利用实用的、循序渐进的方法运用计算机视觉和机器学习概念开发商业和工业应用。

这本书包括四个主要部分,从设置编程环境开始。第1节介绍了图像和视频处理的基础知识,并提供了如何操作和从图像中提取有用信息的代码示例。您将主要使用OpenCV和Python来处理本节中的示例。

第2节描述机器学习和神经网络的概念应用于计算机视觉。你将学习神经网络的不同算法,比如convolutional neural network (CNN), region-based convolutional neural network (R-CNN), YOLO。在本节中,您还将学习如何训练、调整和管理计算机视觉的神经网络。第3节提供了逐步发展商业和工业应用的例子,如视频监控中的面部识别和制造中的表面缺陷检测。

最后一部分是关于在云基础设施(如Amazon AWS、谷歌云平台和Microsoft Azure)上训练大量图像的神经网络。它引导您完成在基于gpu的云基础设施上为计算机视觉训练分布式神经网络的过程。当您读完《使用人工神经网络构建计算机视觉应用程序》并完成代码示例时,您将开发出一些使用深度学习的计算机视觉的真实使用案例。

你将学到什么

  • 运用图像处理、操作和特征提取技术
  • 处理计算机视觉的各种深度学习算法
  • 训练、管理和调优CNNs和对象检测模型的超参数,如R-CNN、SSD、YOLO
  • 使用Keras和TensorFlow建立神经网络模型
  • 发现在商业和工业中实施计算机视觉应用的最佳实践
  • 在基于gpu的云基础设施上训练分布式模型

这本书是给谁的

  • 具有Python编程知识的数据科学家、分析师、机器学习和软件工程专业人员。
成为VIP会员查看完整内容
1
50

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

使用高级架构开发和优化深度学习模型。这本书教你错综复杂的细节和微妙的算法,是卷积神经网络的核心。在高级应用深度学习中,您将学习CNN的高级主题和使用Keras和TensorFlow的对象检测。

在此过程中,您将了解CNN中的基本操作,如卷积和池化,然后了解更高级的架构,如inception networks、resnets等等。当这本书讨论理论主题时,你会发现如何有效地与Keras工作,其中有许多技巧和提示,包括如何用自定义回调类自定义Keras登录,什么是迫切执行,以及如何在你的模型中使用它。最后,您将学习对象检测是如何工作的,并在Keras和TensorFlow中构建YOLO(只查看一次)算法的完整实现。在书的最后,你将实现各种各样的模型在Keras和学习许多高级技巧,将把你的技能到下一个水平。

你将学到什么

  • 看看卷积神经网络和目标检测是如何工作的
  • 在磁盘上的权值和模型
  • 暂停训练,在稍后的阶段重新开始
  • 在代码中使用硬件加速
  • 使用数据集TensorFlow抽象和使用预先训练的模型和迁移学习
  • 删除和添加层到预先训练的网络,使其适应您的特定项目
  • 将预先训练好的模型(如Alexnet和VGG16)应用到新的数据集

这本书是给谁的

  • 拥有中级到高级Python和机器学习技能的科学家和研究人员。此外,还需要Keras和TensorFlow的中级知识。
成为VIP会员查看完整内容
0
42

使用Python进行计算机视觉的深度学习将使您成为计算机视觉和视觉识别任务的深度学习专家。

在书中,我们将重点学习:

  • 神经网络和机器学习
  • 卷积神经网络(CNNs)
  • 目标检测/定位与深度学习
  • 训练大型(图像级)网络
  • 掌握使用Python编程语言和Keras、TensorFlow 2.0和mxnet深度学习库的实现

在用Python进行了计算机视觉的深度学习之后,您将能够用深度学习解决实际问题。

下载地址:链接: https://pan.baidu.com/s/1I8r-Vjvv4n8v-6t_5I679g 提取码: j69b

成为VIP会员查看完整内容
0
91

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
103

掌握通过机器学习和深度学习识别和解决复杂问题的基本技能。使用真实世界的例子,利用流行的Python机器学习生态系统,这本书是你学习机器学习的艺术和科学成为一个成功的实践者的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会您如何成功地思考、设计、构建和执行机器学习系统和项目。

使用Python进行的实际机器学习遵循结构化和全面的三层方法,其中包含了实践示例和代码。

第1部分侧重于理解机器学习的概念和工具。这包括机器学习基础,对算法、技术、概念和应用程序的广泛概述,然后介绍整个Python机器学习生态系统。还包括有用的机器学习工具、库和框架的简要指南。

第2部分详细介绍了标准的机器学习流程,重点介绍了数据处理分析、特征工程和建模。您将学习如何处理、总结和可视化各种形式的数据。特性工程和选择方法将详细介绍真实数据集,然后是模型构建、调优、解释和部署。

第3部分探讨了多个真实世界的案例研究,涵盖了零售、交通、电影、音乐、营销、计算机视觉和金融等不同领域和行业。对于每个案例研究,您将学习各种机器学习技术和方法的应用。动手的例子将帮助您熟悉最先进的机器学习工具和技术,并了解什么算法最适合任何问题。

实用的机器学习与Python将授权您开始解决您自己的问题与机器学习今天!

