SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

29 wyników

Książka

W koszyku

Inżynieria odwrotna w praktyce : narzędzia i techniki / Bruce Dang, Alexandre Gazet, Elias Bachaalany, Sébastien Josse ; [tłumaczenie Konrad Matuk]. - Gliwice : Wydawnictwo Helion, copyright 2015. - 364 strony : ilustracje ; 25 cm.

Autor

Bachaalany Elias. Dang Bruce. Gazet Alexandre. Josse Sébastien. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Temat

Inżynieria odwrotna

Gatunek

Poradnik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Bibliografia, netografia na stronach 343-346. Indeks.

Rozdział 1. Architektura x86 i x64 (21) Rejestry i typy danych (22) Zbiór instrukcji (23) Składnia (24) Przenoszenie danych (25) Operacje arytmetyczne (31) Operacje stosu i wywoływanie funkcji (32) Sterowanie wykonywanym programem (37) Mechanizm systemowy (44) Translacja adresów (45) Przerwania i wyjątki (47) Analiza krok po kroku (47) x64 (55) Rejestry i typy danych (55) Przenoszenie danych (56) Adresowanie kanoniczne (56) Wywołanie funkcji (57) Rozdział 2. Architektura ARM (59) Podstawowe funkcje (60) Typy danych i rejestry (63) Opcje systemu i ustawienia (65) Instrukcje - wprowadzenie (66) Ładowanie i zapisywanie danych (67) Instrukcje LDR i STR (67) Inne zastosowania instrukcji LDR (71) Instrukcje LDM i STM (72) Instrukcje PUSH i POP (76) Funkcje i wywoływanie funkcji (77) Operacje arytmetyczne (80) Rozgałęzianie i wykonywanie warunkowe (81) Tryb Thumb (85) Polecenia switch-case (85) Rozmaitości (87) Kompilacja just-in-time i samomodyfikujący się kod (87) Podstawy synchronizacji (88) Mechanizmy i usługi systemowe (89) Instrukcje (91) Analiza krok po kroku (91) Co dalej? (98) Rozdział 3. Jądro systemu Windows (107) Podstawy systemu Windows (108) Rozkład pamięci (108) Inicjalizacja procesora (109) Wywołania systemowe (111) Poziom żądań przerwania urządzenia (123) Pule pamięci (125) Listy deskryptorów pamięci (126) Procesy i wątki (126) Kontekst wykonywania (128) Podstawy synchronizacji jądra (129) Listy (130) Szczegóły implementacji (131) Analiza krok po kroku (138) Ćwiczenia (142) Wykonywanie asynchroniczne i ad hoc (146) Wątki systemowe (147) Elementy robocze (148) Asynchroniczne wywoływanie procedur (150) Opóźnione wywoływanie procedur (154) Timery (158) Wywołania zwrotne procesów i wątków (159) Procedury zakończenia (161) Pakiety żądań wejścia-wyjścia (162) Struktura sterownika (164) Punkty rozpoczęcia (165) Obiekty sterownika i urządzenia (166) Obsługa pakietów IRP (167) Popularne mechanizmy zapewniające komunikację pomiędzy kodem użytkownika a kodem jądra (168) Inne mechanizmy systemowe (170) Analiza krok po kroku (173) Rootkit w architekturze x86 (173) Rootkit w architekturze x64 (188) Dalszy rozwój (195) Rozwijanie pewności siebie i utrwalanie wiadomości (197) Poszerzanie horyzontów (198) Analiza prawdziwych sterowników (201) Rozdział 4. Debugowanie i automatyzacja (203) Narzędzia i podstawowe polecenia służące do debugowania (204) Określanie ścieżki plików symboli (205) Okna debugera (205) Obliczanie wartości wyrażenia (206) Zarządzanie procesami i debugowanie zdarzeń (210) Rejestry, pamięć i symbole (214) Punkty wstrzymania (223) Kontrolowanie procesów i modułów (226) Inne polecenia (229) Skrypty i debugowanie (230) Pseudorejestry (231) Aliasy (233) Język (240) Pliki skryptów (251) Skrypty jako funkcje (255) Przykładowe skrypty przydatne podczas debugowania (260) Korzystanie z narzędzi SDK (267) Pojęcia (268) Tworzenie rozszerzeń narzędzi debugujących (272) Praktyczne rozszerzenia, narzędzia i źródła wiedzy (274) Rozdział 5. Zaciemnianie kodu (277) Techniki zaciemniania kodu (279) Po co zaciemniać kod? (279) Zaciemnianie oparte na danych (282) Zaciemnianie oparte na sterowaniu (287) Jednoczesne zaciemnianie przepływu sterowania i przepływu danych (293) Zabezpieczanie przez zaciemnianie (297) Techniki rozjaśniania kodu (297) Natura rozjaśniania kodu: odwracanie przekształceń (298) Narzędzia przeznaczone do rozjaśniania kodu (303) Rozjaśnianie kodu w praktyce (319) Studium przypadku (335) Pierwsze wrażenie (335) Analiza semantyki procedury (337) Obliczanie symboliczne (339) Dodatek A Sumy kontrolne SHA1 (347)

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 147783 (1 egz.)

Książka

W koszyku

Fascynujący świat robotów / John Baichtal ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, cop. 2015. - 382 s. : il. kolor. ; 23 cm.

Autor

Baichtal John. Matuk Konrad.

Temat

Roboty i manipulatory Roboty i manipulatory przemysłowe

Gatunek

Wydawnictwa popularne

Okł.: Przewodnik dla konstruktorów. Własny robot w zasięgu Twoich możliwości!

Na okł. logo wydaw. oryg.: QUE Publishing.

Pliki z przykładami omawianymi w książce można znaleźć pod adresem internet. wydaw. podanym na s. red.

Indeks.

Sygnatura czytelni BWEAiI: XII Ą 74

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 141492 (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 140631 N (1 egz.)

Książka

W koszyku

Projekty elektroniczne dla bystrzaków / Earl Boysen, Nancy C. Muir ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, cop. 2015. - 372, [4] s. : il. ; 23 cm.

Autor

Boysen Earl. Muir Nancy C. (1954- ). Matuk Konrad.

Temat

Elektronika Układy elektroniczne

Gatunek

Wydawnictwa popularne

Okł.: W prostocie tkwi siła. Naucz się: surfować po falach radiowych, budować świecące dekoracje, zarabiać dzięki wykrywaczowi metalu własnej produkcji, wykrywać ruch.

Indeks.

Sygnatura czytelni BWEAiI: IX C 47

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. 141105 N (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.)

Książka

W koszyku

Budowa robotów dla początkujących / David Cook ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, cop. 2016. - 436 s. : il. ; 23 cm.

(Technology in Action)

Autor

Cook David Alan. Jarczyk Jacek. Piwko Łukasz. Matuk Konrad.

Temat

Roboty i manipulatory

Gatunek

Podręcznik.

S. red.: Tł.: Konrad Matuk z wykorzystaniem fragmentów kasiążki "Budowa robotów dla początkujących" w tł. Jacka Janczyka i Łukasza Piwko.

Oznaczenie: Wyd. 3 na s. tyt., okł. dotyczy oryg.

Na s. tyt. i okł. nazwa wydaw. oryg.: Apress.

Indeks.

Sygnatura czytelni BWEAiI: XII Ą 36

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. 143173 N (1 egz.)

Książka

W koszyku

Autor

Dahl Øyvind Nydal (1984- ) Matuk Konrad

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Temat

Elektronika

Gatunek

Podręcznik

Dziedzina i ujęcie

Inżynieria i technika

W książce także ISBN oryginału.

Indeks.

Dla młodych i starszych pasjonatów elektroniki.

CZĘŚĆ I. ZABAWA Z ELEKTRYCZNOŚCIĄ Rozdział 1. Czym jest elektryczność? Rozdział 2. Wprawianie przedmiotów w ruch za pomocą prądu i magnesów Rozdział 3. Generowanie prądu elektrycznego CZĘŚĆ II. TWORZENIE OBWODÓW Rozdział 4. Generowanie światła za pomocą diod LED Rozdział 5. Generowanie migającego światła Rozdział 6. Zacznij lutować! Rozdział 7. Sterowanie za pomocą elektryczności Rozdział 8. Zbuduj instrument muzyczny CZĘŚĆ III. CYFROWY ŚWIAT Rozdział 9. Jak obwody przetwarzają zera i jedynki? Rozdział 10. Obwody, które podejmują decyzje Rozdział 11. Obwody, które zapamiętują dane Rozdział 12. Zbudujmy grę!

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 153009 N (1 egz.)

Książka

W koszyku

Android 6 dla programistów : techniki tworzenia aplikacji / Paul Deitel, Harvey Deitel, Alexander Wald ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, cop. 2016. - 448 s. : il. ; 23 cm.

Autor

Deitel Paul J. Deitel Harvey M. (1945- ). Wald Alexander. Matuk Konrad.

Temat

Android (system operacyjny).

Gatunek

Podręcznik.

Oznaczenie: Wyd. 3 na s. tyt. i okł. dotyczy oryg.

Indeks.

Sygnatura czytelni BWEAiI: XII R 34

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. 143168 N (1 egz.)

Książka

W koszyku

Autor

Foreman John W. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Temat

Data Mining (metoda) Analiza danych Analiza skupień

Gatunek

Opracowanie

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Data Smart: Using Data Science to Transform Information into Insight.

Indeks.

