Aplikace teorie neuronových sítí
|
|
- Břetislav Matoušek
- před 5 lety
- Počet zobrazení:
Transkript
1 Aplkace teoe neuonových sítí Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze
2 Aplkace teoe neuonových sítí -tadční přístupy - Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze
3 Bayesovo ozhodovací pavdlo (ktéum mnmální chyby) c tříd: ω,, ω c Vzo patříke třídě ω s aponí pavděpodobností P ; P 0 ; c = P = Vzo : náhodný vekto v n-ozměném příznakovém postou Ω s podmíněnou hustotou pavděpodobnost p( ω ), patří-l ke třídě ω ; =,, c I. Mázová: ATNS (NAIL03) 3
4 Bayesovo ozhodovací pavdlo (2) Klasfkace z neznámé třídy ω: Pavděpodobnost, že patří do třídy ω : (~ aposteoní pavděpodobnost třídy ω ) Bayesův vzoec: ( P ω ) P ω = ( ) ( ω ) ( ) Hustota pavděpodobnost výskytu vzou : c p = p ω P ( ) ( ) = p I. Mázová: ATNS (NAIL03) 4 p P
5 Bayesovo ozhodovací pavdlo (3) Rozhodnutí zařadt do třídy ω : přnese ztátu λ ω ω s pavděpodobností (~ vzo náležeící ke třídě ω ω ; ) ω ( ) = e chybně zařazen do třídy ) Očekávaná ztáta po chybné ozhodnutí ω = ω : l ( ) c ω I. Mázová: ATNS (NAIL03) 5 ) P ( ω ) ( ) = λ ( ω ) ( ) ω P ω = ( )
6 I. Mázová: ATNS (NAIL03) 6 Bayesovo ozhodovací pavdlo (4) Každé ozhodovací pavdlo má: Podmíněnou ztátu: a střední ztátu: ( ) ( ) ( ) ( ) = = c P l ) ω ω ω λ ( ) ( ) ( ) ( ) ( ) d P p d p l L c ) Ω = Ω = = ω ω ω λ
7 Bayesovo ozhodovací pavdlo (5) Cíl: takové ozhodovací pavdlo ω ), kteé by mnmalzovalo L ) Bayesovo ozhodovací pavdlo ( ω * ) : ) * ω = ω, estlže l l po ( ) ( ) ( ) =, K, c Nemenší podmíněná ztáta: l = mn l = mn ( ) ( ) λ ( ω ) ( ) ω P ω =, K, c =, K, c = střední ztáta (Bayesovské zko): c L = I. Mázová: ATNS (NAIL03) 7 Ω l ( ) p( ) d
8 Bayesovo ozhodovací pavdlo (6) Po ztáty: λ e podmíněná Bayesovská ztáta: e = ma P ω ( ) ( ) a Bayesovské zko: ( ω ω ) = 0 a λ ( ω ω ) = po =, K, c E = Bayesovské ozhodovací pavdlo : ) ω * = ω, estlže P ω = ma ( ) ( ) P( ) ω Ω e I. Mázová: ATNS (NAIL03) 8 ( ) p( ) d =, K, c
9 Bayesovo ozhodovací pavdlo (7) Odhad podmíněných ozdělení poces odhadu paametů na základě ténovací množny ~ UČENÍ KRITÉRIUM MINIMÁLNÍ CHYBY: Dskmnační funkce: g = pˆ ω Pˆ ω ; =, K Ténovací množna T : T =, Ω, K, R, Ω R Konstukce odhadů ( pˆ ω ) ( ) ( ) ( ), c {[ ] [ ]} I. Mázová: ATNS (NAIL03) 9
10 Bayesovo ozhodovací pavdlo (8) Vlastnost odhadů: Nestannost: záuka, že v půměu se bude odhad pohybovat kolem neznámé hustoty p( ) Konzstence: záuka, že čím větší bude počet vzoů množny T T, tím více se bude odhad blížt k neznámé hustotě p ( pˆ ( ) ) ozložení vzoů z třídy ω Efcence: takový nestanný odhad, kteý mez všem nestanným odhady má nemenší dspez I. Mázová: ATNS (NAIL03) 0
