Hodnocení:
Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 3 hlasů.
Computer Vision Using Deep Learning: Neural Network Architectures with Python and Keras
Organizace vynakládají obrovské prostředky na vývoj softwaru, který dokáže pracovat stejně jako člověk. Klasifikace obrazu, detekce a sledování objektů, odhad polohy, rozpoznávání obličeje a odhad sentimentu - to vše hraje významnou roli při řešení problémů počítačového vidění.
Tato kniha přiblíží tyto a další architektury a techniky hlubokého učení a pomůže vám vytvářet řešení pomocí Keras a knihovny TensorFlow. Prostřednictvím osvědčených postupů, tipů, triků, zkratek a úskalí si také prohlédnete několik architektur neuronových sítí, včetně LeNet, AlexNet, VGG, Inception, R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN, YOLO a SqueezeNet, a zjistíte, jak fungují spolu s kódem jazyka Python. Všechny úryvky kódu budou rozebrány a důkladně probrány, abyste mohli stejné principy implementovat ve svých příslušných prostředích.
Kniha Počítačové vidění s využitím hlubokého učení nabízí komplexního a přitom stručného průvodce, který sešívá DL a CV dohromady a umožňuje automatizovat operace, omezit lidské zásahy, zvýšit schopnosti a snížit náklady.
Co se naučíte
⬤ Prozkoumejte kód a koncepty hlubokého učení a aplikujte vůdčí principy na své vlastní projekty.
⬤ Klasifikujte a vyhodnocujte různé architektury, abyste lépe pochopili své možnosti v různých případech použití.
⬤ Podívejte se do zákulisí základních funkcí hlubokého učení a zjistěte, jak fungují.
Pro koho je tato kniha určena
Profesionálním odborníkům z praxe, kteří pracují v oblasti softwarového inženýrství a datové vědy. Důrazně se doporučuje praktická znalost jazyka Python. Studentům a inovátorům pracujícím na vyšších stupních studia v oblastech souvisejících s počítačovým viděním a hlubokým učením.
© Book1 Group - všechna práva vyhrazena.
Obsah těchto stránek nesmí být kopírován ani použit, a to ani částečně ani úplně, bez písemného svolení vlastníka.
Poslední úprava: 2024.11.08 20:25 (GMT)