Wizja komputerowa z wykorzystaniem głębokiego uczenia: Architektury sieci neuronowych z Python i Keras

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 3 głosach.

Oryginalny tytuł:

Computer Vision Using Deep Learning: Neural Network Architectures with Python and Keras

Zawartość książki:

Organizacje wydają ogromne środki na rozwój oprogramowania, które może działać tak, jak robi to człowiek. Klasyfikacja obrazów, wykrywanie i śledzenie obiektów, szacowanie pozycji, rozpoznawanie twarzy i szacowanie nastrojów odgrywają ważną rolę w rozwiązywaniu problemów związanych z wizją komputerową.

W tej książce skupimy się na tych i innych architekturach i technikach głębokiego uczenia, aby pomóc w tworzeniu rozwiązań przy użyciu Keras i biblioteki TensorFlow. Dokonasz również przeglądu wielu architektur sieci neuronowych, w tym LeNet, AlexNet, VGG, Inception, R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, YOLO i SqueezeNet i zobaczysz, jak działają one wraz z kodem Pythona, korzystając z najlepszych praktyk, wskazówek, sztuczek, skrótów i pułapek. Wszystkie fragmenty kodu zostaną podzielone i dokładnie omówione, abyś mógł wdrożyć te same zasady w swoich środowiskach.

Computer Vision Using Deep Learning oferuje kompleksowy, ale zwięzły przewodnik, który łączy DL i CV w celu automatyzacji operacji, zmniejszenia interwencji człowieka, zwiększenia możliwości i obniżenia kosztów.

Czego się nauczysz

⬤ Zbadaj kod i koncepcje głębokiego uczenia, aby zastosować zasady przewodnie we własnych projektach.

⬤ Klasyfikować i oceniać różne architektury, aby lepiej zrozumieć opcje w różnych przypadkach użycia.

⬤ Zajrzyj za kulisy podstawowych funkcji głębokiego uczenia, aby dowiedzieć się, jak działają.

Dla kogo jest ta książka

Profesjonalni praktycy pracujący w dziedzinie inżynierii oprogramowania i nauki o danych. Zdecydowanie zalecana jest praktyczna znajomość języka Python. Studenci i innowatorzy pracujący nad zaawansowanymi stopniami naukowymi w obszarach związanych z wizją komputerową i uczeniem głębokim.