Form of Work
Książki
(17)
E-booki
(10)
ebookpoint BIBLIO
(8)
Publikacje fachowe
(6)
Publikacje dydaktyczne
(4)
Status
available
(14)
only on-site
(8)
Branch
Wypożyczalnia
(14)
Czytelnia
(8)
Author
Gutowski Maksymilian
(2)
Rutkowski Leszek
(2)
Walczak Tomasz
(2)
Wróblewski Piotr
(2)
zbiorowa Praca
(2)
Ahmad Imran (1977- )
(1)
Anggoro Wisnu
(1)
Banachowski Lech
(1)
Bancila Marius
(1)
Bhargava Aditya Y
(1)
Bogusławska Katarzyna
(1)
Bonaccorso Giuseppe
(1)
Cormen Thomas H
(1)
Dańko Wiktor
(1)
Diks Krzysztof
(1)
Diks Krzysztof (1956- )
(1)
Downey Allen B
(1)
Freeman Eric
(1)
Gaddis Tony
(1)
Grażyński Andrzej
(1)
Heineman George T
(1)
Hurbans Rishal
(1)
Janusz Jacek
(1)
Kalinowska Alina
(1)
Kamiński Filip
(1)
Kierzkowski Zbigniew
(1)
Klus-Stańska Dorota
(1)
Leiserson Charles E
(1)
Malinowski Adam
(1)
Natingga Dávid
(1)
Pawlak Beata
(1)
Pirjanowicz Wincenty
(1)
Piwko Łukasz
(1)
Pollice Gary
(1)
Płoski Zdzisław
(1)
Ray Archana Tikayat
(1)
Rivest Ronald L
(1)
Roszkowska Daria
(1)
Rytter Wojciech
(1)
Rytter Wojciech (1948- )
(1)
Sawka Krzysztof
(1)
Sedgewick Robert (1946- )
(1)
Selkow Stanley (1944- )
(1)
Stański Adam
(1)
Stein Clifford (1965- )
(1)
Suma Łukasz
(1)
Watrak Andrzej
(1)
Wayne Kevin (1971- )
(1)
White Ryan T
(1)
Wierzchoń Patryk
(1)
Zieliński Jerzy S
(1)
Zieliński Tomasz Piotr (1958- )
(1)
Year
2020 - 2022
(6)
2010 - 2019
(14)
2000 - 2009
(7)
Time Period of Creation
2001-
(9)
Country
Poland
(27)
Language
Polish
(27)
Subject
Algorytmy
(16)
Programowanie (informatyka)
(5)
Sieci neuronowe
(4)
Inteligencja sztuczna
(3)
Informacja dla zarządzania
(2)
Informatyka
(2)
Modele matematyczne
(2)
Przetwarzanie danych
(2)
Python (język programowania)
(2)
Struktury danych
(2)
Uczenie się maszyn
(2)
Algorytmy genetyczne
(1)
Algorytmy sortowania
(1)
Baza danych
(1)
Data science
(1)
Filtracja cyfrowa
(1)
Geometria
(1)
Handel elektroniczny
(1)
Java (język programowania)
(1)
Liczby
(1)
Logistyka
(1)
Matematyka
(1)
Matematyka dyskretna
(1)
PASCAL
(1)
Prakseologia
(1)
Programowanie (informat.)
(1)
Programowanie zwinne
(1)
Przedsiębiorstwo
(1)
Przedsiębiorstwo a systemy informacyjne
(1)
Przekształcenie Fouriera
(1)
Przetwarzanie sygnałów
(1)
Społeczeństwo informacyjne
(1)
Statystyka matematyczna
(1)
Systemy ekspertowe
(1)
Systemy informacyjne
(1)
Sztuczna inteligencja
(1)
Teoria sygnałów
(1)
Uczenie maszynowe
(1)
Zarządzanie wiedzą
(1)
Zbiory rozmyte
(1)
teoria chaosu
(1)
Łańcuch Markowa
(1)
Genre/Form
Podręcznik
(7)
Opracowanie
(1)
Podręczniki
(1)
Domain
Informatyka i technologie informacyjne
(8)
Matematyka
(2)
Inżynieria i technika
(1)
27 results Filter
Book
In basket
ISBN: 978-83-283-7777-6
O autorze; O recenzencie; Przedmowa; WSTĘP I PODSTAWOWE ALGORYTMY Rozdział 1. Wprowadzenie do algorytmów; Co to jest algorytm?; Fazy algorytmu; Określenie logiki algorytmu; Zrozumienie pseudokodu; Korzystanie z fragmentów kodu (snippetów); Stworzenie planu wykonania; Wprowadzenie do pakietów w Pythonie; Pakiety w Pythonie; Programowanie w Pythonie z Jupyter; Notebook; Techniki projektowania algorytmów; Wymiar danych; Wymiar obliczeniowy; Analiza efektywności; Analiza pamięciowej złożoności obliczeniowej; Czasowa złożoność obliczeniowa; Szacowanie efektywności; Wybór algorytmu; Notacja dużego O; Walidacja algorytmu; Algorytmy dokładne, aproksymacyjne i randomizowane; Możliwość wyjaśnienia Podsumowanie; Rozdział 2. Struktury danych w algorytmach; Struktury danych w Pythonie; Lista; Krotka; Słownik; Zbiór; Ramka danych; Macierz; Abstrakcyjne typy danych; Wektor; Stos; Kolejka; Kiedy używać stosów i kolejek?; Drzewo; Podsumowanie; Rozdział 3. Algorytmy sortowania wyszukiwania; Wprowadzenie do algorytmów sortowania; Zamiana wartości zmiennych w Pythonie; Sortowanie bąbelkowe; Sortowanie przez wstawianie; Sortowanie przez scalanie; Sortowanie; Shella; Sortowanie przez wymianę; Wprowadzenie do algorytmów wyszukiwania; Wyszukiwanie liniowe; Wyszukiwanie binarne; Wyszukiwanie interpolacyjne; Praktyczne przykłady; Podsumowanie; Rozdział 4. Projektowanie algorytmów; Wprowadzenie do projektowania algorytmów; Kwestia 1: Czy algorytm zwraca rezultat, jakiego oczekujemy?; Kwestia 2: Czy robi to w optymalny sposób?; Kwestia 3: Jak efektywny będzie ten algorytm zastosowany do większych zbiorów danych?; Strategie algorytmiczne; Strategia "dziel i rządź"; Strategia programowania dynamicznego; Strategia algorytmu zachłannego; Praktyczny przykład - rozwiązanie problemu komiwojażera; Metoda siłowa; Zastosowanie algorytmu zachłannego; Algorytm PageRank; Definicja problemu; Implementacja algorytmu PageRank; Programowanie liniowe; Definicja problemu w programowaniu liniowym; Praktyczny przykład - planowanie przepustowości za pomocą programowania liniowego; Podsumowanie; Rozdział 5. Algorytmy grafowe; Reprezentacja grafów; Rodzaje grafów; Specjalne rodzaje krawędzi; Sieci egocentryczne; Analiza sieciowa; Wprowadzenie do teorii analizy sieciowej; Najkrótsza ścieżka; Określanie sąsiedztwa; Wskaźnik centralności; Obliczanie wskaźników centralności w Pythonie; Trawersowanie grafu; Wyszukiwanie wszerz; Wyszukiwanie w głąb; Studium przypadku - analiza oszustw; Prosta analiza pod kątem oszustwa; Podejście strażnicy; Podsumowanie; ALGORYTMY UCZENIA MASZYNOWEGO; Rozdział 6. Algorytmy nienadzorowanego uczenia maszynowego; Wprowadzenie do nienadzorowanego uczenia maszynowego; Uczenie nienadzorowane w cyklu życia eksploracji danych; Trendy badawcze w zakresie uczenia nienadzorowanego; Praktyczne przykłady; Algorytmy klasteryzacji; Wyliczanie podobieństw; Grupowanie hierarchiczne; Ocena klastrów; Zastosowania klasteryzacji; Redukcja wymiarów; Analiza głównych składowych; Ograniczenia analizy głównych składowych; Reguły asocjacyjne; Przykłady użycia; Analiza koszykowa; Reguły asocjacyjne; Wskaźniki reguł; Algorytmy analizy asocjacyjnej; Praktyczny przykład - grupowanie podobnych tweetów; Modelowanie tematów; Klasteryzacja; Algorytmy wykrywania odchyleń; Wykorzystanie klastrów; Wykorzystanie wykrywania odchyleń opartego na gęstości; Wykorzystanie maszyny wektorów nośnych; Podsumowanie; Rozdział 7. Tradycyjne algorytmy uczenia nadzorowanego; Nadzorowane uczenie maszynowe; Żargon nadzorowanego uczenia maszynowego; Warunki konieczne; Rozróżnienie między klasyfikatorami a regresorami; Algorytmy klasyfikujące; Wyzwanie dla klasyfikatorów; Inżynieria cech w przetwarzaniu potokowym; Ocena klasyfikatorów; Określenie faz klasyfikacji; Algorytm drzewa decyzyjnego; Metody zespolone; Regresja logistyczna; Maszyna wektorów nośnych; Naiwny klasyfikator bayesowski; Zwycięzcą wśród algorytmów klasyfikacji jest...; Algorytmy regresji; Wyzwanie dla regresji; Regresja liniowa; Algorytm drzewa regresji; Regresyjny algorytm wzmocnienia gradientowego; Zwycięzcą wśród algorytmów regresji jest...; Praktyczny przykład, jak przewidywać pogodę; Podsumowanie; Rozdział 8. Algorytmy sieci neuronowych; Wprowadzenie do sieci neuronowych; Ewolucja sieci neuronowych; Trenowanie sieci neuronowej; Anatomia sieci neuronowej; Definicja gradientu prostego; Funkcje aktywacji; Narzędzia i modele Keras TensorFlow; Rodzaje sieci neuronowych; Uczenie transferowe; Studium przypadku - użycie uczenia głębokiego do wykrywania oszustw; Metodologia; Podsumowanie; Rozdział 9. Algorytmy przetwarzania języka naturalnego; Wprowadzenie do przetwarzania języka naturalnego; Terminologia przetwarzania języka naturalnego NLTK; Model bag-of-words; Wektorowe przedstawienie słów; Otoczenie słowa; Właściwości wektorowego przedstawienia słów; Użycie rekurencyjnych sieci neuronowych do przetwarzania języka naturalnego; Wykorzystanie przetwarzania języka naturalnego do analizy sentymentu; Studium przypadku - analiza sentymentu w recenzjach filmowych; Podsumowanie; Rozdział 10. Silniki poleceń; Wprowadzenie do silników poleceń; Rodzaje silników poleceń; Silniki poleceń oparte na treści; Silniki poleceń oparte na filtrowaniu