Praktyczna definicja analizy danych Chwila, chwila. A co z big data? Kim jestem? Kim jesteś? Na szczęście będziesz pracować tylko w arkuszu kalkulacyjnym Ale arkusze kalkulacyjne są takie staromodne! Korzystaj z programu Excel lub pakietu LibreOffice Konwencje typograficzne przyjęte w tej książce 1. Wszystko, co chciałeś wiedzieć o arkuszu kalkulacyjnym, ale bałeś się o to zapytać Przykładowe proste dane Szybkie przeglądanie arkusza i klawisz Ctrl Szybkie kopiowanie danych i formuł Formatowanie komórek Wklejanie wartości specjalnych Wstawianie wykresów Menu Znajdź i menu Zamień Formuły przeznaczone do wyszukiwania i wyciągania wartości Stosowanie formuły WYSZUKAJ.PIONOWO do łączenia danych Filtrowanie i sortowanie Stosowanie tabel przestawnych Korzystanie z formuł tablicowych Rozwiązywanie problemów za pomocą narzędzia Solver OpenSolver chciałbym, abyśmy go nie potrzebowali, ale 2. Analiza skupień Część I zastosowanie algorytmu centroidów do segmentowania bazy klientów Dziewczyny tańczą z dziewczynami, a chłopcy drapią się po łokciach Prawdziwy problem: implementacja algorytmu centroidów w e-mail marketingu Handel winem Początkowy zbiór danych Określanie tego, co chcemy mierzyć Zacznij od czterech grup Odległość euklidesowa pomiar odległości w linii prostej Odległość dla wszystkich! Określanie położenia środków klastrów Analiza uzyskanych wyników Ustalanie najlepszej oferty dla danego klastra Sylwetka podziału dobry sposób na określenie optymalnej liczby klastrów Sylwetka podziału na wysokim poziomie jak daleko od Ciebie są Twoi sąsiedzi? Tworzenie macierzy odległości Excel i implementacja sylwetki podziału A może potrzebujesz pięciu klastrów? Dzielenie klientów na pięć klastrów za pomocą narzędzia Solver Ustalanie najlepszych ofert dla wszystkich pięciu klastrów Określanie sylwetki podziału na pięć klastrów Podział na grupy za pomocą algorytmu k-medioidów i asymetryczny pomiar odległości Podział na grupy za pomocą metody k-medioidów Stosowanie lepszego sposobu pomiaru odległości Czy pomiar odległości zgodnie z metryką miejską rozwiązuje problem? Odległość kosinusowa wcale nie jest czymś strasznym Implementacja za pomocą Excela Najlepsze oferty przy podziale na pięć klastrów za pomocą median 3. Naiwny klasyfikator bayesowski i niezwykła lekkość bycia idiotą Jeżeli nazwiesz swój produkt Mandrill, to uzyskasz zaszumione informacje zwrotne Najszybsze na świecie wprowadzenie do rachunku prawdopodobieństwa Obliczanie prawdopodobieństwa warunkowego Prawdopodobieństwo części wspólnej, reguła łańcuchowa i niezależność A co, jeżeli sytuacje są zależne od siebie? Twierdzenie Bayesa Tworzenie modelu sztucznej inteligencji za pomocą twierdzenia Bayesa Zwykle zakłada się, że wysokopoziomowe prawdopodobieństwa klas są sobie równe Kilka innych drobnostek Rozwiązywanie problemu słów rzadkich Rozwiązywanie problemu niedomiaru zmiennoprzecinkowego Czas rozpocząć zabawę z Excelem Usuwanie nieistotnych znaków interpunkcyjnych Dzielenie na znakach spacji Zliczanie leksemów i obliczanie prawdopodobieństw Zbudowaliśmy model. Skorzystajmy z niego! 4. Modelowanie optymalizacyjne świeżo wyciśnięty sok nie zamiesza się sam Dlaczego analityk danych powinien wiedzieć, czym jest optymalizacja? Zacznijmy od prostego kompromisu Przedstawienie problemu w formie wielokomórki Rozwiązywanie problemu poprzez przesuwanie poziomicy Metoda simpleks kręcenie się wokół rogów Praca w Excelu Przecież nie da się wyprodukować 3,43 karabinu! Spróbujmy rozwiązać problem w sposób nieliniowy Na końcu tego rozdziału kryje się potwór Szklanka świeżego soku pomarańczowego prosto z drzewa z przystankiem na modelowanie Trzeba skorzystać z modelu mieszania Zacznijmy od specyfikacji soków Stałość produktu wyjściowego Wprowadzanie danych do Excela Określanie problemu w dodatku Solver Obniżanie standardów Usuwanie cuchnącego problemu minimalizacja maksymalnych odchyleń Warunki i ograniczenie wielkiego M Mnożenie zmiennych skorzystajmy ze 110% mocy Excela Modelowanie ryzyka Dane pochodzące z rozkładu normalnego Dystrybuanta Opracowywanie scenariuszy na podstawie odchyleń standardowych związanych z problemem mieszania soków Określanie ograniczeń scenariusza Podsumowanie Praktyka, praktyka, praktyka i dalsza lektura 5. Analiza skupień Część II grafy i analiza sieci Czym jest graf sieci? Wizualizacja prostego grafu Krótkie wprowadzenie do Gephi Instalacja Gephi i przygotowanie pliku Budowa grafu Stopień rozgałęzienia Elegancki wydruk Edycja danych grafu Tworzenie grafu na podstawie danych sprzedaży wina Tworzenie macierzy podobieństwa kosinusowego Generowanie grafu r-sąsiedztwa Jaka jest wartość krawędzi? Nagradzanie i karanie krawędzi modularność grafu Czym jest punkt, a czym kara? Tworzenie arkusza punktacji Czas dokonać podziału na grupy Podział 1. Punktowanie przypisania każdego klienta Tworzenie modelu liniowego obliczającego punktację Tworzenie programu liniowego Podział 2. kontratak Podział 3. zemsta Grupy kodowanie i analiza Tam i z powrotem czas na Gephi 6. Regresja jako przodek nadzorowanego uczenia maszynowego i sztucznej inteligencji Co? Jesteś w ciąży? Nie oszukuj siebie Osoby, które nie wiedzą, jak działają modele sztucznej inteligencji, bardzo często reagują na możliwość przewidywania przyszłości z niedowierzaniem i przerażeniem. Dobrze parafrazuje to cytat z filmu Włamywacze z 1992 r.: Nie oszukuj siebie. To wcale nie jest takie inteligentne. Przewidywanie ciąży klientów na podstawie regresji liniowej Zbiór cech Tworzenie treningowego zbioru danych Tworzenie zmiennych fikcyjnych Pobawmy się regresją liniową Najprostsze modele liniowe Wracamy do danych sprzedaży Dodawanie formuły obliczającej wartość błędu Trenowanie modelu za pomocą narzędzia Solver Parametry regresji liniowej: współczynnik determinacji, test F i test t Współczynnik determinacji parametr oceniający poprawność dopasowania Test F czy dopasowanie jest istotne z punktu widzenia statystyki? Testy t współczynników które zmienne są dla nas ważne? Przewidywanie ciąży na nowym zbiorze danych i sprawdzanie jakości modelu Określanie wartości progowej Precyzja (wartości przewidziane jako pozytywne) Specyficzność (liczba wyników prawdziwie negatywnych) Liczba wyników fałszywie pozytywnych Czułość (liczba wyników prawdziwie pozytywnych) Wyznaczanie kompromisu pomiędzy wskaźnikami jakości modelu i tworzenie krzywej charakterystyki pracy Przewidywanie ciąży klientów za pomocą regresji logistycznej Najpierw musisz określić funkcję wiążącą Tworzenie funkcji logistycznej i ponowna optymalizacja Praca nad prawdziwą regresją logistyczną Wybór modelu porównywanie skuteczności regresji liniowej i regresji logistycznej 7. Modele zespołowe dużo nie najlepszej pizzy Korzystanie z danych z rozdziału 6. Agregacja losuj, trenuj, powtórz Pieniek decyzyjny to niezbyt ładne określenie głupiego modelu To wcale nie wydaje się takie głupie! Więcej mocy! Czas rozpocząć proces trenowania Tworzenie próbki losowej Tworzenie pieńka decyzyjnego na podstawie wylosowanej próbki danych Zapisywanie zwycięzcy To tak dużo pracy! Ocena działania modelu zespolonego Prognozowanie wartości zbioru testowego Wydajność Coś więcej niż dokładność Wzmacnianie jeżeli uzyskałeś niesatysfakcjonujące wyniki, to wzmocnij swój model i uruchom go jeszcze raz Trenowanie modelu każda cecha ma swoje pięć minut Czas wyłonić zwycięzcę Obliczanie wartości parametru alfa dla najlepszej reguły decyzyjnej Zmiana wag Zrób to ponownie i znów i znów Wydajność modelu wzmacnianych reguł decyzyjnych Prognozy na testowym zbiorze danym Obliczanie parametrów określających skuteczność klasyfikacji Coś więcej niż dokładność 8. Prognozowanie oddychaj spokojnie, i tak nie wygrasz Hossa na rynku sprzedaży mieczy Szeregi czasowe Zacznij od prostego wygładzania wykładniczego Przygotowanie arkusza prognozy prostego wygładzania wykładniczego Dodawanie kolumn prognozy jednego kroku i jej błędu Przeciągnij te formuły w dół Optymalizacja błędu pojedynczego kroku Czas przedstawić to na wykresie Być może dane zawierają trend Podwójne wygładzanie wykładnicze (metoda Holta) Metoda Holta w arkuszu kalkulacyjnym Prognozowanie popytu w przyszłości Optymalizacja błędu prognozy pojedynczego kroku To wszystko? Analiza autokorelacji Wielokrotne wygładzanie wykładnicze model Holta-Wintersa Określanie początkowych wartości poziomu, trendu i sezonowości Tworzenie prognozy Czas na optymalizację Powiedz mi, że to już koniec. Proooszę! Interwały prognozy Tworzenie wykresu warstwowego wachlarza wartości 9. Wykrywanie obserwacji odstających to, że jakiś element jest inny od pozostałych, nie oznacza, że jest nieistotny Element odstający to też człowiek Fascynująca sprawa Hadlumów Metoda Tukeya Implementacja metody Tukeya w arkuszu kalkulacyjnym Ograniczenia tej prostej techniki Nie tragiczny, ale słaby we wszystkim Przygotowywanie danych do utworzenia wykresu Tworzenie grafu Określanie k najbliższych sąsiadów Pierwsza metoda wykrywania elementów odstających grafu skorzystaj ze stopnia wchodzącego Druga metoda wykrywania elementów odstających grafu zgłębianie niuansów za pomocą k-odległości Trzecia metoda wykrywania elementów odstających grafu lokalny miernik stopnia oddalenia obserwacji Zacznij od odległości osiągalnej Określanie lokalnych mierników stopnia oddalenia obserwacji Podsumowanie 10. Przejście z arkusza kalkulacyjnego do języka R Przygotowanie środowiska i początek pracy w języku R Wprowadzanie prostych danych Działania matematyczne na wektorach i faktory Macierze dwuwymiarowe Najlepszy typ danych dataframe Wczytywanie danych do R Prawdziwa analiza danych Sferyczny algorytm k-średnich wywołany za pomocą zaledwie kilku linii kodu Budowanie modeli sztucznej inteligencji na podstawie danych zakupów (wykrywanie ciąży) Prognozowanie w R Wykrywanie elementów odstających Gdzie ja jestem? Co się stało? Zanim odłożysz tę książkę Poznaj problem Potrzebujemy więcej tłumaczy Uważaj na trójgłowe monstrum: narzędzia, wydajność i perfekcjonizm Złożoność Narzędzia Wydajność Nie jesteś najważniejszą osobą w firmie Bądź kreatywny

Sygnatura czytelni BWEAiI: XII W 53

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. 148060 N (1 egz.)

Książka

W koszyku

Autor

Grus Joel. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Temat

Bazy danych Data Mining (metoda) Python (język programowania) Struktury danych

Tytuł oryginału: Data Science from Scratch : First Principles with Python.

Na stronie tytułowej również informacje o miejscach wydania i wydawcy oryginału - O'Reilly.

Indeks.

