SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

192 wyniki

Brak okładki

Książka

W koszyku

Modelowanie systemów narzędziem oceny stabilności procesów produkcyjnych / Anna Burduk. - Wrocław : Oficyna Wydawnicza Politechniki Wrocławskiej, 2013. - 180, [1] s. : il. ; 24 cm.

Autor

Burduk Anna.

Temat

Funkcje produkcji Produkcja Sieci neuronowe Systemy ekspertowe Zarządzanie jakością Zarządzanie ryzykiem

Bibliogr., wykaz norm, netogr. s. [171]-180.

Sygnatura czytelni BMW: VI J 58 (nowy)

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka Międzywydziałowa

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 137483 N (1 egz.)

Brak okładki

Książka

W koszyku

Sterowanie behawioralne mobilnymi robotami kołowymi / Andrzej Burghardt, Zenon Hendzel. - Rzeszów : Politechnika Rzeszowska, Oficyna Wydawnicza, 2007. - 135, [2] s. : il. ; 24 cm.

Autor

Burghardt Andrzej Tomasz (robotyka). Hendzel Zenon.

Temat

Roboty mobilne Sieci neuronowe

Bibliogr. s. [127]-135.

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 118403 E (1 egz.)

Brak okładki

Książka

W koszyku

Sterowanie neuronowe procesem przemiału cementu : rozprawa doktorska / Gerard Bursy ; Politechnika Opolska. Wydział Elektrotechniki, Automatyki i Informatyki. - Opole : [nakł. autora], 2008. - 104 k. : il. (w tym kolor.) ; 31 cm + 2 Recenzje (4 s. ; 5 s.).

Autor

Bursy Gerard.

Temat

Przemysł Sieci neuronowe Cement Młyny kulowe Symulacje Algorytmy sterowania Model NARX

Bibliogr. k. 99-102 i 104. Netogr., wykaz norm s. 103.

Sygnatura czytelni BWZ: D 198

Brak okładki

Książka

W koszyku

Artificial intelligence and soft computing / ed. Andrzej Cader [et al.] ; Polish Neural Network Society, Academy of Humanities and Economics in Łódź, IEEE Computional Intelligence Society-Poland Chapter. - Warsaw : Academic Publishing House Exit, 2006. - X, [2], 520 s. : il. ; 24 cm.

(Challenging Problems of Science. Computer Science)

Autor

Cader Andrzej.

Temat

Automatyka Sztuczna inteligencja. Logika rozmyta Przetwarzanie obrazów Sieci neuronowe

Gatunek

Materiały konferencyjne

Zawiera wybrane materiały 8th Conference on Artificial Intelligence and Soft Computing - ICAISC' 2006, Zakopane, June 25-29, 2006.

Bibliogr. przy ref. Indeks.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 114583 L (1 egz.)

Książka

W koszyku

Autor

Chollet François. Matuk Konrad.

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Programiści

Temat

Python (język programowania). Sztuczna inteligencja. Sieci neuronowe. Uczenie maszynowe. Deep learning.

Gatunek

Podręcznik.

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Deep learning with Python.

Indeks.

Dla zainteresowanych nauką zagadnień związanych z uczeniem głębokim od podstaw, a także dla wszystkich chcących poszerzyć swoją wiedzę na temat uczenia głębokiego - analityków, programistów, studentów.

