计算机视觉应用开发工程师

适用学习对象：1. 持有该专业初级证书，2. 应用型本科在校学生，3. 普通本科非专业在校学生，4. 从事该岗位满一定年限的从业人员，5. 符合本规定中级资格界定标准的人员。

岗位能力要求

a）综合能力

——具备在系统架构设计、项目开发经验等领域工程实践能力；

——能够准确理解和进行主流人工智能算法模型的训练和应用对接方式，理解不同的算法针对不同业务领域的实际应用价值；

——能够将给定的模型或算法转化为实际应用的场景可以实现的内容，从抽象的算法中提炼出具体的解决方案，实现对计算机视觉应用场景的业务实现。

b）专业知识能力

——具备数据结构与算法基础，熟悉软件工程设计、开发、测试、部署上线等流程；

——具备计算机视觉与数据挖掘基础，熟悉常用计算机视觉及深度学习算法及常用框架；

——熟悉图像，视频等文件等基本存储、压缩方法；

——熟悉基本图像识别方法，如深度学习；图像处理方法，如图像特征点抽取、仿射变换等；

——了解模型训练、模型发布，模型存储等过程；

——了解GPU相关的软硬件基本知识，了解基本网络安全、系统安全等相关知识。

c）技能能力

——具备优秀的编程开发能力，掌握主流编程语言，如C/C++、Python、Java等；

——能够面向GPU进行编程；

——熟悉主流操作系统开发环境，如Mac、Linux、Windows及相关操作系统脚本语言；

——熟练掌握关系型数据库原理及SQL语言，熟练掌握主流数据库如MySQL、Oracle、DB2等；

——熟悉Hadoop、Spark等分布式开发环境，了解常用的各类开源框架、组件或中间件；

——熟悉图像处理函数库OpenCV的使用；

——熟悉当前比较流行的计算机视觉平台，如TensorFlow、MXNet、Keras等；

——熟悉容器技术，如Docker、K8S、Mesos等。

d）工程实践能力

——具备一定的项目实施经验，拥有大型商用人工智能场景的应用经验，如文字识别OCR，图像识别等；

——具备大型复杂业务应用的设计与架构能力，建议拥有分布式系统研发经验；对架构选型、数据处理、应用系统对接、应用运行过程的性能优化问题能提供解决方案；

——能够选择并实现常见的算法模型，准确理解业务需求并转化为可实现的技术方案。

学习路径推荐

（一）建议掌握二门基础课程

1. 《人工智能导论》（推荐教材：李德毅，http://product.dangdang.com/25335907.html）

2. 《计算机与大数据技术基础》，此模块包括3门独立课程：

（1）《数据库（开发）》（推荐SQL教程：https://www.runoob.com/sql/sql-tutorial.html，MySQL教程：https://www.runoob.com/mysql/mysql-tutorial.html）

（2）《容器（通用）》（推荐Docker教程：https://www.runoob.com/docker/docker-tutorial.html；《容器云运维实战——Docker与Kubernetes集群》，黄靖钧《Mesos 实战》，RogerIgnazio）

（3）《大数据（开发）》（推荐教材《Hadoop+Spark大数据技术》，刘彬斌）

（二）建议学员掌握三门专业核心课程

1.《计算机视觉开发与应用》（推荐教材《Python计算机视觉编程》，JanErik Solem著，朱文涛译）

2. 《机器学习》（推荐教材：“机器学习基础”可参考《机器学习》，周志华；scikit-learn可参考《机器学习基础—基于Python和scikit-learn的机器学习应用》，海特·萨拉赫（Hyatt Saleh）著，邹伟 译）

3.《深度学习》（推荐教程：“深度学习基础”可参考吴恩达老师在coursera上的深度学习课程；《Keras深度学习框架》、《人脸识别项目实战》可参考《Python人脸识别：从入门到工程实践》，作者：王天庆）

（三）建议熟练学习5个实训项目

1. 深度学习环境搭建与使用

2.视频变化区域检测（python+opencv）

3. 人脸识别模型构建

4. 基于视频流的行人检测

5. Spark环境下的图像分类模型学习