機(jī)器學(xué)習(xí)：使用OpenCV、Python和scikit-learn進(jìn)行智能圖像處理（原書第2版）

譯者序
前言
作者簡(jiǎn)介
審校者簡(jiǎn)介
第一部分　機(jī)器學(xué)習(xí)與OpenCV的基礎(chǔ)知識(shí)
第1章　機(jī)器學(xué)習(xí)體驗(yàn)2
11　技術(shù)需求3
12　開始機(jī)器學(xué)習(xí)3
13　機(jī)器學(xué)習(xí)可以解決的問題4
14　開始使用Python5
15　開始使用OpenCV6
16　安裝6
161　獲取本書的最新代碼7
162　了解Python的Anaconda發(fā)行版8
163　在conda環(huán)境中安裝OpenCV9
164　安裝驗(yàn)證10
165　OpenCV的ml模塊概覽12
17　機(jī)器學(xué)習(xí)的應(yīng)用13
18　OpenCV 40的新功能13
19　本章小結(jié)14
第2章　用OpenCV處理數(shù)據(jù)15
21　技術(shù)需求15
22　理解機(jī)器學(xué)習(xí)的工作流程16
23　使用OpenCV和Python處理數(shù)據(jù)18
231　開始一個(gè)新的IPython或Jupyter會(huì)話18
232　使用Python的NumPy包處理數(shù)據(jù)20
233　用Python加載外部數(shù)據(jù)集24
234　使用Matplotlib可視化數(shù)據(jù)25
235　使用C++中的OpenCV TrainData容器處理數(shù)據(jù)29
24　本章小結(jié)30
第3章　監(jiān)督學(xué)習(xí)的第一步31
31　技術(shù)需求31
32　理解監(jiān)督學(xué)習(xí)32
321　看看OpenCV中的監(jiān)督學(xué)習(xí)33
322　用評(píng)分函數(shù)度量模型性能33
33　使用分類模型預(yù)測(cè)類標(biāo)簽39
331　理解k-NN算法40
332　用OpenCV實(shí)現(xiàn)k-NN40
34　使用回歸模型預(yù)測(cè)連續(xù)的結(jié)果47
341　理解線性回歸47
342　OpenCV中的線性回歸48
343　使用線性回歸預(yù)測(cè)波士頓房?jī)r(jià)51
344　Lasso回歸和嶺回歸的應(yīng)用54
35　使用邏輯回歸分類鳶尾花的種類55
351　理解邏輯回歸55
352　加載訓(xùn)練數(shù)據(jù)56
353　使其成為一個(gè)二值分類問題57
354　數(shù)據(jù)檢查57
355　將數(shù)據(jù)拆分成訓(xùn)練集和測(cè)試集58
356　訓(xùn)練分類器58
357　測(cè)試分類器59
36　本章小結(jié)59
第4章　數(shù)據(jù)表示和特征工程60
41　技術(shù)需求61
42　理解特征工程61
43　數(shù)據(jù)預(yù)處理62
431　特征標(biāo)準(zhǔn)化62
432　特征歸一化63
433　將特征縮放到一個(gè)范圍64
434　特征二值化64
435　缺失數(shù)據(jù)的處理65
44　理解降維66
441　用OpenCV實(shí)現(xiàn)主成分分析67
442　實(shí)現(xiàn)獨(dú)立成分分析70
443　實(shí)現(xiàn)非負(fù)矩陣分解71
444　使用t-分布隨機(jī)鄰域嵌入可視化降維72
45　類別變量的表示74
46　文本特征的表示75
47　圖像的表示77
471　使用顏色空間77
472　檢測(cè)圖像中的角點(diǎn)79
473　使用star檢測(cè)器和BRIEF描述符82
474　使用面向FAST和可旋轉(zhuǎn)的BRIEF84
48　本章小結(jié)85
第二部分　基于OpenCV的運(yùn)算
第5章　基于決策樹進(jìn)行醫(yī)療診斷88
51　技術(shù)需求88
52　理解決策樹89
521　構(gòu)建我們的第一棵決策樹91
522　可視化一棵經(jīng)過訓(xùn)練的決策樹97
523　探究決策樹的內(nèi)部工作原理99
524　評(píng)估特征的重要性100
525　理解決策規(guī)則101
526　控制決策樹的復(fù)雜度102
53　使用決策樹診斷乳腺癌102
