Ocena:
Książka służy jako delikatne wprowadzenie do głębokiego uczenia się i wizji komputerowej, koncentrując się w szczególności na samojezdnych samochodach. Jest dobrze skonstruowana, zawiera praktyczne implementacje i wiele pomocy wizualnych, dzięki czemu jest odpowiednia dla początkujących. Brakuje jej jednak kompleksowego projektu, który ujednoliciłby poszczególne rozdziały.
Zalety:⬤ Dobrze skonstruowana i angażująca czytelników za pomocą kodu, wykresów i wizualizacji.
⬤ Dostarcza podstawowej wiedzy i praktycznych przykładów dla projektów samochodów autonomicznych.
⬤ Odpowiednia zarówno dla początkujących, jak i tych, którzy chcą zrozumieć podstawy bez nadmiernych szczegółów technicznych.
⬤ Brak kompleksowego projektu łączącego wszystkie rozdziały.
⬤ Niektórzy recenzenci stwierdzili, że treść jest zbyt pobieżna i powierzchowna, aby ją lepiej zrozumieć.
⬤ Przydałyby się dodatkowe odniesienia edukacyjne do bardziej szczegółowego studiowania.
(na podstawie 9 opinii czytelników)
Applied Deep Learning and Computer Vision for Self-Driving Cars: Build autonomous vehicles using deep neural networks and behavior-cloning techniques
Zapoznaj się z technologią autonomicznej jazdy przy użyciu technik głębokiego uczenia i sztucznej inteligencji oraz bibliotek takich jak TensorFlow, Keras i OpenCV.
Główne cechy
⬤ Buduj i trenuj potężne modele sieci neuronowych, aby zbudować autonomiczny samochód.
⬤ Wdrażanie wizji komputerowej, głębokiego uczenia i technik sztucznej inteligencji do tworzenia algorytmów motoryzacyjnych.
⬤ Pokonaj wyzwania stojące przed automatyzacją różnych aspektów jazdy przy użyciu nowoczesnych bibliotek i architektur Pythona.
Opis książki
Dzięki wielu niedawnym przełomom, technologia samojezdnych samochodów jest obecnie wschodzącym tematem w dziedzinie sztucznej inteligencji i przeniosła uwagę naukowców zajmujących się danymi na budowanie autonomicznych samochodów, które zmienią branżę motoryzacyjną. Ta książka jest kompleksowym przewodnikiem po wykorzystaniu technik głębokiego uczenia i wizji komputerowej do tworzenia autonomicznych samochodów.
Zaczynając od podstaw samojezdnych samochodów (SDC), ta książka przeprowadzi cię przez techniki głębokich sieci neuronowych wymagane do rozpoczęcia pracy nad budową autonomicznego pojazdu. Po zapoznaniu się z podstawami, zagłębisz się w zaawansowane techniki wizji komputerowej i dowiesz się, jak korzystać z metod głębokiego uczenia się do wykonywania różnych zadań wizji komputerowej, takich jak znajdowanie linii pasa ruchu, ulepszanie klasyfikacji obrazu i tak dalej. Poznasz podstawową strukturę i działanie modelu segmentacji semantycznej i poradzisz sobie z wykrywaniem samochodów za pomocą segmentacji semantycznej. Książka obejmuje również zaawansowane aplikacje, takie jak klonowanie zachowań i wykrywanie pojazdów przy użyciu OpenCV, uczenie transferowe i metodologie głębokiego uczenia się w celu trenowania SDC w celu naśladowania ludzkiej jazdy.
Pod koniec tej książki dowiesz się, jak zaimplementować różne sieci neuronowe w celu opracowania własnego autonomicznego pojazdu przy użyciu nowoczesnych bibliotek Pythona.
Czego się nauczysz
⬤ Zaimplementować głęboką sieć neuronową od podstaw przy użyciu biblioteki Keras.
⬤ Zrozumieć znaczenie głębokiego uczenia w samojezdnych samochodach.
⬤ Zapoznać się z technikami ekstrakcji cech w przetwarzaniu obrazu przy użyciu biblioteki OpenCV.
⬤ Zaprojektowanie potoku oprogramowania wykrywającego linie pasa ruchu w filmach.
⬤ Wdrożenie klasyfikatora obrazów z konwolucyjną siecią neuronową (CNN) dla znaków drogowych.
⬤ Trenowanie i testowanie sieci neuronowych do klonowania behawioralnego poprzez prowadzenie samochodu w wirtualnym symulatorze.
⬤ Odkryj różne najnowocześniejsze architektury segmentacji semantycznej i wykrywania obiektów.
Dla kogo jest ta książka
Jeśli jesteś inżynierem zajmującym się głębokim uczeniem, badaczem sztucznej inteligencji lub kimkolwiek, kto chce wdrożyć techniki głębokiego uczenia i wizji komputerowej w celu zbudowania rozwiązań do samodzielnej jazdy, ta książka jest dla Ciebie. Każdy, kto chce dowiedzieć się, jak budowane są różne algorytmy związane z motoryzacją, również uzna tę książkę za przydatną. Doświadczenie w programowaniu w języku Python, wraz z podstawową wiedzą na temat głębokiego uczenia, jest niezbędne, aby w pełni wykorzystać tę książkę.