11 Bayesovo ozhodovací pavdlo (9) Vlastnost odhadů (pokačování): Induktvnost ( cíl učení): požadavek nalézt po předložení spočetně mnoha dvoc paamet q [ k, Ω k ], kteý mnmalzue střední ztátu přes celou množnu X ; Sekvenčnost ( postup učení): odhad na základě postupného předkládání dvoc [ k, Ω k ] f posloupnost funkcí ; ( ) ; k =, K ( k + ) ( ) ( k f pˆ ) ( ), ( k + ) ˆ = k + p { } k = k ( ) pˆ k ( ) k tý odhad hustoty ( ) X I. Mázová: ATNS (NAIL03) p
12 Bayesovo ozhodovací pavdlo (0) Obecný algotmus odhadu paametů učením: ( 0 START: Zst c, počáteční odhad ) pˆ ( ω ), anulu Pˆ ( ω ), k := 0 ; ITERACE: k := k + Přečt a Ω = ω z T ; Zkogu pˆ ω ; Pˆ ω : Pˆ ω + PODMÍNKA: Je na vstupu další dvoce z T? STOP: ANO: Poveď teac NE: Pˆ ω Vypš STOP : = Pˆ ω pˆ ω ( ) ( ) ( ) ; ( ) ( ) K ; =, K c, = ( ) ; Pˆ ( ω ) ; =, K c, I. Mázová: ATNS (NAIL03) 2
13 Bayesovo ozhodovací pavdlo () Odhad aponí pavděpodobnost P : Pˆ ( ω ) = K K K K počet vzoů ve třídě celkový počet vzoů z T p ( ω ) β α p ( ω ) 2 ( ) ω ω ˆ = ( ) ω 2 ω ˆ = Střední ztáta e úměná plochám α, β I. Mázová: ATNS (NAIL03) 3
14 Rozhodovací pavdlo neblžšího souseda Dána množna S n, = ϑ, K, n, ϑ n nezávslých náhodných velčn ϑ někteé z c tříd ω,, ω c ϑ třída, ke kteé vzo skutečně patří Klasfkace nového vzou S : Učt eho neblžšího souseda Zařadt do třídy ϑ odpovídaící {( ) ( )} n S n I. Mázová: ATNS (NAIL03) 4
15 Rozhodovací pavdlo neblžšího souseda (2) Odhad ωˆ neznámé třídy ω vzou : ω = ϑ, estlže δ, = mn δ, n =,..., n δ metka v příznakovém postou ˆ ( ) ( ) -NNR, k-nnr Konvegence neblžšího souseda k S n dost velká, ( ) ( ) n p spotéa p > 0 n podle pavděpodobnost ( ) ( ) n p ω ( ) spoté P ω n P ω n podle pavděpodobnost I. Mázová: ATNS (NAIL03) 5 n
16 I. Mázová: ATNS (NAIL03) 6 Rozhodovací pavdlo neblžšího souseda (3) Dále předpoklad: Podmínky konvegence splněny, nezávslé Lbovolně velká S n (n ), Podmíněná pavděpodobnost chyby -NNR: ( ) { } { } { } ( ) ( ) [ ] = = = = = = = n n n n P P P e η η ω ϑ ω ω ω ϑ ω ω,, n K,,, ( ) ( ) P η ω
17 n Rozhodovací pavdlo neblžšího souseda (4) : e ( ) = lm e ( ) = ( ), n η n Mía chyby -NNR, E : E = E { e ( )} e (, ) omezena: n E c = 2 < η lm n, { } = E e ( ) lm, n n ( ) η ( ) p ( ) d E I. Mázová: ATNS (NAIL03) 7 n 2
18 Rozhodovací pavdlo neblžšího souseda (5) Poovnání míy chyby k-nnr, E k, s Bayesovskou, E*: Je-l poslední neblžší soused sudého řádu, nepřspívá žádnou dodatečnou nfomací ke klasfkac: E 2k - = E 2k k ; E* E k- Posloupnost honích mezí po E*: E* E 2k +2 = E 2k + E 2k = E 2k - E 2 = E 2E* Dolní mez po E*: E k E* + E / k π => konvegence E k k E* I. Mázová: ATNS (NAIL03) 8
