OpenCV 3 cu Python
Image – OpenCV BGR : Matplotlib RGB
operații de bază ale imaginii – acces pixel
iPython – procesare semnal cu NumPy
procesare semnal cu NumPy i-FFT și DFT pentru sine, unde pătrate, unitpulse și semnal aleatoriu
procesare semnal cu NumPy ii-Image Fourier Transform : FFT& DFT
transformarea Fourier inversă a unei imagini cu filtru trece-jos: cv2.idft ()
histograma imagine
captura Video și de comutare colorspaces-RGB / HSV
Adaptive Thresholding-Otsu pe bază de clustering imagine thresholding
Edge Detection – Sobel și nucleele Laplacian
Canny Edge Detection
Hough Transform-cercuri
Watershed algoritm: segmentarea pe bază de Marker I
Watershed algoritm: segmentarea pe bază de Marker II
Image noise reduction: non-local înseamnă denoising algoritm
Image object detection : De detectare a feței folosind Haar Cascade clasificatori
segmentarea imaginii – prim – plan de extracție algoritm Grabcut bazat pe bucăți grafic
reconstrucție imagine – Inpainting (interpolare) – metode de marș rapid
Video : Mean Shift obiect de urmărire
Machine Learning : Clustering-K – înseamnă clustering I
Machine Learning : Clustering-K – înseamnă clustering II
Machine Learning : clasificare-k-cel mai apropiat vecini (k-NN) algoritm

Machine Learning cu scikit-learn

scikit-learn instalare
scikit-learn : Scikit-aflați: preprocesarea datelor I-date lipsă / categorice scikit-aflați: preprocesarea datelor II-Partiționarea unui set de date / scalarea caracteristicilor / selectarea caracteristicilor / regularizarea scikit-aflați : preprocesarea datelor III – reducerea dimensionalității vis selectarea secvențială a caracteristicilor / evaluarea importanței caracteristicilor prin păduri aleatorii comprimarea datelor prin reducerea dimensionalității i – analiza principală a componentelor (PCA) scikit-aflați: preprocesarea datelor III-reducerea dimensionalității vis selectarea secvențială a caracteristicilor / evaluarea importanței caracteristicilor invata : Comprimarea datelor prin reducerea dimensionalității II – Analiza discriminantă liniară (LDA)
scikit-learn : compresia datelor prin reducerea dimensionalității III – mapări neliniare prin analiza componentei principale a kernelului (KPCA)
scikit-learn : regresie logistică, suprasolicitare & regularizare
scikit-learn : învățare supravegheată & învățare nesupravegheată – de exemplu, reducerea dimensionalității PCA nesupravegheată cu setul de date Iris

scikit-learn : Nesupravegheat_learning – kmeans gruparea cu setul de date Iris
scikit-learn : Liniar Separabile de date – model liniar & (Gaussian) radial bază funcția kernel (RBF kernel)
scikit-learn : decizie copac de învățare i – entropie, Gini, și informații câștig
scikit-learn : decizie copac de învățare II – construirea arborelui de decizie
scikit-learn : aleatoare decizie păduri clasificare
scikit-learn : suport Vector mașini (SVM)
scikit-learn : suport Vector mașini (SVM)
SVM) II
Balon cu mașină de învățare încorporat i : serializarea cu murături și dB setup
balon cu mașină de învățare încorporat ii : Basic Flask App
Flask cu Embedded Machine Learning III: încorporarea clasificator
Flask cu Embedded Machine Learning IV: implementați
Flask cu Embedded Machine Learning V: actualizarea clasificator
scikit-learn : Exemplu de un filtru comentariu spam folosind SVM-clasificarea unul bun sau unul rău

algoritmi de învățare mașină și concepte

lot gradient descent algoritm
Single Layer Neural Network – percepton model pe setul de date Iris folosind Heaviside pas funcția de activare
lot gradient descent versus Stochastic gradient descent
Single Layer Neuron Network-Adaptive Linear neuron folosind funcția de activare liniară (identitate) cu : Neuron liniar adaptiv folosind funcția de activare liniară (identitate) cu coborâre gradient stochastic (SGD)
regresie logistică
VC (Vapnik-Chervonenkis) dimensiune și sfărâma
părtinire-varianță tradeoff
estimarea probabilității maxime (MLE)
rețele neuronale cu backpropagation pentru XOR folosind un strat ascuns
minHash
TF-IDF greutate
procesarea limbajului Natural (NLP): analiza sentimentului I (IMDb & sac-de-cuvinte)
procesarea limbajului natural (NLP): analiza sentimentului ii (tokenizare, care rezultă și cuvinte de oprire)
procesarea limbajului natural (NLP): Analiza sentimentului III (formare & validare încrucișată)
procesarea limbajului Natural (NLP): analiza sentimentului IV (în afara nucleului)
Hashing sensibil la localitate (LSH) folosind distanța cosinusului (similitudinea cosinusului)

rețele neuronale artificiale (ANN)

sursele sunt disponibile la fișierele notebook Github-Jupyter
1. Introducere
2. Propagarea înainte
3. Coborâre Gradient
4. Backpropagation de erori
5. Verificarea gradientului
6. Formare prin BFGS
7. Overfitting & regularizare
8. Deep Learning I : Recunoașterea imaginii (încărcarea imaginii)
9. Deep Learning II: recunoașterea imaginii (Clasificarea imaginii)
10-Deep Learning III: Deep Learning III: Theano, TensorFlow, și Keras