Машинное обучение: используйте OpenCV и Python для интеллектуальной обработки изображений
Цена: 932руб. (¥51.8)
Артикул: 610591911632
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:阅轩图书专营店
Адрес:Цзянсу
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥1412 536руб.
¥ 127 851 529руб.
¥ 88 581 043руб.
¥ 99 53.5962руб.
Введение
Эта книга представляет собой практическое руководство, основанное на машинном обучении, основанном на OpenCV и Python, которое не только подробно представляет базовые знания, связанные с машинным обучением и OpenCV, но также показывает, как использовать OpenCV и Python для достижения различных алгоритмов машинного обучения с помощью конкретных примеров и предоставьте большое количество кода, чтобы показать список кода кода, он может помочь вам овладеть практическими навыками машинного обучения и решить различные различные проблемы машинного обучения и обработки изображений.В книге есть 12 главы, глава 1 вкратце вводит базовые знания в области машинного обучения, и объясняют, как установить инструменты OpenCV и Python; Используйте OpenCV для реализации этих алгоритмов; Обсудите, как использовать OpenCV, чтобы построить пешеходное предприятие для выявления вектора; Глава 10 Обсудите, как эффективно интегрировать несколько алгоритмов, чтобы улучшить производительность;
Заказ переводчика Предисловие Trinker Введение Глава 1 Вкус Машин Обучение 1 1.1 Предварительное понимание машинного обучения 1 1.2 Вещи, которые машинное обучение может решить 3 1.3 Предварительное понимание Python 4 1.4 Предварительное понимание OpenCV 4 1.5 Установка 5 1.5.1 Получить эту книгу Новую книгу Новый код 5 5 5 5 1.5.2 Master Python Anaconda 6 1.5.3 Установить OpenCV 8 1.5.4 в среде Conda
последовательность
Предисловие
Введение
Глава 1 вкусовой машинный обучение 1
1.1 Предварительное понимание машинное обучение 1
1.2 вещи, которые машинное обучение может решить 3 3
1.3 Предварительное понимание Python 4
1.4 Предварительное понимание OpenCV 4
1.5 Установка 5
1.5.1 Получите новый код этой книги 5 5
1.5.2 Master Python Anaconda 6
1.5.3 Установите OpenCV 8 в среде Conda
1.5.4 Результаты установки проверки 9
1.5.5 См. Модуль OpenCV ML 11
1.6 Резюме 11
Глава 2 Используйте OpenCV и Python для обработки данных 12
2.1 Понять процесс машинного обучения 12
2.2 Используйте OpenCV и Python для обработки данных 14
2.2.1 Создайте новую сеанс IPTHON или Юпитер 15
2.2.2 Используйте пакет Numpy от Python для обработки данных 16
2.2.3 Загрузите набор внешних данных 20 в Python 20
2.2.4 Используйте Matplotlib для визуализации данных 21
2.2.5 Используйте контейнер Tractata OpenCV в C ++ для обработки данных 26
2.3 Резюме 27
Глава 3 Diyi Шаг 28 Надзор и обучение 28
3.1 Понять обучение надзора 28
3.1.1 Изучите обучение надзору в OpenCV 29
3.1.2 Используйте функцию оценки для оценки производительности модели 30
3.2 Используйте классификационную модель категории 35
3.2.1 Понять алгоритм K-NN 37
3.2.2 Используйте OpenCV для реализации K-NN 37
3.3 Используйте прогноз регрессионной модели непрерывный результат 43
3.3.1 Понять линейную регрессию 43
3.3.2 Используйте линейную регрессию, чтобы предсказать цену в Бостонском доме 44
3.3.3 Приложение Lasso return и Ridge возврат 48
3.4 Используйте логическую регрессию, чтобы классифицировать тип радужной оболочки 48
3.5 Резюме 53
4 Данные представляют и функционируют инженерию 54
4.1 Понимание инженерии функций 54
4.2 Предварительная обработка данных 55
4.2.1 Стандартизация функций 56
4.2.2. Показаны характеристик 57
4.2.3 Функции сокращаются до определенного диапазона 57
4.2.4 Особенности двойного значения 58
4.2.5 Отсутствие обработки данных 58
4.3 Понимание Dis -Dimensional 59
4.3.1 Реализуйте анализ основного компонента в OpenCV 61
4.3.2 Анализ независимой композиции 64
4.3.3 Реализуйте негативную матричную разложение 65
4.4 Переменные категории указывают 66
4.5 Текстовые функции Express 68
4.6 представление изображения 69
4.6.1 Используйте цветовое пространство 69
4.6.2 Обнаружение угловой точки изображения 71
4.6.3 Используйте масштабную масштабную преобразование объекта 72
4.6.4 Используйте ускоренную надежную функцию 74
4.7 Резюме 75
Глава 5 Используйте дерево решений для медицинской диагностики 76
5.1 Понять дерево решений 76
5.1.1 Строительное дерево решений 79
5.1.2 Дерево решений, полученное с помощью визуальной подготовки 85
5.1.3 В -depth Решение внутреннего рабочего механизма дерева стратегии 87
5.1.4 Оценка важности 88
5.1.5 Понять правила решения 89
5.1.6 контролировать сложность дерева решений 90
5.2 Диагностика рака молочной железы с деревьями решений 90
5.2.1 Введите набор данных 91
5.2.2 Дерево решений строительства 92
5.3 Используйте дерево решений, чтобы вернуть 96
5.4 Резюме 99
Глава 6 Используйте вспомогательные полномочия для обнаружения пешеходов 100
6.1 Понять линейный векторный векторный машина 100
6.1.1.