kooperacyjnym Hybrydowe silniki poleceń; Ograniczenia systemów poleceń; Zimny start; Wymagania dotyczące metadanych; Problem rzadkości danych; Tendencyjność ze względu na wpływ społeczny; Ograniczone dane; Obszary praktycznych zastosowań; Przykład praktyczny - stworzenie silnika poleceń; Podsumowanie; ZAGADNIENIA ZAAWANSOWANE; Rozdział 11. Algorytmy danych; Wprowadzenie do algorytmów danych; Klasyfikacja danych; Algorytmy przechowywania danych; Strategie przechowywania danych; Algorytmy strumieniowania danych; Zastosowania strumieniowania; Algorytmy kompresji danych; Algorytmy kompresji bezstratnej; Przykład praktyczny - analiza sentymentu na Twitterze; Podsumowanie; Rozdział 12. Kryptografia; Wprowadzenie do kryptografii; Waga najsłabszego ogniwa; Terminologia; Wymagania bezpieczeństwa; Podstawy projektowania szyfrów; Rodzaje technik kryptograficznych; Kryptograficzna funkcja skrótu; Szyfrowanie symetryczne; Szyfrowanie asymetryczne; Przykład - kwestie bezpieczeństwa we wdrażaniu modelu uczenia maszynowego; Atak man-in-the-middle; Obrona przed techniką masquerading; Szyfrowanie danych i modelu; Podsumowanie; Rozdział 13. Algorytmy przetwarzania danych w dużej skali; Wprowadzenie do algorytmów przetwarzania danych w dużej skali; Definicja dobrze zaprojektowanego algorytmu przetwarzania danych w dużej skali; Terminologia; Projektowanie algorytmów równoległych; Prawo Amdahla; Szczegółowość podprocesów Równoważenie obciążenia; Przetwarzanie lokalne; Procesy współbieżne w Pythonie; Tworzenie strategii przetwarzania na puli zasobów; Architektura CUDA; Obliczenia w klastrze; Strategia hybrydowa; Podsumowanie; Rozdział 14. Uwagi praktyczne; Wprowadzenie do uwag praktycznych; Smutna historia bota sztucznej inteligencji na Twitterze; Transparentność algorytmu; Algorytmy uczenia maszynowego i transparentność; Etyka i algorytmy; Problemy z algorytmami uczącymi się; Znaczenie kwestii etycznych; Ograniczanie stronniczości modeli; Problemy NP-trudne; Uproszczenie problemu; Dopasowanie dobrze znanego rozwiązania podobnego problemu; Metoda probabilistyczna; Kiedy używać algorytmów; Praktyczny przykład - teoria czarnego łabędzia; Podsumowanie.
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (2 egz.)
No cover
Book
In basket
ISBN: 978-83-87981-14-3
1. Wprowadzenie do problematyki algorytmicznego modelowania zjawisk losowych, 2. Skończenie stanowe łańcuchy Markowa, 3. Iteracyjne algorytmy probabilistyczne skończone interpretacje, 4. Przykłady, 5. Uwagi końcowe, 6. Zadania
This item is available in 2 branches. Expand the list to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (1 egz.)
Czytelnia
Copies are only available in the library: sygn. 004 (1 egz.)
Book
In basket
Algorytmy / Robert Sedgewick, Kevin Wayne ; [tłumaczenie Tomasz Walczak]. - Wyd. 4. - Gliwice : Helion , cop. 2017. - 952 s. : il. ; 25 cm.
ISBN: 978-83-283-3710-7
1. Podstawy. 1.1. Podstawowy model programowania. 1.2. Abstrakcja danych. 1.3. Wielozbiory, kolejki i stosy. 1.4. Analiza algorytmów. 1.5. Studium przypadku – problem Union-Find. 2. Sortowanie. 2.1. Podstawowe metody sortowania. 2.2. Sortowanie przez scalanie. 2.3. Sortowanie szybkie. 2.4. Kolejki priorytetowe. 2.5. Zastosowania. 3. Wyszukiwanie. 3.1. Tablice symboli. 3.2. Drzewa wyszukiwań binarnych. 3.3. Zbalansowane drzewa wyszukiwań. 3.4. Tablice z haszowaniem. 3.5. Zastosowania. 4. Grafy. 4.1. Grafy nieskierowane. 4.2. Grafy skierowane. 4.3. Minimalne drzewa rozpinające. 4.4. Najkrótsze ścieżki. 5. Łańcuchy znaków. 5.1. Sortowanie łańcuchów znaków. 5.2. Drzewa trie. 5.3.Wyszukiwanie podłańcuchów. 5.4. Wyrażenia regularne. 5.5. Kompresja danych. 6. Kontekst. Algorytmy. Klienty.
This item is available in 2 branches. Expand the list to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (2 egz.)
Czytelnia
Copies are only available in the library: sygn. 004 (1 egz.)
No cover
Book
In basket
ISBN: 978-83-246-2209-2
Część I. 1. Algorytmy są ważne. Postaraj się zrozumieć problem. Jeśli to konieczne, eksperymentuj. Kwestia uboczna. Nauka płynąca z opowiedzianej historii. Literatura. 2. Algorytmy w ujęciu matematycznym. Rozmiar konkretnego problemu. Tempo rośnięcia funkcji. Analiza przypadku najlepszego, średniego i najgorszego. Rodziny efektywności. Mieszanka działań. Operacje do pomiarów wzorcowych. Uwaga końcowa. Literatura. 3. Wzorce i dziedziny. Wzorce - język komunikacji. Forma wzorca pseudokodu. Forma projektowa. Forma oceny doświadczalnej. Dziedziny a algorytmy. Obliczenia zmiennopozycyjne. Ręczne przydzielanie pamięci. Wybór języka programowania. Część II. 4. Algorytmy sortowania. Przegląd. Sortowanie przez wstawianie. Sortowanie medianowe. Sortowanie szybkie. Sortowanie przez wybieranie. Sortowanie przez kopcowanie. Sortowanie przez zliczanie. Sortowanie kubełkowe. Kryteria wyboru algorytmu sortowania. Literatura. 5. Wyszukiwanie. Przegląd. Wyszukiwanie sekwencyjne. Wyszukiwanie z haszowaniem. Przeszukiwanie drzewa binarnego. Literatura. 6. Algorytmy grafowe. Przegląd. Przeszukiwania w głąb. Przeszukiwanie wszerz. Najkrótsza ścieżka z jednym źródłem. Najkrótsza ścieżka między wszystkimi parami. Algorytmy minimalnego drzewa rozpinającego. Literatura. 7. Znajdowanie dróg w AI. Przegląd. Przeszukiwania wszerz. A*SEARCH. Porównanie. Algorytm minimaks. Algorytm AlfaBeta. 8. Algorytmy przepływu w sieciach. Przegląd. Przepływ maksymalny. Dopasowanie obustronne. Uwagi na temat ścieżek powiększających. Przepływ o minimalnym koszcie. Przeładunek. Przydział zadań. Programowanie liniowe. Literatura. 9. Geometria obliczeniowa. Przegląd. Skanowanie otoczki wypukłej. Zamiatanie prostą. Pytanie o najbliższych sąsiadów. Zapytania przedziałowe. Literatura. Część III. 10. Gdy wszystko inne zawodzi. Wariacje na temat. Algorytmy aproksymacyjne. Algorytmy offline. Algorytmy równoległe. Algorytmy losowe. Algorytmy, które mogą być złe, lecz z malejącym prawdopodobieństwem. Literatura. 11. Epilog. Przegląd. Zasada: znaj swoje dane. Zasada: podziel problem na mniejsze problemy. Zasada: wybierz właściwą strukturę. Zasada: dodaj pamięci, aby zwiększyć efektywność. Zasada: jeśli nie widać rozwiązania, skonstruuj przeszukanie. Zasada: jeśli nie widać rozwiązania, zredukuj problem do takiego, który ma rozwiązanie. Zasada: pisanie algorytmów jest trudne, testowanie – trudniejsze. Część IV. Dodatek. Testy wzorcowe. Podstawy statystyczne. Sprzęt. Przykład. Raportowanie. Dokładność.
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (2 egz.)
Book
In basket
ISBN: 978-83-283-3445-8
1. Wprowadzenie do algorytmów. Wprowadzenie. Czego nauczysz się o wydajności. Czego nauczysz się o rozwiązywaniu problemów. Wyszukiwanie binarne. Lepszy sposób wyszukiwania. Czas wykonywania. Notacja dużego O. Czas wykonywania algorytmów rośnie w różnym tempie. Wizualizacja różnych czasów wykonywania. Notacja dużego O określa czas działania w najgorszym przypadku. Kilka typowych czasów wykonywania. Problem komiwojażera. Powtórzenie. 2. Sortowanie przez wybieranie. Jak działa pamięć. Tablice i listy powiązane. Listy powiązane. Tablice. Terminologia. Wstawianie elementów w środku listy. Usuwanie elementów. Sortowanie przez wybieranie. Powtórzenie. 3. Rekurencja. Rekurencja. Przypadki podstawowy i rekurencyjny. Stos. Stos wywołań. Stos wywołań z rekurencją. Powtórzenie. 4. Szybkie sortowanie. "Dziel i rządź". Sortowanie szybkie. Jeszcze raz o notacji dużego O. Sortowanie przez scalanie a sortowanie szybkie. Przypadki średni i najgorszy. Powtórzenie. 5. Tablice skrótów. Funkcje obliczania skrótów. Zastosowania tablic skrótów. Przeszukiwanie tablic skrótów. Zapobieganie powstawaniu duplikatów elementów. Tablice skrótów jako pamięć podręczna. Powtórzenie wiadomości. Kolizje. Wydajność. Współczynnik zapełnienia. Dobra funkcja obliczania skrótów, Powtórzenie. 