新書推薦：
《
伊利亚特 ： 希腊语、汉语对照
》
售價：NT$
959
《
世界军事战略经典：海权论+陆权论+空权论（全3册）
》
售價：NT$
806
《
论断与概念
》
售價：NT$
449
《
通用图形处理器指令集架构和软硬件设计——乘影开源GPGPU设计透视
》
售價：NT$
658
《
游牧者的抉择：面对汉帝国的北亚游牧部族
》
售價：NT$
356
《
从“四夷”到“外国”：《宋史·外国传》研究 国家社科基金后期资助项目
》
售價：NT$
449
《
苏格拉底的虔敬：读柏拉图《游叙弗伦》笔记
》
售價：NT$
403
《
思辨者的罗盘：从逻辑谬误到严谨表达
》
售價：NT$
286
|
| 編輯推薦： |
|
想玩转计算机视觉，用 PyTorch 搞定目标检测、图像处理与大模型应用？这本实战宝典别错过！从深度学习基础、CNN 架构到 Transformer、稳定扩散，从传统 CV 任务到多模态融合，全流程拆解核心技术。40 + 实战案例搭配完整源码，兼顾理论与生产级部署，新手能搭建体系，资深开发者可突破瓶颈。不管你是学生、软件工程师还是科研人员，都能通过本书掌握计算机视觉核心技能，在 AI 浪潮中抢占职业高地！
|
| 內容簡介： |
|
本书系统介绍了基于PyTorch的计算机视觉技术，涵盖从理论基础到高级应用开发的全流程。全书分为四部分，共18章，第一部分讲解深度学习基础，包括人工神经网络、PyTorch基础知识及深度神经网络构建；第二部分聚焦物体分类与检测，涉及卷积神经网络、迁移学习、物体检测技术及图像分割；第三部分探讨图像处理，涵盖自动编码器、生成对抗网络等；第四部分介绍计算机视觉与其他技术的融合，包括与强化学习、自然语言处理的结合，基础模型、稳定扩散应用及模型部署。书中包含40多种实际应用案例，GitHub提供完整源代码，每章配有习题及答案，适合具备Python和机器学习基础的学生、软件开发人员及科研人员学习，助力其掌握计算机视觉与深度学习核心技能。
|
| 關於作者： |
V·基肖尔·阿耶德瓦拉（V Kishore Ayyadevara）
知名企业家，实干型领导者，致力于技术、数据和人工智能交叉领域，专注于发现并解决商业难题。他拥有十余年领导经验，曾在美国运通（American Express）、亚马逊（Amazon）及一家顶级健康保险公司，成功搭建并壮大应用数据科学团队。目前，他创立了一家初创公司，旨在推动人工智能技术在医疗机构的普及。工作之余，Kishore撰写了5本关于机器学习/人工智能的著作以分享专业知识。他拥有12项发明专利，并多次受邀在人工智能领域的会议上发表演讲。
耶什万斯·雷迪（Yeshwanth Reddy）
成就卓著的数据科学家，在深度学习与文档分析领域拥有10年以上实战经验。他为该领域做出了重大贡献，包括开发端到端文档数字化软件，助力实现显著成本节约。他的专业知识还涵盖光学字符识别、单词检测与合成文档生成等模块开发，其开创性工作成果获得多项专利认证，同时创建了多个Python库。怀着对无监督学习与自监督学习变革的热情，他致力于减少人工标注依赖，推动数据科学领域的创新解决方案。
|
| 目錄：
|
目 录
译者序
前言
作者简介
审校者简介
第一部分 基于计算机视觉的深度学习基础
第1章 人工神经网络基础 2
1.1 对比人工智能与传统机器学习 3
1.2 学习人工神经网络的构建块 5
1.3 实现前向传播 6
1.3.1 计算隐藏层的单元值 6
1.3.2 应用激活函数 7
1.3.3 计算输出层的值 8
1.3.4 计算损失值 9
1.3.5 编码实现前向传播 10
1.4 实现反向传播 13
1.4.1 编码实现梯度下降 14
1.4.2 利用链式法则实现反向
传播 16
1.4.3 将前向传播与反向传播
相结合 19
1.5 了解学习率的影响 22
1.5.1 学习率为0.01 25
1.5.2 学习率为0.1 26
1.5.3 学习率为1 27
1.6 神经网络训练过程概述 28
1.7 本章小结 28
1.8 习题 29
第2章 PyTorch基础 30
2.1 安装PyTorch 30
2.2 PyTorch张量 31
2.2.1 初始化张量 32
2.2.2 张量运算 33
2.2.3 张量对象的自动梯度 37
2.2.4 PyTorch张量相对于NumPy
数组的优势 38
2.3 使用PyTorch构建神经网络 39
2.3.1 数据集、数据加载器与
批处理大小 45
2.3.2 根据新的数据点进行预测 48
