Richard Szeliski博士，計算機視覺領域的大師級人物，現為Facebook研究科學家。Szeliski博士在計算機視覺研究方面有25年以上的豐富經驗，先后任職干DEC和微軟研究院。1996年，他在微軟研究院任職期間，提出一種基于運動的全景圖像拼接模型，采用L-M算法，通過求圖像間的幾何變換關系來進行圖像匹配。此方法是圖像拼接領域的經典算法，Richard Szeliski也因此成為圖像拼接領域的奠基人。
//szeliski.org/RichardSzeliski.htm
計算機視覺：算法與應用(第二版)
本書萌芽于2001年，當時，華盛頓大學的Steve Seitz邀我和他一起講一門課，課程名稱是“面向計算機圖形學的計算機視覺”。那個時候，計算機圖形學領域正在越來越多地使用計算機視覺技術，用它來創建基于圖像的真實物體的模型，用于產生視覺效果，用于通過計算攝影學技術來合并真實影像。我們決定聚焦于計算機視覺在若干有趣問題中的應用，例如使用個人照片的圖像拼接和基于照片的3D建模等，這一想法引起了學生們的共鳴。
從那時起，華盛頓大學和斯坦福大學就一直使用類似的課程大綱和項目導向的課程結構來進行常規計算機視覺課程的教學（在斯坦福大學，在2003年這門課程由我和David Fleet共同講授）。類似的課程大綱也被其他很多大學所采用，并被納入計算攝影學相關的更專業的課程。（有關如何在課程中使用本書的建議，請參見1.4節的表1.1。）
本書還反映了我在企業研究實驗室（DEC劍橋研究實驗室和微軟研究院）這二十年的計算機視覺研究經歷。在從事研究的過程中，我主要關注在真實世界中具有實際應用的問題和在實踐中行之有效的方法（算法）。因此，本書更強調在真實世界條件下有效的基本方法，而較少關注內在完美但難以實際應用的神秘的數學內容。 本書適用于計算機科學和電子工程專業高年級本科的計算機視覺課程。學生最好已經修過圖像處理或計算機圖形學課程，這樣一來，便可以少花一些時間來學習一般性的數學背景知識，多花一些時間來學習計算機視覺技術。本書也適用于研究生的計算機視覺課程（通過專研更富有挑戰性的應用和算法領域），作為基本技術和近期研究文獻的參考用書。為此，我盡量嘗試引用每個子領域中最新的研究進展，即便其技術細節過于復雜而無法在本書中涉及。
在課程教學過程中，我們發現，要使學生從容應對真實圖像及其帶來的挑戰，讓他們嘗試實現一些小的課程設計（通常一個建立在另一個基礎之上），是很有幫助的。隨后，要求學生分成組選擇各自的主題，完成最終的課程設計。（有時，這些課程設計甚至能轉換為會議論文！）本書各章最后的習題包含有關小型中期課程設計題目的很多建議，也包含一些更開放的問題，這些問題的解決仍然是活躍的研究課題。只要有可能，我都會鼓勵學生用他們自己的個人照片來測試他們的算法，因為這可以更好地激發他們的興趣，往往會產生富有創造性的衍生問題，使他們更熟悉真實影像的多樣性和復雜性。
在闡述和解決計算機視覺問題的過程中，我常常發現從三個高層途徑獲取靈感是有幫助的。
-
科學層面：建立圖像形成過程的詳細模型，為了恢復感興趣量而構建其逆過程的數學方法（必要時，做簡化假設使其在數學上更容易處理）。
-
統計層面：使用概率模型來量化產生輸入圖像的未知量先驗似然率和噪聲測量過程，然后推斷所期望量的最可能的估計并分析其結果的不確定程度。使用的推斷算法往往與用于逆轉（科學的）圖像形成過程的優化方法密切相關。
-
工程層面：開發出易于描述和實現且己知在實踐中行之有效的方法。測試這些方法，以便于了解其不足和失效模態，及其期望的計算代價（運行時的性能）。
以上這三個途徑相互依存，并且貫穿本書始終。
第二版特別注釋
過去的十年見證了計算機視覺算法在性能和適用性上的一次真正的爆炸，其中大部分是由機器學習算法運用于大量視覺訓練數據而產生的。
深度神經網絡現在在許多視覺算法中扮演著重要的角色，這本書的新版本在早期就將其作為基礎技術介紹，并在后續章節中廣泛使用。
第二版中最顯著的變化包括:
