人工智能学习笔记

写在前面

本项目为个人的人工智能学习笔记，内含机器视觉、模式识别、机器学习等科目，包括传统方法与深度学习方法。本项目的基础语言是Python，以.py结尾的Python文件和.ipynb结尾的jupyter notebook文件为主。

其中部分算法为手动实现，部分算法为调用封装好的库函数实现（e.g. OpenCV、Scikit-learn、PyTorch等）；部分算法为本人手搓，部分算法借鉴了网络或身边人的思路。

我将本项目完全公开，希望可以帮助到同为AI技术初学者的同伴，彼此促进、共同进步。

项目介绍

项目分为多个板块，介绍如下。

一、preparation 准备工作

这里是人工智能技术的基本功，是开始正式学习前的准备工作与经典算法的复现。

1. classical_models： 经典深度学习模型的实现，包括ResNet、CNN、LSTM等，主要参考资料为我妻幸长的《写给新手的深度学习》与《写给新手的深度学习2》。
2. data_visualization： 数据可视化基础，内容为Python中matplotlib库的调用方法，主要参考资料为B站视频 https://www.bilibili.com/video/BV1wP411k7NM

二、professional_courses 专业课程

这里是学校专业课的作业与实验，包含各个不同领域的知识点。
注：部分内容由于学校要求，不能上传到公共平台

1. image_processing： 图像处理，内容为传统数字图像处理方法，大多数手动实现，部分调用OpenCV。其中images文件夹为读取的图像数据。
2. machine_learning： 机器学习，内容为经典机器学习算法，大多数手动实现，部分调用Scikit-learn。其中dataset文件夹为读取的数据。
3. pattern_recognition： 模式识别，内容为传统模式识别算法，大多数手动实现，部分调用Scikit-learn。其中dataset文件夹为读取的数据。
4. machine_vision： 机器视觉，内容为传统图像处理算法与三维视觉重建算法，大多数手动实现，部分调用OpenCV。其中images文件夹为读取的数据。
5. deep_learning： 深度学习，内容主要为基于PyTorch的深度学习网络的训练。
6. reinforcement_learning： 强化学习，主要为强化学习经典算法的学习（非学校课程，自学为主）。

三、practical_crouses 实训课程

这里是学校实训课的实验，以手动实现、算法理解为主。
注：部分内容由于学校要求，不能上传到公共平台

1. machine_learing： 机器学习基础实验，部分内容与professional_courses重合。

四、projects 项目练习

这里是各门功课中较难作业的集合。
注：部分内容由于学校要求，不能上传到公共平台

项目持续更新中，敬请期待。