Învățarea mecanică practică pentru Computer Vision: Învățarea automată de la un capăt la altul pentru imagini

Recenzii ale cititorilor

Cartea este o resursă foarte apreciată atât pentru începători, cât și pentru practicienii cu experiență în domeniul Computer Vision și Machine Learning. Ea oferă o acoperire cuprinzătoare a cunoștințelor teoretice, sfaturi practice și exemple practice, ceea ce o face un bun valoros pentru învățarea și avansarea abilităților în analiza imaginilor și implementarea modelelor.

Explicații detaliate, sfaturi practice, acoperă subiecte fundamentale până la avansate, structura clară a capitolelor, include numeroase exemple și codare practică, bună pentru diferite niveluri de expertiză, bine structurată pentru înțelegerea aplicațiilor ML în CV, oferă perspective din partea unor autori cu experiență.

⬤ Imaginile și figurile sunt în alb-negru, ceea ce unii au considerat dezamăgitor
⬤ perceput ca fiind scump
⬤ câțiva utilizatori au întâmpinat probleme cu execuția codului din cauza inconsecvențelor
⬤ unii au remarcat lipsa de rigurozitate privind aplicațiile la nivel de producție.

(pe baza a 15 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Prin utilizarea modelelor de învățare automată pentru a extrage informații din imagini, organizațiile de astăzi fac progrese în domeniul sănătății, producției, comerțului cu amănuntul și în alte industrii. Această carte practică arată inginerilor ML și cercetătorilor de date cum să rezolve o varietate de probleme legate de imagini, inclusiv clasificarea, detectarea obiectelor, autoencoderii, generarea de imagini, numărarea și subtitrarea cu tehnici ML dovedite.

Inginerii Google Valliappa Lakshmanan, Martin Garner și Ryan Gillard vă arată cum să dezvoltați modele ML de computer vision precise și explicabile și să le puneți în producție la scară largă utilizând o arhitectură ML robustă într-un mod flexibil și întreținabil. Veți învăța cum să proiectați, să antrenați, să evaluați și să preziceți cu modele scrise în TensorFlow/Keras. Această carte acoperă, de asemenea, cele mai bune practici pentru a îmbunătăți operaționalizarea modelelor utilizând conducte ML end-to-end.

Veți învăța cum să:

⬤ Desenați arhitectura ML pentru sarcinile de viziune computerizată.

⬤ Selectați un model (cum ar fi ResNet, SqueezeNet sau EfficientNet) adecvat pentru sarcina dvs.

⬤ Crearea unei conducte ML de la un capăt la altul pentru a vă antrena, evalua, implementa și explica modelul.

⬤ Prelucrați imaginile pentru a mări volumul de date și pentru a susține capacitatea de învățare.

⬤ Incorporați explicabilitatea și cele mai bune practici de inteligență artificială responsabilă.

⬤ Implementați modele de imagini ca servicii web sau pe dispozitive periferice.

⬤ Monitorizați și gestionați modelele ML.