19 Rozhodovací pavdlo neblžšího souseda (6) Redukce počtu vzoů v S n : Výběem epezentatvní podmnožny Klasfkace pomocí edukované množny e s pavděpodobností blízkou steně dobá ako pomocí celé množny I. Mázová: ATNS (NAIL03) 9
20 Rozhodovací pavdlo neblžšího souseda (7) Edtační algotmus: 2 třídy, k lché, S n ozdělena do 2 nezávslých podmnožn S n a S n ; n + n = n a 0 << n / n << Kok : Klasfkace vzoů z S n pomocí k NNR a ténovací množny S n Kok 2: Vyřazení všech vzoů z S n, kteé byly v Koku klasfkovány chybně. Nově vznklá podmnožna bude označena S n Následná klasfkace pomocí NNR a S n (kvas Bayesovsky optmální po malou pavděpodobnost chyby) I. Mázová: ATNS (NAIL03) 20
21 Rozhodovací pavdlo neblžšího souseda (8) Opakované edtování: Kok : Dfuze ~ náhodně ozděl S do N podmnožn S,, S N ; N 3 Kok 2: Klasfkace ~ klasfku vzoy z S pomocí NNR a ténovací množny S S(+) mod N ; =,,N Kok 3: Edtování ~ vyřaď všechny vzoy chybně klasfkované v Koku 2 Kok 4: Konfuze ~ ze zbylých vzoů vytvoř novou S I. Mázová: ATNS (NAIL03) 2
22 Rozhodovací pavdlo neblžšího souseda (9) Opakované edtování (pokačování): Kok 5: Ukončení Pokud během posledních I teací nebyl vyřazen žádný vzo STOP Jnak před ke Koku Následná klasfkace nových vzoů pomocí NNR a výsledné ténovací množny S Statstcká nezávslost vzoů Asymptotcky Bayesovsky optmální I. Mázová: ATNS (NAIL03) 22
23 Rozhodovací pavdlo neblžšího souseda (0) Elmnace vzoů, kteé nepřspívaí k defnc dělcí nadplochy: ~ vybat co nemenší podmnožnu ténovací množny tak, aby -NNR pomocí vybané podmnožny spávně klasfkoval zbylé vzoy z ténovací množny 2 zásobníky: SKLAD a PYTEL pvní vzo nechť e v zásobníku SKLAD n P ~ aktuální počet vzoů v zásobníku PYTEL př každém vstupu algotmu na Kok I. Mázová: ATNS (NAIL03) 23
24 Rozhodovací pavdlo neblžšího souseda () Kondenzační algotmus: Kok : Klasfku -tý vzo ze zásobníku PYTEL pomocí -NNR a aktuálního zásobníku SKLAD Je-l vzo klasfkován spávně, vať ho do zásobníku PYTEL Jnak ho ulož do zásobníku SKLAD Opaku opeace po =,,n P Kok 2: Pokud byl Kok poveden bez přesunu ze zásobníku PYTEL do zásobníku SKLAD nebo e PYTEL pázdný STOP Jnak před ke Koku I. Mázová: ATNS (NAIL03) 24
25 Dynamcké shlukování Poblém: Rozdělení ténovací množny Y = { y do c shluků Γ k ; k =,, c epezentovaných střední hodnotou m k ; =, K, n} n k ~počet pvků k-tého shluku n k m k = y ; y Γ k n k = mía podobnost mez vzoem y Γ k a představtelem shluku Γ k : δ y, m < δ y, m l E ( ) ( ) k k E l I. Mázová: ATNS (NAIL03) 25
26 Dynamcké shlukování (2) Cíl: Nalézt mez všem možným ozdělením Γ c c Γ = Γ = I Γ = {} U ;, K, c ; ; Γ = Y = = množny Y do c shluků takové, kteé mnmalzue funkc shlukovacího ktéa J(Γ) = { } ( ; =, K, c optmální J Γ ) = mn J ( Γ ) Y c n ( ) 2 J Γ = δ ( ) ( ) E y, m = J Γ ; y Γ = = c = I. Mázová: ATNS (NAIL03) 26 Γ
