p.s.
Машинное обучение(Machine learning; ML) - растущая технология, которая фокусируется на разработке компьютерных программ, которые могут быть изменены или модифицированы, когда им представлены новые данные. Эта технология сделала значительные шаги вперед, включающие практические применения машинного обучения(Machine learning; ML) и ее расширения в области искусственного интеллекта(artificial intelligence; AI).
В этой книге представлены реализации семи практических проектов реального мира, которые научат, как усилить мощь с помощью TensorFlow Lite и Core ML, чтобы выполнить эффективное машинное обучение. Мы узнаем о последнем прогрессе возможностей в TensorFlow и его расширениях, таких как TensorFlow Lite, чтобы проектировать интеллектуальные приложения, обучающиеся на сложных/больших наборах данных. Мы погрузимся в последние прогрессивные возможности, такие как глубокое обучение(deep learning), путём создания приложения, использующего архитектуру глубокой нейронной сети(deep neural network), такую как сверточные нейронные сети(Convolutional Neural Networks; CNNs), повторяющиеся периодически нейронные сети(recurrent neural networks; RNNs), передаваемая обученность(transfer learning) и многое другое.
К концу этой книги вы не только освоите все понятия и изучите, как реализовать машинное обучение и глубокое обучение, но вы также изучите, как решить проблемы и встретившиеся вызовы при построении мощных приложений для мобильных устройств с использованием TensorFlow Lite и Core ML.
Книга «Проекты мобильных приложений с машинным обучением» предназначена для вас, если вы - ученый по данным(data scientist), эксперт по машинному обучению(ML expert), эксперт по глубокому обучению(deep learning) или энтузиаст по искусственному интеллекту(AI enthusiast), который хочет достичь мастерства в реализации машинного обучения(Machine learning; ML) и глубокого обучения(deep learning) с помощью практических примеров использования TensorFlow и Keras. Элементарные знания языка программирования Python были бы вашим дополнительным преимуществом.
Глава 1 «Мобильные ландшафты в машинном обучении» знакомит с основными идеями, лежащими в основе фреймворков машинного обучения TensorFlow Lite и Core ML.
Глава 2 «Идентификация возраста и пола, на базе CNN-сети, с использованием Core ML» обучит построению iOS-приложения для определения возраста, пола и эмоции человека по изображению из канала камеры или из фотогалереи пользователя, используя существующие модели данных, которые были созданы для той же цели.
Глава 3 «Нейронный перенос картинного стиля на фотографии» обучит построению полно-комплектных iOS- и Android-приложений для преобразования изображений, применимых к нашим собственным изображениям способом, подобным приложению Instagram.
Глава 4 «Глубокое погружение в инструментарий ML Kit с Firebase» исследует Google-инструментарий машинного обучения ML Kit, на основе продукта Firebase, предназначенный для мобильных приложений.
Глава 5 «AR-фильтр, подобный Snapchat, на Android-устройстве» отправляет нас в путешествие, где мы с помощью TensorFlow Lite построим AR-фильтр(фильтр добавленной реальности(Augmented Reality; AR)), используемый в приложениях типа Snapchat и Instagram.
Глава 6 «Классификатор рукописных цифр с помощью соперничающего обучения» объясняет, как построить Android-приложение, идентифицирующее рукописные цифры.
Глава 7 «Обмен лицами с вашими друзьями с помощью OpenCV» подробно изучает построение приложения, где лицо в изображении заменено другим лицом.
Глава 8 «Классификация продуктов с использованием передаваемой обученности» объясняет, как классифицировать продукты, используя передаваемую обученность.
Глава 9 «Что далее?» дает нам проблеск развития во все приложения, построенные всюду по книге и их уместности в будущем.
Если у вас есть знания по построению мобильных приложений, то они помогут значительно. В противном случае желательно изучить основы языков программирования Java или Kotlin для ОС Android или Swift для ОС iOS. Если у вас есть элементарные знания языка программирования Python, то это поможет построить свою собственную модель данных, но навык Python не обязателен. Приложения в книге построены на ПЭВМ MacBook Pro. Большинство операций командной строки показаны с учётом того, что на вашей ПЭВМ установлена bash-оболочка командной строки(bash shell). Эти операции могут не работать в Windows-среде разработки.