2.3.3 实现自定义损失函数 49
2.3.4 获取神经网络中间层的值 50
2.4 使用顺序方法构建神经网络 51
2.5 保存并加载PyTorch模型 54
2.5.1 使用state_dict 54
2.5.2 保存 55
2.5.3 加载 55
2.6 本章小结 56
2.7 习题 56
第3章 使用PyTorch构建深度神经
网络 57
3.1 图像表示 58
3.1.1 将图像转换为结构化数组和
标量值 58
3.1.2 为彩色图像创建结构化
数组 60
3.2 为什么要利用神经网络进行图像
分析 62
3.3 准备用于图像分类的数据 63
3.4 训练神经网络 65
3.5 缩放数据集以提高模型准确率 70
3.6 理解批处理大小变化的影响 72
3.6.1 批处理大小为32 72
3.6.2 批处理大小为10 000 75
3.7 理解不同损失优化器的影响 76
3.8 构建更深的神经网络 79
3.9 理解批量归一化的影响 80
3.9.1 没有使用批量归一化的
极小输入值 81
3.9.2 使用批量归一化的极小
输入值 84
3.10 过拟合的概念 85
3.10.1 添加dropout的影响 86
3.10.2 正则化的影响 87
3.11 本章小结 90
3.12 习题 90
第二部分 物体分类与检测
第4章 卷积神经网络导论 92
4.1 传统深度神经网络存在的问题 92
4.2 卷积神经网络的构建块 95
4.2.1 卷积 96
4.2.2 滤波器 97
4.2.3 步长与填充 98
4.2.4 池化 99
4.2.5 整合各个构建块 99
4.2.6 卷积和池化在图像平移中的
作用 100
4.3 实现卷积神经网络 101
4.4 利用深度卷积神经网络进行图像
分类 104
4.5 可视化特征学习结果 109
4.6 构建用于真实世界图像分类的卷积
神经网络 119
4.7 本章小结 128
4.8 习题 128
第5章 用于图像分类的迁移学习 129
5.1 迁移学习概述 130
5.2 理解VGG16架构 131
5.3 理解ResNet架构 139
5.4 实现脸部关键点检测 143
5.5 实现年龄估计与性别分类 151
5.6 torch_snippets库概述 160
5.7 本章小结 165
5.8 习题 165
第6章 图像分类的实际应用 167
6.1 生成类激活图 167
6.2 理解数据增强与批量归一化的
影响 176
6.3 模型实现期间要注意的实际事项 181
6.3.1 不平衡的数据 181
6.3.2 图像中物体的大小 182
6.3.3 训练图像与验证图像之间的
区别 182
6.3.4 扁平化层的节点数 183
6.3.5 图像大小 183
6.3.6 OpenCV实用程序 183
6.4 本章小结 183
6.5 习题 184
第7章 物体检测基础知识 185
7.1 物体检测概述 185
7.2 创建用于训练的真实边界框 187
7.3 了解建议区域 188
7.3.1 利用 SelectiveSearch 生成
建议区域 189
7.3.2 实现SelectiveSearch生成
建议区域 190
7.4 了解交并比 192
7.5 非极大值抑制 194
7.6 平均精度均值 194
7.7 训练基于R-CNN的自定义物体
检测器 195
7.7.1 R-CNN的工作细节 195
7.7.2 在自定义数据集上实现用于
物体检测的R-CNN 196
7.7.3 数据集下载 197
7.8 训练基于Fast R-CNN的自定义物体
检测器 210
7.8.1 Fast R-CNN的工作细节 210
7.8.2 在自定义数据集上实现用于
物体检测的Fast R-CNN 211
7.9 本章小结 218
7.10 习题 218
第8章 高级物体检测 219
8.1 更先进的物体检测算法的组成
部分 219
8.1.1 锚框 220
8.1.2 建议区域网络 221
8.1.3 分类与回归 222
8.2 在自定义数据集上训练
Faster R-CNN 223
8.3 YOLO的工作细节 230
8.4 在自定义数据集上训练YOLO 235
8.4.1 安装Darknet 235
8.4.2 设置数据集格式 236
8.4.3 配置架构 237
8.4.4 训练与测试模型 238
8.5 SSD的工作细节 239
8.6 在自定义数据集上训练 SSD 243
8.7 本章小结 248
