如今有大量的資源可以用來學習計算機視覺技術，那我們如何從眾多教程中進行選擇呢？哪個值得我們去投入時間呢？如果你也遇到這些問題，那么恭喜你來對地方了。我們通過理解數百種資源來選擇值得你花費時間的資源－這就是我們首先推出本文的主要原因之一。去年，我們廣泛地專注于兩個技術的學習方法——機器學習和深度學習，但是我們的社區(qū)需要更細化的學習路徑——一個結構化的計算機視覺學習路徑。

這是可以理解的，因為計算機視覺專家的需求和價值在業(yè)界遙遙領先。專門研究計算機視覺及其不同方面，你會看到大量招聘人員試圖接近你。我記得當我開始自己的計算機視覺之旅時，我同時參考了多種資源——書籍、文章（當時并不多）、YouTube視頻等等。因此，我很高興有機會為你整理這種結構化的計算機視覺學習路徑。在開始學習之前，讓我們了解一下為簡化你的學習過程而構建的框架。我們的計算機視覺學習路徑框架每個月都要有其對應的學習結構，這是我們對每個月需要了解的不同方面進行分類的方式：目標：這個月你會學到什么？關鍵要點是什么？你的計算機視覺之旅將如何進行？我們會在每個月初提及此問題，以確保你知道該月底的立場以及所處的位置建議時間：你每周平均應在該部分上花費多少時間學習資源：該月你將學習的計算機視覺主題的頂級資源集合，其中包括文章，教程，視頻，研究論文和其他類似資源你可以在此處下載該學習路徑的相應信息圖。https：／／discuss．analyticsvidhya．com／t／heres－your－learning－path－to－master－computer－vision－in－2020／87785在數據科學領域尋找其他學習途徑？別擔心，我們?yōu)槟闾峁┝耍?020年成為數據科學家和掌握機器學習的學習之路https：／／www．analyticsvidhya．com／blog／2020／01／learning－path－data－scientist－machine－learning－20202020年掌握深度學習的學習道路https：／／www．analyticsvidhya．com／blog／2020／01／comprehensive－learning－path－deep－learning－2020自然語言處理（NLP）學習路徑https：／／www．analyticsvidhya．com／blog／2020／01／learning－path－nlp－2020第1個月 – 涵蓋基礎知識：Python與統(tǒng)計目標：到第一個月末，你將對什么是計算機視覺有基本的了解。你還將對Python和Statistics（計算機視覺之旅中的兩個核心主題）有一定的知識儲備。

建議時間：每周5－6小時

計算機視覺的介紹和動機：SAS計算機視覺教程：它是什么，它為什么重要：https：／／www．sas．com／en＿in／insights／analytics／computer－vision．html

OpenCV中文官方教程v4．1（可選）：http：／／woshicver．com

先決條件：

Python：Analytics Vidhya撰寫的Python課程https：／／courses．analyticsvidhya．com／courses／introduction－to－data－science統(tǒng)計：可汗學院的描述性統(tǒng)計https：／／www．khanacademy．org／math／engageny－alg－1／alg1－2第2個月 – 使用機器學習解決圖像分類問題目標：你將對機器學習有基本的了解。你應該熟悉不同的圖像預處理技術，并能夠使用機器學習模型解決圖像分類問題。

建議時間：每周5－6小時

機器學習基礎：機器學習基礎https：／／www．analyticsvidhya．com／blog／2015／06／machine－learning－basics／sklearn中文官方教程0．22．1（可選）：http：／／sklearn123．com線性回歸https：／／www．analyticsvidhya．com／blog／2017／06／a－comprehensive－guide－for－linear－ridge－and－lasso－regression／邏輯回歸https：／／www．analyticsvidhya．com／blog／2015／10／basics－logistic－regression／斯坦福大學－機器學習的動機與應用https：／／see．stanford．edu／Course／CS229／47斯坦福大學的“過擬合”和“過擬合”的概念https：／／see．stanford．edu／Course／CS229／42圖像預處理：從圖像中提取特征的3種技術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－h(huán)og－feature－descriptor／SIFT特征https：／／www．analyticsvidhya．com／blog／2019／10／detailed－guide－powerful－sift－technique－image－matching－python／使用機器學習進行圖像分類：使用邏輯回歸進行圖像分類https：／／www．kaggle．com／gulsahdemiryurek／image－classification－with－logistic－regression使用Logistic回歸進行圖像分類https：／／mmlind．github．io／Using＿Logistic＿Regression＿to＿solve＿MNIST／項目：識別服裝https：／／datahack．analyticsvidhya．com／contest／practice－problem－identify－the－apparels／第三個月 –  Keras和神經網絡簡介目標：你將學習最常用的深度學習工具之一－Keras，你還將了解什么是神經網絡以及它們如何工作，到三月底，你將能夠使用神經網絡解決圖像分類問題。