Python multithread

OpenCV 3 procesare de imagini și video cu Python

OpenCV 3 cu Python
imagine-OpenCV BGR : Matplotlib RGB
operații de bază ale imaginii – acces pixel
iPython – procesare semnal cu NumPy
procesare semnal cu NumPy i – FFT și DFT pentru sine, unde pătrate, unitpulse și semnal aleatoriu
procesare semnal cu NumPy ii – transformare Fourier imagine : FFT &DFT
transformare Fourier inversă a unei imagini cu filtru trece-jos: cv2.idft ()
Image Histogram
captare Video și comutare colorspaces – RGB / HSV
Adaptive Thresholding – Otsu pe bază de clustering imagine thresholding
Edge Detection-Sobel și nucleele Laplacian
Canny Edge Detection
Hough transforma – cercuri
algoritmul bazinului hidrografic : segmentarea pe bază de Marker i
algoritmul bazinului hidrografic : segmentarea pe bază de Marker II
reducerea zgomotului imaginii : non – local înseamnă algoritmul de Denoizare
detectarea obiectelor de imagine : Detectarea feței folosind Clasificatoare Haar Cascade
segmentarea imaginii – algoritmul Grabcut de extracție în prim plan bazat pe tăieturi de grafic
reconstrucția imaginii – Inpainting (interpolare) – metode rapide de marș
Video : urmărirea obiectului de deplasare medie
învățarea automată : Clustering – K-înseamnă clustering I
învățarea automată : Clustering – K-înseamnă clustering II
învățarea automată : clasificare – k-cel mai apropiat 5718>

Machine Learning cu scikit-learn

instalare scikit-learn
scikit-learn : Caracteristici și extracție caracteristică – iris dataset
scikit-aflați : Machine Learning previzualizare rapidă
scikit-aflați : preprocesarea datelor I – date lipsă / categorice
scikit-aflați : preprocesarea datelor II – Partiționarea unui set de date / scalarea caracteristicilor / selectarea caracteristicilor / regularizarea
scikit-aflați : preprocesarea datelor III – reducerea dimensionalității vis selecția secvențială a caracteristicilor / evaluarea importanței caracteristicilor prin păduri aleatorii
compresia datelor prin reducerea dimensionalității i – analiza componentelor principale (PCA)
scikit-learn : Comprimarea datelor prin reducerea dimensionalității II – Analiza discriminantă liniară (LDA)
scikit-learn : compresia datelor prin reducerea dimensionalității III – mapări neliniare prin analiza componentei principale a kernelului (KPCA)
scikit-learn : regresie logistică, suprasolicitare & regularizare
scikit-learn : învățare supravegheată & învățare nesupravegheată – de exemplu, reducerea dimensionalității PCA nesupravegheată cu setul de date iris

scikit-learn : Unsupervised_learning – kmeans clustering cu setul de date Iris
scikit-learn : Liniar separabile date – model liniar & (Gaussian) radial bază funcția kernel (RBF kernel)
scikit-learn : decizie copac de învățare i – entropie, Gini, și informații câștig
scikit-learn : decizie copac de învățare II – construirea arborelui de decizie
scikit-learn : decizie aleatoare păduri clasificare
scikit-learn : suport Vector mașini (SVM)
scikit-learn : suport Vector mașini (SVM) ii
balon cu învățare automată încorporată i : serializare cu murături și configurare dB
balon cu învățare automată încorporată ii : Basic Flask App
Flask cu Embedded Machine Learning III: încorporarea clasificator
Flask cu Embedded Machine Learning IV: implementați
Flask cu Embedded Machine Learning V: actualizarea clasificator
scikit-learn : Exemplu de un filtru comentariu spam folosind SVM-clasificarea unul bun sau unul rău

algoritmi de învățare mașină și concepte

lot gradient descent algoritm
single Layer Neural Network – Perceptron model pe setul de date Iris folosind Heaviside pas funcția de activare
lot gradient descent versus Stochastic gradient descent
Single layer Neural Network – Adaptive Linear Neuron folosind liniar (identitate) funcția de activare cu lot gradient descent metoda
Single layer : Neuron liniar adaptiv folosind funcția de activare liniară (identitate) cu coborâre gradient stochastic (SGD)
regresie logistică
VC (Vapnik-Chervonenkis) dimensiune și sfărâmă
Bias-variance tradeoff
estimarea probabilității maxime (MLE)
rețele neuronale cu backpropagare pentru XOR folosind un strat ascuns
minHash
TF-idf greutate
natural procesarea limbajului (NLP): analiza sentimentului i (IMDb & bag-of-words)
procesarea limbajului natural (NLP): analiza sentimentului ii (tokenizarea, generarea și oprirea cuvintelor)
procesarea limbajului natural (NLP): Analiza sentimentului III (formare & validare încrucișată)
procesarea limbajului Natural (NLP): analiza sentimentului IV (în afara nucleului)
Hashing sensibil la localitate (LSH) folosind distanța cosinusului (similitudinea cosinusului)

rețele neuronale artificiale (ANN)

sursele sunt disponibile la fișierele notebook Github-Jupyter
1. Introducere
2. Propagare Înainte
3. Coborâre Gradient
4. Backpropagation de erori
5. Verificarea gradientului
6. Instruire prin BFGS
7. Overfitting & Regularizare
8. Deep Learning I : Recunoașterea imaginilor (încărcarea imaginilor)
9. Deep Learning II: recunoașterea imaginilor (clasificarea imaginilor)
10-Deep Learning III: Deep Learning III: Theano, TensorFlow și Keras