OpenCV 3 med Python
bild-OpenCV BGR: Matplotlib RGB
grundläggande bildoperationer-pixelåtkomst
iPython-signalbehandling med NumPy
signalbehandling med NumPy I-FFT och DFT för sinus, fyrkantiga vågor, unitpulse och slumpmässig signal
signalbehandling med NumPy II-bild Fourier Transform : FFT &DFT
omvänd Fourier-transformation av en bild med lågpassfilter: cv2.idft()
Bildhistogram
videoinspelning och växling av färgrymder-RGB / HSV
adaptiv tröskelvärde-Otsu: s klusterbaserade bildtröskelering
kantdetektering-Sobel-och Laplacian-kärnor
Canny Edge Detection
Hough Transform-cirklar
Vattendelsalgoritm : markörbaserad segmentering i
Vattendelsalgoritm : markörbaserad segmentering II
bildbrusreducering: icke-lokala medel denoising algoritm
Bildobjektdetektering : Ansiktsigenkänning med Haar Cascade Classifiers
bildsegmentering – förgrundsutvinning Grabcut algoritm baserad på grafskärningar
bildrekonstruktion – Inpainting (Interpolation) – snabb Marscheringsmetoder
Video : Mean shift object tracking
maskininlärning : Clustering – K-betyder clustering i
maskininlärning : Clustering – K-betyder clustering II
maskininlärning : klassificering – k-närmaste grannar (k-NN) algoritm

maskininlärning med scikit-learn

scikit-lär installation
scikit-lär dig : Funktioner och feature extraction – iris dataset
scikit-lär dig : maskininlärning Snabb Förhandsgranskning
scikit-lär dig : Data Förbehandling I – Saknas / Kategoriska data
scikit-lär dig : Data Förbehandling II – Partitionering ett dataset / Funktionen skalning / Funktion Val / Anpassning
scikit-lär dig : Data Förbehandling III – Dimensionalitet minskning vis Sekventiell funktion urval / Bedömning har betydelse via slumpmässiga skogar
Komprimering av Data via Dimensionerna Minskning I – Principal component analysis (PCA)
scikit-lär dig : Datakomprimering via Dimensionalitetsreduktion II – linjär diskriminerande analys (LDA)
scikit-lär dig : datakomprimering via Dimensionalitetsreduktion III – icke-linjära mappningar via kärnans huvudkomponent (KPCA) analys
scikit-lär dig : logistisk Regression, överfitting & regularisering
scikit – lär dig : övervakat lärande & oövervakat lärande-t. ex. oövervakad PCA Dimensionalitetsreduktion med Iris dataset
scikit – learn : unsupervised_learning-Kmeans klustring med Iris dataset
scikit-learn : Linjärt separerbar Data – linjär modell & (Gaussian) radialbasis function kernel (RBF kernel)
scikit-lär dig : beslutsträd lärande I – entropi, Gini och Informationsvinst
scikit-lär dig : beslutsträd lärande II – konstruera beslutsträdet
scikit-lär dig : slumpmässig Beslutskogsklassificering
scikit-lär dig : Stödvektormaskiner (SVM)
scikit-lär dig : Stödvektormaskiner (SVM)
scikit-lär dig : Stödvektormaskiner (SVM) SVM) II
kolv med inbäddad maskininlärning i: serialisering med pickle och dB setup
kolv med inbäddad maskininlärning II : Grundläggande kolv App
kolv med inbäddad maskininlärning III: bädda in klassificerare
kolv med inbäddad maskininlärning IV: distribuera
kolv med inbäddad maskininlärning V: uppdatera klassificeraren
scikit-lär dig : SVM-klassificera en bra eller en dålig

maskininlärningsalgoritmer och begrepp

Batch gradient descent algorithm
Single Layer Neural Network-Perceptron modell på Iris dataset med Heaviside step activation function
Batch gradient descent versus stokastisk gradient descent
Single Layer Neural Network-adaptiv linjär Neuron med linjär (identitet) aktiveringsfunktion med batch gradient descent method
Single Layer Neural Network : Adaptiv linjär Neuron med linjär (identitet) aktiveringsfunktion med stokastisk gradient nedstigning (SGD)
logistisk Regression
VC (Vapnik-Chervonenkis) Dimension och splittring
Bias-varians avvägning
maximal sannolikhetsbedömning (MLE)
neurala nätverk med backpropagation för XOR med ett dolt lager
minHash
TF-IDF vikt
Natural Language Processing (NLP): sentimentanalys I (IMDb & bag-of-Words)
natural language processing (NLP): sentimentanalys II (tokenisering, stemming och stop words)
natural language processing (NLP): Sentimentanalys III (utbildning & korsvalidering)
naturlig språkbehandling (NLP): sentimentanalys IV (Out-of-core)
Täthetskänslig Hashing (LSH) med Cosinusavstånd (cosinus likhet)

artificiella neurala nätverk (ANN)

källor finns tillgängliga på GitHub-Jupyter notebook files
1. Inledning
2. Förökning
3. Gradient nedstigning
4. Backpropagation av fel
5. Kontrollgradient
6. Utbildning via BFGS
7. Överfitting &regularisering
8. Djupt Lärande I : Bildigenkänning (bilduppladdning)
9. Djupt lärande II: bildigenkänning (bildklassificering)
10-djupt lärande III: djupt lärande III: Theano, TensorFlow och Keras