OpenCV 3 Python
Image-OpenCV BGR: Matplotlib RGB
Basic image operations-pixel access
iPython-Signal Processing with NumPy
Signal Processing with NumPy I – FFT and DFT for sine, square waves, unitpulse, and random signal
Signal Processing with numpy II-Image Fourier Transform : FFT & DFT
inverz Fourier transzformáció egy kép alacsony áteresztő szűrővel: cv2.idft()
Kép Hisztogram
Video Capture and Váltás colorspaces – RGB / HSV
Adaptív Küszöb – Otsu ez a klaszter-alapú kép küszöb
Edge Detection – Sobel, valamint Laplacian Mag
Okos Edge Detection
Hough Transzformáció – Körök
Vízválasztó Algoritmus : Marker alapú Szegmentáció én
Vízválasztó Algoritmus : Marker alapú Szegmentáció II.
Kép zajcsökkentés : Nem helyi Jelenti, denoising algoritmus
Kép objektum észlelése : Arcfelismerés használata Haar Cascade Classifiers
Kép szegmentáció – Előtérben kitermelés Grabcut algoritmus alapján grafikon darabok
Kép Rekonstrukció – Inpainting (Interpoláció) – Gyors Menetelés Módszerek
Videó : Értem shift tárgykövetés
Gépi Tanulás : Csoportosítás – K-means klaszterezés én
Gépi Tanulás : Csoportosítás – K-means klaszterezés II.
Gépi Tanulás : Besorolás – k-legközelebbi szomszédok (k-NN) algoritmus

Gépi Tanulás a scikit-tanulni

scikit-ismerje meg a telepítés
scikit-tanulni : Funkciók funkció kitermelés – iris adatkészlet
scikit-tanulni : Gépi Tanulás Gyors Előnézet
scikit-tanulni : Adatok Előfeldolgozás én – Hiányzó / Kategorikus adatok
scikit-tanulni : Adatok Előfeldolgozás II – Particionálás egy adatállomány / Szolgáltatás méretezés / Funkció Kiválasztása / Regularization
scikit-tanulni : Adatok Előfeldolgozás III – Dimenziók csökkentése vis Szekvenciális funkció kiválasztása / Értékelésére funkció fontosságát keresztül random erdők
Tömörítés keresztül Dimenziók Csökkentése én – Fő komponens analízis (PCA)
scikit-tanulni : Tömörítés keresztül Dimenziók Csökkentése II. – Lineáris Diszkriminancia-Analízis (LDA)
scikit-tanulni : Tömörítés keresztül Dimenziók Csökkentése III – Lineáris leképezések keresztül kernel fő komponens (KPCA) elemzés
scikit-tanulni : Logisztikai Regresszió, Overfitting & regularization
scikit-tanulni : Felügyelt Tanulási & Felügyelet nélküli Tanulás – pl. Felügyelet nélkül PCA dimenziók csökkentése iris adatkészlet
scikit-tanulni : Unsupervised_Learning – KMeans fürtözés írisz adatkészlet
scikit-tanulni : Lineárisan Elkülöníthető Adatok – Lineáris Modell & (Gauss) radiális bázisfüggvény kernel (RBF kernel)
scikit-tanulni : döntési Fa Tanulás én – Entrópia, Gini, valamint az Információs Nyereség
scikit-tanulni : döntési Fa Tanulás II – Építése, a döntési Fa
scikit-tanulni : Véletlenszerű Határozat Erdők Besorolás
scikit-tanulni : Támogató Vektor Gépek (SVM)
scikit-tanulni : Támogató Vektor Gépek (SVM) II.
Lombikot Beágyazott Gépi Tanulás én : Serializing a pácban, majd DB beállítás
Lombikot Beágyazott Gépi Tanulás II. : Alapvető lombik alkalmazás
lombik beágyazott gépi tanulással III: beágyazó osztályozó
lombik beágyazott gépi tanulással IV: telepítés
lombik beágyazott gépi tanulással V: az osztályozó frissítése
scikit-learn : Minta a spam hozzászólás szűrő használata SVM – osztályozása jó vagy rossz

Gépi tanulási algoritmusok, valamint a fogalmak

Tétel gradiens süllyedés algoritmus
Egyetlen Réteg Neurális Hálózat – Perceptron modell az Iris adatkészlet segítségével Heaviside lépés aktiválás funkció
Tétel gradiens süllyedés ellen sztochasztikus gradiens süllyedés
Egyetlen Réteg Neurális Hálózat – Adaptív Lineáris Neuron segítségével lineáris (identitás) aktiválás funkció tétel gradiens süllyedés módszer
Egyetlen Réteg Neurális Hálózat : Adaptív Lineáris Neuron segítségével lineáris (identitás) aktiválás funkció a sztochasztikus gradiens süllyedés (SGD)
Logisztikai Regressziós
VC (Vapnik-Chervonenkis) Dimenzió pedig Összetörik
Torzítás-variancia kompromisszum
Maximum likelihood Becslés (NEL)
Neurális Hálózatok backpropagation a XOR segítségével egy rejtett réteget
minHash
tf-idf súly
Természetes Nyelvi Feldolgozás (NLP): Hangulat Elemzés (IMDb & táska-a-szavak)
Természetes Nyelvi Feldolgozás (NLP): Hangulat Elemzése II. (tokenization, eredő, ne a szavak)
Természetes Nyelvi Feldolgozás (NLP): Hangulat Analízis III. (képzési & cross validation)
Természetes Nyelvi Feldolgozás (NLP): Hangulat Elemzés IV. (out-of-core)
Településen-Érzékeny Hasító (LSH) a Koszinusz Távolság (Koszinusz Hasonlóság)

Mesterséges Neurális Hálózatok (ANN)

Források elérhető a Github – Jupyter notebook fájlok
1. Bevezetés
2. Előre szaporítás
3. Gradiens Descent
4. Backpropagation hibák
5. Színátmenet ellenőrzése
6. Képzés a BFGS-en keresztül
7. &
8. Mély Tanulás Én : Képfelismerés (Képfeltöltés)
9. Deep Learning II: Image Recognition (Image classification)
10-Deep Learning III : Deep Learning III: Theano, TensorFlow, and Keras