我创建了三个分支，分别是陈哲、卢啸岩、兰凯鹏的姓名全拼，以后每个人做的东西都传到自己的分支上。不要在master分支上做任何修改！ 大家不用参加什么杂七杂八的网上培训了，在这里，咱们就可以一起把深度学习学好（前提是我布置的任务要认真完成）。
- data文件夹放到根目录的上一级，因为这个文件夹可能很大，GitHub仓库是有容量限制的。根目录里面也可以创建一个data文件夹，如果数据很小(比如小于40M)，就可以放到这里
- 不懂的地方及时问我
- 熟悉四个最基础最常用的git命令，分别是git add, git commit, git push, git pull。
- 学会pytorch的使用。把notebook中00，01，02，03，04，05的内容看懂，自己动手抄一遍代码，运行一下。这些是线性回归、逻辑回归、多层感知器、卷积神经网络、循环神经网络等算法的具体实现。你们可以尝试修改一下模型结构。
- 使用GitHub desktop管理仓库。Windows上用这个软件比git命令更方便，上面让你们掌握的git命令以后在Linux上会用到。
- 学会基本的markdown语法，这对于写技术文档里是非常重要的。后面会有paper研读计划、实际项目练习等，你们在学习过程中的经验教训等的总结都写在自己的分支里面。大家可以查看别人的branch，共同提高。
图像分类重要论文研读。图像分类是深度学习中最基础最重要的任务，通过对图像分类的学习，可以透彻理解深度学习中最重要的基础知识。而且，在现实应用中，图像分类任务还有很多问题没有得到解决，因此图像分类值得多花时间学习研究。
-
- 代码学习
-
- 各种激活函数分析
-
- 也叫Inception v1
-
- 个人认为是深度学习中开天辟地的一篇论文:joy:
- 代码学习
-
- 学会分析网络深度、宽度和输入分辨率对计算量的影响
-
- 基于attention机制的模型
-
- 也类似于attention机制，只不过是通道之间的attention
-
- 轻量级网络
-
- 轻量级网络
-
- 多尺度
- 做好笔记，不漏过任何一个知识点。最后三个人合作写一个总结，放到master分支的notes文件夹中，文件名为“图像分类模型总结.md”
- 任何有疑点的地方都要讨论清楚
本周任务是深度学习模型训练方法（以图像分类为例）+ 重点机器学习方法透彻理解。虽然在很多问题中深度学习效果更好，但是作为一个AI算法工程师，必须透彻理解常见的机器学习算法
-
深度学习模型训练方法（以图像分类为例）
-
逻辑回归推导及常见问题
-
SVM推导及常见问题
-
决策树原理及常见问题
-
bagging和boosting的区别与联系
-
GBDT原理推导
-
XGBoost和GBDT的区别与联系
-
Kmeans原理和代码实现
-
KNN原理和代码实现