6. Przeszukiwanie wszerz. Wprowadzenie do grafów. Czym jest graf. Wyszukiwanie wszerz. Szukanie najkrótszej drogi. Kolejki. Implementacja grafu. Implementacja algorytmu. Czas wykonywania. Powtórzenie. 7. Algorytm Dijkstry. Posługiwanie się algorytmem Dijkstry. Terminologia. Szukanie funduszy na fortepian. Krawędzie o wadze ujemnej. Implementacja. Powtórzenie. 8. Algorytmy zachłanne. Plan zajęć w sali lekcyjnej. Problem plecaka. Problem pokrycia zbioru. Algorytmy aproksymacyjne. Problemy NP-zupełne. Problem komiwojażera krok po kroku. Trzy miasta. Cztery miasta. Jak rozpoznać, czy problem jest NP-zupełny. Powtórzenie wiadomości. 9. Programowanie dynamiczne. Problem plecaka. Proste rozwiązanie. Programowanie dynamiczne. Pytania dotyczące problemu plecaka. Co się dzieje, gdy zostanie dodany element. Jaki będzie skutek zmiany kolejności wierszy. Czy siatkę można wypełniać wg kolumn zamiast wierszy. Co się stanie, gdy doda się mniejszy element. Czy można ukraść ułamek przedmiotu. Optymalizacja planu podróży. Postępowanie z wzajemnie zależnymi przedmiotami. Czy możliwe jest, aby rozwiązanie wymagało więcej niż dwóch podplecaków. Czy najlepsze rozwiązanie zawsze oznacza całkowite zapełnienie plecaka? Najdłuższa wspólna część łańcucha. Przygotowanie siatki. Wypełnianie siatki. Najdłuższa wspólna podsekwencja. Najdłuższa wspólna podsekwencja – rozwiązanie. Powtórzenie. 10. K najbliższych sąsiadów. Klasyfikacja pomarańczy i grejpfrutów. Budowa systemu rekomendacji. Wybór cech. Regresja. Wybieranie odpowiednich cech. Wprowadzenie do uczenia maszynowego. Optyczne rozpoznawanie znaków. Budowa filtra spamu. Przewidywanie cen akcji. Powtórzenie. 11. Co dalej. Drzewa. Odwrócone indeksy. Transformata Fouriera. Algorytmy równoległe. MapReduce. Do czego nadają się algorytmy rozproszone. Funkcja map. Funkcja reduce. Filtry Blooma i HyperLogLog. Filtry Blooma. HyperLogLog. Algorytmy SHA. Porównywanie plików. Sprawdzanie haseł. Locality-sensitive hashing. Wymiana kluczy Diffiego-Hellmana. Programowanie liniowe. Epilog. Rozwiązania ćwiczeń.
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (2 egz.)
No cover
Book
In basket
Algorytmy Data Science : siedmiodniowy przewodnik / Dávid Natingga ; tłum. Andrzej Grażyński. - Wyd. 2. - Gliwice : Helion , cop. 2019. - 206, [2] s. : rys., tab., wykresy, wzory ; 24 cm.
ISBN: 978-83-283-5602-3
Rozdział 1. Klasyfikacja na podstawie najbliższego sąsiedztwa. Subiektywne odczuwanie temperatury. Implementacja algorytmu k najbliższych sąsiadów. Dane wejściowe. Wynik klasyfikacji. Wizualizacja. Mapa Włoch przykład doboru wartości k. Analiza. Skalowanie danych prognozowanie statusu własności. Analiza. Nieeuklidesowe metryki odległości punktów klasyfikowanie tekstów. Analiza. Klasyfikowania tekstów ciąg dalszy wielowymiarowy algorytm k-NN. Analiza. Podsumowanie. Problemy. Subiektywne odczuwanie temperatury. Mapa Włoch przykład doboru wartości k. Status własności. Analiza. Rozdział 2. Naiwny klasyfikator bayesowski. Testy medyczne podstawowe zastosowanie twierdzenia Bayesa. Analiza. Podstawowe twierdzenie Bayesa i jego rozszerzenie. Twierdzenie Bayesa. Dowód. Rozszerzone twierdzenie Bayesa. Dowód. Zagramy w szachy? niezależne zdarzenia warunkujące. Analiza. Implementacja naiwnego klasyfikatora bayesowskiego. Dane wejściowe. Wynik. Zagramy w szachy? częściowo zależne zdarzenia warunkujące. Analiza. Dane wejściowe. Wynik. Chłopak czy dziewczyna? twierdzenie Bayesa dla ciągłych zmiennych losowych. Analiza. Podsumowanie. Problemy. Analiza. Rozdział 3. Drzewa decyzyjne. Pływamy? reprezentowanie danych w postaci drzewa decyzyjnego. Elementy teorii informacji. Entropia informacyjna. Przykład losowe rzucanie monetą. Definicja. Zysk informacyjny. Pływamy? obliczanie zysku informacyjnego. Algorytm ID3 konstruowanie drzewa decyzyjnego. Pływamy? budowanie drzewa decyzyjnego. Implementacja w języku Python. Dane wejściowe. Wynik. Klasyfikowanie danych za pomocą drzew decyzyjnych. Przykład pływamy czy nie? Przykład gra w szachy pod chmurką. Analiza. Dane wejściowe. Wynikowe drzewo decyzyjne. Klasyfikacja. Na zakupy przykład niespójnych danych. Analiza. Podsumowanie. Problemy. Analiza. Rozdział 4. Lasy losowe. Ogólne zasady konstruowania lasów losowych. Pływamy? klasyfikacja za pomocą lasu losowego. Analiza. Konstruowanie lasu losowego. Losowe drzewo decyzyjne nr 0. Losowe drzewo decyzyjne nr 1. Wynikowy las losowy. Klasyfikowanie cechy na podstawie lasu losowego. Implementacja algorytmu konstruowania lasu losowego. Dane wejściowe. Wynik. Przykład zagramy w szachy? Analiza. Konstruowanie lasu losowego. Losowe drzewo decyzyjne nr 0. Losowe drzewa decyzyjne nr 1, 2 i 3. Wynikowy las losowy. Klasyfikacja w drodze głosowania. Dane wejściowe. Wynik. Idziemy na zakupy? wnioskowanie z niespójnych danych i miara wiarygodności wyniku. Analiza. Dane wejściowe. Wynik. Podsumowanie. Problemy. Analiza. Dane wejściowe. Wynik. Rozdział 5. Klasteryzacja. Dochód gospodarstwa domowego niski czy wysoki? Algorytm k-średnich. Początkowy zbiór centroidów. Wyznaczanie centroidu klastera. Przykład wykorzystanie algorytmu k-średnich do klasyfikacji dochodów. Klasyfikowanie przez klasteryzację prognozowanie płci nieznanej osoby. Analiza. Implementacja algorytmu k-średnich. Dane wejściowe. Wynik grupowania. Status własności dobór optymalnej liczby klasterów. Analiza. Dane wejściowe. Wynik podział między dwa klastery. Wynik podział między trzy klastery. Wynik podział między cztery klastery. Wynik podział między pięć klasterów. Klasyfikowanie dokumentów semantyczne znaczenie klasteryzacji. Analiza. Dane wejściowe. Wynik podział między dwa klastery. Wynik podział między trzy klastery. Wynik podział między pięć klasterów. Podsumowanie. Problemy. Analiza. Dane wejściowe. Dwa klastery. Trzy klastery. Cztery klastery. Pięć klasterów. Wybór optymalnej liczby klasterów przy użyciu walidacji krzyżowej. Rozdział 6. Analiza regresji. Konwersja temperatur regresja liniowa dla danych doskonałych. Rozwiązanie analityczne. Metoda najmniejszych kwadratów w regresji liniowej. Implementacja analizy regresji liniowej w Pythonie. Kod programu. Wynik. Wizualizacja. Regresja dla danych pomiarowych prognozowanie wagi na podstawie wzrostu. Analiza. Kod programu. Wynik. Metoda spadku gradientowego i jej implementacja. Szczegóły algorytmu. Implementacja w Pythonie. Dane wejściowe. Wynik. Wizualizacja porównanie z metodą analityczną. Przewidywanie czasu przelotu na podstawie odległości. Analiza. Kod programu. Wynik. Obliczenia balistyczne model nieliniowy. Analiza. Kod programu. Wynik. Podsumowanie. Problemy. Analiza. Kod programu. Wynik. Wizualizacja. Rozdział 7. Analiza szeregów czasowych. Zysk w biznesie analiza trendu. Analiza. Kod programu. Wynik. Wizualizacja. Konkluzja. Sprzedaż w sklepie internetowym analiza sezonowości. Analiza. Analiza trendu. Kod programu. Wynik. Wizualizacja. Analiza sezonowości. Wizualizacja. Podsumowanie. Problemy. Analiza. Kod programu. Wynik. Wizualizacja. Dodatek A Podstawy języka Python. Przykład. Komentarze. Typy danych. Int. Przykład example02_int.py. Wynik. Float. Przykład example03_float.py. Wynik. Napis. Przykład example04_string.py. Wynik. Krotka. Przykład example05_tuple.py. Wynik. Lista. Przykład example06_list.py. Wynik. Zbiór. Przykład example07_set.py. Wynik. Słownik. Przykład example08_dictionary.py. Wynik. Przepływ sterowania. Instrukcje warunkowe. Przykład example09_if_else_elif.py. Wynik. Pętla for. Przykład example10_for_loop_range.py. Wynik. Przykład example11_for_loop_list.py. Wynik. Przykład example12_for_loop_set.py. Wynik. Pętla while. Przykład example13_while_loop.py. Wynik. Instrukcje break i continue. Przykład example14_break_continue.py. Wynik. Funkcje. Przykład example15_function.py. Wynik. Wejście-wyjście programu. Argumenty wywołania programu. Przykład example16_arguments.py. Wynik. Operacje na plikach. Dodatek B. Statystyka. Podstawowe koncepcje. Notacja. Podstawowe pojęcia. Wnioskowanie bayesowskie. Rozkład normalny Gaussa. Walidacja krzyżowa. Testowanie A/B. Dodatek C. Słownik pojęć, algorytmów i metod Data Science.
