機器學習：使用OpenCV、Python和scikit-learn進行智能圖像處理（原書第2版）

定　價：￥99.00

作　者：	[印] 阿迪蒂亞·夏爾馬，[印] 維什韋什·拉維·什里馬利，[美] 邁克爾·貝耶勒著
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術(shù)叢書
標　簽：	暫缺

購買這本書可以去

京東 (￥87.10)

ISBN：	9787111668268	出版時間：	2021-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	282	字數(shù)：

內(nèi)容簡介

　　《機器學習：使用OpenCV、Python和scikit-learn進行智能圖像處理（原書第2版）》是一本基于OpenCV4和Python的機器學習實戰(zhàn)手冊，既詳細介紹機器學習及OpenCV相關(guān)的基礎(chǔ)知識，又通過具體實例展示如何使用OpenCV和Python實現(xiàn)各種機器學習算法，并提供大量示例代碼，可以幫助你掌握機器學習實用技巧，解決各種不同的機器學習和圖像處理問題?！稒C器學習：使用OpenCV、Python和scikit-learn進行智能圖像處理（原書第2版）》共13章：第1章簡要介紹機器學習基礎(chǔ)知識，并講解如何安裝OpenCV和Python工具；第2章介紹基本的OpenCV函數(shù)；第3章討論監(jiān)督學習算法，以及如何使用OpenCV和scikit-learn實現(xiàn)這些算法；第4章討論數(shù)據(jù)表示和特征工程，并介紹OpenCV中提供的用于處理圖像數(shù)據(jù)的常見特征提取技術(shù)；第5章展示如何使用OpenCV構(gòu)建決策樹進行醫(yī)療診斷；第6章討論如何使用OpenCV構(gòu)建支持向量機檢測行人；第7章討論樸素貝葉斯算法、多項式樸素貝葉斯等技術(shù)及實現(xiàn)，并展示如何使用貝葉斯學習實現(xiàn)垃圾郵件過濾；第8章討論一些無監(jiān)督學習算法；第9章詳細講解如何構(gòu)建深度神經(jīng)網(wǎng)絡(luò)來分類手寫數(shù)字；第10章介紹用于分類的隨機森林、bagging方法和boosting方法等；第11章討論如何通過模型選擇和超參數(shù)調(diào)優(yōu)來比較各種分類器的結(jié)果；第12章介紹OpenCV4.0中引入的OpenVINO工具包；第13章給出一些處理實際機器學習問題的提示和技巧。OpenCV是用于構(gòu)建計算機視覺應(yīng)用程序的一個開源庫?！稒C器學習：使用OpenCV、Python和scikit-learn進行智能圖像處理（原書第2版）》將全面介紹新發(fā)布的OpenCV4版本所提供的大量新特性和平臺改進。首先，你將了解OpenCV4的新特性并安裝OpenCV4來構(gòu)建計算機視覺應(yīng)用程序。然后，你將探索機器學習的基礎(chǔ)知識，學習設(shè)計用于圖像處理的各種算法，循序漸進地掌握監(jiān)督學習和無監(jiān)督學習，并將獲得使用Python中的scikit-learn開發(fā)各種機器學習應(yīng)用程序的實踐經(jīng)驗。接著，你將學習決策樹、支持向量機（SVM）、貝葉斯學習等各種機器學習算法，以及如何將這些算法應(yīng)用于目標檢測等計算機視覺操作。之后，你將深入研究深度學習和集成學習，并探索它們在現(xiàn)實世界中的應(yīng)用，如手寫數(shù)字分類和手勢識別等。最后，你將學習用于構(gòu)建圖像處理系統(tǒng)的英特爾OpenVINO工具包。學習完《機器學習：使用OpenCV、Python和scikit-learn進行智能圖像處理（原書第2版）》，你將掌握使用OpenCV4構(gòu)建智能計算機視覺應(yīng)用程序所需要的機器學習技能。