Znaczenie danych Czym jest analiza danych? Hipotetyczna motywacja Określanie najważniejszych węzłów Analitycy, których możesz znać Wynagrodzenie i doświadczenie Płatne konta Tematy interesujące użytkowników Co dalej? Błyskawiczny kurs Pythona Skąd wziąć interpreter Pythona? Zasady tworzenia kodu Pythona Formatowanie za pomocą białych znaków Moduły Operacje arytmetyczne Polskie znaki diakrytyczne Funkcje Łańcuchy Wyjątki Listy Krotki Słowniki Zbiory Przepływ sterowania Wartości logiczne Bardziej skomplikowane zagadnienia Sortowanie Składanie list Generatory i iterator Losowość Wyrażenia regularne Programowanie obiektowe Narzędzia funkcyjne enumerate Funkcja zip i rozpakowywanie argumentów Argumenty nazwane i nienazwane Witaj w firmie DataSciencester! Dalsza eksploracja Wizualizacja danych Pakiet matplotlib Wykres słupkowy Wykresy liniowe Wykresy punktowe Dalsza eksploracja Algebra liniowa Wektory Macierze Dalsza eksploracja Rozdział 5. Statystyka Opis pojedynczego zbioru danych Tendencje centralne Dyspersja Korelacja Paradoks Simpsona Inne pułapki związane z korelacją Korelacja i przyczynowość Dalsza eksploracja Prawdopodobieństwo Zależność i niezależność Prawdopodobieństwo warunkowe Twierdzenie Bayesa Zmienne losowe Ciągły rozkład prawdopodobieństwa Rozkład normalny Centralne twierdzenie graniczne Dalsza eksploracja Hipotezy i wnioski Sprawdzanie hipotez Przykład: rzut monetą Przedziały ufności Hakowanie wartości p Przykład: przeprowadzanie testu A-B Wnioskowanie bayesowskie Dalsza eksploracja Metoda gradientu prostego Podstawy metody gradientu prostego Szacowanie gradientu Korzystanie z gradientu Dobór właściwego rozmiaru kroku Łączenie wszystkich elementów Stochastyczna metoda gradientu prostego Dalsza eksploracja Uzyskiwanie danych Strumienie stdin i stdout Wczytywanie plików Podstawowe zagadnienia dotyczące plików tekstowych Pliki zawierające dane rozdzielone separatorem Pobieranie danych ze stron internetowych HTML i parsowanie Przykład: książki wydawnictwa OReilly dotyczące analizy danych Korzystanie z interfejsów programistycznych Format JSON (i XML) Korzystanie z interfejsu programistycznego bez uwierzytelniania Poszukiwanie interfejsów programistycznych Przykład: korzystanie z interfejsów programistycznych serwisu Twitter Uzyskiwanie danych uwierzytelniających Dalsza eksploracja Praca z danymi Eksploracja danych Eksploracja danych jednowymiarowych Dwa wymiary Wiele wymiarów Oczyszczanie i wstępne przetwarzanie danych Przetwarzanie danych Przeskalowanie Redukcja liczby wymiarów Dalsza eksploracja Uczenie maszynowe Modelowanie Czym jest uczenie maszynowe? Nadmierne i zbyt małe dopasowanie Poprawność Kompromis pomiędzy wartością progową a wariancją Ekstrakcja i selekcja cech Dalsza eksploracja Algorytm k najbliższych sąsiadów Model Przykład: ulubione języki Przekleństwo wymiarowości Dalsza eksploracja Rozdział 13. Naiwny klasyfikator bayesowski Bardzo prosty filtr antyspamowy Bardziej zaawansowany filtr antyspamowy Implementacja Testowanie modelu Dalsza eksploracja Prosta regresja liniowa Model Korzystanie z algorytmu spadku gradientowego Szacowanie maksymalnego prawdopodobieństwa Dalsza eksploracja Regresja wieloraka Model Dalsze założenia dotyczące modelu najmniejszych kwadratów Dopasowywanie modelu Interpretacja modelu Poprawność dopasowania Dygresja: ładowanie wstępne Błędy standardowe współczynników regresji Regularyzacja Dalsza eksploracja Regresja logistyczna Problem Funkcja logistyczna Stosowanie modelu Poprawność dopasowania Maszyny wektorów nośnych Dalsza eksploracja Drzewa decyzyjne Czym jest drzewo decyzyjne? Entropia Entropia podziału Tworzenie drzewa decyzyjnego Łączenie wszystkiego w całość Lasy losowe Dalsza eksploracja Sztuczne sieci neuronowe Perceptrony Jednokierunkowe sieci neuronowe Propagacja wsteczna Przykład: pokonywanie zabezpieczenia CAPTCHA Dalsza eksploracja Grupowanie Idea Model Przykład: spotkania Wybór wartości parametru k Przykład: grupowanie kolorów Grupowanie hierarchiczne z podejściem aglomeracyjnym Dalsza eksploracja Przetwarzanie języka naturalnego Chmury wyrazowe Modele n-gram Gramatyka Na marginesie: próbkowanie Gibbsa Modelowanie tematu Dalsza eksploracja Analiza sieci społecznościowych Pośrednictwo Centralność wektorów własnych Mnożenie macierzy Centralność Grafy skierowane i metoda PageRank Dalsza eksploracja Systemy rekomendujące Ręczne rozwiązywanie problemu Rekomendowanie tego, co jest popularne Filtrowanie kolaboratywne oparte na użytkownikach Filtrowanie kolaboratywne oparte na zainteresowaniach Dalsza eksploracja Bazy danych i SQL Polecenia CREATE TABLE i INSERT Polecenie UPDATE Polecenie DELETE Polecenie SELECT Polecenie GROUP BY Polecenie ORDER BY Polecenie JOIN Zapytania składowe Indeksy Optymalizacja zapytań Bazy danych NoSQL Dalsza eksploracja Algorytm MapReduce Przykład: liczenie słów Dlaczego warto korzystać z algorytmu MapReduce? Algorytm MapReduce w ujęciu bardziej ogólnym Przykład: analiza treści statusów Przykład: mnożenie macierzy Dodatkowe informacje: zespalanie Dalsza eksploracja Praktyka czyni mistrza IPython Matematyka Korzystanie z gotowych rozwiązań NumPy pandas scikit-learn Wizualizacja R Szukanie danych Zabierz się za analizę Hacker News Wozy straży pożarnej Koszulki A Ty?

Sygnatura czytelni BWEAiI: XII Ł 115

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. 146781 N (1 egz.)

Książka

W koszyku

Data science od podstaw : analiza danych w Pythonie / Joel Grus ; przekład: Wojciech Bombik, Konrad Matuk. - Gliwice : Helion, 2022. - 348, [4] strony : ilustracje, wykresy ; 24 cm.

Autor

Grus Joel Bombik Wojciech. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Informatycy

Temat

Analiza danych Data science Programowanie (informatyka) Python (język programowania) Statystyka matematyczna Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne Matematyka

Wydanie 2. odnosi się do oryginału.

Na stronie tytułowej i okładce także nazwa wydawcy oryginału: O'Reilly.

Znaczenie danych Czym jest analiza danych? Hipotetyczna motywacja Określanie najważniejszych węzłów Analitycy, których możesz znać Wynagrodzenie i doświadczenie Płatne konta Tematy interesujące użytkowników Błyskawiczny kurs Pythona Zasady tworzenia kodu Pythona Skąd wziąć interpreter Pythona? Środowiska wirtualne Formatowanie za pomocą białych znaków Moduły Polskie znaki diakrytyczne Funkcje Łańcuchy Wyjątki Listy Krotki Słowniki defaultdict Counter Zbiory Przepływ sterowania Wartości logiczne Sortowanie Składanie list Testy automatyczne i instrukcja assert Programowanie obiektowe Obiekty iterowalne i generatory Losowość Wyrażenia regularne Narzędzia funkcyjne Funkcja zip i rozpakowywanie argumentów Argumenty nazwane i nienazwane Adnotacje typów Jak pisać adnotacje typów Witaj w firmie DataSciencester! 3. Wizualizacja danych Pakiet matplotlib Wykres słupkowy Wykresy liniowe Wykresy punktowe 4. Algebra liniowa Wektory Macierze 5. Statystyka Opis pojedynczego zbioru danych Tendencje centralne Dyspersja Korelacja Paradoks Simpsona Korelacja i przyczynowość 6. Prawdopodobieństwo Zależność i niezależność Prawdopodobieństwo warunkowe Twierdzenie Bayesa Zmienne losowe Ciągły rozkład prawdopodobieństwa Rozkład normalny Centralne twierdzenie graniczne Przykład: rzut monetą Wartości p Przedziały ufności Hakowanie wartości p Przykład: przeprowadzanie testu A-B Wnioskowanie bayesowskie Dalsza eksploracja 8. Metoda gradientu prostego Podstawy metody gradientu prostego Szacowanie gradientu Korzystanie z gradientu Dobór właściwego rozmiaru kroku Używanie metody gradientu do dopasowywania modeli Metody gradientu prostego: stochastyczna i minibatch 9. Uzyskiwanie danych Strumienie stdin i stdout Wczytywanie plików Podstawowe zagadnienia dotyczące plików tekstowych Pliki zawierające dane rozdzielone separatorem Pobieranie danych ze stron internetowych HTML i parsowanie Przykład: wypowiedzi kongresmenów Korzystanie z interfejsów programistycznych Format JSON (i XML) Korzystanie z interfejsu programistycznego bez uwierzytelniania Poszukiwanie interfejsów programistycznych Przykład: korzystanie z interfejsów programistycznych serwisu Twitter Uzyskiwanie danych uwierzytelniających Eksploracja danych jednowymiarowych Dwa wymiary 1 Wiele wymiarów Wykorzystanie klasy NamedTuple Dekorator dataclass Oczyszczanie i wstępne przetwarzanie danych Przetwarzanie danych Przeskalowanie Dygresja: tqdm Redukcja liczby wymiarów 11. Uczenie maszynowe Modelowanie Czym jest uczenie maszynowe? Nadmierne i zbyt małe dopasowanie Poprawność Kompromis pomiędzy wartością progową a wariancją Ekstrakcja i selekcja cech 12. Algorytm k najbliższych sąsiadów Model Przykład: dane dotyczące irysów Przekleństwo wymiarowości 13. Naiwny klasyfikator bayesowski Bardzo prosty filtr antyspamowy Bardziej zaawansowany filtr antyspamowy Implementacja Testowanie modelu Używanie modelu 14. Prosta regresja liniowa Model Korzystanie z algorytmu spadku gradientowego Szacowanie maksymalnego prawdopodobieństwa 15. Regresja wieloraka Model Dalsze założenia dotyczące modelu najmniejszych kwadratów Dopasowywanie modelu Interpretacja modelu Poprawność dopasowania Dygresja: ładowanie wstępne Błędy standardowe współczynników regresji Regularyzacja 16. Regresja logistyczna Funkcja logistyczna Stosowanie modelu Poprawność dopasowania Maszyny wektorów nośnych Dalsza eksploracja 17. Drzewa decyzyjne Czym jest drzewo decyzyjne? Entropia Entropia podziału Tworzenie drzewa decyzyjnego Łączenie wszystkiego w całość Lasy losowe 18. Sztuczne sieci neuronowe Perceptrony Jednokierunkowe sieci neuronowe Propagacja wsteczna Przykład: Fizz Buzz Dalsza eksploracja 19. Uczenie głębokie Tensor Abstrakcja Layer Warstwa Linear Sieci neuronowe jako sekwencje warstw Abstrakcja Loss i optymalizacja Przykład: kolejne podejście do bramki XOR Inne funkcje aktywacji Przykład: kolejne podejście do gry Fizz Buzz Funkcja softmax i entropia krzyżowa Dropout Przykład: MNIST Zapisywanie i wczytywanie modeli 20. Grupowanie Idea Model Przykład: spotkania Wybór wartości parametru k Przykład: grupowanie kolorów Grupowanie hierarchiczne z podejściem aglomeracyjnym 21. Przetwarzanie języka naturalnego Chmury wyrazowe Modele n-gram Gramatyka Na marginesie: próbkowanie Gibbsa Modelowanie tematu Wektory słów Rekurencyjne sieci neuronowe Przykład: używanie rekurencyjnej sieci neuronowej na poziomie pojedynczych znaków Dalsza eksploracja 22. Analiza sieci społecznościowych Pośrednictwo Centralność wektorów własnych Mnożenie macierzy Centralność Grafy skierowane i metoda PageRank 23. Systemy rekomendujące Ręczne rozwiązywanie problemu Rekomendowanie tego, co jest popularne Filtrowanie kolaboratywne oparte na użytkownikach Filtrowanie kolaboratywne oparte na zainteresowaniach Faktoryzacja macierzy 24. Bazy danych i SQL Polecenia CREATE TABLE i INSERT Polecenie UPDATE Polecenie DELETE Polecenie SELECT Polecenie GROUP BY Polecenie ORDER BY Polecenie JOIN Zapytania składowe Optymalizacja zapytań Bazy danych NoSQL Dalsza eksploracja 25. Algorytm MapReduce Przykład: liczenie słów Dlaczego warto korzystać z algorytmu MapReduce? Algorytm MapReduce w ujęciu bardziej ogólnym Przykład: analiza treści statusów Przykład: mnożenie macierzy Dodatkowe informacje: zespalanie 26. Etyka przetwarzania danych Czym jest etyka danych? Ale tak naprawdę to czym jest etyka danych? Czy powinienem przejmować się etyką danych? Tworzenie złych produktów wykorzystujących dane Kompromis między dokładnością a uczciwością Współpraca Interpretowalność Rekomendacje Tendencyjne dane Ochrona danych IPython Matematyka Korzystanie z gotowych rozwiązań NumPy pandas scikit-learn Wizualizacja R Uczenie głębokie Szukanie danych Zabierz się za analizę Hacker News Wozy straży pożarnej Koszulki Tweety na kuli ziemskiej

