Machine learning pratico per la visione artificiale

Postfazione

Nel 1966, il professore del MIT Seymour Papert lanciò un progetto estivo per i suoi studenti. L'obiettivo finale del progetto era quello di dare un nome agli oggetti nelle immagini abbinandoli a un vocabolario di oggetti noti. Papert ha suddiviso il compito in sottoprogetti e ha previsto che il gruppo avrebbe finito in un paio di mesi. Si può dire che il Dr. Papert abbia sottovalutato un po' la complessità del problema.

Abbiamo iniziato questo libro esaminando approcci ingenui all'apprendimento automatico come le reti neurali completamente connesse che non sfruttano le caratteristiche speciali delle immagini. Nel Capitolo 2, la sperimentazione di approcci ingenui ci ha permesso di imparare come leggere le immagini e come addestrare, valutare e prevedere i modelli di apprendimento automatico.

Poi, nel Capitolo 3, abbiamo introdotto molti dei concetti innovativi - filtri rivoluzionari, livelli di max-pooling, connessioni saltate, moduli, attivazione della compressione e così via - che permettono ai moderni modelli di apprendimento automatico di funzionare bene nell'estrazione di informazioni dalle immagini. L'implementazione di questi modelli, in pratica, prevede l'utilizzo di un modello integrato di Keras o di un livello Hub di TensorFlow. Abbiamo anche trattato in dettaglio l'apprendimento per trasferimento e la messa a punto.

Nel Capitolo 4 abbiamo visto come utilizzare i modelli di computer vision trattati nel Capitolo 3 per risolvere due problemi fondamentali della ...