CZĘŚĆ I. PODSTAWY UCZENIA GŁĘBOKIEGO 19 Rozdział 1. Czym jest uczenie głębokie? 21 1.1. Sztuczna inteligencja, uczenie maszynowe i uczenie głębokie 22 1.1.1. Sztuczna inteligencja 22 1.1.2. Uczenie maszynowe 22 1.1.3. Formy danych umożliwiające uczenie 24 1.1.4. "Głębia" uczenia głębokiego 26 1.1.5. Działanie uczenia głębokiego przedstawione na trzech rysunkach 27 1.1.6. Co dotychczas osiągnięto za pomocą uczenia głębokiego? 29 1.1.7. Nie wierz w tymczasową popularność 30 1.1.8. Nadzieje na powstanie sztucznej inteligencji 31 1.2. Zanim pojawiło się uczenie głębokie: krótka historia uczenia maszynowego 32 1.2.1. Modelowanie probabilistyczne 32 1.2.2. Wczesne sieci neuronowe 33 1.2.3. Metody jądrowe 33 1.2.4. Drzewa decyzyjne, lasy losowe i gradientowe wzmacnianie maszyn 35 1.2.5. Powrót do sieci neuronowych 35 1.2.6. Co wyróżnia uczenie głębokie? 36 1.2.7. Współczesne uczenie maszynowe 37 1.3. Dlaczego uczenie głębokie? Dlaczego teraz? 38 1.3.1. Sprzęt 38 1.3.2. Dane 39 1.3.3. Algorytmy 40 1.3.4. Nowa fala inwestycji 40 1.3.5. Demokratyzacja uczenia głębokiego 41 Rozdział 2. Matematyczne podstawy sieci neuronowych 43 2.1. Pierwszy przykład sieci neuronowej 44 2.2. Reprezentacja danych sieci neuronowych 47 2.2.1. Skalary (tensory zerowymiarowe) 48 2.2.2. Wektory (tensory jednowymiarowe) 48 2.2.3. Macierze (tensory dwuwymiarowe) 48 2.2.4. Trójwymiarowe tensory i tensory o większej liczbie wymiarów 49 2.2.5. Główne atrybuty 49 2.2.6. Obsługa tensorów R 50 2.2.7. Wsad danych 50 2.2.8. Prawdziwe przykłady tensorów danych 51 2.2.9. Dane wektorowe 51 2.2.10. Dane szeregu czasowego i dane sekwencyjne 52 2.2.11. Dane w postaci obrazów 52 2.2.12. Materiały wideo 53 2.3. Koła zębate sieci neuronowych: operacje na tensorach 53 2.3.1. Operacje wykonywane element po elemencie 54 2.3.2. Operacje na tensorach o różnych wymiarach 55 2.3.3. Iloczyn tensorowy 55 2.3.4. Zmiana kształtu tensora 57 2.3.5. Geometryczna interpretacja operacji tensorowych 58 2.3.6. Interpretacja geometryczna uczenia głębokiego 59 2.4. Silnik sieci neuronowych: optymalizacja gradientowa 60 2.4.1. Czym jest pochodna? 61 2.4.2. Pochodna operacji tensorowej: gradient 62 2.4.3. Stochastyczny spadek wzdłuż gradientu 63 2.4.4. Łączenie pochodnych: algorytm propagacji wstecznej 66 2.5. Ponowna analiza pierwszego przykładu 67 Rozdział 3. Rozpoczynamy korzystanie z sieci neuronowych 71 3.1. Anatomia sieci neuronowej 72 3.1.1. Warstwy: podstawowe bloki konstrukcyjne uczenia głębokiego 72 3.1.2. Modele: sieci warstw 73 3.1.3. Funkcja straty i optymalizatory: najważniejsze elementy konfiguracji procesu uczenia 74 3.2. Wprowadzenie do pakietu Keras 75 3.2.1. Keras, TensorFlow, Theano i CNTK 76 3.2.2. Instalowanie pakietu Keras 77 3.2.3. Praca z pakietem Keras: krótkie wprowadzenie 77 3.3. Przygotowanie stacji roboczej do uczenia głębokiego 79 3.3.1. Dwie opcje uruchamiania pakietu Keras 79 3.3.2. Wady i zalety uruchamiania uczenia głębokiego w chmurze 80 3.3.3. Jaki procesor graficzny najlepiej nadaje się do uczenia głębokiego? 80 3.4. Przykład klasyfikacji binarnej: klasyfikacja recenzji filmów 81 3.4.1. Zbiór danych IMDB 81 3.4.2. Przygotowywanie danych 82 3.4.3. Budowa sieci neuronowej 83 3.4.4. Walidacja modelu 87 3.4.5. Używanie wytrenowanej sieci do generowania przewidywań dotyczących nowych danych 90 3.4.6. Dalsze eksperymenty 90 3.4.7. Wnioski 91 3.5. Przykład klasyfikacji wieloklasowej: klasyfikacja krótkich artykułów prasowych 91 3.5.1. Zbiór danych Agencji Reutera 91 3.5.2. Przygotowywanie danych 93 3.5.3. Budowanie sieci 93 3.5.4. Walidacja modelu 94 3.5.5. Generowanie przewidywań dotyczących nowych danych 96 3.5.6. Inne sposoby obsługi etykiet i funkcji straty 97 3.5.7. Dlaczego warto tworzyć odpowiednio duże warstwy pośrednie? 