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (2 egz.)
No cover
Book
In basket
ISBN: 978-83-01-19712-4
1. Podstawowe zasady analizy algorytmów. 1.1. Złożoność obliczeniowa. 1.2. Równania rekurencyjne. 1.3. Funkcje tworzące. 1.4. Poprawność semantyczna. 1.5. Podstawowe struktury danych. 1.5.1. Lista. 1.5.2. Zbiór. 1.5.3. Graf. 1.5.4. Notacja funkcyjna dla atrybutów obiektów. 1.5.5. Drzewo. 1.6. Eliminacja rekursji. 1.7. Koszt zamortyzowany operacji w strukturze danych. 1.8. Metody układania algorytmów. 1.8.1. Metoda „dziel i zwyciężaj”. 1.8.2. Programowanie dynamiczne. 1.8.3. Metoda zachłanna. 1.8.4. Inne metody. Zadania. 2. Sortowanie. 2.1. Selectionsort – sortowanie przez selekcję. 2.2. Insertionsort – sortowanie przez wstawianie. 2.3. Quicksort – sortowanie szybkie. 2.4. Dolne ograniczenie na złożoność problemu sortowania. 2.5. Sortowanie pozycyjne. 2.6. Kolejki priorytetowe i algorytm heapsort. 2.7.. Drzewa turniejowe i zadania selekcji. 2.8. Szybkie algorytmy wyznaczania k-tego największego elementu w ciągu. 2.9. Scalanie ciągów uporządkowanych. 2.10. Sortowanie zewnętrzne. 2.10.1. Scalanie wielofazowe z 4 plikami. 2.10.2. Scalanie wielofazowe z 3 plikami. Zadania. 3. Słowniki. 3.1. Implementacja listowa nieuporządkowana. 3.2. Implementacja listowa uporządkowana. 3.3. Drzewa poszukiwań binarnych. 3.3.1. Drzewa AVL. 3.3.2. Samoorganizujące się drzewa BST. 3.4. Mieszanie. 3.4.1. Wybór funkcji mieszającej. 3.4.2. Struktury danych stosowane do rozwiązywania problemu kolizji. 3.5. Wyszukiwanie pozycyjne. 3.5.1. Drzewa RST. 3.5.2. Drzewa TRIE. 3.5.3. Drzewa PATRICIA. 3.6. Wyszukiwanie zewnętrzne. 3.6.1. Pliki nieuporządkowane. 3.6.2. Pliki z funkcją mieszającą. 3.6.3. Sekwencyjne pliki indeksowane. 3.6.4. B-drzewo jako wielopoziomowy indeks rzadki. 3.6.5. B-drzewo jako wielopoziomowy indeks gęsty. Zadania. 4. Złożone struktury danych dla zbiorów elementów. 4.1. Problem sumowania zbiorów rozłącznych. 4.1.1. Implementacja listowa. 4.1.2. Implementacja drzewowa. 4.2. Złączalne kolejki priorytetowe. Zadania. 5. Algorytmy tekstowe. 5.1. Problem wyszukiwania wzorca. 5.1.1. Algorytm N („naiwny”). 5.1.2. Algorytm KMP (Knutha-Morrisa-Pratta). 5.1.3. Algorytm liniowy dla problemu wyszukiwania wzorca dwuwymiarowego, czyli algorytm Bakera. 5.1.4. Algorytm GS′ (wersja algorytmu Galila-Seiferasa dla pewnej klasy wzorców). 5.1.5. Algorytm KMR (Karpa-Millera-Rosenberga). 5.1.6. Algorytm KR (Karpa-Rabina). 5.1.7. Algorytm BM (Boyera-Moore‘a). 5.1.8. Algorytm FP (Fishera-Patersona). 5.2. Drzewa sufiksowe i grafy podsłów. 5.2.1. Niezwarta reprezentacja drzewa sufiksowego. 5.2.2. Tworzenie drzewa sufiksowego. 5.2.3. Tworzenie grafu podsłów. 5.3. Inne algorytmy tekstowe. 5.3.1. Obliczanie najdłuższego wspólnego podsłowa. 5.3.2. Obliczanie najdłuższego wspólnego podciągu. 5.3.3. Wyszukiwanie słów podwójnych. 5.3.4. Wyszukiwanie słów symetrycznych. 5.3.5. Równoważność cykliczna. 5.3.6. Algorytm Huffmana. 5.3.7. Obliczanie leksykograficznie maksymalnego sufiksu. 5.3.8. Jednoznaczne kodowanie. 5.3.9. Liczenie liczby podsłów. Zadania. 6. Algorytmy równoległe. 6.1. Równoległe obliczanie wyrażeń i prostych programów sekwencyjnych. 6.2. Sortowanie równoległe. Zadania. 7. Algorytmy grafowe. 7.1. Spójne składowe. 7.2. Dwuspójne składowe. 7.3. Silnie spójne składowe i silna orientacja. 7.4. Cykle Eulera. 7.5. 5-kolorowanie grafów planarnych. 7.6. Najkrótsze ścieżki i minimalne drzewo rozpinające. Zadania. 8. Algorytmy geometryczne. 8.1. Elementarne algorytmy geometryczne. 8.2. Problem przynależności. 8.3. Wypukła otoczka. 8.4. Metoda zamiatania. 8.4.1. Najmniej odległa para punktów. 8.4.2. Pary przecinających się odcinków. Zadania.
This item is available in 2 branches. Expand the list to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (2 egz.)
Czytelnia
Copies are only available in the library: sygn. 004 (1 egz.)
Book
In basket
Algorytmy sztucznej inteligencji : ilustrowany przewodnik / Rishal Hurbans ; przekład: Tomasz Walczak - Gliwice : Helion , cop. 2021. - XXIII, [1], 335 s. : il., wykresy ; 23 cm.
ISBN: 978-83-283-7507-9
1. Intuicyjne omówienie sztucznej inteligencji Czym jest sztuczna inteligencja? Krótka historia sztucznej inteligencji. Rodzaje problemów i modele ich rozwiązywania. Intuicyjne omówienie zagadnień z obszaru sztucznej inteligencji. Zastosowania algorytmów sztucznej inteligencji. 2. Podstawy przeszukiwania. Czym jest planowanie i przeszukiwanie? Koszt obliczeń - powód stosowania inteligentnych algorytmów. Jakie problemy można rozwiązywać za pomocą algorytmów przeszukiwania? Reprezentowanie stanu - tworzenie platformy do reprezentowania przestrzeni problemowej i rozwiązań. Przeszukiwanie siłowe - szukanie rozwiązań po omacku. Przeszukiwanie wszerz - najpierw wszerz, potem w głąb. Przeszukiwanie w głąb - najpierw w głąb, potem wszerz. Zastosowania siłowych algorytmów przeszukiwania. Opcjonalne informacje - rodzaje grafów. Opcjonalne informacje - inne sposoby reprezentowania grafów. 3. Inteligentne przeszukiwanie. Definiowanie heurystyk - projektowanie hipotez opartych na wiedzy. Przeszukiwanie sterowane - szukanie rozwiązań z wykorzystaniem wskazówek. Przeszukiwanie antagonistyczne - szukanie rozwiązań w zmiennym środowisku. 4. Algorytmy ewolucyjne. Czym jest ewolucja? Problemy, jakie można rozwiązywać za pomocą algorytmów ewolucyjnych. Algorytm genetyczny - cykl życia. Kodowanie przestrzeni rozwiązań. Tworzenie populacji rozwiązań. Pomiar przystosowania osobników w populacji. Wybór rodziców na podstawie przystosowania. Generowanie osobników na podstawie rodziców. Tworzenie populacji następnego pokolenia. Konfigurowanie parametrów algorytmu genetycznego. Zastosowania algorytmów ewolucyjnych. 5. Zaawansowane techniki ewolucyjne. Cykl życia algorytmu ewolucyjnego. Różne strategie selekcji. Kodowanie z użyciem liczb rzeczywistych. Kodowanie porządkowe - korzystanie z sekwencji. Kodowanie za pomocą drzewa - praca z hierarchiami. Często spotykane rodzaje algorytmów ewolucyjnych. Słowniczek pojęć związanych z algorytmami ewolucyjnymi. Inne zastosowania algorytmów ewolucyjnych. 6. Inteligencja rozproszona: mrówki. Czym jest inteligencja rozproszona? Problemy dostosowane do algorytmu mrówkowego. Reprezentowanie stanu - jak zapisać ścieżki i mrówki? Cykl życia algorytmu mrówkowego. Zastosowania algorytmu mrówkowego. 7. Inteligencja rozproszona: cząstki. Na czym polega optymalizacja rojem cząstek? Problemy optymalizacyjne - bardziej techniczne spojrzenie. Problemy, jakie można rozwiązać za pomocą optymalizacji rojem cząstek. Reprezentowanie problemu - jak wyglądają cząstki? Przebieg działania algorytmu optymalizacji rojem cząstek. Zastosowania algorytmów optymalizacji rojem cząstek. 8. Uczenie maszynowe. Czym jest uczenie maszynowe? Problemy, jakie można rozwiązywać za pomocą uczenia maszynowego. Przebieg uczenia maszynowego. Klasyfikowanie z użyciem drzew decyzyjnych. Inne popularne algorytmy uczenia maszynowego. Zastosowania algorytmów uczenia maszynowego. 9. Sztuczne sieci neuronowe. Czym są sztuczne sieci neuronowe? Perceptron: reprezentacja neuronu. Definiowanie sieci ANN. Propagacja w przód - używanie wyuczonej sieci ANN. Propagacja wsteczna - uczenie sieci ANN. Możliwe funkcje aktywacji. Projektowanie sztucznych sieci neuronowych. Typy i zastosowania sieci ANN. 10. Uczenie przez wzmacnianie z użyciem algorytmu Q-learning. Czym jest uczenie przez wzmacnianie? Problemy rozwiązywane za pomocą uczenia przez wzmacnianie. Przebieg uczenia przez wzmacnianie. Deep learning w uczeniu przez wzmacnianie. Zastosowania uczenia przez wzmacnianie.
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (1 egz.)
E-book
In basket
ISBN: 978-83-283-5246-9

