机器学习：使用OpenCV和Python进行智能图像处理 PDF 完整英文版

OpenCV是1个综合性了經典和优秀计算机视觉、机器学习算法的开源系统库。根据与Python Anaconda版本号融合，我也能够 获得你所必须的全部开源系统测算库。
这书最先详细介绍归类和重归等统计分析学习培训的基本要素，随后详尽解读决策树、支持向量机和贝叶斯网络等优化算法，及其怎样把他们与别的OpenCV涵数融合，*后还会详细介绍当下受欢迎主题风格——深度神经网络。根据这书的学习培训，你将把握很多好用设备复习方法，并根据书中出示的编码或从零开始开发设计自身的优化算法，处理具体难题。

根据阅读文章这书，你将：

·学习培训并高效率应用OpenCV的机器学习控制模块
·应用Python学习培训用以计算机视觉行业的深度神经网络技术性
·把握线性回归和归一化方法
·对盆栽花卉种类、写作大数字和非机动车等物块开展归类
·学习培训支持向量机、提高决策树和随机森林的高效率使用说明
·学习培训应用神经元网络和深度神经网络处理实际难题
·应用k平均值聚类分析法发觉统计数据的掩藏构造
·把握数据预处理和特征工程

这书是1本应用场景OpenCV和Python的机器学习实战指南，既详解机器学习及OpenCV有关的基本知识，又根据实际案例展现怎么使用OpenCV和Python保持各种各样机器学习算法，并出示很多示列编码，能够 协助你把握机器学习小技巧，处理各种各样不一样的机器学习和图象处理难题。
全书共12章，第1章简略详细介绍机器学习基本知识，并解读怎样安裝OpenCV和Python小工具；第2章展现經典的机器学习解决步骤及OpenCV和Python小工具的应用；第3章探讨监督学习优化算法，及其怎么使用OpenCV保持这种优化算法；第4章探讨数据表示和特征工程，并详细介绍OpenCV中出示的用以解决图象统计数据的普遍特征提取技术性；第5章展现怎么使用OpenCV搭建决策树开展诊疗确诊；第6章探讨怎么使用OpenCV搭建支持向量机检验非机动车；第7章详细介绍摡率论，并展现怎么使用贝叶斯学习培训保持垃圾邮件过滤；第8章探讨某些非监督学习优化算法；第9章详尽解读怎样搭建神经网络算法来鉴别写作大数字；第10章探讨怎样高效率地集成化好几个优化算法来提高特性；第11章探讨怎样较为不一样分类器的結果，挑选适合的小工具；第12章得出某些解决具体机器学习难题的提醒和方法。

核心主题：学习培训,机器学习,优化算法,探讨,详细介绍,深度神经网络,展现,把握,怎么使用,难题

目录

• 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
• 9.6.2　MNIST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