《机器学习使用OpenCAPython和scikit-learn运行智能图像处理原书第2版第二版阿迪蒂亚·夏尔马机械工业》[98M]百度网盘|pdf下载|亲测有效
《机器学习使用OpenCAPython和scikit-learn运行智能图像处理原书第2版第二版阿迪蒂亚·夏尔马机械工业》[98M]百度网盘|pdf下载|亲测有效

机器学习使用OpenCAPython和scikit-learn运行智能图像处理原书第2版第二版阿迪蒂亚·夏尔马机械工业 pdf下载

出版社 网书网图书专营店
出版年 2020-11
页数 390页
装帧 精装
评分 9.0(豆瓣)
8.99¥ 10.99¥

内容简介

本篇主要提供机器学习使用OpenCAPython和scikit-learn运行智能图像处理原书第2版第二版阿迪蒂亚·夏尔马机械工业电子书的pdf版本下载,本电子书下载方式为百度网盘方式,点击以上按钮下单完成后即会通过邮件和网页的方式发货,有问题请联系邮箱ebook666@outlook.com

基本信息(以实物为准)

书    名

   机器学习:使用OpenCV、Python和scikit-learn进行智能图像处理(原书第2版)

外文书名

  

出版社

  机械工业出版社

作    者

   [印]阿迪蒂亚·夏尔马,维什韦什·拉维·什里马利

定    价

  99.00元

出版时间

   2021-01-01

I S B N

  9787111668268

套装书

   否

重    量

  KG

装    帧

   平装

版    次

  2

字    数

   

配套资源

页    数

   282

开      本

  16开

 

内容简介(以实物为准)


  《机器学习:使用OpenCV、Python和scikit-learn进行智能图像处理(原书第2版)》是一本基于OpenCV4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,并提供大量示例代码,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。
  《机器学习:使用OpenCV、Python和scikit-learn进行智能图像处理(原书第2版)》共13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章介绍基本的OpenCV函数;第3章讨论监督学习算法,以及如何使用OpenCV和scikit-learn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章讨论朴素贝叶斯算法、多项式朴素贝叶斯等技术及实现,并展示如何使用贝叶斯学习实现垃圾邮件过滤;第8章讨论一些无监督学习算法;第9章详细讲解如何构建深度神经网络来分类手写数字;第10章介绍用于分类的随机森林、bagging方法和boosting方法等;第11章讨论如何通过模型选择和超参数调优来比较各种分类器的结果;第12章介绍OpenCV4.0中引入的OpenVINO工具包;第13章给出一些处理实际机器学习问题的提示和技巧。
  OpenCV是用于构建计算机视觉应用程序的一个开源库。《机器学习:使用OpenCV、Python和scikit-learn进行智能图像处理(原书第2版)》将全面介绍新发布的OpenCV4版本所提供的大量新特性和平台改进。
  首先,你将了解OpenCV4的新特性并安装OpenCV4来构建计算机视觉应用程序。然后,你将探索机器学习的基础知识,学习设计用于图像处理的各种算法,循序渐进地掌握监督学习和无监督学习,并将获得使用Python中的scikit-learn开发各种机器学习应用程序的实践经验。接着,你将学习决策树、支持向量机(SVM)、贝叶斯学习等各种机器学习算法,以及如何将这些算法应用于目标检测等计算机视觉操作。之后,你将深入研究深度学习和集成学习,并探索它们在现实世界中的应用,如手写数字分类和手势识别等。*后,你将学习用于构建图像处理系统的英特尔OpenVINO工具包。
  学习完《机器学习:使用OpenCV、Python和scikit-learn进行智能图像处理(原书第2版)》,你将掌握使用OpenCV4构建智能计算机视觉应用程序所需要的机器学习技能。


目    录(以实物为准)


