電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)

Valliappa Lakshmanan, Martin Görner, Ryan Gillard 楊新章 譯

  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-1
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-2
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-3
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-4
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-5
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-6
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-7
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-8
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-9
  • 電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-10
電腦視覺機器學習實務|建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)-preview-1

買這商品的人也買了...

相關主題

商品描述

「本書全面介紹深度電腦視覺的最先進作法,在Keras中建構端到端生產系統,提供經過實戰檢驗的最佳實務解決方案。」
—François Chollet
深度學習研究者和Keras創造者

這本實用指南向您展示了如何使用機器學習模型從影像中淬取資訊。ML工程師和資料科學家將會學習經過驗證的ML技術來解決各種影像問題,包括分類、物件偵測、自編碼器、影像產生、計數和圖說產生。本書卓越的介紹了端到端深度學習:資料集建立、資料前置處理、模型設計、模型訓練、評估、部署和可解釋性。

Google工程師Valliappa Lakshmanan、Martin Görner和Ryan Gillard向您展示了如何開發準確且可解釋的電腦視覺ML模型,並使用強大的ML架構以靈活且可維護的方式將它們投入大規模生產。您將學習如何使用以TensorFlow和Keras編寫的模型進行設計、訓練、評估和預測。

您將學習如何:
‧為電腦視覺任務設計機器學習架構
‧選擇適合您的任務的模型(例如ResNet、SqueezeNet或EfficientNet)
‧建立端到端ML生產線來訓練、評估、部署和解釋您的模型
‧前置處理影像以進行資料擴增進行並支援可學習性
‧納入可解釋性和負責任的AI的最佳實務
‧將影像模型部署為Web服務或在邊緣設備上
‧監控和管理機器學習模型

 

作者簡介

Valliappa(Lak) Lakshmanan 是Google Cloud分析和人工智慧解決方案總監,所領導的團隊專為業務問題建構跨產業的解決方案

Martin Görner 是Keras/TensorFlow產品經理,專注於改善使用最先進模型時的開發人員體驗

Ryan Gillard 是Google Cloud Professional Services組織AI工程師,為各種產業建構ML模型,職業生涯始於醫院和醫療保健業的研究科學家

目錄大綱

前言
第1章 電腦視覺之機器學習
第2章 視覺機器學習模型
第3章 影像視覺
第4章 物件偵測與影像分割
第5章 建立視覺資料集
第6章 前置處理
第7章 訓練生產線
第8章 模型品質和持續評估
第9章 模型預測
第10章 生產 ML 的趨勢
第11章 進階視覺問題
第12章 影像和文本產生
後記
索引