正文字数：5085 阅读时长：10分钟

这篇文章介绍了我的经验和课程内容，但我相信其他大学的课程和我所学习的不会有太大的差别。因此，读者可以把这篇文章作为一个窗口，用来了解机器学习和计算机视觉的硕士学位课程以及内容。

Posted by Richmond Alake

url : https://towardsdatascience.com/what-i-learnt-from-taking-a-masters-in-computer-vision-and-machine-learning-69f0c6dfe9df

我写这篇文章是为了反思和总结我在攻读机器学习硕士学位时学到的东西和收获。我不得不承认，我的研究中有些部分是十分有用的，有些部分则没有。

这篇文章介绍了我的经验和课程内容，但我相信其他大学的课程和我所学习的不会有太大的差别。因此，一些读者可以把这篇文章作为一个窗口，用来了解机器学习和计算机视觉的硕士学位课程以及内容。

除了关于我在学习期间所学知识和信息外，我还将介绍和引用所获得的学术知识与我目前担任计算机视觉工程师的工作之间的相关联的信息。

机器学习的高级学位有几个选定的主题，反映了机器学习领域的发展方向。

在机器学习的任何一门课程中都有太多的内容要涉及、涵盖。因此，我所修读的硕士学位需要确保了学生在接受课程之前具备以下先决条件。

1. 计算机视觉

让我从课程中最强大的模块开始。

机器学习领域中我真正感兴趣的是计算机视觉和深度学习，也许我被吸引到这个领域是因为开发的技术可以产生直接的影响。

媒体对计算机视觉技术几十年来的进步赞不绝口。快速出现的面部识别系统是不容错过的。现在在主要的国际机场，银行和政府组织中都可以找到面部识别系统的应用。

我的硕士课程在计算机视觉方面的研究非常有条理。您不应期待直接进入实现和分析最新技术水平。

事实上，您向后退了几步。您首先要从从获得基本图像处理技术的知识开始，这些技术是在引入我们今天看到和使用的计算机视觉高级技术之前发展起来的。

Photo by Gery Wibowo on Unsplash

在深度学习中，我们了解到卷积神经网络的较低层从输入图像（如线条和边缘）中学习较低层级的模式。

但是，在将卷积神经网络（CNN）引入计算机视觉之前，已有一些基于启发式的技术用于检测感兴趣区域和从图像中提取特征。

我的计算机视觉研究通过获得有关这些基于启发式技术的工作原理以及在实际应用中如何使用的知识，确保了我对该领域基础的理解。

计算机视觉的研究使我获得了传统机器学习技术在处理图像的知识，提取特征并对从图像中获得的描述符进行分类。

以下是我在计算机视觉研究期间介引入的几个关键主题和术语:

可以随意跳过定义。我把这些放在这里是为了给好奇的人提供一些信息。