Machine learning pratico per la visione artificiale

Questo libro ti spiega come usare i modelli di machine learning per estrarre informazioni dalle immagini. Gli ingegneri ML e i data scientist impareranno a risolvere un sacco di problemi legati alle immagini, come la classificazione, il rilevamento di oggetti, gli autoencoder, la generazione di immagini, il conteggio e la didascalia, usando tecniche ML collaudate. Questo libro offre un'ottima introduzione al deep learning end-to-end: creazione di set di dati, pre-elaborazione dei dati, progettazione di modelli, addestramento dei modelli, valutazione, implementazione e interpretabilità.

Gli ingegneri di Google Valliappa Lakshmanan, Martin Görner e Ryan Gillard ti mostrano come sviluppare modelli ML di visione artificiale accurati e spiegabili e metterli in produzione su larga scala utilizzando un'architettura ML robusta in modo flessibile e facile da mantenere. Imparerai a progettare, addestrare, valutare e prevedere con modelli scritti in TensorFlow o Keras.

Imparerai a:

• Progettare un'architettura ML per attività di visione artificiale
• Scegliere un modello (come ResNet, SqueezeNet o EfficientNet) adatto al tuo compito
• Creare una pipeline ML end-to-end per addestrare, valutare, implementare e spiegare il tuo modello
• Pre-elaborare le immagini per l'aumento dei dati e per supportare l'apprendibilità
• Incorporare la spiegabilità e le migliori pratiche di IA responsabile
• Distribuisci modelli di immagini come servizi web o su dispositivi edge
• Monitora e gestisci i modelli ML