在线观看百度大脑CV开源开放能力公开课，快速掌握人工智能视觉应用技能！
零基础掌握深度学习CV能力、低门槛使用AI开发平台、接入配套软硬一体方案，助力场景落地。
【课程列表】
【课程详情】
深度学习平台
-
深度学习基础知识 -
numpy实现神经网络构建和梯度下降算法 -
计算机视觉领域主要方向的原理、实践 -
自然语言处理领域主要方向的原理、实践 -
个性化推荐算法的原理、实践
零基础入门深度学习（一）：用numpy实现神经网络训练
-
人工智能、机器学习、深度学习三者的关系，并简要介绍了深度学习的发展历史以及未来趋势。 -
介绍构建深度模型的五个步骤，并手把手教大家使用numpy实现神经网络。 -
原理介绍和代码实践并行，详细介绍了使用numpy实现梯度下降算法。
立即观看：
https://mp.weixin.qq.com/s/51HcXPWOAeNA5ycbBiLLgQ
零基础入门深度学习（二）：用一个案例掌握深度学习方法
-
数据处理和异步数据读取 -
网络结构设计及背后思想 -
损失函数介绍及使用方式 -
模型优化算法介绍和选择 -
分布式训练方法及实践 -
模型训练调试与优化 -
训练中断后恢复训练
立即观看：
https://mp.weixin.qq.com/s/UOM3SFnaj1Hb67WCfCdhRA
零基础入门深度学习（三）：卷积神经网络基础之初识卷积
-
卷积神经网络：卷积神经网络（Convolutional Neural Networks, CNN）是计算机视觉技术最经典的模型结构。这里主要介绍卷积神经网络的常用模块，包括：卷积、池化等。 -
图像分类：介绍图像分类算法的经典模型结构，并通过眼疾筛查的案例展示算法的应用。 -
目标检测：介绍目标检测YOLO-V3算法，并通过林业病虫害数据集中的虫子检测任务案例展示YOLO-V3算法的应用。
立即观看：
https://mp.weixin.qq.com/s/AzZReipGzVAS2mdaN0yDNg
零基础入门深度学习（四）：卷积神经网络基础之池化和Relu
立即观看：
https://mp.weixin.qq.com/s/XNAf1N2AR1xfvYNRapbLng
零基础入门深度学习（五）：卷积神经网络基础之BN和Dropout
批归一化方法（Batch Normalization，BatchNorm）是由Ioffe和Szegedy于2015年提出的，已被广泛应用在深度学习中，其目的是对神经网络中间层的输出进行标准化处理，使得中间层的输出更加稳定。
丢弃法（Dropout）是深度学习中一种常用的抑制过拟合的方法，其做法是在神经网络学习过程中，随机删除一部分神经元。
本次课程重点展开讲解了卷积神经网络里面的常用模块，如BN和Dropout。
立即观看：
https://mp.weixin.qq.com/s/5z__YcrOA_-eLttWaSiojg
零基础入门深度学习（六）：图像分类任务之LeNet和AlexNet
-
LeNet：Yan LeCun等人于1998年第一次将卷积神经网络应用到图像分类任务上[1]，在手写数字识别任务上取得了巨大成功。 -
AlexNet：Alex Krizhevsky等人在2012年提出了AlexNet[2], 并应用在大尺寸图片数据集ImageNet上，获得了2012年ImageNet比赛冠军(ImageNet Large Scale Visual Recognition Challenge，ILSVRC）。 -
VGG：Simonyan和Zisserman于2014年提出了VGG网络结构[3]，是当前最流行的卷积神经网络之一，由于其结构简单、应用性极强而深受广受研究者欢迎。 -
GoogLeNet：Christian Szegedy等人在2014提出了GoogLeNet[4]，并取得了2014年ImageNet比赛冠军。 -
ResNet：Kaiming He等人在2015年提出了ResNet[5]，通过引入残差模块加深网络层数，在ImagNet数据集上的识别错误率降低到3.6%，超越了人眼识别水平。ResNet的设计思想深刻的影响了后来的深度神经网络的设计。
立即观看：
https://mp.weixin.qq.com/s/14DCk5zMyJV5Olpz9FsCWg
零基础入门深度学习（七）：图像分类任务之VGG、GoogLeNet和ResNet
