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

(ebook) (audiobook) (audiobook)

Promocja Przejdź

Practical Machine Learning for Computer Vision Valliappa Lakshmanan, Martin Görner, Ryan Gillard - okladka książki

Practical Machine Learning for Computer Vision Valliappa Lakshmanan, Martin Görner, Ryan Gillard - audiobook MP3

Practical Machine Learning for Computer Vision Valliappa Lakshmanan, Martin Görner, Ryan Gillard - audiobook CD

Autorzy:: Valliappa Lakshmanan, Martin Görner, Ryan Gillard
Wydawnictwo:: O'Reilly Media (Z chęcią przeczytam książkę w języku polskim)
Ocena:: Bądź pierwszym, który oceni tę książkę
Stron:: 482
Dostępne formaty:: ePub

Mobi

Ebook

237,15 zł ~~279,00 zł~~ (-15%)

29,90 zł najniższa cena z 30 dni

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

This practical book shows you how to employ machine learning models to extract information from images. ML engineers and data scientists will learn how to solve a variety of image problems including classification, object detection, autoencoders, image generation, counting, and captioning with proven ML techniques. This book provides a great introduction to end-to-end deep learning: dataset creation, data preprocessing, model design, model training, evaluation, deployment, and interpretability.

Google engineers Valliappa Lakshmanan, Martin Görner, and Ryan Gillard show you how to develop accurate and explainable computer vision ML models and put them into large-scale production using robust ML architecture in a flexible and maintainable way. You'll learn how to design, train, evaluate, and predict with models written in TensorFlow or Keras.

You'll learn how to:

Design ML architecture for computer vision tasks
Select a model (such as ResNet, SqueezeNet, or EfficientNet) appropriate to your task
Create an end-to-end ML pipeline to train, evaluate, deploy, and explain your model
Preprocess images for data augmentation and to support learnability
Incorporate explainability and responsible AI best practices
Deploy image models as web services or on edge devices
Monitor and manage ML models

Wybrane bestsellery

O autorze książki

Dr Valliappa ("Lak") Lakshmanan to ekspert łączący doświadczenie badawcze z pracą nad produktami i rozwiązaniami opartymi o chmurę oraz analitykę danych. Pełnił funkcję Director for Data Analytics and AI Solutions on Google Cloud, gdzie wraz z zespołem budował rozwiązania programistyczne dla wyzwań biznesowych, wykorzystując produkty Google Cloud z obszaru analityki danych i machine learningu.

W jego dorobku znajdują się publikacje wydane przez O'Reilly oraz kursy na Coursera, a także wkład w inicjatywy edukacyjne i wdrożeniowe. Lakshmanan współtworzył Google's Advanced Solutions Lab, a także założył program ML Immersion w ramach Advanced Solutions Lab. Zanim dołączył do Google, pracował jako Director of Data Science w Climate Corporation oraz jako Research Scientist w NOAA. Obecnie jest współzałożycielem i CTO Obin AI - startupu rozwijającego agentów AI o głębokiej specjalizacji domenowej dla finansów, gdzie odpowiada za kierunek technologiczny i naukowy oraz budowę produktu. Został także wybrany Fellow of the American Meteorological Society za prace w obszarze data science. Wśród jego nowszych tytułów znajduje się Wzorce projektowe w generatywnej AI. Sprawdzone rozwiązania przy budowie agentów i aplikacji GenAI.

Sięgając po książki Valliappy Lakshmanana, czytelnicy dostają perspektywę autora, który zna AI zarówno od strony inżynierii i wdrożeń chmurowych, jak i od strony tworzenia produktów oraz rozwiązań dla wymagających branż. Jego doświadczenia obejmują budowanie oprogramowania dla potrzeb biznesu, tworzenie programów immersyjnych z ML oraz rozwój agentów AI dla finansów. To propozycja dla praktyków: analityków danych, inżynierów ML, architektów rozwiązań oraz osób rozwijających aplikacje GenAI, które chcą oprzeć decyzje projektowe na sprawdzonych podejściach.

