Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Clase 22: Orientación exterior, Recuperación de la posición y la orientación, Ajuste del paquete, Forma del objeto
Clase 22: Orientación exterior, Recuperación de la posición y la orientación, Ajuste del paquete, Forma del objeto
La conferencia explora el concepto de orientación exterior en fotogrametría, donde la posición y orientación de las cámaras se determinan en un entorno 3D. El disertante analiza varios métodos para resolver problemas relacionados con la orientación exterior, como recuperar la posición y la orientación de un objeto utilizando la regla de los signos del triángulo y la regla del coseno. El video también explora el uso de cilindros y mallas generalizados para representar objetos 3D y alinearlos en la visión artificial. El disertante también presenta la imagen gaussiana extendida, un método de mapeo de objetos convexos de forma arbitraria a una esfera unitaria, y explica sus limitaciones en el manejo de objetos no convexos. Además, el video toca la optimización no lineal y su aplicación en la creación de modelos 3D precisos para fotogrametría.
La conferencia trata sobre la parametrización de curvas y el cálculo de la curvatura en escenarios 2D y 3D. En 2D, una curva convexa cerrada se puede representar en un círculo unitario mediante el ángulo eta y una densidad proporcional a la curvatura, que es la inversa del radio de la curva. La lección demuestra cómo integrar eta y usar las ecuaciones xy para obtener el objeto convexo para la imagen circular, y extiende la representación a otras formas como las elipses. En 3D, se introduce el concepto de mapeo de Gauss para conectar puntos en una superficie con puntos en una esfera unitaria, y se analiza la curvatura de las superficies, siendo la curvatura gaussiana una cantidad escalar única conveniente que mide la curvatura. La conferencia termina con una discusión sobre la relación de dos áreas, k y g, y cómo se relaciona con la curvatura de una esfera.
MIT 6.801 Visión artificial, otoño de 2020. Clase 23: Imagen gaussiana, sólidos de revolución, histogramas de dirección, poliedros regulares
Clase 23: Imagen Gaussiana, Sólidos de Revolución, Histogramas de Dirección, Poliedros Regulares
El disertante en este video analiza la imagen gaussiana extendida (EGI) como una representación de objetos 3D que no se pueden presentar como poliedros. El orador explica cómo la curvatura integral se relaciona con un parche en la superficie de una forma, discute el concepto de EGI en implementaciones discretas y abstractas, y explora la imagen gaussiana de varias formas, incluidos elipsoides, sólidos de revolución como cilindros y conos, y no convexos. objetos como tori. El EGI puede ayudar en la determinación de la actitud de un objeto en el espacio y puede usarse para la alineación con datos de visión artificial. También se analizan los métodos para encontrar la curvatura y la curvatura gaussiana de los sólidos de revolución, junto con los desafíos para calcular el EGI de objetos no convexos.
En la lección 23 de un curso de ciencias de la computación, el disertante explica cómo usar la imagen gaussiana para el reconocimiento y la alineación de objetos, así como también cómo crear un histograma de dirección para representar la forma real de un objeto en una biblioteca. También analizan los desafíos de agrupar histogramas, dividir una esfera y alinear un sólido de revolución, así como patrones y sólidos regulares. La conferencia brinda información sobre la representación de objetos utilizando la distribución de masa en una esfera, evitando elementos de superficie ocultos y comprendiendo el efecto de la curvatura en la distribución de masa. También analiza las ventajas y desventajas de usar diferentes formas para agrupar histogramas y la importancia de patrones y formas regulares para una buena calidad.
MIT 6.0002 Introducción al pensamiento computacional y la ciencia de datos, otoño de 2016. Clase 1. Introducción, problemas de optimización
1. Introducción, problemas de optimización (MIT 6.0002 Introducción al pensamiento computacional y ciencia de datos)
Este video presenta el curso, "1. Introducción, problemas de optimización (MIT 6.0002 Introducción al pensamiento computacional y la ciencia de datos)", y analiza los requisitos previos y los objetivos del curso. El enfoque principal del curso es el uso de modelos computacionales para comprender el mundo y predecir eventos futuros. El video analiza los modelos de optimización, que son una forma sencilla de resolver problemas que involucran objetivos y restricciones. El video también analiza un problema de optimización específico llamado problema de la mochila, que es un problema en el que una persona tiene que elegir qué objetos tomar de una cantidad finita de objetos. El video analiza cómo optimizar un menú, utilizando un algoritmo codicioso. El video también analiza un algoritmo eficiente para asignar recursos, llamado "codicioso por valor".