機器學習、深度學習和深度神經網絡在第5章中介紹，因為它們在視覺算法中扮演的角色與在前兩章中介紹的圖像處理、圖形/概率模型和能量最小化等更經典的技術一樣重要。
由于端到端深度學習系統不再需要開發構建模塊，如特征檢測、匹配和分割，因此識別章節已經在書的早些時候移到了第6章。許多選修視覺課程的學生主要對視覺識別感興趣，因此在課程的早期呈現這些資料，可以使學生更容易以這些主題為期末專題的基礎。
目錄內容：
付費5元查看完整內容
相關內容
有很多關于傅里葉變換的書; 然而，很少有面向多學科讀者的。為工程師寫一本關于代數概念的書是一個真正的挑戰，即使不是太難的事，也要比寫一本關于理論應用的代數書更有挑戰性。這就是本書試圖面對的挑戰。因此，每個讀者都能夠創建一個“按菜單”的程序，并從語句或計算機程序中提取特定元素，以建立他們在該領域的知識，或將其運用于更具體的問題。
本文敘述是非常詳細的。讀者可能偶爾需要一些關于有限組的高級概念，以及對組行為的熟悉程度。我強調了那些重要的定義和符號。例如，從多個角度(交換群、信號處理、非交換群)研究卷積的概念，每次都要放在它的背景知識中。因此，不同的段落，雖然遵循一個邏輯遞進，有一個真正的統一，但可以根據自己需要選取閱讀。
第一章用群論的語言來解釋主要概念，并解釋后面將用到的符號。第二章將所得結果應用于各種問題，并首次接觸快速算法(例如Walsh 變換)。第三章對離散傅里葉變換進行了闡述。第四章介紹了離散傅里葉變換的各種應用，并構成了對前一章的必要補充，以充分理解所涉及的機制以及在實際情況中使用。第五章圍繞傅里葉變換提出了更多新穎的思想和算法，產生了大量的應用。第六章需要一些更高級的知識，特別是對有限場理論的一些熟悉。它研究了有限域中的值變換，并給出了在校正碼中的應用。最后兩章(最困難的一章)，具有更多的代數性質，并建議推廣已經在有限非交換群的情況下進行的構造。第七章揭示了線性表示的理論。第八章和最后一章將這一理論應用于理論(群的簡潔性研究)和實際(光譜分析)領域。
付費5元查看完整內容
本書是英國劍橋大學卡文迪許實驗室的著名學者David J．C．MacKay博士總結多年教學經驗和科研成果，于2003年推出的一部力作。本書作者不僅透徹地論述了傳統信息論的內容和最新編碼算法，而且以高度的學科駕馭能力，匠心獨具地在一個統一框架下討論了貝葉斯數據建模、蒙特卡羅方法、聚類算法、神經網絡等屬于機器學習和推理領域的主題，從而很好地將諸多學科的技術內涵融會貫通。本書注重理論與實際的結合，內容組織科學嚴謹，反映了多門學科的內在聯系和發展趨勢。同時，本書還包含了豐富的例題和近400道習題(其中許多習題還配有詳細的解答)，便于教學或自學，適合作為信息科學與技術相關專業高年級本科生和研究生教材，對相關專業技術人員也不失為一本有益的參考書。
付費5元查看完整內容
當前關于機器學習方面的資料非常豐富：Andrew NG在Coursera上的機器學習教程、Bishop的《機器學習與模式識別》 和周志華老師的《機器學習》都是非常好的基礎教材；Goodfellow等人的《深度學習》是學習深度學習技術的首選資料；MIT、斯坦福等名校的公開課也非常有價值；一些主要會議的Tutorial、keynote也都可以在網上搜索到。然而，在對學生們進行培訓的過程中， 我深感這些資料專業性很強，但入門不易。一方面可能是由于語言障礙，另一個主要原因在于機器學習覆蓋 面廣，研究方向眾多，各種新方法層出不窮，初學者往往在各種復雜的名詞，無窮無盡的 算法面前產生畏難情緒，導致半途而廢。
本書的主體內容是基于該研討班形成的總結性資料。基于作者的研究背景，這本書很難說 是機器學習領域的專業著作，而是一本學習筆記，是從一個機器學習 技術使用者角度對機器學習知識的一次總結，并加入我們在本領域研究中的一些經驗和發現。與其說是一本教材，不如說是一本科普讀物， 用輕松活潑的語言和深入淺出的描述為初學者打開機器學習這扇充滿魔力的大門。打開大門以后，我們會發現這是個多么讓人激動人心的 領域，每天都有新的知識、新的思路、新的方法產生，每天都有令人振奮的成果。我們希望這本書 可以讓更多學生、工程師和相關領域的研究者對機器學習產生興趣，在這片異彩紛呈的海域上找到 屬于自己的那顆貝殼。
