📕 Машинное зрение. Основы и алгоритмы с примерами на Matlab [2023] Корк П.
📙 Robotic Vision: Fundamental Algorithms in MATLAB [2021] Peter Corke

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💳 Купить книгу

💾 Ознакомиться с книгами RU+EN

👨🏻‍💻 Для тех, кто захочет пожертвовать админу на покупку новых книг и на кофе:
ЮMoney: 410012169999048
Карта ВТБ: 4272290768112195
Карта Сбербанк: 2202200638175206

Книга представляет собой введение в классическое компьютерное зрение. Автор показывает, как можно разложить на части и решить сложные задачи в этой сфере с помощью всего нескольких простых строк кода. Machine Vision Toolbox for MATLAB — открытое программное обеспечение, которое позволяет читателю легко применять алгоритмические концепции на практике и работать с нетривиальными задачами. Раскрываются теоретические основы алгоритмов, а многочисленные примеры кода иллюстрируют его использование. Книга предназначена для технических специалистов, интересующихся проектами в области робототехники и технического зрения, а также будет полезна студентам и аспирантам. #машинное_обучение #matlab #машинное_зрение #программирование #искусственный_интеллект #ML

📕 Машинное зрение. Основы и алгоритмы с примерами на Matlab [2023] Корк П.
📙 Robotic Vision: Fundamental Algorithms in MATLAB [2021] Peter Corke

Matlab предлагает уникальные возможности и люди, умеющие эти возможности использовать, очень ценятся. Этот язык используется во всех аспектах вычислительной математики. В нём множество встроенных команд и математических функций, которые помогают в математических вычислениях, создании графиков и выполнении численных методов. Одна очень важная деталь, которая может озадачить, а может и отпугнуть многих желающих изучать данный язык - он платный! На деле этот язык ценится различными учёными и людьми, работающими с big data за его возможности в работе с данными и множество библиотек, дающих огромные возможности, начиная с ML и AI и заканчивая работой с различными датчиками и финансовой аналитикой.

Новая книга «Машинное зрение. Основы и алгоритмы с примерами на Matlab» - выстроена на комплексном подходе теории и практики. В конце каждой главы есть раздел с перечнем дополнительной литературы и ссылками на соответствующие учебники, статьи и онлайн-ресурсы. Автор книги, Peter Corke, предоставляет необходимое и достаточно развернутое математическое обоснование каждой темы. В издании структурированы сложные алгоритмы - описание таких тем будет доступным, даже для тех, у кого ограниченный опыт в робототехнике и компьютерном зрении. Примеры кода Matlab позволяют читателям экспериментировать и приобретать практический опыт работы с обсуждаемыми концепциями. #машинное_обучение #matlab #машинное_зрение #программирование #искусственный_интеллект #ML

📒 Основы искусственного интеллекта в примерах на Python. 2-е изд. [2023] Анатолий Постолит

Описаны инструментальные средства для разработки приложений искусственного интеллекта. Даны основы языка программирования Python. Раскрыты основные понятия и определения искусственного интеллекта. Рассмотрены вопросы программной реализации элементов нейронной сети и построения многослойных нейронных сетей. Большое внимание уделено применению специализированных библиотек PyBrain, Scikit-learn, Keras, TensorFlow для формирования структуры нейронных сетей и их обучения, и библиотек ImageAI и OpenCV для обработки изображений. Материал иллюстрирован простыми и понятными примерами, демонстрирующими использование предварительно обученных нейронных сетей для распознавания объектов на изображениях, создания собственных наборов данных, формирования структуры сети, ее обучения и практического применения. Во 2-м издании обновлены программные коды и версии библиотек, улучшены рисунки, учтены пожелания читателей и исправлены ошибки.

Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. В издании обновлены программные коды и версии библиотек, улучшены рисунки, учтены пожелания читателей и исправлены ошибки.
#программирование #python #OpenCV #машинное_обучение #ИИ #AI #искусственный_интеллект

📘 Создаём нейронную сеть [2017] Рашид Тарик
📗 Make Your Own Neural Network Tariq Rashid [2016] Rashid Tariq

💾 Скачать книги

Основные темы книги:
▫️ нейронные сети и системы искусственного интеллекта;
▫️ структура нейронных сетей;
▫️ сглаживание сигналов, распространяющихся по нейронной сети, с помощью функции активации;
▫️ тренировка и тестирование нейронных сетей;
▫️ интерактивная среда программирования IPython;
▫️ использование нейронных сетей в качестве классификаторов объектов;
▫️ распознавание образов с помощью нейронных сетей.