作者簡介

　　阿迪蒂亞·夏爾馬（Aditya Sharma），羅伯特·博世（Robert Bosch）公司的一名高級工程師，致力于解決真實世界的自動計算機視覺問題。曾獲得羅伯特·博世公司2019年人工智能編程馬拉松的首名。在印度理工學院，他于2019年的ICIP和2019年的MICCAI上發(fā)表了有關(guān)深度學習醫(yī)學成像的論文。在國際信息技術(shù)學院，他的工作主要是文檔圖像超分辨。他還是一個積極進取的作家，曾為DataCamp和LearnOpenCV撰寫過很多有關(guān)機器學習和深度學習的文章。他不僅經(jīng)營著自己的YouTube頻道，還在NCVPRIPG會議（2017）以及阿里格爾穆斯林大學（Aligarh Muslim University）的深度學習研討會上做過演講。維什韋什·拉維·什里馬利（Vishwesh Ravi Shrimali），于2018年畢業(yè)于彼拉尼博拉理工學院（BITS Pilani）機械工程專業(yè)。此后一直在BigVision LLC從事深度學習和計算機視覺方面的工作，還參與了官方OpenCV課程的創(chuàng)建。他對編程和人工智能有著濃厚的興趣，并將其應(yīng)用到機械工程項目中。他還在LearnOpenCV上寫了多篇有關(guān)OpenCV和深度學習的博客。除了撰寫博客和做項目，他喜歡散步和彈奏木吉他。邁克爾·貝耶勒（Michael Beyeler），是華盛頓大學神經(jīng)工程和數(shù)據(jù)科學的博士后研究員，致力于仿生視覺的計算模型研究，以為盲人植入人工視網(wǎng)膜（仿生眼睛），改善盲人的感知體驗。他的工作屬于神經(jīng)科學、計算機工程、計算機視覺和機器學習的交叉領(lǐng)域。他還是幾個開源軟件項目的主要貢獻者，并在Python、C/C++、CUDA、MATLAB和Android等方面擁有專業(yè)的編程經(jīng)驗。邁克爾在加州大學歐文分校獲得計算機科學博士學位，在瑞士蘇黎世聯(lián)邦理工學院獲得生物醫(yī)學工程碩士學位和電子工程學士學位。