97 3.5.8. Dalsze eksperymenty 98 3.5.9. Wnioski 98 3.6. Przykład regresji: przewidywanie cen mieszkań 99 3.6.1. Zbiór cen mieszkań w Bostonie 99 3.6.2. Przygotowywanie danych 100 3.6.3. Budowanie sieci 100 3.6.4. K-składowa walidacja krzyżowa 101 3.6.5. Wnioski 105 Rozdział 4. Podstawy uczenia maszynowego 107 4.1. Cztery rodzaje uczenia maszynowego 108 4.1.1. Uczenie nadzorowane 108 4.1.2. Uczenie nienadzorowane 108 4.1.3. Uczenie częściowo nadzorowane 109 4.1.4. Uczenie przez wzmacnianie 109 4.2. Ocena modeli uczenia maszynowego 109 4.2.1. Zbiory treningowe, walidacyjne i testowe 111 4.2.2. Rzeczy, o których warto pamiętać 114 4.3. Wstępna obróbka danych, przetwarzanie cech i uczenie cech 114 4.3.1. Przygotowywanie danych do przetwarzania przez sieci neuronowe 115 4.3.2. Przetwarzanie cech 116 4.4. Nadmierne dopasowanie i zbyt słabe dopasowanie 118 4.4.1. Redukcja rozmiaru sieci 119 4.4.2. Dodawanie regularyzacji wag 121 4.4.3. Porzucanie - technika dropout 123 4.5. Uniwersalny przepływ roboczy uczenia maszynowego 125 4.5.1. Definiowanie problemu i przygotowywanie zbioru danych 125 4.5.2. Wybór miary sukcesu 126 4.5.3. Określanie techniki oceny wydajności modelu 127 4.5.4. Przygotowywanie danych 127 4.5.5. Tworzenie modeli lepszych od linii bazowej 128 4.5.6. Skalowanie w górę: tworzenie modelu, który ulega nadmiernemu dopasowaniu 129 4.5.7. Regularyzacja modelu i dostrajanie jego hiperparametrów 129 CZĘŚĆ II. UCZENIE GŁĘBOKIE W PRAKTYCE 131 Rozdział 5. Uczenie głębokie i przetwarzanie obrazu 133 5.1. Wprowadzenie do konwolucyjnych sieci neuronowych 134 5.1.1. Działanie sieci konwolucyjnej 136 5.1.2. Operacja max-pooling 141 5.2. Trenowanie konwolucyjnej sieci neuronowej na małym zbiorze danych 143 5.2.1. Stosowanie uczenia głębokiego w problemach małych zbiorów danych 144 5.2.2. Pobieranie danych 144 5.2.3. Budowa sieci neuronowej 147 5.2.4. Wstępna obróbka danych 148 5.2.5. Stosowanie techniki augmentacji danych 151 5.3. Korzystanie z wcześniej wytrenowanej konwolucyjnej sieci neuronowej 155 5.3.1. Ekstrakcja cech 155 5.3.2. Dostrajanie 163 5.4. Wizualizacja efektów uczenia konwolucyjnych sieci neuronowych 168 5.4.1. Wizualizacja pośrednich aktywacji 169 5.4.2. Wizualizacja filtrów konwolucyjnych sieci neuronowych 175 5.4.3. Wizualizacja map ciepła aktywacji klas 181 Rozdział 6. Uczenie głębokie w przetwarzaniu tekstu i sekwencji 187 6.1. Praca z danymi tekstowymi 188 6.1.1. Kodowanie słów i znaków metodą gorącej jedynki 189 6.1.2. Osadzanie słów 192 6.1.3. Łączenie wszystkich technik: od surowego tekstu do osadzenia słów 197 6.1.4. Wnioski 203 6.2. Rekurencyjne sieci neuronowe 203 6.2.1. Warstwa rekurencyjna w pakiecie Keras 206 6.2.2. Warstwy LSTM i GRU 209 6.2.3. Przykład warstwy LSTM zaimplementowanej w pakiecie Keras 212 6.3. Zaawansowane zastosowania rekurencyjnych sieci neuronowych 214 6.3.1. Problem prognozowania temperatury 214 6.3.2. Przygotowywanie danych 217 6.3.3. Punkt odniesienia w postaci zdrowego rozsądku 220 6.3.4. Podstawowe rozwiązanie problemu przy użyciu techniki uczenia maszynowego 221 6.3.5. Punkt odniesienia w postaci pierwszego modelu rekurencyjnego 223 6.3.6. Stosowanie rekurencyjnego porzucania w celu zmniejszenia nadmiernego dopasowania 225 6.3.7. Tworzenie stosów warstw rekurencyjnych 226 6.3.8. Korzystanie z dwukierunkowych rekurencyjnych sieci neuronowych 228 6.3.9. Kolejne rozwiązania 232 6.4. Konwolucyjne sieci neuronowe i przetwarzanie sekwencji 234 6.4.1. Przetwarzanie sekwencji za pomocą jednowymiarowej sieci konwolucyjnej 234 6.4.2. Jednowymiarowe