Aprendizaje automático práctico para visión por ordenador: Aprendizaje automático de extremo a extremo para imágenes

Opiniones de los lectores

El libro es un recurso muy elogiado tanto para principiantes como para profesionales experimentados en el campo de la visión por computador y el aprendizaje automático. Ofrece una cobertura completa de conocimientos teóricos, consejos prácticos y ejemplos prácticos, lo que lo convierte en un valioso recurso para aprender y avanzar en las habilidades de análisis de imágenes y despliegue de modelos.

Explicaciones detalladas, consejos prácticos, cubre temas desde fundamentales hasta avanzados, disposición clara de los capítulos, incluye numerosos ejemplos y codificación práctica, bueno para varios niveles de experiencia, bien estructurado para entender las aplicaciones de ML en CV, ofrece ideas de autores experimentados.

⬤ Las imágenes y figuras están en blanco y negro, lo que algunos encontraron decepcionante
⬤ percibido como caro
⬤ unos pocos usuarios experimentaron problemas con la ejecución del código debido a inconsistencias
⬤ algunos notaron falta de rigor en aplicaciones a nivel de producción.

(basado en 15 opiniones de lectores)

Título original:

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

Contenido del libro:

Mediante el uso de modelos de aprendizaje automático para extraer información de las imágenes, las organizaciones de hoy en día están haciendo grandes avances en la asistencia sanitaria, la fabricación, el comercio minorista y otras industrias. Este libro práctico muestra a los ingenieros de ML y científicos de datos cómo resolver una variedad de problemas de imagen, incluyendo la clasificación, detección de objetos, autoencoders, generación de imágenes, recuento y subtítulos con técnicas de ML probadas.

Los ingenieros de Google Valliappa Lakshmanan, Martin Garner y Ryan Gillard le muestran cómo desarrollar modelos ML de visión por ordenador precisos y explicables y ponerlos en producción a gran escala utilizando una arquitectura ML robusta de forma flexible y mantenible. Aprenderá a diseñar, entrenar, evaluar y predecir con modelos escritos en TensorFlow/Keras. Este libro también cubre las mejores prácticas para mejorar la operacionalización de los modelos utilizando tuberías ML de extremo a extremo.

Aprenderá a:

⬤ Diseñar la arquitectura ML para tareas de visión por computador.

⬤ Seleccionar un modelo (como ResNet, SqueezeNet o EfficientNet) apropiado para su tarea.

⬤ Crear un proceso de ML de extremo a extremo para entrenar, evaluar, desplegar y explicar su modelo.

⬤ Preprocesar imágenes para aumentar los datos y facilitar el aprendizaje.

⬤ Incorporar la explicabilidad y las mejores prácticas de IA responsable.

⬤ Desplegar modelos de imagen como servicios web o en dispositivos periféricos.

⬤ Monitorizar y gestionar modelos ML.