该课程讲解了计算机视觉中分类任务的主要内容，以眼疾识别任务为例，讲解了经典卷积神经网络VGG、GoogLeNet和ResNet。
立即观看：
https://mp.weixin.qq.com/s/wo0Nz6LgAAksK7aSeiwLgg
零基础入门深度学习（八 ）：目标检测基础概念
对计算机而言，能够“看到”的是图像被编码之后的数字，但它很难解高层语义概念，比如图像或者视频帧中出现目标的是人还是物体，更无法定位目标出现在图像中哪个区域。目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置。本课程为大家讲解了计算机视觉中目标检测的基础概念。
立即观看：
https://mp.weixin.qq.com/s/upiiUT-HTDJ4lfWqARIW3A
零基础入门深度学习（九）：目标检测之常用数据预处理与增广方法
在本次的课程中，将使用百度与林业大学合作开发的林业病虫害防治项目中用到昆虫数据集，关于该项目和数据集的更多信息，可以参考相关报道。在这一小节中将为读者介绍该数据集，以及计算机视觉任务中常用的数据预处理方法。
立即观看：
https://mp.weixin.qq.com/s/nxAZz0GN6zrgAP44AdiLzg
零基础入门深度学习（十）：目标检测之YOLOv3算法实现上篇
与R-CNN系列算法不同，YOLO-V3使用单个网络结构，在产生候选区域的同时即可预测出物体类别和位置，不需要分成两阶段来完成检测任务。另外，YOLO-V3算法产生的预测框数目比Faster-RCNN少很多。Faster-RCNN中每个真实框可能对应多个标签为正的候选区域，而YOLO-V3里面每个真实框只对应一个正的候选区域。这些特性使得YOLO-V3算法具有更快的速度，能到达实时响应的水平。
本次课程为大家讲解YOLOv3算法中产生候选区域和卷积神经网络提取特征的部分。
立即观看：
https://mp.weixin.qq.com/s/0ErCafsa-PXsgXyR8RV_6g
零基础入门深度学习（十一）：目标检测之YOLOv3算法实现下篇
上一讲中，我们已经从概念上将输出特征图上的像素点与预测框关联起来了，那么要对神经网络进行求解，还必须从数学上将网络输出和预测框关联起来，也就是要建立起损失函数跟网络输出之间的关系。
本讲将为大家介绍建立损失函数、多层级检测和预测输出的相关内容。
立即观看：
https://mp.weixin.qq.com/s/-ro4c0sZSD1fLxlmhtMsug
AI 开发平台
EasyDL——零算法、零基础，进行模型训练和服务部署的应用实践
介绍并实际演示了在不同业务场景需求中，如何用EasyDL快速训练一个AI模型并快速落地应用。
课程包括三个部分内容
1、EasyDL的整体产品介绍、技术介绍及典型案例
2、如何用EasyDL快速训练办公室垃圾检测模型并离线部署
3、EasyDL商品检测专业版产品介绍，以及如何用EasyDL SKU采集箱采集数据并训练一个高精度的商品检测模型
立即观看：
http://www.iqiyi.com/w_19sade48oh.html
百度文字识别产品及iOCR自定义模板文字识别开发平台，包括：
1、百度OCR整体产品矩阵及优势
2、如何使用iOCR实现对任意固定版式卡证票据进行识别，满足个性化业务需求
3、以财会场景为例详细说明了iOCR产品的实际操作方式及业务实现流程
立即观看：
http://www.iqiyi.com/w_19sa7lbh7d.html
AI 开放能力
主要介绍百度大脑智能视频监控开发平台的产品架构与使用流程，讲解了：
1、安全帽检测、工服检测、吸烟检测等预置技能
2、以工厂安全生产为例，介绍如何创建项目，获取模型和技能
3、如何将软件部署到本地服务器
4、如何在本地完成摄像头管理、技能配置、安全事件监控等操作
立即观看：
http://www.iqiyi.com/w_19s8mwxi15.html
软硬一体方案
详细介绍预置人脸识别产品终端开发所需的软硬件模块。软件方面包含人脸采集、活体检测、离线1：1、1：N识别等核心功能；硬件方面包含定制主板、镜头、屏幕、串口及线材等配件，加上结构外壳，即可快速投入生产及部署。
立即观看：
http://www.iqiyi.com/w_19s8mwuge1.html
如需合作，请您点击【合作咨询】提交具体咨询信息；或可进入AI开发者社区，进行沟通交流。