łączenie danych sekwencyjnych 235 6.4.3. Implementacja jednowymiarowej sieci konwolucyjnej 235 6.4.4. Łączenie sieci konwolucyjnych i rekurencyjnych w celu przetworzenia długich sekwencji 237 Rozdział 7. Najlepsze zaawansowane praktyki uczenia głębokiego 245 7.1. Funkcjonalny interfejs programistyczny pakietu Keras: wykraczanie poza model sekwencyjny 246 7.1.1. Wprowadzenie do funkcjonalnego interfejsu API 247 7.1.2. Modele z wieloma wejściami 249 7.1.3. Modele z wieloma wyjściami 251 7.1.4. Skierowane acykliczne grafy warstw 254 7.1.5. Udostępnianie wag warstwy 258 7.1.6. Modele pełniące funkcję warstw 259 7.2. Monitorowanie modeli uczenia głębokiego przy użyciu wywołań zwrotnych pakietu Keras i narzędzia TensorBoard 260 7.2.1. Używanie wywołań zwrotnych w celu sterowania procesem trenowania modelu 260 7.2.2. Wprowadzenie do TensorBoard - platformy wizualizacji danych pakietu TensorFlow 264 7.3. Korzystanie z pełni możliwości modeli 268 7.3.1. Konstrukcja zaawansowanych architektur 269 7.3.2. Optymalizacja hiperparametru 272 7.3.3. Składanie modeli 274 Rozdział 8. Stosowanie uczenia głębokiego w celu generowania danych 279 8.1. Generowanie tekstu za pomocą sieci LSTM 281 8.1.1. Krótka historia generatywnych sieci rekurencyjnych 281 8.1.2. Generowanie danych sekwencyjnych 282 8.1.3. Dlaczego strategia próbkowania jest ważna? 282 8.1.4. Implementacja algorytmu LSTM generującego tekst na poziomie liter 285 8.2. DeepDream 290 8.2.1. Implementacja algorytmu DeepDream w pakiecie Keras 291 8.2.2. Wnioski 296 8.3. Neuronowy transfer stylu 297 8.3.1. Strata treści 298 8.3.2. Strata stylu 298 8.3.3. Implementacja neuronowego transferu stylu przy użyciu pakietu Keras 299 8.4. Generowanie obrazów przy użyciu wariacyjnych autoenkoderów 306 8.4.1. Próbkowanie z niejawnej przestrzeni obrazów 306 8.4.2. Wektory koncepcyjne używane podczas edycji obrazu 307 8.4.3. Wariacyjne autoenkodery 308 8.5. Wprowadzenie do generatywnych sieci z przeciwnikiem 315 8.5.1. Schematyczna implementacja sieci GAN 316 8.5.2. Zbiór przydatnych rozwiązań 317 8.5.3. Generator 318 8.5.4. Dyskryminator 319 8.5.5. Sieć z przeciwnikiem 320 8.5.6. Trenowanie sieci DCGAN 320 Rozdział 9. Wnioski 325 9.1. Przypomnienie najważniejszych koncepcji 326 9.1.1. Sztuczna inteligencja 326 9.1.2. Co sprawia, że uczenie głębokie to wyjątkowa dziedzina uczenia maszynowego? 326 9.1.3. Jak należy traktować uczenie głębokie? 327 9.1.4. Najważniejsze technologie 328 9.1.5. Uniwersalny przepływ roboczy uczenia maszynowego 329 9.1.6. Najważniejsze architektury sieci 330 9.1.7. Przestrzeń możliwości 334 9.2. Ograniczenia uczenia głębokiego 336 9.2.1. Ryzyko antropomorfizacji modeli uczenia maszynowego 337 9.2.2. Lokalne uogólnianie a ekstremalne uogólnianie 339 9.3. Przyszłość uczenia głębokiego 341 9.3.1. Modele jako programy 342 9.3.2. Wykraczanie poza algorytm propagacji wstecznej i warstwy różniczkowalne 343 9.3.3. Zautomatyzowane uczenie maszynowe 344 9.3.4. Nieustanne uczenie się i wielokrotne używanie modułowych procedur składowych 345 9.3.5. Przewidywania dotyczące dalekiej przyszłości 346 9.4. Bycie na bieżąco z nowościami związanymi z szybko rozwijającą się dziedziną 348 9.4.1. Zdobywaj wiedzę praktyczną, pracując z prawdziwymi problemami przedstawianymi w serwisie Kaggle 348 9.4.2. Czytaj o nowych rozwiązaniach w serwisie arXiv 348 9.4.3. Eksploruj ekosystem związany z pakietem Keras 349 9.5. Ostatnie słowa 349 Dodatek A. Instalowanie pakietu Keras i innych bibliotek niezbędnych do jego działania w systemie Ubuntu 353 Dodatek B. Uruchamianie kodu w środowisku RStudio Server przy użyciu zdalnej instancji procesora graficznego EC2 359

