Matematyka
Jorge Brasil
Delve into the importance of probability and statistics in AI, beginning with fundamental measures like mean, median, and variance. This book takes you on a journey through the basics of probability theory, introducing key concepts such as central tendency, variance, and probability distributions. It emphasizes the role of statistical measures in understanding and analyzing data.Building on these foundations, the book explores hypothesis testing, Bayesian inference, and statistical distributions in-depth. Readers will gain practical insights into essential techniques for model evaluation, maximum likelihood estimation, and the interpretation of data in the context of AI applications. Each concept is illustrated with practical examples and case studies to ensure clarity and application.Finally, advanced topics like Markov processes, hierarchical Bayesian models, and multivariate distributions are introduced. The book addresses critical areas like variance, correlation, and hypothesis testing, equipping readers with the skills to tackle real-world challenges in AI and machine learning. Whether you're a student, professional, or AI enthusiast, this book offers the essential statistical tools and knowledge to excel in the field.
Combinatorial point configurations and polytopes
Sergiy Yakovlev, Oksana Pichugina, Liudmyla Koliechkina
The monograph is dedicated to exploring combinatorial point configurations derived from mapping a set of combinatorial configurations into Euclidean space. Various methods for this mapping, along with the typology and properties of the resultant configurations, are presented. In addition, the study revolves around combinatorial polytopes defined as convex hulls of combinatorial point configurations. The primary focus lies in examining multipermutation and partial multipermutation point configurations alongside their associated combinatorial polytopes known as multipermutohedra and partial multipermutohedra. Our theoretical contributions are substantiated through the proof of theorems and supporting auxiliary statements. Examples and illustrations are included to enhance the comprehension of the material.
Lauren Mullennex, Nate Bachmeier, Jay Rao
Computer vision (CV) is a field of artificial intelligence that helps transform visual data into actionable insights to solve a wide range of business challenges. This book provides prescriptive guidance to anyone looking to learn how to approach CV problems for quickly building and deploying production-ready models.You’ll begin by exploring the applications of CV and the features of Amazon Rekognition and Amazon Lookout for Vision. The book will then walk you through real-world use cases such as identity verification, real-time video analysis, content moderation, and detecting manufacturing defects that’ll enable you to understand how to implement AWS AI/ML services. As you make progress, you'll also use Amazon SageMaker for data annotation, training, and deploying CV models. In the concluding chapters, you'll work with practical code examples, and discover best practices and design principles for scaling, reducing cost, improving the security posture, and mitigating bias of CV workloads.By the end of this AWS book, you'll be able to accelerate your business outcomes by building and implementing CV into your production environments with the help of AWS AI/ML services.
Continuity. Eleven sketches from the past of Mathematics
Jerzy Mioduszewski, tłum. Abe Shenitzer
The book was written in the eighties of the last century. Being encouraged by the editorial board of monthly Delta in the person of Professor Marek Kordos, the author’s first aim was a collection of essays about Peano maps, lakes of Wada, and several singularities of real functions. But it was the time when university duties stopped and the author could freely meditate whether this curious mathematics had its roots in the forgotten past. He remembered old authors who began their books with the words “already the ancient Greeks… .” The celebrated nineteenth century, the century of concepts, was preceded by the century of calculations. Going further back we can see Newton, but what and who was there before? Were the centuries between the Ancients and Newton a vacuum in mathematical sciences? Accidentally, the treatise De continuo by Thomas Bradwardine, the Archbishop of Canterbury, led the author into an unknown and strange world of medieval scholastic thought, showing to him the lost thread joining our times with Zeno, Aristotle and Democritus. However, to find this forgotten link a step should be taken beyond pure mathematical thinking. In this extended surrounding we can observe the unity of mathematical concepts being non-existent in the realm of pure mathematics.
Czy fizyka i matematyka to nauki humanistyczne?