8.8 习题 248
第9章 图像分割 249
9.1 探索U-Net架构 250
9.2 执行上采样 251
9.3 使用U-Net实现语义分割 253
9.4 探索Mask R-CNN架构 259
9.4.1 RoI对齐 260
9.4.2 掩码头 262
9.5 使用Mask R-CNN实现实例
分割 263
9.6 预测多个类的多个实例 274
9.7 本章小结 277
9.8 习题 277
第10章 物体检测与分割的应用 278
10.1 多物体实例分割 278
10.1.1 获取与准备数据 279
10.1.2 训练实例分割模型 284
10.1.3 在新图像上进行推理 285
10.2 人体姿态检测 287
10.3 人群计数 289
10.4 图像着色 298
10.5 基于点云的3D物体检测 303
10.5.1 理论 304
10.5.2 训练用于3D物体检测的YOLO模型 307
10.6 视频行为识别 311
10.6.1 识别视频中的行为 312
10.6.2 在自定义数据集上训练
识别器 314
10.7 本章小结 316
10.8 习题 317
第三部分 图像处理
第11章 自动编码器与图像处理 320
11.1 理解自动编码器 320
11.1.1 自动编码器的工作原理 320
11.1.2 实现普通自动编码器 321
11.1.3 实现卷积自动编码器 326
11.1.4 使用t-SNE分组相似
图像 329
11.2 理解变分自动编码器 331
11.2.1 变分自动编码器的需求 331
11.2.2 变分自动编码器的工作
原理 333
11.2.3 KL散度 333
11.2.4 构建变分自动编码器 334
11.3 对图像进行对抗攻击 338
11.4 理解神经风格迁移 341
11.4.1 神经风格迁移的工作
原理 341
11.4.2 执行神经风格迁移 343
11.5 理解深度伪造 347
11.5.1 深度伪造的工作原理 347
11.5.2 生成深度伪造 348
11.6 本章小结 356
11.7 习题 357
第12章 基于生成对抗网络的图像
生成 358
12.1 生成对抗网络简介 358
12.2 利用生成对抗网络生成手写
数字 360
12.3 利用深度卷积生成对抗网络生成
人脸图像 366
12.4 实现条件生成对抗网络 373
12.5 本章小结 383
12.6 习题 383
第13章 用于图像处理的高级生成
对抗网络 384
13.1 利用Pix2Pix GAN 384
13.2 利用CycleGAN 394
13.2.1 CycleGAN的工作原理 395
13.2.2 实现CycleGAN 396
13.3 在自定义图像中利用StyleGAN 404
13.3.1 StyleGAN的演化 404
13.3.2 实现StyleGAN 406
13.4 SRGAN简介 412
13.4.1 架构 413
13.4.2 编码实现SRGAN 413
13.5 本章小结 415
13.6 习题 416
第四部分 计算机视觉与其他技术的融合
第14章 计算机视觉与强化学习
相结合 418
14.1 学习强化学习的基础知识 419
14.1.1 计算状态值 419
14.1.2 计算“状态–行动”值 420
14.2 实现Q学习 421
14.2.1 定义Q值 422
14.2.2 理解Gym环境 422
14.2.3 构建Q表 424
14.2.4 探索–利用策略 426
14.3 实现深度Q学习 428
14.3.1 理解CartPole环境 428
14.3.2 进行CartPole平衡 429
14.4 基于固定目标模型实现深度Q
学习 434
14.4.1 理解应用实例 435
14.4.2 编写一个智能体来玩乒乓球游戏 436
14.5 实现一个执行自动驾驶的
智能体 442
14.5.1 设置CARLA环境 442
14.5.2 训练自动驾驶智能体 445
14.6 本章小结 454
14.7 习题 455
第15 章 计算机视觉与自然语言处理
技术相结合 456
15.1 Transformer简介 457
15.1.1 Transformer基础知识 457
15.1.2 视觉Transformer的工作
原理 461
15.2 实现视觉Transformer 462
15.3 识别手写图像 466
15.3.1 手写识别工作流程 466
15.3.2 编码实现手写识别 467