Для тех, кто захочет задонатить на кофе☕️:
ВТБ: +79616572047 (СБП)
Сбер: +79026552832 (СБП)
ЮMoney: 410012169999048

Британский физик Стивен Хокинг, в своей статье 2014 года, сказал, что недооценка угрозы со стороны искусственного интеллекта может стать самой большой ошибкой в истории человечества.

#программирование #алгоритмы #машинное_обучение #статистика #компьютерное_зрение #AI #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📘 Создаём нейронную сеть [2017] Рашид Тарик

Эта книга представляет собой введение в теорию и практику создания нейронных сетей. Она предназначена для тех, кто хочет узнать, что такое нейронные сети, где они применяются и как самому создать такую сеть, не имея опыта работы в данной области. Автор простым и понятным языком объясняет теоретические аспекты, знание которых необходимо для понимания принципов функционирования нейронных сетей и написания соответствующих программных инструкций. Изложение материала сопровождается подробным описанием процедуры поэтапного создания полностью функционального кода, который реализует нейронную сеть на языке Python и способен выполняться даже на таком миниатюрном компьютере, как Raspberry Pi Zero.

Тарик Рашид — специалист в области количественного анализа данных и разработки решений на базе продуктов с открытым исходным кодом.Имеет ученую степень по физике и степень магистра по специальности "Machine Learning and Data Mining". Проживая в Лондоне, он возглавляет местную группу разработчиков Python (насчитывающую около 3000 участников), организует многочисленные семинары и часто выступает с докладами на международных конференциях.

📗 Make Your Own Neural Network Tariq Rashid [2016] Rashid Tariq

A step-by-step gentle journey through the mathematics of neural networks, and making your own using the Python computer language.
Neural networks are a key element of deep learning and artificial intelligence, which today is capable of some truly impressive feats. Yet too few really understand how neural networks actually work. This guide will take you on a fun and unhurried journey, starting from very simple ideas, and gradually building up an understanding of how neural networks work. You won't need any mathematics beyond secondary school, and an accessible introduction to calculus is also included.

#программирование #алгоритмы #машинное_обучение #статистика #компьютерное_зрение #AI #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📚 Искусственный интеллект: современный подход, 4-е изд. [3 тома] [2021] Рассел Стюарт, Норвиг Питер

⚠️ Книги предоставляется вам для ознакомления и не для распространения

💾 Скачать книги

В четвертом, обновленном, пересмотренном и дополненном издании этой книги область искусственного интеллекта (ИИ) исследуется и анализируется во всей ее обширности и глубине. Здесь представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течение последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в областях знаний, ставших стимулом к развитию ИИ как науки. Предыдущие издания этой книги стали классическими образцами литературы по ИИ и приняты в качестве учебного пособия более чем в 1400 университетах 128 стран мира, где были высоко оценены как убедительный итог обобщения результатов, достигнутых в этой области науки.

Для тех, кто захочет поддержать на кофе и печеньки ☕️:
ВТБ: +79616572047 (СБП)
Сбер: +79026552832 (СБП)
ЮMoney: 410012169999048

Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные и исследовательские проекты, реализации алгоритмов, а также дополнительные материалы и ссылки для студентов и преподавателей. #ИИ #AI #ML #машинное_обучение #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📗 Том 1. Решение проблем: знания и рассуждения

Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные и исследовательские проекты, реализации алгоритмов, а также дополнительные материалы и ссылки для студентов и преподавателей. Что нового в четвертом издании. В четвертом издании читатель познакомится с новейшими технологиями и концепциями, представленными в более унифицированном виде с новым или расширенным охватом таких тем, как машинное обучение, глубокое обучение, трансферное обучение, многоагентные системы, робототехника, обработка естественного языка, проблема причинности, вероятностное программирование, а также конфиденциальность, беспристрастность и безопасность ИИ.

📘 Том 2. Знания и рассуждения в условиях неопределенности

Предыдущие издания этой книги стали классическими образцами литературы по ИИ и приняты в качестве учебного пособия более чем в 1400 университетах 128 стран мира, где были высоко оценены как убедительный итог обобщения результатов, достигнутых в этой области науки. Книга дополнена обширным набором интернет-ресурсов, включая упражнения, программные проекты и исследовательские проекты, реализации алгоритмов, дополнительные материалы и ссылки для студентов и преподавателей.

