Uczenie maszynowe dla programistów IOS

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Machine Learning for IOS Developers

Zawartość książki:

Wykorzystaj możliwości uczenia maszynowego (ML) Apple iOS w swoich aplikacjach Dowiedz się, co możesz osiągnąć dzięki ML

Machine Learning for iOS Developers wprowadza czytelnika w dziedzinę uczenia maszynowego (ML) w ogóle, a w szczególności w ofertę Apple w zakresie ML. Czytelnik nauczy się korzystać z frameworków ML firmy Apple do implementacji uczenia maszynowego w aplikacjach iOS. Chociaż czytelnik nie musi posiadać wcześniejszego doświadczenia w uczeniu maszynowym, aby korzystać z tej książki, oczekuje się, że czytelnik będzie posiadał średnio zaawansowaną / zaawansowaną wiedzę na temat programowania w systemie iOS za pomocą języka Swift i podstawową znajomość języka Python. Książka ta spodoba się zarówno programistom iOS, jak i architektom rozwiązań mobilnych. Programiści znajdą w niej konkretne przykłady, które pokażą im, jak zintegrować uczenie maszynowe w swoich aplikacjach na iOS. Architekci rozwiązań znajdą przydatne informacje na temat możliwości uczenia maszynowego Apple.

Pierwsza sekcja wprowadza czytelnika w podstawowe koncepcje uczenia maszynowego. Czytelnicy dowiedzą się o typach systemów uczenia maszynowego, sposobie ich wykorzystania i wyzwaniach, przed którymi mogą stanąć w związku z rozwiązaniami uczenia maszynowego. Czytelnicy zapoznają się ze studium przypadku, które porównuje podejście tradycyjne z podejściem opartym na uczeniu maszynowym, a także poznają różnice między wdrażaniem uczenia maszynowego na telefonach a uczeniem maszynowym jako usługą (MLaaS). Druga sekcja koncentruje się na wykorzystaniu frameworka CoreML firmy Apple do budowania możliwości uczenia maszynowego w aplikacjach na iOS. Czytelnik nauczy się korzystać ze wstępnie wytrenowanych modeli, a także tworzyć własne modele za pomocą CreateML i TuriCreate i używać ich z CoreML. W tej sekcji czytelnicy będą tworzyć aplikacje, które mogą wykrywać obiekty na obrazach, implementować modele oparte na drzewach decyzyjnych, implementować system uczenia maszynowego oparty na instancjach oraz integrować modele Scikit-learn i Keras z CoreML. Przykłady kodu źródłowego są dostępne do pobrania.