圖書目錄

譯者序
前言
作者簡介
審校者簡介
第一部分　機器學習與OpenCV的基礎(chǔ)知識
第1章　機器學習體驗2
11　技術(shù)需求3
12　開始機器學習3
13　機器學習可以解決的問題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　安裝驗證10
165　OpenCV的ml模塊概覽12
17　機器學習的應(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　理解機器學習的工作流程16
23　使用OpenCV和Python處理數(shù)據(jù)18
231　開始一個新的IPython或Jupyter會話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)督學習的第一步31
31　技術(shù)需求31
32　理解監(jiān)督學習32
321　看看OpenCV中的監(jiān)督學習33
322　用評分函數(shù)度量模型性能33
33　使用分類模型預測類標簽39
331　理解k-NN算法40
332　用OpenCV實現(xiàn)k-NN40
34　使用回歸模型預測連續(xù)的結(jié)果47
341　理解線性回歸47
342　OpenCV中的線性回歸48
343　使用線性回歸預測波士頓房價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　加載訓練數(shù)據(jù)56
353　使其成為一個二值分類問題57
354　數(shù)據(jù)檢查57
355　將數(shù)據(jù)拆分成訓練集和測試集58
356　訓練分類器58
357　測試分類器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)預處理62
431　特征標準化62
432　特征歸一化63
433　將特征縮放到一個范圍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實現(xiàn)主成分分析67
442　實現(xiàn)獨立成分分析70
443　實現(xiàn)非負矩陣分解71
444　使用t-分布隨機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　檢測圖像中的角點79
473　使用star檢測器和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的運算
第5章　基于決策樹進行醫(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)過訓練的決策樹97
523　探究決策樹的內(nèi)部工作原理99
524　評估特征的重要性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　使用決策樹進行回歸108
55　本章小結(jié)111
第6章　利用支持向量機進行行人檢測112
61　技術(shù)需求113
62　理解線性SVM113
621　學習最優(yōu)決策邊界113
622　實現(xiàn)我們的第一個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　實現(xiàn)非線性SVM122
64　檢測自然場景中的行人123
641　獲取數(shù)據(jù)集124
642　面向梯度的直方圖概述126
643　生成負樣本127
644　實現(xiàn)SVM128
645　bootstrapping模型129
646　檢測更大圖像中的行人130
647　進一步完善模型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　利用貝葉斯學習實現(xiàn)一個垃圾郵件過濾器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　實現(xiàn)第一個貝葉斯分類器143
731　創(chuàng)建一個玩具數(shù)據(jù)集143
732　使用普通貝葉斯分類器對數(shù)據(jù)進行分類144
733　使用樸素貝葉斯分類器對數(shù)據(jù)進行分類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建立一個數(shù)據(jù)矩陣152
743　數(shù)據(jù)預處理153
744　訓練一個普通貝葉斯分類器153
745　在完整數(shù)據(jù)集上訓練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)督學習發(fā)現(xiàn)隱藏結(jié)構(gòu)157
81　技術(shù)需求157
82　理解無監(jiān)督學習158
83　理解k-均值聚類158
84　理解最大期望161
841　實現(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的高級機器學習
第9章　使用深度學習分類手寫數(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　實現(xiàn)第一個感知器187
941　生成一個玩具數(shù)據(jù)集188
942　擬合感知器和數(shù)據(jù)189
943　評估感知器分類器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　基于反向傳播訓練多層感知器196
953　用OpenCV實現(xiàn)一個多層感知器197
96　結(jié)識深度學習202
97　分類手寫數(shù)字205
971　加載MNIST數(shù)據(jù)集205
972　預處理MNIST數(shù)據(jù)集206
973　使用OpenCV訓練一個多層感知器207
974　使用Keras訓練深度神經(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森林220
1031　理解決策樹的缺點220
1032　實現(xiàn)第一個隨機森林224
1033　用scikit-learn實現(xiàn)一個隨機森林225
1034　實現(xiàn)超隨機樹226
104　利用隨機森林進行人臉識別228
1041　加載數(shù)據(jù)集228
1042　預處理數(shù)據(jù)集229
1043　隨機森林的訓練和測試230
105　實現(xiàn)AdaBoost232
1051　用OpenCV實現(xiàn)AdaBoost232
1052　用scikit-learn實現(xiàn)AdaBoost233
106　把各種模型組合成一個投票分類器234
1061　理解各種投票方案234
1062　實現(xiàn)一個投票分類器235
1063　簡單多數(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　模型評估239
1121　模型評估的錯誤方式239
1122　模型評估的正確方式240
1123　選擇最佳模型241
113　理解交叉驗證244
1131　用OpenCV手動實現(xiàn)交叉驗證246
1132　用scikit-learn進行k折交叉驗證247
1133　實現(xiàn)留一法交叉驗證247
114　利用bootstrapping評估魯棒性248
115　評估結(jié)果的顯著性250
1151　實現(xiàn)Student t-檢驗251
1152　實現(xiàn)McNemar檢驗252
116　基于網(wǎng)格搜索的超參數(shù)調(diào)優(yōu)253
1161　實現(xiàn)一個簡單的網(wǎng)格搜索254
1162　理解驗證集的值255
1163　網(wǎng)格搜索與交叉驗證結(jié)合256
1164　網(wǎng)格搜索與嵌套交叉驗證結(jié)合258
117　利用各種評估指標對模型評分259
1171　選擇正確的分類器評估指標259
1172　選擇正確的回歸評估指標260
118　將算法鏈接起來形成管道260
1181　用scikit-learn實現(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簡介265
123　OpenVINO工具包安裝265
124　交互式人臉檢測演示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推理引擎進行圖像分類269
1271　利用OpenVINO進行圖像分類270
1272　利用OpenCV和OpenVINO進行圖像分類271
128　本章小結(jié)273
第13章　尾聲274
131　技術(shù)需求274
132　機器學習問題的解決方案275
133　構(gòu)建自己的估計器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