Praktické strojové učenie pre počítačové videnie: Praktická príručka: Strojové učenie pre vizuálnu inteligenciu: End-To-End Machine Learning for Images

Recenzie čitateľov

Kniha je vysoko ceneným zdrojom informácií pre začiatočníkov aj skúsených odborníkov v oblasti počítačového videnia a strojového učenia. Ponúka komplexné pokrytie teoretických poznatkov, praktických tipov a praktických príkladov, vďaka čomu je cenným prínosom pre vzdelávanie a zdokonaľovanie zručností v oblasti analýzy obrazu a nasadzovania modelov.

Podrobné vysvetlenia, praktické rady, pokrýva základné až pokročilé témy, prehľadné usporiadanie kapitol, obsahuje množstvo príkladov a praktické kódovanie, vhodná pre rôzne úrovne odborných znalostí, dobre štruktúrovaná pre pochopenie aplikácií ML v CV, ponúka postrehy skúsených autorov.

⬤ Obrázky a obrázky sú čiernobiele, čo niektorých sklamalo
⬤ vnímali ako drahé
⬤ niekoľko používateľov malo problémy s vykonávaním kódu kvôli nekonzistentnosti
⬤ niektorí zaznamenali nedostatok dôkladnosti pri aplikáciách na produkčnej úrovni.

(na základe 15 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Pomocou modelov strojového učenia na získavanie informácií z obrázkov dnes organizácie dosahujú prelomové výsledky v zdravotníctve, výrobe, maloobchode a ďalších odvetviach. Táto praktická kniha ukazuje ML inžinierom a dátovým vedcom, ako riešiť rôzne problémy s obrázkami vrátane klasifikácie, detekcie objektov, autoenkodérov, generovania obrázkov, počítania a titulkovania pomocou osvedčených techník ML.

Inžinieri spoločnosti Google Valliappa Lakshmanan, Martin Garner a Ryan Gillard vám ukážu, ako flexibilným a udržiavateľným spôsobom vyvíjať presné a vysvetliteľné ML modely počítačového videnia a zavádzať ich do veľkej výroby pomocou robustnej ML architektúry. Naučíte sa, ako navrhovať, trénovať, vyhodnocovať a predpovedať pomocou modelov napísaných v TensorFlow/Keras. Táto kniha sa zaoberá aj osvedčenými postupmi na zlepšenie prevádzky modelov pomocou end-to-end ML pipelines.

Naučíte sa, ako:

⬤ Navrhnúť architektúru ML pre úlohy počítačového videnia.

⬤ Vybrať model (napríklad ResNet, SqueezeNet alebo EfficientNet) vhodný pre vašu úlohu.

⬤ Vytvoriť end-to-end ML pipeline na trénovanie, vyhodnotenie, nasadenie a vysvetlenie vášho modelu.

⬤ Predspracujte obrázky na rozšírenie údajov a na podporu naučiteľnosti.

⬤ Začlenenie vysvetľovania a zodpovedných osvedčených postupov v oblasti umelej inteligencie.

⬤ Umiestnite obrazové modely ako webové služby alebo na okrajové zariadenia.

⬤ Monitorovať a spravovať ML modely.