a) 跑酷游戏的介绍

b) 机器需要学到什么，才能打好跑酷游戏

c) 卷积神经网络和跑酷游戏的联系是什么

d) 最基础的概念之一，什么是图片的通道

e) 最基础的概念之一，除了RGB之外，我们还会如何获取图片的信息

f) 如何从游戏画面中产生数据集

g) 如何得知用户按了什么键

h) 模型结构该如何设计

i) 如何训练网络

j) 如何评估网络的准确性

k) 如何能让机器学习的更准确

l) Python动手实战，边实战边讲解

a) 先来看几个例子，什么是照片背景虚化

b) 整体实现思路，会分成哪几个步骤

c) 首次讲解图片分割的知识背景

d) 业界有哪些个常用的图片分割场景

e) 图片预处理，继续讲解opencv计算机视觉库的函数

f) 有哪些巨人的肩膀我们可以“站”

g) 重点讲解Google MediaPipe的深度学习库

h) Numpy进阶知识之一，stack函数

i) Numpy进阶知识之一，where函数

j) Python动手实战，边实战边讲解

a) 什么是数独游戏

b) 大开脑洞，为什么能用卷积神经网络来完成这个游戏

c) 进阶知识之一，讲解关于卷积核的更多知识

d) 进阶知识之一，讲解关于池化的更多知识

e) 如何去自制一个数独的数据集

f) 基础知识之一，pandas的简单使用介绍

g) 图片预处理，几行代码写出数据标准化的函数

h) 重点知识讲解，Keras深度学习框架

i) 讲解最常用的一些Keras层

j) 深入讲解模型的结构

k) 什么是特征层，它和卷积的相关性

l) 讲解模型的输出尺寸

m) 进阶知识之一，深入讲解图片分类的输出形态

n) 这些知识点的总结归纳

o) Python动手实战，边实战边讲解

a) 自制一个钟表数据集需要用到的包

b) 数据集的X和Y分别是什么

c) 基础知识之一，制作表盘

d) 基础知识之一，制作时针和分针

e) Python动手实战，针对自制数据集的代码，进行讲解

f) 重点知识讲解，该如何设计模型的结构

g) 模型的损失函数设计

h) 这些知识点的归纳总结

i) Python动手实战，边实战边讲解

a) 几行代码实现彩色图片转换成黑白照片

b) 为什么黑白照片转换成彩色照片是一件很困难的事

c) 基础知识点之一，颜色模型，图片的RGB通道

d) 进阶知识点之一，用Lab颜色空间来表示图片

e) 颜色模型和颜色空间的区别

f) 教机器给黑白照片着色，模型结构该如何设计

g) 基础知识点之一，什么是填充Padding

h) 基础知识点之一，什么是跳跃Strides

i) 一份很特别的数据集

j) 如何实现颜色空间的预处理

k)Python动手实战，边实战边讲解

a) 什么是异常检测

b) 各行各业的异常检测有哪些

c) 异常检测的数据集特征

d) 使用标准方差的统计分布识别异常检测

e) 使用箱线图的统计分布识别异常检测

f) 使用密度算法识别异常检测

g) 使用深度学习的自动编码器识别异常检测

h) 自动编码器的几个核心知识点

i) 一份很特别的数据集

j) 如何确定出合理的异常检测标准

k)Python动手实战，边实战边讲解