Úvod Terminologie Dělení Princip ID3 C4.5 CART Shrnutí. Obsah přednášky
|
|
- Simona Soukupová
- před 5 lety
- Počet zobrazení:
Transkript
1
2 Obsah přednášky. Úvod. Termnologe 3. Základní dělení 4. Prncp tvorby, prořezávání a použtí RS 5. Algortmus ID3 6. C CART 8. Shrnutí A L G O RI T M Y T E O R I E
3 Stromové struktury a RS Obsah knhy Menu moblního operátora Botancký klíč Herarche ve frmách, pyramdy, multlevel Zákony Strukturované znalost grafcká reprezentace 3
4 Strom náhodný a generovaný 4
5 Výhody Důležté vlastnost RS rychlost predkce nterpretovatelnost mnmálně ctlvé na relevantní atrbuty nízké nároky na předzpracování dat Nevýhody ortogonální dělení prostoru - nemusí nalézt an jednoduchou funkční závslost (více u algortmu CART)? proč se nepoužívají v uzlech např. lneární kombnace velčn (např. b x +b x ) 5
6 Termnologe I. Atrbut Hodnota atrbutu Záznam ATRIBUTY výčet HODNOT ATRIBUTŮ VÁHA = {velká, střední, malá} => X = {X,X,X 3 } VÝŠKA HLASU = {hluboký, střední, vysoký}=> X = {X,X,X 3 } NOSÍ NAUŠNICE= {ano, ne} => X3 = {X3,X3 } KLASIFIKAČNÍ ATRIBUT. Tvořen TŘÍDAMI; svou hodnotou určuje TYP záznamu. POHLAVÍ = {muž, žena}=> G = {G,G } VÁHA VÝŠKA HLASU NOSÍ NAUŠNICE POHLAVÍ X X X3 ZÁZNAM Z N záznamů tvoří SOUBOR ZÁZNAMŮ Z Z = {Z,, Z N }? vysvětl pojmy atrbut, hodnota atrbutu, záznam, klasfkační atrbut 6
7 Termnologe II. Rozhodovací strom herarchcký nelneární systém (model) Hloubka stromu Uzel Kořenový uzel Lst Větev kořenový uzel uzel lst větev hloubka stromu = VIS:? doplň chybějící popsky 7
8 Termnologe III. Entrope míra neuspořádanost Přeučený strom Prořezávání stromu Topologe stromu? vysvětl význam jednotlvých pojmů 8
9 Hlavní problémy Jak zautomatzovat tvorbu rozhodovacího stromu na základě množny dat? Jak rozdělovat uzly pro různé typy vstupních a výstupních velčn? Bude ukázáno: vstup kvaltatvní / výstup kvaltatvní (ID3) vstup kvant.+kval. / výstup kvaltatvní (C4.5) vstup kvant.+kval. / výstup kvant.+kval. (CART) Jak prořezat přeučení strom? Bude ukázáno: rule-post prunng reduced error prunng 9
10 Orentační dělení RS Topologe (bnární, vícerozměrné) Vstupní proměnná (kvaltatvní/kvanttatvní) Výstupní proměnná (kvaltatvní/kvanttatvní) Typ RS CART CLS AID CLS, ID3 Konkrétní AID,THAID, CART tree(s) (TDIDT), C4.5, algortmy CHAID χ C5 kvanttatvní kvanttatvní Vstup kvaltatvní (Cx.x kvaltatvní) všechny typy dat kvanttatvní Výstup nomnální nomnální Topologe bnární dle atrbutu všechny typy 0
11 Základní prncp tvorby RS V cyklu opakuj. Získej nformace o uzlu. Rozhodn o uzlu, zda bude dál dělen (krok 3.) nebo z něj udělej lst a rozhodn o jeho výstupní hodnotě 3. Vyber nejlepší atrbut na větvení 4. Rozděl data do nových uzlů Prořezej strom Exstují jné typy stromů (ADTree alternatng decson tree, Decson tree forests, TreeBoost, )
12 ID3 základní údaje Klasfkace - nomnální vstupy a výstupy Větvení podle výčtu dělcího atrbutu Kvalta dělení posouzena entropí ML Předností je schopnost vybrat z velkého množství atrbutů ty vhodnější, vždy vytvořen stejný strom (determnstcký) Není garance vygenerování optmálního stromu Je algortmus ID3 stochastcký? Proč?
13 ID3 - entrope Míra neuspořádanost entrope Pravděpodobnost klasfkace do třídy G Entrope C H p G pg log Uveď vztah pro výpočet entrope. Chyba [-] 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0 C p G entrope 0 0, 0, 0,3 0,4 0,5 0,6 0,7 0,8 0,9 p(g) [-] 3
14 4 ID3 bnární klasfkace Bnární klasfkace výpočet entrope n n n n n n p p p log log log n n n n n n n n n n n n n n n n n n S H Úvod Termnologe Dělení Prncp ID3 C4.5 CART Shrnutí
15 ID3 průměrná neuspořádanost Occamovo ostří: nejjednodušší RS konzstentní s trénovacím daty je nejpravděpodobněj ten nejvhodnější Které dělení je nejlepší? Podmíněná entrope (též průměrná neuspořádanost), kde A =počet možných hodnot A, c počet výstupních tříd G H A A A c N S A H S N H S Np G j log p G j A N N j j Informační zsk N j H I(S,A) = H(S) H(S A) c S p G j log p G j j Uveď vztah pro výpočet průměrné neuspořádanost a nformačního zsku. 5
16 Tvorba stromu pomocí ID3. Informace o uzlu: H(S), počet prvků. Rozhodn, zda dělt 3. Vypočítej průměrnou neuspořádanost dosud nepoužtých atrbutů H(S A ) 4. Vyber atrbut s nejnžším H(S A ) 6
17 ID3 chybějící atrbuty základní prncpy Nahraď chybějící hodnotu atrbutu hodnotou, která se vyskytuje v daném uzlu nejčastěj Nahraď chybějící hodnotu atrbutu hodnotou, která je nejčastější ve třídě, kterou záznam popsuje V dalších verzích algortmu typu ID3 (C4.5, C5.0) odlšný přístup 7
18 ID3 zadání příkladu Osoba č. Barva vlasů Výška Váha Opalovací krém Spálla se blond průměrná malá ne ano blond velká průměrná ano ne 3 hnědé malá průměrná ano ne 4 blond malá průměrná ne ano 5 zrzavé průměrná velká ne ano 6 hnědé velká velká ne ne 7 hnědé průměrná velká ne ne 8 blond malá malá ano ne 8
19 ID3 řešení příkladu Entrope jednotlvých atrbutů H S Barva valsů log log 0 0 0, 5 H(S Výška) = 0,69 H(S Váha) = 0,94 H(S Opalovací krém) = 0, Informační zsk I(S,A) = H(S) H(S A) = 0,95 0,5 = 0,45 Umět spočítat 9
20 ID3 - výsledný strom Zrzavá Spálí se Barva vlasů Blond Opalovací krém Hnědá Nespálí se Ne Spálí se Ano Nespálí se 0
21 Ukončovací podmínky Maxmální hloubka Maxmální počet uzlů Požadovaná přesnost Nedostatečný počet trénovacích dat Uveď alespoň 3 různé ukončovací podmínky pro zastavení větvení RS.
