如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源－这就是我们首先推出本文的主要原因之一。去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径——一个结构化的计算机视觉学习路径。
这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章（当时并不多）、YouTube视频等等。因此，我很高兴有机会为你整理这种结构化的计算机视觉学习路径。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。我们的计算机视觉学习路径框架每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式：目标：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置建议时间：你每周平均应在该部分上花费多少时间学习资源：该月你将学习的计算机视觉主题的顶级资源集合，其中包括文章，教程，视频，研究论文和其他类似资源你可以在此处下载该学习路径的相应信息图。https：／／discuss．analyticsvidhya．com／t／heres－your－learning－path－to－master－computer－vision－in－2020／87785在数据科学领域寻找其他学习途径？别担心，我们为你提供了：2020年成为数据科学家和掌握机器学习的学习之路https：／／www．analyticsvidhya．com／blog／2020／01／learning－path－data－scientist－machine－learning－20202020年掌握深度学习的学习道路https：／／www．analyticsvidhya．com／blog／2020／01／comprehensive－learning－path－deep－learning－2020自然语言处理（NLP）学习路径https：／／www．analyticsvidhya．com／blog／2020／01／learning－path－nlp－2020第1个月 – 涵盖基础知识：Python与统计目标：到第一个月末，你将对什么是计算机视觉有基本的了解。你还将对Python和Statistics（计算机视觉之旅中的两个核心主题）有一定的知识储备。
建议时间：每周5－6小时
计算机视觉的介绍和动机：SAS计算机视觉教程：它是什么，它为什么重要：https：／／www．sas．com／en＿in／insights／analytics／computer－vision．html
OpenCV中文官方教程v4．1（可选）：http：／／woshicver．com
先决条件：
Python：Analytics Vidhya撰写的Python课程https：／／courses．analyticsvidhya．com／courses／introduction－to－data－science统计：可汗学院的描述性统计https：／／www．khanacademy．org／math／engageny－alg－1／alg1－2第2个月 – 使用机器学习解决图像分类问题目标：你将对机器学习有基本的了解。你应该熟悉不同的图像预处理技术，并能够使用机器学习模型解决图像分类问题。
建议时间：每周5－6小时
机器学习基础：机器学习基础https：／／www．analyticsvidhya．com／blog／2015／06／machine－learning－basics／sklearn中文官方教程0．22．1（可选）：http：／／sklearn123．com线性回归https：／／www．analyticsvidhya．com／blog／2017／06／a－comprehensive－guide－for－linear－ridge－and－lasso－regression／逻辑回归https：／／www．analyticsvidhya．com／blog／2015／10／basics－logistic－regression／斯坦福大学－机器学习的动机与应用https：／／see．stanford．edu／Course／CS229／47斯坦福大学的“过拟合”和“过拟合”的概念https：／／see．stanford．edu／Course／CS229／42图像预处理：从图像中提取特征的3种技术https：／／www．analyticsvidhya．com／blog／2019／08／3－techniques－extract－features－from－image－data－machine－learning－python／HOG特征https：／／www．analyticsvidhya．com／blog／2019／09／feature－engineering－images－introduction－hog－feature－descriptor／SIFT特征https：／／www．analyticsvidhya．com／blog／2019／10／detailed－guide－powerful－sift－technique－image－matching－python／使用机器学习进行图像分类：使用逻辑回归进行图像分类https：／／www．kaggle．com／gulsahdemiryurek／image－classification－with－logistic－regression使用Logistic回归进行图像分类https：／／mmlind．github．io／Using＿Logistic＿Regression＿to＿solve＿MNIST／项目：识别服装https：／／datahack．analyticsvidhya．com／contest／practice－problem－identify－the－apparels／第三个月 – Keras和神经网络简介目标：你将学习最常用的深度学习工具之一－Keras，你还将了解什么是神经网络以及它们如何工作，到三月底，你将能够使用神经网络解决图像分类问题。
