速来围观：斯坦福大学李飞飞教授开新课！
点击上方关注，All in AI中国
斯坦福大学人工智能系列课程CS231n新增一课，2019年春季开设视觉识别的卷积神经网络（Convolutional Neural Networks for Visual Recognition）课程。该课程由李飞飞教授团队讲授。
课程描述
随着搜索、图像理解、应用程序、地图、医学、无人机和自动驾驶汽车等领域的应用，计算机视觉已经在我们的社会中变得无处不在。这些应用程序的核心是视觉识别任务，如图像分类、定位和检测。最近神经网络(又称“深度学习”)方法的发展极大地提高了这些最先进的视觉识别系统的性能。本课程深入研究深度学习架构的细节，重点学习这些任务的端到端模型，特别是图像分类。在为期10周的课程中，学生将学习如何实现、训练和调试自己的神经网络，并对计算机视觉领域的前沿研究有一个详细的了解。最后一项任务是训练一个数百万参数的卷积神经网络，并将其应用于最大的图像分类数据集(ImageNet)。我们将重点讲授如何设置图像识别问题、学习算法(如反向传播)、训练和微调网络的实际工程技巧，并通过实际作业和期末课程项目指导学生。本课程的大部分背景和材料将取自ImageNet挑战赛。
授课团队来自由李飞飞教授领导的斯坦福大学视觉实验室，主讲老师为李飞飞教授，Justin Johnson和Serena Yeung. 助教团队多达23人。
先决条件
熟练使用Python，熟悉C/ c++
所有的课堂作业都将使用Python(并使用numpy)(我们在这里为那些不太熟悉Python的人提供了一个教程)，但是我们稍后可能在课堂上看到一些深度学习库是用c++编写的。如果你有丰富的编程经验，但使用不同的语言(如C/ c++ /Matlab/Javascript)，你可能会用的很好。
大学微积分、线性代数(如数学19或41，数学51)
你们应该熟悉求导和理解矩阵向量运算和符号。
基本概率及统计(例如CS 109或其他统计课程)
你应该了解概率、高斯分布、均值、标准差等基本知识。
CS229相关知识(机器学习)
我们将制定成本函数、求导和梯度下降进行优化。
斯坦福大学李飞飞教授2019年cs231n课程1-3节Slides的下载链接：
「链接」 密码:w9a5
编译出品