Jeśli interesuje Cię Valliappa Lakshmanan i chcesz poznać autora, który łączy naukowe przygotowanie (Ph.D. w Electrical and Computer Engineering na University of Oklahoma; MS w Biomedical Engineering na Ohio State University; B.Tech. z IIT Madras) z wieloletnią praktyką w organizacjach takich jak Google czy NOAA, warto śledzić jego publikacje. Sprawdź książki Valliappy Lakshmanana, w tym Wzorce projektowe w generatywnej AI. Sprawdzone rozwiązania przy budowie agentów i aplikacji GenAI, i wybierz tytuł najlepiej dopasowany do Twoich potrzeb rozwojowych.

Valliappa Lakshmanan, Martin Görner, Ryan Gillard - pozostałe książki

Promocja

All cloud architects need to know how to build data platforms that enable businesses to make data-driven decisions and deliver enterprise-wide intelligence in a fast and efficient way. This handbook shows you how to design, build, and modernize cloud native data and machine learning platforms using AWS, Azure, Google Cloud, and multicloud tools lik
- ebook
Architecting Data and Machine Learning Platforms

Marco Tranquillin, Valliappa Lakshmanan, Firat Tekiner

(29,90 zł najniższa cena z 30 dni)

203.15 zł ~~239.00 zł (-15%)~~
Promocja

Learn how easy it is to apply sophisticated statistical and machine learning methods to real-world problems when you build using Google Cloud Platform (GCP). This hands-on guide shows data engineers and data scientists how to implement an end-to-end data pipeline with cloud native tools on GCP.Throughout this updated second edition, you'll work thr
- ebook
Data Science on the Google Cloud Platform. 2nd Edition

Valliappa Lakshmanan

(29,90 zł najniższa cena z 30 dni)

211.65 zł ~~249.00 zł (-15%)~~
Promocja

Rozwiązania typowych problemów dotyczących przygotowania danych, konstruowania modeli i MLOps Wzorce projektowe opisane w tej książce obejmują najlepsze praktyki i rozwiązania powtarzalnych problemów w uczeniu maszynowym. Autorzy, troje inżynierów z firmy Google, skatalogowali sprawdzone metody, aby pomóc badaczom danych sprostać typowym problemom
- ebook
Wzorce projektowe uczenia maszynowego. Rozwiązania typowych problemów dotyczących przygotowania danych, konstruowania modeli i MLOps

Valliappa Lakshmanan, Sara Robinson, Michael Munn

(39,90 zł najniższa cena z 30 dni)

76.49 zł ~~89.99 zł (-15%)~~
Promocja

The design patterns in this book capture best practices and solutions to recurring problems in machine learning. The authors, three Google engineers, catalog proven methods to help data scientists tackle common problems throughout the ML process. These design patterns codify the experience of hundreds of experts into straightforward, approachable a
- ebook
Machine Learning Design Patterns

Valliappa Lakshmanan, Sara Robinson, Michael Munn

(29,90 zł najniższa cena z 30 dni)

177.65 zł ~~209.00 zł (-15%)~~
Bestseller Nowość Promocja

Autorzy prowadzą czytelnika przez cały proces inżynierii AI od kontrolowania stylu i formatu treści, przez integrację wiedzy zewnętrznej z zaawansowanym RAG, wzmacnianie zdolności wnioskowania, budowę niezawodnych systemów, tworzenie agentów zdolnych do działania, aż po optymalizację wdrożeń i implementację zabezpieczeń. Każdy wzorzec jest opisany według jednolitego schematu: problem, sprawdzone rozwiązanie, kompletny przykład kodu, omówienie alternatyw i kompromisów implementacyjnych. Książka łączy osiągnięcia najnowszych badań z praktycznym doświadczeniem ekspertów i dostarcza gotowe wskazówki dla osób tworzących aplikacje oparte na modelach bazowych.
- książka
- ebook
Wzorce projektowe w generatywnej AI. Sprawdzone rozwiązania przy budowie agentów i aplikacji GenAI

Valliappa Lakshmanan, Hannes Hapke

(77,40 zł najniższa cena z 30 dni)