531　加載數(shù)據(jù)集103
532　構(gòu)建決策樹104
54　使用決策樹進(jìn)行回歸108
55　本章小結(jié)111
第6章　利用支持向量機(jī)進(jìn)行行人檢測(cè)112
61　技術(shù)需求113
62　理解線性SVM113
621　學(xué)習(xí)最優(yōu)決策邊界113
622　實(shí)現(xiàn)我們的第一個(gè)SVM115
63　處理非線性決策邊界120
631　理解核技巧121
632　了解我們的核121
633　實(shí)現(xiàn)非線性SVM122
64　檢測(cè)自然場(chǎng)景中的行人123
641　獲取數(shù)據(jù)集124
642　面向梯度的直方圖概述126
643　生成負(fù)樣本127
644　實(shí)現(xiàn)SVM128
645　bootstrapping模型129
646　檢測(cè)更大圖像中的行人130
647　進(jìn)一步完善模型132
65　使用SVM的多類分類133
651　關(guān)于數(shù)據(jù)134
652　屬性信息134
66　本章小結(jié)136
第7章　利用貝葉斯學(xué)習(xí)實(shí)現(xiàn)一個(gè)垃圾郵件過濾器137
71　技術(shù)需求138
72　理解貝葉斯推理138
721　概率理論概述138
722　理解貝葉斯定理139
723　理解樸素貝葉斯分類器142
73　實(shí)現(xiàn)第一個(gè)貝葉斯分類器143
731　創(chuàng)建一個(gè)玩具數(shù)據(jù)集143
732　使用普通貝葉斯分類器對(duì)數(shù)據(jù)進(jìn)行分類144
733　使用樸素貝葉斯分類器對(duì)數(shù)據(jù)進(jìn)行分類147
734　可視化條件概率147
74　使用樸素貝葉斯分類器分類郵件149
741　加載數(shù)據(jù)集150
742　使用pandas建立一個(gè)數(shù)據(jù)矩陣152
743　數(shù)據(jù)預(yù)處理153
744　訓(xùn)練一個(gè)普通貝葉斯分類器153
745　在完整數(shù)據(jù)集上訓(xùn)練154
746　使用n-grams提升結(jié)果154
747　使用TF-IDF提升結(jié)果155
75　本章小結(jié)156
第8章　利用無監(jiān)督學(xué)習(xí)發(fā)現(xiàn)隱藏結(jié)構(gòu)157
81　技術(shù)需求157
82　理解無監(jiān)督學(xué)習(xí)158
83　理解k-均值聚類158
84　理解最大期望161
841　實(shí)現(xiàn)最大期望解決方案162
842　了解最大期望的局限性164
85　使用k-均值壓縮顏色空間169
851　可視化真彩色調(diào)色板170
852　使用k-均值減少調(diào)色板的顏色172
86　使用k-均值分類手寫數(shù)字174
861　加載數(shù)據(jù)集175
862　運(yùn)行k-均值175
87　將聚類組織為層次樹176
871　理解層次聚類177
872　實(shí)現(xiàn)凝聚層次聚類178
873　聚類算法比較179
88　本章小結(jié)180
第三部分　基于OpenCV的高級(jí)機(jī)器學(xué)習(xí)
第9章　使用深度學(xué)習(xí)分類手寫數(shù)字182
91　技術(shù)需求182
92　理解McCulloch-Pitts神經(jīng)元183
93　理解感知器185
94　實(shí)現(xiàn)第一個(gè)感知器187
941　生成一個(gè)玩具數(shù)據(jù)集188
942　擬合感知器和數(shù)據(jù)189
943　評(píng)估感知器分類器190
944　將感知器應(yīng)用于非線性可分的數(shù)據(jù)191
95　理解多層感知器193
951　理解梯度下降194
952　基于反向傳播訓(xùn)練多層感知器196
953　用OpenCV實(shí)現(xiàn)一個(gè)多層感知器197
96　結(jié)識(shí)深度學(xué)習(xí)202
97　分類手寫數(shù)字205
971　加載MNIST數(shù)據(jù)集205
972　預(yù)處理MNIST數(shù)據(jù)集206
973　使用OpenCV訓(xùn)練一個(gè)多層感知器207