Imponujący rozwój standardowych algorytmów przy ciągłej obniżce cen sprzętu i udostępnianiu coraz to szybszych komponentów przyczynił się do zrewolucjonizowania wielu gałęzi przemysłu. Obecnie uczenie maszynowe pozwala automatyzować procesy, które do niedawna musiały być zarządzane przez człowieka. Zadania, które jeszcze dekadę temu stanowiły nieprzekraczalną przeszkodę, dziś są wykonywane przez zwykły komputer osobisty. W efekcie dzięki technologii oraz dostępnym wysokopoziomowym otwartym platformom każdy, kto zainteresuje się uczeniem maszynowym, może projektować i wdrażać niezwykle potężne modele.

Celem tej książki jest przybliżenie profesjonalistom tajników złożonych algorytmów uczenia maszynowego i zasad ich stosowania w praktyce. Poza praktycznymi informacjami dotyczącymi działania algorytmów i ich wdrożeń znalazły się tu również niezbędne podstawy teoretyczne. Opisano klasyczne modele uczenia nadzorowanego, nienadzorowanego i półnadzorowanego. Wskazano, w jakich sytuacjach okazują się one najbardziej przydatne. Zaprezentowano techniki wydobywania danych za pomocą modeli bayesowskich, algorytmu MCMC, a także dzięki stosowaniu ukrytych modeli Markowa. Omówiono zestaw przydatnych do uczenia maszynowego narzędzi, takich jak biblioteki: scikit-learn, Keras i TensorFlow.

