《机器学习：使用OpenCV和Python进行智能图像处理》代码

本书是一本基于OpenCV和Python的机器学习实战手册，既详细介绍机器学习及OpenCV相关的基础知识，又通过具体实例展示如何使用OpenCV和Python实现各种机器学习算法，并提供大量示列代码，可以帮助你掌握机器学习实用技巧，解决各种不同的机器学习和图像处理问题。

全书共12章，第1章简要介绍机器学习基础知识，并讲解如何安装OpenCV和Python工具；第2章展示经典的机器学习处理流程及OpenCV和Python工具的使用；第3章讨论监督学习算法，以及如何使用OpenCV实现这些算法；第4章讨论数据表示和特征工程，并介绍OpenCV中提供的用于处理图像数据的常见特征提取技术；第5章展示如何使用OpenCV构建决策树进行医疗诊断；第6章讨论如何使用OpenCV构建支持向量机检测行人；第7章介绍概率论，并展示如何使用贝叶斯学习实现垃圾邮件过滤；第8章讨论一些非监督学习算法；第9章详细讲解如何构建深度神经网络来识别手写数字；第10章讨论如何高效地集成多个算法来提升性能；第11章讨论如何比较不同分类器的结果，选择合适的工具；第12章给出一些处理实际机器学习问题的提示和技巧。