Sygnatura czytelni BWEAiI: XII Ł 217

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. 153003 (1 egz.)

Książka

W koszyku

(Technologia i Rozwiązania)

Autor

Hearty John. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Temat

Uczenie maszynowe. Sieci neuronowe Python (język programowania)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Indeks.

Nienadzorowane uczenie maszynowe Analiza głównych składowych (PCA) Podstawy analizy głównych składowych Stosowanie algorytmu analizy głównych składowych Wprowadzenie grupowania metodą k-średnich Grupowanie - wprowadzenie Rozpoczynamy grupowanie Dostrajanie konfiguracji klastrów Sieci Kohonena Sieci Kohonena - wprowadzenie Korzystanie z sieci Kohonena Sieci DBN Sieci neuronowe - wprowadzenie Budowa sieci neuronowej Topologie sieci Ograniczona maszyna Boltzmanna Ograniczone maszyny Boltzmanna - wstęp Zastosowania ograniczonych maszyn Boltzmanna Dalsze zastosowania ograniczonej maszyny Boltzmanna Sieci głębokie Trenowanie sieci DBN Stosowanie sieci DBN Walidacja sieci DBN Stosy autoenkoderów odszumiających Autoenkodery Autoenkodery - wprowadzenie Odszumianie autoenkoderów Korzystanie z autoenkodera odszumiającego Stosy autoenkoderów odszumiających Korzystanie ze stosu autoenkoderów odszumiających Ocena wydajności stosu autoenkoderów odszumiających Konwolucyjne sieci neuronowe Konwolucyjne sieci neuronowe - wprowadzenie Topologia sieci konwolucyjnej Korzystanie z konwolucyjnych sieci neuronowych Częściowo nadzorowane uczenie maszynowe Czym jest uczenie częściowo nadzorowane? Działanie algorytmów uczenia częściowo nadzorowanego Samodzielne uczenie się) Kontrastywna pesymistyczna estymacja prawdopodobieństwa Rozpoznawanie języka naturalnego i selekcja cech Selekcja cech danych tekstowych Czyszczenie danych tekstowych Tworzenie cech na podstawie danych tekstowych Testowanie przygotowanych danych Selekcja cech - część II Tworzenie zestawu cech Selekcja cech pod kątem uczenia maszynowego Korzystanie z technik selekcji cech Inżynieria cech w praktyce Pobieranie danych za pomocą interfejsów REST Metody zespołowe Wprowadzenie do metod zespołowych Metody uśredniające Stosowanie metod wzmacniania Stosowanie metod kontaminacji Wykorzystanie modeli w zastosowaniach dynamicznych Czym jest elastyczność modeli? Strategie zarządzania elastycznością modelu Dodatkowe narzędzia uczenia maszynowego w języku Python Alternatywne narzędzia programowe Biblioteka Lasagne - wprowadzenie Biblioteka TensorFlow - wprowadzenie Kiedy warto korzystać z tych bibliotek? Wymagania przykładowych skryptów

Sygnatura czytelni BWEAiI: XII Ł 87

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. 145179 N (1 egz.)

Książka

W koszyku

Programowanie robotów : sterowanie pracą robotów autonomicznych / Cameron Hughes, Tracey Hughes ; [tłumaczenie Konrad Matuk]. - Gliwice : Wydawnictwo Helion, copyright 2017. - 349 stron : ilustracje ; 24 cm.

Autor

Hughes Cameron (1960- ). Hughes Tracey (1960- ). Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Temat

Programowanie Roboty i manipulatory przemysłowe

Gatunek

Poradnik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Indeks.