Najciekawsze zagadnienia:

  • najważniejsze koncepcje teoretyczne uczenia maszynowego
  • modelowanie probabilistyczne i uczenie hebbowskie
  • zaawansowane koncepcje modeli neuronowych
  • modele generatywne, takie jak splotowe sieci GAN i sieci Wassersteina
  • głębokie sieci przekonań
  • zaawansowane algorytmy: TD(tylda), aktor-krytyk, SARSA i Q-uczenie

Uczenie maszynowe - już dziś zaimplementuj rozwiązania przyszłości!

This item is available online. Expand information to see details.
Dostęp do treści elektronicznej wymaga posiadania kodu dostępu, który można odebrać w bibliotece.
E-book
In basket
ISBN: 978-83-283-6222-2

Opanuj Javę jak prawdziwy profesjonalista!

  • Podstawy algorytmiki dla praktyków
  • Modelowanie struktur danych w Javie
  • Skuteczne techniki programowania na przykładach

Java jest obecnie jednym z najpopularniejszych języków programowania, co zawdzięcza przede wszystkim swojej prostocie, nowoczesności, dużym możliwościom oraz niezależności od architektury platform sprzętowych i systemowych, na których mają pracować napisane w tym języku programy. Java znalazła zastosowanie w wielu różnych branżach - zdecydowanie dominuje w rozwiązaniach działających w sieci, stanowiących obecnie dużą część oprogramowania tworzonego komercyjnie. Mimo to dotychczas trudno było znaleźć rzetelne źródło wiedzy o algorytmach, które byłoby przeznaczone dla użytkowników Javy, wyjaśniało zasady modelowania danych w tym języku i pozwalało szybko testować gotowe programy.

Na szczęście to już przeszłość! Książka Algorytmy, struktury danych i techniki programowania dla programistów Java jest pierwszą poważną pozycją przybliżającą tematykę algorytmów osobom posługującym się tym językiem. W prosty i praktyczny sposób przedstawia najważniejsze zagadnienia algorytmiki, pozwala poznać struktury danych i ich zastosowania, prezentuje popularne algorytmy oraz problemy, które można za ich pomocą rozwiązać, omawia także techniki programowania wykorzystywane przez miliony specjalistów w ich codziennej pracy. Jeśli chcesz być profesjonalnym programistą Javy, nie mogłeś trafić lepiej!

  • Podstawy algorytmiki i kodowania liczb
  • Algorytmy rekurencyjne i iteracyjne
  • Analiza złożoności i optymalizacja algorytmów
  • Modelowanie i wykorzystanie struktur danych
  • Wykorzystanie biblioteki java.util
  • Przeszukiwanie i sortowanie danych
  • Przegląd technik programowania
  • Algorytmy grafowe i numeryczne
  • Kodowanie i kompresja danych
  • Wprowadzenie do języka Java i narzędzi JDK

Rozwiązuj problemy programistyczne w Javie!

This item is available online. Expand information to see details.
Dostęp do treści elektronicznej wymaga posiadania kodu dostępu, który można odebrać w bibliotece.
E-book
In basket
ISBN: 978-83-283-5186-8

C++ to dojrzały język programowania o wielu różnych zastosowaniach. Inżynier oprogramowania, który chce w pełni skorzystać z jego zalet, powinien płynnie posługiwać się dostępnymi w tym języku strukturami danych i algorytmami. W ten sposób łatwiej można rozwiązywać konkretne problemy. Zastosowanie odpowiedniej struktury danych oraz algorytmu jest również ważne z punktu widzenia wydajności działania kodu, co bezpośrednio przekłada się na szybkość pracy aplikacji. Bez dogłębnego zrozumienia tych zagadnień bardzo trudno nauczyć się biegle programować w C++.

Dzięki tej książce dowiesz się, na czym polega implementacja klasycznych struktur danych i algorytmów w C++. Znajdziesz tu również przystępne wprowadzenie do podstawowych konstrukcji językowych oraz do korzystania z zintegrowanego środowiska programistycznego (IDE). Ponadto dowiesz się, w jaki sposób przechowywać dane za pomocą list wiązanych, tablic, stosów i kolejek, a także jak zaimplementować algorytmy sortowania, takie jak sortowanie szybkie i sortowanie przez kopcowanie, oraz algorytmy wyszukiwania, takie jak wyszukiwanie liniowe czy binarne. Kolejnym ważnym zagadnieniem ujętym w książce jest wysoka wydajność algorytmów operujących na ciągach znakowych i strukturach mieszających, jak również analiza algorytmów siłowych, zachłannych i wielu innych.

