OpenCV를 위한 머신 러닝

1장. 머신 러닝 시작
__머신 러닝 시작하기
__머신 러닝으로 해결할 수 있는 문제들
__파이썬 시작하기
__OpenCV 시작하기
__설치하기
____이 책의 최신 코드 얻기
____파이썬의 아나콘다 배포판에 대해 살펴보기
____conda 환경에서 OpenCV 설치
____설치 확인하기
____OpenCV의 ML 모듈 엿보기
__요약


2장. OpenCV와 파이썬의 데이터 작업
__머신 러닝 워크플로우의 이해
__OpenCV와 파이썬을 사용해 데이터 다루기
____새로운 IPython 또는 주피터 세션 시작하기
____파이썬 NumPy 패키지를 사용해 데이터 다루기
____파이썬에서 외부 데이터 세트 적재하기
____Matplotlib을 사용해 데이터 시각화하기
____C++에서 OpenCV의 TrainData 컨테이너를 사용해 데이터 다루기
__요약


3장. 지도 학습의 첫 번째 단계
__지도 학습 이해하기
____OpenCV에서 지도 학습 살펴보기
____점수화 기능으로 모델 성능 측정
__분류 모델을 사용해 클래스 레이블 예측하기
____k-최근접 이웃 알고리즘의 이해
____OpenCV에서 k-최근접 이웃 구현하기
__회귀 모델을 사용해 지속적인 결과 예측하기
____선형 회귀 분석
____선형 회귀 분석 방법을 사용해 보스턴 주택 가격 예측하
____라소 및 융기 회귀 적용
__로지스틱 회귀를 이용한 아이리스 종 분류하기
____로지스틱 회귀 이해하기
__요약


4장. 데이터와 엔지니어링 특징 표현하기
__특징 엔지니어링의 이해
__전처리 데이터
____특징 표준화
____특징 정규화
____특징의 범위 확장
____특징 이진화
____누락된 데이터 처리
__차원 축소 이해하기
____OpenCV에서 PCA 구현하기
____ICA 구현
____NMF 구현
__범주형 변수 표현하기
__텍스트 특징 표현하기
__이미지 표현하기
____색상 공간 사용
____이미지의 코너 검출하기
____SIFT 사용하기
____SURF 사용하기
__요약


5장. 의사 결정 트리를 사용해 의료 진단하기
__의사 결정 트리의 이해
____첫 번째 결정 트리 만들기
____훈련된 의사 결정 트리에 대한 시각화
____의사 결정 트리의 내부 동작 조사
____특징 중요도 평가
____의사 결정 규칙 이해하기
____의사 결정 트리의 복잡성 제어
__의사 결정 트리를 사용해 유방암 진단하기
____데이터 세트 불러오기
____의사 결정 트리 만들기
__회귀 결정 트리 사용
__요약


6장. 서포트 벡터 머신으로 보행자 검출하기
__선형 서포트 벡터 시스템의 이해
____최적의 의사 결정 경계 학습
____첫 번째 서포트 벡터 머신 구현
__비선형 의사 결정 경계 다루기
____커널 트릭 이해하기
____우리가 사용할 커널 파악하기
____비선형 서포트 벡터 머신 구현
__외부에서 보행자 검출하기
____데이터 세트 가져오기
____HOG 훑어보기
____네거티브 생성하기
____서포트 벡터 머신 구현하기
____모델 부트스트랩하기
____더 큰 이미지에서 보행자 검출하기
____모델 개선하기
__요약


7장. 베이지안 학습을 이용한 스팸 필터 구현
__베이지안 추론 이해하기
____확률 이론에 대해 간단히 살펴보기
____베이즈 정리 이해하기
____나이브 베이즈 분류기의 이해
__첫 번째 베이지안 분류기 구현하기
____장난감 데이터 세트 만들기
____일반 베이즈 분류기로 데이터 분류
__나이브 베이즈 분류기로 데이터 분류하기
____조건부 확률의 시각화
____나이브 베이즈 분류기를 사용해 이메일 분류하기
____데이터 세트 불러오기
____Pandas를 사용해 데이터 행렬 만들기
____데이터 전처리하기
____정상적인 베이즈 분류기 훈련
____전체 데이터 세트에 대한 교육
____n-gram을 사용해 결과 개선하기
____tf-idf를 사용해 결과 개선하기
__요약


