Praktické strojové učení pro počítačové vidění: Strojové učení pro obrazové vidění: Praktická příručka: Strojové učení pro obrazové vidění: End-To-End Machine Learning for Images

Recenze čtenářů

Kniha je vysoce ceněným zdrojem informací pro začátečníky i zkušené odborníky v oblasti počítačového vidění a strojového učení. Nabízí komplexní pokrytí teoretických znalostí, praktických tipů a praktických příkladů, což z ní činí cenný přínos pro učení a prohlubování dovedností v oblasti analýzy obrazu a zavádění modelů.

Podrobný výklad, praktické rady, pokrývá základní až pokročilá témata, přehledné uspořádání kapitol, obsahuje řadu příkladů a praktického kódování, vhodná pro různé úrovně znalostí, dobře strukturovaná pro pochopení aplikací ML v CV, nabízí postřehy zkušených autorů.

⬤ Obrázky a čísla jsou černobílé, což někteří považovali za zklamání
⬤ vnímali jako drahé
⬤ několik uživatelů mělo problémy s prováděním kódu kvůli nekonzistentnosti
⬤ někteří zaznamenali nedostatečnou důkladnost u aplikací na produkční úrovni.

(na základě 15 hodnocení čtenářů)

Původní název:

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

Obsah knihy:

Pomocí modelů strojového učení pro získávání informací z obrázků dnes organizace dosahují průlomových výsledků ve zdravotnictví, výrobě, maloobchodě a dalších odvětvích. Tato praktická kniha ukazuje inženýrům a datovým vědcům, jak pomocí osvědčených technik ML řešit různé problémy s obrázky, včetně klasifikace, detekce objektů, autoenkodérů, generování obrázků, počítání a vytváření popisků.

Inženýři společnosti Google Valliappa Lakshmanan, Martin Garner a Ryan Gillard vám ukáží, jak flexibilně a udržovatelně vyvíjet přesné a vysvětlitelné ML modely počítačového vidění a zavádět je do rozsáhlé výroby s využitím robustní ML architektury. Naučíte se navrhovat, trénovat, vyhodnocovat a předpovídat pomocí modelů napsaných v jazyce TensorFlow/Keras. Tato kniha se také zabývá osvědčenými postupy pro zlepšení zprovoznění modelů pomocí end-to-end ML pipelines.

Naučíte se, jak:

⬤ Navrhovat architekturu ML pro úlohy počítačového vidění.

⬤ Vybrat model (například ResNet, SqueezeNet nebo EfficientNet) vhodný pro danou úlohu.

⬤ Vytvořit end-to-end ML pipeline pro trénování, vyhodnocení, nasazení a vysvětlení vašeho modelu.

⬤ Předzpracujte obrázky pro rozšíření dat a podporu naučitelnosti.

⬤ Zapojte vysvětlitelnost a osvědčené postupy odpovědné umělé inteligence.

⬤ Umisťujte obrazové modely jako webové služby nebo na okrajová zařízení.

⬤ Monitorovat a spravovat ML modely.