Michał Heller, Stanisław Krajewski
Czy jest prawdziwe powiedzenie, że wszystkie nauki dzielą się na fizykę i zbieranie znaczków? W takim razie co z matematyką? Czy nauki ścisłe i humanistyka to organiczne części tej samej, ogólnoludzkiej kultury? Zarówno wśród „zwykłych” ludzi, jak i wśród osób zajmujących się pracą naukową dominuje przeciwstawianie nauk ścisłych, czyli przede wszystkim matematyki i fizyki, naukom humanistycznym. Czasem czyni się to wywyższając ścisłość nauk ścisłych, czasem wskazując na ich ograniczenia, niemożność uchwycenia prawdziwej, żywej złożoności, której nie mogą uchwycić struktury formalne. Tymczasem to przeciwstawienie nie jest absolutne: u źródeł podstawowych pojęć matematyki i fizyki są doświadczenia potoczne, odniesienia do człowieczej perspektywy postrzegania świata, próby jego spontanicznego modelowania, sądy wartościujące – jednym słowem takie zachowania, które można znaleźć również u podstaw nauk humanistycznych. Świat fizyczny jest niemiłosiernie logiczny i dlatego fizyka dopiero wtedy zaczęła odnosić sukcesy, gdy nauczyła się badać świat przy pomocy narzędzi matematycznych. Nie jest jednak pewne, czy obecnie rozwijane teorie matematyczne są najlepszymi możliwymi narzędziami potrzebnymi fizyce lub innym naukom, które chcą formułować prawa, a nie tylko „zbierać znaczki”. Stawiając w tym książkowym dwugłosie pytanie, czy fizyka i matematyka to nauki humanistyczne, nie zamierzamy tego pytania rozstrzygać do końca – odpowiedź na nie zależy od zbyt wielu osobistych i kulturowych preferencji – ale chcemy dać wyraz przekonaniu, że obydwie te dziedziny – nauki ścisłe i humanistyka – są organicznymi częściami tej samej, ogólnoludzkiej kultury. Bez którejkolwiek z nich nasza kultura byłaby płaska i zubożona. Żeby widzieć trójwymiarowo trzeba mieć dwoje oczu.
Czy można mnożyć pieniądze? Zdrowy rozsądek w nauczaniu matematyki
Danuta Zaremba
Przekonaj uczniów, że matma wcale nie musi być nudna i niezrozumiała! Poznaj sposoby skutecznego przekazywania wiedzy Naucz się wzbudzać zainteresowanie matematyką Dowiedz się, czego unikać na swoich lekcjach Matematyka jest najlepszym przykładem przedmiotu, który zupełnie niesłusznie ma opinię trudnego, nudnego i nieprzydatnego w codziennym życiu. Tę złą sławę zawdzięcza głównie przestarzałym metodom edukacyjnym, niepodzielnie panującym w większości polskich szkół, oraz nieinteresującym, z punktu widzenia uczniów, przykładom i zadaniom, które są zmuszeni rozwiązywać. Tymczasem matematyka to pasjonująca dziedzina, która znajduje zastosowanie dosłownie wszędzie i której zawdzięczamy rozwój wielu innych nauk i tysiące wynalazków technicznych. Wyjdź poza schemat i zerwij z tradycją złego nauczania matematyki! Dowiedz się, jak prowadzić interesujące lekcje i zachęcać uczniów do aktywności, poznaj sposoby, dzięki którym dostrzegą zastosowanie zdobytej wiedzy poza murami szkoły, i spraw, aby nauka stałą się dla nich prawdziwą przygodą. Zebrane w tej książce felietony pomogą Ci przygotowywać ciekawe zajęcia, zrozumieć młodych ludzi i wzbudzić w nich pasję do matematyki. Autorka dzieli się swoim bogatym doświadczeniem i nieszablonowym podejściem do tematu, a także pokazuje, jak w pracy nauczyciela stosować dobre praktyki i korzystać z przykładów, które uczą logicznego myślenia, zamiast powielać schematy. Pasja i pomysłowość Nauka przez zabawę Myślenie ponad schematy Nieszablonowe metody Obalanie starych mitów Radość ze zdobywania wiedzy Eksperymenty, które uczą Samodzielne wyciąganie wniosków Błędy jako okazja do nauki Zastosowanie wiedzy w praktyce Przykłady z życia wzięte Spraw, aby lekcje matematyki były niezapomnianą przygodą!
Andrzej M. Kaczyński
Skrypt zawiera bogaty materiał ćwiczeniowy ze wstępu do matematyki wyższej. Dotyczy on podstaw matematyki, algebry liniowej z optymalizacją liniową oraz geometrii analitycznej. Ma on ułatwić studentom rozpoczynającym studia poznanie, zrozumienie i usystematyzowanie wiedzy z tych podstawowych działów matematyki.