你将学习:

  • 执行端到端机器学习项目和系统
  • 使用行业标准、开放源码、健壮的机器学习工具和框架实现实践示例
  • 回顾描述机器学习和深度学习在不同领域和行业中的应用的案例研究
  • 广泛应用机器学习模型,包括回归、分类和聚类。
  • 理解和应用深度学习的最新模式和方法,包括CNNs、RNNs、LSTMs和transfer learning。

这本书是给谁看的 IT专业人士、分析师、开发人员、数据科学家、工程师、研究生

目录:

Part I: Understanding Machine Learning

  • Chapter 1: Machine Learning Basics
  • Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
  • Chapter 3: Processing, Wrangling and Visualizing Data
  • Chapter 4: Feature Engineering and Selection
  • Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
  • Chapter 6: Analyzing Bike Sharing Trends
  • Chapter 7: Analyzing Movie Reviews Sentiment
  • Chapter 8: Customer Segmentation and Effective Cross Selling
  • Chapter 9: Analyzing Wine Types and Quality
  • Chapter 10: Analyzing Music Trends and Recommendations
  • Chapter 11: Forecasting Stock and Commodity Prices

Chapter 12: Deep Learning for Computer Vision

成为VIP会员查看完整内容
0
66

这本书在对算法工作原理的高层次理解和对优化模型的具体细节的了解之间找到一个平衡点。这本书将给你的信心和技能时,开发所有主要的机器学习模型。在这本Pro机器学习算法中,您将首先在Excel中开发算法,以便在用Python/R实现模型之前,实际了解可以在模型中调优的所有细节。

你将涵盖所有主要的算法:监督和非监督学习,其中包括线性/逻辑回归;k - means聚类;主成分分析;推荐系统;决策树;随机森林;“GBM”;和神经网络。您还将通过CNNs、RNNs和word2vec等文本挖掘工具了解最新的深度学习。你不仅要学习算法,还要学习特征工程的概念来最大化模型的性能。您将看到该理论与案例研究,如情绪分类,欺诈检测,推荐系统,和图像识别,以便您得到最佳的理论和实践为工业中使用的绝大多数机器学习算法。在学习算法的同时,您还将接触到在所有主要云服务提供商上运行的机器学习模型。

你会学到什么?

  • 深入了解所有主要的机器学习和深度学习算法
  • 充分理解在构建模型时要避免的陷阱
  • 在云中实现机器学习算法
  • 通过对每种算法的案例研究,采用动手实践的方法
  • 学习集成学习的技巧,建立更精确的模型
  • 了解R/Python编程的基础知识和Keras深度学习框架

这本书是给谁看的

希望转换到数据科学角色的业务分析师/ IT专业人员。想要巩固机器学习知识的数据科学家。

成为VIP会员查看完整内容
0
71

简介:

使用Python、OpenCV库构建计算机视觉的实际应用程序。这本书讨论了不同方面的计算机视觉,如图像和对象检测,跟踪和运动分析及其应用实例。作者首先介绍了计算机视觉,然后使用Python从头开始创建OpenCV。下一节讨论专门的图像处理和分割,以及计算机如何存储和处理图像。这涉及到使用OpenCV库进行模式识别和图像标记。接下来,将使用OpenCV处理对象检测、视频存储和解释,以及人类检测。跟踪和运动也进行了详细的讨论。该书还讨论了如何使用CNN和RNN创建复杂的深度学习模型。最后对计算机视觉的应用现状和发展趋势进行了总结。

阅读本书之后,您将能够理解并使用Python、OpenCV实现计算机视觉及其应用程序。您还将能够使用CNN和RNN创建深度学习模型,并了解这些前沿的深度学习架构是如何工作的。

您将学习

  • 了解什么是计算机视觉以及它在智能自动化系统中的整体应用。
  • 探索构建计算机视觉应用程序所需的深度学习技术。
  • 使用OpenCV、Python和NumPy中的最新技术构建复杂的计算机视觉应用程序。
  • 创建实际的应用程序,如:人脸检测和识别,手写识别,对象检测,跟踪和运动分析。

作者:

Sunila Gollapudi是Broadridge Financial Solutions India (Pvt)有限公司的执行副总裁。拥有超过17年的架构、设计和开发以客户为中心、企业级和数据驱动的解决方案的经验。在过去的十年中,她主要专注于银行和金融服务领域,是一名数据鉴赏家和架构师,擅长设计一个通过分析最大化数据价值的整体数据策略。她的专长包括通过综合业务和领域驱动因素以及大数据工程和分析领域的新兴技术趋势来构建整体智能自动化战略;领导针对CI/CD的云迁移和DevOps战略;指导应用程序现代化、重用和技术标准化计划。

