Python Multithread

OpenCV 3 billed – og videobehandling med Python

OpenCV 3 med Python
Image-OpenCV BGR : Matplotlib RGB
grundlæggende billedoperationer-billedadgang
iPython-signalbehandling med NumPy
signalbehandling med NumPy i – FFT og DFT til sinus, firkantede bølger, unitpulse og tilfældigt signal
signalbehandling med NumPy II – image Fourier Transform : FFT & DFT
Inverse Fourier Transform af et billede med lavpasfilter: cv2.idft()
Billedhistogram
videooptagelse og skift af farverum – RGB / HSV
adaptiv tærskelværdi – otsus klyngebaserede billedtærskel
kantdetektering-Sobel og Laplacian kerner
Canny kantdetektering
Hough Transform – Circles
Vandskelalgoritme : Markørbaseret segmentering i
Vandskelalgoritme : Markørbaseret segmentering II
billedstøjreduktion : ikke – lokal betyder denoising algoritme
Billedobjektdetektion : Ansigtsgenkendelse ved hjælp af Haar – Kaskadeklassifikatorer
Billedsegmentering – Forgrundsekstraktion Grabcut algoritme baseret på grafskæringer
billedrekonstruktion – Inpainting (Interpolation) – hurtige Marcheringsmetoder
Video : Gennemsnitlig skiftobjektsporing
maskinindlæring : klyngedannelse-K – betyder klyngedannelse i
maskinindlæring : klyngedannelse-K – betyder klyngedannelse II
maskinindlæring : klassificering-k-nærmeste naboer (k-NN) algoritme

maskinlæring med Scikit-Lær

scikit-lær installation
Scikit-Lær : Funktioner og funktionsekstraktion – iris datasæt
scikit-Lær : maskinindlæring hurtig forhåndsvisning
scikit-Lær : Dataforarbejdning I – manglende / kategoriske data
scikit-Lær : Dataforarbejdning II – opdeling af et datasæt / Funktionsskalering / funktionsvalg / regulering
scikit-Lær : Dataforarbejdning III – Dimensionalitetsreduktion vis sekventiel funktionsvalg / vurdering af funktionsvigtighed via tilfældige skove
datakomprimering via Dimensionalitetsreduktion i – principal component analysis (PCA)
scikit-Lær : Datakomprimering via Dimensionalitetsreduktion II – lineær Diskriminantanalyse (LDA)
scikit-Lær : datakomprimering via Dimensionalitetsreduktion III – ikke-lineære kortlægninger via kernel principal component (KPCA) analyse
scikit-Lær : logistisk Regression, Overmontering & regulering
scikit – Lær : overvåget læring & uovervåget læring-f. eks. ikke – overvåget PCA dimensionalitetsreduktion med iris datasæt
Scikit-Lær : UNSUPERVISED_LEARNING-KMEANS clustering med iris datasæt
Scikit-Lær : Lineært adskillelige Data – lineær Model & (Gaussisk) radial basisfunktion kerne (RBF kerne)
scikit-Lær : Beslutningstræindlæring i – entropi, Gini og Informationsgevinst
scikit-Lær : Beslutningstræindlæring II – konstruktion af beslutningstræet
scikit-Lær : Random Decision Forests Classification
scikit-Lær : Support Vector Machines (SVM)
scikit-Lær : Support Vector Machines (SVM)
scikit-Lær : Support Vector Machines (SVM)
scikit-Lær: Support Vector Machines (SVM) II
kolbe med indbygget maskinlæring i: serialisering med pickle og DB setup
kolbe med indbygget maskinlæring II : Grundlæggende kolbe App
kolbe med indlejret maskinindlæring III: indlejring af klassifikator
kolbe med indlejret maskinindlæring IV: Deploy
kolbe med indlejret maskinindlæring V: opdatering af klassifikatoren
scikit-learn : Prøve af et spam-kommentarfilter ved hjælp af SVM-klassificering af en god eller en dårlig

maskinlæringsalgoritmer og koncepter

Batch gradient descent algoritme
enkeltlags neuralt netværk-Perceptron model på Iris-datasættet ved hjælp af Heaviside trinaktiveringsfunktion
Batch gradient descent versus stokastisk gradient descent
enkeltlags neuralt netværk-adaptiv lineær Neuron ved hjælp af lineær (identitet) aktiveringsfunktion med batch gradient descent metode
enkeltlags neuralt netværk : Adaptiv lineær Neuron ved hjælp af lineær (identitet) aktiveringsfunktion med stokastisk gradientafstamning (SGD)
logistisk Regression
VC (Vapnik-Chervonenkis) Dimension og brud
Bias-varians tradeoff
maksimal Sandsynlighedsestimering (MLE)
neurale netværk med backpropagation til Hor ved hjælp af et skjult lag
minHash
TF-idf vægt
Natural Language Processing (NLP): sentimentanalyse i (IMDb & pose-of-ord)
natural language processing (NLP): sentimentanalyse II (tokenisering, stemming og stopord)
natural language processing (NLP): Sentimentanalyse III (træning &krydsvalidering)
naturlig sprogbehandling (NLP): sentimentanalyse IV (uden for kernen)
Lokalitetsfølsom Hashing (LSH) ved hjælp af cosinus afstand (cosinus lighed)

kunstige neurale netværk (ANN)

kilder er tilgængelige på GitHub-Jupyter notebook-filer
1. Indledning
2. Fremad Formering
3. Gradient Nedstigning
4. Backpropagation af fejl
5. Kontrol af gradient
6. Træning via BFGS
7. Overmontering & Regulering
8. Dyb Læring I : Billedgenkendelse (upload af billede)
9. Dyb læring II: billedgenkendelse (billedklassificering)
10-dyb læring III: dyb læring III: Theano, Tensorstrøm og Keras