OpenCV 3 med Python
Billede – OpenCV BGR: Matplotlib RGB
grundlæggende billedoperationer-billedadgang
iPython – signalbehandling med NumPy
signalbehandling med NumPy i – FFT og DFT til sinus, firkantede bølger, unitpulse og tilfældigt signal
signalbehandling med NumPy II-Image Fourier Transform : FFT & DFT
invers Fourier-transformation af et billede med lavpasfilter: cv2.idft ()
Billedhistogram
videooptagelse og skift af farverum – RGB / HSV
adaptiv tærskelværdi – Otsu ‘ s klyngebaserede billedtærskel
kantdetektering-Sobel og Laplacian kerner
Canny kantdetektering
Hough Transform – Circles
Vandskelalgoritme : Markørbaseret segmentering i
Vandskelalgoritme : Markørbaseret segmentering II
Billedstøjreduktion: ikke-lokal betyder denoising algoritme
Billedobjektdetektering : Ansigtsgenkendelse ved hjælp af Haar Cascade klassifikatorer
Billedsegmentering – Forgrundsekstraktion Grabcut algoritme baseret på grafskæringer
billedrekonstruktion – Inpainting (Interpolation) – hurtige Marcheringsmetoder
Video : Gennemsnitlig skiftobjektsporing
maskinindlæring : klyngedannelse – K-betyder klyngedannelse i
maskinindlæring : klyngedannelse – K-betyder klyngedannelse II
maskinindlæring : klassificering – k-nærmeste naboer (k-NN) algoritme

maskinindlæring med scikit-Lær

scikit-Lær installation
Scikit-Lær : Funktioner og feature extraction – iris-datasættet
scikit-lære : Machine Learning Hurtig Preview
scikit-lære : Data Forbehandling jeg – Mangler / Kategoriske data
scikit-lære : Data Forbehandling II – Opdeling af et datasæt / Funktionen skalering / Feature Selection / Regulering
scikit-lære : Data Forbehandling III – Dimensionalitet reduktion vis Sekventiel funktion udvælgelse / Evaluering har betydning via tilfældige skove
Data Kompression via Dimensionalitet Reduktion jeg – Principal komponent analyse (PCA)
scikit-lære : Datakomprimering via Dimensionalitetsreduktion II – lineær Diskriminantanalyse (LDA)
scikit-Lær : datakomprimering via Dimensionalitetsreduktion III – ikke-lineære kortlægninger via kernel principal component (KPCA) analyse
scikit-Lær : logistisk Regression, Overfitting & regulering
scikit – Lær : overvåget læring & uovervåget læring-F. eks. unsupervised PCA Dimensionalitetsreduktion med iris datasæt
scikit – learn : Unsupervised_learning-Kmeans clustering med iris datasæt
scikit-learn : Lineært adskillelige Data – lineær Model & (Gaussian) radial basis funktion kerne (RBF kerne)
scikit-Lær : beslutningstræ læring I – entropi, Gini og Informationsgevinst
scikit-Lær : beslutningstræ læring II – konstruktion af beslutningstræet
scikit-Lær : Random Decision Forests Classification
scikit-Lær : Support Vector Machines (SVM)
scikit-Lær : Support Vector Machines (SVM)
scikit-Lær : Support Vector Machines (SVM)
scikit-Lær: Support Vector Machines (SVM)
scikit-Lær: Support Vector Machines (SVM)
scikit-Lær: Support Vector Machines (SVM)
scikit-Lær: Support Vector Machines (SVM)) II
kolbe med Embedded machine learning i: serialisering med pickle og DB setup
kolbe med embedded machine learning II : Grundlæggende kolbe App
kolbe med indlejret maskinindlæring III: indlejring af klassifikator
kolbe med indlejret maskinindlæring IV: Implementer
kolbe med indlejret maskinindlæring V: opdatering af klassifikatoren
scikit-Lær : Prøve af et spam-kommentarfilter ved hjælp af SVM-klassificering af en god eller en dårlig

maskinlæringsalgoritmer og koncepter

Batch gradient descent algorithm
enkeltlags neuralt netværk – Perceptron model på Iris-datasættet ved hjælp af Heaviside trinaktiveringsfunktion
Batch gradient descent versus stokastisk gradient descent
enkeltlags neuralt netværk-adaptiv lineær Neuron ved hjælp af lineær (identitet) aktiveringsfunktion med batch gradient descent method
enkeltlags neuralt netværk : Adaptiv lineær Neuron ved hjælp af lineær (identitet) aktiveringsfunktion med stokastisk gradientafstamning (SGD)
logistisk Regression
VC (Vapnik-Chervonenkis) Dimension og brud
Bias-varians tradeoff
maksimal Sandsynlighedsestimering (MLE)
neurale netværk med backpropagation til brug af et skjult lag
minHash
TF-idf vægt
naturlig sprogbehandling (NLP): sentimentanalyse I (IMDb & bag-of-ord)
naturlig sprogbehandling (NLP): sentimentanalyse II (tokenisering, stamming og stopord)
naturlig sprogbehandling (NLP): Sentimentanalyse III (træning & krydsvalidering)
naturlig sprogbehandling (NLP): sentimentanalyse IV (uden for kernen)
Lokalitetsfølsom Hashing (LSH) ved hjælp af cosinus afstand (cosinus lighed)

kunstige neurale netværk (ANN)

kilder er tilgængelige på GitHub-Jupyter notebook-filer
1. Indledning
2. Fremad formering
3. Gradient nedstigning
4. Backpropagation af fejl
5. Kontrol af gradient
6. Uddannelse via BFGS
7. Overfitting & regulering
8. Dyb Læring I : Billedgenkendelse (upload af billede)
9. Dyb læring II: billedgenkendelse (billedklassificering)
10-dyb læring III: dyb læring III: Theano, Tensorstrøm og Keras