该仓库收录了我在这门课程的代码，以下是内容介绍。
使用Python实现一些比较简单的算法，24题对于初学者来说是很好的，在三个有不同特点的数据集上实现机器学习或者深度学习算法。
使用MATLAB编写神经网络的每一个细节，包括实现向量化运算来加快运算速度，增添bias，实现dropout，实现卷积等等。我认为我做的好的地方是通过编写恰当的激活函数以及合理的初始化方法在MNIST数据集上达到了98%左右的准确率。
这个Project内容有一些多，有三个部分：
从头开始在CIFAR10训练神经网络，测试BatchNorm是如何加快神经网络训练，以及对于付彦伟老师提出的优化器DessiLBI的使用与可能的改进。
通过Cutout等数据增强手段，配合带有scheduler的SGD优化器，最终能在测试集达到96%的准确率。
BatchNorm和DessiLBI的结果和原论文相似，算是成功复现。
现实场景文字识别（Scene Text Recognition），检测并识别现实场景中的文字。
我采用了PSENet+CRNN做了一个二阶段的解决方案。由于该项目的数据集是七国语言混合而成的，甚至一张图片内存在三四种语言，所以我做出来效果并不好。
很有意思的一个题目，分为两个部分。
第一部分是区分拉斐尔作品的真假，这或许能给文物鉴定专家减轻一些负担。使用了Geometric Tight Frame 以及Gabor Wavelet 来挖掘图像的特征，避免了大量计算，这是一大亮点。
第二部分是生成与拉斐尔作品风格相似的图片，这或许减轻艺术创作者临摹的痛苦。这里我们提出了一个框架，把实现风格迁移的网络统一在基于 generator(endoer-decoder) - discriminator的统一框架内，并且基于统一的架构，实现了许多经典论文的算法。