15.4 文档布局分析 472
15.4.1 理解LayoutLM 472
15.4.2 实现LayoutLMv3 474
15.5 视觉问答 478
15.5.1 BLIP2简介 478
15.5.2 实现BLIP2 481
15.6 本章小结 482
15.7 习题 482
第16章 计算机视觉中的基础模型 483
16.1 CLIP简介 483
16.1.1 CLIP的工作原理 484
16.1.2 从头开始构建CLIP
模型 485
16.1.3 利用OpenAI CLIP 493
16.2 SAM简介 494
16.2.1 SAM的工作原理 495
16.2.2 实现SAM 498
16.2.3 FastSAM的工作原理 501
16.2.4 实现FastSAM 502
16.3 扩散模型简介 504
16.3.1 扩散模型的工作原理 504
16.3.2 扩散模型架构 505
16.3.3 从头开始构建扩散
模型 507
16.3.4 条件图像生成 511
16.4 理解稳定扩散 513
16.4.1 稳定扩散模型的构建块 514
16.4.2 实现稳定扩散 522
16.5 本章小结 524
16.6 习题 524
第17章 稳定扩散的应用 525
17.1 图像修复 525
17.1.1 模型训练工作流程 526
17.1.2 使用稳定扩散进行图像
修复 527
17.2 ControlNet 528
17.2.1 架构 528
17.2.2 实现ControlNet 529
17.3 SDXL Turbo 532
17.3.1 架构 532
17.3.2 实现SDXL Turbo 533
17.4 DepthNet 534
17.4.1 DepthNet工作流程 534
17.4.2 实现DepthNet 534
17.5 根据文本生成视频 535
17.5.1 工作流程 536
17.5.2 实现根据文本生成
视频 536
17.6 本章小结 537
17.7 习题 538
第18章 模型部署到生产环境 539
18.1 了解API的基础知识 540
18.2 在本地服务器上创建API并进行
预测 541
18.2.1 安装API模块及依赖项 541
18.2.2 部署图像分类器 541
18.3 封装应用程序 545
18.4 在云端部署并运行Docker容器 549
18.4.1 配置AWS 549
18.4.2 在AWS ECR上创建Docker存储库并推送镜像 549
18.4.3 提取镜像并构建Docker
容器 550
18.5 识别数据漂移 552
18.6 使用向量存储 555
18.7 本章小结 557
18.8 习题 558
附录 559
|
| 內容試閱：
|
|
前 言人工智能时代已经到来，人工智能是推动日常应用的强大力量，深刻影响着我们的生活。如同火、轮子、石油、电力和电子技术的发现/发明一样，人工智能正以前所未有的方式重塑我们的世界。过去，人工智能一直是一个小众的计算机学科，只在实验室环境中进行研发。然而，得益于理论的突破、计算能力的提升，以及海量数据的出现，人工智能领域自21世纪初开始迅猛发展，如今这种势头仍在持续，并未出现任何减缓的趋势。实践证明，只要算法正确、数据充足，人工智能就能在有限的人工干预下自主学习，产生与人的判断不相上下的结果，有时甚至超越人类水平。无论是初学的新手，还是管理大型组织的老手，都应该对人工智能的工作原理有所了解。神经网络（Neural Network，NN）是最灵活的人工智能算法之一，已被广泛应用于结构化数据、文本和视觉等领域。本书从神经网络的基础知识开始讲起，介绍了40多种基于PyTorch的计算机视觉相关应用。在掌握这些应用之后，我们就能够很好地为汽车、安全、金融后台、医疗保健等各个领域构建神经网络。所获得的技能不仅能让我们实现先进的技术解决方案，还能开创性地开发新的应用程序，以应对更多的实际挑战。最终，本书作为学术学习与实践应用之间的桥梁，让读者能够充满信心地迈向未来，并在职业生涯中做出贡献。适合人群本书是为PyTorch新手以及希望了解基于深度学习和PyTorch技术的计算机视觉从业者量身打造的。本书同样适用于刚接触神经网络架构的读者。只要具备Python编程语言和机器学习的基础知识，就可以轻松开启本书的学习之旅。本书涵盖的内容第1章全面讲解神经网络的工作原理。首先介绍神经网络相关的关键术语。接下来深入探讨神经网络构建模块的工作原理，并在一个小型数据集上从头开始构建一个神经网络。