Bewertung:

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 4 Stimmen.
Practical Computer Vision Applications Using Deep Learning with Cnns: With Detailed Examples in Python Using Tensorflow and Kivy
Einsatz von Deep-Learning-Anwendungen in der Produktion auf mehreren Plattformen. Sie werden an Computer-Vision-Anwendungen arbeiten, die das Deep-Learning-Modell des Convolutional Neural Network (CNN) und Python verwenden. Dieses Buch beginnt mit der Erläuterung der traditionellen Machine-Learning-Pipeline, bei der Sie einen Bilddatensatz analysieren werden. Auf dem Weg dorthin werden Sie künstliche neuronale Netze (ANNs) kennenlernen, die Sie in Python von Grund auf neu aufbauen, bevor Sie sie mit genetischen Algorithmen optimieren.
Um den Prozess zu automatisieren, zeigt das Buch die Grenzen der traditionellen, von Hand erstellten Merkmale für die Computer Vision auf und erklärt, warum das CNN Deep-Learning-Modell die modernste Lösung ist. CNNs werden von Grund auf besprochen, um zu zeigen, wie sie sich von vollständig verbundenen ANNs (FCNN) unterscheiden und effizienter sind als diese. Sie werden ein CNN in Python implementieren, um ein umfassendes Verständnis des Modells zu erlangen.
Nachdem Sie die Grundlagen gefestigt haben, werden Sie TensorFlow verwenden, um ein praktisches Bilderkennungsmodell zu erstellen, das Sie mit Flask auf einem Webserver bereitstellen werden, um es über das Internet zugänglich zu machen. Mit Kivy und NumPy erstellen Sie plattformübergreifende Data-Science-Anwendungen mit geringem Overhead.
Dieses Buch hilft Ihnen, Deep Learning- und Computer Vision-Konzepte von Grund auf anzuwenden, Schritt für Schritt von der Konzeption bis zur Produktion.
Was Sie lernen werden
⬤ .
⬤ Verstehen, wie ANNs und CNNs funktionieren.
⬤ Erstellen von Computer-Vision-Anwendungen und CNNs von Grund auf mit Python.
⬤ Verfolgen Sie ein Deep-Learning-Projekt von der Konzeption bis zur Produktion mit TensorFlow.
⬤ Verwenden Sie NumPy mit Kivy, um plattformübergreifende Data-Science-Anwendungen zu erstellen.
Für wen dieses Buch gedacht istDatenwissenschaftler, Ingenieure für maschinelles Lernen und Deep Learning, Softwareentwickler.