Najciekawsze zagadnienia ujęte w książce:

  • podstawy C++, w tym kontrola przepływu kodu i abstrakcyjne typy danych
  • listy, listy wiązane, stosy i kolejki
  • algorytmy sortowania, w tym bąbelkowe, przez selekcję, wstawianie, scalanie
  • tworzenie hierarchicznej struktury drzewa
  • praktyczne aspekty implementacji algorytmów

C++. O jakości kodu decyduje algorytm i odpowiednia struktura danych!

This item is available online. Expand information to see details.
Dostęp do treści elektronicznej wymaga posiadania kodu dostępu, który można odebrać w bibliotece.
No cover
Book
In basket
ISBN: 978-83-206-1640-8
1. Sygnały i ich parametry; 2. Podstawy matematyczne analizy sygnałów deterministycznych; 3. Szereg Fouriera; 4. Całkowe przekształcenie Fouriera; 5. Układy analogowe; 6. Analogowe filtry Butterwortha i Czebyszewa; 7. Dyskretyzacja sygnałów analogowych; 8. Analiza częstotliwościowa sygnałów dyskretnych;9. Algorytmy wyznaczania dyskretnej transformacji Fouriera;10. Układy dyskretne; 11. Projektowanie rekursywnych filtrów cyfrowych; 12. Projektowanie nierekursywnych filtrów cyfrowych; 13. Algorytmy filtracji cyfrowej; 14. Filtry adaptacyjne; 15. Liniowa estymacja rekursywna; 16. Zaawansowane metody analizy częstotliwościowej sygnałów; 17. Metody czasowo-częstotliwościowej analizy sygnałów; 18. Zespoły filtrów; 19. Projekt LPC-10: podstawy kompresji i rozpoznawania sygnału mowy; 20. Projekt LPC-10: kompresja sygnału mowy – metody zaawansowane; 21. Projekt MPEG AUDIO: psychoakustyczna kompresja dźwięku; 22. Projekt OBRAZ: podstawy analizy i przetwarzania sygnałów dwuwymiarowych; 23. Projekt MODEM ADSL: szybki dostęp do Internetu po linii telefonicznej; 24. Projekt FAZA: estymacja chwilowego przesunięcia fazowego; 25. EPILOG: implementacja algorytmów DSP na procesorach sygnałowych.
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 62 (2 egz.)
No cover
Book
In basket
ISBN: 83-87133-64-7
1. Wirtualna organizacja działań w rozwoju technologii społeczeństwa informacyjnego, 2.Wybrnae problemy wyzwań, szans i ograniczeń, 3. Podstawy informacyjne i obliczeniowe inteligentnych metod komputerowych, 4. Środowisko informacyjne organizacji wirtualnej, 5. Centra danych i zarządzanie informacją, 6. Wybrane badania przedmiotowe i rozwiązania eksperymentalne
This item is available in one branch. Expand information to see details.
Czytelnia
Copies are only available in the library: sygn. 004 (1 egz.)
Book
In basket
(Przedsiębiorczość / Fundacja Edukacyjna Przedsiębiorczości ; przewodniczący komitetu red. Jerzy Dietl)
ISBN: 83-01-12968-9
Wprowadzenie do teorii zagadnień sztucznej inteli- gencji; Systemy ekspertowe; Zbiory rozmyte; sztuczne sieci neuronowe, Sieci Kohonena; Algorytmy ewolucyjne; Teoria chaosu, Systemy hybrydowe.
This item is available in 2 branches. Expand the list to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (1 egz.)
Czytelnia
Copies are only available in the library: sygn. 004 (1 egz.)
E-book
In basket
ISBN: 978-83-283-4681-9

C++ powstał w 1979 roku. Od tej pory cały czas się rozwija. Mimo że wymaga od programisty pewnej dyscypliny i staranności w pracy, jest chętnie wykorzystywany, daje bowiem ogromne możliwości i cechuje się elastycznością. W języku tym zaimplementowano mechanizmy programowania obiektowego. Opanowanie C++ nie tylko pozwala programistom tworzyć aplikacje dla praktycznie wszystkich platform, komputerów, serwerów i urządzeń mobilnych, ale również ułatwia naukę innych języków programowania. Aby w pełni skorzystać z tych zalet, trzeba od początku przykładać się do nauki pisania kodu z poszanowaniem dobrych praktyk.

To kolejne wydanie lubianego podręcznika programowania w języku C++; książka przeznaczona dla osób, które dopiero rozpoczynają naukę kodowania, i tych, które mają już doświadczenie z innymi językami. Znalazło się tu przystępne wyjaśnienie podstaw działania komputera oraz wprowadzenie do samego języka, a także mnóstwo pożytecznych wskazówek dla początkujących. Bardziej zaawansowani programiści docenią szczegółowe opisy niuansów, zawiłości i źródeł możliwych problemów. Książka jest napisana prostym, zrozumiałym językiem i zawiera wiele świetnie dobranych przykładów ilustrujących nie tylko funkcje i konstrukcje języka C++, ale również przypadki i sposoby ich użycia.

Najważniejsze zagadnienia:

  • przystępne wprowadzenie do C++
  • funkcje i klasy, tablice i wektory
  • wyrażenia lambda, wskaźniki i przeciążanie operatorów
  • dziedziczenie i polimorfizm
  • stosy, kolejki i rekurencja
  • - drzewa binarne: tworzenie i operacje na drzewach

Idź i programuj w C++!