Początek przygody z robotami (11) Rozpoczynamy pracę z robotami (11) Gotowi, do biegu, start! Ostra jazda bez trzymanki (12) Podstawy pracy z robotem (13) Najważniejsze techniki programowania robotów zaprezentowane w tej książce (13) Podstawowy uniwersalny mechanizm tłumaczący - PUMT (14) Inteligentna sieć robotów (ISR) (15) Założenia dotyczące robotów posiadanych przez czytelnika (16) Jak Midamba nauczył się programować robota (17) Czym właściwie jest robot? (19) Siedem kryteriów definiujących robota (20) Wykrywanie zmiennych środowiskowych (20) Programowalne działania i zachowania (20) Reagowanie na zmienne środowiskowe i interakcja z otoczeniem (21) Źródło prądu (21) Język, w którym zapisywane są instrukcje i dane (21) Autonomia bez pomocy z zewnątrz (21) Robot nie jest organizmem żywym (22) Kategorie robotów ze względu na środowisko działania (22) Co to jest czujnik? (25) Co to jest siłownik? (26) Co to jest efektor końcowy? (27) Co to jest mikrokontroler? (28) Jaki jest scenariusz pracy robota? (32) Wydawanie instrukcji robotowi (34) Każdy robot posługuje się jakimś językiem (34) Rozwiązanie problemu niekompatybilności języka ludzkiego i języka zrozumiałego dla robotów Reprezentacja scenariusza pracy robota w środowisku programowania wizualnego (38) Kłopoty Midamby (39) Słownictwo robotów (43) Dlaczego korzystanie z tych języków wymaga wysiłku? (43) Zidentyfikuj czynności (49) Model ontologii języka programowania autonomicznych robotów (49) Potencjał robota (51) Role odgrywane przez roboty w różnych sytuacjach i scenariuszach pracy (52) Wizualne planowanie scenariusza pracy robota (57) Mapowanie scenariusza pracy robota (58) Tworzenie planu miejsca pracy robota (59) Otoczenie robota (61) Opis atrybutów środowiska pracy robota (63) Wizualne planowanie scenariusza pracy robota za pomocą pseudokodu i schematu blokowego Przepływ sterowania i struktury sterujące (70) Podprocedury (74) Diagramy stanów robotów i obiektów (76) Tworzenie diagramu stanów (78) Sprawdzanie rzeczywistych możliwości robota (83) Testowanie rzeczywistych możliwości mikrokontrolera (85) Testowanie rzeczywistej wydajności czujników (89) Określanie ograniczeń czujników robota (91) Określanie ograniczeń efektorów końcowych (93) Ocena efektywności pracy robota (96) Czujniki pod lupą (99) Co wykrywają czujniki? (99) Czujniki analogowe i cyfrowe (103) Odczyt sygnałów analogowych i cyfrowych (104) Sygnał wyjściowy czujnika (106) Gdzie przechowywane są odczyty? (107) Czujniki aktywne i pasywne (108) Komunikacja między czujnikami a mikrokontrolerami (110) Atrybuty czujników (114) Zakres i rozdzielczość (114) Precyzja i dokładność (116) Liniowość (117) Kalibracja czujników (118) Problemy związane z czujnikami (119) Proces kalibracji przez użytkownika (119) Metody kalibracji (120) Programowanie czujników (123) Korzystanie z czujnika koloru (124) Tryby pracy czujników koloru (126) Zakres wykrywania (126) Światło w środowisku pracy robota (127) Kalibracja czujnika koloru (128) Programowanie czujnika koloru (129) Wykrywanie i śledzenie obiektów za pomocą cyfrowych kamer (132) Śledzenie kolorowych obiektów za pomocą sprzętu firmy RS Media (132) Śledzenie kolorowych obiektów za pomocą czujnika obrazu Pixy (136) Uczenie Pixy wykrywania obiektów (137) Programowanie kamery Pixy (138) Analiza atrybutów (141) Czujnik ultradźwiękowy (142) Ograniczenia i dokładność czujnika ultradźwiękowego (142) Tryby pracy czujnika ultradźwiękowego (147) Odczytywanie próbek (147) Typy danych używane do przechowywania wartości odczytanych za pomocą czujników (148) Kalibracja czujnika ultradźwiękowego (148) Programowanie czujnika ultradźwiękowego (150) Kompas - czujnik określający zwrot robota (159) Programowanie kompasu (161) Programowanie silników i serwomotorów (165) Siłowniki są przetwornikami wyjściowymi (165) Parametry silników (166) Napięcie (166) Natężenie prądu (166) Prędkość (166) Moment obrotowy (167) Opór elektryczny (167) Różne rodzaje silników prądu stałego (167) Silniki prądu stałego (167) Moment obrotowy i prędkość obrotowa (171) Silniki z przekładniami (172) Konfiguracja silnika: bezpośrednie i pośrednie układy przeniesienia napędu (182) Wyzwania związane z terenem (184) Radzenie sobie z wyzwaniami związanymi z terenem (184) Moment obrotowy a mechaniczne ramiona i efektory końcowe (187) Obliczanie wymagań dotyczących momentu obrotowego i prędkości obrotowej (188) Silniki a efektywność pracy robota (189) Programowanie ruchu robota (190) Ile silników? (191) Wykonywanie ruchów (192) Programowanie ruchów (192) Programowanie silników w celu przemieszczenia się w określone miejsce (197) Programowanie silników sterowanych za pomocą Arduino (203) Mechaniczne ramiona i efektory końcowe (205) Rodzaje mechanicznych ramion (205) Moment obrotowy mechanicznego ramienia (208) Rodzaje efektorów końcowych (210) Programowanie mechanicznego ramienia (212) Obliczenia związane z kinematyką (216) Początek pracy nad autonomią: tworzenie oprogramowania robota (221) Pierwsze spojrzenie na oprogramowanie autonomicznych robotów (223) Sekcja Części (225) Sekcja Akcje (225) Sekcja Zadania (226) Sekcja Scenariusze i sytuacje (226) Model ontologii języka robota i rama projektowa oprogramowania robota (226) Mechanizm tłumaczący PUMT przekształca ramy projektowe oprogramowania na klasy (228) Nasze pierwsze podejście do programowania autonomicznego robota Środowisko pracy robota (241) Robot musi sprawdzać uwarunkowania środowiskowe (242) Rozszerzony scenariusz pracy robota (242) Elementy, od których zależy efektywność robota (244) Co dzieje się w przypadku niespełnienia warunków wstępnych lub końcowych? (249) Jakie akcje mogę wybrać w przypadku niespełnienia warunków wstępnych lub końcowych? Analiza warunków końcowych inicjalizacji robota (250) Warunki wstępne i końcowe procesu rozruchu (251) Tworzenie kodu sprawdzającego warunki wstępne i końcowe (252) Skąd biorą się warunki wstępne i końcowe? (257) Sprawdzanie uwarunkowań środowiskowych za pomocą czujników i wizualne plany scenariusza pracy robota (261) Programowanie autonomicznych robotów i technika STORIES (263) To nie tylko czynności! (264) Impreza urodzinowa - podejście 2. (264) STORIES (265) Rozszerzony scenariusz pracy robota (267) Konwersja scenariusza pracy robota Unit1 na komponenty techniki STORIES (267) Ontologia scenariusza pod lupą (267) Zwracanie uwagi na intencje robota (278) Programowanie obiektowe a wydajność (297) Jak Midamba zaprogramował swojego pierwszego autonomicznego robota? (299) Midamba i jego początkowy scenariusz (299) Midamba w ciągu jednego wieczoru zostaje programistą! (299) Krok 1.: Scenariusz pracy robotów w magazynie (302) Krok 2.: Słownictwo i model ontologii języka robota w pierwszym scenariuszu pracy w fabryce Krok 3.: Wizualne planowanie pierwszego scenariusza pracy wykonywanej przez robota w fabryce Wizualny rozkład diagramu pracy z perspektywy robota (305) Ulepszony pierwszy scenariusz pracy robotów w fabryce (307) Schemat blokowy będący elementem wizualnego planowania scenariusza pracy robota (308) Diagram stanów wchodzący w skład wizualnego planu scenariusza pracy robota (316) Sprawdzanie uwarunkowań środowiskowych robotów Unit1 i Unit2 (317) Autonomiczne roboty pomagają Midambie wyjść z tarapatów (329) Otwarte roboty SARAA (333) Tanie, otwarte i proste roboty (333) Programowanie oparte na scenariuszu a bezpieczeństwo i odpowiedzialność programisty (335) Roboty SARAA dla każdego (335) Zalecenia dla osób programujących robota po raz pierwszy (338) Pełne plany scenariusza pracy robota, komponenty techniki STORIES i kod źródłowy scenariusza pracy robotów Midamby (338)

Sygnatura czytelni BWEAiI: XII A 10

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 144835 (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 143796 N (1 egz.)

Książka

W koszyku

Niesamowite gadżety elektroniczne / Robert Iannini ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, cop. 2014. - 374 s. : il. ; 24 cm.

(Szalony Geniusz)

Autor

Iannini Robert E. Matuk Konrad.

Temat

Elektronika Projektowanie techniczne

S. tyt., okł.: Najlepsze projekty dla pasjonatów - frajda gwarantowana!

Indeks.

Sygnatura czytelni BWEAiI: IX E 23

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. 139746 N (1 egz.)

Książka

W koszyku

(Septem)

(Dla Bystrzaków)

Autor

LaFay Mark. Matuk Konrad.

Forma i typ

Książki Publikacje fachowe

Temat

Bezzałogowe statki powietrzne

Gatunek

Poradnik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Na okładce: "W prostocie tkwi siła" ; "Dowiedz się, jak: dobrać drony do swoich potrzeb, właściwie skonfigurować, obsługiwać i serwisować swojego drona, wykonywać zdjęcia i rejestrować wideo za pomocą najnowszych technologii, korzystać z dronów zgodnie z prawem lotniczym".

Tytuł oryginału: Drones for dummies.

Indeks.

CZĘŚĆ I: POCZĄTEK PRZYGODY Z DRONAMI (21) Rozdział 1: Dronowe ABC (23) Czym są drony? (23) Drony i wojsko (25) Predator firmy General Atomics (25) Reaper firmy General Atomics (26) Hermes 450 firmy Elbit Systems (27) Global Hawk firmy Northrup Gruman (28) Boeing X-37B (28) Mniejsze drony (29) Rozwój technologii stosowanej w dronach dostępnych na rynku konsumenta (30) Samoloty (31) Helikoptery (32) Wielowirnikowce (33) Statki typu tiltrotor (34) Typowe zastosowania dronów (34) Zdalne wykrywanie (35) Komercyjny monitoring lotniczy (35) Kręcenie filmów i reklam (36) Wydobywanie ropy, gazu i minerałów (36) Walka ze skutkami katastrof naturalnych (36) Budownictwo (36) Rekreacja (36) Firmy produkujące drony (37) Google (37) DHL (37) Amazon (38) Facebook (38) GoPro (38) Rozdział 2: Wybierz drona dostosowanego do swoich potrzeb (39) Od czego zacząć? (40) W jaki sposób będziesz korzystać ze swojego drona? (40) Funkcje oferowane przez drony (41) Drony ze zintegrowanymi kamerami (42) Parametry zintegrowanej kamery (43) Zakup drona z zintegrowaną kamerą (45) Drony oferujące możliwość montażu kamery (47) Kamery sportowe (48) Proste, kompaktowe aparaty fotograficzne (48) Lustrzanki cyfrowe (49) Kamery rejestrujące obraz o jakości kinowej (50) Systemy kontroli lotu (51) Nadajniki zdalnego sterowania (52) Aplikacje mobilne (53) Akumulatory (54) Inne parametry, które warto wziąć pod uwagę (55) Gdzie można kupić drona? (56) Rozdział 3: Wybierz kamerę dostosowaną do swoich potrzeb (57) Określanie oczekiwań wobec kamery (58) Określanie możliwości drona (59) Waga jest najważniejsza (59) Technologia cyfrowych aparatów fotograficznych (61) Wybór kompaktowego aparatu fotograficznego (64) Wybór cyfrowej lustrzanki (65) Wybór kamery sportowej (71) Kompromis pomiędzy parametrami i ceną (73) Rozdział 4: Szukanie pomocy i przydatnych informacji (77) Szukanie internetowych społeczności i korzystanie z tego, co mają do zaoferowania (78) Fora dyskusyjne użytkowników dronów (79) Netykieta i zasady panujące na forach (80) Nawiązywanie kontaktu z miłośnikami dronów za pomocą portali społecznościowych (81) Spotkania użytkowników dronów (84) Grupy dyskusyjne Google (85) Otrzymywanie wiadomości dotyczących dronów dzięki alertom Google (86) Włączanie usługi Alerty Google (86) Kasowanie alertów Google (88) Edycja alertów (89) CZĘŚĆ II: ZANIM ROZPOCZNIESZ LOT (91) Rozdział 5: Przygotowanie drona do lotu (93) Wyjmowanie drona z pudełka (93) Śmigła (94) Silniki (95) Kadłub drona (96) Akumulator i ładowarka (96) Osłony śmigieł (97) Montaż kamery i stabilizatora typu gimbal (98) Nadajnik (99) Instrukcja obsługi (99) Montaż komponentów drona (100) Ładowanie akumulatorów (101) Sprawdzanie dostępności aktualizacji oprogramowania (102) Poznawanie możliwości kamery (104) Korzystanie z GoPro (105) Konfiguracja kamery GoPro (108) Rozdział 6: Bezpieczne korzystanie z drona (111) Unikanie obrażeń wywołanych przez śmigła (112) Osłony śmigieł (113) Wskaźniki i kontrolki (114) Redukcja ryzyka rozbicia drona (115) Turbulencje przy zbyt szybkim schodzeniu (116) Pamięć GPS (117) Bezpieczne korzystanie z akumulatorów litowo-polimerowych (117) Poprawne ładowanie akumulatora LiPo (118) Unikaj upuszczenia lub rozbicia akumulatora LiPo (119) Bezpieczne pozbywanie się starych akumulatorów LiPo (119) Rozdział 7: Regulacje prawne (121) Zanim zaczniesz latać w Polsce (121) Lataj z głową (124) Prawo w innych krajach (124) CZĘŚĆ III: CUD LATANIA (127) Rozdział 8: Sterowanie dronem (129) Poznaj technologię sterowania swoim dronem (130) Sygnały o częstotliwości radiowej (132) Sterowanie za pomocą Wi-Fi (134) GPS (134) Sterowanie kierunkowe (135) Tryb standardowy (136) Tryb uproszczony (137) Widok z perspektywy pierwszej osoby (137) Inne tryby sterowania dronem oraz opcje autopilota (138) Rozdział 9: Podstawy latania (139) Lista kontrolna czynności, które należy wykonać przed lotem (139) Otoczenie (141) Strefy z zakazem lotów (141) Lista niezbędnego sprzętu (141) Apteczka (142) Akumulatory (142) Przegląd (143) Nadajnik i stacja naziemna (144) Kamera i jej osprzęt (144) Latanie dronem (145) Korzystanie z kontrolera radiowego (146) Kalibracja kontrolera radiowego (148) Korzystanie ze smartfona i tabletu (149) Lądowanie (151) Co robić w razie nieprzewidzianych kłopotów? (152) Rozdział 10: Wybór miejsca i okoliczności lotu (155) Wybór miejsca odpowiedniego dla początkujących pilotów (156) Latanie wewnątrz budynku (159) Zabezpieczanie mieszkania (160) Poznawanie drona (160) Korzystanie z osłony przeznaczonej do latania wewnątrz budynku (161) Unikanie sufitów, podłóg i ścian (161) Gromadzenie części zamiennych (162) Latanie w niekorzystnych warunkach (162) Deszcz i śnieg (162) Wiatr (163) Mróz (163) Latanie w nocy (163) Poznaj konstrukcję swojego drona (164) Poznaj działanie zaawansowanych opcji kontroli lotu (165) Zamontuj oświetlenie (165) Latanie w miejscach zaludnionych (165) Rozdział 11: Konserwacja dronów (167) Konserwacja po wylądowaniu (167) Tworzenie listy kontrolnej czynności, które należy wykonać po zakończeniu lotu (168) Przechowywanie drona (175) Samodzielne wykonywanie napraw i konserwacja drona (177) Szukanie części zamiennych do Twojego drona (178) Szukanie serwisanta (179) CZĘŚĆ IV: ZDJĘCIA LOTNICZE I MATERIAŁY WIDEO (181) Rozdział 12: Piękne zdjęcia i filmy (183) Znaczenie światła (183) Kierunek padania światła (184) Ustaw balans bieli jak profesjonalista (187) Praca przy słabym świetle (189) Wybór rozdzielczości wideo (190) Wybór prędkości zapisu (191) Planowanie filmowania (191) Cel (192) Miejsce (192) Czas (193) Wykonanie (193) Rozdział 13: Stabilizacja obrazu (195) Stabilizacja obrazu za pomocą kamery (195) Ustawienia aparatów, które umożliwiają uzyskanie ostrzejszego obrazu (196) Zaawansowane tryby latania (197) Stabilizacja za pomocą gimbala (200) Jak znaleźć gimbal pasujący do Twojego drona? (201) Wybór odpowiedniego gimbala (202) Stabilizacja zarejestrowanego materiału (203) Turbo Video Stabilizer (203) Adobe After Effects (AE) (204) YouTube (204) Rozdział 14: Obróbka zdjęć i filmów wykonanych za pomocą drona (207) Importowanie zdjęć i filmów (208) Importowanie obrazów i plików wideo na komputerach pracujących pod kontrolą systemu Windows (210) Importowanie obrazów i plików wideo na komputerach pracujących pod kontrolą systemu OS X (211) Importowanie obrazów i plików wideo na chromebooku (212) Karty SD i czytniki kart SD (212) Przeglądanie zdjęć i filmów (214) Oprogramowanie przeznaczone do obróbki zdjęć (214) Zdjęcia (215) Chromebook i Pixlr (215) Adobe Photoshop (216) Programy do obróbki wideo (217) iMovie (217) Adobe Premiere (218) Udostępnianie zdjęć i filmów w internecie (219) CZĘŚĆ V: DEKALOGI (221) Rozdział 15: Dziesięć rzeczy, których nie powinno się robić z dronem (223) Szpiegowanie sąsiadów (224) Wyprowadzanie psa na spacer (224) Dostarczanie obrączek przed ołtarz (225) Latanie w przestrzeni powietrznej lotnisk (225) Latanie pod wpływem alkoholu (226) Latanie nad płotem Białego Domu (226) Zabieranie dodatkowych akumulatorów do samolotu (227) Zestrzeliwanie drona (228) Latanie nad ludźmi (229) Zarabianie pieniędzy za pomocą drona (229) Rozdział 16: Dziesięć komercyjnych zastosowań dronów (231) Handel nieruchomościami (231) Gra w golfa (232) Przeglądy (233) Rolnictwo (234) Ochrona (234) Wesela i uroczystości (235) Akcje ratunkowe (236) Przesyłki kurierskie (236) Usługi geodezyjne (237) Roszczenia ubezpieczeniowe (238) Dziennik lotu (243)

