Praktisches maschinelles Lernen für Computer Vision

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com Dieses praktische Buch zeigt dir, wie du maschinelle Lernmodelle einsetzt, um Informationen aus Bildern zu extrahieren. ML-Ingenieure und Datenwissenschaftler lernen, wie sie eine Vielzahl von Bildproblemen wie Klassifizierung, Objekterkennung, Auto-Encoder, Bilderzeugung, Zählung und Beschriftung mit bewährten ML-Techniken lösen können. Dieses Buch bietet eine hervorragende Einführung in das Deep Learning: Datensatzerstellung, Datenvorverarbeitung, Modelldesign, Modelltraining, Evaluierung, Einsatz und Interpretierbarkeit. Die Google-Ingenieure Valliappa Lakshmanan, Martin Görner und Ryan Gillard zeigen dir, wie du genaue und erklärbare Computer-Vision-ML-Modelle entwickelst und sie mit einer robusten ML-Architektur flexibel und wartbar in die Massenproduktion bringst. Du lernst, wie du Modelle, die in TensorFlow oder Keras geschrieben wurden, entwirfst, trainierst, auswertest und vorhersagst. Du lernst, wie du: ML-Architekturen für Computer Vision Aufgaben zu entwerfen ein Modell (wie ResNet, SqueezeNet oder EfficientNet) auszuwählen, das für deine Aufgabe geeignet ist Erstelle eine durchgängige ML-Pipeline, um dein Modell zu trainieren, zu bewerten, einzusetzen und zu erklären Verarbeite Bilder zur Datenerweiterung und zur Unterstützung der Lernfähigkeit Erklärbarkeit und verantwortungsvolle KI-Best Practices einbeziehen Bereitstellung von Bildmodellen als Webservices oder auf Endgeräten ML-Modelle überwachen und verwalten