Bewertung:
Das Buch ist eine hochgelobte Ressource sowohl für Anfänger als auch für erfahrene Praktiker auf dem Gebiet des maschinellen Sehens und Lernens. Es bietet eine umfassende Abdeckung von theoretischem Wissen, praktischen Tipps und praktischen Beispielen, was es zu einem wertvollen Hilfsmittel für das Erlernen und die Weiterentwicklung von Fähigkeiten in der Bildanalyse und dem Einsatz von Modellen macht.
Vorteile:Detaillierte Erklärungen, praktische Ratschläge, deckt grundlegende bis fortgeschrittene Themen ab, übersichtliche Gliederung der Kapitel, enthält zahlreiche Beispiele und praktische Kodierung, gut geeignet für verschiedene Kenntnisstufen, gut strukturiert für das Verständnis von ML-Anwendungen im Lebenslauf, bietet Einblicke von erfahrenen Autoren.
Nachteile:⬤ Bilder und Abbildungen sind in schwarz-weiß, was einige als enttäuschend empfanden
⬤ als teuer empfunden
⬤ einige Benutzer hatten Probleme mit der Codeausführung aufgrund von Inkonsistenzen
⬤ einige bemerkten einen Mangel an Gründlichkeit bei Anwendungen auf Produktionsebene.
(basierend auf 15 Leserbewertungen)
Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images
Durch den Einsatz von Modellen des maschinellen Lernens zur Extraktion von Informationen aus Bildern erzielen Unternehmen heute einen Durchbruch im Gesundheitswesen, in der Fertigung, im Einzelhandel und in anderen Branchen. Dieses praktische Buch zeigt ML-Ingenieuren und Datenwissenschaftlern, wie sie eine Vielzahl von Bildproblemen wie Klassifizierung, Objekterkennung, Auto-Encoder, Bilderzeugung, Zählung und Beschriftung mit bewährten ML-Techniken lösen können.
Die Google-Ingenieure Valliappa Lakshmanan, Martin Garner und Ryan Gillard zeigen Ihnen, wie Sie genaue und erklärbare ML-Modelle für die Computer-Vision entwickeln und sie mit einer robusten ML-Architektur auf flexible und wartbare Weise in großem Maßstab einsetzen können. Sie werden lernen, wie man Modelle, die in TensorFlow/Keras geschrieben wurden, entwirft, trainiert, evaluiert und vorhersagt. Dieses Buch deckt auch Best Practices ab, um die Operationalisierung der Modelle mit End-to-End-ML-Pipelines zu verbessern.
Sie lernen, wie man:
⬤ Entwerfen Sie eine ML-Architektur für Computer Vision Aufgaben.
⬤ Wählen Sie ein Modell (wie ResNet, SqueezeNet oder EfficientNet), das für Ihre Aufgabe geeignet ist.
⬤ eine durchgängige ML-Pipeline zu erstellen, um Ihr Modell zu trainieren, zu bewerten, einzusetzen und zu erklären.
⬤ Vorverarbeitung von Bildern zur Datenerweiterung und zur Unterstützung der Lernfähigkeit.
⬤ Erklärbarkeit und verantwortungsvolle KI-Best-Practices einbeziehen.
⬤ Bereitstellen von Bildmodellen als Webdienste oder auf Edge-Geräten.
⬤ Überwachen und verwalten Sie ML-Modelle.
| ISBN: | 9781098102364 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 350 |
Derzeit verfügbar, auf Lager.