Clase 2. Problemas de Optimización
2. Problemas de optimización
Este video explica cómo resolver problemas de optimización utilizando una técnica llamada programación dinámica. El ejemplo utilizado es el problema de la mochila, en el que diferentes opciones en cada nodo dan como resultado la resolución del mismo problema. Se analiza la implementación memo de la función maxVal y se muestra que el número de llamadas crece lentamente para la solución de programación dinámica.
Lección 3. Modelos teóricos de grafos
3. Modelos teóricos de grafos
Este video explica cómo se puede usar la teoría de grafos para comprender y resolver problemas relacionados con las redes. El video introduce el concepto de un gráfico y explica cómo usar la teoría de gráficos para encontrar el camino más corto entre dos puntos. El video también demuestra cómo usar la teoría de grafos para optimizar una red y explica cómo se puede aplicar el modelo a problemas del mundo real.
Lección 4. Pensamiento estocástico
4. Pensamiento estocástico
El Prof. Guttag presenta los procesos estocásticos y la teoría básica de la probabilidad.
En este video, el orador analiza la diferencia en los cálculos de probabilidad entre el problema de dos personas que comparten un cumpleaños y el problema de tres personas que comparten un cumpleaños. Él explica que el problema complementario para dos personas es simple, ya que solo involucra la pregunta de si todos los cumpleaños son diferentes. Sin embargo, para tres personas, el problema complementario implica una disyuntiva complicada con muchas posibilidades, lo que hace que las matemáticas sean mucho más complejas. El orador muestra cómo se pueden usar las simulaciones para responder fácilmente a estas preguntas probabilísticas en lugar de depender de cálculos con lápiz y papel. También analiza la suposición de que todos los cumpleaños son igualmente probables y cómo la distribución de cumpleaños en los EE. UU. no es uniforme, con ciertas fechas que son más comunes o poco comunes que otras. Finalmente, el orador muestra a la audiencia un mapa de calor de los cumpleaños de los estudiantes del MIT y concluye que ajustar el modelo de simulación es más fácil que ajustar el modelo analítico para dar cuenta de una distribución no uniforme de las fechas de nacimiento.
Clase 5. Paseos aleatorios
5. Paseos aleatorios
Este video sobre paseos aleatorios abarca la importancia de estudiarlos y comprender cómo la simulación puede ayudar con conceptos de programación en disciplinas científicas y sociales. El hablante comienza ilustrando cómo el número de pasos que da un borracho afecta su distancia desde el origen. Luego, el video presenta la caminata aleatoria sesgada y el borracho masoquista, y muestra cómo funciona el proceso de simulación e iteración utilizando comandos de trazado simples. El orador enfatiza la importancia de construir simulaciones de forma incremental y realizar controles de cordura para garantizar su precisión, y concluye discutiendo el arte de crear diferentes tipos de gráficos para representar datos. El video también presenta WormField como una forma de proporcionar más variación y complejidad en la simulación.
Lección 6. Simulación Monte Carlo
6. Simulación de Montecarlo
El video explica cómo funciona la simulación Monte Carlo y cómo se puede usar para estimar valores de una cantidad desconocida. El video analiza cómo funciona el método y cómo se ve afectado por diferentes tamaños de muestra.
Lección 7. Intervalos de confianza
7. Intervalos de confianza
Este video cubre varios temas relacionados con las estadísticas, incluidas las distribuciones normales, el teorema del límite central y la estimación del valor de pi mediante simulaciones. El disertante usa Python para demostrar cómo trazar histogramas y funciones de densidad de probabilidad para distribuciones normales, así como también cómo usar la técnica de cuadratura para aproximar integrales. Además, el orador enfatiza la importancia de comprender las suposiciones que subyacen a los métodos estadísticos y la necesidad de controles de precisión para garantizar la validez de las simulaciones. Si bien los intervalos de confianza pueden proporcionar declaraciones estadísticamente válidas, es posible que no reflejen necesariamente la realidad, y es esencial tener motivos para creer que los resultados de una simulación se aproximan al valor real.
Lección 8. Muestreo y Error Estándar
8. Muestreo y error estándar
Este video sobre "Muestreo y error estándar" cubre varios conceptos en estadística inferencial, con un enfoque en técnicas de muestreo para estimar parámetros de población. El video explora el muestreo probabilístico y el muestreo aleatorio simple, así como el muestreo estratificado, y analiza el teorema del límite central, que se relaciona con la consistencia de las medias y las desviaciones estándar en muestras aleatorias de una población. El video también profundiza en temas como las barras de error, los intervalos de confianza, la desviación estándar y el error estándar, la elección del tamaño de muestra adecuado y los tipos de distribución. El disertante enfatiza la importancia de comprender el error estándar, ya que ayuda a estimar la desviación estándar de la población sin examinar toda la población, y cómo es un concepto ampliamente discutido en diferentes departamentos.