Список использованных источников

↑

▷ Содержание

⇐ ПредыдущаяСтр 3 из 5Следующая ⇒

1. Рутковская Д., Рутковский Л.,  Пилиньский М. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2006. 452c.

2. Методы классификации и прогнозирования. Нейронные сети. URL: https://www.intuit.ru/studies/professional_skill_improvements/1210/courses/6/lecture/178 (дата обращения: 12.12.2019).

3. Персептроны. URL: https://neuralnet.info/chapter/персептроны/ (дата обращения: 02.12.2019).

4. Рышард Т.,  Барбара Б. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. М.: Горячая линия-Телеком, 2017. 546c.

5. Донских А. О., Сирота А. А. Метод искусственного размножения данных в задачах машинного обучения с использованием непараметрических ядерных оценок плотности распределения вероятностей // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2017. № 3. С. 142–155.

6. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений / С. А. Филист, А. Р. Дабагов, Р. А. Томакова, Д. С. Кондрашов // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т.9. № 3 (32). С. 44-63.

7. Томакова Р. А. Насер А. А., Шаталова О. В. Математическое обеспечение распознавания и классификации сложноструктурируемых биологических объектов // Международный журнал прикладных и фундаментальных исследований. 2012. №4. С.48-49.

8. Клеточные процессоры в классификаторах многоканальных изображений / С. А. Филист, Р. А. Томакова, А. Н. Брежнева, И. А. Малютина, В. А. Алексеев// Радиопромышленность. 2019. № 1. С. 45-52.

9. Универсальные сетевые структуры в задачах классификации многомерных данных / Р. А. Томакова, А. А. Насер, О. В. Шаталова, Е. В. Рудакова // Современные наукоемкие технологии. 2012. № 8. С. 48-49.

10. Рашид Т. Создаем нейронную сеть. М.: Издательский дом «Вильямс», 2018. 435c.

11. Кан К. А. Нейронные сети. Эволюция. М.: ЛитРес, 2019. 428 c.

12. Plug-inml-agent для unity. URL: https://habr.com/ru/post/416297/ (дата обращения: 12.03.2020).

13. Unity ML-Agents Toolkit. URL: https://github.com/Unity-Technologies/ml-agents (дата обращения: 26.02.2020).

14. AI basedon Unity ML Agents. URL: https://api-2d3d-cad.com/unity_ml_agents_quickstart/ (дата обращения: 07.03.2020).

15. Примеры создания окружения для обучения в ML-Agents URL: https://github.com/Unity-Technologies/ml-agents/blob/release_2_docs/docs/Learning-Environment-Examples.md (дата обращения: 25.09.2020).

16. Создание Агентов в ML-Agents. URL: https://github.com/Unity-Technologies/ml-agents/blob/release_2_docs/docs/Learning-Environment-Design-Agents.md(дата обращения: 23.09.2020).

17. Примеры оптимизации агентов в ML-Agents. URL: https://blogs.unity3d.com/ru/2019/11/11/training-your-agents-7-times-faster-with-ml-agents (дата обращения: 09.10.2020).

18. Создание окружения в ML-Agents. URL: https://github.com/Unity-Technologies/ml-agents/blob/release_2_docs/docs/Learning-Environment-Create-New.md (дата обращения: 11.10.2020).

19. UnityML-Agents 1.0 – Training your first A.I. URL: https://www.youtube.com/watch?v=_9aPZH6pyA 8&ab_channel=Sebastian Schuchmann (дата обращения: 13.11.2020).

Познавательные статьи:



Как правильно слушать собеседника

Типичные ошибки при выполнении бросков в баскетболе

Принятие христианства на Руси и его значение

Средства массовой информации США