時隔三年重新回到 iThelp 鐵人賽，過去幾年看到鐵人賽出現的時候都在思考今年是否有知識可以輸出出來呢？如果有的話，這個量是否足以連續輸出個 30 年呢？因為一直沒有找到一個讓我值得寫的題目，所以一直到了今年才回到了 iThelp 鐵人賽現場。

很開心過去的文章有受到一些人的喜歡，也帶給我動力想繼續完成下一次的挑戰。同時這也會讓我更積極去尋找這個領域上的知識，是否完善、架構是否簡單易懂。

從高中畢業後有幸進入到清華大學就讀資訊工程學系，今年因為因緣際會加入了李濬屹教授的讀書會，一起跟著大家學習 Machine Learning、Deep Learning 以及 Computer Vision 領域的知識。

這次希望透過鐵人賽，讓我重新回顧過去學習到的這些知識，並且嘗試稍微有系統性的規劃步伐。一方面可以讓我釐清目前學習的內容，另一方面也希望這些文章能夠帶給有興趣學習這個領域的人一些方向與關鍵字。

關於文章規劃

過去我們的讀書會當中大致上的流程是會先看一些指定的影片，然後大家一起分享在這個影片當中看到的內容。後續這些基礎知識穩固起來之後開始進入到 paper 的階段，大家會分配好要閱讀的 paper，然後製作 PPT 跟大家報告一下這些 paper 在做什麼。

前期的影片主要看了 Andrew Ng 教授在 2022 以及 2014 年 Machine Learning 的影片。後續則是 Justin Johnson 助理教授在 2019 年 Deep Learning for Conputer Vision 的影片。

這次的文章當中會以這些影片的內容做為主要的參考依據撰寫前期的文章，後續則會試圖把 paper 的部分也加進來，因此沒意外的話大致上這 30 天(或以上)的文章內容會包含底下這些。

🤖 機器學習

主要參考 Andrew Ng 教授在 2022 以及 2014 年 Machine Learning 的影片與簡報。

• What is Machine Learning
• How to Represent a Model
• How to Judge a Model
• How to Update a Model
• Classification Problem
• Regularization
• Decide What to do next
• Machine Learning System Design
• SVM
• Clustering
• Dimensionality Reduction (PCA)

👾 深度學習

• What is Neural Network
• How to Represent a NN
• How to Judge a Model
• How to Update a Model
• Image Classfication Intro
• CNN Architecture
• Training Neural Network
• Recurrent Neurl Network
• Attention
• Visualizing
• Object Detection
• Segementation
• 3D Vision
• Videos
• Generative Models

📃 論文閱讀

• AlexNet
• Dropout
• Batch Normalization
• SENet
• MobileNet
• Attention
• ResNet
• VGG
• RCNN
• Fast RNN
• Faster RCNN
• YOLO v1 ~ v7
• SSD
• DETR
• DeelLab v1 ~ v3
• U-Net
• PSPNet
• ICNet
• GAN

後記

這樣的份量我想應該超過 30 天不成問題，但是要在 30 天內連續不間斷的發文確實會是一個大挑戰。
期待這次也能夠順利完賽，此外也會希望每一篇的內容是完整的。
(參加鐵人賽就跟選一堂 6 學分的課沒什麼兩樣😆)