6.1.2 Реализуйте нашу векторную машину Diyi Vector 102
6.2 Обработка нелинейной границы принятия решений 107
6.2.1 Понять ядерный механизм 108
6.2.2 Знайте нашу ядерную 109
6.2.3 Реализуйте нелинейную векторную машину поддержки 109
6.3 Пешеходный тест в природной среде 110
6.3.1 Получить набор данных 111
6.3.2 Гистограмма градиента направления раннего взгляда 113
6.3.3. Создайте отрицательную выборку 114
6.3.4 Реализация машины для поддержки вектор 116
6.3.5.
6.3.6.
6.3.7 Модель 120 дополнительной оптимизации 120
6.4 Резюме 121
Глава 7 Используйте байесовское обучение для достижения спам -фильтрации 122
7.1 Понять вывод Beyes 122
7.1.1 Короткое путешествие теории вероятности 123
7.1.2 Понять байесовскую теорему 124
7.1.3 Понимание просто Байеса Классификатор 126
7.2 Реализация Diyi A Beyes Classifier 127
7.2.1 Создайте набор данных практической практики 127
7.2.2 Используйте нормальный байесовский классификатор для классификации классификации данных 128
7.2.3 Используйте простой байесовский классификатор для классификации классификации данных 131
7.2.4 Визуализация вероятности состояния 132
7.3 Используйте простой байесовский классификатор для классификации электронной почты 134
7.3.1 Введите набор данных 134
7.3.2 Используйте панды для создания матрицы данных 136
7.3.3 Предварительная обработка данных 137
7.3.4.
7.3.5 Используйте полный набор данных для обучения 139
7.3.6 Используйте N-GRA для улучшения результатов 139
7.3.7 Используйте TD-IDF для улучшения результатов 140
7.4 Резюме 141
Глава 8 Используйте не -супервизионное обучение. Откройте для себя скрытую структуру 142
8.1 Понять не -супервизионное обучение 142
8.2 Понимание k средней поликации 143
8.3 Понимание ожидания 145
8.3.1 Реализация ожидаемых крупных решений 146
8.3.2 Понимание ограничений ожидания великой. 148
8.4 Используйте k среднее цветовое пространство сжатия 154
8.4.1 Визуализация панели True Color 154
8.4.2 Используйте k панель снижения среднего значения 157
8.5 Используйте k Среднее соперничающее написание цифровой классификации 159
8.5.1 Введите набор данных 159
8.5.2 запустить K в среднем 159
8.6 Ткани кластеризации в слоистое дерево 161
8.6.1 Понять иерархический кластер 161
8.6.2 Реализуйте кластер уровня агрегации 162
8.7 Резюме 163
Глава 9 Используйте глубокое обучение оппонентом, написание цифровой классификации 164
9.1 Понять McCulloch-Pitts Neuron 164
9.2 Понимание датчика 167
9.3 Реализовать восприятие DIYI 169
9.3.1 Сгенерировать набор данных упражнений 170
9.3.2 Используйте восприятие данных 171.