Sygnatura czytelni BWEAiI: XII Ł 130

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 147414 N (1 egz.)

Brak okładki

Książka

W koszyku

Ewolucja czy rewolucja : nowoczesne techniki informatyczne : księga jubileuszowa poświęcona Profesorowi Leszkowi Rutkowskiemu / pod red. Roberta Cierniaka. - Częstochowa : Politechnika Częstochowska. Katedra Inżynierii Komputerowej, cop. 2003. - 377 s. : il. (w tym kolor.) ; 25 cm.

Autor

Cierniak Robert.

Temat

Rutkowski, Leszek. Informatyka Sztuczna inteligencja. Sieci neuronowe Systemy rozmyto-neuronowe Logika rozmyta Algorytmy genetyczne Telemedycyna

Gatunek

Księgi pamiątkowe

Tyt. grzb. : Nowoczesne techniki informatyczne.

Bibliogr. przy pracach.

Sygnatura czytelni BWEAiI: XII F 8

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 119924 LE N (1 egz.)

Brak okładki

Książka

W koszyku

Nowe algorytmy rekonstrukcji obrazu z projekcji z zastosowaniem sieci neuronowych typu Hopfielda / Robert Cierniak. - Częstochowa : Politechnika Częstochowska - Wydaw., 2006. - 223 s. : rys., schem., tab., wykr. ; 24 cm.

(Monografie / Politechnika Częstochowska ISSN 0860-5017 ; Nr 125)

Autor

Cierniak Robert.

Temat

Tomografia komputerowa Sieci neuronowe

Bibliogr.s. 211 - 221. - Rez. - Streszcz. - Sum.

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 117140 (1 egz.)

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 117119 LE (1 egz.)

Brak okładki

Książka

W koszyku

Modelowanie kosztów funkcjonowania organizacji za pomocą sieci neuronowych / Bogdan Ćwik, Jerzy Telep, Jarosław Wójciński. - Warszawa : AlmaMer Wyższa Szkoła Ekonomiczna, 2006. - 85, [2] s. : il. ; 24 cm.

Autor

Ćwik Bogdan. Telep Jerzy. Wójciński Jarosław.

Temat

Sieci neuronowe Zarządzanie

Bibliogr. s. 85-[86].

Sygnatura czytelni BWEAiI: XII Ą 116

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 121759 N (1 egz.)

Brak okładki

Książka

W koszyku

Diagnostyka procesu obliczeń systemu dystrybucji wody z zastosowaniem modelowania neuronowego / Jacek Dawidowicz. - Białystok : Oficyna Wydawnicza Politechniki Białostockiej, 2015. - 196 s. : il. (w tym kolor.) ; 23 cm.

(Rozprawy Naukowe, ISSN 0867-096X ; nr 268)

(Biblioteka Inżynierii Środowiska)

Autor

Dawidowicz Jacek.

Temat

Sieci neuronowe Zaopatrzenie w wodę Wodociągi

Bibliogr. s. 176-194.

Sygnatura czytelni BMW: II M 454(268) (nowy)

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka Międzywydziałowa

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 141850 LE N (1 egz.)

Brak okładki

Książka

W koszyku

Models of Neural Networks I / ed. Eytan Domany, J. Leo von Hemmen, Klaus Schulten. - Berlin [i in.] : Springer - Verlag, 1995. - 355 s. : il., rys., wykr. ; 25 cm.

(Physics of Neural Networks)

Autor

Domany Eytan. Hemmen J. Leo von. Schulten Klaus.

Temat

Sieci neuronowe

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. Z 6842 (1 egz.)

Brak okładki

Książka

W koszyku

Proceedings of the Fourth International Symposium on Methods and Models in Automation and Robotics, 26-29 August 1997, Międzyzdroje, Poland. Vol.2 / ed. Stefan Domek, Zbigniew Emirsajłow, Roman Kaszyński. - Szczecin : Politechnika Szczecińska - Wydaw. Uczelniane, 1997. - [16], 431-844 s. : rys., schem., tab., wykr. ; 30 cm.

Autor

Domek Stefan. Emirsajłow Zbigniew. Kaszyński Roman.

Temat

SYSTEMY KONTROLNE Sieci neuronowe Automatyka Technika sterowania automatycznego Symposium

Bibliogr. przy ref.

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 93558 (1 egz.)

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 98531 LE (1 egz.)

Brak okładki

Książka

W koszyku

Sieci neuronowe / red. tomu Włodzisław Duch [et al.] ; Polska Akademia Nauk. - Warszawa : Akademicka Oficyna Wydawnicza EXIT, 2000. - XII, [12], 833 s. : il. ; 24 cm.

(Biocybernetyka i inżynieria biomedyczna 2000 / pod red. Macieja Nałęcza ; t. 6)

Autor

Duch Włodzisław (1954- ). Nałęcz Maciej (1922-2009).

Temat

Sieci neuronowe

Na s. tyt.: Tom wydany przy współpracy Polskiego Towarzystwa Sieci Neuronowych.

Bibliogr. przy rozdz.

