- Main
- Computers - Artificial Intelligence (AI)
- Practical Machine Learning for Computer...
Practical Machine Learning for Computer Vision: End-to-End Machine Learning for Images
Valliappa Lakshmanan, Martin Görner, Ryan GillardΠόσο σας άρεσε αυτό το βιβλίο;
Ποια είναι η ποιότητα του ληφθέντος αρχείου;
Κατεβάστε το βιβλίο για να αξιολογήσετε την ποιότητά του
Ποια είναι η ποιότητα των ληφθέντων αρχείων;
This practical book shows you how to employ machine learning models to extract information from images. ML engineers and data scientists will learn how to solve a variety of image problems including classification, object detection, autoencoders, image generation, counting, and captioning with proven ML techniques. This book provides a great introduction to end-to-end deep learning: dataset creation, data preprocessing, model design, model training, evaluation, deployment, and interpretability.
Google engineers Valliappa Lakshmanan, Martin Görner, 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 or Keras.
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
Google engineers Valliappa Lakshmanan, Martin Görner, 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 or Keras.
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
Κατηγορίες:
Έτος:
2021
Έκδοση:
1
Εκδότης:
O'Reilly Media
Γλώσσα:
english
Σελίδες:
481
ISBN 10:
1098102363
ISBN 13:
9781098102364
ISBN:
B09B164FBM
Αρχείο:
PDF, 56.15 MB
Οι ετικέτες (tags) σας:
IPFS:
CID , CID Blake2b
english, 2021
Διαβάστε online
- Κατεβάστε
- pdf 56.15 MB Current page
- Checking other formats...
- Μετατροπή σε
- Ξεμπλοκάρετε τη μετατροπή αρχείων μεγαλύτερων από 8 MB Premium
Θέλετε να προσθέσετε βιβλιοπωλείο; Επικοινωνήστε μαζί μας στο support@z-lib.do
Το αρχείο θα παραδοθεί στο email σας εντός 1-5 λεπτών.
Το αρχείο θα παραδοθεί στον λογαριασμό σας στο Telegram εντός 1-5 λεπτών.
Προσοχή: Βεβαιωθείτε ότι έχετε συνδέσει τον λογαριασμό σας με το Z-Library Telegram bot.
Μέσα σε 1-5 λεπτά το αρχείο θα παραδοθεί στη συσκευή σας Kindle.
Παρακαλώ σημειώστε: Πρέπει να επαληθεύετε κάθε βιβλίο που στέλνετε στο Kindle σας. Ελέγξτε εάν στα εισερχόμενα μηνύματα στη διεύθυνση του ηλεκτρονικού ταχυδρομείου σας υπάρχει το μήνυμα επαλήθευσης από το Amazon Kindle Support.
Η μετατροπή σε βρίσκεται σε εξέλιξη
Η μετατροπή σε απέτυχε
Πλεονεκτήματα της premium συνδρομής
- Αποστολή σε e-readers
- Αυξημένο όριο λήψης
- Μετατροπή αρχείων
- Περισσότερα αποτελέσματα αναζήτησης
- Λοιπά πλεονεκτήματα