Sponsor Åpen Kildekode utviklingsaktiviteter og gratis innhold for alle.

Takk.OpenCV 3 Med Python Bilde – OpenCV Bgr: Matplotlib RGB Grunnleggende bildeoperasjoner-pixel tilgang iPython-Signalbehandling med NumPy Signalbehandling med NumPy I-FFT og DFT for sinus, firkantede bølger, unitpulse og tilfeldig signal Signalbehandling med NumPy II-Bilde Fourier Transform : FFT & DFT
Invers Fourier Transform Av Et Bilde med lavpassfilter: cv2. Hsv
Adaptive Terskel – Otsu er clustering – basert bilde terskel
Kant Deteksjon-Sobel Og Laplacian Kjerner
Canny Kant Deteksjon
Hough Transform-Circles
Vannskille Algoritme: Markør-basert Segmentering I
Vannskille Algoritme: Markør-basert SEGMENTERING II
Bilde støyreduksjon : Ikke-lokale Betyr denoising algoritme
Bildeobjekt deteksjon : Ansiktsgjenkjenning Ved Hjelp Av Haar Cascade Classifiers
Image segmentering – Forgrunn utvinning Grabcut algoritme basert på graf kutt
Bilde Rekonstruksjon – Inpainting (Interpolering) – Rask Marsjeringsmetoder
Video : Mean shift objekt sporing
Maskinlæring : Clustering – K-Betyr clustering I
Maskinlæring : Clustering – K-Betyr clustering II
Maskinlæring : Klassifisering – k-nærmeste naboer (k-NN) algoritme

Maskinlæring med scikit-lær

scikit-Lær Installasjon
scikit-lær : Scikit – lær : Data Preprocessing I-Mangler / Kategoriske data
scikit-lær : Data Preprocessing II – Partisjonering et datasett / Funksjonen skalering / Funksjonen Utvalg / Regularization
scikit-lær : Data Preprocessing III – Dimensjonalitet reduksjon vis Sekvensiell funksjon utvalg / Vurdere funksjonen betydning via tilfeldige skoger
Datakomprimering via Dimensjonalitet Reduksjon I-Principal component analysis (Pca)
scikit – lær : Scikit – lær : Datakomprimering VIA Dimensjonsreduksjon II-Lineær Diskriminantanalyse (lda)
scikit – lær : Datakomprimering VIA Dimensjonsreduksjon III-Ikke-Lineære kartlegginger via kjernens hovedkomponent (KPCA) analyse
scikit – lær : Logistisk Regresjon, Overfitting & regularisering
scikit-lær : Veiledet Læring & Unsupervised Learning – F. eks Unsupervised Pca Dimensjonalitet Reduksjon MED IRIS datasett
scikit-lær: Unsupervised_learning-Kmeans clustering med iris datasett
scikit-lær : Lineært Separerbare Data – Lineær Modell & (Gaussian) radial basis funksjon kernel (RBF kernel)
scikit-lær : Beslutning Treet Læring I – Entropi, Gini, Og Informasjon Gevinst
scikit-lær : Beslutning Treet Læring II – Konstruere Avgjørelsen Treet
scikit-lær : Tilfeldig Avgjørelse Skoger Klassifisering
scikit-lær : Støtte Vektor Maskiner (SVM)
scikit-lær : Støtte Vektor Maskiner (SVM)) svm) Ii
Kolbe med innebygd maskinlæring i : serialisering med pickle og db oppsett
kolbe Med innebygd maskinlæring Ii : Kolbe MED Innebygd Maskinlæring IV : Distribuere Kolbe Med Innebygd Maskinlæring V: Oppdatere klassifikatoren scikit-lær :

Maskinlæringsalgoritmer og konsepter

Batch gradient descent algoritme
Enkeltlags Nevrale Nettverk-Perceptron modell på Iris datasettet Ved Hjelp Av Heaviside step activation function
Batch gradient descent versus stokastisk gradient descent
Enkeltlags Nevrale Nettverk-Adaptiv Lineær Nevron ved hjelp av lineær (identitet) aktiveringsfunksjon med batch gradient descent method
Enkeltlags Nevrale Nettverk : Logistisk Regresjon
VC (Vapnik-Chervonenkis) Dimensjon Og Knuse
Bias-varians avveining
Maksimal Sannsynlighet Estimering (Mle)
Nevrale Nettverk med backpropagation FOR XOR ved hjelp av en skjult lag
minHash
Tf-idf vekt
Natural Language Processing (NLP): Sentiment Analyse I (IMDb &bag-of-ord)
Naturlig språkbehandling (nlp): Sentimentanalyse Ii (Tokenisering, stemming og stoppord)
naturlig språkbehandling (nlp): Sentimentanalyse III (trening & kryssvalidering)
Naturlig Språkbehandling (NLP): Sentimentanalyse IV (utenfor kjernen)
Lokalitetssensitiv Hashing (LSH) ved Hjelp Av Cosinusavstand (Cosinus Likhet)

Kunstige Nevrale Nettverk (ANN)

Kilder er tilgjengelige på Github-Jupyter notebook files
1. Innledning
2. Forward Forplantning
3. Gradient Nedstigning
4. Backpropagation Av Feil
5. Kontrollere gradient
6. Trening via BFGS
7. Overfitting & Regularisering
8. Deep Learning I : Bildegjenkjenning (Bildeopplasting)
9. Deep Learning II: Image Recognition (Image classification)
10-Deep Learning III: Deep Learning III: Theano, TensorFlow og Keras