머신러닝은 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘 연구이며, 인공지능의 한 분야다. 이 책에서는 분류 및 회귀와 같은 통계 학습의 핵심 개념을 간단/직관적인 예제를 통해 확인할 수 있다. 모든 기본 개념을 다룬 이후에는 의사 결정 트리(Decision tree), 서포트 벡터 머신(Support vector) 및 베이지안(Bayesian) 네트워크와 같은 다양한 알고리즘을 탐색하고 다른 OpenCV 기능과 결합하는 방법을 배운다. 딥러닝과 앙상블 학습을 살펴보고 직접 손으로 쓴 숫자의 분류와 제스처 인식과 같은 실제 애플리케이션을 만들 수 있다. 마지막으로, 이미지 처리 시스템을 구축하기 위한 최신 Intel OpenVINO를 살펴본다. 이 책을 다 읽고 난 이후에는 OpenCV4로 지능형 컴퓨터 비전 애플리케이션을 만들 수 있다.

1부. 머신러닝과 OpenCV의 기본 원리 1장. 머신러닝 시작 __기술적 요구 사항 __머신러닝 시작 __머신러닝으로 해결할 수 있는 문제 __파이썬 시작 __OpenCV 시작 __설치 ____이 책의 최신 코드 얻기 ____파이썬의 아나콘다 배포판 ____conda 환경에서 OpenCV 설치 ____설치 확인 ____OpenCV의 ML 모듈 엿보기 __머신러닝의 응용 __OpenCV 4.0의 새로운 기능 __요약 2장. OpenCV로 데이터 작업 __기술적 요구 사항 __머신러닝 워크플로의 이해 __OpenCV와 파이썬을 사용한 데이터 취급 ____새로운 IPython이나 주피터 세션 시작 ____파이썬 NumPy 패키지를 사용한 데이터 취급 ______NumPy 가져오기 ______NumPy 배열의 이해 ______인덱싱을 통해 단일 배열 요소에 액세스 ______다차원 배열 만들기 ____파이썬에서 외부 데이터 세트 불러오기 ____Matplotlib을 사용한 데이터 시각화 ______Matplotlib 가져오기 ______간단한 플롯 만들기 ______외부 데이터 세트의 데이터 시각화 ____C++에서 OpenCV의 TrainData 컨테이너를 사용해 데이터 다루기 __요약 3장. 지도학습의 첫 번째 단계 __기술적 요구 사항 __지도학습 이해 ____OpenCV에서 지도학습 살펴보기 ____점수화 함수로 모델 성능 측정 ______정확도, 정확률, 재현율을 사용하는 점수화 분류기 ______평균 제곱 오차, 분산, R 제곱을 사용한 회귀 분석 __분류 모델을 사용한 클래스 레이블 예측 ____k-최근접 이웃 알고리즘의 이해 ____OpenCV에서 k-최근접 이웃 구현 ______훈련 데이터 생성 ______분류기 훈련 ______새 데이터 요소의 레이블 예측 __회귀 모델을 사용해 지속적인 결과 예측 ____선형 회귀 분석 ____OpenCV의 선형 회귀 방법 ____선형 회귀 분석 방법을 사용해 보스턴 주택 가격 예측 ______데이터 세트 불러오기 ______모델 훈련 ______모델 테스트 ____라소와 융기 회귀 적용 __로지스틱 회귀를 이용한 아이리스 종 분류 ____로지스틱 회귀 이해 ______훈련 자료 불러오기 ______이진 분류 문제로 만들기 ______데이터 검사 ______데이터를 훈련 세트와 테스트 세트로 나누기 ______분류기 훈련 ______분류기 테스트 __요약 4장. 데이터와 엔지니어링 특징 표현 __기술적 요구 사항 __특징 엔지니어링의 이해 __전처리 데이터 ____특징 표준화 ____특징 정규화 ____특징의 범위 확장 ____특징 이진화 ____누락된 데이터 처리 __차원 축소의 이해 ____OpenCV에서 PCA 구현 ____ICA 구현 ____NMF 구현 ____t-분산 확률적 이웃 임베딩(t-SNE)을 이용한 차원 감소 시각화 __범주형 변수 표현 __텍스트 특징 표현 __이미지 표현 ____색 공간 사용 ______RGB 공간에서 이미지 인코딩 ______HSV와 HLS 공간에서 이미지 인코딩 ____이미지의 코너 검출 ____스타(star) 검출기와 BRIP 설명자(de-scriptor) 사용 ____ORB 사용 __요약 2부.OpenCV 사용법 5장. 의사 결정 트리를 사용한 의학 진단 __기술적 요구 사항 __의사 결정 트리의 이해 ____첫 번째 의사 결정 트리 만들기 ______새 데이터 만들기 ______데이터를 이해한 후 작업에 활용 ______데이터 전처리 ______트리 만들기 ____훈련된 의사 결정 트리의 시각화 ____의사 결정 트리의 내부 동작 조사 ____특징 중요도 평가 ____의사 결정 규칙 이해 ____의사 결정 트리의 복잡도 제어 __의사 결정 트리를 사용해 유방암 진단 ____데이터 세트 불러오기 ____의사 결정 트리 만들기 __회귀 결정 트리 사용 __요약 6장. 서포트 벡터 머신으로 보행자 검출 __기술적 요구 사항 __서포트 벡터 시스템의 이해 ____최적의 의사 결정 경계 학습 ____첫 번째 서포트 벡터 머신 구현 ______데이터 세트 생성 ______데이터 세트 시각화 ______데이터 세트 전처리 ______서포트 벡터 머신 구축 ______의사 결정 경계 시각화 __비선형 의사 결정 경계 다루기 ____커널 트릭의 이해 ____사용자가 사용할 커널 파악 ____비선형 서포트 벡터 머신 구현 __실생활에서 보행자 검출 ____데이터 세트 가져오기 ____HOG 훑어보기 ____네거티브 생성 ____서포트 벡터 머신 구현 ____모델 부트스트랩 ____더 큰 이미지에서 보행자 검출 ____모델 개선 ____SVM을 사용한 다중 클래스 분류 ______데이터 정보 ______속성 정보 __요약 7장. 베이지안 학습을 이용한 스팸 필터 구현 __기술적 요구 사항 __베이지안 추론의 이해 ____확률 이론 간단히 살펴보기 ____베이즈 정리의 이해 ____나이브 베이즈 분류기의 이해 __첫 번째 베이지안 분류기 구현 ____장난감 데이터 세트 만들기 ____일반 베이즈 분류기로 데이터 분류 ____나이브 베이즈 분류기로 데이터 분류 ____조건부 확률의 시각화 __나이브 베이즈 분류기를 사용한 이메일 분류 ____데이터 세트 불러오기 ____판다스를 사용해 데이터 행렬 만들기 ____데이터 전처리 ____정상적인 베이즈 분류기 훈련 ____전체 데이터 세트에 대한 훈련 ____n-그램을 사용한 결과 개선 ____TF-IDF를 사용한 결과 개선 __요약 8장. 비지도학습으로 숨겨진 구조 발견 __기술적 요구 사항 __비지도학습의 이해 __k-평균 클러스터링의 이해 ____첫 번째 k-평균 예제 구현 __기댓값 최대화 방법의 이해 ____기댓값 최대화 솔루션 구현 ____기댓값 최대화의 한계 파악 ______첫 번째 경고: 전반적인 최적 결과를 찾기 어렵다 ______두 번째 경고: 미리 클러스터 수를 선택해야 한다 ______세 번째 경고: 클러스터 경계는 선형이다 ______네 번째 경고: k-평균은 많은 수의 샘플에서는 느리다 __k-평균을 사용한 색 공간 압축 ____트루 컬러 팔레트 시각화 ____k-평균을 사용한 색상 팔레트 축소 __k-평균을 사용한 숫자 필기 인식 분류 ____데이터 세트 불러오기 ____k-평균 실행 __클러스터를 계층적 트리로 구성 ____계층적 클러스터링의 이해 ____응집력 있는 계층적 클러스터링 구현 ____클러스터링 알고리즘 비교 __요약 3부OpenCV를 사용한 고급 머신러닝 9장. 