封面图

目录

• 译者序
• 序
• 前言
• 审校者简介
• 第1章品味机器学习 1
• 1.1初步了解机器学习 1
• 1.2机器学习可以解决的事情 3
• 1.3初步了解 Python 4
• 1.4初步了解 OpenCV 4
• 1.5安装 5
• 1.5.1获取本书最新的代码 5
• 1.5.2掌握 Python Anaconda 6
• 1.5.3在 conda 环境中安装OpenCV 8
• 1.5.4验证安装结果 9
• 1.5.5一睹 OpenCV ML 模块 11
• 1.6总结 11
• 第2章使用 OpenCV 和 Python处理数据 12
• 2.1理解机器学习流程 12
• 2.2使用 OpenCV 和 Python 处理数据 14
• 2.2.1创建一个新的 IPython 或 Jupyter 会话 15
• 2.2.2使用 Python 的 NumPy包处理数据 16
• 2.2.3在 Python 中载入外部数据集 20
• 2.2.4使用 Matplotlib 进行数据可视化 21
• 2.2.5使用C++ 中 OpenCV 的 TrainData 容器处理数据 26
• 2.3总结 27
• 第3章监督学习的第一步 28
• 3.1理解监督学习 28
• 3.1.1了解 OpenCV 中的监督学习 29
• 3.1.2使用评分函数评估模型性能 30
• 3.2使用分类模型预测类别 35
• 3.2.1理解 k-NN 算法 37
• 3.2.2使用 OpenCV实现 k-NN 37
• 3.3使用回归模型预测连续结果 43
• 3.3.1理解线性回归 43
• 3.3.2使用线性回归预测波士顿房价 44
• 3.3.3应用 Lasso 回归和ridge 回归 48
• 3.4使用逻辑回归对鸢尾花种类进行分类 48
• 3.5总结 53
• 第4数据表示与特征工程 54
• 4.1理解特征工程 54
• 4.2数据预处理 55
• 4.2.1特征标准化 56
• 4.2.2特征归一化 57
• 4.2.3特征缩放到一定的范围 57
• 4.2.4特征二值化 58
• 4.2.5缺失数据处理 58
• 4.3理解降维 59
• 4.3.1在OpenCV 中实现主成分分析 61
• 4.3.2实现独立成分分析 64
• 4.3.3实现非负矩阵分解 65
• 4.4类别变量表示 66
• 4.5文本特征表示 68
• 4.6图像表示 69
• 4.6.1使用色彩空间 69
• 4.6.2图像角点检测 71
• 4.6.3使用尺度不变特征变换 72
• 4.6.4使用加速健壮特征 74
• 4.7总结 75
• 第5章使用决策树进行医疗诊断 76
• 5.1理解决策树 76
• 5.1.1构建第一个决策树 79
• 5.1.2可视化训练得到的决策树 85
• 5.1.3深入了解决策树的内部工作机制 87
• 5.1.4特征重要性评分 88
• 5.1.5理解决策规则 89
• 5.1.6控制决策树的复杂度 90
• 5.2使用决策树进行乳腺癌的诊断 90
• 5.2.1载入数据集 91
• 5.2.2构建决策树 92
• 5.3使用决策树进行回归 96
• 5.4总结 99
• 第6章使用支持向量机检测行人 100
• 6.1理解线性支持向量机 100
• 6.1.1学习最优决策边界 101
• 6.1.2实现我们的第一个支持向量机 102
• 6.2处理非线性决策边界 107
• 6.2.1理解核机制 108
• 6.2.2认识我们的核 109
• 6.2.3实现非线性支持向量机 109
• 6.3自然环境下的行人检测 110
• 6.3.1获取数据集 111
• 6.3.2初窥方向梯度直方图 113
• 6.3.3生成负样本 114
• 6.3.4实现支持向量机 116
• 6.3.5模型自举 116
• 6.3.6在更大的图像中检测行人 118
• 6.3.7进一步优化模型 120
• 6.4总结 121
• 第7章使用贝叶斯学习实现垃圾邮件过滤 122
• 7.1理解贝叶斯推断 122
• 7.1.1概率论的短暂之旅 123
• 7.1.2理解贝叶斯定理 124
• 7.1.3理解朴素贝叶斯分类器 126
• 7.2实现第一个贝叶斯分类器 127
• 7.2.1创建一个练习数据集 127
• 7.2.2使用一个正态贝叶斯分类器对数据分类 128
• 7.2.3使用一个朴素贝叶斯分类器对数据分类 131
• 7.2.4条件概率的可视化 132
• 7.3使用朴素贝叶斯分类器对邮件分类 134
• 7.3.1载入数据集 134
• 7.3.2使用Pandas构建数据矩阵 136
• 7.3.3数据预处理 137
• 7.3.4训练正态贝叶斯分类器 138
• 7.3.5使用完整的数据集进行训练 139
• 7.3.6使用n-gram提升结果 139
• 7.3.7使用TD-IDF提升结果 140
• 7.4总结 141
• 第8章使用非监督学习发现隐藏结构 142
• 8.1理解非监督学习 142
• 8.2理解k均值聚类 143
• 8.3理解期望最大化 145
• 8.3.1实现期望最大化解决方案 146
• 8.3.2了解期望最大化的局限 148
• 8.4使用k均值压缩色彩空间 154
• 8.4.1真彩色调色板的可视化 154
• 8.4.2使用k均值减少调色板 157
• 8.5使用k均值对手写数字分类 159
• 8.5.1载入数据集 159
• 8.5.2运行k均值 159
• 8.6把聚类组织成层次树 161
• 8.6.1理解层次聚类 161
• 8.6.2实现凝聚层次聚类 162
• 8.7总结 163
• 第9章使用深度学习对手写数字分类 164
• 9.1理解McCulloch-Pitts神经元 164
• 9.2理解感知器 167
• 9.3实现第一个感知器 169
• 9.3.1生成练习数据集 170
• 9.3.2使用数据拟合感知器 171
• 9.3.3评估感知器分类器 171
• 9.3.4把感知器应用到线性不可分的数据上 173
• 9.4理解多层感知器 174
• 9.4.1理解梯度下降 175
• 9.4.2使用反向传播训练多层感知器 178
• 9.4.3在OpenCV中实现多层感知器 179
• 9.5了解深度学习 183
• 9.6手写数字分类 186
• 9.6.1载入MNIST数据集 187
• 9.6.2MNIST数据集预处理 188
• 9.6.3使用OpenCV训练一个MLP 189
• 9.6.4使用Keras训练一个深度神经网络 190
• 9.7总结 192
• 第10章组合不同算法为一个整体 193
• 10.1理解集成方法 193
• 10.1.1理解平均集成 195
• 10.1.2理解提升集成 197
• 10.1.3理解堆叠集成 200
• 10.2组合决策树为随机森林 200
• 10.2.1理解决策树的不足 200
• 10.2.2实现第一个随机森林 204
• 10.2.3使用scikit-learn实现一个随机森林 205
• 10.2.4实现极端随机树 206
• 10.3使用随机森林进行人脸识别 208
• 10.3.1载入数据集 208
• 10.3.2预处理数据集 209
• 10.3.3训练和测试随机森林 210
• 10.4实现AdaBoost 212
• 10.4.1使用OpenCV实现AdaBoost 212
• 10.4.2使用scikit-learn实现AdaBoost 213
• 10.5组合不同模型为一个投票分类器 214
• 10.5.1理解不同的投票机制 214
• 10.5.2实现一个投票分类器 215
• 10.6总结 217
• 第11章通过超参数调优选择合适的模型 218
• 11.1评估一个模型 218
• 11.1.1评估模型错误的方法 219
• 11.1.2评估模型正确的方法 220
• 11.1.3选择最好的模型 221
• 11.2理解交叉验证 223
• 11.2.1使用OpenCV手动实现交叉验证 225
• 11.2.2使用scikit-learn进行k折交叉验证 226
• 11.2.3实现留一法交叉验证 227
• 11.3使用自举评估鲁棒性 228
• 11.4评估结果的重要性 230
• 11.4.1实现T检验 230
• 11.4.2实现配对卡方检验 232
• 11.5使用网格搜索进行超参数调优 233
• 11.5.1实现一个简单的网格搜索 234
• 11.5.2理解验证集的价值 235
• 11.5.3网格搜索结合交叉验证 236
• 11.5.4网格搜索结合嵌套交叉验证 238
• 11.6使用不同评估指标来对模型评分 239
• 11.6.1选择正确的分类指标 239
• 11.6.2选择正确的回归指标 240
• 11.7链接算法形成一个管道 240
• 11.7.1用 scikit-learn 实现管道 241
• 11.7.2在网格搜索中使用管道 242
• 11.8总结 243
• 第12章综合 244
• 12.1着手处理一个机器学习问题 244
• 12.2构建自己的估计器 245
• 12.2.1使用C++编写自己的基于OpenCV的分类器 245
• 12.2.2使用Python 编写自己的基于scikit-learn的分类器 247
• 12.3今后的方向 249
• 12.4总结 251