77.40 zł ~~129.00 zł (-40%)~~
Promocja

Generative AI has the potential to innovate and evolve business processes, but workers are still figuring out how to build with, optimize, and prompt GenAI tools to fit their needs. And of course, there are pitfalls to avoid, like security risks and hallucinations. Getting it right requires an intuitive understanding of the technology's capabilitie
- ebook
Visualizing Generative AI. How AI Paints, Writes, and Assists

Priyanka Vergadia, Valliappa Lakshmanan

(29,90 zł najniższa cena z 30 dni)

109.65 zł ~~129.00 zł (-15%)~~
Promocja

Generative AI enables powerful new capabilities, but they come with some serious limitations that you'll have to tackle to ship a reliable application or agent. Luckily, experts in the field have compiled a library of 32 tried-and-true design patterns to address the challenges you're likely to encounter when building applications using LLMs, such a
- ebook
Generative AI Design Patterns. Solutions to Common Challenges When Building GenAI Agents and Applications

Valliappa Lakshmanan, Hannes Hapke

(29,90 zł najniższa cena z 30 dni)

237.15 zł ~~279.00 zł (-15%)~~
Promocja

As you move data to the cloud, you need to consider a comprehensive approach to data governance, along with well-defined and agreed-upon policies to ensure your organization meets compliance requirements. Data governance incorporates the ways people, processes, and technology work together to ensure data is trustworthy and can be used effectively.
- ebook
Data Governance: The Definitive Guide

Evren Eryurek, Uri Gilad, Valliappa Lakshmanan

(29,90 zł najniższa cena z 30 dni)

211.65 zł ~~249.00 zł (-15%)~~
Promocja

Work with petabyte-scale datasets while building a collaborative, agile workplace in the process. This practical book is the canonical reference to Google BigQuery, the query engine that lets you conduct interactive analysis of large datasets. BigQuery enables enterprises to efficiently store, query, ingest, and learn from their data in a convenien
- ebook
Google BigQuery: The Definitive Guide. Data Warehousing, Analytics, and Machine Learning at Scale

Valliappa Lakshmanan, Jordan Tigani

(29,90 zł najniższa cena z 30 dni)

177.65 zł ~~209.00 zł (-15%)~~

Ebooka "Practical Machine Learning for Computer Vision" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Booxs i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Oceny i opinie klientów: Practical Machine Learning for Computer Vision Valliappa Lakshmanan, Martin Görner, Ryan Gillard

(0)

Szczegóły książki

ISBN Ebooka:: 978-10-981-0232-6, 9781098102326
Data wydania ebooka :: 2021-07-21 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
Język publikacji:: angielski
Rozmiar pliku ePub:: 53.7MB
Rozmiar pliku Mobi:: 116MB

Zgłoś erratę
Kategorie:
Dane » Data science » Deep Learning
Dane » Data science » Machine Learning
Dane » Data science » OpenCV

Dostępność produktu

Produkt nie został jeszcze oceniony pod kątem ułatwień dostępu lub nie podano żadnych informacji o ułatwieniach dostępu lub są one niewystarczające. Prawdopodobnie Wydawca/Dostawca jeszcze nie umożliwił dokonania walidacji produktu lub nie przekazał odpowiednich informacji na temat jego dostępności.

