题目

Fundamentals of Graphics Using

简介

本书介绍了2D和3D图形的基本概念和原理,是为学习图形和/或多媒体相关主题的本科生和研究生编写的。 关于图形的大多数书籍都使用C编程环境来说明实际的实现。 本书偏离了这种常规做法,并说明了为此目的使用MATLAB®的情况。 MathWorks,Inc.的MATLAB是一种数据分析和可视化工具,适用于算法开发和仿真应用。 MATLAB的优点之一是它包含内置函数的大型库,与其他当代编程环境相比,该库可用于减少程序开发时间。 假定该学生具有MATLAB的基本知识,尤其是各种矩阵运算和绘图功能。 提供了MATLAB代码,作为对特定示例的解答,读者可以简单地复制并粘贴代码来执行它们。 通常,代码显示预期结果的答案,例如曲线方程,混合函数和变换矩阵,并绘制最终结果以提供解决方案的直观表示。 本书的目的是,首先,演示如何使用MATLAB解决图形问题,其次,通过可视化表示和实际示例,帮助学生获得有关主题的深入知识。

本书大致分为两个部分:2D图形和3D图形,尽管在某些地方这两个概念重叠在一起主要是为了突出它们之间的差异,或者是为了使用较简单的概念使读者为更复杂的概念做准备。

本书的第一部分主要讨论与2D图形有关的概念和问题,涵盖了五章:(1)内插样条线,(2)混合函数和混合样条线,(3)近似样条线,(4)2D变换, (5)样条曲线属性。

第1章介绍了各种类型的插值样条及其使用多项式的表示。 详细讨论了样条方程的推导原理以及所涉及的矩阵代数的理论概念,然后通过数值示例和MATLAB代码来说明过程。 在大多数示例后均附有图形化图表,以使读者能够直观地看到方程式如何根据给定的起点,终点和其他相关参数转换为相应的曲线。 本章还重点介绍了使用线性,二次方和三次方变体的样条方程的标准或空间形式以及参数形式的这些过程的差异。

成为VIP会员查看完整内容
0
65

相关内容

计算机图形学(Computer Graphics,简称CG)是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。简单地说,计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。

越来越多来自不同领域的计算机科学家使用离散数学结构来解释概念和问题。在教学经验的基础上,作者提供了一个容易理解的文本,强调了离散数学的基础及其高级课题。这篇文章展示了如何用清晰的数学语言表达精确的思想。学生发现离散数学在描述计算机科学结构和解决问题方面的重要性。他们还学习如何掌握离散数学将帮助他们发展重要的推理技能,这些技能将在他们的职业生涯中继续发挥作用。

成为VIP会员查看完整内容
0
56

Python中的数据科学和分析是为学术和商业环境中的数据科学和数据分析从业者设计的。其目的是通过使用Python开发的工具(如SciKit-learn、Pandas、Numpy等)向读者介绍数据科学中使用的主要概念。鉴于Python最近在数据科学社区的流行,它的使用特别有趣。有经验的程序员和新手都可以使用这本书。

本书的组织方式是各个章节相互独立,这样读者就可以放心地使用其中的内容作为参考。这本书从过程和获得的结果的角度讨论了什么是数据科学和分析。还介绍了Python的重要特性,包括Python入门。机器学习、模式识别和人工智能的基本元素在书的其余部分使用的算法和实现的基础上也出现在书的第一部分。

本书的第二部分介绍了使用Python、聚类技术和分类算法的回归分析。层次聚类、决策树和集成技术,以及降维技术和推荐系统也被探讨。书的最后一部分讨论了支持向量机算法和内核技巧。

成为VIP会员查看完整内容
0
39

管理统计和数据科学的原理包括:数据可视化;描述性措施;概率;概率分布;数学期望;置信区间;和假设检验。方差分析;简单线性回归;多元线性回归也包括在内。另外,本书还提供了列联表、卡方检验、非参数方法和时间序列方法。

教材:

  • 包括通常在入门统计学课程中涵盖的学术材料,但与数据科学扭曲,较少强调理论
  • 依靠Minitab来展示如何用计算机执行任务
  • 展示并促进来自开放门户的数据的使用
  • 重点是发展对程序如何工作的直觉
  • 让读者了解大数据的潜力和目前使用它的失败之处
成为VIP会员查看完整内容
1
74

这本书的第五版继续讲述如何运用概率论来深入了解真实日常的统计问题。这本书是为工程、计算机科学、数学、统计和自然科学的学生编写的统计学、概率论和统计的入门课程。因此,它假定有基本的微积分知识。

第一章介绍了统计学的简要介绍,介绍了它的两个分支:描述统计学和推理统计学,以及这门学科的简短历史和一些人,他们的早期工作为今天的工作提供了基础。

第二章将讨论描述性统计的主题。本章展示了描述数据集的图表和表格,以及用于总结数据集某些关键属性的数量。

为了能够从数据中得出结论,有必要了解数据的来源。例如,人们常常假定这些数据是来自某个总体的“随机样本”。为了确切地理解这意味着什么,以及它的结果对于将样本数据的性质与整个总体的性质联系起来有什么意义,有必要对概率有一些了解,这就是第三章的主题。本章介绍了概率实验的思想,解释了事件概率的概念,并给出了概率的公理。