Dla studentów, przedstawicieli nauki i inżynierów kierunków technicznych i medycznych.

Sygnatura czytelni BWF: VII E 30,6

Sygnatura czytelni BWEAiI: XII Ą 135

dostępna w czytelni

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Biblioteka WWFiF

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. F 5655 (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 99322 N (1 egz.)

Brak okładki

Książka

W koszyku

Współczesne metody projektowania, weryfikacji poprawności i modelowania zjawisk trakcji elektrycznej / Marek Dudzik ; Politechnika Krakowska im. Tadeusza Kościuszki. - Kraków: Wydawnictwo PK, 2018. - 187 stron : ilustracje, wykresy ; 24 cm.

(Monografie / Politechnika Krakowska im. Tadeusza Kościuszki. Inżynieria Elektryczna i Komputerowa)

Autor

Dudzik Marek (elektrotechnik)

Forma i typ

Książki Publikacje naukowe

Temat

Modele Opór (fizyka) Pojazdy szynowe Projektowanie Ruch Sieci neuronowe Trakcja elektryczna

Gatunek

Monografia

Dziedzina i ujęcie

Inżynieria i technika

Bibliografia, netografia, wykaz norm na stronach 177-184.

Okoliczności i przyczyny podjęcia tematu pracy Metody projektowania trakcji elektrycznej Metoda weryfikacji minimalnego przyspieszenia pojazdu trakcyjnego w określonym zakresie szybkości dla postępowań przetargowych Metoda modelowania obciążeń trakcyjnych dla rzeczywistych wyników pomiarów Konstrukcja i najważniejsze elementy monografii Konstrukcja pracy Najważniejsze elementy monografii Obliczenia trakcyjne Cel i znaczenie przejazdu obliczanego metodami analitycznymi Ogólne zasady obliczeń przejazdu teoretycznego Błąd metody obliczeń przejazdu teoretycznego Założenia dla klasycznych metod przejazdu teoretycznego Modelowanie profilu trasy Konieczne dane do wykonania przejazdu teoretycznego Aproksymacje zasadniczych i dodatkowych oporów ruchu pojazdu Aproksymacje zasadniczych oporów ruchu pojazdu Aproksymacje dodatkowych oporów ruchu pojazdu Lokalne opory ruchu pojazdu - opory łuków Lokalne opory mchu pojazdu - opory wzniesień i spadków Lokalne opory ruchu pojazdu - opory towarzyszące jeździe w tunelach i wykopach Sytuacyjne opory ruchu pojazdu - opory wiatru Sytuacyjne opory ruchu pojazdu - opory przy mijaniu pojazdów Sytuacyjne opory ruchu pojazdu - opory pracy generatorów wagonowych (potrzeby nietrakcyjne) Sytuacyjne opory ruchu pojazdu - jazda z wybiegu Sytuacyjne opory ruchu pojazdu - opory występujące w chwili ruszania Przejazd teoretyczny Przejazd teoretyczny - metoda z argumentem prędkości Wyprowadzenie metody z argumentem prędkości Algorytm metody z argumentem prędkości Przejazd teoretyczny - metoda z argumentem drogi Wyprowadzenie metody z argumentem drogi Algorytm metody z argumentem drogi Przejazd teoretyczny - metoda z argumentem czasu Wyprowadzenie metody z argumentem czasu Algorytm metody przejazdu teoretycznego z argumentem czasuPorównanie zbieżności wyników metod przejazdu teoretycznego z argumentem czasu i z argumentem prędkości Zalecane wartości opóźnienia hamowania aH w ruchu opóźnionym pojazdu Obliczenia zużycia energii pojazdu trakcyjnego oraz obliczenia przeciążeń jednostek napędowych Obliczenie zużycia energii pojazdu trakcyjnego Obliczenia przeciążeń jednostek napędowych Równania i charakterystyki pojazdów trakcyjnych Zastosowania sztucznych sieci neuronowych w zagadnieniach trakcyjnych Metoda modelowania trakcyjnych zjawisk fizycznych za pomocą sztucznej inteligencji Struktura sieci neuronowej narzędzia dopasowania funkcyjnego Warstwa sieci neuronowej i odpowiadające jej równanie Relacja matematyczna odpowiadająca dwuwarstwowej strukturze sieci neuronowej Relacja matematyczna odpowiadająca wielowarstwowej strukturze sieci neuronowej Wybrane funkcje aktywacji neuronów sieci Ocena poprawności procesu uczenia sztucznej sieci neuronowej Ocena zbieżności wyników sieci z danymi przypisanymi do procesu uczenia Wykres funkcji otrzymany z procesu uczenia sztucznej sieci neuronowej Zastosowanie narzędzia dopasowania funkcyjnego do modelowania wyników przejazdu teoretycznego Zastosowanie narzędzia dopasowania funkcyjnego do modelowania rzeczywistych obciążeń trakcyjnych Istota zmienności obciążeń trakcyjnych Modelowanie rzeczywistych obciążeń trakcyjnych przy wykorzystaniu narzędzia dopasowania funkcyjnego Metoda weryfikacji minimalnego przyspieszenia pojazdu w określonym zakresie szybkości dla postępowań przetargowych na zakup nowych pojazdów trakcyjnych Przyczepność pojazdu szynowego Maksymalne możliwe przyspieszenie pojazdu szynowego ograniczone warunkiem przyczepności - wyprowadzenie wzoru Metoda obliczania największego możliwego do uzyskania przyspieszenia pojazdu ograniczonego warunkiem przyczepności