22 Chybové funkce v RS Gn c p G C Entrope p G pg log Msclass p G J Chyba [-] 0,5 0,45 0,4 0,35 0,3 0,5 0, 0,5 0, 0,05 0 gn entrope/ msclass 0 0, 0, 0,3 0,4 0,5 0,6 0,7 0,8 0,9 p(g) [-]
23 Přeučení RS Zamezení ukončovací podmínkou Prořezávání 45 Chyba [%] Trénovací data Testovací data Počet uzlů [-] 3
24 Prořezávání RS metoda Reduced-Error Prunng dělí data na trénovací (/3) a valdační (/3) algortmus: nauč RS na všechna trénovací data (přeuč) opakuj na valdačních datech, dokud vznká nový RS zkus postupně všechny uzly v RS nahradt lstem (dle valdačních dat) a vyhodnoť všechny nové stromy vyber z těchto nových stromů nejlepší a je-l přesnější než předtím platný RS, nahraď RS tímto novým stromem 4
25 Prořezávání RS metoda Rule Post-Prunng nový model obecnější (zahrnuje hypotézy pomocí RS nepokryté) algortmus: převeď přeučený RS na pravdla v každém pravdle zkus odstrant všechny kombnace podmínek, urč přesnost (accuracy) a nejlepší podmínku (včetně původní) ulož seřaď a používej pravdla v pořadí dle accuracy Čím je specfcký model po prořezávání metodou Rule Post Prunng? 5
26 Prořezávání RS metoda Rule Post-Prunng A B C D rozdělení prostoru původním RS, platné po přepsu do pravdel co se stane, pokud z pravdla D vypuštěna první podmínka (první dělení) a vznkne nové pravdlo D? pokud bude pravdlo B před D, tak nc pokud se octne pravdlo D před B, dojde k novému rozdělení prostoru, které v původním RS neexstovalo A B D C 6
27 C4.5 základní vlastnost Algortmus rozšřuje ID3 vychází tedy z entrope a nformačního zsku Hlavní zlepšení oprot ID3 Vstupní kvanttatvní velčny Lepší ošetření chybějících hodnot atrbutů praktcky použtelné Další zlepšení C5.0, chráněno lcencí, autorská práva Jaký je rozdíl mez algortmy C4.5 a ID3? 7
28 C4.5 entrope a atrbuty U kvaltatvních atrbutů jako u ID3 U kvanttatvních nastavení prahu, který atrbut dělí na dvě polovny (bnární větvení) Kvanttatvní atrbut je převeden v uzlu na nomnální atrbut (práh bnární, ntervaly - vícerozměrné) Kvanttatvní atrbut však může být použt opakovaně pro dělení (do nového uzlu se předává původní kvanttatvní nformace) 8
29 C4.5 nformace o uzlu Stav v uzlu S S, počet prvků v uzlu S H(S), entrope v uzlu S {A}, množna atrbutů A, které lze použít k větvení Ohodnocení kvalty dělení uzlu dle A A, výčet atrbutu (počet možných hodnot A) I(S,A), nformační zsk př větvení dle A P(S A), poměrový zsk př větvení dle A I P (S,A), poměrový nformační zsk (gan rato) 9
30 C4.5 výpočty I(S,A), nformační zsk S, A H S H S A I P(S,A), poměrový zsk (kvůl ID, datumu, ) P S A log S S I P (S,A), poměrový nformační zsk A S I S, I S A P, P S, A A S 30
31 C4.5 krtéra dělení Dvě krtéra Dělí se atrbutem s největším poměrným nformačním zskem I P (S,A) Dělt lze pouze podle atrbutu, jehož nformační zsk je mnmálně průměrný (průměr spočten za použtí všech použtelných atrbutů A ) Vypočítám tedy pro všechny atrbuty I(S,A), určím jejch průměr a pouze pro hodnoty průměrné a vyšší zjstím poměrný nformační zsk I P (S,A) 3
32 3 C4.5 chybějící atrbuty I(S,A), nformační zsk kde S 0 je počet prvků s chybějící hodnotou A P(S,A), poměrový zsk A S H S H S S S A S I, 0 S S S S S S S S A S P A 0 0 log log, Úvod Termnologe Dělení Prncp ID3 C4.5 CART Shrnutí
33 C4.5 kvanttatvní atrbut Vypočt pro kvanttatvní velčnu X optmální práh maxmalzující nformační zsk (mnmalzující entrop). 33
34 C4.5 kvanttatvní atrbut na jehož základě klasfkujeme do tříd 34
35 C4.5 kvanttatvní atrbut Pro jednotlvé prahy hledáme optmum (maxmální nformační zsk = mn. entrope) 35
36 C4.5 kvanttatvní atrbut Z grafu stanoven optmální práh = 4,8 36
37 C4.5 příklad den obloha teplota Vlhkost vítr hrát tens?. slunečno 9,5 85 slabý NE. slunečno 6,5 90 slný NE 3. zataženo 8,5 78 slabý ANO 4. déšť 96 slabý ANO 5. déšť 0 80 slabý ANO 6. déšť 8,5 70 slný NE 7. zataženo 8 65 slný ANO 8. slunečno 95 slabý NE 9. slunečno 70 slabý ANO 0. déšť 4 80 slabý ANO. slunečno 4 70 slný ANO. zataženo 90 slný ANO 3. zataženo 7 75 slabý ANO 4. déšť,5 80 slný NE Bude se hrát 5. den? <slunečno,0,90,slný> 37
38 C4.5 příklad, urč I(S,A) H(S Obloha)=-(5+5)/4. (0,6log 0,6+0,4log 0,4)=0,694 I(S Obloha)=H(S)-H(S Obloha)=0,94-0,694=0,47 H(S Teplota 9)=0,87 I(S,Teplota 9)=H(S)-H(S Teplota 9)=0,94-0,87=0,3 38
39 C4.5 příklad, vyber A I(S,Obloha)=H(S)-H(S Obloha)=0,94-0,694=0,47 I(S,Teplota 9)=H(S)-H(S Teplota 9)=0,94-0,87=0,3 I(S,Vlhkost 80)=H(S)-H(S Vlhkost 80)=0,94-0,838=0,0 I(S,Vítr)=H(S)-H(S Vítr)=0,94-0,89=0,048 Průměr I (S, A)=0,8, I(S,A) I (S, A) splňuje pouze obloha Následující výpočet pro tento případ tedy není nutný (jen jeden atrbut splňuje podmínku), ncméně: P(S,Obloha)= log log I P (S,Obloha)=0,47 /,577 = 0,57 4 4,577 39