974　使用Keras訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)208
98　本章小結(jié)211
第10章　集成分類方法212
101　技術(shù)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　理解疊加集成219
103　將決策樹組合成隨機(jī)森林220
1031　理解決策樹的缺點(diǎn)220
1032　實(shí)現(xiàn)第一個(gè)隨機(jī)森林224
1033　用scikit-learn實(shí)現(xiàn)一個(gè)隨機(jī)森林225
1034　實(shí)現(xiàn)超隨機(jī)樹226
104　利用隨機(jī)森林進(jìn)行人臉識(shí)別228
1041　加載數(shù)據(jù)集228
1042　預(yù)處理數(shù)據(jù)集229
1043　隨機(jī)森林的訓(xùn)練和測(cè)試230
105　實(shí)現(xiàn)AdaBoost232
1051　用OpenCV實(shí)現(xiàn)AdaBoost232
1052　用scikit-learn實(shí)現(xiàn)AdaBoost233
106　把各種模型組合成一個(gè)投票分類器234
1061　理解各種投票方案234
1062　實(shí)現(xiàn)一個(gè)投票分類器235
1063　簡(jiǎn)單多數(shù)236
107　本章小結(jié)237
第11章　選擇正確的模型與超參數(shù)調(diào)優(yōu)238
111　技術(shù)需求239
112　模型評(píng)估239
1121　模型評(píng)估的錯(cuò)誤方式239
1122　模型評(píng)估的正確方式240
1123　選擇最佳模型241
113　理解交叉驗(yàn)證244
1131　用OpenCV手動(dòng)實(shí)現(xiàn)交叉驗(yàn)證246
1132　用scikit-learn進(jìn)行k折交叉驗(yàn)證247
1133　實(shí)現(xiàn)留一法交叉驗(yàn)證247
114　利用bootstrapping評(píng)估魯棒性248
115　評(píng)估結(jié)果的顯著性250
1151　實(shí)現(xiàn)Student t-檢驗(yàn)251
1152　實(shí)現(xiàn)McNemar檢驗(yàn)252
116　基于網(wǎng)格搜索的超參數(shù)調(diào)優(yōu)253
1161　實(shí)現(xiàn)一個(gè)簡(jiǎn)單的網(wǎng)格搜索254
1162　理解驗(yàn)證集的值255
1163　網(wǎng)格搜索與交叉驗(yàn)證結(jié)合256
1164　網(wǎng)格搜索與嵌套交叉驗(yàn)證結(jié)合258
117　利用各種評(píng)估指標(biāo)對(duì)模型評(píng)分259
1171　選擇正確的分類器評(píng)估指標(biāo)259
1172　選擇正確的回歸評(píng)估指標(biāo)260
118　將算法鏈接起來形成管道260
1181　用scikit-learn實(shí)現(xiàn)管道261
1182　在網(wǎng)格搜索中使用管道262
119　本章小結(jié)263
第12章　使用基于OpenCV的OpenVINO264
121　技術(shù)需求264
122　OpenVINO簡(jiǎn)介265
123　OpenVINO工具包安裝265
124　交互式人臉檢測(cè)演示266
125　使用基于OpenCV的OpenVINO推理引擎267
126　使用基于OpenCV的OpenVINO模型組268
127　使用OpenCV和OpenVINO推理引擎進(jìn)行圖像分類269
1271　利用OpenVINO進(jìn)行圖像分類270
1272　利用OpenCV和OpenVINO進(jìn)行圖像分類271
128　本章小結(jié)273
第13章　尾聲274
131　技術(shù)需求274
132　機(jī)器學(xué)習(xí)問題的解決方案275
133　構(gòu)建自己的估計(jì)器276
1331　用C++編寫自己的基于OpenCV的分類器276
1332　用Python編寫自己的基于scikit-learn的分類器278
134　接下來要做的工作280
135　本章小結(jié)281