OpenCV 3 s Python
Image – OpenCV BGR : Matplotlib RGB
Základní obrazové operace – pixel přístup
iPython – Zpracování Signálu s NumPy
Zpracování Signálu s NumPy I – FFT a DFT pro sinus, náměstí vlny, unitpulse, a náhodný signál
Zpracování Signálu s NumPy II – Obraz, Fourierova Transformace : FFT & DFT
inverzní Fourierova transformace obrazu s dolnoprůchodovým filtrem: cv2. idft()
Histogram Obrazu
Zachytávání Videa a Přepínání barevné režimy – RGB / HSV
Adaptivní Prahování Otsu je shlukování založené na prahování obrazu
Detekce Hran – Sobel a Laplaceova Jádra
Canny Detekce Hran
Hough Transform – Kruhy
Watershed Algoritmus : Značka Segmentace na základě
Watershed Algoritmus : Značka Segmentace na základě II
redukce šumu Obrazu : Non-místní Znamená šumu algoritmus
Obrázek detekce objektu : Detekce obličeje pomocí Haar Cascade Klasifikátory
segmentace Obrazu – extrakce Popředí algoritmus Grabcut na základě grafu řezy
Obrázek Rekonstrukci – Inpainting (Interpolace) – Fast Marching Metody
Video : Mean shift sledování objektů
Pratelné Učení : Clustering – K-means clustering
Pratelné Učení : Clustering – K-means clustering II
Pratelné Učení : Klasifikace – k-nejbližších sousedů (k-NN) algoritmus

Strojového Učení s scikit-learn

scikit-learn instalace
scikit-learn : Vlastnosti a funkce extrakce – iris dataset
scikit-learn : Strojové Učení Rychlý Náhled
scikit-learn : Předzpracování Dat mi – Chybějící / Kategoriálních dat
scikit-learn : Předzpracování Dat II – Rozdělení dataset / Funkce škálování / Funkce Výběr / Regularizace
scikit-learn : Předzpracování Dat III – redukci Dimenzionality vis Sekvenční funkce výběr / Hodnocení funkce význam pomocí náhodných lesů
Komprese Dat přes Redukci Dimenzionality I – Principal component analysis (PCA)
scikit-learn : Komprese dat přes Redukci Dimenzionality II – Lineární Diskriminační Analýza (LDA)
scikit-learn : Komprese Dat přes Redukci Dimenzionality III – Nelineární mapování prostřednictvím jádra hlavních komponent (KPCA) analýzy
scikit-learn : Logistická Regrese, Overfitting & regularizace
scikit-learn : Učení s učitelem & Učení bez učitele – např. bez Dozoru PCA redukci dimenzionality s iris dataset
scikit-learn : Unsupervised_Learning – KMeans clustering s iris dataset
scikit-learn : Lineárně Separabilní Data – Lineární Model & (Gaussovo) radiální bázová funkce jádra (RBF jádra)
scikit-learn : Rozhodovací Strom Učení I – Entropie, Gini, a Informace Získali
scikit-learn : Rozhodovací Strom Učení II – Budování rozhodovacího Stromu.
scikit-learn : Náhodné Rozhodnutí Lesů Klasifikace
scikit-learn : Support Vector Machines (SVM)
scikit-learn : Support Vector Machines (SVM) II
Baňky s Vloženým Strojového Učení jsem : Serializace s okurkou a DB nastavení
Baňky s Vloženým Strojové Učení II : Základní Baňky Aplikace
Baňky s Vloženým Strojové Učení III : Vkládání Třídění
Baňky s Vloženým Strojové Učení IV : Nasadit
Baňky s Vloženým Strojového Učení V : Aktualizace číselníku
scikit-learn : Vzorek spam komentář filtrovat pomocí SVM – klasifikaci dobrý nebo špatný

algoritmů Strojového učení a koncepty

Dávkový gradient sestupu algoritmus
Single Vrstva Neuronové Sítě – Perceptron model na Iris dataset pomocí Heavisideovy krok aktivace funkce
Dávkový gradient sestupu versus stochastické gradientní sestupu
jednovrstvé Neuronové Sítě, Adaptivní Lineární Neuron pomocí lineární (identity) aktivace funkce s dávkový gradient descent method
Single Vrstva Neuronové Sítě : Adaptivní Lineární Neuron pomocí lineární (identity) aktivace funkce s stochastické gradientní sestup (SGD)
Logistické Regrese
VC (Vapnik-Chervonenkis) Rozměr a Rozbít
Bias-variance kompromis
Maximální Pravděpodobnosti Odhadu (MLE)
Neuronových Sítí backpropagation pro XOR pomocí jedné skryté vrstvě
minHash
tf-idf váha
Zpracování Přirozeného Jazyka (NLP): Sentiment Analýza I (IMDb & bag-of-words)
Zpracování Přirozeného Jazyka (NLP): Sentiment Analýza II (tokenizace, vyplývající, a slova stop)
Zpracování Přirozeného Jazyka (NLP): Sentiment Analýza III (školení & cross validation)
Zpracování Přirozeného Jazyka (NLP): Sentiment Analýza IV (out-of-core)
Lokalita-Sensitive Hash (LSH) pomocí Kosinové Vzdálenosti (Cosine Similarity)

Umělé Neuronové Sítě (ANN)

Zdroje jsou k dispozici na Github – Jupyter notebooku souborů
1. Úvod
2. Dopředná propagace
3. Gradientní sestup
4. Backpropagace chyb
5. Kontrola gradientu
6. Školení prostřednictvím BFGS
7. Overfitting & Regularizace
8. Hluboké Učení I : Rozpoznávání obrazu (nahrávání obrázků)
9. Hluboké učení II: rozpoznávání obrazu (klasifikace obrazu)
10-hluboké učení III: hluboké učení III: Theano, TensorFlow a keras