https://github.com/mkashirin/aisp
В этом репозитории можно найти Jupyter-тетради составленные на основе тех, что даются в курсе ПСИИ.
https://github.com/mkashirin/aisp
education machinelearning matplotlib mirea opencv scikitlearn
Last synced: about 1 month ago
JSON representation
В этом репозитории можно найти Jupyter-тетради составленные на основе тех, что даются в курсе ПСИИ.
- Host: GitHub
- URL: https://github.com/mkashirin/aisp
- Owner: mkashirin
- Created: 2024-03-19T17:25:36.000Z (over 2 years ago)
- Default Branch: main
- Last Pushed: 2025-03-11T14:03:04.000Z (over 1 year ago)
- Last Synced: 2025-03-11T15:22:44.080Z (over 1 year ago)
- Topics: education, machinelearning, matplotlib, mirea, opencv, scikitlearn
- Language: Jupyter Notebook
- Homepage:
- Size: 11.3 MB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Программирование Систем Искусственного Интеллекта
Програмимрование систем искусственного интеллекта (ПСИИ) суть дисциплина,
преподаваемая в РТУ МИРЭА.
В этом репозитории можно найти Jupyter-тетради составленные на основе тех, что
даются в курсе ПСИИ. Содержание тетрадей сильно отличается
и в значительной степени выполнены в соответствии с видением автора.
## Содержание
Предметом курса в основном является работа с алгоритмами машинного обучения для
изображений (свёрточные нейронные сети, обнаружение объектов и прочее).
Ниже можно видеть соответствие названия тетради с темой, которая в ней
разобрана.
1. Признаки и дескрипторы с OpenCV;
2. Алгоритмы понижения размерности с Scikit-Learn;
3. Фильтрации признаков на основе дисперсии и корреляции;
4. Перекрёстная валидация с Scikit-Learn;
5. Алгоритмы отбора моделей с Scikit-Learn.
В каждой тетради довольно общо поясняется, что и зачем было сделано.
## Пользование
Чтобы попробовать выполнить код самостоятельно, просто клонируйте данный
репозиторий с помощью Git CLI следующим образом:
```shell
git clone https://github.com/mkashirin/pais
```
Создайте виртуальное окружение на основе файла «pyproject.toml». Вот пример с
использованием пакетного менеджера UV (учитывая, что Вы находитесь в
рабочей директории с проектом):
```shell
uv venv .venv
source .venv/bin/activate
uv pip install .
```
Теперь запустите Jupyter Lab, чтобы начать работу:
```shell
jupyter lab
```
Либо откройте проект в VSCode:
```shell
code .
```
Также Вы можете добавить свои изображения в директорию «images», чтобы
применить к ним представленные алгоритмы.