Practical Machine Learning and Image Processing: For Facial Recognition, Object Detection, and Pattern Recognition Using Python

با استفاده از یادگیری ماشین و شبکه های عصبی در پایتون، بینشی در مورد روش ها و الگوریتم های پردازش تصویر به دست آورید. این کتاب با تنظیمات محیط، درک اصطلاحات اولیه پردازش تصویر و بررسی مفاهیم پایتون که برای پیاده سازی الگوریتم های مورد بحث در کتاب مفید خواهد بود، آغاز می شود. سپس قبل از رفتن به بزرگترین کتابخانه بینایی کامپیوتری: OpenCV، همه الگوریتم های اصلی پردازش تصویر را با جزئیات پوشش خواهید داد. الگوریتم های OpenCV و نحوه استفاده از آنها برای پردازش تصویر را خواهید دید.
بخش بعدی به روش‌های یادگیری ماشینی پیشرفته و یادگیری عمیق برای پردازش و طبقه‌بندی تصویر می‌پردازد. شما با مفاهیمی مانند شبکه های عصبی جفت شده پالس، AdaBoost، تقویت XG و شبکه های عصبی کانولوشنال برای برنامه های خاص تصویر کار خواهید کرد. بعداً بررسی خواهید کرد که چگونه مدل‌ها در زمان واقعی ساخته می‌شوند و سپس با استفاده از ابزارهای مختلف DevOps به کار گرفته می‌شوند.
همه مفاهیم در یادگیری ماشین عملی و پردازش تصویر با استفاده از سناریوهای واقعی توضیح داده شده است. پس از خواندن این کتاب، می‌توانید تکنیک‌های پردازش تصویر را اعمال کنید و مدل‌های یادگیری ماشینی را برای کاربردهای سفارشی‌سازی شده بسازید.
آنچه خواهید آموخت

• الگوریتم‌های پردازش تصویر و کاربردهای آن‌ها را کشف کنید. با استفاده از Python
  
• کاوش در پردازش تصویر با استفاده از کتابخانه OpenCV
  
• استفاده از TensorFlow، scikit-learn، NumPy، و کتابخانه های دیگر
  
• کار با یادگیری ماشین و الگوریتم های یادگیری عمیق برای پردازش تصویر
  
• استفاده از تکنیک های پردازش تصویر در پنج پروژه بلادرنگ
  

Gain insights into image-processing methodologies and algorithms, using machine learning and neural networks in Python. This book begins with the environment setup, understanding basic image-processing terminology, and exploring Python concepts that will be useful for implementing the algorithms discussed in the book. You will then cover all the core image processing algorithms in detail before moving onto the biggest computer vision library: OpenCV. You’ll see the OpenCV algorithms and how to use them for image processing.
The next section looks at advanced machine learning and deep learning methods for image processing and classification. You’ll work with concepts such as pulse coupled neural networks, AdaBoost, XG boost, and convolutional neural networks for image-specific applications. Later you’ll explore how models are made in real time and then deployed using various DevOps tools.
All the concepts in Practical Machine Learning and Image Processing are explained using real-life scenarios. After reading this book you will be able to apply image processing techniques and make machine learning models for customized application.
What You Will Learn

• Discover image-processing algorithms and their applications using Python
  
• Explore image processing using the OpenCV library
  
• Use TensorFlow, scikit-learn, NumPy, and other libraries
  
• Work with machine learning and deep learning algorithms for image processing
  
• Apply image-processing techniques to five real-time projects