更新时间：2020-11-24 18:13:38
封面
版权信息
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
1.1 技术需求
1.2 开始机器学习
1.3 机器学习可以解决的问题
1.4 开始使用Python
1.5 开始使用OpenCV
1.6 安装
1.7 机器学习的应用
1.8 OpenCV 4.0的新功能
1.9 本章小结
第2章 用OpenCV处理数据
2.1 技术需求
2.2 理解机器学习的工作流程
2.3 使用OpenCV和Python处理数据
2.4 本章小结
第3章 监督学习的第一步
3.1 技术需求
3.2 理解监督学习
3.3 使用分类模型预测类标签
3.4 使用回归模型预测连续的结果
3.5 使用逻辑回归分类鸢尾花的种类
3.6 本章小结
第4章 数据表示和特征工程
4.1 技术需求
4.2 理解特征工程
4.3 数据预处理
4.4 理解降维
4.5 类别变量的表示
4.6 文本特征的表示
4.7 图像的表示
4.8 本章小结
第二部分 基于OpenCV的运算
第5章 基于决策树进行医疗诊断
5.1 技术需求
5.2 理解决策树
5.3 使用决策树诊断乳腺癌
5.4 使用决策树进行回归
5.5 本章小结
第6章 利用支持向量机进行行人检测
6.1 技术需求
6.2 理解线性SVM
6.3 处理非线性决策边界
6.4 检测自然场景中的行人
6.5 使用SVM的多类分类
6.6 本章小结
第7章 利用贝叶斯学习实现一个垃圾邮件过滤器
7.1 技术需求
7.2 理解贝叶斯推理
7.3 实现第一个贝叶斯分类器
7.4 使用朴素贝叶斯分类器分类邮件
7.5 本章小结
第8章 利用无监督学习发现隐藏结构
8.1 技术需求
8.2 理解无监督学习
8.3 理解k-均值聚类
8.4 理解最大期望
8.5 使用k-均值压缩颜色空间
8.6 使用k-均值分类手写数字
8.7 将聚类组织为层次树
8.8 本章小结
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
9.1 技术需求
9.2 理解McCulloch-Pitts神经元
9.3 理解感知器
9.4 实现第一个感知器
9.5 理解多层感知器
9.6 结识深度学习
9.7 分类手写数字
9.8 本章小结
第10章 集成分类方法
10.1 技术需求
10.2 理解集成方法
10.3 将决策树组合成随机森林
10.4 利用随机森林进行人脸识别
10.5 实现AdaBoost
10.6 把各种模型组合成一个投票分类器
10.7 本章小结
第11章 选择正确的模型与超参数调优
11.1 技术需求
11.2 模型评估
11.3 理解交叉验证
11.4 利用bootstrapping评估鲁棒性
11.5 评估结果的显著性
11.6 基于网格搜索的超参数调优
11.7 利用各种评估指标对模型评分
11.8 将算法链接起来形成管道
11.9 本章小结
第12章 使用基于OpenCV的OpenVINO
12.1 技术需求
12.2 OpenVINO简介
12.3 OpenVINO工具包安装
12.4 交互式人脸检测演示
