使⽤opencv和python实现图像的智能处理_机器学习：使⽤ 金属型铸造机OpenCV和Python。。。
内容介绍 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。 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 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 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
2.2 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diyi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
洗车管理系统5.1 理解决策树 76
5.1.1 构建diyi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 优决策边界 101
6.1.2 实现我们的diyi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地埋式消防栓
粽子机
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
静电线7.1.1 概率论的短暂之旅 123
7.1.2 理解贝叶斯定理 124
塑料挂钩
7.1.3 理解朴素贝叶斯分类器 126
7.2 实现diyi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
