Python Multithread

OpenCV 3 Kuvien ja videoiden käsittely Pythonilla

OpenCV 3 Pythonilla
Image-OpenCV BGR : Matplotlib RGB
Basic image operations-pixel access
iPython-signaalinkäsittely numpy
signaalinkäsittely numpy I – FFT : llä ja DFT: llä sini -, neliöaalto -, unitpulse-ja satunnaissignaalille
signaalinkäsittely NumPy II-Image Fourier-muunnos: FFT & DFT
Käänteinen Fourier-muunnos kuvasta alipäästösuodattimella: cv2.idft()
Kuvan Histogrammi
videokuvaus ja väritilojen vaihto – RGB / HSV
Adaptiivinen kuvankäsittely – Otsun ryhmittelypohjainen kuvankäsittely
Reunantunnistus-Sobelin ja Laplacian ytimet
Kulmantunnistus
Hough Transform – ympyrät
vedenjakaja – algoritmi : merkkipohjainen segmentointi I
vedenjakaja-algoritmi : merkkipohjainen segmentointi II
kuvakohinan vähentäminen : ei-paikallinen tarkoittaa Denoisoivaa algoritmia
kuvakohteiden tunnistus : Kasvojentunnistus Haar – Kaskadiluokittimilla
Kuvan segmentointi – etualan louhinta – Grabcut – algoritmi, joka perustuu kaavion leikkauksiin
Kuvan rekonstruktio-Inpainting (interpolointi) – nopeat Marssimenetelmät
Video : Keskivirtauskohteen seuranta
Koneoppiminen : klusterointi-K – Means clustering I
Koneoppiminen : klusterointi-K-Means clustering II
Koneoppiminen : luokittelu-k-lähimmät naapurit (k-nn) algoritmi

Koneoppiminen Skikeillä-Opi

skikit-Opi asennus
Skikit-Opi : Features and feature extraction – iris dataset
scikit-learn : Machine Learning Quick Preview
scikit-learn : Data Preprocessing I – Missing / Categorical data
scikit-learn : Data Preprocessing II – Partitioning a dataset / Feature scaling / Feature Selection / Regularisation
scikit-learn : Data Preprocessing III – Dimensionality reduction vis Sequential feature selection / Assessing feature importance via random forests
Data Compression via dimensionality reduction I – principal component analysis (PCA)
scikit-learn : Data Compression via Dimensionality Reduction II – Linear Discriminant Analysis (Lda)
scikit-learn : Data Compression via Dimensionality Reduction III – epälineaariset kuvaukset via kernel principal component (kpca) analysis
scikit-learn : Logistic Regression, Overfitting & regularization
scikit-learn : valvottu oppiminen & valvomaton oppiminen – esim. valvomaton PCA-dimensionality reduction with iris tietokokonaisuus
scikit – learn : UNSPERVISED_LEARNING-kmeans clustering with Iris-tietokokonaisuus
scikit-learn : Lineaarisesti erotettava Data – lineaarinen malli & (Gaussin) radial basis function kernel (RBF kernel)
scikit-learn : Decision Tree Learning I – Entropia, Gini ja Information Gain
scikit-learn : Decision Tree Learning II – Construction the Decision Tree
scikit-learn : Random Decision Forests Classification
scikit-learn : Support Vector Machines (SVM)
scikit-learn : Support Vector Machines (SVM)
scikit-learn : Support Vector Machines (SVM) II
pullo, jossa on sulautettu Koneoppiminen I: sarja, jossa on suolakurkku ja DB setup
pullo, jossa on sulautettu koneoppiminen II : Basic Flask App
Flask with Embedded Machine Learning III: Embedding Classifier
Flask with Embedded Machine Learning IV: Deploy
Flask with Embedded Machine Learning V: luokittelijan päivittäminen
scikit-learn : Näyte roskapostisuodattimesta käyttäen SVM-luokittelua hyvä tai huono

koneoppimisen algoritmit ja käsitteet

Eräoppimisalgoritmi
yksikerroksinen neuroverkko-Perceptron-malli Iris-tietokokonaisuudessa käyttäen Heaviside step activation – toimintoa
Erägradientti laskeutuminen vs. stokastinen gradientti laskeutuminen
yksikerroksinen neuroverkko-Adaptiivinen Lineaarinen neuroni käyttäen lineaarista (identiteetti) aktivointitoimintoa erägradientti laskeutumismenetelmä
yksikerroksinen neuroverkko-Adaptiivinen Lineaarinen neuroni käyttäen lineaarista (identiteetti) aktivointitoimintoa erägradientti laskeutumismenetelmä
yksikerroksinen neuroverkko : Adaptive Linear Neuron using linear (identity) activation function with stokastic gradient descent (SGD)
Logistic Regression
VC (Vapnik-Chervonenkis) Dimension and Shatter
Bias-varianssi tradeoff
Maximum likability Estimation (MLE)
neuroverkkojen backropagation for XOR using one hidden layer
minHash
tf-idf weight
Natural Language Processing (NLP): sentimental analysis I (IMDb & bag-of-Words)
natural language processing (NLP): Sentimental Analysis II (tokenization, stemming, and stop words)
Natural Language Processing (NLP): Tunteanalyysi III (koulutus & ristiintarkistus)
Natural Language Processing (NLP): Tunteanalyysi IV (Out-of-core)
local-Sensitive Hashing (LSH) using Kosine Distance (Cosine Similarity)

Artificial Neural Networks (ANN)

Sources are available at github – Jupyter notebook files
1. Johdanto
2. Eteneminen
3. Gradient Descent
4. Virheiden korjaaminen
5. Tarkistetaan gradientti
6. Koulutus BFGS: n kautta
7. Overfitting & Regularization
8. Syväoppiminen I : Kuvantunnistus (kuvan lataaminen)
9. Deep Learning II: Image Recognition (Image classification)
10-Deep Learning III: Deep Learning III : Theano, TensorFlow ja Keras