Spis treści książki

Preface
- Who Is This Book For?
- How to Use This Book
- Organization of the Book
- Conventions Used in This Book
- Using Code Examples
- OReilly Online Learning
- How to Contact Us
- Acknowledgments
1. Machine Learning for Computer Vision
- Machine Learning
- Deep Learning Use Cases
- Summary
2. ML Models for Vision
- A Dataset for Machine Perception
  - 5-Flowers Dataset
  - Reading Image Data
  - Visualizing Image Data
  - Reading the Dataset File
- A Linear Model Using Keras
  - Keras Model
    - Prediction function
    - Activation function
    - Optimizer
    - Training loss
    - Error metrics
  - Training the Model
    - Creating the datasets
    - Creating and viewing the model
    - Fitting the model
    - Plotting predictions
- A Neural Network Using Keras
  - Neural Networks
    - Hidden layers
    - Training the neural network
    - Learning rate
    - Regularization
    - Early stopping
    - Hyperparameter tuning
  - Deep Neural Networks
    - Building a DNN
    - Dropout
    - Batch normalization
- Summary
- Glossary
3. Image Vision
- Pretrained Embeddings
  - Pretrained Model
  - Transfer Learning
  - Fine-Tuning
    - Learning rate schedule
    - Differential learning rate
- Convolutional Networks
  - Convolutional Filters
  - Stacking Convolutional Layers
  - Pooling Layers
  - AlexNet
- The Quest for Depth
  - Filter Factorization
  - 1x1 Convolutions
  - VGG19
  - Global Average Pooling
- Modular Architectures
  - Inception
  - SqueezeNet
  - ResNet and Skip Connections
  - DenseNet
  - Depth-Separable Convolutions
  - Xception
- Neural Architecture Search Designs
  - NASNet
  - The MobileNet Family
    - Depthwise convolutions
    - Inverted residual bottlenecks
    - MobileNetV2
    - EfficientNet: Putting it all together
- Beyond Convolution: The Transformer Architecture
- Choosing a Model
  - Performance Comparison
  - Ensembling
  - Recommended Strategy
- Summary
4. Object Detection and Image Segmentation
- Object Detection
  - YOLO
    - YOLO grid
    - Object detection head
    - Loss function
    - YOLO limitations
  - RetinaNet
    - Feature pyramid networks
    - Anchor boxes
    - Architecture
    - Focal loss (for classification)
    - Smooth L1 loss (for box regression)
    - Non-maximum suppression
    - Other considerations
- Segmentation
  - Mask R-CNN and Instance Segmentation
    - Region proposal networks
    - R-CNN
    - ROI resampling (ROI alignment)
    - Class and bounding box predictions
    - Transposed convolutions
    - Instance segmentation
  - U-Net and Semantic Segmentation
    - Images and labels
    - Architecture
    - Training
- Summary
5. Creating Vision Datasets
- Collecting Images
  - Photographs
  - Imaging
    - Polar grids
    - Satellite channels
    - Geospatial layers
  - Proof of Concept
- Data Types
  - Channels
    - Scaling
    - Channel order
    - Grayscale
  - Geospatial Data
    - Raster data
    - Remote sensing
  - Audio and Video
    - Spectrogram
    - Frame by frame
    - Conv3D
- Manual Labeling
  - Multilabel
  - Object Detection
- Labeling at Scale
  - Labeling User Interface
  - Multiple Tasks
  - Voting and Crowdsourcing
  - Labeling Services
- Automated Labeling
  - Labels from Related Data
  - Noisy Student
  - Self-Supervised Learning
- Bias
  - Sources of Bias
  - Selection Bias
  - Measurement Bias
  - Confirmation Bias
  - Detecting Bias
- Creating a Dataset
  - Splitting Data
  - TensorFlow Records
    - Running at scale
    - TensorFlow Recorder
  - Reading TensorFlow Records
- Summary
6. Preprocessing
- Reasons for Preprocessing
  - Shape Transformation
  - Data Quality Transformation
  - Improving Model Quality
- Size and Resolution
  - Using Keras Preprocessing Layers
  - Using the TensorFlow Image Module
  - Mixing Keras and TensorFlow
  - Model Training
- Training-Serving Skew
  - Reusing Functions
  - Preprocessing Within the Model
  - Using tf.transform
    - Writing the Beam pipeline
    - Transforming the data
    - Saving the transform
    - Reading the preprocessed data
    - Transformation during serving
    - Benefits of tf.transform
- Data Augmentation
  - Spatial Transformations
  - Color Distortion
  - Information Dropping
- Forming Input Images