딥러닝을 사용한 숫자 필기 인식 분류 __기술적 요구 사항 __맥컬럭-피츠 뉴런의 이해 __퍼셉트론의 이해 __첫 번째 퍼셉트론 구현 ____장난감 데이터 세트 생성 ____퍼셉트론을 데이터에 적용 ____퍼셉트론 분류기 평가 ____선형으로 분리되지 않는 데이터에 퍼셉트론 적용 __다층 퍼셉트론의 이해 ____경사 하강법의 이해 ____역전파를 이용한 MLP 훈련 ____OpenCV에서 MLP 구현 ______데이터 전처리 ______OpenCV에서 MLP 분류기 만들기 ______MLP 분류기의 사용자 정의 ______MLP 분류기 훈련과 테스트 __딥러닝에 익숙해지기 ____케라스에 익숙해지기 __숫자 필기 인식 분류 ____MNIST 데이터 세트 가져오기 ____MNIST 데이터 세트 전처리 ____OpenCV를 사용한 MLP 훈련 ____케라스를 이용한 심층 신경망 훈련 ______MNIST 데이터 세트 전처리 ______컨볼루션 신경망(CNN) 만들기 ______모델 요약 ______모델 피팅 __요약 10장. 앙상블 기법으로 분류 __기술적 요구 사항 __앙상블 메서드의 이해 ____평균 앙상블의 이해 ______배깅 분류기 구현 ______배깅 회귀기 구현 ____부스터 앙상블의 이해 ______약한 학습기 ______부스팅 분류기 구현 ______부스팅 회귀기 구현 ____스태킹 앙상블의 이해 __의사 결정 트리를 랜덤 포레스트로 결합 ____의사 결정 트리의 단점 이해 ____첫 번째 랜덤 포레스트 구현 ____scikit-learn을 사용한 랜덤 포레스트 구현 ____과랜덤화된 트리 구현 __얼굴 인식을 위한 랜덤 포레스트 사용 ____데이터 세트 불러오기 ____데이터 세트 전처리 ____랜덤 포레스트 훈련과 테스트 __AdaBoost 구현 ____OpenCV에서 AdaBoost 구현 ____scikit-learn에서 AdaBoost 구현 __다른 모델을 투표 분류기로 결합 ____다양한 투표 방법의 이해 ____투표 분류기 구현 ____다원성 __요약 11장. 하이퍼 매개변수 튜닝으로 올바른 모델 선택 __기술적 요구 사항 __모델 평가 ____잘못된 방식으로 모델 평가 ____올바른 방식으로 모델 평가 ____최고의 모델 선택 __교차 유효성 검증의 이해 ____OpenCV에서 교차 유효성의 매뉴얼 검증 구현 ____scikit-learn을 사용한 k-겹 교차 검증 ____단일 관측값 제거법 교차 검증의 구현 __견고성 예측에 부트스트랩 사용 ____OpenCV에서 부트스트랩을 직접 구현 __결과의 중요성 평가 ____스튜던트 t-검정 구현 ____맥니마의 검정 구현 __그리드 검색으로 하이퍼 매개변수 튜닝 ____간단한 그리드 검색 구현 ____유효성 검증 세트의 값 이해 ____교차 유효성 검증과 함께 그리드 검색 결합 ____중첩된 교차 유효성 검증과 함께 그리드 검색 결합 __다양한 평가 메트릭을 사용한 점수화 모델 ____올바른 분류 기준 선택 ____올바른 회귀 메트릭 선택 __파이프라인을 형성하기 위한 체이닝 알고리즘 ____scikit-learn에서 파이프라인 구현 ____그리드 검색에서 파이프라인 사용 __요약 12장. OpenCV의 OpenVINO 사용 __기술적 요구 사항 __OpenVINO 소개 __OpenVINO 툴킷 설치 ____OpenVINO 구성 요소 __대화형 얼굴 검출 데모 __OpenCV와 함께 OpenVINO 추론 엔진 사용 __OpenCV와 함께 OpenVINO 모델 동물원 사용 __OpenVINO 추론 엔진이 있는 OpenCV를 사용한 이미지 분류 ____OpenVINO를 사용한 이미지 분류 ____OpenVINO와 함께 OpenCV를 사용한 이미지 분류 __요약 13장. 결론 __기술적 요구 사항 __머신러닝 문제점에 접근 __자신만의 추정기 작성 ____자신만의 OpenCV 기반 분류기를 C++로 작성 ____파이썬으로 자신만의 scikit-learn 기반 분류기 작성 __다음 단계 __요약