40 C4.5 příklad Obloha slunečno oblačno déšť Vlhkost 4 Vítr 75 >75 ANO ano ne 3 3 ANO NE NE ANO Bude se hrát 5. den? <slunečno,teplota=0,vlhkost=90,slný> 40
41 CART - regresní CART Classfcaton and Regresson tree bnární topologe lbovolné vstupní výstupní proměnné dělení podle jednoho atrbutu může způsobt, že není schopen aproxmovat jednoduchou závslost 4
42 CART příklad Modelovaná závslost: f(x,y)=x-y f(x,y)> 0 o f(x,y) 0 + y x 4
43 CART řešení dělcí podmínka = 0 prvků šum =0 % y 5 x < x x <.6986 x < o x < x < x x < x o x o x 43
44 CART řešení dělcí podmínka = prvky šum =0 % y 5 4 x < x <.6986 x < x <.807 x <.3046 x < x < x x <.308 x < x < x < o x o x x < o x o x o x o 44 x o
45 CART řešení dělcí podmínka = prvky šum =5 % y 5 4 o x o x x x <.045 x <.6683 x < x < x < x < x < x < x < x < x < 8.6 x < 9.57 x < x < x < x < 5.40 x o x x < 3.30 x < x < x < x < x < 7.69x < o x o o x x < x < x < 6. x < x < 8.0 x o o x x x o x o x < x < x o x o o x o x 45 x o x o
46 CART řešení dělcí podmínka = 0 prvky šum =5 % y 5 x x <.045 x <.6683 x < x < x < x < x < x < x < 8.6 o x x x x < x < x < 5.40 o o o x < o x x o x 46 o x
47 CART použtí neumí nalézt vícerozměrnou závslost skutečnost, že nelze vygenerovat kvaltní strom neznamená, že v datech není jednoduchá funkční závslost řešením př generování složtých stromů je zpřísnt dělící podmínky (generalzace vs. přeučenost) 47
48 CART regresní V cyklu opakuj. Získej nformace o uzlu. Rozhodn o uzlu, zda bude dál dělen 3. Vyber nejlepší atrbut na větvení 4. Rozděl data do nových uzlů/lstů Prořezej strom 48
49 49. Informace o uzlu U k k N U N y y k k N N U p k k k N U k N y y U s k k N y y U s p U U rsk k k N U k k k. Průměr výstupní velčny. Pravděpodobnost uzlu 3. Rozptyl v uzlu 4. Rzko Úvod Termnologe Dělení Prncp ID3 C4.5 CART Shrnutí
50 . Rozdělt uzel U k? Mnmální požadovaný počet prvků N k v uzlu U k N k N mn Posouzení skutečného a požadovaného rozptylu (přesnost) v uzlu U k s Uk s 6 s U 0 s U k mn 50
51 5 3. Nejlepší dělení U k Výpočet metodou nejmenších čtverců mnmalzace rozptylu (tedy chyby Err). Vždy bnární dělení, U L (U P ) rozptyl v levém (pravém) novém uzlu Vážená metoda Úvod Termnologe Dělení Prncp ID3 C4.5 CART Shrnutí L U P P P U L L U y y y y y y U Err P U P P P L U L L L U U y y p U p U U y y p U p U U y y U Err P L
52 4. Nejlepšího dělení, ukončovací podmínky Volí se atrbut s nejmenší chybou Err Ukončovací podmínky Rozptyl menší než požadované mnmum Hloubka stromu Počet prvků (v uzlu, v poduzlech) Zpřesnění větvením menší než požadované mnmum 5
53 CART prořezávání Je-l normovaný součet chyb lstů větší než chyba jejch nadřazeného uzlu, odstraň lsty. Prořezávání umožňuje hlubší zásah do struktury stromu. Je-l normovaný součet chyb všech lstů spadající pod lbovolný uzel větší než chyba tohoto uzlu, je odstraněn celý podstrom 53
54 Shrnutí Rozhodovací strom je herarchcký nelneární systém umožňující nalezení a uložení znalostí a jejch využtí k analýze nových dat. Rozhodovací stromy jsou prmárně používány pro klasfkac kvaltatvních závslých proměnných na základě vstupních atrbutů. Hlavním přednostm a charakterstckým rysy rozhodovacích stromů jsou: herarchcká struktura, nelnearta, srozumtelnost a čtelnost, flexblta (co do typu analyzovaných dat co do topologe) a exstence algortmů, které umožňují jejch automatcké vytváření. Příkladem algortmů jsou např. ID3, CART nebo CHAID. Rozhodovací strom se skládá z kořenového uzlu a dalších uzlů a lstů. Větve spojují dva objekty (uzel-uzel nebo uzel-lst) ze sousední herarchcké úrovně. Př průchodu uzlem jsou data rozdělena na základě podmínky do větví z uzlu vycházejících. Podmínka se může týkat hodnoty jednoho nebo kombnace více atrbutů. Dosažení lstu př průchodu rozhodovacím stromem vede ke klasfkac nebo predkc hodnoty výstupní velčny analyzovaného záznamu. Dalším důležtým pojmy jsou přeučený strom (extrahoval chybné znalost ze šumu č chyb v trénovacích datech), prořezávání (metody ke zmenšování přeučených nebo přílš komplexních stromů) a ukončovací podmínka (určuje, kdy algortmus přestává dále vytvářet rozhodovací strom; špatné nastavení vede k přeučení). 54
Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Rozhodovací stromy Doc. RNDr. Iveta Mrázová, CSc.