- Summary
7. Training Pipeline
- Efficient Ingestion
  - Storing Data Efficiently
    - TensorFlow Records
    - Storing preprocessed data
  - Reading Data in Parallel
    - Parallelizing
    - Measuring performance
  - Maximizing GPU Utilization
    - Efficient data handling
    - Vectorization
    - Staying in the graph
      - Iteration
      - Slicing and conditionals
      - Matrix math
      - Batching
- Saving Model State
  - Exporting the Model
    - Invoking the model
    - Usable signature
    - Using the signature
  - Checkpointing
- Distribution Strategy
  - Choosing a Strategy
  - Creating the Strategy
    - MirroredStrategy
    - MultiWorkerMirroredStrategy
      - Shuffling
      - Virtual epochs
    - TPUStrategy
- Serverless ML
  - Creating a Python Package
    - Reusable modules
    - Invoking Python modules
    - Installing dependencies
  - Submitting a Training Job
    - Running on multiple GPUs
    - Distribution to multiple GPUs
    - Distribution to TPU
  - Hyperparameter Tuning
    - Specifying the search space
    - Using parameter values
    - Reporting accuracy
    - Result
    - Continuing tuning
  - Deploying the Model
- Summary
8. Model Quality and Continuous Evaluation
- Monitoring
  - TensorBoard
  - Weight Histograms
  - Device Placement
  - Data Visualization
  - Training Events
- Model Quality Metrics
  - Metrics for Classification
    - Binary classification
    - Multiclass, single-label classification
    - Multiclass, multilabel classification
  - Metrics for Regression
  - Metrics for Object Detection
- Quality Evaluation
  - Sliced Evaluations
  - Fairness Monitoring
  - Continuous Evaluation
- Summary
9. Model Predictions
- Making Predictions
  - Exporting the Model
  - Using In-Memory Models
  - Improving Abstraction
  - Improving Efficiency
- Online Prediction
  - TensorFlow Serving
    - Deploying the model
    - Making predictions
  - Modifying the Serving Function
    - Changing the default signature
    - Multiple signatures
  - Handling Image Bytes
    - Loading the model
    - Adding a prediction signature
    - Exporting signatures
    - Base64 encoding
- Batch and Stream Prediction
  - The Apache Beam Pipeline
  - Managed Service for Batch Prediction
  - Invoking Online Prediction
- Edge ML
  - Constraints and Optimizations
  - TensorFlow Lite
  - Running TensorFlow Lite
  - Processing the Image Buffer
  - Federated Learning
- Summary
10. Trends in Production ML
- Machine Learning Pipelines
  - The Need for Pipelines
  - Kubeflow Pipelines Cluster
  - Containerizing the Codebase
  - Writing a Component
  - Connecting Components
  - Automating a Run
- Explainability
  - Techniques
    - LIME
    - KernelSHAP
    - Integrated Gradients
    - xRAI
  - Adding Explainability
    - Explainability signatures
    - Explanation metadata
    - Deploying the model
    - Obtaining explanations
- No-Code Computer Vision
  - Why Use No-Code?
  - Loading Data
  - Training
  - Evaluation
- Summary
11. Advanced Vision Problems
- Object Measurement
  - Reference Object
  - Segmentation
  - Rotation Correction
  - Ratio and Measurements
- Counting
  - Density Estimation
  - Extracting Patches
  - Simulating Input Images
  - Regression
  - Prediction
- Pose Estimation
  - PersonLab
  - The PoseNet Model
  - Identifying Multiple Poses
- Image Search
  - Distributed Search
  - Fast Search
  - Better Embeddings
- Summary
12. Image and Text Generation
- Image Understanding
  - Embeddings
  - Auxiliary Learning Tasks
  - Autoencoders
    - Architecture
    - Training
    - Latent vectors
  - Variational Autoencoders
    - Architecture
    - Loss
- Image Generation
  - Generative Adversarial Networks
    - Creating the networks
    - Discriminator training
    - Generator training
    - Distribution changes
  - GAN Improvements
    - Conditional GANs
      - The cGAN generator
      - The cGAN discriminator
  - Image-to-Image Translation
  - Super-Resolution
  - Modifying Pictures (Inpainting)
  - Anomaly Detection
  - Deepfakes
- Image Captioning
  - Dataset
  - Tokenizing the Captions
  - Batching
  - Captioning Model
    - Image encoder
    - Attention mechanism
    - Caption decoder
  - Training Loop
  - Prediction
- Summary
Afterword
Index