دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images
دانلود کتاب یادگیری ماشینی عملی برای کامپیوتر ویژن: یادگیری ماشینی پایان به انتها برای تصاویر
مشخصات کتاب
Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images
ویرایش: نویسندگان: Valliappa Lakshmanan, Martin Görner, Ryan Gillard سری: ISBN (شابک) : 1098102363, 9781098102364 ناشر: O'Reilly Media, Inc, USA سال نشر: 2021 تعداد صفحات: 350 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 53 Mb
قیمت کتاب (تومان) : 54,000
در صورت تبدیل فایل کتاب Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشینی عملی برای کامپیوتر ویژن: یادگیری ماشینی پایان به انتها برای تصاویر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری ماشینی عملی برای کامپیوتر ویژن: یادگیری ماشینی پایان به انتها برای تصاویر
امروزه سازمان‌ها با استفاده از مدل‌های یادگیری ماشین برای استخراج اطلاعات از تصاویر، پیشرفت‌هایی در بخش مراقبت‌های بهداشتی، تولید، خرده‌فروشی و سایر صنایع ایجاد می‌کنند. این کتاب عملی به مهندسان ML و دانشمندان داده نشان می‌دهد که چگونه می‌توانند انواع مختلفی از مسائل تصویر از جمله طبقه‌بندی، تشخیص اشیا، رمزگذارهای خودکار، تولید تصویر، شمارش و نوشتن شرح را با تکنیک‌های اثبات‌شده ML حل کنند. مهندسان Google Valliappa Lakshmanan، Martin Garner و Ryan Gillard به شما نشان می‌دهند که چگونه مدل‌های ML بینایی کامپیوتری دقیق و قابل توضیح را توسعه دهید و آنها را با استفاده از معماری قوی ML به روشی انعطاف‌پذیر و قابل نگهداری در تولید در مقیاس بزرگ قرار دهید. شما یاد خواهید گرفت که چگونه با مدل های نوشته شده در TensorFlow/Keras طراحی، آموزش، ارزیابی و پیش بینی کنید. این کتاب همچنین بهترین شیوه‌ها را برای بهبود عملیاتی کردن مدل‌ها با استفاده از خطوط لوله ML سرتاسر پوشش می‌دهد. شما یاد خواهید گرفت که چگونه: طراحی معماری ML برای وظایف بینایی کامپیوتری انتخاب یک مدل (مانند ResNet، SqueezeNet، یا EfficientNet) متناسب با وظیفه خود ایجاد یک خط لوله ML سرتاسر برای آموزش، ارزیابی، استقرار و توضیح خود مدل پیش پردازش تصاویر برای تقویت داده ها و پشتیبانی از قابلیت یادگیری گنجاندن توضیح پذیری و بهترین شیوه های هوش مصنوعی مسئول استقرار مدل های تصویر به عنوان خدمات وب یا در دستگاه های لبه نظارت و مدیریت مدل های ML
توضیحاتی درمورد کتاب به خارجی
By using machine learning models to extract information from images, organizations today are making breakthroughs in healthcare, manufacturing, retail, and other industries. This practical book shows ML engineers and data scientists how to solve a variety of image problems including classification, object detection, autoencoders, image generation, counting, and captioning with proven ML techniques. Google engineers Valliappa Lakshmanan, Martin Garner, and Ryan Gillard show you how to develop accurate and explainable computer vision ML models and put them into large-scale production using robust ML architecture in a flexible and maintainable way. You'll learn how to design, train, evaluate, and predict with models written in TensorFlow/Keras. This book also covers best practices to improve the operationalization of the models using end-to-end ML pipelines. You'll learn how to: Design ML architecture for computer vision tasks Select a model (such as ResNet, SqueezeNet, or EfficientNet) appropriate to your task Create an end-to-end ML pipeline to train, evaluate, deploy, and explain your model Preprocess images for data augmentation and to support learnability Incorporate explainability and responsible AI best practices Deploy image models as web services or on edge devices Monitor and manage ML models