VíceObsah přednášky 1. Bayesův teorém 6. Naivní Bayesovský klasifikátor (NBK)
Obsah přednášky 1. Bayesův teorém 2. Brutální Bayesovský klasfkátor (BBK) 3. Mamální aposterorní pravděpodobnost (MA) 4. Optmální Bayesovský klasfkátor (OBK) 5. Gbbsův alortmus (GA) 6. Navní Bayesovský
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
VíceLokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceUmělé neuronové sítě a Support Vector Machines. Petr Schwraz
Umělé neuronové sítě a Support Vector Machnes Petr Schraz scharzp@ft.vutbr.cz Perceptron ( neuron) x x x N f() y y N f ( x + b) x vstupy neuronu váhy jednotlvých vstupů b aktvační práh f() nelneární funkce
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VíceKlasifikace a predikce. Roman LUKÁŠ
1/28 Klasfkace a predkce Roman LUKÁŠ 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké
VíceDATA MINING KLASIFIKACE DMINA LS 2009/2010
DATA MINING KLASIFIKACE DMINA LS 2009/2010 Osnova co je to klasifikace typy klasifikátoru typy výstupu jednoduchý klasifikátor (1R) rozhodovací stromy Klasifikace (ohodnocení) zařazuje data do předdefinovaných
VíceAnalýza závislosti veličin sledovaných v rámci TBD
Analýza závslost velčn sledovaných v rámc BD Helena Koutková Vysoké učení techncké v Brně, Fakulta stavební, Ústav matematky a deskrptvní geometre e-mal: koutkovah@fcevutbrcz Abstrakt Příspěvek se zabývá
Více1. Nejkratší cesta v grafu
08. Nekratší cesty. Úloha obchodního cestuícího. Heurstky a aproxmační algortmy. Metoda dynamckého programování. Problém batohu. Pseudopolynomální algortmy 1. Nekratší cesta v grafu - sled e lbovolná posloupnost
VíceOptimalizační přístup při plánování rekonstrukcí vodovodních řadů
Optmalzační přístup př plánování rekonstrukcí vodovodních řadů Ladslav Tuhovčák*, Pavel Dvořák**, Jaroslav Raclavský*, Pavel Vščor*, Pavel Valkovč* * Ústav vodního hospodářství obcí, Fakulta stavební VUT
Více6 LINEÁRNÍ REGRESNÍ MODELY
1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
Více1 FEKT Vysokého učení technického v Brně. Strojové učení. Garant předmětu: Ing. Petr Honzík, Ph.D. Autoři textu: Ing. Petr Honzík, Ph.D.
FEKT Vysokého učení technckého v Brně Strojové učení Garant předmětu: Ing. Petr Honzík, Ph.D. Autoř textu: Ing. Petr Honzík, Ph.D. Brno.0. 006 FEKT Vysokého učení technckého v Brně Obsah VSTUPNÍ TEST...
VíceHodnocení účinnosti údržby
Hodnocení účnnost ekonomka, pojmy, základní nástroje a hodnocení Náklady na údržbu jsou nutné k obnovení funkce výrobního zařízení Je potřeba se zabývat ekonomckou efektvností a hodnocením Je třeba řešt
VíceVícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
VíceL8 Asimilace dat II. Oddělení numerické předpovědi počasí ČHMÚ 2007
L8 Asmlace dat II Oddělení numercké předpověd počasí ČHMÚ 007 Plán přednášky Úvod do analýzy Optmální odhad v meteorolog D případ: demonstrace metod; mult-dmensonální případ; Zavedení předběžného pole;
VíceObsah přednášky Jaká asi bude chyba modelu na nových datech?
Obsah přednášky Jaká asi bude chyba modelu na nových datech? Chyba modelu Bootstrap Cross Validation Vapnik-Chervonenkisova dimenze 2 Chyba skutečná a trénovací Máme 30 záznamů, rozhodli jsme se na jejich
VíceUniverzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc.