学完该章，你将能够深入理解神经网络的工作原理。第2章介绍如何使用PyTorch。首先，你将学习创建和操作张量对象的方法。接下来，你将学习使用PyTorch构建神经网络模型的各种方法。为了让你深刻理解PyTorch，该章将继续使用一个小型数据集作为示例。第3章结合前两章的内容，帮助你理解各种神经网络超参数对模型精度的影响。学完该章，你将有信心在实际数据集上使用深度神经网络。第4章详细介绍使用传统深度神经网络面临的挑战，解释卷积神经网络（Convolutional Neural Network，CNN）能够克服传统神经网络各种局限性的原因。该章将深入探究卷积神经网络的工作原理及各个组成部分。接下来，你将学习图像处理的最佳实践。最后，你还将开始接触来自真实场景的图像，并深入学习卷积神经网络在图像分类中的应用。第5章介绍如何解决现实世界中的图像分类问题。你将学习多种迁移学习架构，了解迁移学习如何大幅提升图像分类的准确率。随后，你将利用迁移学习技术实现人脸关键点检测、年龄估计和性别分类等实际应用案例。第6章深入分析构建和部署图像分类模型时需要注意的实际问题。你将亲身体验在实际数据上应用数据增强和批量归一化技术的优势，学习类激活图能够帮助解释卷积神经网络模型预测特定结果的原因。学完该章，你将能够自如地应对大多数图像分类问题，并能在自定义数据集上应用前几章讨论的模型。第7章为物体检测（也叫目标检测）奠定基础。首先介绍构建物体检测模型的各种技术。随后，你将通过一个实际用例，学习基于候选区域的物体检测技术，实现一个可以在图像中定位卡车和公交车的模型。第8章首先介绍基于候选区域架构进行物体检测的局限性。随后，你将学习YOLO和SSD等高级架构的工作细节，了解它们如何解决基于候选区域架构的问题。你将在同一数据集（卡车与公交车检测）上实现所有这些架构，以比较各种架构的工作过程。第9章在前几章所学内容的基础上，帮助你构建能够精确定位图像中各类物体的位置及实例位置的模型。你将在道路图像和常见家居图像上实现这些应用案例。学完该章，你将能够自如地处理各种图像分类、物体检测和分割问题，并使用PyTorch构建模型来解决这些问题。第10章总结前几章的内容，带你学习如何用几行代码实现物体检测和分割，以及如何构建模型来实现人群计数和图像着色任务。随后，你将学习在真实数据集上进行3D物体检测。最后，你将学习如何对视频执行动作识别。第11章为图像处理奠定基础。首先你将学习各种自动编码器，这些编码器有助于压缩图像并生成新图像。接着，你将学习能够欺骗模型的对抗攻击，实现神经风格迁移。最后，你将实现通过自动编码器生成深度伪造图像。第12章首先带你深入了解生成对抗网络（Generative Adversarial Network，GAN）的工作原理。随后，你将实现伪造人脸图像的生成，并利用生成对抗网络生成各种感兴趣的图像。第13章将图像处理推向更高水平。你将通过生成对抗网络实现物体类别转换、根据草图生成图像、操作自定义图像，以及生成特定风格的图像。学完该章，你将能够熟练掌握运用自动编码器和生成对抗网络进行各种图像处理。第14章首先介绍强化学习（Reinforcement Learning，RL）的术语以及状态赋值的方法。在学习深度Q学习（Deep Q-Learning）的过程中，你会明白强化学习与神经网络是如何结合在一起的。利用这些知识，你将实现一个打乒乓球游戏的智能体以及一个自动驾驶汽车的智能体。第15章介绍Transformer的工作细节。你将利用Transformer实现图像分类、手写识别、护照图像中的关键信息提取、图像上的视觉问答等应用。在此过程中，你将学习定制及利用Transformer架构的各种方法。第16章首先增强你对使用CLIP模型进行图像和文本组合的理解。接下来探讨分割一切模型（Segment Anything Model，SAM），它不需要任何训练，就可以完成分割、识别和跟踪等多种任务。最后，在深入了解扩散模型的工作原理之后，你将了解提示工程的重要性以及SDXL等大型预训练模型的影响。第17章扩展前几章的内容，引导你了解如何训练各种Stable Diffusion（稳定扩散）应用程序（图像修复、ControlNet、DepthNet、SDXL Turbo和文本转视频），并指导你利用不同的模型完成各种任务。第18章介绍将模型部署到生产环境的最佳实践。首先，你将学习如何在本地服务器上部署模型，并将其部署到AWS公有云服务。接着，你将了解半精度对延迟的影响。最后，你将学习如何利用FAISS之类的向量存储，并在模型部署到生产环境后识别数据漂移。本书将会跟进领域的发展，定期向GitHub存储库中增添有价值的补充材料。一定要查看每章目录下的supplementary_sections文件夹，以获取新增的有用内容。 充分利用本书本书涉及的软件/硬件 操作系统需求至少128 GB存储空间至少8 GB内存Intel i5处理器或者更好的处理器NVIDIA 8+ GB显卡—GTX1070显卡或者更好的显卡最低网速为50 Mbit/s Windows、Linux和macOSPython 3.6及以上版本 Windows、Linux和macOSPyTorch 2.1 Windows、Linux和macOSGoogle Colab（可以在所有浏览器中运行） Windows、Linux和macOS 请注意，可以使用Google Colab运行本书中几乎所有代码，只需单击GitHub上各章节笔记本中的Open Colab按钮即可。如果使用本书的电子版，建议自己输入代码或者通过GitHub存储库获取代码。这样做有助于避免因复制和粘贴代码带来的相关错误。下载示例代码文件本书的代码包在GitHub存储库中托管： 表示警告或重要说明。 表示提示和技巧。 About the Author作 者 简 介V Kishore Ayyadevara既是一位企业家，又是一位实干型领导者，致力于技术、数据和人工智能交叉领域，专注于发现并解决商业难题。他拥有十余年领导经验，曾在美国运通（American Express）、亚马逊（Amazon）以及一家顶级健康保险公司成功建立并壮大了应用数据科学团队。目前，他创立了一家初创公司，旨在使人工智能技术在医疗机构中更加普及。工作之余，Kishore撰写了5本关于机器学习/人工智能的著作，分享他的专业知识。他拥有12项发明专利，并多次受邀在人工智能领域的会议上发表演讲。谨以此书献给我亲爱的父母Hema和Subrahmanyeswara Rao、深爱的妻子Sindhura、可爱的女儿Hemanvi和儿子Tejas。没有他们的包容、支持与鼓励，我不可能完成本书的写作。特别感谢各位审校者的宝贵反馈。本书有了Raghav Bali、Prassanna Venkatesh、Sreevaatsav Bavana以及Packt团队（Shruti、Parvathy、Aneri和Pranit）的大力支持和反馈，才得以高质量地呈现给读者。Yeshwanth Reddy是一位资深数据科学家，拥有10年以上行业经验，专注于医疗保健、教育和文档关键词提取等领域。他多次演讲并指导过数千名学生，涉及从统计学到深度学习等主题。他的创新成果包括：开发用于文档提取的产品和库，创建合成数据来增强实际数据集。Yeshwanth还为多个开源库做出过贡献，并拥有多项专利。感谢我亲爱的父母Lalitha和Ravi、挚爱的妻子Madhuri，以及我的兄弟Sumanth。他们始终如一的支持和鼓励是我完成这本书的动力源泉。我由衷感谢各位审校者在本书创作过程中给予的宝贵反馈。 Introduction of the Reviewers审校者简介Raghav Bali是德国柏林Delivery Hero（一家全球领先的食品配送服务公司）的一名资深数据科学家。他发表了多篇同行评审论文，编著图书7本以上，在机器学习、深度学习、医疗保健和自然语言处理等领域拥有10多项专利。Raghav拥有超过12年的工作经验，曾在Intel、American Express、Infosys、UnitedHealth Group和Delivery Hero等公司为实际应用场景开发企业级解决方案。我想借此机会感谢Packt团队的大力支持，是他们的支持使审校过程得以顺利进行。我还要感谢家人给予我的支持和陪伴。最后，衷心祝愿Kishore和Yeshwanth编写的第2版也如第1版一样大获成功。Sheallika Singh是一位深度学习专家，同时也是多家机器学习初创公司的顾问。目前，她是一名机器学习工程师，负责开发全球数十亿用户使用的个性化模型。Sheallika在推进汽车自动驾驶技术方面发挥了关键作用。她在顶级机器学习会议上发表了研究成果，并担任项目委员会成员。在进入工业界之前，Sheallika致力于无字体字符识别的研究。她拥有哥伦比亚大学数据科学硕士学位，以及印度理工学院坎普尔分校数学与科学计算学士学位，并辅修工业管理。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