Sygnatura czytelni BWEAiI: IX C 68

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. 146099 N (1 egz.)

Książka

W koszyku

Autor

McKendrick Russ. Gallagher Scott. Matuk Konrad.

Forma i typ

Publikacje fachowe

Temat

Docker (oprogramowanie)

Gatunek

Poradnik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Mastering Docker.

Wydanie 2. odnosi się do oryginału.

Indeks.

Rozdział 1. Docker - wprowadzenie (17) Czym jest Docker? (17) Programiści (18) Administratorzy (19) Firmy (21) Różnice pomiędzy dedykowanymi hostami, maszynami wirtualnymi i Dockerem (22) Instalacja Dockera (23) Instalacja w systemie Linux (Ubuntu 16.04) (24) Instalacja w systemie macOS (25) Instalacja w systemie Windows 10 Professional (27) Starsze systemy operacyjne (28) Klient Dockera w wierszu poleceń (29) Ekosystem Dockera (32) Rozdział 2. Tworzenie obrazów kontenerów (35) Plik Dockerfile - wprowadzenie (35) Szczegółowa analiza pliku Dockerfile (37) Dobre praktyki pracy z plikami Dockerfile (41) Budowanie obrazów Dockera (42) Polecenie docker build (42) Korzystanie z utworzonego wcześniej kontenera (44) Budowanie od podstaw (48) Zmienne środowiskowe (50) Umieszczanie zmiennych środowiskowych w pliku Dockerfile (50) Czas wszystko połączyć ze sobą (50) Rozdział 3. Przechowywanie obrazów i ich dystrybucja (57) Repozytorium Docker Hub (57) Panel główny (58) Przycisk Explore (59) Przycisk Organizations (60) Menu Create (60) Profil i ustawienia (61) Strona Stars (62) Automatyzacja budowy obrazu (63) Ładowanie własnych obrazów (68) Serwis Docker Store (70) Rejestr Docker Registry (71) Docker Registry - informacje ogólne (71) Wdrażanie własnego rejestru (72) Rejestr Docker Trusted Registry (74) Niezależne rejestry (75) Quay (75) Rejestr Amazon EC2 Container Registry (78) Microbadger (79) Rozdział 4. Zarządzanie kontenerami (83) Polecenia służące do obsługi kontenerów Dockera (84) Podstawy (84) Komunikowanie się z kontenerami (88) Dzienniki i informacje o procesach (91) Ograniczenia zasobów (93) Stany kontenerów i pozostałe polecenia (95) Usuwanie kontenerów (97) Obsługa sieci i wolumenów (100) Sieć (100) Wolumeny Dockera (107) Rozdział 5. Docker Machine (113) Wprowadzenie do narzędzia Docker Machine (113) Docker Machine i wdrażanie lokalnych hostów Dockera (114) Uruchamianie hostów Dockera w chmurze (119) DigitalOcean (119) Amazon Web Services (121) Więcej o sieciowych możliwościach Dockera (124) Stosowanie innych bazowych systemów operacyjnych (128) System CoreOS w chmurze DigitalOcean (128) System RancherOS w maszynie WirtualBox (130) Rozdział 6. Docker Compose (133) Wprowadzenie do Docker Compose (133) Uruchamianie aplikacji za pomocą narzędzia Docker Compose (135) Plik YAML narzędzia Docker Compose (137) Plik YAML aplikacji Mobycounter (137) Aplikacja do głosowania (139) Polecenia Docker Compose (146) Up i PS (147) Config (148) Pull, build i create (148) Start, stop, restart, pause i unpause (149) Top, logs i events (149) Exec i run (151) Scale (152) Kill, rm i down (153) Rozdział 7. Docker Swarm (155) Docker Swarm - instalacja (156) Role Docker Swarm (156) Menedżer Swarm (157) Wykonawca Swarm (157) Korzystanie z trybu Docker Swarm (158) Tworzenie klastra (158) Dołączanie wykonawców (160) Listy węzłów (161) Zarządzanie klastrem (161) Promowanie hosta roboczego (164) Degradacja węzła menedżera (165) Drenaż węzła (166) Usługi i stosy Docker Swarm (168) Usługi (168) Stosy (171) Kasowanie klastra Swarm (173) Równoważenie obciążeń, nakładki i tworzenie harmonogramów (174) Równoważenie obciążeń wejściowych (174) Nakładki sieciowe (175) Tworzenie harmonogramu (176) Rozdział 8. Portainer (177) Historia prac nad narzędziem Portainer (177) Uruchamianie narzędzia Portainer (178) Korzystanie z narzędzia Portainer (180) Panel główny (181) Szablony aplikacji (181) Kontenery (183) Obrazy (187) Sieci i wolumeny (190) Zdarzenia (190) Docker (191) Portainer i Docker Swarm (191) Tworzenie klastra (192) Usługa Portainer (193) Różnice związane z pracą w klastrze (194) Rozdział 9. Rancher (201) Instalacja i konfiguracja uwierzytelniania (201) Instalacja (202) Konfiguracja uwierzytelniania (204) Tworzenie stada (207) Uruchamianie stosów (209) Stosy definiowane przez użytkownika (210) Podgląd właściwości kontenerów (216) Katalog (217) Usuwanie stada (217) Inne klastry (218) Rozdział 10. Usługa Docker Cloud (223) Zakładanie konta (224) Łączenie kont (225) DigitalOcean (226) Amazon Web Services (227) Uruchamianie węzłów (231) Uruchamianie stosu (234) Tryb Swarm (238) Docker dla Amazon Web Services (239) Rozdział 11. Bezpieczeństwo platformy Docker (245) Bezpieczeństwo kontenerów (245) Zalety (246) Host Dockera (246) Zaufane źródła obrazów (247) Polecenia Dockera (247) Polecenie run (247) Polecenie diff (249) Dobre praktyki (250) Dobre praktyki pracy w Dockerze (250) Zalecenia organizacji Center for Internet Security (251) Aplikacja Docker Bench Security (252) Uruchamianie narzędzia w systemach macOS i Windows (253) Uruchamianie narzędzia w systemie Linux Ubuntu (253) Analiza zwracanych informacji (255) Docker Bench - podsumowanie (260) Skanowanie zabezpieczeń Dockera (260) Niezależne usługi poprawiające bezpieczeństwo (262) Quay (262) Clair (263) Rozdział 12. Przepływ zadań w platformie Docker (265) Docker i prace programistyczne (265) Monitorowanie (277) Rozszerzanie na zewnętrzne platformy (286) Instalator Tectonic (286) Platforma Heroku (289) Usługa Amazon Elastic Container Service (290) Jak wygląda środowisko produkcyjne? (291) Hosty Dockera (291) Obsługa klastrów (292) Rejestry obrazów (293) Rozdział 13. Dalsze kroki z Dockerem (295) Wykrywanie usług (295) Consul (295) Narzędzie etcd (304) Interfejs Docker API (304) Projekt Moby Project (306) Własny wkład w rozwój Dockera (308) Rozwój kodu (308) Pomoc innym (309) Inny wkład w rozwój Dockera (310)

Sygnatura czytelni BWEAiI: XII E 96

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. 146288 N (1 egz.)

