Avis des lecteurs
Résumé:Ce livre est une ressource très appréciée des débutants et des praticiens expérimentés dans le domaine de la vision par ordinateur et de l'apprentissage automatique. Il offre une couverture complète des connaissances théoriques, des conseils pratiques et des exemples concrets, ce qui en fait un atout précieux pour l'apprentissage et l'amélioration des compétences en matière d'analyse d'images et de déploiement de modèles.
Avantages:Explications détaillées, conseils pratiques, couvre des sujets fondamentaux à avancés, présentation claire des chapitres, inclut de nombreux exemples et du codage pratique, convient à différents niveaux d'expertise, bien structuré pour comprendre les applications de ML dans CV, offre des idées d'auteurs expérimentés.
Inconvénients:⬤ Les images et les figures sont en noir et blanc, ce que certains ont trouvé décevant
⬤ perçu comme coûteux
⬤ quelques utilisateurs ont rencontré des problèmes avec l'exécution du code en raison d'incohérences
⬤ certains ont noté un manque d'exhaustivité sur les applications de niveau production.
(basé sur 15 avis de lecteurs)
Titre original :
Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images
Contenu du livre :
En utilisant des modèles d'apprentissage automatique pour extraire des informations des images, les organisations réalisent aujourd'hui des percées dans les domaines de la santé, de la fabrication, de la vente au détail et d'autres industries. Ce livre pratique montre aux ingénieurs en ML et aux data scientists comment résoudre une variété de problèmes d'images, y compris la classification, la détection d'objets, les autoencodeurs, la génération d'images, le comptage et le sous-titrage à l'aide de techniques ML éprouvées.
Les ingénieurs de Google Valliappa Lakshmanan, Martin Garner et Ryan Gillard vous montrent comment développer des modèles ML de vision par ordinateur précis et explicables et les mettre en production à grande échelle à l'aide d'une architecture ML robuste, de manière flexible et maintenable. Vous apprendrez à concevoir, entraîner, évaluer et prédire avec des modèles écrits en TensorFlow/Keras. Ce livre couvre également les meilleures pratiques pour améliorer l'opérationnalisation des modèles en utilisant des pipelines ML de bout en bout.
Vous apprendrez à :
⬤ Concevoir une architecture ML pour les tâches de vision par ordinateur.
⬤ Sélectionner un modèle (tel que ResNet, SqueezeNet, ou EfficientNet) approprié à votre tâche.
⬤ Créer un pipeline de ML de bout en bout pour entraîner, évaluer, déployer et expliquer votre modèle.
⬤ Prétraiter les images pour augmenter les données et favoriser l'apprentissage.
⬤ Incorporer les meilleures pratiques en matière d'explication et d'IA responsable.
⬤ Déployer des modèles d'images en tant que services Web ou sur des appareils périphériques.
⬤ Surveiller et gérer les modèles de ML.
Autres informations sur le livre :
| ISBN : | 9781098102364 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 350 |
Achat:
Actuellement disponible, en stock.