📙 Том 3. Обучение, восприятие и действие

Самое полное и актуальное введение в теорию и практику искусственного интеллекта! В четвертом, обновленном, пересмотренном и дополненном издании этой книги область искусственного интеллекта (ИИ) исследуется и анализируется во всей ее обширности и глубине. Здесь представлены все современные достижения и изложены идеи, которые были сформулированы в исследованиях, проводившихся в течение последних пятидесяти лет, а также собраны на протяжении двух тысячелетий в областях знаний, ставших стимулом к развитию ИИ как науки. #ИИ #AI #ML #машинное_обучение #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📚 5 книг по теме: машинная графика, обработка изображений, контурный анализ

💾 Скачать книги

Машинная графика (МГ) – это совокупность технических, математических и программных средств и приемов, позволяющих осуществить ввод и вывод из ЭВМ графической информации без ручного преобразования информации в числовую или графическую форму. Машинная графика используется во многих научных и инженерных дисциплинах, в бизнесе и кинематографии, рекламном и издательском деле, проектировании.

Обработка изображений — любая форма обработки информации, для которой входные данные представлены изображением, например, фотографиями или видеокадрами.

Контурный анализ — это область науки, посвященная обработке изображения, содержащая в себе набор алгоритмов и методов по нахождению границ (контуров) объектов и работе с границами объектов на изображении.
#математика #искусственный_интеллект #машинное_обучение #обработка_изображений #контурный_анализ #линейная_алгебра #ML #AI

💡 Physics.Math.Code // @physics_lib

📙 Обработка изображений и цифровая фильтрация [1979] Хуанг Т.
📘 Быстрые алгоритмы в цифровой обработке изображений Преобразования и медианные фильтры [1984] Хуанг Т.С.

💾 Скачать книги

Обработка изображений — любая форма обработки информации, для которой входные данные представлены изображением, например, фотографиями или видеокадрами. #математика #искусственный_интеллект #машинное_обучение #обработка_изображений #контурный_анализ #линейная_алгебра #ML #AI

Для тех, кто захочет поддержать на кофе и печеньки ☕️:
ВТБ: +79616572047 (СБП)
Сбер: +79026552832 (СБП)
ЮMoney: 410012169999048

💡 Physics.Math.Code // @physics_lib

📙 Кластерный анализ [1988] Мандель Игорь Давидович

💾 Скачать книгу

Основная идея кластерного анализа (clustering, cluster analysis) заключается в том, чтобы разбить объекты на группы или кластеры таким образом, чтобы внутри группы эти наблюдения были более похожи друг на друга, чем на объекты другого кластера. При этом мы заранее не знаем на какие кластеры необходимо разбить наши данные. Это связано с тем, что мы обучаем модель на неразмеченных данных (unlabeled data), то есть без целевой переменной, компонента y. Именно поэтому в данном случае говорят по машинное обучение без учителя (Unsupervised Learning).

Кластерный анализ может применяться для сегментации потребителей, обнаружения аномальных наблюдений (например, при выявлении мошенничества) и в целом для структурирования данных, о содержании которых мало что известно заранее. #математика #искусственный_интеллект #машинное_обучение #обработка_изображений #контурный_анализ #линейная_алгебра #ML #AI

💡 Physics.Math.Code // @physics_lib

📘 A Concise Introduction to Robot Programming with ROS2 [2022] Francisco Martín Rico
📘 Краткое введение в программирование роботов с помощью ROS2 [2022] Франсиско Мартин Рико

💾 Скачать книгу

Краткое введение в программирование роботов с помощью ROS2 знакомит читателя с концепциями и инструментами, необходимыми для воплощения робота в жизнь с помощью программирования. Это поможет читателю приобрести навыки, необходимые для реализации проектов с использованием ROS2, новой версии ROS. Нет необходимости иметь предыдущий опыт работы с ROS2, поскольку в нем с самого начала будут описаны его концепции, инструменты и методологии.
Ключевые особенности:
▪️ Использует два языка программирования, официально поддерживаемых в ROS2 (в основном, C++ и Python)
▪️ Подходит к ROS2 с трех разных, но взаимодополняющих позиций: сообщество, граф вычислений и рабочее пространство
▪️ Включает в себя полную модель робота, стратегии разработки и тестирования, деревья поведения, описание, настройку и использование Nav2
▪️ Репозиторий на GitHub с кодом, который поможет читателям
Книга понравится целеустремленным студентам инженерных специальностей, инженерам и профессионалам, работающим с программированием роботов.
#компьютерное_зрение #python #computer_vision #программирование #машинное_обучение #искусственный_интеллект #cpp #робототехника

💡 Physics.Math.Code // @physics_lib

📘 A Concise Introduction to Robot Programming with ROS2 [2022] Francisco Martín Rico

A Concise Introduction to Robot Programming with ROS2 provides the reader with the concepts and tools necessary to bring a robot to life through programming. It will equip the reader with the skills necessary to undertake projects with ROS2, the new version of ROS. It is not necessary to have previous experience with ROS2 as it will describe its concepts, tools, and methodologies from the beginning.

