その他（機械学習）
レナ画像の座標変換による画像変形の例と，ゴッホ画像を機械学習したレナ画像の画風変換例を以下に示します．画風変換は画素数を落としても私のPCで30分程度掛りました．
右の画像は，ORB(oriented FASTand rotated BRIEF)を用いて特徴点を対応付けたものです．
特徴量の抽出は複雑ですね…^^;
対応が正しくない点は, ~.remove( )にて除去できます．
PSNR（Peak Signal-to-Noise Ratio）を求める関数プログラム(PSNR.py) : 画像圧縮による画質劣化の評価などに使われます．アルゴリズムは単純ですが，非常に有効な評価手法です．
PSNR = 10*log(255*255/MSE) [dB] ・・・ 10底，MSEは画素ごとの平均二乗誤差
import math
def PSNR(A, B): #A,Bはそれぞれの画像
MSE = np.mean((A -B) ** 2)
if MSE == 0:
return 100
MAX = 255.0
return 10 * math.log10(MAX * MAX / MSE)
下図は，K近傍法とサポートベクタマシンを用いて，あるデータを機械学習させ分類したものです．学習データも少なく特徴量がはっきりしているものを使用したため，一応2分できていますが，特徴量の複雑なデータを取り込むと領域も複雑に変化しました．
相互作用のページで述べた「自己組織化マップ」も教師なし機械学習に入りますが，教師あり学習など用途の広い機械学習の大事な部分を，以下に載せてみます．
相互作用のページでも述べた教師なし学習と同様に，機械学習の本質部分の一つは，重み（or Q値など）の更新になります．そのため「そこを如何に学習するか!!」になります．教師あり・なし学習，強化学習など「機械の学習（勉強）方法」にも種類があります．
強化学習について：
Q学習やSARSAを用いて迷路を解いてみました．また，マルチエージェントによる追跡問題も講義の中でお見せします．