Duc Haba
Data is paramount in AI projects, especially for deep learning and generative AI, as forecasting accuracy relies on input datasets being robust. Acquiring additional data through traditional methods can be challenging, expensive, and impractical, and data augmentation offers an economical option to extend the dataset.The book teaches you over 20 geometric, photometric, and random erasing augmentation methods using seven real-world datasets for image classification and segmentation. You’ll also review eight image augmentation open source libraries, write object-oriented programming (OOP) wrapper functions in Python Notebooks, view color image augmentation effects, analyze safe levels and biases, as well as explore fun facts and take on fun challenges. As you advance, you’ll discover over 20 character and word techniques for text augmentation using two real-world datasets and excerpts from four classic books. The chapter on advanced text augmentation uses machine learning to extend the text dataset, such as Transformer, Word2vec, BERT, GPT-2, and others. While chapters on audio and tabular data have real-world data, open source libraries, amazing custom plots, and Python Notebook, along with fun facts and challenges.By the end of this book, you will be proficient in image, text, audio, and tabular data augmentation techniques.
Data science od podstaw. Analiza danych w Pythonie
Joel Grus
Współczesne ogromne zbiory danych zawierają odpowiedzi na prawie każde pytanie. Równocześnie nauka o danych jest dziedziną, która cokolwiek onieśmiela. Znajduje się gdzieś pomiędzy subtelnymi umiejętnościami hakerskimi, twardą wiedzą z matematyki i statystyki a merytoryczną znajomością zagadnień z danej branży. Co więcej, dziedzina ta niezwykle dynamicznie się rozwija. Trud włożony w naukę o danych niewątpliwie się jednak opłaca: biegły analityk danych może liczyć na dobrze płatną, inspirującą i bardzo atrakcyjną pracę. Dzięki tej książce opanujesz najważniejsze zagadnienia związane z matematyką i statystyką, będziesz także rozwijać umiejętności hakerskie. W ten sposób zyskasz podstawy pozwalające na rozpoczęcie przygody z analizą danych. Gruntownie zapoznasz się z potrzebnymi narzędziami i algorytmami. Pozwoli Ci to lepiej zrozumieć ich działanie. Poszczególne przykłady, którymi zilustrowano omawiane zagadnienia, są przejrzyste, dobrze opisane i zrozumiałe. Podczas lektury książki poznasz biblioteki, które umożliwią zaimplementowanie omówionych technik podczas analizy dużych zbiorów danych. Szybko się przekonasz, że aby zostać analitykiem danych, wystarczy odrobina ciekawości, sporo chęci, mnóstwo ciężkiej pracy i... ta książka. Najważniejsze zagadnienia: Praktyczne wprowadzenie do Pythona Podstawy algebry liniowej, statystyki i rachunku prawdopodobieństwa w analizie danych Podstawy uczenia maszynowego Implementacje algorytmów modeli, w tym naiwny klasyfikator bayesowski, regresja liniowa, regresja logistyczna, drzewa decyzyjne, sieci neuronowe i grupowanie, MapReduce Systemy rekomendacji i mechanizmy przetwarzania języka naturalnego Korzystanie z mediów społecznościowych i baz danych. Python. Wyciśniesz z danych każdą kroplę wiedzy!
Data science od podstaw. Analiza danych w Pythonie. Wydanie II
Joel Grus
Analityka danych jest uważana za wyjątkowo obiecującą dziedzinę wiedzy. Rozwija się błyskawicznie i znajduje coraz to nowsze zastosowania. Profesjonaliści biegli w eksploracji danych i wydobywaniu z nich pożytecznych informacji mogą liczyć na interesującą pracę i bardzo atrakcyjne warunki zatrudnienia. Jednak aby zostać analitykiem danych, trzeba znać matematykę i statystykę, a także nauczyć się programowania. Umiejętności w zakresie uczenia maszynowego i uczenia głębokiego również są ważne. W przypadku tak specyficznej dziedziny, jaką jest nauka o danych, szczególnie istotne jest zdobycie gruntownych podstaw i dogłębne ich zrozumienie. W tym przewodniku opisano zagadnienia związane z podstawami nauki o danych. Wyjaśniono niezbędne elementy matematyki i statystyki. Przedstawiono także techniki budowy potrzebnych narzędzi i sposoby działania najistotniejszych algorytmów. Książka została skonstruowana tak, aby poszczególne implementacje były jak najbardziej przejrzyste i zrozumiałe. Zamieszczone tu przykłady napisano w Pythonie: jest to język dość łatwy do nauki, a pracę na danych ułatwia szereg przydatnych bibliotek Pythona. W drugim wydaniu znalazły się nowe tematy, takie jak uczenie głębokie, statystyka i przetwarzanie języka naturalnego, a także działania na ogromnych zbiorach danych. Zagadnienia te często pojawiają się w pracy współczesnego analityka danych. W książce między innymi: elementy algebry liniowej, statystyki i rachunku prawdopodobieństwa zbieranie, oczyszczanie i eksploracja danych algorytmy modeli analizy danych podstawy uczenia maszynowego systemy rekomendacji i przetwarzanie języka naturalnego analiza sieci społecznościowych i algorytm MapReduce Nauka o danych: bazuj na solidnych podstawach!
