OpenCV 3 met Python
Image – OpenCV BGR : Matplotlib RGB
Basic image operations – pixeltoegang
iPython – signaalverwerking met NumPy
signaalverwerking met NumPy I – FFT en DFT voor sinus, vierkante golven, unitpulse en random signaalverwerking met NumPy II – Image Fourier-transformatie : FFT & DFT
Inverse fouriertransformatie van een afbeelding met laagdoorlaatfilter: cv2.idft ()
Image Histogram
Video Capture and Switching colorspaces-RGB / HSV
Adaptive Threshholding – Otsu ‘ s clustering-based image threshholding
Edge Detection – Sobel and Laplacian Kernels
Canny Edge Detection
Hough Transform – Circles
Watershed Algorithm : Marker-based Segmentation I
Watershed Algorithm : Marker-based Segmentation II
Image ruis reduction: Non-local Means denoising algorithm
Image object detection : Gezichtsherkenning met behulp van Cascade Classifiers
Image segmentation – Foreground extraction Grabcut algorithm based on graph cuts
Image Reconstruction – Inpainting (interpolatie) – Fast Marching Methods
Video : Mean shift object tracking
Machine Learning : Clustering – K-Means clustering I
Machine Learning : Clustering – K-Means clustering II
Machine Learning : Classification – k-nearest neighbours (k-NN) algoritme

Machine Learning met sikit-learn

Scikit-learn installatie
scikit-learn : Features and feature extraction – iris dataset
scikit-learn : Machine Learning Quick Preview
scikit-learn : Data Preprocessing I – ontbrekende / categorische data
scikit-learn : Data Preprocessing II – partitioneren van een dataset / scaling / selectie van functies / regularisatie
scikit-learn : Data Preprocessing III – Dimensionaliteitsreductie vis sequentiële functieselectie / beoordeling van het belang van functies via random forests
Data compressie via Dimensionaliteitsreductie I – Principal component analysis (PCA)
scikit-leren : Data compressie via dimensionaliteit reductie II – Linear Discriminant Analysis (LDA)
scikit-learn : data compressie via dimensionaliteit reductie III – niet-lineaire mappings via kernel principal component (kpca) analyse
scikit-learn : Logistic Regression, Overfitting & regularisatie
scikit – learn : Supervised Learning & zonder toezicht learning-e.g. unsupervised PCA dimensionality reduction with Iris dataset
sikit – learn : Unsupervised_learning-Kmeans clustering with Iris dataset
sikit-learn : Lineair Scheidbare Data – Lineaire Model & (Gaussische) radial basis function kernel (RBF kernel)
scikit-leren : beslisboom Leren I – Entropie, Gini, en Informatie Krijgen
scikit-leren : beslisboom Leren II – de Bouw van de beslisboom
scikit-leren : Willekeurige Beslissing Bossen Indeling
scikit-leren : Support Vector Machines (SVM)
scikit-leren : Support Vector Machines (SVM) II
Kolf met Ingesloten Machine Learning I : Serialisatie met augurk en DB setup
Kolf met Ingesloten Machine Learning II : Basic Flask App
Flask with Embedded Machine Learning III: inbedding Classifier
Flask with Embedded Machine Learning IV: implementeer
Flask with Embedded Machine Learning V : de classifier bijwerken
sikit-learn : Voorbeeld van een spamcommentaarfilter met SVM-classificeren van een goede of een slechte

Machine learning algoritmen en concepten

Batch gradiënt descent algoritme
Single Layer Neural Network-Percepttron model op de Iris dataset met behulp van Heaviside step activation function
Batch gradiënt descent versus stochastic gradient descent
Single Layer Neural Network-Adaptive Linear Neuron using linear (identity) activation function with batch gradient descent method
Single Layer Neural Network : Adaptive Lineaire Neuron met behulp van lineaire (identiteit) de functie activering met stochastische gradient descent (SGD)
Logistische Regressie
VC (Vapnik-Chervonenkis) Dimensie en de Shatter
Bias-variantie afweging
Maximum Likelihood Estimation (MLE)
Neurale Netwerken backpropagation voor XOR met één verborgen laag
minHash
tf-idf-gewicht
Natural Language Processing (NLP): Sentiment-Analyse I (IMDb & bag-of-words)
Natural Language Processing (NLP): Sentiment-Analyse II (tokenization, als gevolg, en stoppen woorden)
Natural Language Processing (NLP): Sentiment Analysis III (training & cross validation)
Natural Language Processing (NLP): Sentiment Analysis IV (out-of-core)
locity-Sensitive Hashing (LSH) using Cosine Distance (Cosine Similarity)

Artificial Neural Networks (ANN)

bronnen zijn beschikbaar op GitHub – Jupyter notebook files
1. Inleiding
2. Voorwaartse voortplanting
3. Gradiëntafdaling
4. Backpropagatie van fouten
5. Kleurverloop
controleren 6. Opleiding via BFG ‘ s 7. Overbevissing & regularisatie
8. Deep Learning I : Beeldherkenning (afbeelding uploaden)
9. Deep Learning II: beeldherkenning (beeldclassificatie)
10-Deep Learning III: Deep Learning III: Theano, TensorFlow en Keras