Książka

W koszyku

Python w analizie danych : przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska IPython / Wes McKinney ; tłumaczenie: Konrad Matuk. - Gliwice : Wydawnictwo Helion, 2018. - 477 stron : ilustracje, wykresy ; 24 cm.

Autor

McKinney Wes. Matuk Konrad.

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Python (język programowania) Analiza danych

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython.

Wydanie 2. odnosi się do oryginału.

Indeks.

Podręcznik dla analityków danych, którzy pracują w języku Python oraz dla programistów.

1.2. Dlaczego warto korzystać z Pythona w celu przeprowadzenia analizy danych? (16) Python jako spoiwo (16) Rozwiązywanie problemu "dwujęzyczności" (17) Dlaczego nie Python? (17) 1.3. Podstawowe biblioteki Pythona (17) NumPy (18) pandas (18) Matplotlib (19) IPython i Jupyter (19) SciPy (20) Scikit-learn (21) statsmodels (21) 1.4. Instalacja i konfiguracja (22) Windows (22) Apple (OS X, macOS) (23) GNU, Linux (23) Instalowanie i aktualizowanie pakietów Pythona (24) Python 2 i Python 3 (24) Zintegrowane środowiska programistyczne i edytory tekstowe (25) 1.5. Społeczność i konferencje (25) 1.6. Nawigacja po książce (26) Przykłady kodu (27) Przykładowe dane (27) Konwencje importowania (27) Żargon (27) 2. Podstawy Pythona oraz obsługi narzędzi IPython i Jupyter (29) 2.1. Interpreter Pythona (30) 2.2. Podstawy interpretera IPython (31) Uruchamianie powłoki IPython (31) Uruchamianie notatnika Jupyter Notebook (32) Uzupełnianie poleceń (35) Introspekcja (36) Polecenie %run (37) Wykonywanie kodu ze schowka (39) Skróty klawiaturowe działające w terminalu (39) Polecenia magiczne (40) Integracja pakietu matplotlib (42) 2.3. Podstawy Pythona (42) Semantyka języka Python (43) Skalarne typy danych (50) Przepływ sterowania (57) 3. Wbudowane struktury danych, funkcje i pliki (61) 3.1. Struktury danych i sekwencje (61) Krotka (61) Lista (64) Wbudowane funkcje obsługujące sekwencje (68) Słownik (70) Zbiór (73) Lista, słownik i zbiór - składanie (75) 3.2. Funkcje (77) Przestrzenie nazw, zakres i funkcje lokalne (78) Zwracanie wielu wartości (79) Funkcje są obiektami (79) Funkcje anonimowe (lambda) (81) Currying - częściowa aplikacja argumentów (82) Generatory (82) Błędy i obsługa wyjątków (84) 3.3. Pliki i system operacyjny (86) Bajty i kodowanie Unicode w plikach (89) 4. Podstawy biblioteki NumPy: obsługa tablic i wektorów (93) 4.1. NumPy ndarray - wielowymiarowy obiekt tablicowy (95) Tworzenie tablic ndarray (96) Typ danych tablic ndarray (98) Działania matematyczne z tablicami NumPy (100) Podstawy indeksowania i przechwytywania części (101) Indeksowanie i wartości logiczne (105) Indeksowanie specjalne (108) Transponowanie tablic i zamiana osi (109) 4.2. Funkcje uniwersalne - szybkie funkcje wykonywane na poszczególnych elementach tablicy (110) 4.3. Programowanie z użyciem tablic (113) Logiczne operacje warunkowe jako operacje tablicowe (115) Metody matematyczne i statystyczne (116) Metody tablic logicznych (117) Sortowanie (118) Wartości unikalne i operacje logiczne (119) 4.4. Tablice i operacje na plikach (120) 4.5. Algebra liniowa (120) 4.6. Generowanie liczb pseudolosowych (122) 4.7. Przykład: błądzenie losowe (124) Jednoczesne symulowanie wielu błądzeń losowych (125) 5. Rozpoczynamy pracę z biblioteką pandas (127) 5.1. Wprowadzenie do struktur danych biblioteki pandas (127) Obiekt Series (128) Obiekt DataFrame (131) Obiekty index (137) 5.2. Podstawowe funkcjonalności (139) Uaktualnianie indeksu (139) Odrzucanie elementów osi (141) Indeksowanie, wybieranie i filtrowanie (143) Indeksy w postaci liczb całkowitych (147) Działania arytmetyczne i wyrównywanie danych (148) Funkcje apply i map (153) Sortowanie i tworzenie rankingów (154) Indeksy osi ze zduplikowanymi etykietami (157) 5.3. Podsumowywanie i generowanie statystyk opisowych (158) Współczynnik korelacji i kowariancja (161) Unikalne wartości, ich liczba i przynależność (163) 6. Odczyt i zapis danych, formaty plików (167) 6.1. Odczyt i zapis danych w formacie tekstowym (167) Wczytywanie części pliku tekstowego (173) Zapis danych w formacie tekstowym (174) Praca z plikami danych rozgraniczonych (176) Dane w formacie JSON (178) XML i HTML - web scraping (179) 6.2. Formaty danych binarnych (182) Obsługa formatu HDF5 (183) Wczytywanie plików programu Microsoft Excel (185) 6.3. Obsługa interfejsów sieciowych (186) 6.4. Obsługa baz danych (187) 7. Czyszczenie i przygotowywanie danych (189) 7.1. Obsługa brakujących danych (189) Filtrowanie brakujących danych (191) Wypełnianie brakujących danych (193) 7.2. Przekształcanie danych (195) Usuwanie duplikatów (195) Przekształcanie danych przy użyciu funkcji lub mapowania (196) Zastępowanie wartości (197) Zmiana nazw indeksów osi (199) Dyskretyzacja i podział na koszyki (200) Wykrywanie i filtrowanie elementów odstających (202) Permutacje i próbkowanie losowe (203) Przetwarzanie wskaźników i zmiennych zastępczych (204) 7.3. Operacje przeprowadzane na łańcuchach (207) Metody obiektu typu string (207) Wyrażenia regularne (209) Wektoryzacja funkcji łańcuchów w pakiecie pandas (212) 8. Przetwarzanie danych - operacje łączenia, wiązania i przekształcania (217) 8.1. Indeksowanie hierarchiczne (217) Zmiana kolejności i sortowanie poziomów (220) Parametry statystyki opisowej z uwzględnieniem poziomu (220) Indeksowanie z kolumnami ramki danych (221) 8.2. Łączenie zbiorów danych (222) Łączenie ramek danych w stylu łączenia elementów baz danych (222) Łączenie przy użyciu indeksu (227) Konkatenacja wzdłuż osi (230) Łączenie częściowo nakładających się danych (234) 8.3. Zmiana kształtu i operacje osiowe (235) Przekształcenia z indeksowaniem hierarchicznym (236) Przekształcanie z formatu "długiego" na "szeroki" (238) Przekształcanie z formatu "szerokiego" na "długi" (241) 9. Wykresy i wizualizacja danych (245) 9.1. Podstawy obsługi interfejsu pakietu matplotlib (245) Obiekty figure i wykresy składowe (246) Kolory, oznaczenia i style linii (250) Punkty, etykiety i legendy (252) Adnotacje i rysunki (255) Zapisywanie wykresów w postaci plików (257) Konfiguracja pakietu matplotlib (258) 9.2. Generowanie wykresów za pomocą pakietów pandas i seaborn (259) Wykresy liniowe (259) Wykresy słupkowe (262) Histogramy i wykresy gęstości (266) Wykresy punktowe (268) Wykresy panelowe i dane kategoryczne (269) 9.3. Inne narzędzia przeznaczone do wizualizacji danych w Pythonie (272) 10. Agregacja danych i operacje wykonywane na grupach (273) 10.1. Mechanika interfejsu groupby (274) Iteracja po grupach (277) Wybieranie kolumny lub podzbioru kolumn (278) Grupowanie przy użyciu słowników i serii (279) Grupowanie przy użyciu funkcji (280) Grupowanie przy użyciu poziomów indeksu (280) 10.2. Agregacja danych (281) Przetwarzanie kolumna po kolumnie i stosowanie wielu funkcji (282) Zwracanie zagregowanych danych bez indeksów wierszy (285) 10.3. Metoda apply - ogólne zastosowanie techniki dziel-zastosuj-połącz (286) Usuwanie kluczy grup (288) Kwantyle i analiza koszykowa (288) Przykład: wypełnianie brakujących wartości przy użyciu wartości charakterystycznych dla grupy (290) Przykład: losowe generowanie próbek i permutacja (292) Przykład: średnie ważone grup i współczynnik korelacji (293) Przykład: regresja liniowa grup (295) 10.4. Tabele przestawne i krzyżowe (295) Tabele krzyżowe (298) 11. Szeregi czasowe (301) 11.1. Typy danych i narzędzia przeznaczone do obsługi daty i czasu (302) Konwersja pomiędzy obiektami string i datetime (303) 11.2. Podstawy szeregów czasowych (305) Indeksowanie i wybieranie (306) Szeregi czasowe z duplikatami indeksów (309) 11.3. Zakresy dat, częstotliwości i przesunięcia (310) Generowanie zakresów dat (310) Częstotliwości i przesunięcia daty (313) Przesuwanie daty (314) 11.4. Obsługa strefy czasowej (317) Lokalizacja i konwersja stref czasowych (317) Operacje z udziałem obiektów Timestamp o wyznaczonej strefie czasowej (319) Operacje pomiędzy różnymi strefami czasowymi (320) 11.5. Okresy i przeprowadzanie na nich operacji matematycznych (321) Konwersja częstotliwości łańcuchów (322) Kwartalne częstotliwości okresów (323) Konwersja znaczników czasu na okresy (i z powrotem) (325) Tworzenie obiektów PeriodIndex na podstawie tablic (326) 11.6. Zmiana rozdzielczości i konwersja częstotliwości (328) Zmniejszanie częstotliwości (329) Zwiększanie rozdzielczości i interpolacja (332) Zmiana rozdzielczości z okresami (333) 11.7. Funkcje ruchomego okna (334) Funkcje ważone wykładniczo (337) Binarne funkcje ruchomego okna (338) Funkcje ruchomego okna definiowane przez użytkownika (340) 12. Zaawansowane funkcje biblioteki pandas (341) 12.1. Dane kategoryczne (341) Kontekst i motywacja (341) Typ Categorical w bibliotece pandas (343) Obliczenia na obiektach typu Categorical (345) Metody obiektu kategorycznego (347) 12.2. Zaawansowane operacje grupowania (349) Transformacje grup i "nieobudowane" operacje grupowania (349) Zmiana rozdzielczości czasu przeprowadzana przy użyciu grup (353) 12.3. Techniki łączenia metod w łańcuch (354) Metoda pipe (355) 13. Wprowadzenie do bibliotek modelujących (357) 13.1. Łączenie pandas z kodem modelu (357) 13.2. Tworzenie opisów modeli przy użyciu biblioteki Patsy (360) Przekształcenia danych za pomocą formuł Patsy (362) Patsy i dane kategoryczne (363) 13.3. Wprowadzenie do biblioteki statsmodels (366) Szacowanie modeli liniowych (366) Szacowanie procesów szeregów czasowych (369) 13.4. Wprowadzenie do pakietu scikit-learn (369) 13.5. Dalszy rozwój (373) 14. Przykłady analizy danych (375) 14.1. Dane USA.gov serwisu Bitly (375) Liczenie stref czasowych w czystym Pythonie (376) Liczenie stref czasowych przy użyciu pakietu pandas (378) 14.2. Zbiór danych MovieLens 1M (384) Wyznaczenie rozbieżności ocen (388) 14.3. Imiona nadawane dzieciom w USA w latach 1880 - 2010 (389) Analiza trendów imion (394) 14.4. Baza danych USDA Food (402) 14.5. Baza danych 2012 Federal Election Commission (406) Statystyki datków z podziałem na wykonywany zawód i pracodawcę (409) Podział kwot datków na koszyki (411) Statystyki datków z podziałem na poszczególne stany (413) A. Zaawansowane zagadnienia związane z biblioteką NumPy (415) A.1. Szczegóły budowy obiektu ndarray (415) Hierarchia typów danych NumPy (416) A.2. Zaawansowane operacje tablicowe (417) Zmiana wymiarów tablic (417) Kolejności charakterystyczne dla języków C i Fortran (419) Łączenie i dzielenie tablic (420) Powtarzanie elementów - funkcje tile i repeat (422) Alternatywy indeksowania specjalnego - metody take i put (423) A.3. Rozgłaszanie (424) Rozgłaszanie wzdłuż innych osi (426) Przypisywanie wartości elementom tablicy poprzez rozgłaszanie (428) A.4. Zaawansowane zastosowania funkcji uniwersalnych (429) Metody instancji funkcji uniwersalnych (429) Pisanie nowych funkcji uniwersalnych w Pythonie (431) A.5. Tablice o złożonej strukturze (432) Zagnieżdżone typy danych i pola wielowymiarowe (433) Do czego przydają się tablice o złożonej strukturze? (434) A.6. Jeszcze coś o sortowaniu (434) Sortowanie pośrednie - metody argsort i lexsort (435) Alternatywne algorytmy sortowania (436) Częściowe sortowanie tablic (437) Wyszukiwanie elementów w posortowanej tablicy za pomocą metody numpy.searchsorted (438) A.7. Pisanie szybkich funkcji NumPy za pomocą pakietu Numba (439) Tworzenie obiektów numpy.ufunc za pomocą pakietu Numba (440) A.8. Zaawansowane tablicowe operacje wejścia i wyjścia (441) Pliki mapowane w pamięci (441) HDF5 i inne możliwości zapisu tablic (442) A.9. Jak zachować wysoką wydajność? (442) Dlaczego warto korzystać z sąsiadujących ze sobą obszarów pamięci? (443) B. Dodatkowe informacje dotyczące systemu IPython (445) B.1. Korzystanie z historii poleceń (445) Przeszukiwanie i korzystanie z historii poleceń (445) Zmienne wejściowe i wyjściowe (446) B.2. Interakcja z systemem operacyjnym (447) Polecenia powłoki systemowej i aliasy (447) System tworzenia skrótów do katalogów (448) B.3. Narzędzia programistyczne (449) Interaktywny debuger (449) Pomiar czasu - funkcje %time i %timeit (453) Podstawowe profilowanie - funkcje %prun i %run-p (455) Profilowanie funkcji linia po linii (457) B.4. Wskazówki dotyczące produktywnego tworzenia kodu w środowisku IPython (458) Przeładowywanie modułów (459) Wskazówki dotyczące projektowania kodu (460) B.5. Zaawansowane funkcje środowiska IPython (461) Co zrobić, aby własne klasy były przyjazne dla systemu IPython? (461) Profile i konfiguracja (462)