9.3.3 Классификатор датчика оценки 171
9.3.4 Примените датчик к данным, которые неразделимы от линейного 173
9.4 Понять многоуровневый период 174
9.4.1 Понять градиент капля 175
9.4.2 Используйте обучение обратной связи многослойное восприятие 178
9.4.3 Multi -Layer Presception 179 в OpenCV
9.5 Понять глубокое обучение 183
9.6 Рукописная цифровая классификация 186
9.6.1 Набор данных MNIST MNIST 187
9.6.2 Обработка набора данных MNIST 188
9.6.3 Используйте OpenCV для обучения MLP 189
9.6.4 Используйте кера для обучения глубокой нейронной сети 190
9.7 Резюме 192
Глава 10 Комбинация разных алгоритмов - целый 193
10.1 Понимание интегрированного метода 193
10.1.1 Понять средний интегрированный 195
10.1.2 Понимание и продвижение по службе интегрировано 197
10.1.3 Понять стек интегрированный 200
10.2 Дерево принятия решений - случайный лес 200
10.2.1 Понять менее 200
10.2.2 Внедрение Diyi Random Forest 204
10.2.3 Используйте Scikit-Learn для достижения случайного леса 205 205
10.2.4 Реализуйте случайное дерево Ji End 206
10.3 Используйте случайный лес для распознавания лица 208
10.3.1 Введите набор данных 208
10.3.2 Набор данных предварительной обработки 209
10.3.3 Обучение и тестирование случайного леса 210
10.4 Реализовать Adaboost 212
10.4.1 Используйте OpenCV для реализации Adaboost 212
10.4.2 Используйте Scikit-Learn для реализации Adaboost 213
10.5 Комбинация различных моделей является классификатором голосования 214
10.5.1 Понять различные механизмы голосования 214
10.5.2 Реализуйте классификатор голосования 215
10.6 Резюме 217
Глава 11 Выберите правильную модель 218 через супер -приготовленную настройку
11.1 Оценить модель 218
11.1.1 Метод оценки модели 219
11.1.2 Модель оценки правильный метод 220
11.1.3 Выберите хорошую модель 221
11.2 Понимание перекрестной проверки 223
11.2.1 Используйте OpenCV вручную для реализации перекрестной проверки 225
11.2.2 Используйте Scikit-Learn для K Folding, чтобы проверить 226
11.2.3 Реализация метода перекрестной проверки 227
11.3 Используйте самооценку устойчивости 228
11.4 Важность результатов оценки 230
11.4.1 Реализация t -теста 230
11.4.2. Инспекция карты в реализации 232
11.5 Используйте поиск сетки более -Р -зарегистрированной настройки 233
11.5.1 Реализуйте простой поиск сетки 234
11.5.2 Понять значение набора проверки 235
11.5.3 Поиск сетки в сочетании с перекрестной проверкой 236
11.5.4 Поиск сетки в сочетании с вложенной проверкой пересечения 238
11.6 Используйте разные показатели оценки для оценки модели 239
11.6.1 Выберите правильный индикатор классификации 239
11.6.2 Выберите правильный индикатор регрессии 240
11.7 Алгоритм ссылки образует трубопровод 240
11.7.1 Используйте Scikit-Learn для достижения трубопровода 241
11.7.2 Трубопровод 242 в поиске сетки 242
11.8 Резюме 243
Глава 12 Комплексный 244
12.1.
12.2 Постройте свой собственный оценщик 245
12.2.1 Используйте C ++, чтобы написать свой собственный классификатор OpenCV 245
12.2.2 Используйте Python, чтобы написать свой собственный классификатор Scikit-Learn 247
12.3 Будущее направление 249
12.4 Резюме 251 Отображение всей информации
Рекомендуемая рекомендация
OpenCV - это библиотека с открытым исходным кодом, которая интегрирует классические и расширенные алгоритмы компьютерного зрения и машинного обучения.Объединяясь с версией Python Anaconda, вы можете получить всю необходимую вычислительную библиотеку с открытым исходным кодом.
В этой книге сначала представлены основные понятия статистического обучения, такие как классификация и регрессия, а затем подробно объясняют алгоритмы, такие как дерево решений, векторная машина поддержки и байесовская сеть, и как их объединить с другими функциями OpenCV.——Благодаря изучению этой книги вы будете овладеть множеством практических навыков машинного обучения и решать практические проблемы, основанные на коде, предоставленном в книге, или разрабатывать свой собственный алгоритм из нуля.
Прочитав эту книгу, вы будете:
&Middot;
&Middot;
&Middot;
&Middot;
&Middot;
&Middot;
&Middot;
&Middot;