Praktyczne uczenie maszynowe i przetwarzanie obrazu: Rozpoznawanie twarzy, wykrywanie obiektów i rozpoznawanie wzorców przy użyciu Pythona

Opinie czytelników

Książka spotyka się z krytyką i pochwałami. Użytkownicy uważają, że koncentruje się ona na podstawowych zasadach programowania w Pythonie i przetwarzania obrazu, często powtarzając informacje na wielu stronach. Wiele recenzji krytykuje brak głębi w koncepcjach uczenia maszynowego związanych z przetwarzaniem obrazu. Ogólna jakość treści wydaje się być niewystarczająca dla bardziej zaawansowanych uczniów, z powtarzającymi się i powierzchownymi wyjaśnieniami. Niektórzy doceniają jednak jakość wydruku i uważają, że jest ona przydatna dla początkujących.

Dobra jakość wydruku; może być przydatna jako podstawowy praktyczny przewodnik po przetwarzaniu obrazu.

Nadmierne skupienie się na podstawowych koncepcjach Pythona i przetwarzania obrazu, zbyt powtarzalna treść, brak głębi w aplikacjach uczenia maszynowego, niewystarczające wyjaśnienie kluczowych pojęć, liczne błędy w treści i przykładach, nieaktualne zasoby GitHub i ogólnie postrzegane jako niewarte inwestycji dla zaawansowanych uczniów.

(na podstawie 9 opinii czytelników)

Oryginalny tytuł:

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

Zawartość książki:

Rozdział 1: Instalacja i konfiguracja środowiska.

Rozdział Cel: Przygotowanie systemu do przetwarzania i analizy obrazu.

Liczba stron 20.

Podtematy (2 najważniejsze)

1. Instalacja Jupyter Notebook.

2. Instalacja OpenCV i innych zależności analizy obrazu.

3. Instalacja zależności sieci neuronowych.

Rozdział 2: Wprowadzenie do Pythona i przetwarzania obrazów.

Cel rozdziału: Wprowadzenie do różnych koncepcji Pythona i aplikacji do przetwarzania obrazu.

Liczba stron: 50.

Podtematy (2 najważniejsze)

1. Podstawy języka Python.

2. Terminologia związana z analizą obrazu.

Rozdział 3: Zaawansowane przetwarzanie obrazów przy użyciu OpenCV.

Cel rozdziału: Zrozumienie algorytmów i ich zastosowań przy użyciu Pythona.

Liczba stron: 100.

Podtematy (2 najważniejsze):

1. Operacje na obrazach.

2. Transformacje obrazów.

Rozdział 4: Metody uczenia maszynowego w przetwarzaniu obrazów.

Cel rozdziału: Podstawowa implementacja modeli uczenia maszynowego i głębokiego, która zajmuje się przetwarzaniem obrazu przed aplikacjami w scenariuszu czasu rzeczywistego.

Liczba stron: 100.

Podtematy (2 najważniejsze):

1. Klasyfikacja i segmentacja obrazów.

2. Zastosowanie nadzorowanych i nienadzorowanych metod uczenia się na obrazach przy użyciu Pythona.

Rozdział 5: Przypadki użycia w czasie rzeczywistym.

Cel rozdziału: Praca nad 5 projektami w Pythonie z wykorzystaniem wszystkich pojęć poznanych w tej książce.

Liczba stron: 100.

Podtematy (5 najważniejszych):

1. Wykrywanie twarzy.

2. Rozpoznawanie twarzy.

3. Rozpoznawanie ruchów dłoni.

4. Konceptualizacja samochodów autonomicznych: Zaawansowane znajdowanie pasa ruchu.

5. Konceptualizacja samochodów autonomicznych: Wykrywanie znaków drogowych.

Rozdział 6: Dodatek A.

Cel rozdziału: Zaawansowane koncepcje Wprowadzenie.

Liczba stron: 50.

Podtematy (2 najważniejsze):

1. AdaBoost i XGBoost.

2. Sieci neuronowe sprzężone impulsowo.