強烈推薦給所有初學機器學習的人，里面有： 書籍的pdf 課堂視頻 課堂slides 各種延伸閱讀 MIT等世界名校的slides 學生的學習筆記等
付費5元查看完整內容
決策理論是現代人工智能和經濟學的基礎。本課程主要從統計學的角度，也從哲學的角度，為決策理論打下堅實的基礎。本課程有兩個目的:
- 深入了解統計決策理論、實驗設計的自動化方法，并將其與人類決策聯系起來。
- 通過開發算法和智能代理的實驗，將該理論應用到強化學習和人工智能的實際問題中。
課程可分為兩部分。
-
第一部分，我們介紹了主觀概率和效用的概念，以及如何用它們來表示和解決決策問題。然后討論未知參數的估計和假設檢驗。最后，我們討論了順序抽樣、順序實驗，以及更一般的順序決策。
-
第二部分是不確定性下的決策研究，特別是強化學習和專家咨詢學習。首先，我們研究幾個有代表性的統計模型。然后，我們給出了使用這些模型做出最優決策的算法的概述。最后，我們來看看學習如何根據專家的建議來行動的問題，這個領域最近在在線廣告、游戲樹搜索和優化方面有很多應用。
付費5元查看完整內容
Python算法，第二版解釋了Python方法的算法分析和設計。本書由《初級Python》的作者Magnus Lie Hetland撰寫，主要關注經典算法，但也對基本的算法解決問題技術有了深入的理解。
這本書涉及一些最重要和最具挑戰性的領域的編程和計算機科學在一個高度可讀的方式。它涵蓋了算法理論和編程實踐，演示了理論是如何反映在真實的Python程序中的。介紹了Python語言中內置的著名算法和數據結構，并向用戶展示了如何實現和評估其他算法和數據結構
付費5元查看完整內容
機器學習有很多名稱，如機器學習、人工智能、模式識別、數據挖掘、數據同化和大數據等等。它在許多科學領域都有發展，比如物理學、工程學、計算機科學和數學。例如，它被用于垃圾郵件過濾、光學字符識別(OCR)、搜索引擎、計算機視覺、自然語言處理(NLP)、廣告、欺詐檢測、機器人技術、數據預測、材料發現、天文學。這使得有時在文獻中很難找到一個特定問題的解決方案，僅僅是因為不同的單詞和短語用于同一個概念。
這本書旨在緩解這一問題。一個共同的概念，但已知在幾個學科不同的名稱，是描述使用數學作為共同的語言。讀者會發現索引對他們所知的特定主題有用。該索引是全面的，使它很容易找到所需的信息。希望這本書能成為有用的參考書，并成為任何使用機器學習技術的人書架上的必備品
這本書的重點是為什么——只有當一個算法是成功的被理解的時候，它才能被正確的應用，并且結果是可信的。算法經常被并排講授，卻沒有顯示出它們之間的異同。這本書解決了共性，并旨在給一個徹底和深入的處理和發展直覺，同時保持簡潔。
對于任何使用機器學習技術的人來說，這本有用的參考書應該是必備的。
課件：
付費5元查看完整內容
簡介： Python作為目前受歡迎的語言之一，越來越多的人成為Pythoner，這本書不僅僅是一本Python說明書，該書基于Python3.7。 Python中的經典計算機科學問題可以使用經過時間驗證的方案，練習和算法來提高您的CS解決問題的能力。看起來很新或獨特的計算機科學問題通常源于經典算法，編碼技術和工程原理。并且經典方法仍然是解決它們的最佳方法！通過對本書的學習，將解決許多編碼難題，從簡單的任務（如二進制搜索算法）到使用k-means進行數據聚類。該書主要包括：
- 搜索算法
- 圖的常用技術
- 神經網絡
- 遺傳算法
- 對抗搜索
- 使用類型提示
- 涵蓋Python 3.7
目錄：
- 簡介
- 小問題
- 搜索問題
- 約束滿足問題
- 圖問題
- 遺傳算法
- K均值聚類
- 簡單的神經網絡
- 對抗搜索
- 其他問題
作者介紹： David Kopec是位于佛蒙特州伯靈頓的尚普蘭學院的計算機科學與創新助理教授。他是一個有經驗的軟件開發者.
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191