This item is available online. Expand information to see details.
Dostęp do treści elektronicznej wymaga posiadania kodu dostępu, który można odebrać w bibliotece.
E-book
In basket
Umiejętność szybkiego zlokalizowania potencjalnie istotnych osób w organizacji stale nabiera znaczenia. Brokerzy, określani w analizie sieciowej mianem kluczowych graczy, bez wątpienia stanowią osoby, na których stratę żadne przedsiębiorstwo nie chce i w warunkach nieustająco rosnącej konkurencji nie może sobie pozwolić. W organizacjach liczących nierzadko setki, tysiące, a nawet dziesiątki tysięcy pracowników znalezienie osób pełniących funkcję pośredników tradycyjnymi metodami należy do niemałych wyzwań. W niniejszym artykule zaprezentowano jedno z podejść pozwalających skrócić czas i ograniczyć prawdopodobieństwo wytypowania niewłaściwych osób. Celem artykułu jest analiza problemu identyfikacji potencjalnych brokerów przy wykorzystaniu wizualizacyjnych algorytmów opartych na grafach, a szczególnie zaprezentowanie zmodyfikowanej wersji znanego algorytmu Fruchtermana–Reingolda, który zakłada uwypuklenie położenia potencjalnych brokerów w sieci nieformalnej.
This item is available online. Expand information to see details.
Dostęp do treści elektronicznej wymaga posiadania kodu PIN. Po odbiór kodu PIN zapraszamy do biblioteki.
Book
In basket
ISBN: 978-83-283-8396-8
Zawiera: O autorach; O recenzencie; Wprowadzenie: Dla kogo jest ta książka?; O czym jest ta książka?; Co zrobić, aby jak najlepiej wykorzystać tę książkę; Kody źródłowe; Konwencje typograficzne przyjęte w tej książce; I. Podstawowe pojęcia z obszaru matematyki dyskretnej: 1. Podstawowe pojęcia, notacja, teoria mnogości, relacje i funkcje: Czym jest matematyka dyskretna?; Podstawowa teoria mnogości; Funkcje i relacje; Podsumowanie; 2. Logika formalna i dowody matematyczne: Logika formalna i dowodzenie za pomocą tablic prawdy; Dowody wprost; Dowody nie wprost; Dowodzenie przez indukcję matematyczną; Podsumowanie; 3. Obliczenia w systemach o podstawie n: Zrozumieć liczby o podstawie n; Konwersje między różnymi podstawami; Liczby binarne i ich zastosowania; Liczby szesnastkowe i ich zastosowanie; Podsumowanie; 4. Kombinatoryka z użyciem SciPy: Podstawy zliczania; Permutacje i kombinacje obiektów; Alokacja pamięci; Skuteczność algorytmów siłowych; Podsumowanie; 5. Elementy prawdopodobieństwa dyskretnego: Definicja doświadczenie losowe; Definicje zdarzenia elementarne, zdarzenia losowe, przestrzenie prób; Przykład rzut monetą; Przykład rzut wieloma monetami; Definicja miara probabilistyczna; Twierdzenie podstawowe własności prawdopodobieństwa; Przykład sport; Twierdzenie monotoniczność; Twierdzenie zasada włączeń i wyłączeń; Definicja rozkład jednostajny; Twierdzenie obliczanie prawdopodobieństwa; Przykład rzut wieloma monetami; Definicja zdarzenia niezależne; Przykład rzucanie wieloma monetami; Prawdopodobieństwo warunkowe i twierdzenie Bayesa; Bayesowski filtr antyspamowy; Zmienne losowe, średnie i wariancja; Google PageRank (część I); Podsumowanie; II. Zastosowania matematyki dyskretnej w analizie danych i informatyce: 6. Algorytmy algebry liniowej: Zrozumieć układy równań liniowych; Macierze i macierzowe reprezentacje układów równań liniowych; Rozwiązywanie małych układów równań liniowych za pomocą metody eliminacji Gaussa; Rozwiązywanie dużych układów równań liniowych za pomocą NumPy; Podsumowanie; 7. Złożoność algorytmów: Złożoność obliczeniowa algorytmów; Notacja dużego O; Złożoność algorytmów zawierających podstawowe instrukcje sterujące; Złożoność popularnych algorytmów wyszukiwania; Popularne klasy złożoności obliczeniowej; Podsumowanie; Bibliografia; 8. Przechowywanie i wyodrębnianie cech z grafów, drzew i sieci: Zrozumieć grafy, drzewa i sieci; Zastosowania grafów, drzew i sieci; Przechowywanie grafów i sieci; Wyodrębnianie cech z grafów; Podsumowanie; 9. Przeszukiwanie struktur danych i znajdowanie najkrótszych ścieżek: Przeszukiwanie struktur grafowych i drzew; Algorytm przeszukiwania w głąb (DFS); Implementacja algorytmu przeszukiwania w głąb w Pythonie; Problem najkrótszej ścieżki i jego warianty; Znajdowanie najkrótszych ścieżek metodą siłową; Algorytm Dijkstry znajdowania najkrótszych ścieżek; Implementacja algorytmu Dijkstry w Pythonie; Podsumowanie; III. Praktyczne zastosowania matematyki dyskretnej: 10. Analiza regresji za pomocą NumPy i scikit-learn: Zbiór danych; Linie najlepszego dopasowania i metoda najmniejszych kwadratów; Linia najlepszego dopasowania; Dopasowywanie prostej metodą najmniejszych kwadratów w NumPy; Dopasowywanie krzywych metodą najmniejszych kwadratów z użyciem NumPy i SciPy; Dopasowanie płaszczyzn metodą najmniejszych kwadratów z użyciem NumPy i SciPy; Podsumowanie; 11. Wyszukiwanie w sieci za pomocą algorytmu PageRank: Rozwój wyszukiwarek na przestrzeni lat; Google PageRank (część II); Implementacja algorytmu PageRank w Pythonie; Zastosowanie algorytmu na danych rzeczywistych; Podsumowanie; 12. Analiza głównych składowych za pomocą scikit-learn: Wartości i wektory własne, bazy ortogonalne; Redukcja wymiarowości za pomocą analizy głównych składowych; Implementacja metody PCA z scikit-learn; Zastosowanie metody PCA na rzeczywistych danych; Podsumowanie.
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 51 (2 egz.)
Book
In basket
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. - Wyd. 2 zm. - Warszawa : PWN Wydaw. Nauk., 2009. - 451 s. : rys., tab., wykr. ; 24 cm.
ISBN: 978-83-01-15731-9
1. Wstęp, 2. Wybrane zagadnienia sztucznej inteligencji, 3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych, 4. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 1, 5. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 2, 6. Sieci neuronowe i algorytmy ich ucznia, 7. Algorytmy ewolucyjne, 8. Metody grupowania danych, 9. Systemu neuronowo-rozmyte typu Mamdaniego, logicznego i Tagaki-Sugeno, 10. Elastyczne systemy neuronowo-rozmyte
This item is available in one branch. Expand information to see details.
Czytelnia
Copies are only available in the library: sygn. 004 (1 egz.)
Book
In basket
ISBN: 83-01-14529-3
1. Wstęp, 2. Wybrane zagadnienia sztucznej inteligencji, 3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych, 4. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 1, 5. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 2, 6. Sieci neuronowe i algorytmy ich ucznia, 7. Algorytmy ewolucyjne, 8. Metody grupowania danych, 9.Systemu neuronowo-rozmyte typu Mamdaniego, logicznego i Tagaki-Sugeno, 10. Elastyczne systemy neuronowo-rozmyte
This item is available in one branch. Expand information to see details.
Wypożyczalnia
There are copies available to loan: sygn. 004 (3 egz.)
E-book
In basket
ISBN: 978-83-283-4698-7

Przewodnik po kodowaniu i myśleniu komputacyjnym

Programista to bardzo szczególny typ specjalisty. Jeśli uważasz, że myśli w inny sposób niż tak zwani normalni ludzie, to masz rację. Dobra wiadomość jest taka, że i Ty możesz się nauczyć myślenia komputacyjnego - umiejętności, która się przydaje niezależnie od charakteru rozwiązywanego problemu, środowiska czy języka programowania. Tylko w ten sposób można od początku nauki programowania pisać przejrzysty, uporządkowany, znakomity kod, zgodny z najlepszymi praktykami wypracowanymi przez mistrzów. Innymi słowy: pracować jak profesjonalny programista.

Ta książka jest niezwykłym podręcznikiem programowania. Być może wygląda nieco dziwacznie, ale prędko się przekonasz, że to podręcznik jest wyjątkowo skuteczny: w końcu jego formuła została opracowana na podstawie najlepszych osiągnięć neurologii i kognitywistyki. W ten sposób Twój mózg się zaangażuje i błyskawicznie przyswoi sobie zasady programowania w Pythonie. Autor wykorzystał oczywistą prawdę, że najszybciej uczymy się wtedy, gdy uwzględnimy specyfikę działania własnego mózgu! Najpierw więc się zainteresujesz, potem zaangażujesz, wreszcie przygotujesz sobie warsztat pracy, czyli zainstalujesz Pythona. Później zaczniesz ćwiczyć myślenie komputacyjne i oczywiście napiszesz swój pierwszy program. A dalej będzie coraz ciekawiej...

W tej książce między innymi:

  • Istotne koncepcje programistyczne
  • Zasady programowania w Pythonie
  • Funkcje i rekurencja
  • Programowanie obiektowe
  • Tworzenie API dla aplikacji internetowych
  • Widgety i zdarzenia

Neurony płoną. Emocje szaleją. Tak napiszesz kod godny mistrza!

This item is available online. Expand information to see details.
Dostęp do treści elektronicznej wymaga posiadania kodu dostępu, który można odebrać w bibliotece.
The item has been added to the basket. If you don't know what the basket is for, click here for details.
Do not show it again