Vitor Cerqueira, Luís Roque
Most organizations exhibit a time-dependent structure in their processes, including fields such as finance. By leveraging time series analysis and forecasting, these organizations can make informed decisions and optimize their performance. Accurate forecasts help reduce uncertainty and enable better planning of operations. Unlike traditional approaches to forecasting, deep learning can process large amounts of data and help derive complex patterns. Despite its increasing relevance, getting the most out of deep learning requires significant technical expertise.This book guides you through applying deep learning to time series data with the help of easy-to-follow code recipes. You’ll cover time series problems, such as forecasting, anomaly detection, and classification. This deep learning book will also show you how to solve these problems using different deep neural network architectures, including convolutional neural networks (CNNs) or transformers. As you progress, you’ll use PyTorch, a popular deep learning framework based on Python to build production-ready prediction solutions.By the end of this book, you'll have learned how to solve different time series tasks with deep learning using the PyTorch ecosystem.
Dr. Amita Kapoor, Antonio Gulli, Sujit Pal
Deep Learning with TensorFlow and Keras teaches you neural networks and deep learning techniques using TensorFlow (TF) and Keras. You'll learn how to write deep learning applications in the most powerful, popular, and scalable machine learning stack available.TensorFlow 2.x focuses on simplicity and ease of use, with updates like eager execution, intuitive higher-level APIs based on Keras, and flexible model building on any platform. This book uses the latest TF 2.0 features and libraries to present an overview of supervised and unsupervised machine learning models and provides a comprehensive analysis of deep learning and reinforcement learning models using practical examples for the cloud, mobile, and large production environments.This book also shows you how to create neural networks with TensorFlow, runs through popular algorithms (regression, convolutional neural networks (CNNs), transformers, generative adversarial networks (GANs), recurrent neural networks (RNNs), natural language processing (NLP), and graph neural networks (GNNs)), covers working example apps, and then dives into TF in production, TF mobile, and TensorFlow with AutoML.
Mercury Learning and Information, R. Anand
This book covers the fundamental concepts of digital signal processing (DSP), introducing discrete-time signals, the z-transform, frequency analysis, discrete and fast Fourier transforms, digital filters, FIR, and statistical DSP. With applications ranging from engineering to telecommunications and medical imaging, this text focuses on representing signals with mathematical models and processing them using discrete-time systems.Understanding DSP is crucial for professionals in various fields as it allows for effective signal representation and manipulation. The book starts with an introduction to DSP and a review of discrete-time signals and systems, followed by a detailed exploration of the z-transform and frequency analysis using DTFT. It further delves into discrete Fourier transforms, fast Fourier transform algorithms, and the implementation of discrete-time systems.The journey continues with in-depth discussions on digital filters, including the design and analysis of infinite impulse response (IIR) and finite impulse response (FIR) filters. The book also covers statistical digital signal processing, multirate DSP, and applications in speech and radar. Through a variety of exercises and a comprehensive glossary, readers will gain a solid understanding of DSP fundamentals and applications.