Unverzta Pardubce Fakulta ekonomcko-správní Modelování predkce časových řad návštěvnost web domény pomocí SVM Bc. Vlastml Flegl Dplomová práce 2011 Prohlašuj: Tuto prác jsem vypracoval samostatně. Veškeré
VíceCvičení 13 Vícekriteriální hodnocení variant a vícekriteriální programování
Cvčení 3 Vícekrterální hodnocení varant a vícekrterální programování Vícekrterální rozhodování ) vícekrterální hodnocení varant konkrétní výčet, seznam varant ) vícekrterální programování varanty ve formě
Vícepodle typu regresní funkce na lineární nebo nelineární model Jednoduchá lineární regrese se dá vyjádřit vztahem y
4 Lneární regrese 4 LINEÁRNÍ REGRESE RYCHLÝ NÁHLED DO KAPITOLY Častokrát potřebujete zjstt nejen, jestl jsou dvě nebo více proměnných na sobě závslé, ale také jakým vztahem se tato závslost dá popsat.
VíceČísla a aritmetika. Řádová čárka = místo, které odděluje celou část čísla od zlomkové.
Příprava na cvčení č.1 Čísla a artmetka Číselné soustavy Obraz čísla A v soustavě o základu z: m A ( Z ) a z (1) n kde: a je symbol (číslce) z je základ m je počet řádových míst, na kterých má základ kladný
Více9.12.2009. Metody analýzy rizika. Předběžné hodnocení rizika. Kontrolní seznam procesních rizik. Bezpečnostní posudek
9.2.29 Bezpečnost chemckých výrob N Petr Zámostný místnost: A-72a tel.: 4222 e-mal: petr.zamostny@vscht.cz Analýza rzka Vymezení pojmu rzko Metody analýzy rzka Prncp analýzy rzka Struktura rzka spojeného
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE
ANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE Jana Valečková 1 1 Vysoká škola báňská-techncká unverzta Ostrava, Ekonomcká fakulta, Sokolská
VíceMANAŽERSKÉ ROZHODOVÁNÍ
MANAŽERSKÉ ROZHODOVÁNÍ Téma 14 POSUZOVÁNÍ A HODNOCENÍ VARIANT doc. Ing. Monka MOTYČKOVÁ (Grasseová), Ph.D. Unverzta obrany Fakulta ekonomka a managementu Katedra voenského managementu a taktky Kouncova
VíceRozhodovací stromy. Úloha klasifikace objektů do tříd. Top down induction of decision trees (TDIDT) - metoda divide and conquer (rozděl a panuj)
Rozhodovací stromy Úloha klasifikace objektů do tříd. Top dow iductio of decisio trees (TDIDT) - metoda divide ad coquer (rozděl a pauj) metoda specializace v prostoru hypotéz stromů (postup shora dolů,
VíceVOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH
VOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH THE CHOICE OF EVALUATION CRITERIA IN PUBLIC PROCUREMENT Martn Schmdt Masarykova unverzta, Ekonomcko-správní fakulta m.schmdt@emal.cz Abstrakt: Článek zkoumá
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VícePOUŽITÍ METODY PERT PŘI ŘÍZENÍ PROJEKTŮ
5. Odborná konference doktorského studa s meznárodní účastí Brno 003 POUŽITÍ METODY PERT PŘI ŘÍZEÍ PROJEKTŮ A USAGE OF PERT METHOD I PROJECT MAAGEMET Vladslav Grycz 1 Abstract PERT Method and Graph theory
VícePokročilé neparametrické metody. Klára Kubošová
Klára Kubošová Další typy stromů CHAID, PRIM, MARS CHAID - Chi-squared Automatic Interaction Detector G.V.Kass (1980) nebinární strom pro kategoriální proměnné. Jako kriteriální statistika pro větvení
VíceANALÝZA RIZIKA A CITLIVOSTI JAKO SOUČÁST STUDIE PROVEDITELNOSTI 1. ČÁST
Abstrakt ANALÝZA ZKA A CTLOST JAKO SOUČÁST STUDE POVEDTELNOST 1. ČÁST Jří Marek Úspěšnost nvestce závsí na tom, jaké nejstoty ovlvní její předpokládaný žvotní cyklus. Pomocí managementu rzka a analýzy
VíceEKONOMICKO-MATEMATICKÉ METODY
. přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a
VíceVztah mezi počtem květů a celkovou biomasou rostliny CELKE EM. slá pro KVETU = závi
Regrese a korelace Regrese versus korelace Regrese (regresson)* popsuje vztah = závslost dvou a více kvanttatvních (popř. ordnálních) proměnných formou funkční závslost měří těsnost Korelace (correlaton)
VíceMonte Carlo metody Josef Pelikán CGG MFF UK Praha.
Monte Carlo metody 996-7 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ Monte Carlo 7 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca / 44 Monte Carlo ntegrace Odhadovaný
VíceProces řízení rizik projektu
Proces řízení rzk projektu Rzka jevy a podmínky, které nejsou pod naší přímou kontrolou a ovlvňují cíl projektu odcylky, předvídatelná rzka, nepředvídatelná rzka, caotcké vlvy Proces řízení rzk sled aktvt,
VíceTéma 5: Parametrická rozdělení pravděpodobnosti spojité náhodné veličiny
0.05 0.0 0.05 0.0 0.005 Nomnální napětí v pásnc Std Mean 40 60 80 00 0 40 60 Std Téma 5: Parametrcká rozdělení pravděpodobnost spojté náhodné velčn Přednáška z předmětu: Pravděpodobnostní posuzování konstrukcí
VíceVLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ
VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ Abstrakt Martn Cupal 1 Prncp tvorby tržní ceny nemovtost je sce založen na tržní nabídce a poptávce, avšak tento trh je značně nedokonalý. Nejvíce ovlvňuje
Více2 TESTOVÁNÍ HYPOTÉZ. RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevil jsem pravdu! ale raději: Objevil jsem jednu z pravd! Chalil Gibran
Elena Melcová, Radmla Stoklasová a Jaroslav Ramík; Statstcké programy TESTOVÁNÍ HYPOTÉZ RYCHLÝ NÁHLED KAPITOLY Neříkej: Objevl jsem pravdu! ale raděj: Objevl jsem jednu z pravd! Chall Gbran Testování hypotéz
VíceRegresní lineární model symboly
Lneární model, Dskrmnační analýza, Podůrné vektory Regresní lneární model symboly Použté značení b arametry modelu (vektor ) očet atrbutů (skalár) N očet říkladů (skalár) x jeden říklad (vektor ) x -tá
VíceMetody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce
. meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu
VícePřednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady. Milan Růžička
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady Mlan Růžčka mechanka.fs.cvut.cz mlan.ruzcka@fs.cvut.cz Analýza dynamckých zatížení Harmoncké zatížení x(t) přes soubor
VíceHodnocení využití parku vozidel
Hodnocení využtí parku vozdel Všechna kolejová vozdla přdělená jednotlvým DKV (provozním jednotkám) tvoří bez ohledu na jejch okamžté použtí jejch nventární stav. Evdenční stav se skládá z vozdel vlastního
VíceTeorie efektivních trhů (E.Fama (1965))
Teore efektvních trhů (E.Fama (965)) Efektvní efektvní zpracování nových nformací Efektvní trh trh, který rychle a přesně absorbuje nové nf. Ceny II (akcí) náhodná procházka Předpoklady: na trhu partcpuje
VíceSÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.