译者序 
前言 
作者简介 
审校者简介 
第一部分 机器学习与OpenCV的基础知识 
第1章 机器学习体验2 
11 技术需求3 
12 开始机器学习3 
13 机器学习可以解决的问题4 
14 开始使用Python5 
15 开始使用OpenCV6 
16 安装6 
161 获取本书的*新代码7 
162 了解Python的Anaconda发行版8 
163 在conda环境中安装OpenCV9 
164 安装验证10 
165 OpenCV的ml模块概览12 
17 机器学习的应用13 
18 OpenCV 40的新功能13 
19 本章小结14 
第2章 用OpenCV处理数据15 
21 技术需求15 
22 理解机器学习的工作流程16 
23 使用OpenCV和Python处理数据18 
231 开始一个新的IPython或Jupyter会话18 
232 使用Python的NumPy包处理数据20 
233 用Python加载外部数据集24 
234 使用Matplotlib可视化数据25 
235 使用C++中的OpenCV TrainData容器处理数据29 
24 本章小结30 
第3章 监督学习的第一步31 
31 技术需求31 
32 理解监督学习32 
321 看看OpenCV中的监督学习33 
322 用评分函数度量模型性能33 
33 使用分类模型预测类标签39 
331 理解k-NN算法40 
332 用OpenCV实现k-NN40 
34 使用回归模型预测连续的结果47 
341 理解线性回归47 
342 OpenCV中的线性回归48 
343 使用线性回归预测波士顿房价51 
344 Lasso回归和岭回归的应用54 
35 使用逻辑回归分类鸢尾花的种类55 
351 理解逻辑回归55 
352 加载训练数据56 
353 使其成为一个二值分类问题57 
354 数据检查57 
355 将数据拆分成训练集和测试集58 
356 训练分类器58 
357 测试分类器59 
36 本章小结59 
第4章 数据表示和特征工程60 
41 技术需求61 
42 理解特征工程61 
43 数据预处理62 
431 特征标准化62 
432 特征归一化63 
433 将特征缩放到一个范围64 
434 特征二值化64 
435 缺失数据的处理65 
44 理解降维66 
441 用OpenCV实现主成分分析67 
442 实现独立成分分析70 
443 实现非负矩阵分解71 
444 使用t-分布随机邻域嵌入可视化降维72 
45 类别变量的表示74 
46 文本特征的表示75 
47 图像的表示77 
471 使用颜色空间77 
472 检测图像中的角点79 
473 使用star检测器和BRIEF描述符82 
474 使用面向FAST和可旋转的BRIEF84 
48 本章小结85 
第二部分 基于OpenCV的运算 
第5章 基于决策树进行医疗诊断88 
51 技术需求88 
52 理解决策树89 
521 构建我们的第一棵决策树91 
522 可视化一棵经过训练的决策树97 
523 探究决策树的内部工作原理99 
524 评估特征的重要性100 
525 理解决策规则101 
526 控制决策树的复杂度102 
53 使用决策树诊断乳腺癌102 
531 加载数据集103 
532 构建决策树104 
54 使用决策树进行回归108 
55 本章小结111 
第6章 利用支持向量机进行行人检测112 
61 技术需求113 
62 理解线性SVM113 
621 学习*优决策边界113 
622 实现我们的第一个SVM115 
63 处理非线性决策边界120 
631 理解核技巧121 
632 了解我们的核121 
633 实现非线性SVM122 
64 检测自然场景中的行人123 
641 获取数据集124 
642 面向梯度的直方图概述126 
643 生成负样本127 
644 实现SVM128 
645 bootstrapping模型129 
646 检测更大图像中的行人130 
647 进一步完善模型132 
65 使用SVM的多类分类133 
651 关于数据134 
652 属性信息134 
66 本章小结136 
第7章 利用贝叶斯学习实现一个垃圾邮件过滤器137 
71 技术需求138 
72 理解贝叶斯推理138 
721 概率理论概述138 
722 理解贝叶斯定理139 
723 理解朴素贝叶斯分类器142 
73 实现第一个贝叶斯分类器143 
731 创建一个玩具数据集143 
732 使用普通贝叶斯分类器对数据进行分类144 
733 使用朴素贝叶斯分类器对数据进行分类147 
734 可视化条件概率147 
74 使用朴素贝叶斯分类器分类邮件149 
741 加载数据集150 
742 使用pandas建立一个数据矩阵152 
743 数据预处理153 
744 训练一个普通贝叶斯分类器153 
745 在完整数据集上训练154 