我们在第四章继续研究概率,它处理随机变量和期望的重要概念,在第五章,考虑一些在应用中经常发生的特殊类型的随机变量。给出了二项式、泊松、超几何、正规、均匀、伽玛、卡方、t和F等随机变量。

成为VIP会员查看完整内容
2
93

使用Microsoft Excel中流行的数据挖掘技术,更好地理解机器学习方法。

软件工具和编程语言包接受数据输入并直接交付数据挖掘结果,对工作机制没有任何见解,并在输入和输出之间造成了鸿沟。这就是Excel可以提供帮助的地方。

Excel允许您以透明的方式处理数据。当您打开一个Excel文件时,数据立即可见,您可以直接使用它。在执行挖掘任务时,可以检查中间结果,从而更深入地理解如何操作数据和获得结果。这些是隐藏在软件工具和编程语言包中的模型构建过程的关键方面。

这本书教你通过Excel进行数据挖掘。您将了解当数据集不是很大时Excel在数据挖掘方面的优势。它可以为您提供数据挖掘的可视化表示,在结果中建立信心。您将手动完成每一个步骤,这不仅提供了一个主动学习体验,而且还告诉您挖掘过程是如何工作的,以及如何发现数据内部隐藏的模式。

你将学到什么

  • 使用可视化的一步一步的方法理解数据挖掘
  • 首先从理论上介绍了一种数据挖掘方法,然后是Excel的实现
  • 揭开机器学习算法背后的神秘面纱,让每个人都能接触到一个复杂的话题
  • 熟练使用Excel公式和函数
  • 获得数据挖掘和Excel的实际操作经验

这本书是给谁的

  • 任何对学习数据挖掘或机器学习感兴趣的人,特别是数据科学视觉学习者和擅长Excel的人,希望探索数据科学主题和/或扩展他们的Excel技能的人。建议对Excel有基本或初级的了解。
成为VIP会员查看完整内容
0
51

这本教科书通过提供实用的建议,使用直接的例子,并提供相关应用的引人入胜的讨论,以一种容易理解的方式介绍了基本的机器学习概念。主要的主题包括贝叶斯分类器,最近邻分类器,线性和多项式分类器,决策树,神经网络,和支持向量机。后面的章节展示了如何通过“推进”的方式结合这些简单的工具,如何在更复杂的领域中利用它们,以及如何处理各种高级的实际问题。有一章专门介绍流行的遗传算法。

这个修订的版本包含关于工业中机器学习的实用应用的关键主题的三个全新的章节。这些章节研究了多标签域,无监督学习和它在深度学习中的使用,以及归纳逻辑编程的逻辑方法。许多章节已经被扩展,并且材料的呈现已经被增强。这本书包含了许多新的练习,许多解决的例子,深入的实验,和独立工作的计算机作业。

https://link.springer.com/book/10.1007/978-3-319-63913-0#about

成为VIP会员查看完整内容
0
108

简单易懂,读起来很有趣,介绍Python对于初学者和语言新手都是理想的。作者Bill Lubanovic带您从基础知识到更复杂和更多样的主题,混合教程和烹饪书风格的代码配方来解释Python 3中的概念。章节结尾的练习可以帮助你练习所学的内容。

您将获得该语言的坚实基础,包括测试、调试、代码重用和其他开发技巧的最佳实践。本书还向您展示了如何使用各种Python工具和开放源码包将Python用于商业、科学和艺术领域的应用程序。

  • 学习简单的数据类型,以及基本的数学和文本操作
  • 在Python的内置数据结构中使用数据协商技术
  • 探索Python代码结构,包括函数的使用
  • 用Python编写大型程序,包括模块和包
  • 深入研究对象、类和其他面向对象的特性
  • 检查从平面文件到关系数据库和NoSQL的存储
  • 使用Python构建web客户机、服务器、api和服务
  • 管理系统任务,如程序、进程和线程
  • 了解并发性和网络编程的基础知识

成为VIP会员查看完整内容
0
105

Python算法,第二版解释了Python方法的算法分析和设计。本书由《初级Python》的作者Magnus Lie Hetland撰写,主要关注经典算法,但也对基本的算法解决问题技术有了深入的理解。

这本书涉及一些最重要和最具挑战性的领域的编程和计算机科学在一个高度可读的方式。它涵盖了算法理论和编程实践,演示了理论是如何反映在真实的Python程序中的。介绍了Python语言中内置的著名算法和数据结构,并向用户展示了如何实现和评估其他算法和数据结构

