Apprentissage automatique pratique pour la vision par ordinateur

Ce livre pratique te montre comment employer des modèles d'apprentissage automatique pour extraire des informations des images. Les ingénieurs ML et les data scientists apprendront à résoudre divers problèmes liés aux images, notamment la classification, la détection d'objets, les autoencodeurs, la génération d'images, le comptage et le sous-titrage grâce à des techniques ML éprouvées. Ce livre constitue une excellente introduction au deep learning de bout en bout : création de jeux de données, prétraitement des données, conception de modèles, entraînement de modèles, évaluation, déploiement et interprétabilité.

Les ingénieurs de Google Valliappa Lakshmanan, Martin Görner et Ryan Gillard te montrent comment développer des modèles ML de vision par ordinateur précis et explicables et les mettre en production à grande échelle en utilisant une architecture ML robuste de manière flexible et maintenable. Tu apprendras à concevoir, former, évaluer et prédire avec des modèles écrits en TensorFlow ou Keras.

Tu apprendras à :

• Concevoir une architecture ML pour les tâches de vision par ordinateur.
• Sélectionner un modèle (tel que ResNet, SqueezeNet, ou EfficientNet) approprié à ta tâche.
• Créer un pipeline de ML de bout en bout pour former, évaluer, déployer et expliquer ton modèle.
• Prétraiter les images pour augmenter les données et favoriser l'apprentissage.
• Incorporer les meilleures pratiques en matière d'explicabilité 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