Python Multithread

OpenCV 3 processamento de imagem e vídeo com o Python

OpenCV 3 com Python
Imagem – 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()
Histograma da Imagem
Captura de Vídeo e de Comutação colorspaces – RGB / HSV
transição Adaptável – Otsu do cluster de imagem com base no limiar
Detecção de Borda – Sobel e Laplaciano Kernels
Sagaz Detecção de Borda
Hough Transform – Círculos
divisor de águas Algoritmo : Marcador de Segmentação baseada em I
divisor de águas Algoritmo : Marcador de Segmentação baseada em II
redução de ruído de Imagem : Não-local Significa denoising algoritmo
Imagem de detecção de objetos : Detecção de rosto usando Haar Cascata de Classificadores
segmentação de Imagens – primeiro plano de extração Grabcut algoritmo baseado no gráfico corta
Reconstrução de Imagem – Pintura (Interpolação) – Fast Marching Métodos
Vídeo : Significa mudança de rastreamento de objetos
Aprendizado de Máquina : Clustering K-Means clustering I
Aprendizado de Máquina : Clustering K-Means clustering II
Aprendizado de Máquina : Classificação – k-vizinhos mais próximos (k-NN) algoritmo

Aprendizado de Máquina com scikit-saiba mais

scikit-aprender instalação
scikit-aprender : Características e funcionalidade de extracção – iris dataset
scikit-aprendizado : Aprendizado de Máquina Rápida pré-Visualização
scikit-aprender : Dados pré-Processamento I – Falta de dados Categóricos
scikit-aprender : Dados pré-Processamento II – Particionamento de um conjunto de dados / Recurso de dimensionamento de Recurso / Seleção / Regularização
scikit-aprender : Dados pré-Processamento III – redução de Dimensionalidade vis Sequencial recurso de seleção / Avaliação de recurso de importância através aleatório florestas
Compressão de Dados através de Redução de Dimensionalidade I – análise de componentes Principais (PCA)
scikit-aprender : A Compressão de dados através de Redução de Dimensionalidade II – Análise Discriminante Linear (LDA)
scikit-aprender : a Compressão de Dados através de Redução de Dimensionalidade III – mapeamentos não-lineares através de kernel de componentes principais (KPCA) análise
scikit-aprender : Regressão Logística, Overfitting & regularização

scikit-aprendizado : Aprendizado Supervisionado & Supervisionado de Aprendizagem – e.g. Supervisionada PCA redução de dimensionalidade com iris dataset
scikit-aprender : Unsupervised_Learning – KMeans clustering com iris dataset
scikit-aprender : Linearmente Separáveis de Dados – Modelo Linear & (Gaussiana) função de base radial do kernel (kernel RBF)
scikit-aprender : Árvore de Decisão de Aprendizagem I – Entropia, de Gini, e Informações Ganho
scikit-aprender : Árvore de Decisão de Aprendizagem II – Construção da Árvore de Decisão
scikit-aprender : Aleatório Decisão Florestas Classificação
scikit-aprender : Máquinas de Vetor de Suporte (SVM)
scikit-aprender : Máquinas de Vetor de Suporte (SVM) II
Balão com o Embedded Aprendizado de Máquina I : Serialização com picles e banco de dados de configuração
Balão com a Máquina Incorporada de Aprendizagem II : Frasco básico App
frasco com aprendizagem à máquina incorporada III: Classificador incorporado
frasco com aprendizagem à máquina incorporada IV: lançamento
frasco com aprendizagem à máquina incorporada V: actualização do Classificador
scikit-learn : Exemplo de um comentário de spam filter usando SVM – a classificação de um bom ou um mau

Machine learning e algoritmos de conceitos

Lote de gradiente descendente algoritmo
Única Camada de Rede Neural – Perceptron modelo na Iris dataset usando Heaviside step função de ativação
Lote de gradiente descendente versus estocásticos gradiente descendente
Única Camada de Rede Neural – Adaptive Linear Neuron usando linear (identidade) função de ativação com o lote método de gradiente descendente
Única Camada de Rede Neural : Adaptive Linear Neuron usando linear (identidade) função de ativação, e o estocástico de gradiente descendente (SGD)
Regressão Logística
VC (Vapnik-Chervonenkis) Dimensão e Quebrar
Polarização-desvio de compensação
Estimativa de Máxima Verossimilhança (MLE)
Redes Neurais com backpropagation para o XOR usando uma camada oculta
minHash
tf-idf peso
Processamento de Linguagem Natural (NLP): Análise de Sentimento que eu (IMDb & saco-de-palavras)
Processamento de Linguagem Natural (NLP): Análise de Sentimento II (tokenization), derivado, e parar de palavras)
Processamento de Linguagem Natural (NLP): Análise de sentimento III (formação & validação cruzada)
Processamento de Linguagem Natural (NLP): Análise de Sentimento IV (out-of-core)
Localidade Sensível Hash (LSH) usando o co-seno Distância (co-seno de Semelhança)

Redes Neurais Artificiais (ANN)

Fontes estão disponíveis no Github – Jupyter caderno de arquivos
1. Introdução
2. Propagação Para A Frente
3. Inclinação Do Gradiente
4. Contrapropagação de erros
5. Gradiente de verificação
6. Formação através de BFGS
7. Sobrefunção & Regularização
8. Aprendizagem Profunda : Reconhecimento de imagens (envio de imagens)
9. Aprendizagem profunda II : Reconhecimento de Imagem (Imagens) classificação
10 – Aprendizagem Profunda III : Aprendizagem Profunda III : Theano, TensorFlow, e Keras