Sygnatura czytelni BWEAiI: XII Ł 97

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. 146163 N (1 egz.)

Książka

W koszyku

Arduino : 36 projektów dla pasjonatów elektroniki / Simon Monk ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, cop. 2015. - 376 s. : il. ; 23 cm.

Autor

Monk Simon. Matuk Konrad.

Temat

Arduino (mikrokontroler). Sterowniki programowalne Przetwarzanie mobilne (informatyka) Automatyka domowa

Gatunek

Podręcznik.

Tyt. oryg.: The TAB book of Arduino projects : 36 things to make with shields and proto shields.

Pliki z przykładami omawianymi w książce można znaleźć pod adresem internet. podanym na s. red.

Indeks.

Streszczenie: Uczy jak zainstalować narzędzia programistyczne, przedstawia dostępne płytki oraz komponenty. Pokazuje jak zbudować: wyświetlacz widmowy, sterownik paneli z diodami LED, urządzenie rozpoznające kolory, licznik osób, alarm, własny odbiornik radia FM, termometr, zegar binarny, wykrywacz metanu oraz licznik Geigera.

Sygnatura czytelni BWEAiI: IX C 52

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. 142618 N (1 egz.)

Książka

W koszyku

Arduino dla poczatkujących : podstawy i szkice / Simon Monk ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, cop. 2014. - 144 s. : il. 24 cm.

Autor

Monk Simon. Matuk Konrad.

Temat

Arduino (mikrokontroler). Sterowniki programowalne Przetwarzanie mobilne (informatyka) Automatyka domowa

Gatunek

Podręcznik.

Na okł.: Podręcznik programisty Arduino!

Kody źródłowe wybranych przykładów dostępne są pod adresem internet. wydaw. podanym w książce.

Indeks.

Dla wszystkich pasjonatów elektroniki chcących lepiej poznać platformę Arduino.

niedostępna

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

Wypożyczalnia

Egzemplarze są obecnie niedostępne: sygn. 138176

Książka

W koszyku

Autor

Monk Simon. Matuk Konrad.

Forma i typ

Książki Publikacje dydaktyczne

Temat

Arduino (mikrokontroler) Programowanie (informatyka)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Na książce: Wydanie 2 - dotyczy oryginału.

Indeks.

Oto Arduino Mikrokontrolery Płyty rozwojowe Płyta Arduino Zasilanie Złącza zasilania Wejścia analogowe Złącza cyfrowe Mikrokontroler Pozostałe podzespoły Początki Arduino Rodzina płyt Arduino Uno, Duemilanove i Diecimila Mega Nano Bluetooth Lilypad Inne "oficjalne" płytki Inne klony i odmiany Arduino Rozdział 2. Rozpoczynamy przygodę z Arduino Zasilanie Instalacja oprogramowania Ładowanie pierwszego szkicu Aplikacja Arduino Rozdział 3. Podstawy języka C Czym jest język programowania? Blink po raz kolejny Zmienne Eksperymentowanie w języku C Zmienne numeryczne i arytmetyka if for while Dyrektywa #define Rozdział 4. Funkcje Czym jest funkcja? Parametry Zmienne globalne, lokalne i statyczne Zwracanie wartości Zmienne innych typów float boolean Inne typy danych Styl zapisu kodu Wcięcia Nawiasy klamrowe otwierające Białe znaki Rozdział 5. Tablice i łańcuchy Zastosowanie tablic do alfabetu Morse'a i sygnału SOS Tablice łańcuchów Literały łańcuchowe Zmienne łańcuchowe Tłumacz alfabetu Morse'a Dane (73) Zmienne globalne i funkcja setup Funkcja loop Funkcja flashSequence Funkcja flashDotOrDash Składanie całości programu Rozdział 6. Wejścia i wyjścia Wyjścia cyfrowe Wejścia cyfrowe Rezystor podwyższający Wewnętrzny rezystor podwyższający Usuwanie stuków Wyjścia analogowe Wejścia analogowe Rozdział 7. Standardowa biblioteka Arduino Liczby losowe Funkcje matematyczne Manipulacja bitami Zaawansowane funkcje wejścia i wyjścia Generowanie tonów Wprowadzanie rejestru przesuwnego Przerwania Rozdział 8. Zapisywanie danych Stałe Dyrektywa PROGMEM EEPROM Przechowywanie wartości zmiennej typu int w pamięci EEPROM Przechowywanie wartości typu float w pamięci EEPROM (unie) Przechowywanie łańcucha w pamięci EEPROM Wymazywanie zawartości pamięci EEPROM Kompresja Kompresja zakresu Rozdział 9. Wyświetlacze LCD Tablica wyświetlająca komunikaty za pośrednictwem interfejsu USB Korzystanie z wyświetlacza Inne funkcje biblioteki wyświetlacza LCD Rozdział 10. Programowanie aplikacji sieci Ethernet Płytki pozwalające na pracę w sieci Ethernet Komunikacja z serwerami sieciowymi HTTP HTML Arduino w roli serwera sieci Web Konfigurowanie złączy Arduino za pośrednictwem sieci Rozdział 11. C++ i biblioteki Mechanizmy obiektowe Klasy i metody Przykład wbudowanej biblioteki Tworzenie bibliotek Plik nagłówkowy Plik implementacji

Sygnatura czytelni BWEAiI: XII H 14

dostępna do wypożyczenia

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

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 152491 N (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 147001 N (1 egz.)

Książka

W koszyku

Arduino dla początkujących : kolejny krok / Simon Monk ; [tł.: Konrad Matuk]. - Gliwice : Wydawnictwo Helion, 2015. - 238 s. : il. ; 24 cm.

Autor

Monk Simon. Matuk Konrad.

Temat

Sterowniki programowalne Mikrokontrolery Systemy informatyczne Arduino (mikrokontroler).

Na okł.: Poznaj tajniki Arduino!

Pliki z przykładami omawianymi w książce można znaleźć pod adresem internet. podanym na s. red.

Niniejsza książka stanowi uzupełnienie i dalszy ciąg pozycji "Arduino dla początkujących. Podstawy i szkice" - inf. we Wstępie.

Indeks.

Sygnatura czytelni BWEAiI: XII H 78

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. 140401 N (1 egz.)