Key Features:
▪️ Uses the two programming languages officially supported in ROS2 (C++, mainly, and Python)
▪️ Approaches ROS2 from three different but complementary dimensions: the Community, Computation Graph, and the Workspace
▪️ Includes a complete simulated robot, development and testing strategies, Behavior Trees, and Nav2 description, setup, and use
▪️ A GitHub repository with code to assist readers
It will appeal to motivated engineering students, engineers, and professionals working with robot programming.
#компьютерное_зрение #python #computer_vision #программирование #машинное_обучение #искусственный_интеллект #cpp #робототехника

💡 Physics.Math.Code // @physics_lib

📘 Искусственный интеллект в стратегических играх [2024] Илья Шпигорь

💾 Скачать книгу

⚠️ Книга публикуется по просьбе автора, все материалы предоставлены автором: Илья Шпигорь
Поддержать автора можно через сайт: https://leanpub.com/ai-in-strategy-games
#искусственный_интеллект #теория_игр #программирование #машинное_обучение #алгоритмы

💡 Physics.Math.Code // @physics_lib

📘 Искусственный интеллект в стратегических играх [2024] Илья Шпигорь

Часть I. Компьютерные шахматы. Эта книга задумывалась как простой и доступный учебник по теории ИИ. Затем её фокус сместился на успехи интеллектуальных агентов в стратегических играх. В результате книга объединила в себе три темы: теория игр, теория ИИ и компьютерные шахматы.

Книга заинтересует вас, если вы хотите:
* Понять основы ИИ, машинного обучения и нейронных сетей.
* Узнать устройство современных шахматных программ.
* Познакомиться с успехами и перспективами ИИ в стратегических играх.

Кроме этого, вы также познакомитесь с практическими примерами использования ИИ. Они продемонстрируют простые модели машинного обучения для решения типовых задач.#искусственный_интеллект #теория_игр #программирование #машинное_обучение #алгоритмы

💡 Physics.Math.Code // @physics_lib

📱 Revisiting BPR: A Replicability Study of a Common Recommender System Baseline

💾 Скачать исследование – ссылка

Ученые из лаборатории искусственного интеллекта T-Bank AI Research представили новый алгоритм, который с помощью ИИ увеличивает точность онлайн-рекомендаций до 50% в некоторых случаях. Разработчики взяли за основу и улучшили популярный алгоритм для предсказания предпочтений пользователей Bayesian Personalized Ranking, который считается одним из мировых стандартов в рекомендательных системах. Поиск наиболее эффективного варианта алгоритма занял более 200 000 GPU-часов и 15 000 экспериментов на внутренних данных Т-Банка с различными комбинациями параметров модели. Отмечается также, что новая разработка оказалась на 10% точнее алгоритма Mult-VAE, которую ранее опубликовали разработчиками из Netflix.

Новый алгоритм позволит компаниям улучшать свои метрики, в том числе конверсию в покупку, средний чек и выручку. Покупатели при этом смогут быстрее находить нужные товары на маркетплейсах, а зрители — получать более персонализированные рекомендации фильмов и сериалов.

Открытие ученых было признано мировым научным сообществом и представлено на главной международной конференции по рекомендательным системам ACM RecSys.

#ИИ #AI #искусственный_интеллект #science #алгоритмы

💡 Physics.Math.Code // @physics_lib

⛵️ Самый точный в мире метод распознавания неизвестных объектов на фото с помощью ИИ разработали ученые из T-Bank AI Research

💾 Скачать исследование

Ранее в области компьютерного зрения (CV) для распознавания объектов на фото применялись методы машинного обучения. Однако они сталкивались с проблемой однородности ансамблей, иначе говоря, они были слишком похожи друг на друга, что приводило к снижению качества и разнообразия их оценок.

Ученые из T-Bank AI Research разработали метод Saliency-Diversified Deep Ensembles, решающий эту проблему. В нем используются карты внимания, фокусирующиеся на разных аспектах данных. “Глубокие ансамбли”, которые объединяют несколько нейронных сетей для решения задачи применялись и ранее для компьютерного зрения, но при применении SDDE каждая модель обращается к разным аспектам данных, например отдельно захватывается фон изображения. Компиляция таких разных данных и привела к повышению точности анализа объектов на изображениях. Так ученым удалось уменьшить схожесть моделей, что способствует более надежной и диверсифицированной идентификации объектов.