27 Dynamcké shlukování (3) Přemístění vzou y ze shluku Γ k do Γ : pokles hodnoty ktéa J(Γ) <=> n n + δ 2 E ( ) k 2 y, m < δ ( y, m ) ~ e-l y blíž k m než k n n k m k E k I. Mázová: ATNS (NAIL03) 27
28 Dynamcké shlukování (4) c-půměová metoda (k-means algotmus): Incalzace: Ténovací množnu Y lbovolně ozděl do c shluků Γ ; c Uč střední hodnoty příslušných shluků Γ ; c Kok : y m Y; zařaď do Γ, estlže δ E y, m = mn δ m k ( ) ( y, m ) Kok 2: Aktualzu ; c nastala změna středních hodnot? ANO: před na Kok NE: STOP y E k I. Mázová: ATNS (NAIL03) 28
29 Dynamcké shlukování (5) Infomace o stuktuře shluku: shluk Γ epezentován ádem K =, V ~ množna paametů defnuících K ( Δ y, K ) ~ mía podobnost vektou y a shluku Γ (epezentovaného ádem K ) => KRITÉRIUM: J ( Γ ) = Δ ( y ), K c n = = ( y ) V I. Mázová: ATNS (NAIL03) 29
30 Dynamcké shlukování (6) Dynamcký shlukovací algotmus: Incalzace: Ténovací množnu Y lbovolně ozděl do c shluků Γ ; c Uč áda K příslušných shluků Γ ; c y Y y ( ) ( K ) Kok : ; zařaď do Γ, estlže Δ y, K = mn Δ y, Kok 2: Aktualzu K ; c došlo ke změně K? ANO: před ke Koku NE: STOP k k I. Mázová: ATNS (NAIL03) 30
31 Dynamcké shlukování (7) Dynamcký shlukovací algotmus (pokačování): Konvegence algotmu za podmínky: J(Γ, K ) J (Γ, K ), estlže J(Γ, K ) J (Γ, K) J(Γ, K) hodnota funkce ktéa J(Γ) odpovídaící množně ade K = { K ; =,,c } Γ, Γ ozdělení ténovací množny Y získané př klasfkac pvků z Y pomocí množny ade K, esp. K K množna aktualzovaných ade K = { K ; =,,c } I. Mázová: ATNS (NAIL03) 3
32 Dynamcké shlukování (8) Dynamcké shlukovací metody sou obecně výpočetně velm výkonné a ataktvní po užvatele Nedostatky: zvolený model en zřídka odpovídá skutečné stochastcké stuktuře dat nežádoucí shlukování analýza dat pomocí co nevětšího počtu lbovolně zvolených ade a následná volba optmálního řešení úlohy Metody shlukové analýzy sou vhodné především ako postředek poskytuící nezávslou nfomac o stuktuře dat I. Mázová: ATNS (NAIL03) 32
33 Heachcké shlukování Na každém stupn shlukovacího pocesu splynutí dvou navzáem s nepodobněších shluků Na začátku e každý vzo z ténovací množny považován za samostatný shluk Na každém dalším stupn vytvoří dva navzáem s nepodobněší shluky eden shluk Poces plývání pokačue v následných stupních shlukové analýzy přtom se v každém stupn počet shluků sníží o Shlukovací pocedua končí, když sou všechny vzoy zařazeny do ednoho shluku I. Mázová: ATNS (NAIL03) 33
34 Heachcké shlukování (2) Mía podobnost Δ (Γ, Γ ) umožňue vyádřt vzáemný vztah shluků Nevíc užívané míy podobnost po heachcké shlukování sou defnovány vzdálenostm mez body v obazovém postou: Neblžší soused: ( ) Δ Γ, Γ = mn δ ( y, y ) y Γ, y Γ Nevzdáleněší soused: Δ Γ, