Série AI One Em breve

AI One

Visão Computacional

Visão computacional com redes convolucionais, dentro de uma agtech das montanhas capixabas cujo aplicativo diz ao produtor se a folha de café tem ferrugem, cercosporiose ou bicho-mineiro — e que confundia doença com sombra, folha girada com outra planta e mesa azul com ferrugem. Convolução à mão, LeNet, AlexNet, VGG e ResNet, aumento de dados, transfer learning, Grad-CAM, detecção com caixas, segmentação com U-Net e a severidade medida em porcentagem da folha, até o dia da validação no campo.

Receber a prévia → O que vem por aí Ver o sumário Ver outros livros
30capítulos
6partes
1projeto do início ao fim
Capa provisória de AI One — Volume 5 Em preparação
CNNResNetGrad-CAMDetecçãoU-NetPyTorch
o que vem por aí

Uma ideia do conteúdo futuro

O livro ainda está em preparação. Abaixo está o projeto e o que ele pretende entregar — para você decidir se quer entrar na lista.

README.md

O diagnóstico de doenças da folha de café, do pixel ao campo.

Convoluções, CNNs e a folha de café que a rede aprendeu a ler.

  • Um projeto só: o diagnóstico de doenças da folha de café, do pixel ao campo
  • Convolução escrita à mão antes da primeira camada do PyTorch
  • LeNet, AlexNet, VGG e ResNet: por que cada uma surgiu
  • A rede que aprendeu a mesa azul, e o Grad-CAM que mostrou
  • Classificar, detectar, segmentar e medir a severidade em CPU
sumário provisório

30 capítulos em 6 partes

Mapa do conteúdo futuro: partes e capítulos planejados. Alguns títulos ainda podem mudar até o lançamento — o caminho do livro já aparece aqui.

parte 01 A folha na mesa azulMil e quatrocentas fazendas, um aplicativo que confunde sombra com ferrugem, e um MLP que conta pixels. 3 cap.
  1. 01
    Ferrugem ou sol
  2. 02
    Uma imagem é uma matriz que alguém fotografou
  3. 03
    O MLP que contava pixels
parte 02 ConvoluçãoUm filtro de três por três, o filtro que se aprende, e uma rede de 1998 que já sabia o essencial. 5 cap.
  1. 04
    Um filtro de três por três
  2. 05
    Passo, preenchimento e canais
  3. 06
    O filtro que se aprende
  4. 07
    Resumir sem perder o essencial
  5. 08
    Uma rede de 1998
parte 03 Redes profundasSetembro de 2012, blocos de três por três, atalhos que deixam aprender e uma normalização que muda de comportamento. 4 cap.
  1. 09
    Setembro de 2012
  2. 10
    Blocos de três por três
  3. 11
    Atalhos que deixam aprender
  4. 12
    Normalizar canais
parte 04 Treinar com o que se temFolhas giradas, pesos emprestados da ImageNet, um agrônomo que discorda de si mesmo e uma rede que aprendeu a mesa. 6 cap.
  1. 13
    Folhas giradas
  2. 14
    Pesos emprestados da ImageNet
  3. 15
    Descongelar com cuidado
  4. 16
    O agrônomo discorda do agrônomo
  5. 17
    A rede aprendeu a mesa
  6. 18
    Métricas por doença
parte 05 Onde e quantoUma caixa em volta da lesão, muitas caixas e uma resposta, pixel a pixel, e quanto da folha está doente. 5 cap.
  1. 19
    Uma caixa em volta da lesão
  2. 20
    Muitas caixas, uma resposta
  3. 21
    As minas do bicho-mineiro
  4. 22
    Pixel a pixel
  5. 23
    Quanto da folha está doente
parte 06 No celular do Seu AurélioFotos do mundo real, um modelo que cabe no bolso, e o dia em que o agrônomo e a rede vão juntos para o campo. 7 cap.
  1. 24
    Fotos do mundo real
  2. 25
    Caber no bolso
  3. 26
    Antes do agrônomo, nunca no lugar dele
  4. 27
    O conjunto de dados é o produto
  5. 28
    A visita de campo
  6. 29
    Quinze de setembro
  7. 30
    O que a rede vê
lista de espera

Receba a prévia de AI One — Volume 5

Deixe seu e-mail. Quando a prévia estiver pronta, enviaremos o link deste livro. Sem senha e sem outros envios da lista.

Usaremos seu e-mail apenas para enviar a prévia deste título. O e-mail de aviso terá um link para sair da lista.