Python Multithread

OpenCV 3 image and video processing with Python

OpenCV 3 with Python
Image-OpenCV BGR : Matplotlib RGB
Basic image operations-pixel access
iPython-Signal Processing with NumPy
Signal Processing with NumPy I-FFT and DFT for sine, square waves, unitpulse, and random signal
Signal Processing with NumPy II-Image Fourier Transform: FFT & DFT
Inverse Fourier Transform of an Image with low pass filter: cv2.idft()
Image Histogram
Video Capture and Switching colorspaces – RGB / HSV
Adaptive Threshholding – Otsu ‘ s clustering-based image threshholding
Edge Detection – Sobel and Laplacian Kernels
Canny Edge Detection
Hough Transform – Circles
Watershed Algorithm : Marker-based Segmentation I
Watershed Algorithm : Marker-based Segmentation II
Image ruis reduction : Non-local Means denoising algorithm
beeldobjectdetectie : Gezicht detectie met behulp van Haar Cascade van Classifiers
Beeld segmentatie – Voorgrond extractie Grabcut algoritme gebaseerd op de grafiek snijdt
Afbeelding Wederopbouw – Inpainting (Interpolatie) – Snel Marcheren Methoden
Video : Gemiddelde verschuiving object tracking
Machine Learning : Clustering – K-Means clustering I
Machine Learning : Clustering – K-Means clustering II
Machine Learning : Classificatie – k-dichtstbijzijnde buren (k-NN) algoritme

Machine Learning met scikit-leren

scikit-leren installatie
scikit-leren : Functies en functie-extractie – iris dataset
scikit-leren : Machine Learning Snelle Preview
scikit-leren : Data Preprocessing ik – Vermist / Categorische data
scikit-leren : Data Preprocessing II – Partitioneren van een dataset / Functie vergroten / Functie Selectie / Regularisatie
scikit-leren : Data Preprocessing III – Dimensionaliteit vermindering opzichte van Sequentiële functie selectie / Beoordeling van de functie van belang via willekeurige bossen
Compressie van Gegevens via Dimensionaliteit Reductie I – Principal component analyse (PCA)
scikit-leren : Data compressie via dimensionaliteit reductie II – Linear Discriminant Analysis (Lda)
scikit-learn : data compressie via dimensionaliteit reductie III – niet-lineaire mappings via kernel principal component (kpca) analyse
scikit-learn : Logistic Regression, Overfitting & regularisatie
scikit – learn : Supervised Learning & Unsupervised Learning-e.g. Unsupervised PCA dimensionaliteit reductie met iris dataset
scikit – learn : unsupervised_learning-kmeans clusteren met Iris dataset
scikit-learn : Lineair Scheidbare Data – Lineaire Model & (Gaussische) radial basis function kernel (RBF kernel)
scikit-leren : beslisboom Leren I – Entropie, Gini, en Informatie Krijgen
scikit-leren : beslisboom Leren II – de Bouw van de beslisboom
scikit-leren : Willekeurige Beslissing Bossen Indeling
scikit-leren : Support Vector Machines (SVM)
scikit-leren : Support Vector Machines (SVM) II
Kolf met Ingesloten Machine Learning I : Serialisatie met augurk en DB setup
Kolf met Ingesloten Machine Learning II : Basic kolf App
kolf met ingebed Machine Learning III: inbedding Classifier
kolf met ingebed Machine Learning IV: Deploy
kolf met ingebed Machine Learning V : de classifier
bijwerken sikit-learning : Voorbeeld van een spamcommentaarfilter met behulp van SVM-classificeren van een goede of een slechte

Machine learning algoritmen en concepten

Batch gradiënt descent algoritme
Single Layer Neural Network-Percepttron model op de Iris dataset met behulp van Heaviside step activation function
Batch gradiënt descent versus stochastic gradient descent
Single Layer Neural Network-Adaptive Linear Neuron using linear (identity) activation function with batch gradient descent method
Single Layer Neural Network : Adaptive Lineaire Neuron met behulp van lineaire (identiteit) de functie activering met stochastische gradient descent (SGD)
Logistische Regressie
VC (Vapnik-Chervonenkis) Dimensie en de Shatter
Bias-variantie afweging
Maximum Likelihood Estimation (MLE)
Neurale Netwerken backpropagation voor XOR met één verborgen laag
minHash
tf-idf-gewicht
Natural Language Processing (NLP): Sentiment Analyse I (IMDb & bag-of-words)
Natural Language Processing (NLP): Sentiment-Analyse II (tokenization, als gevolg, en stoppen woorden)
Natural Language Processing (NLP): Sentiment Analysis III (training & cross validation)
Natural Language Processing (NLP): Sentiment Analysis IV (out-of-core)
locity-Sensitive Hashing (LSH) using Cosine Distance (Cosine Similarity)

Artificial Neural Networks (ANN)

bronnen zijn beschikbaar op GitHub – Jupyter notebook files
1. Inleiding
2. Voorwaartse Vermeerdering
3. Daling Van De Gradiënt
4. Backpropagatie van fouten
5. Kleurverloop
controleren 6. Opleiding via BFG ‘ s
7. Overbevissing & Regularisatie
8. Deep Learning I : Beeldherkenning (uploaden van afbeeldingen)
9. Deep Learning II: beeldherkenning (beeldclassificatie)
10-Deep Learning III : Deep Learning III: Theano, TensorFlow en Keras