SÍŤOVÁ ANALÝZA Využívá grafcko-analytcké metody pro plánování, řízení a kontrolu složtých návazných procesů. yto procesy se daí rozložt na dílčí a organzačně spolu souvseící čnnost. yto procesy se nazývaí
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceVyužití logistické regrese pro hodnocení omaku
Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost
VícePříspěvky do Fondu pojištění vkladů Garančního systému finančního trhu
Česká národní banka odbor regulace fnančního trhu V Praze dne 7. května 2018 Příspěvky do Fondu pojštění vkladů Garančního systému fnančního trhu Pojštění pohledávek z vkladů v Evropské un a stanovení
VíceANALÝZA RIZIKA A JEHO CITLIVOSTI V INVESTIČNÍM PROCESU
AALÝZA RIZIKA A JEHO CITLIVOSTI V IVESTIČÍM PROCESU Jří Marek ) ABSTRAKT Príspevek nformuje o uplatnene manažmentu rzka v nvestčnom procese. Uvádza príklad kalkulace rzka a analýzu jeho ctlvost. Kľúčové
VíceSpojité regulátory - 1 -
Spojté regulátory - 1 - SPOJIÉ EGULÁOY Nespojté regulátory mají většnou jednoduchou konstrukc a jsou levné, ale jsou nevhodné tím, že neudržují regulovanou velčnu přesně na žádané hodnotě, neboť regulovaná
Více3 VYBRANÉ MODELY NÁHODNÝCH VELIČIN. 3.1 Náhodná veličina
3 VBRANÉ MODEL NÁHODNÝCH VELIČIN 3. Náhodná velčna Tato kaptola uvádí stručný pops vybraných pravděpodobnostních modelů spojtých náhodných velčn s důrazem na jejch uplatnění př rozboru spolehlvost stavebních
VíceAplikace simulačních metod ve spolehlivosti
XXVI. ASR '2001 Semnar, Instruments and Control, Ostrava, Aprl 26-27, 2001 Paper 40 Aplkace smulačních metod ve spolehlvost MARTINEK, Vlastml Ing., Ústav automatzace a nformatky, FSI VUT v Brně, Techncká
VíceImplementace LL(1) překladů
Překladače, přednáška č. 6 Ústav informatiky, FPF SU Opava sarka.vavreckova@fpf.slu.cz Poslední aktualizace: 30. října 2007 Postup Programujeme syntaktickou analýzu: 1 Navrhneme vhodnou LL(1) gramatiku
VíceKonverze kmitočtu Štěpán Matějka
1.Úvod teoretcký pops Konverze kmtočtu Štěpán Matějka Směšovač měnč kmtočtu je obvod, který přeměňuje vstupní sgnál s kmtočtem na výstupní sgnál o kmtočtu IF. Někdy bývá tento proces označován také jako
VíceStatistická analýza dat
Statistická analýza dat Jméno: Podpis: Cvičení Zkouška (písemná + ústní) 25 Celkem 50 Známka Pokyny k vypracování: doba řešení je 120min, jasně zodpovězte pokud možno všechny otázky ze zadání, pracujte
VíceVĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT
VĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT Mlan Meloun Unverzta Pardubce, Čs. Legí 565, 53 10 Pardubce, mlan.meloun@upce.cz 1. Obecný postup analýzy jednorozměrných dat V prvním kroku se v
VíceStaré mapy TEMAP - elearning
Staré mapy TEMAP - elearnng Modul 4 Kartometrcké analýzy Ing. Markéta Potůčková, Ph.D., 2013 Přírodovědecká fakulta UK v Praze Katedra aplkované geonformatky a kartografe Kartometre a kartometrcké vlastnost
VícePřemysl Žiška, Pravoslav Martinek. Katedra teorie obvodů, ČVUT Praha, Česká republika. Abstrakt
ALGORITMUS DIFERENCIÁLNÍ EVOLUCE A JEHO UŽITÍ PRO IDENTIFIKACI NUL A PÓLŮ PŘE- NOSOVÉ FUNKCE FILTRU Přemysl Žška, Pravoslav Martnek Katedra teore obvodů, ČVUT Praha, Česká republka Abstrakt V příspěvku
VícePOROVNÁNÍ MEZI SKUPINAMI
POROVNÁNÍ MEZI SKUPINAMI Potřeba porovnání počtů mez určtým skupnam jednců např. porovnání počtů onemocnění mez kraj nebo okresy v prax se obvykle pracuje s porovnáním na 100.000 osob. Stuace ale nebývá
Více2.5. MATICOVÉ ŘEŠENÍ SOUSTAV LINEÁRNÍCH ROVNIC
25 MATICOVÉ ŘEŠENÍ SOUSTAV LINEÁRNÍCH ROVNIC V této kaptole se dozvíte: jak lze obecnou soustavu lneárních rovnc zapsat pomocí matcového počtu; přesnou formulac podmínek řeštelnost soustavy lneárních rovnc
VíceSCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Seres B The Jan Perner Transport Faculty 5 (1999) APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ Mchal MUSIL Katedra provozní spolehlvost, dagnostky
VíceRizikového inženýrství stavebních systémů
Rzkového nženýrství stavebních systémů Mlan Holcký, Kloknerův ústav ČVUT Šolínova 7, 166 08 Praha 6 Tel.: 24353842, Fax: 24355232 E-mal: Holcky@vc.cvut.cz Základní pojmy Management rzk Metody analýzy rzk
