Apprendimento automatico pratico per la visione artificiale: Apprendimento automatico end-to-end per le immagini

Recensioni dei lettori

Il libro è una risorsa molto apprezzata sia dai principianti che dai professionisti esperti nel campo della Computer Vision e del Machine Learning. Offre una copertura completa delle conoscenze teoriche, consigli pratici ed esempi pratici, rendendolo una risorsa preziosa per l'apprendimento e l'avanzamento delle competenze nell'analisi delle immagini e nell'implementazione dei modelli.

Spiegazioni dettagliate, consigli pratici, copre argomenti da fondamentali ad avanzati, layout chiaro dei capitoli, include numerosi esempi e codifiche pratiche, adatto a vari livelli di competenza, ben strutturato per comprendere le applicazioni di ML nel curriculum, offre approfondimenti da parte di autori esperti.

⬤ Le immagini e le figure sono in bianco e nero, cosa che alcuni hanno trovato deludente
⬤ percepito come costoso
⬤ alcuni utenti hanno riscontrato problemi con l'esecuzione del codice a causa di incongruenze
⬤ alcuni hanno notato una mancanza di completezza sulle applicazioni a livello di produzione.

(basato su 15 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Grazie all'utilizzo di modelli di apprendimento automatico per estrarre informazioni dalle immagini, oggi le organizzazioni stanno facendo passi da gigante nei settori della sanità, della produzione, della vendita al dettaglio e in altri settori. Questo libro pratico mostra agli ingegneri di ML e agli scienziati dei dati come risolvere una serie di problemi legati alle immagini, tra cui la classificazione, il rilevamento di oggetti, gli autoencoder, la generazione di immagini, il conteggio e le didascalie con tecniche di ML comprovate.

Gli ingegneri di Google Valliappa Lakshmanan, Martin Garner e Ryan Gillard mostrano come sviluppare modelli ML di computer vision accurati e spiegabili e come metterli in produzione su larga scala utilizzando una robusta architettura ML in modo flessibile e manutenibile. Imparerete a progettare, addestrare, valutare e prevedere con modelli scritti in TensorFlow/Keras. Questo libro tratta anche le migliori pratiche per migliorare l'operatività dei modelli utilizzando pipeline ML end-to-end.

Imparerete a:

⬤ Progettare architetture di ML per compiti di computer vision.

⬤ Selezionare un modello (come ResNet, SqueezeNet o EfficientNet) adatto alla propria attività.

⬤ Creare una pipeline di ML end-to-end per addestrare, valutare, distribuire e spiegare il modello.

⬤ Preelaborare le immagini per aumentare i dati e supportare l'apprendimento.

⬤ Incorporare le migliori pratiche di spiegabilità e di AI responsabile.

⬤ Distribuire i modelli di immagini come servizi web o su dispositivi edge.

⬤ Controllare e gestire i modelli di ML.