Использование метода SDDE позволяет модели на 20% меньше ошибаться при обработке и анализе фото. При этом она учитывает не только наборы данных, знакомые ей из обучения, но и неизвестную ранее информацию. В перспективе метод SDDE будут использовать в сферах, требующих высокой точности анализа, например, в медицинской диагностике, где важно различать неопознанные элементы и графические артефакты, а также в сфере беспилотных транспортных средств.

Для проверки метода и оценки его эффективности ученые провели испытания на популярных базах данных: CIFAR10, CIFAR100 и ImageNet-1K. Результаты метода SDDE превзошли результаты других схожих алгоритмов, например, Negative Correlation Learning и Adaptive Diversity Promoting.

На Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби открытие ученых было признано мировым научным сообществом.

#ИИ #AI #искусственный_интеллект #science #алгоритмы #math #математика

💡 Physics.Math.Code // @physics_lib

Муравьи против людей: задача по переносу объекта через лабиринт

📝 Подробнее здесь

#физика #наука #science #physics #геометрия #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

💾 Скачать книгу

Обработка нечёткой информации — процесс, при котором системы работают с данными, которые не имеют чёткого значения, но могут быть представлены в виде нечётких множеств или лингвистических переменных. Для обработки такой информации используются методы на основе нечёткой логики — формы многозначной логики, производной от теории нечётких множеств.

Обработка нечёткой информации включает несколько этапов, которые называются процессом нечёткого вывода:
1. Фаззификация — преобразование входных данных в значения лингвистических переменных.
2. Нечёткий вывод — применение процедур на множестве продукционных правил для формирования выходных лингвистических значений.
3. Дефаззификация — преобразование выведенных значений в точные значения для действий или решений.

Некоторые методы обработки нечёткой информации:
▪️На основе алгоритмов нечёткого вывода. Например, механизм Мамдани, который включает фаззификацию, нечётный вывод, композицию и дефаззификацию.
▪️С использованием функций принадлежности. Они количественно определяют степень принадлежности элемента к нечётному множеству и могут принимать различные формы (линейная, экспоненциальная, гауссова).
▪️С применением интервального анализа. Позволяет работать с величинами, для которых задан лишь интервал допустимых или возможных значений.
#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

Монография посвящена вопросам обработки нечеткой информации в системах принятия решений, создаваемых на базе универсальных ЭВМ. Данные системы применяются при управлении технологическими объектами, в САПР, технической диагностике и разрабатываются как составная часть экспертных систем. Одним из источников информации в таких системах являются специалисты, выражающие свои знания с помощью нечетких понятий и отношений естественного языка.Описываются теоретические принципы, методы и прикладные алгоритмы анализа решений в условиях риска и нечеткой исходной информации на основе лингвистического подхода. Излагаются основные элементы нечеткой математики в моделях принятия решений. Особое внимание уделяется применению аксиоматической теории полезности. Предлагаются методы формирования лингвистических лотерей, позволяющие обосновать правила вычисления и упорядочения лингвистических оценок ожидаемой полезности альтернатив.Рассматриваются методы оценивания полезности в условиях нечеткой информации. Приводятся модели принятия решений на основе безусловных и условных нечетких свидетельств. Применение нечетких свидетельств для описания информации лица, принимающего решения, позволяет оценивать ее качество и производить коррекцию.Описывается программное обеспечение обработки нечеткой информации в системах принятия решений. Приводятся примеры решения организационно-технических задач при нечеткой исходной информации.Для научных работников — специалистов в области систем автоматизированного проектирования, автоматизации управления, принятия решений, экспертных систем.

Обработка нечёткой информации применяется в различных областях, например:

▪️Системы управления. Контроллеры с нечёткой логикой определяют оптимальные точки переключения передач на основе скорости, положения дроссельной заслонки и других факторов.
▪️Экспертные системы. Используют нечёткую логику для имитации способностей человека-эксперта к принятию решений. Например, системы медицинской диагностики оценивают симптомы и результаты анализов, предоставляя диагноз, учитывающий неопределённость состояния здоровья.
▪️Обработка изображений. Нечёткая логика помогает определить границы, уменьшить шум и улучшить качество изображения, учитывая неоднозначность данных.
▪️Системы поддержки принятия решений. Принимают обоснованные решения на основе неполной или неопределённой информации, например, оценивают риск и доходность вариантов инвестирования в неопределённых рыночных условиях.

#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib