Practical Machine Learning for Computer Vision av Valliappa Lakshmanan, Martin Goerner, Ryan Gillard

Denne praktiske boken gir en innføring i hvordan man kan bruke maskinlæringsmodeller for å hente inn informasjon fra bilder. Boken retter seg mot ML-ingeniører og datavitere som ønsker å løse en rekke bildeproblemer, inkludert klassifisering, objektgjenkjenning, autoenkodere, bildeproduksjon, telling og bildeteksting ved hjelp av velprøvde ML-teknikker. Her får leseren en grundig innføring i hele prosessen med dyp læring, fra opprettelse av datasett og databehandling til modellutforming, modelltrening, evaluering, distribusjon og tolkning. Forfatterne, som er ingeniører hos Google, Valliappa Lakshmanan, Martin Goerner, og Ryan Gillard, viser hvordan man kan utvikle nøyaktige og forklarlige maskinlæringsmodeller for datamaskinsyn og implementere disse i stor skala ved hjelp av en robust ML-arkitektur som er både fleksibel og vedlikeholdbar. Du vil lære å designe, trene, evaluere og forutsi med modeller skrevet i TensorFlow eller Keras. Enkelte emner som dekkes inkluderer: hvordan designe ML-arkitektur for oppgaver innen datamaskinsyn og hvordan velge en passende modell, som for eksempel ResNet, SqueezeNet eller EfficientNet.