Katutappelumatikkaa Taiteilijoille ja Insinööreille

My Friday presentation at Taiste. Code can be found at https://github.com/mharju/stader

Transcript

1. Katutappelumatematiikkaa taiteilijoille ja insinööreille Perjantaipuhe 5.9.2015 by Mikko
2. Asioita voi lähestyä monelta kantilta Ongelmanratkaisussa ei välttämättä tarvita aina eleganteimpia teorioita tai terävimpiä työkaluja. Tautologisesti ilmaistuna RATKAISU ONGELMAAN RATKAISEE ONGELMAN Jos voit kuvitella asian, joka vie sinua eteenpäin, voit myös kokeilla rohkeasti käyttää sitä. Mieti eleganssia myöhemmin. Roiskimallakin voit onnistua!
3. Hyppy tuntemattomaan – Checklist: Mitä tiedän ongelmasta? Liittyykö siihen jotain jo tietämääni ja voinko käyttää sitä hyväkseni? Voinko kuvitella yksinkertaisemman ongelman, joka mahdollisesti voisi liittyä ratkaisuun ja johon ehkä jo tiedän vastauksen? ALOITA PIENISTÄ ONGELMISTA. SIIRRY VASTA SITTEN SUUREMPIIN.
4. 1000 pisteen yhdistäminen: Tehtävä ihmiselle vai tietokoneellle? “Eihän kukaan jaksa käyttää tuntikaupalla aikaansa tällaisten tuherrusten tekemiseen” -Mikko Harju, 2015 Tietokoneet on keksitty juuri tätä varten. Ihminen voi keskittyä luomaan taidetta, kuten kuvassa.
5. Ensin etsitään pisteet Tietokonekuva muodostuu pikseleistä. Jokainen pikseli muodostuu kolmesta kahdeksan bitin osasta: Punaisesta (R), Vihreästä (G), Sinisestä (B). Ensiksi helpotetaan ongelmaa tekemällä kuvasta kaksivärinen: Musta tai valkoinen.
6. Pisteiden metsästys jatkuu Mustavalkoinen kuva käydään pikseli kerrallaan läpi ja tarkastellaan paikallisesti, josko pikselin ympäristö näyttäisi täytetyltä ympyrältä. Tarvitsemme tähän pari funktiota. Toinen kertoo ollaanko ympyrän sisällä ja toinen kuinka lähellä tietyn pikselin arvo on keskipisteen arvoa:
7. Paremmuuden määrittely • Kun ollaan oletetun ympyrän sisällä – odotetaan erotuksen olevan lähellä nollaa, sen ulkopuolella lähellä ykköstä. Sitten vaan etsitään koko kuvasta pienimmän pistemäärän saavat kohdat, ja todetaan niiden edustavan kuvassa olevia pisteitä!
8. Numeron tunnistaminen • Tähän voisi käyttää helposti esim. Neuroverkkoja tai Support Vector Machine (SVM)-oppimisalgoritmeja • We won’t have any of that! Otetaan siis muutama hyvä esimerkkinumero kuvista, ja lasketaan ihan raa’asti vaan etäisyys “ideaalinumeron” ja meidän kandidaatin välillä. • Vaikeinta on löytää pisteen ympäristöstä se paras kandidaatti. Etsitään siis kaikkialta ympäriltä ja otetaan pienimmän etäisyyden ideaaliin saavuttava kandidaatti voittajaksi.
9. Siis etsimiseen tarvitaan vain: Pisteet: Numerot:
10. Profit. Pisteiden piirto hoitui näppärästi Excelillä.