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

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　获取本书的最新代码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　学习最优决策边界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　理解最大期望161

841　实现最大期望解决方案162

842　了解最大期望的局限性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　选择最佳模型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