Domowe lekcje matematyki. Klasy 4-6
Danuta Zaremba
Twoje dziecko wreszcie zrozumie matematykę! Matematyka nie jest łatwa, wielu uczniów uważa ją za najtrudniejszy przedmiot w szkole. Nierzadko sprawia problemy także tym, którzy jej uczą - nie jest łatwo przygotować lekcje tak, aby uczynić zrozumiałym to, co zrozumieć trudno. Autorka tej książki sama się o tym przekonała, gdy pracowała jako nauczycielka. Teraz dzieli się swoimi pomysłami, jak efektywnie uczyć matematyki w szkole podstawowej. Zawarty w proponowanych scenariuszach lekcji materiał nauczania jest określony podstawą programową nauczania matematyki w szkole podstawowej. Domowe lekcje matematyki to propozycja dla opiekunów, którzy chcą pomóc dzieciom w zrozumieniu matematyki. Każdej lekcji towarzyszą starannie dobrane do tematu ćwiczenia, za pomocą których autorka pokazuje, w jaki sposób rozmawiać z podopiecznym i jakie pytania mu zadawać, aby dostrzegł istotę omawianego zagadnienia. A w efekcie - zrozumiał matematykę, bo, jak twierdzi francuski filozof Alain Badiou, "bez matematyki jesteśmy ślepi". Arytmetyka liczb naturalnych Długość i kąty Ułamki zwykłe i dziesiętne Trójkąty, czworokąty i wielokąty Bryły Liczby ujemne i dodatnie Elementy algebry Odpowiedzi do zadań dostepne są pod tym linkiem.
Domowe lekcje matematyki. Klasy 7 i 8
Danuta Zaremba
Twoje dziecko wreszcie zrozumie matematykę! Matematyka z natury rzeczy nie jest łatwa. Dla wielu to najtrudniejszy przedmiot w szkole. Sprawia problemy nie tylko uczniom, ale także tym, którzy jej uczą. Niełatwo przygotować lekcje tak, aby uczynić zrozumiałym to, co trudno zrozumieć. Autorka przekonała się o tym w czasie swojej pracy jako nauczycielka, a teraz swoimi pomysłami dzieli się z czytelnikami, proponując scenariusze lekcji w szkole podstawowej. Zgromadzony tu materiał nauczania jest zgodny z podstawą programową nauczania matematyki w szkole podstawowej. Domowe lekcje matematyki to propozycja dla opiekunów, którzy chcą pomóc dzieciom w nauce tego przedmiotu. Każdej lekcji towarzyszą starannie dobrane do danego tematu ćwiczenia, za pomocą których autorka pokazuje, w jaki sposób rozmawiać z podopiecznym i jakie pytania mu zadawać, aby dostrzegł istotę omawianego zagadnienia. A w efekcie - zrozumiał matematykę, bo, jak twierdzi francuski filozof Alain Badiou, „bez matematyki jesteśmy ślepi” Potęgi i pierwiastki Równania i wyrażenia algebraiczne Przystawanie i symetria Twierdzenie Pitagorasa Obwód, pole i objętość Proporcjonalność i obliczenia procentowe Układ współrzędnych na płaszczyźnie Graficzne przedstawianie danych Elementy kombinatoryki i rachunku prawdopodobieństwa Odpowiedzi do zadań dostepne są pod tym linkiem.
Elektrochemiczne metody skaningowe i ich zastosowanie w inżynierii korozyjnej
Julian Kubisztal
Podręcznik omawia elektrochemiczne metody skaningowe i ich zastosowanie w badaniach lokalnych procesów korozyjnych zachodzących na niejednorodnych pod względem chemicznym i fizycznym materiałach. Prezentuje metodę pomiaru lokalnego napięcia kontaktowego sondą Kelvina, metodę pomiaru lokalnego prądu jonowego sondą drgającą, metodę lokalnej elektrochemicznej spektroskopii impedancyjnej oraz metodę elektrochemicznej mikroskopii skaningowej. Charakteryzuje zjawisko powstawania napięcia kontaktowego, różnicy potencjałów na granicy faz metal – roztwór elektrolitu, prądu jonowego nad elektrochemicznie aktywnymi obszarami elektrody, mechanizmy transportu jonów w roztworze elektrolitu, impedancję granicy faz oraz makro- i mikroelektrody. Przedstawia również praktyczne aspekty zastosowania elektrochemicznych metod skaningowych w badaniach lokalnych zjawisk korozyjnych. Zebrane w niniejszym podręczniku informacje będą pomocne w pogłębianiu wiedzy o materiałach i ich właściwościach zarówno przez studentów i doktorantów kierunków technicznych, jak i osoby, które na co dzień zajmują się zagadnieniem korozji elektrochemicznej oraz metodami jej badania.