| Título : |
Advanced Applied Deep Learning : Convolutional Neural Networks and Object Detection |
| Tipo de documento: |
documento electrónico |
| Autores: |
Michelucci, Umberto, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Berkeley, CA : Apress |
| Fecha de publicación: |
2019 |
| Número de páginas: |
XVIII, 285 p. 88 ilustraciones, 28 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-1-4842-4976-5 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Inteligencia artificial Python (lenguaje de programa informático) Software de código abierto Pitón Fuente abierta |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Desarrollar y optimizar modelos de aprendizaje profundo con arquitecturas avanzadas. Este libro le enseña los intrincados detalles y sutilezas de los algoritmos que están en el centro de las redes neuronales convolucionales. En Aprendizaje profundo aplicado avanzado, estudiará temas avanzados sobre CNN y detección de objetos utilizando Keras y TensorFlow. A lo largo del camino, observará las operaciones fundamentales en CNN, como la convolución y la agrupación, y luego observará arquitecturas más avanzadas, como redes de inicio, resnets y muchas más. Si bien el libro analiza temas teóricos, descubrirá cómo trabajar de manera eficiente con Keras con muchos trucos y consejos, incluido cómo personalizar el inicio de sesión en Keras con clases de devolución de llamada personalizadas, qué es la ejecución entusiasta y cómo usarla en sus modelos. Finalmente, estudiarás cómo funciona la detección de objetos y crearás una implementación completa del algoritmo YOLO (solo miras una vez) en Keras y TensorFlow. Al final del libro, habrás implementado varios modelos en Keras y habrás aprendido muchos trucos avanzados que llevarán tus habilidades al siguiente nivel. Usted: Verá cómo funcionan las redes neuronales convolucionales y la detección de objetos. Guardará pesos y modelos en el disco. Pausará el entrenamiento y lo reiniciará en una etapa posterior. Usará aceleración de hardware (GPU) en su código. Trabajará con la abstracción de TensorFlow del conjunto de datos y usará modelos y transferencias previamente entrenados. aprendizaje Elimine y agregue capas a redes previamente entrenadas para adaptarlas a su proyecto específico. Aplique modelos previamente entrenados como Alexnet y VGG16 a nuevos conjuntos de datos. |
| Nota de contenido: |
Chapter 1: Introduction and Development Environment Setup -- Chapter 2: TensorFlow: advanced topics -- Chapter 3: Fundamentals of Convolutional Neural Networks -- Chapter 4: Advanced CNNs and Transfer Learning -- Chapter 5: Cost functions and style transfer -- Chapter 6: Object classification - an introduction -- Chapter 7: Object localization - an implementation in Python -- Chapter 8: Histology Tissue Classification. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Advanced Applied Deep Learning : Convolutional Neural Networks and Object Detection [documento electrónico] / Michelucci, Umberto, Autor . - 1 ed. . - Berkeley, CA : Apress, 2019 . - XVIII, 285 p. 88 ilustraciones, 28 ilustraciones en color. ISBN : 978-1-4842-4976-5 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Inteligencia artificial Python (lenguaje de programa informático) Software de código abierto Pitón Fuente abierta |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Desarrollar y optimizar modelos de aprendizaje profundo con arquitecturas avanzadas. Este libro le enseña los intrincados detalles y sutilezas de los algoritmos que están en el centro de las redes neuronales convolucionales. En Aprendizaje profundo aplicado avanzado, estudiará temas avanzados sobre CNN y detección de objetos utilizando Keras y TensorFlow. A lo largo del camino, observará las operaciones fundamentales en CNN, como la convolución y la agrupación, y luego observará arquitecturas más avanzadas, como redes de inicio, resnets y muchas más. Si bien el libro analiza temas teóricos, descubrirá cómo trabajar de manera eficiente con Keras con muchos trucos y consejos, incluido cómo personalizar el inicio de sesión en Keras con clases de devolución de llamada personalizadas, qué es la ejecución entusiasta y cómo usarla en sus modelos. Finalmente, estudiarás cómo funciona la detección de objetos y crearás una implementación completa del algoritmo YOLO (solo miras una vez) en Keras y TensorFlow. Al final del libro, habrás implementado varios modelos en Keras y habrás aprendido muchos trucos avanzados que llevarán tus habilidades al siguiente nivel. Usted: Verá cómo funcionan las redes neuronales convolucionales y la detección de objetos. Guardará pesos y modelos en el disco. Pausará el entrenamiento y lo reiniciará en una etapa posterior. Usará aceleración de hardware (GPU) en su código. Trabajará con la abstracción de TensorFlow del conjunto de datos y usará modelos y transferencias previamente entrenados. aprendizaje Elimine y agregue capas a redes previamente entrenadas para adaptarlas a su proyecto específico. Aplique modelos previamente entrenados como Alexnet y VGG16 a nuevos conjuntos de datos. |
| Nota de contenido: |
Chapter 1: Introduction and Development Environment Setup -- Chapter 2: TensorFlow: advanced topics -- Chapter 3: Fundamentals of Convolutional Neural Networks -- Chapter 4: Advanced CNNs and Transfer Learning -- Chapter 5: Cost functions and style transfer -- Chapter 6: Object classification - an introduction -- Chapter 7: Object localization - an implementation in Python -- Chapter 8: Histology Tissue Classification. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Advanced Applied Deep Learning
