割
| | | └──19-2-1 第1章 基于UNet的人脸语义分割实战
| └──【第20周 】【视频分析领域-火热领域】视频分类技术与项目实战
| | ├──20-1 视频分类与行为识别基础
| | | ├──20-1-1 第1章 视频分类基础
| | | ├──20-1-2 第2章 三维卷积模型
| | | └──20-1-3 第3章 双流模型
| | └──20-2 实战：3DCNN视频分类实战
| | | └──20-2-1 第1章 3DCNN视频分类实战
├──4-10
| ├──【第10周】 PyTorch数据处理与网络模型构建
| | ├──10-1 PyTorch入门与应用
| | | ├──10-1-1 第1章 周课程整体介绍与安排
| | | ├──10-1-2 第2章 安装PyTorch
| | | └──10-1-3 第3章 Tensor的操作
| | ├──10-2 数据集加载与应用
| | | ├──10-2-1 第1章 Dataset与Dataloader
| | | └──10-2-2 第2章 数据增强与转换
| | └──10-3 网络模型搭建实战
| | | └──10-3-1 第1章 网络模型搭建实战
| ├──【第4周】 人工智能底层基石-三大必备AI 数学基础
| | ├──4-1 线性代数：人工智能数据基础
| | | ├──4-1-1 第1章 周课程整体介绍与安排
| | | └──4-1-2 第2章 线性代数
| | ├──4-2 微积分： 数学背后的AI力量
| | | ├──4-2-1 第1章 概念回顾：导数、微分、积分
| | | ├──4-2-2 第2章 链式求导
| | | └──4-2-3 第3章 反向传播算法
| | └──4-3 概率论： 数据科学与AI的关键
| | | └──4-3-1 第1章 概率论核心概念与案例
| ├──【第5周】 机器学习 – 解锁人工智能的核心
| | ├──5-1 机器学习理论&常见任务
| | | ├──5-1-1 第1章 周介绍和课程安排
| | | ├──5-1-2 第2章 机器学习基础
| | | ├──5-1-3 第3章 机器学习特征
| | | └──5-1-4 第4章 机器学习常见任务
| | ├──5-2 评估目标与优化目标
| | | ├──5-2-1 第1章 机器学习评估指标
| | | └──5-2-2 第2章 机器学习优化目标
| | └──5-3 机器学习模型实践
| | | └──5-3-1 第1章 逻辑回归模型原理与实战
| ├──【第6周】 神经网络 – 处理和学习复杂的数据
| | ├──6-1 单层神经网络原理与实践
| | | ├──6-1-1 第1章 周课程整体介绍与安排
| | | ├──6-1-2 第2章 生物神经网络原理
| | | └──6-1-3 第3章 感知器与梯度反向传播
| | ├──6-2 多层神经网络原理与实践
| | | ├──6-2-1 第1章 多层感知器与反向传播算法
| | | └──6-2-2 第2章 多层神经网络案例实践
| | └──6-3 序列神经网络
| | | ├──6-3-1 第1章 序列预测问题与RNN模型
| | | └──6-3-2 第2章 长短时记忆网络与门控循环单元
| ├──【第7周】 卷积神经网络（CNN）-处理具有网格结构数据的任务
| | ├──7-1 卷积神经网络基础
| | | ├──7-1-1 第1章 周课程整体介绍与安排
| | | ├──7-1-2 第2章 卷积神经网络基础
| | | └──7-1-3 第3章 卷积与全连接的比较
| | └──7-2 典型卷积神经网络模型
| | | ├──7-2-1 第1章 卷积与池化反向传播
| | | └──7-2-2 第2章 典型卷积神经网络模型
| ├──【第8周】 深度学习优化-使用深层神经网络来解决复杂的任务
| | ├──8-1 参数初始化+激活函数
| | | ├──8-1-1 第1章 周课程整体介绍与安排
| | | ├──8-1-2 第2章 深度学习优化：标准化
| | | └──8-1-3 第3章 深度学习优化：泛化与正则化
| | ├──8-2 标准化方法+正则化
| | | ├──8-2-1 第1章 标准化方法
| | | └──8-2-2 第2章 正则化
| | └──8-3 学习率与最优化方法
| | | └──8-3-1 第1章 学习率与最优化方法
| └──【第9周】 数据获取、整理与应用 – 构建数据之源，驱动智能决策
| | ├──9-1 数据获取与整理：构建可靠数据
| | | ├──9-1-1 第1章 周课程整体介绍与安排
| | | ├──9-1-2 第2章 数据获取：图像和视频数据爬取
| | | ├──9-1-3 第3章 数据整理：对数据进行整理、清洗和去噪
| | | └──9-1-4 第4章 数据标注：工具与使用
| | └──9-2 数据增强方法与实践
| | | ├──9-2-1 第1章 数据增强
| | | └──9-2-2 第2章 数据增强库imgaug实践
└──源码课件电子书
| └──【0】源码+PDF课件+电子书 .zip 4.57G