计算机视觉与人工智能学习指南
在开始任何课程之前，首先要了解自己的需求和目标。是否希望理解计算机视觉在业务问题中的概念性影响，还是希望成为在公司中实施代码和流程以利用计算机视觉的人？简而言之，是计划编写代码来实现计算机视觉，还是主要关注解决方案的管理？明确技能目标对于选择正确的学习路径至关重要。
人工智能背景如何？是否已经具备编程背景，但对计算机视觉还比较陌生？或者对另一个机器学习领域（如自然语言处理）有所了解，但对计算机视觉还不熟悉？也许是非技术人员，对人工智能完全陌生？下面的建议是基于这些想法。
最适合哪种学习方式？虽然视频课程对一些人来说很有效，但博客文章或教科书对其他人来说可能更好。例如，编写了一个深入的指南，介绍了什么是目标检测以及如何使用它。最终，强烈建议用实际项目来补充使用的学习方式，以测试技能。在谈到学习时，直接投入到问题中是取得进步的最好方法之一。（可以从开源计算机视觉数据集开始。）
考虑到这一点，这里有一些最喜欢的建议。如果正在寻找人工智能（机器学习和计算机视觉是其子集）的高级入门课程，请查看Coursera上的“AI for Everyone”。由创建Google Brain团队和Coursera本身的Andrew Ng提供人工智能的概述，如何将其构建到公司中，以及它如何改变社会。这个课程是免费的，大约需要六小时完成，因此它是一个很好的入门课程。
如果正在寻找实施计算机视觉技术的课程，有一些课程可以带更深入地学习。合作伙伴OpenCV维护了一系列课程，引导学习者了解计算机视觉的基础知识和应用：https://opencv.org/courses/。这些课程是一个较大的投资（第一单元从600美元开始），但它们是由讲师引导的，提供了一个可适应的学习体验。
对于初学者来说，还有一些较轻的介绍。Coursera维护了一个深度学习专业化课程，其中一个单元更深入地探讨了计算机视觉：https://www.coursera.org/lecture/introduction-tensorflow/an-introduction-to-computer-vision-rGn1n。
对于那些对机器学习感到舒适但希望更深入地了解计算机视觉的人，斯坦福大学的CS231N课程不容错过，特斯拉AI负责人Andrej Karpathy等领导者完成了这门课程。该课程可通过http://cs231n.stanford.edu/向公众开放，并且有许多公共资源和学习者公开分享他们的作品的存储库。
无论背景如何，都推荐一个重要的课程：Kaggle的AI Ethics入门课程：https://www.kaggle.com/learn/intro-to-ai-ethics。这个课程通过以人为本的设计，训练数据中潜在的偏见，以及如何创建可持续的AI系统。在机器学习中，拥有一个代表性的数据集不仅仅是关于数据伦理——它还会产生更好的模型。