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 147650 (1 egz.)

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 147642 LE (1 egz.)

Książka

W koszyku

Kluczowe kompetencje specjalisty danych : jak pracować z danymi i zrobić karierę / Kirill Eremenko ; przekład Marcin Szeliga. - Wydanie II (I w WN PWN). - Warszawa : Wydawnictwo Naukowe PWN, 2021. - XIV, 256 stron : ilustracje ; 24 cm.

Autor

Eremenko Kirill (1989- ). Szeliga Marcin

Forma i typ

Książki Publikacje fachowe

Temat

Sieci neuronowe Data mining

Gatunek

Poradnik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Na książce także ISBN oryginału: 978-1-78966-438-6.

Bibliografia przy rozdziałach. Indeks.

Część I O co w tym chodzi? Najważniejsze zasady Data Science Dokąd zmierzamy Przyszłość to dane Hamowanie postępu 01 Definicja danych Dane są wszędzie Wielkość (danych) ma znaczenie Przechowywanie i przetwarzanie danych Dane mają moc tworzenia Użycie danych Dlaczego właśnie teraz dane stały się ważne Martwienie się nic nie da 02 Jak dane spełniają nasze potrzeby Wszechobecność danych Data Science a potrzeby fizjologiczne Data Science a potrzeby bezpieczeństwa Data Science a potrzeby przynależności i miłości Data Science a samorealizacja Data Science a samodoskonalenie Kilka słów podsumowania 03 Sztuczna inteligencja a nasza przyszłość Czym jest sztuczna inteligencja? Silna sztuczna inteligencja Słaba sztuczna inteligencja Robotyka i automatyzacja procesów Rozpoznawanie obrazów Przetwarzanie języka naturalnego Uczenie ze wzmocnieniem oraz uczenie głębokie Ciemna strona sztucznej inteligencji Przygotuj się na część II Część II Gdzie i jak je znajdę? Gromadzenie i analiza danych Proces Data Science Pierwsze kroki 04 Określenie problemu Spójrz mamo, nie ma danych! Jak rozwiązać taki problem, jak Pilnowanie czasu Sztuka mówienia nie Naprzód! 05 Przygotowanie danych Spraw, żeby dane zaczęły mówić Z wielką władzą wiąże się wielka odpowiedzialność Przygotuj dane do podróży Bibliografia 06 Klasyczna analiza danych Nie pomiń tego kroku Klasyfikacja i analiza skupień Klasyfikacja Drzewa decyzyjne Lasy losowe Algorytm k najbliższych sąsiadów Naiwny klasyfikator Bayesa Klasyfikacja przy użyciu klasyfikatora Bayesa Regresja logistyczna Analiza skupień Algorytm grupowania metodą k-średnich Grupowanie hierarchiczne 07 Nowoczesna analiza danych Uczenie ze wzmocnieniem Problem wielorękiego bandyty Algorytm UCB Próbkowanie Thompsona Który algorytm jest lepszy próbkowanie Thompsona czy UCB? Głębokie uczenie maszynowe Ustalanie wag jak uczą się sztuczne sieci neuronowe Przyszłość analizy danych Część III Jak to przedstawić? Opowiadanie o danych Jak dobrze wyglądać Jeszcze nie skończyliśmy! Akcelerator kariery 08 Wizualizacja danych Czym jest analiza wizualna? Czym jest wizualizacja danych? Mówienie językiem wizualnym Kroki tworzenia atrakcyjnych wizualizacji Uwagi końcowe Idąc o krok dalej Typy wykresów 09 Prezentacja danych Znaczenie opowieści Powołanie rzecznika danych Jak stworzyć świetną prezentację Koniec procesu Data Science Bibliografia 10 Twoja kariera specjalisty danych Wejście do świata Data Science Ubieganie się o pracę Przygotowanie do rozmowy kwalifikacyjnej Przeprowadzanie wywiadu Dbanie o rozwój firmowej kariery

Sygnatura czytelni BWEAiI: XII A 44

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 150142 N (1 egz.)