VíceSTATISTIKA (pro navazující magisterské studium)
Slezská unverzta v Opavě Obchodně podnkatelská fakulta v Karvné STATISTIKA (pro navazující magsterské studum) Jaroslav Ramík Karvná 007 Jaroslav Ramík, Statstka Jaroslav Ramík, Statstka 3 OBSAH MODULU
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
Více26/04/2016. PROGRAM PŘEDNÁŠEK letní 2015/2016
133 BK5C BETONOVÉ KONSTRUKCE 5C Číslo Datum PROGRAM PŘEDNÁŠEK letní 2015/2016 Téma přednášk 1 23.2. Prncp předpjatého betonu, hstore, materál Poznámk 2 1.3. Technologe předem předpjatého betonu Výklad
VíceDigitální přenosové systémy a účastnické přípojky ADSL
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechncká LABORATORNÍ ÚLOHA Č. 2 Dgtální přenosové systémy a účastncké přípojky ADSL Vypracoval: Jan HLÍDEK & Lukáš TULACH V rámc předmětu: Telekomunkační
VíceAutomatická klasifikace dokumentů do tříd za použití metody Itemsets
Automatcká klasfkace dokumentů do tříd za použtí metody Itemsets Jří HYNEK 1, Karel JEŽEK 2 1 nsite, s.r.o., Knowledge Management Integrator Rubešova 29, 326 00 Plzeň r.hynek@nste.cz 2 Katedra nformatky
Víceu (x i ) U i 1 2U i +U i+1 h 2. Na hranicích oblasti jsou uzlové hodnoty dány okrajovými podmínkami bud přímo
Metoda sítí základní schémata h... krok sítě ve směru x, tj. h = x x q... krok sítě ve směru y, tj. q = y j y j τ... krok ve směru t, tj. τ = j... hodnota přblžného řešení v uzlu (x,y j ) (Possonova rovnce)
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MTMTICKÁ TORI ROZODOVÁNÍ odklady k soustředění č. 3 ráce s neurčtostí Většna našch znalostí o reálném světě je zatížena ve větší č menší míře neurčtostí. Na druhou stranu, schopnost rozhodovat se v stuacích,
VíceFORANA. 1. Úvod. 2 Vznik akustického signálu řeči v mluvidlech. Pavel GRILL 1, Jana TUČKOVÁ 2
FORANA Pavel GRILL 1, Jana TUČKOVÁ 2 České vysoké učení techncké v Praze, Fakulta elektrotechncká, Katedra teore obvodů Abstrakt Jedním z příznaků vývojové dysfáze je částečná porucha tvorby a porozumění
Více9. Měření kinetiky dohasínání fluorescence ve frekvenční doméně
9. Měření knetky dohasínání fluorescence ve frekvenční doméně Gavolův experment (194) zdroj vzorek synchronní otáčení fázový posun detektor Měření dob žvota lumnscence Frekvenční doména - exctace harmoncky
VíceStatistická šetření a zpracování dat.
Statstcká šetření a zpracování dat. Vyjadřovací prostředky ve statstce STATISTICKÉ TABULKY Typckým vyjadřovacím prostředkem statstky je číslo formalzovaným nástrojem číselného vyjádření je statstcká tabulka.
VícePlánování a rozvrhování. Podmínky pro zdroje. Typy zdrojů. Zdroje. časové vztahy. omezení kapacity zdrojů. Roman Barták, KTIML
12 Plánování a rozvrhování Roman Barták, KTIML roman.bartak@mff.cun.cz http://ktml.mff.cun.cz/~bartak Rozvrhování jako CSP Rozvrhovací problém je statcký, takže může být přímo zakódován jako CSP. Splňování
VíceMODELOVÁNÍ SEISMICKÉHO ZDROJE JAKO REÁLNÁ TESTOVACÍ ÚLOHA PRO NELINEÁRNÍ INVERSNÍ ALGORITMUS
MODELOVÁNÍ SEISMICKÉHO ZDROJE JAKO REÁLNÁ TESTOVACÍ ÚLOHA PRO NELINEÁRNÍ INVERSNÍ ALGORITMUS P. Kolář, B. Růžek, P. Adamová Geofyzkální ústav AV ČR, Praha Abstrakt Pro vyvíjený nelneární nversní algortmus
Víceí I - 13 - Průchod a rozptyl záření gama ve vrstvách materiálu Prof. Ing. J. Šeda, DrSc. KDAIZ - PJPI
- 13 - í Průchod a rozptyl záření gama ve vrstvách materálu Prof. ng. J. Šeda, DrSc. KDAZ - PJP Na našem pracovšt byl vypracován program umožňující modelovat průchod záření gama metodou Monte Carlo, homogenním
VíceMOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD
XV. konference absolventů studa technckého znalectví s meznárodní účastí MOŽNOSTI MODELOVÁNÍ A ŘEŠENÍ STŘETU PŘI OBJASŇOVÁNÍ FINGOVANÝCH DOPRAVNÍCH NEHOD Zdeněk Mrázek 1 1. Ř ešení stř etu u fngovaných
VíceMechatronické systémy s elektronicky komutovanými motory
Mechatroncké systémy s elektroncky komutovaným motory 1. EC motor Uvedený motor je zvláštním typem synchronního motoru nazývaný též bezkartáčovým stejnosměrným motorem (anglcky Brushless Drect Current
