Gyakorlati gépi tanulás számítógépes látáshoz: Végponttól végpontig tartó gépi tanulás képekhez

Olvasói vélemények

A könyv a számítógépes látás és a gépi tanulás területén dolgozó kezdők és tapasztalt szakemberek számára egyaránt nagyra értékelt forrás. Az elméleti ismeretek, a gyakorlati tippek és a gyakorlati példák átfogó lefedettségét kínálja, így értékes segítséget nyújt a képelemzés és a modellalkalmazás területén szerzett ismeretek elsajátításához és továbbfejlesztéséhez.

Részletes magyarázatok, gyakorlati tanácsok, az alapvető témákat a haladó témákig lefedi, a fejezetek áttekinthető elrendezése, számos példát és gyakorlati kódolást tartalmaz, jó a különböző szintű szakértelemhez, jól strukturált az ML alkalmazások megértéséhez az önéletrajzban, tapasztalt szerzők meglátásait kínálja.

⬤ A képek és ábrák fekete-fehérben vannak, amit néhányan kiábrándítónak találtak
⬤ drágának érzékelték
⬤ néhány felhasználó a következetlenségek miatt problémákat tapasztalt a kódfuttatással
⬤ néhányan megjegyezték az alaposság hiányát a termelési szintű alkalmazásoknál.

(15 olvasói vélemény alapján)

Eredeti címe:

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

Könyv tartalma:

Azáltal, hogy a szervezetek gépi tanulási modelleket használnak a képekből származó információk kinyerésére, napjainkban áttörést érnek el az egészségügyben, a gyártásban, a kiskereskedelemben és más iparágakban. Ez a gyakorlatias könyv megmutatja az ML mérnököknek és adattudósoknak, hogyan oldhatnak meg számos képi problémát, beleértve az osztályozást, a tárgyak felismerését, az automatikus kódolást, a képgenerálást, a számlálást és a feliratozást bevált ML-technikákkal.

A Google mérnökei, Valliappa Lakshmanan, Martin Garner és Ryan Gillard megmutatják, hogyan lehet pontos és megmagyarázható számítógépes látás ML-modelleket fejleszteni, és azokat robusztus ML-architektúra segítségével rugalmasan és karbantartható módon nagyüzemi termelésbe állítani. Megtanulhatja, hogyan tervezzen, képezzen, értékeljen és jósoljon a TensorFlow/Keras nyelven írt modellekkel. Ez a könyv a modellek operacionalizálásának javítására szolgáló legjobb gyakorlatokat is tárgyalja, végponttól végpontig tartó ML-pipeline-ok használatával.

Megtanulja, hogyan:

⬤ Tervezzen ML-architektúrát számítógépes látási feladatokhoz.

⬤ Válasszon ki egy, a feladatának megfelelő modellt (például ResNet, SqueezeNet vagy EfficientNet).

⬤ Elkészítsen egy végponttól végpontig tartó ML csővezetéket a modell betanításához, értékeléséhez, telepítéséhez és magyarázatához.

⬤ Képek előfeldolgozása az adatok bővítése és a tanulhatóság támogatása érdekében.

⬤ A magyarázhatóság és a felelős mesterséges intelligencia legjobb gyakorlatainak beépítése.

⬤ Telepítse a képmodelleket webes szolgáltatásként vagy edge eszközökön.

⬤ Monitorozza és kezelje az ML modelleket.