Python többszálú

OpenCV 3 kép és videó feldolgozás Pythonnal

OpenCV 3 Pythonnal
kép-OpenCV BGR : Matplotlib RGB
alapvető képműveletek-pixel hozzáférés
iPython-jelfeldolgozás NumPy
jelfeldolgozás NumPy I-FFT és DFT szinusz, négyzet hullámok, unitpulse, és véletlenszerű jel
jelfeldolgozás NumPy II-kép Fourier-transzformáció: FFT &DFT
inverz Fourier-transzformáció egy kép aluláteresztő szűrő: cv2.idft()
kép hisztogram
Video Capture and Switching colorsspaces – RGB / HSV
adaptív küszöb – Otsu klaszterezés-alapú képküszöb
Edge Detection – Sobel és Laplacian Kernel
Canny Edge Detection
Hough Transform – körök
vízválasztó algoritmus : Marker-alapú szegmentálás i
vízválasztó algoritmus : Marker-alapú szegmentáció II
képzajcsökkentés : a nem helyi eszközök Denoising algoritmus
képobjektum-észlelés : Arcfelismerés Haar kaszkád Osztályozókkal
képszegmentálás – előtér kitermelése Grabcut algoritmus grafikon vágásokon alapul
Képrekonstrukció – Inpainting (interpoláció) – gyors Menetelési módszerek
videó : átlagos eltolódás objektumkövetés
Gépi tanulás : klaszterezés – K-I klaszterezést jelent
Gépi tanulás : klaszterezés – K-II klaszterezést jelent
Gépi tanulás : osztályozás – k-legközelebbi szomszédok (k-NN) algoritmus

Gépi tanulás a scikit-learn

scikit-learn telepítés
scikit-learn : Jellemzők és funkciók kitermelése – iris adatkészlet
scikit-Ismerje meg : Gépi tanulás gyors előnézet
scikit-Ismerje meg : ADATOK előfeldolgozása I – hiányzó / kategorikus adatok
scikit-Ismerje meg : ADATOK előfeldolgozása II – adatkészlet particionálása / jellemző méretezés / Funkcióválasztás / Szabályozás
scikit-Ismerje meg : ADATOK előfeldolgozása III – Dimenziócsökkentés Vis szekvenciális funkcióválasztás / jellemző fontosságának értékelése véletlenszerű erdőkön keresztül
adattömörítés dimenzión keresztül redukció I – főkomponens-elemzés (PCA)
scikit-learn : Adattömörítés Dimenziócsökkentés útján II – lineáris diszkrimináns elemzés (Lda)
scikit-learn : adattömörítés Dimenziócsökkentés útján III – nemlineáris leképezések kernel főkomponens (KPCA) elemzésen keresztül
scikit-learn : logisztikai regresszió, Túlillesztés & regularizáció
scikit-learn : felügyelt tanulás & felügyelet nélküli tanulás – pl. felügyelet nélküli PCA dimenziócsökkentés írisz adatkészlettel
scikit-learn : Unsupervised_learning – kmeans clustering with Iris dataset
scikit-learn : Lineárisan elválasztható adatok – lineáris modell & (Gauss-féle) radiális alapfunkció kernel (RBF kernel)
scikit – Ismerje meg : döntési fa tanulás i-entrópia, Gini és információszerzés
scikit – Ismerje meg : döntési fa tanulás II-a döntési fa felépítése
scikit-Ismerje meg : véletlenszerű döntési erdők osztályozása
scikit-Ismerje meg : Támogatja a vektor gépeket (SVM)
scikit-Ismerje meg : Támogatja a vektor gépeket (SVM)) II
lombik beágyazott gépi tanulással I : sorosítás savanyúsággal és dB beállítással
lombik beágyazott gépi tanulással II : Alapvető lombik App
lombik beágyazott gépi tanulással III: osztályozó beágyazása
lombik beágyazott gépi tanulással IV:
lombik telepítése beágyazott gépi tanulással V: az osztályozó frissítése
scikit-learn : Minta egy spam comment szűrő segítségével SVM-osztályozása egy jó vagy egy rossz

gépi tanulási algoritmusok és fogalmak

Batch gradient descent algoritmus
egyrétegű neurális hálózat – Perceptron modell az írisz adathalmaz segítségével Heaviside lépés aktiválás funkció
Batch gradient descent versus sztochasztikus gradient descent
egyrétegű neurális hálózat – adaptív lineáris Neuron lineáris (identitás) aktiválás funkció batch gradient descent módszerrel
egyrétegű neurális hálózat : Adaptív lineáris Neuron lineáris (identitás) aktivációs funkcióval sztochasztikus gradiens süllyedéssel (SGD)
logisztikai regresszió
VC (Vapnik-Chervonenkis) dimenzió és összetörés
torzítás-variancia kompromisszum
maximális valószínűség becslés (MLE)
neurális hálózatok backpropagációval XOR egy rejtett réteg használatával
minHash
TF-idf súly
természetes nyelvfeldolgozás (NLP): hangulatelemzés I (IMDb & szavak zsákja)
természetes nyelvfeldolgozás (NLP): Hangulatelemzés II (tokenizálás, eredés és stop szavak)
természetes nyelvfeldolgozás (NLP): Hangulatelemzés III (képzés & keresztellenőrzés)
természetes nyelvfeldolgozás (NLP): Hangulatelemzés IV (magon kívüli)
Lokalitásérzékeny Hashing (LSH) koszinusz távolság (koszinusz hasonlóság)

mesterséges neurális hálózatok (ANN)

a források a Github-Jupyter notebook files
1 oldalon érhetők el. Bevezetés
2. Előre Terjedés
3. Gradiens Süllyedés
4. A hibák újbóli terjesztése
5. Gradiens ellenőrzése
6. Képzés BFGS-en keresztül
7. Túltöltés &Szabályozás
8. Mély Tanulás I : Képfelismerés (Kép feltöltése)
9. Mély tanulás II: képfelismerés (Képosztályozás)
10-mély tanulás III : mély tanulás III: Theano, TensorFlow és Keras