746 使用n-grams提升结果154 
747 使用TF-IDF提升结果155 
75 本章小结156 
第8章 利用无监督学习发现隐藏结构157 
81 技术需求157 
82 理解无监督学习158 
83 理解k-均值聚类158 
84 理解*大期望161 
841 实现*大期望解决方案162 
842 了解*大期望的局限性164 
85 使用k-均值压缩颜色空间169 
851 可视化真彩色调色板170 
852 使用k-均值减少调色板的颜色172 
86 使用k-均值分类手写数字174 
861 加载数据集175 
862 运行k-均值175 
87 将聚类组织为层次树176 
871 理解层次聚类177 
872 实现凝聚层次聚类178 
873 聚类算法比较179 
88 本章小结180 
第三部分 基于OpenCV的高级机器学习 
第9章 使用深度学习分类手写数字182 
91 技术需求182 
92 理解McCulloch-Pitts神经元183 
93 理解感知器185 
94 实现第一个感知器187 
941 生成一个玩具数据集188 
942 拟合感知器和数据189 
943 评估感知器分类器190 
944 将感知器应用于非线性可分的数据191 
95 理解多层感知器193 
951 理解梯度下降194 
952 基于反向传播训练多层感知器196 
953 用OpenCV实现一个多层感知器197 
96 结识深度学习202 
97 分类手写数字205 
971 加载MNIST数据集205 
972 预处理MNIST数据集206 
973 使用OpenCV训练一个多层感知器207 
974 使用Keras训练深度神经网络208 
98 本章小结211 
第10章 集成分类方法212 
101 技术需求213 
102 理解集成方法213 
1021 理解平均集成214 
1022 理解boosting集成217 
1023 理解叠加集成219 
103 将决策树组合成随机森林220 
1031 理解决策树的缺点220 
1032 实现第一个随机森林224 
1033 用scikit-learn实现一个随机森林225 
1034 实现超随机树226 
104 利用随机森林进行人脸识别228 
1041 加载数据集228 
1042 预处理数据集229 
1043 随机森林的训练和测试230 
105 实现AdaBoost232 
1051 用OpenCV实现AdaBoost232 
1052 用scikit-learn实现AdaBoost233 
106 把各种模型组合成一个投票分类器234 
1061 理解各种投票方案234 
1062 实现一个投票分类器235 
1063 简单多数236 
107 本章小结237 
第11章 选择正确的模型与超参数调优238 
111 技术需求239 
112 模型评估239 
1121 模型评估的错误方式239 
1122 模型评估的正确方式240 
1123 选择*佳模型241 
113 理解交叉验证244 
1131 用OpenCV手动实现交叉验证246 
1132 用scikit-learn进行k折交叉验证247 
1133 实现留一法交叉验证247 
114 利用bootstrapping评估鲁棒性248 
115 评估结果的显著性250 
1151 实现Student t-检验251 
1152 实现McNemar检验252 
116 基于网格搜索的超参数调优253 
1161 实现一个简单的网格搜索254 
1162 理解验证集的值255 
1163 网格搜索与交叉验证结合256 
1164 网格搜索与嵌套交叉验证结合258 
117 利用各种评估指标对模型评分259 
1171 选择正确的分类器评估指标259 
1172 选择正确的回归评估指标260 
118 将算法链接起来形成管道260 
1181 用scikit-learn实现管道261 
1182 在网格搜索中使用管道262 
119 本章小结263 
第12章 使用基于OpenCV的OpenVINO264 
121 技术需求264 
122 OpenVINO简介265 
123 OpenVINO工具包安装265 
124 交互式人脸检测演示266 
125 使用基于OpenCV的OpenVINO推理引擎267 
126 使用基于OpenCV的OpenVINO模型组268 
127 使用OpenCV和OpenVINO推理引擎进行图像分类269 
1271 利用OpenVINO进行图像分类270 
1272 利用OpenCV和OpenVINO进行图像分类271 
128 本章小结273 
第13章 尾声274 
131 技术需求274 
132 机器学习问题的解决方案275 
133 构建自己的估计器276 
1331 用C++编写自己的基于OpenCV的分类器276 
1332 用Python编写自己的基于scikit-learn的分类器278 
134 接下来要做的工作280 
135 本章小结281