Małgorzata Żmudka Libros

To oni pierwsi pojawiają się w miejscach, gdzie toczy się najbardziej dramatyczna walka. To oni odsłaniają wypaczenia systemu w kraju, który nie jest przygotowany na zagrożenie. To oni docierają do ludzi, których do głosu nie dopuścił nikt inny. Nadzwyczajni Marcina Wyrwała i Małgorzaty Żmudki to wstrząsający reportaż o nierównej walce z COVID-19. Rzeczywistość przedstawiona w Nadzwyczajnych obala oficjalną narrację, że pandemia w Polsce była i jest pod kontrolą. Pogrążone w sprzętowym kryzysie szpitale. Tragiczna sytuacja pozostawionych samym sobie pielęgniarek. Stres. Ekstremalnie wyczerpująca praca pod presją czasu. Dyżury wydłużone do kilku dób. Skandaliczne i bezprawne nakazy pracy. Medycy, lekarze i ratownicy pozostawieni bez środków ochrony własnej. I wreszcie izolacja by chronić najbliższych. Nadzwyczajni to dokonywany na gorąco zapis wielu nieznanych historii. Marcin Wyrwał i Małgorzata Żmudka pokazują prawdziwych ludzi, jednocześnie ukazując szerszy kontekst sytuacji, w której Polska znalazła się z powodu wirusa.

W połowie lat sześćdziesiątych rozwój sprzętu komputerowego oraz języków programowania umożliwił tworzenie bardziej złożonych programów. Różne podejścia do ich wytwarzania oraz szeroka dyskusja programistów doprowadziły do opracowania i sformułowania reguł programowania strukturalnego. Są one uniwersalne i aktualne do dziś oraz stanowią podstawową wiedzę dla wszystkich programistów. Celem niniejszej książki jest przedstawienie wybranych metod programowania strukturalnego, tzn. takich, które prowadzą do poprawnej struktury, poprawy jakości oprogramowania oraz zwiększenia efektywności programistów. W pracy zwrócono uwagę na wpływ wielkości zadania na techniki programowania oraz czynniki wpływające na jakość programu. Problemy te są ważne z punktu ogólnego spojrzenia na programowanie. W publikacji opisano reguły dobrego stylu, instrukcje strukturalne oraz wybrane metody programowania strukturalnego i kodowania. Przedyskutowano przyczyny niestrukturalności oraz sposoby ich eliminowania. Naszkicowano także pewne możliwości dalszego rozwoju metod wytwarzania programowania. Praca zawiera wiele przykładów (w j. Pascal, C++, Python), które ilustrują i objaśniają poruszane tematy. Książka może być wykorzystywana jako podręcznik akademicki w podstawowych kursach inżynierii oprogramowania. Zainteresuje również wszystkich tych, którzy zajmują się programowaniem amatorskim i chcą poszerzyć swoją wiedzę na ten temat. Od czytelnika wymaga się niewielkiego doświadczenia w zakresie podstaw programowania.

W książce przedstawiono teoretyczne podstawy i praktyczne zastosowanie rozpoznawania obrazów. Opisano klasyfikatory statystyczne i metody ich uczenia. Dużo miejsca poświęcono zastosowaniu analizy dyskryminacyjnej w rozpoznawaniu obrazów, gdzie opisano nowe sformułowania kryterium Fishera dwuklasowego i wieloklasowego. Przeprowadzono szeroką dyskusję różnych przypadków szczególnych, które wynikają z wymienionych kryteriów. Następnie opisano iteracyjną metodę uczenia klasyfikatora ze szczególnym zwróceniem uwagi na praktyczne znaczenie algorytmu uczenia optymalnego dla klasyfikatorów liniowych i nieliniowych. Alternatywnym podejściem do uczenia iteracyjnego jest zastosowanie klasyfikatorów minimalnoodległościowych. Na przykładach zilustrowano graficznie tworzone obszary decyzyjne i przeprowadzono dyskusję własności różnych metryk. Ostatni rozdział poświęcony jest metodom uczenia i klasyfikacji obrazów o strukturze macierzowej (np. w postaci bitmap). Opisano adaptację trzech grup metod (SDF, Fishera, Watanabego) do uczenia i klasyfikacji takich obrazów. Przeprowadzone eksperymenty wypadły pomyślnie i zachęcają do dalszych badań. Książka jest przeznaczona dla studentów informatyki i automatyki oraz szerokiego grona pracowników naukowych i doktorantów zainteresowanych rozpoznawaniem obrazów. Wstęp Wykaz ważniejszych oznaczeń Wprowadzenie do teorii systemów rozpoznających 1.1. Klasyfikacja systemów rozpoznających 1.2. Model matematyczny klasyfikatora obrazów 1.3. Struktury klasyfikatorów 1.4. Kryteria jakości klasyfikacji Klasyfikatory statystyczne 2.1. Wpływ informacji wstępnej na wybór metody uczenia 2.2. Klasyfikatory binarne 2.3. Klasyfikatory obrazów o rozkładach normalnych 2.4. Klasyfikatory k-najbliższych sąsiadów (kNN) Metody analizy dyskryminacyjnej 3.1. Wstęp 3.2. Dwuklasowe kryterium Fishera 3.3. Wieloklasowe kryterium Fishera 3.4. Sekwencyjny algorytm uczenia i klasyfikacji 3.5. Uogólniony algorytm separacji klas 3.6. Wyniki eksperymentów Problemy uczenia klasyfikatorów liniowych 4.1. Zasady formułowania zadania 4.2. Algorytm znajdowania miejsca minimum 4.3. Miara jakości algorytmów 4.4. Wybrane algorytmy uczenia 4.5. Algorytmy uczenia i klasyfikacji, gdy liczba klas L>2 4.6. Zakończenie Klasyfikatory minimalnoodległościowe 5.1. Wprowadzenie 5.2. Przykłady klasyfikatorów 5.3. Dyskusja własności metryk Macierzowe struktury danych w rozpoznawaniu obrazów 6.1. Wprowadzenie 6.2. Modyfikacje struktur danych 6.3. Zastosowanie funkcji samopodobieństwa do uczenia klasyfikatora 6.4. Kryterium Fishera dla danych macierzowych 6.5. Metoda Watanabego 6.6. Zakończenie Literatura Załącznik