成为VIP会员查看完整内容
0
55

简介: Google一直是引入突破性技术和产品的先驱。在效率和规模方面,TensorFlow也不例外,因此,编写本书只是向读者介绍TensorFlow核心团队所做的这些重要更改。本书着重于机器学习方面的TensorFlow的不同应用,并更深入地探讨了方法的最新变化。对于那些想要用TensorFlow进行机器学习的人来说,这本书是一个很好的参考点。本书分为三个部分。第一篇:使用TensorFlow 2.0进行数据处理。第二部分:使用TensorFlow 2.0构建机器学习和深度学习模型。它还包括使用TensorFlow 2.0的神经语言编程(NLP)。第三部分介绍了如何在环境中保存和部署TensorFlow 2.0模型。这本书对数据分析人员和数据工程师也很有用,因为它涵盖了使用TensorFlow 2.0处理大数据的步骤。想要过渡到数据科学和机器学习领域的读者也会发现,本书提供了实用的入门指南,以后可能会出现更复杂的方面。书中提供的案例研究和示例使您很容易理解和理解相关的基本概念。本书的优势在于其简单性以及将机器学习应用于有意义的数据集。

目录:

  • Chapter 1:tenforflow 2.0介绍
    • tensor
    • TensorFlow 1.0与 Tensorflow 2.0的对比
    • Tensorflow 2.0安装于基础操作
  • Chapter 2:tenforflow 与监督学习
    • 监督机器学习是什么
    • TF2.0实现线性回归
    • 使用TF和Keras的线性回归应用
    • TF2.0实现逻辑回归
    • TF2.0实现boosted树
  • Chapter 3:tenforflow与深度神经网络
    • 什么是神经网络
    • 前向传播与反向传播
    • TF2.0构建神经网络
    • 深度神经网络
    • TF2.0构建深度神经网络
    • 使用Keras模型估量
    • 总结
  • Chapter 4:图片与Tensorflow
    • 图片处理
    • 卷积神经网络
    • TF2.0与卷积神经网络
    • 迁移学习
    • TF2.0与变分自编码器
    • 总结
  • Chapter 5:TF2.0与自然语言处理(NLP)
    • NLP概述
    • 文本处理
    • 文本分类与TF
    • TF projector
  • Chapter 6:TF模型
    • TF部署
    • 模型部署的Python
    • 基于TF的Keras模型
成为VIP会员查看完整内容
0
112
小贴士
相关资讯
人脸识别入门实战
人工智能头条
4+阅读 · 2018年12月12日
(免费精品课程分享)-PyTorch深度学习实战
深度学习与NLP
7+阅读 · 2018年10月28日
实战 | 用Python做图像处理(三)
七月在线实验室
7+阅读 · 2018年5月29日
计算机视觉与深度学习实战
炼数成金订阅号
5+阅读 · 2018年2月9日
OpenCV计算机视觉产品实战
炼数成金订阅号
9+阅读 · 2017年9月22日
MATLAB计算机视觉与深度学习实战
炼数成金订阅号
3+阅读 · 2017年8月4日
相关论文
Image Segmentation Using Deep Learning: A Survey
Shervin Minaee,Yuri Boykov,Fatih Porikli,Antonio Plaza,Nasser Kehtarnavaz,Demetri Terzopoulos
18+阅读 · 1月15日
Neural Image Captioning
Elaina Tan,Lakshay Sharma
4+阅读 · 2019年7月2日
Rama Kumar Pasumarthi,Sebastian Bruch,Xuanhui Wang,Cheng Li,Michael Bendersky,Marc Najork,Jan Pfeifer,Nadav Golbandi,Rohan Anil,Stephan Wolf
3+阅读 · 2019年5月17日
Local Relation Networks for Image Recognition
Han Hu,Zheng Zhang,Zhenda Xie,Stephen Lin
3+阅读 · 2019年4月25日
Golnaz Ghiasi,Tsung-Yi Lin,Ruoming Pang,Quoc V. Le
6+阅读 · 2019年4月16日
Loris Bazzani,Tobias Domhan,Felix Hieber
3+阅读 · 2018年10月15日
Myle Ott,Michael Auli,David Granger,Marc'Aurelio Ranzato
3+阅读 · 2018年2月28日
Pingping Zhang,Luyao Wang,Dong Wang,Huchuan Lu,Chunhua Shen
5+阅读 · 2018年2月20日
Iulian V. Serban,Chinnadhurai Sankar,Mathieu Germain,Saizheng Zhang,Zhouhan Lin,Sandeep Subramanian,Taesup Kim,Michael Pieper,Sarath Chandar,Nan Rosemary Ke,Sai Rajeswar,Alexandre de Brebisson,Jose M. R. Sotelo,Dendi Suhubdy,Vincent Michalski,Alexandre Nguyen,Joelle Pineau,Yoshua Bengio
10+阅读 · 2018年1月20日
Parth Shah,Vishvajit Bakarola,Supriya Pati
20+阅读 · 2018年1月17日
Top