本课分为理论和实战两个部分。

理论：图像识别与人工智能.pdf

1.图像识别定义和问题

理想目标：让计算机像人一样理解图像

实际目标举例：让计算机将语义概念相似的图像划分为同一类别

飞桨深度学习学院零基础深度学习7日入门-CV疫情特辑学习笔记（二）DAY01 新冠疫情可视化

面临的难题：语义鸿沟 Semantic Gap: the gap between low-level visual features and high-level concepts（图像的底层视觉特性和高层语义概念之间的鸿沟）Ø例如：相似的视觉特性(color, texture, shape，...) ，不同的语义概念，简单的就是对人来说是包含丰富信息的图像，对计算机来说是由数字组成的多维数据。

2.传统图像识别方法

早起图像识别：特征提取---->索引技术---->相关反馈--->重排序
全局特征提取：用全局的视觉底层特性统计量表示图像(颜色、形状、纹理），原图片的各种特征通过向量空间映射形成向量。
索引技术：KD-Tr e e , L S H ( L o c a l i t y Sensitive Hashing)，二进制哈希减少了特征存储的空间，以及特征相似度计算的复杂度

问题：过于关注全局特征，丢掉了图像细节

中期图像识别：特征提取---->向量化---->索引技术---->后处理

3.人工智能发展历程

人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。简单来说就是使一部机器像人一样进行感知、认知、决策、执行的人工程序或系统。

飞桨深度学习学院零基础深度学习7日入门-CV疫情特辑学习笔记（二）DAY01 新冠疫情可视化

基于深度学习的图像识别

任务描述：输入图像像素，通过深度学习网络处理，输出分类结果，识别是猫还是狗。

深度学习应用：自动驾驶，人脸识别，语音识别，下棋对弈，影像识别，对话机器人等。

实战：新冠疫情可视化-基础版

可视化，是一种利用计算机图形学和图像处理技术，将数据转换成图像在屏幕上显示出来，再进行交互处理的理论、方法和技术。本次实践基于丁香园公开的统计数据，实现新冠疫情可视化，包括疫情地图、疫情增长趋势图、疫情分布图等。

学习方法：

1.直接在百度AI Studio中阅读案例代码，并运行，查看结果

老师基本上逐行讲解代码，注释很到位，理解上没问题。Python爬虫代码网上一大批一大批的，自己之前也接使用过，抓取某东的分期商品信息特好使。

总体过程描述：模拟浏览器 --> 往目标站点发送请求 --> 接收响应数据 --> 提取有用的数据 --> 保存到本地/数据库。

爬虫的过程：

1.发送请求（requests模块）

2.获取响应数据（服务器返回）

3.解析并提取数据（re正则）

4.保存数据

使用到的模块：json,re,requests,datetime

新的知识点就是pyecharts,之前只用过echarts,配置选项和图像显示美观方面浪费了不少时间。

关于pyecharts:

使用 options 配置项，在 pyecharts 中，一切皆 Options。