成为VIP会员查看完整内容
0
106

本书概述了现代数据科学重要的数学和数值基础。特别是,它涵盖了信号和图像处理(傅立叶、小波及其在去噪和压缩方面的应用)、成像科学(反问题、稀疏性、压缩感知)和机器学习(线性回归、逻辑分类、深度学习)的基础知识。重点是对方法学工具(特别是线性算子、非线性逼近、凸优化、最优传输)的数学上合理的阐述,以及如何将它们映射到高效的计算算法。

https://mathematical-tours.github.io/book/

它应该作为数据科学的数字导览的数学伴侣,它展示了Matlab/Python/Julia/R对这里所涵盖的所有概念的详细实现。

成为VIP会员查看完整内容
0
192

简介:

科学专业人员可以通过本书学习Scikit-Learn库以及机器学习的基础知识。该书将Anaconda Python发行版与流行的Scikit-Learn库结合在一起,展示了各种有监督和无监督的机器学习算法。通过Python编写的清晰示例向读者介绍机器学习的原理,以及相关代码。

本书涵盖了掌握这些内容所需的所有应用数学和编程技能。不需要深入的面向对象编程知识,因为可以提供并说明完整的示例。必要时,编码示例很深入且很复杂。它们也简洁,准确,完整,是对引入的机器学习概念的补充。处理示例有助于建立理解和应用复杂机器学习算法所需的技能。

本书的学生将学习作为胜任力前提的基础知识。读者将了解专门为数据科学专业人员设计的Python Anaconda发行版,并将在流行的Scikit-Learn库中构建技能,该库是Python领域许多机器学习应用程序的基础。

本书内容包括:

  • 使用Scikit-Learn通用的简单和复杂数据集
  • 将数据处理为向量和矩阵以进行算法处理
  • 熟悉数据科学中使用的Anaconda发行版
  • 通过分类器,回归器和降维应用机器学习
  • 调整算法并为每个数据集找到最佳算法
  • 从CSV,JSON,Numpy和Pandas格式加载数据并保存

内容介绍:

这本书分为八章。 第1章介绍了机器学习,Anaconda和Scikit-Learn的主题。 第2章和第3章介绍算法分类。 第2章对简单数据集进行分类,第3章对复杂数据集进行分类。 第4章介绍了回归预测模型。 第5章和第6章介绍分类调整。 第5章调整简单数据集,第6章调整复杂数据集。 第7章介绍了预测模型回归调整。 第8章将所有知识汇总在一起,以整体方式审查和提出发现。

作者介绍:

David Paper博士是犹他州立大学管理信息系统系的教授。他写了两本书-商业网络编程:Oracle的PHP面向对象编程和Python和MongoDB的数据科学基础。他在诸如组织研究方法,ACM通讯,信息与管理,信息资源管理期刊,AIS通讯,信息技术案例与应用研究期刊以及远程计划等参考期刊上发表了70余篇论文。他还曾在多个编辑委员会担任过各种职务,包括副编辑。Paper博士还曾在德州仪器(TI),DLS,Inc.和凤凰城小型企业管理局工作。他曾为IBM,AT&T,Octel,犹他州交通运输部和空间动力实验室执行过IS咨询工作。 Paper博士的教学和研究兴趣包括数据科学,机器学习,面向对象的程序设计和变更管理。

目录:

成为VIP会员查看完整内容
0
60
小贴士
相关VIP内容
专知会员服务
56+阅读 · 2020年8月31日
专知会员服务
39+阅读 · 2020年8月22日
专知会员服务
74+阅读 · 2020年7月29日
专知会员服务
93+阅读 · 2020年7月28日
专知会员服务
51+阅读 · 2020年6月28日
【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
108+阅读 · 2020年6月16日
专知会员服务
105+阅读 · 2020年5月17日
专知会员服务
192+阅读 · 2020年3月23日
相关资讯
相关论文
Visual Grounding in Video for Unsupervised Word Translation
Gunnar A. Sigurdsson,Jean-Baptiste Alayrac,Aida Nematzadeh,Lucas Smaira,Mateusz Malinowski,João Carreira,Phil Blunsom,Andrew Zisserman
7+阅读 · 2020年3月11日
Liang Yao,Chengsheng Mao,Yuan Luo
5+阅读 · 2019年9月11日
Tao Kong,Fuchun Sun,Huaping Liu,Yuning Jiang,Jianbo Shi
5+阅读 · 2019年4月8日
Chi Sun,Luyao Huang,Xipeng Qiu
6+阅读 · 2019年3月22日
Wen Zhang,Bibek Paudel,Wei Zhang,Abraham Bernstein,Huajun Chen
6+阅读 · 2019年3月12日
Embedding Logical Queries on Knowledge Graphs
William L. Hamilton,Payal Bajaj,Marinka Zitnik,Dan Jurafsky,Jure Leskovec
3+阅读 · 2018年9月6日
Localization Recall Precision (LRP): A New Performance Metric for Object Detection
Kemal Oksuz,Baris Can Cam,Emre Akbas,Sinan Kalkan
3+阅读 · 2018年7月4日
Yuyu Zhang,Hanjun Dai,Kamil Toraman,Le Song
9+阅读 · 2018年5月31日
Muhan Zhang,Yixin Chen
22+阅读 · 2018年2月27日
Kai Song,Yue Zhang,Min Zhang,Weihua Luo
4+阅读 · 2018年1月11日
Top