VíceVYBOČUJÍCÍ HODNOTY VE VÍCEROZMĚRNÝCH DATECH
VYBOČUJÍCÍ HODOTY VE VÍCEROZMĚRÝCH DATECH JIŘÍ MILITKÝ, Katedra tetlních materálů, Techncká unversta v Lberc, Hálkova 6 461 17 Lberec, e- mal: jr.mlky@vslb.cz MILA MELOU, Katedra analytcké cheme, Unversta
VíceTeoretické modely diskrétních náhodných veličin
Teoretcké modely dskrétních náhodných velčn Velčny, kterým se zabýváme, bývají nejrůznější povahy. Přesto však estují skupny náhodných velčn, které mají podobně rozloženou pravděpodobnostní funkc a lze
VíceProgramování jako nástroj porozumění matematice (seriál pro web modernivyuka.cz)
Programování jako nástroj porozumění matematce (serál pro web modernvyuka.cz) Autor: Radek Vystavěl, vystavel(zavnáč)modernprogramovan.cz Díl 15: Analýza Určtý ntegrál MATEMATIKA Integrál je v běžné řeč
VícePřipomeň: Shluková analýza
Připomeň: Shluková analýza Data Návrh kategorií X Y= 1, 2,..., K resp. i jejich počet K = co je s čím blízké + jak moc Neposkytne pravidlo pro zařazování Připomeň: Klasifikace Data (X,Y) X... prediktory
VíceIng. Barbora Chmelíková 1
Numercká gramotnost 1 Obsah BUDOUCÍ A SOUČASNÁ HODNOTA TYPY ÚROČENÍ JEDNODUCHÉ vs SLOŽENÉ ÚROČENÍ JEDNODUCHÉ ÚROČENÍ SLOŽENÉ ÚROČENÍ FREKVENCE ÚROČENÍ KOMBINOVANÉ ÚROČENÍ EFEKTIVNÍ ÚROKOVÁ MÍRA SPOJITÉ
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
Více5.1 Rozhodovací stromy
5.1 Rozhodovací stromy 5.1.1 Základní algoritmus Způsob reprezentování znalostí v podobě rozhodovacích stromů je dobře znám z řady oblastí. Vzpomeňme jen nejrůznějších klíčů k určování různých živočichů
VíceUNIVERZITA PARDUBICE ÚSTAV ELEKTROTECHNIKY A INFORMATIKY POČÍTAČOVÁ PODPORA ŘÍZENÍ ROZSÁHLÝCH PROJEKTŮ BAKALÁŘSKÁ PRÁCE
UNIVERZITA PARDUBICE ÚSTAV ELEKTROTECHNIKY A INFORMATIKY POČÍTAČOVÁ PODPORA ŘÍZENÍ ROZSÁHLÝCH PROJEKTŮ BAKALÁŘSKÁ PRÁCE 2007 MARTIN ŠVÁHA UNIVERZITA PARDUBICE ÚSTAV ELEKTROTECHNIKY A INFORMATIKY POČÍTAČOVÁ
VíceSelect sort: krok 1: krok 2: krok 3: atd. celkem porovnání. výběr nejmenšího klíče z n prvků vyžaduje 1 porovnání
Select sort: krok 1: výběr klíče z n prvků vyžaduje 1 porovnání krok 2: výběr klíče z 1 prvků vyžaduje 2 porovnání krok 3: výběr klíče z 2 prvků vyžaduje 3 porovnání atd. celkem porovnání Zlepšení = použít
VíceZáklady umělé inteligence
Základy umělé inteligence Automatické řešení úloh Základy umělé inteligence - prohledávání. Vlasta Radová, ZČU, katedra kybernetiky 1 Formalizace úlohy UI chápe řešení úloh jako proces hledání řešení v
VíceStanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
Více31 : : : : : 39
VLIV METALURGICKÝCH A TECHNOLOGICKÝCH PARAMETRŮ VÝROBY A ZPRACOVÁNÍ LOŽISKOVÝCH OCELÍ NA JEJICH MIKROSTRUKTURU APLIKACE SHLUKOVÉ ANALÝZY APPLYING CLUSTER ANALYSIS - METALLURGY AND TECHNOLOGICAL PARAMETERS
VíceČasová hodnota peněz ve finančním rozhodování podniku. 1.1. Význam faktoru času a základní metody jeho vyjádření
Časová hodnota peněz ve fnančním rozhodování podnku 1.1. Význam faktoru času a základní metody jeho vyjádření Fnanční rozhodování podnku je ovlvněno časem. Peněžní prostředky získané dnes mají větší hodnotu
VíceZáklady finanční matematiky
Hodna 38 Strana 1/10 Gymnázum Budějovcká Voltelný předmět Ekonome - jednoletý BLOK ČÍSLO 6 Základy fnanční matematky ředpokládaný počet : 5 hodn oužtá lteratura : Frantšek Freberg Fnanční teore a fnancování
VíceROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LV 24 Číslo 6, 2007 ROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ V. Konečný Došlo:
Více7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM
7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM Průvodce studem Předchozí kaptoly byly věnovány pravděpodobnost a tomu, co s tímto pojmem souvsí. Nyní znalost z počtu pravděpodobnost aplkujeme ve statstce. Předpokládané
VíceMODEL LÉČBY CHRONICKÉHO SELHÁNÍ LEDVIN. The End Stage Renal Disease Treatment Model
ROČNÍK LXXII, 2003, č. 1 VOJENSKÉ ZDRAVOTNICKÉ LISTY 5 MODEL LÉČBY CHRONICKÉHO SELHÁNÍ LEDVIN 1 Karel ANTOŠ, 2 Hana SKALSKÁ, 1 Bruno JEŽEK, 1 Mroslav PROCHÁZKA, 1 Roman PRYMULA 1 Vojenská lékařská akademe
Více