8장. 비지도 학습으로 숨겨진 구조 발견
__비지도 학습의 이해
__k-평균 클러스터링의 이해
____첫 번째 k-평균 예제 구현
__기댓값 최대화 방법 이해하기
____기대치 극대화 솔루션 구현하기
____기댓값 최대화의 한계 파악하기
____첫 번째 경고: 전반적인 최적 결과를 찾기 어려움
____두 번째 경고: 미리 클러스터 수를 선택해야 한다
____세 번째 주의 사항: 클러스터 경계는 선형이다
____네 번째 경고: k-평균은 많은 수의 샘플에서는 느리다
__k-평균을 사용해 색 공간 압축하기
____트루 컬러 팔레트 시각화
____k-평균을 사용해 색상 표 축소
__k-평균을 사용해 숫자 필기 인식 분류하기
____데이터 세트 불러오기
____k-평균 실행하기
__클러스터를 계층적 트리로 구성하기
____계층적 클러스터링의 이해
____응집력 있는 계층적 클러스터링 구현
__요약


9장. 딥러닝을 사용해 숫자 필기 인식 분류하기
__맥컬럭-피츠 뉴런에 대한 이해
__퍼셉트론 이해하기
__첫 번째 퍼셉트론 구현하기
____장난감 데이터 세트 생성하기
____퍼셉트론을 데이터에 적용하기
____퍼셉트론 분류기 평가
____선형으로 분리되지 않는 데이터에 퍼셉트론 적용하기
__다층 퍼셉트론의 이해
____경사 하강법 이해하기
____역전파를 이용해 다층 퍼셉트론 훈련하기
____OpenCV에서 다층 퍼셉트론 구현하기
__딥러닝에 익숙해지기
____Keras에 익숙해지기
__숫자 필기 인식 분류하기
____MNIST 데이터 세트 적재하기
____MNIST 데이터 세트 전처리하기
____OpenCV를 사용해 MLP 훈련하기
____Keras를 이용한 심층 신경망 훈련하기
__요약


10장. 앙상블 기법으로 여러 알고리즘 결합하기
__앙상블 메소드 이해하기
____평균 앙상블 이해하기
____부스터 앙상블 이해하기
____스태킹 앙상블 이해하기
__의사 결정 트리를 랜덤 포레스트로 결합하기
____의사 결정 트리의 단점 이해하기
____첫 랜덤 포레스트 구현하기
____scikit-learn을 사용해 랜덤 포레스트 구현하기
____과랜덤화된 트리 구현하기
__얼굴 인식을 위한 랜덤 포레스트 사용
____데이터 세트 불러오기
____데이터 세트 전처리하기
____랜덤 포레스트 훈련 및 테스트
__AdaBoost 구현하기
____OpenCV에서 AdaBoost 구현하기
____scikit-learn에서 AdaBoost 구현하기
__다른 모델을 투표 분류기로 결합하기
____다양한 투표 방법 이해하기
____투표 분류기 구현하기
__요약


11장. 하이퍼 매개변수 튜닝으로 올바른 모델 선택하기
__모델 평가하기
____모델을 잘못된 방식으로 평가하기
____올바른 방식으로 모델 평가하기
____최고의 모델 선택하기
__교차 유효성 검증의 이해
____OpenCV에서 교차 유효성의 수동 검증 구현
____k-겹 교차 검증을 위해 scikit-learn 사용하기
____단일 관측치 제거법 교차 검증 구현
__부트스트랩을 사용해 견고성 예측하기
____OpenCV에서 부트스트랩 수동으로 구현하기
__결과의 중요성 평가하기
____스튜던트 t-검정 구현하기
____맥니마의 검정 구현하기
__격자 검색으로 하이퍼 매개변수 튜닝하기
____간단한 격자 검색 구현하기
____유효성 검증 집합의 값 이해하기
____교차 유효성 검증과 함께 격자 검색 결합하기
____중첩된 교차 유효성 검증과 함께 격자 검색 결합하기
__다양한 평가 메트릭을 사용한 점수화 모델
____올바른 분류 기준 선택하기
____올바른 회귀 측정 기준 선택하기
__파이프라인을 형성하기 위한 체이닝 알고리즘
____scikit-learn에서 파이프라인 구현하기
____격자 검색의 파이프라인 사용하기
__요약


12장. 정리하기
__머신 러닝 문제점에 접근하기
__자신만의 추정기 작성하기
____자신의 OpenCV 기반 분류기를 C++로 작성하기
____파이썬으로 자신의 scikit-learn 기반 분류기를 작성하기
__다음 단계
__요약

__찾아보기
__컬러 이미지