Praktyczne uczenie maszynowe dla wizji komputerowej: Kompleksowe uczenie maszynowe dla obrazów

Opinie czytelników

Książka ta jest wysoko cenionym źródłem wiedzy zarówno dla początkujących, jak i doświadczonych praktyków w dziedzinie wizji komputerowej i uczenia maszynowego. Oferuje kompleksowy zakres wiedzy teoretycznej, praktyczne wskazówki i praktyczne przykłady, dzięki czemu jest cennym zasobem do nauki i rozwijania umiejętności w zakresie analizy obrazu i wdrażania modeli.

Szczegółowe wyjaśnienia, praktyczne porady, obejmuje tematy od podstawowych do zaawansowanych, przejrzysty układ rozdziałów, zawiera liczne przykłady i praktyczne kodowanie, dobre dla różnych poziomów wiedzy specjalistycznej, dobrze zorganizowane do zrozumienia aplikacji ML w CV, oferuje spostrzeżenia doświadczonych autorów.

⬤ Obrazy i rysunki są czarno-białe, co niektórzy uznali za rozczarowujące
⬤ postrzegane jako drogie
⬤ kilku użytkowników doświadczyło problemów z wykonaniem kodu z powodu niespójności
⬤ niektórzy zauważyli brak dokładności w aplikacjach na poziomie produkcyjnym.

(na podstawie 15 opinii czytelników)

Oryginalny tytuł:

Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images

Zawartość książki:

Wykorzystując modele uczenia maszynowego do wydobywania informacji z obrazów, organizacje dokonują dziś przełomów w opiece zdrowotnej, produkcji, handlu detalicznym i innych branżach. Ta praktyczna książka pokazuje inżynierom ML i naukowcom zajmującym się danymi, jak rozwiązywać różne problemy związane z obrazami, w tym klasyfikację, wykrywanie obiektów, autoenkodery, generowanie obrazów, liczenie i podpisy za pomocą sprawdzonych technik ML.

Inżynierowie Google - Valliappa Lakshmanan, Martin Garner i Ryan Gillard - pokazują, jak opracowywać dokładne i zrozumiałe modele uczenia maszynowego w wizji komputerowej i wprowadzać je do produkcji na dużą skalę przy użyciu solidnej architektury uczenia maszynowego w elastyczny i łatwy w utrzymaniu sposób. Dowiesz się, jak projektować, trenować, oceniać i przewidywać za pomocą modeli napisanych w TensorFlow/Keras. Książka ta obejmuje również najlepsze praktyki w celu poprawy operacjonalizacji modeli przy użyciu kompleksowych potoków ML.

Dowiesz się jak

⬤ Projektować architekturę ML dla zadań widzenia komputerowego.

⬤ Wybrać model (taki jak ResNet, SqueezeNet lub EfficientNet) odpowiedni do danego zadania.

⬤ Tworzyć kompleksowy potok uczenia maszynowego, aby trenować, oceniać, wdrażać i wyjaśniać swój model.

⬤ Wstępne przetwarzanie obrazów w celu zwiększenia ilości danych i wsparcia możliwości uczenia się.

⬤ Uwzględnienie najlepszych praktyk w zakresie wyjaśniania i odpowiedzialnej sztucznej inteligencji.

⬤ Wdrażanie modeli obrazów jako usług sieciowych lub na urządzeniach brzegowych.

⬤ Monitorowanie i zarządzanie modelami ML.