OpenCV 3 com Python
Imagem – OpenCV BGR : Matplotlib RGB
imagem Básica operações de pixel de acesso
iPython – Processamento de Sinal com NumPy
Processamento de Sinal com NumPy I – FFT e DFT para o seno, ondas quadradas, unitpulse aleatórios, e o sinal de
Processamento de Sinal com NumPy II – Imagem de Fourier : FFT& DFT
transformada de Fourier inversa de uma imagem com filtro passa baixo: cv2.idft()
Histograma da Imagem
Captura de Vídeo e de Comutação colorspaces – RGB / HSV
transição Adaptável – Otsu do cluster de imagem com base no limiar
Detecção de Borda – Sobel e Laplaciano Kernels
Sagaz Detecção de bordas
Hough Transform – Círculos
divisor de águas Algoritmo : Marcador de Segmentação baseada em I
divisor de águas Algoritmo : Marcador de Segmentação baseada em II
redução de ruído de Imagem : Não-local Significa denoising algoritmo
Imagem de detecção de objetos : Detecção de rosto usando Haar Cascata de Classificadores
segmentação de Imagens – primeiro plano de extração Grabcut algoritmo baseado no gráfico corta
Reconstrução de Imagem – Pintura (Interpolação) – Fast Marching Métodos
Vídeo : Significa mudança de rastreamento de objetos
de Aprendizagem de Máquina : Clustering K-Means clustering I
de Aprendizagem de Máquina : Clustering K-Means clustering II
de Aprendizagem de Máquina : Classificação – k-vizinhos mais próximos (k-NN) algoritmo

Aprendizado de Máquina com scikit-saiba mais

scikit-aprender instalação
scikit-aprender : Características e funcionalidade de extracção – iris dataset
scikit-aprendizado : Aprendizado de Máquina Visualização Rápida
scikit-aprender : Dados pré-Processamento I – Falta de dados Categóricos
scikit-aprender : Dados pré-Processamento II – Particionamento de um conjunto de dados / Recurso de dimensionamento de Recurso / Seleção / Regularização
scikit-aprender : Dados pré-Processamento III – redução de Dimensionalidade vis Sequencial recurso de seleção / Avaliação de recurso de importância através aleatório florestas
Compressão de Dados através de Redução de Dimensionalidade I – análise de componentes Principais (PCA)
scikit-aprender : A Compressão de dados através de Redução de Dimensionalidade II – Análise Discriminante Linear (LDA)
scikit-aprender : a Compressão de Dados através de Redução de Dimensionalidade III – mapeamentos não-lineares através de kernel de componentes principais (KPCA) análise
scikit-aprender : Regressão Logística, Overfitting & regularização
scikit-aprendizado : Aprendizado Supervisionado & Supervisionado de Aprendizagem – e.g. Supervisionada PCA redução de dimensionalidade com iris dataset
scikit-aprender : Unsupervised_Learning – KMeans clustering com iris dataset
scikit-aprender : Linearmente Separáveis de Dados – Modelo Linear & (Gaussiana) função de base radial do kernel (kernel RBF)
scikit-aprender : Árvore de Decisão de Aprendizagem I – Entropia, de Gini, e Informações Ganho
scikit-aprender : Árvore de Decisão de Aprendizagem II – Construção da Árvore de Decisão
scikit-aprender : Aleatório Decisão Florestas Classificação
scikit-aprender : Máquinas de Vetor de Suporte (SVM)
scikit-aprender : Máquinas de Vetor de suporte (SVM) II
Balão com o Embedded Aprendizado de Máquina I : Serialização com picles e banco de dados de configuração
Balão com a Máquina Incorporada de Aprendizagem II : Basic Flask App
Flask with Embedded Machine Learning III: Embedding Classificer
Flask with Embedded Machine Learning IV: Deployment
Flask with Embedded Machine Learning V: Updating the classificier
scikit-learn : Exemplo de um comentário de spam filter usando SVM – a classificação de um bom ou um mau

Machine learning e algoritmos de conceitos

Lote de gradiente descendente algoritmo
Única Camada de Rede Neural – Perceptron modelo na Iris dataset usando Heaviside step função de ativação
Lote de gradiente descendente versus estocásticos gradiente descendente
Única Camada de Rede Neural – Adaptive Linear Neuron usando linear (identidade) função de ativação com o lote método de gradiente descendente
Única Camada de Rede Neural : Neural Networks with backpropagation for XOR using one hidden layer
minHash
tf-idf weight
Natural Language Processing (NLP): Sentiment Analysis I (IMDb &bag-of-Words)
Natural Language Processing (NLP): sentiment analysis II (tokenization, stemming, and stop Words)
Natural Language Processing (NLP): Sentiment Analysis III (training & cross validation)
Natural Language Processing (NLP): Sentiment Analysis IV (out-of-core)
Locality-Sensitive Hashing (LSH) using Cosine Distance (Cosine Similarity)

Artificial Neural Networks (ANN)

Sources are available at Github – Jupyter notebook
1. Introduction
2. Forward Propagation
3. Declive Descent
4. Backpropagation of Errors
5. Gradiente de verificação
6. Formação via BFGS 7. Overfitting & Regularization
8. Aprendizagem Profunda : Image Recognition (Image uploading)
9. Deep Learning II: Image Recognition (Image classification)
10-Deep Learning III: Deep Learning III : Theano, TensorFlow, and Keras