Brak okładki

Książka

W koszyku

2nd Workshop on Constraint Programming for Decision and Control CPDC '2000, 27 June, 2000, Gliwice, Poland / ed. Jarosław Figwer. - Gliwice : Silesian University of Technology : Pracownia Komputerowa Jacka Skalmierskiego, Wydawnictwo, [2000]. - 66 s. : il. ; 30 cm.

Autor

Figwer Jarosław.

Temat

Informatyka Programowanie z ograniczeniami Programowanie dynamiczne Constraint Logic Programming Sieci neuronowe Constraint Handling In Prolog

Na s. tyt.: Organised by: Institute of Automation, Department of Automation, Electronics and Computer Science, Silesian University of Technology Gliwice, Poland. Scientific Sponsorship: Committee of Automation and Robotics, Polish Academy of Sciences, Warszawa, Poland. U góry okł.: CPDC '2000.

Bibliogr. przy ref.

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 118361 LE (1 egz.)

Książka

W koszyku

Optimum : idea cyberpsychologii pozytywnej / Paweł Fortuna. - Wydanie pierwsze. - Warszawa : Wydawnictwo Naukowe PWN, 2021. - 240, [1] strona : ilustracje ; 21 cm.

Autor

Fortuna Paweł (1970- ).

Forma i typ

Książki Publikacje naukowe

Temat

Psychologia pozytywna Sztuczna inteligencja Cyberpsychologia Cywilizacja Innowacje Sieci neuronowe Nowe media (komunikacja)

Gatunek

Opracowanie Raport z badań

Dziedzina i ujęcie

Psychologia Nauka i badania Socjologia i społeczeństwo

Bibliografia na stronach 213-230. Indeks.

Optymalna perspektywa Kontekst: paralelne projekty Projekt pozytywny: człowiek szczęśliwy Projekt niepokojący: sztuczna inteligencja Projekt osobliwy: postczłowiek Umysły w systemie Systemy naturalne Systemy sztuczne Systemy hybrydowe Jak system naturalny przekształca się w hybrydowy? Cyberdreszczowiec ze światełkiem w tunelu Cyberpsychologia pozytywna Optymalne funkcjonowanie Pozytywne systemy Kierunki badań Wymiar praktyczny Optymalna znajomość rzeczy Kontekst: humanika Sztuczna inteligencja w naszych umysłach Jak pojmujemy świat? Eksperci i laicy Meandry wiedzy Akademickie rozterki Naturalnie, że sztuczna Uczeń zdolny i nieleniwy Diagnostyka inteligencji Populacja sztucznych agentów Imitatory Amplifikatory Realizatory Przełomowa innowacja Optymalne interakcje Kontekst: od interakcji do satysfakcji Miara wszechrzeczy Umysły w oku patrzącego Na obraz i podobieństwo Człekokształtność SI sapiens Humanoidalny afekt Personifikacja ról Projekcje intencjonalności Optymalne wzmocnienie Kontekst: atrakcyjny artefakt Kreatywność (cnota: mądrość i wiedza) Przypadek Neila Harbissona Wzmacniacze kreatywności Dzielność (cnota: odwaga) Sparing z mocnym adwersarzem Tytani sprawności Wyzwalanie dzielności Dobroć (cnota: człowieczeństwo) Technologiczne zachęty Dobroć jest dobra Kwant życzliwości Więcej niż kliknięcie Siła globalnej wioski Przywództwo (cnota: sprawiedliwość) Dylemat partycypacji Pułapka uległości Przywództwo zasilane przez Big Data Lider hybrydowej ewolucji Pokora (cnota: umiar) Moc autoweryfikacji Pokonani przez SI Sieci jedynie neuropodobne Kwantyfikowanie Ja Spojrzenie w lustro 3D Nadzieja (cnota: transcendencja)

Sygnatura czytelni BWEAiI: XII Ą 126

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 151500 (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 151499 N (1 egz.)

Brak okładki

Książka

W koszyku

Optymalizacja procesu produkcji paliw kompaktowanych wytwarzanych z roślin energetycznych / pod red. Jarosława Frączka ; Wydział Inżynierii Produkcji i Energetyki Uniwersytetu Rolniczego im. Hugona Kołłątaja w Krakowie. - Kraków : [Polskie Towarzystwo Inżynierii Rolniczej, Zarząd Główny], 2010. - 248 s. : il. (w tym kolor. ) ; 24 cm.

Autor

Frączek Jarosław (1953- ).

Temat

Biopaliwa Sieci neuronowe

Wydaw. w cop.

Bibliogr. s. 243-248.

Sygnatura czytelni BMW: VII I 102 (nowy)

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka Międzywydziałowa

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. M 12451 N (1 egz.)