计算机视觉中的实用机器学习

这本实用书籍向您展示了如何运用机器学习模型从图像中提取信息。机器学习工程师和数据科学家将学习如何运用成熟的机器学习技术解决各种图像问题，包括分类、对象检测、自编码器、图像生成、计数和标题添加。本书对端到端深度学习进行了精彩介绍：数据集创建、数据预处理、模型设计、模型训练、评估、部署和可解释性。

Google 工程师 Valliappa Lakshmanan、Martin Görner 和 Ryan Gillard 将向您展示如何开发准确且可解释的计算机视觉机器学习模型，并使用强大的机器学习架构以灵活且易于维护的方式将其投入大规模生产。您将学习如何使用 TensorFlow 或 Keras 编写的模型进行设计、训练、评估和预测。

您将学习如何：

• 设计适用于计算机视觉任务的机器学习架构
• 选择适合任务的模型（如 ResNet、SqueezeNet 或 EfficientNet）
• 创建端到端机器学习管道，用于训练、评估、部署和解释模型
• 对图像进行预处理以支持数据增强和可学习性
• 整合可解释性和负责任的AI最佳实践
• 将图像模型部署为网络服务或边缘设备
• 监控和管理机器学习模型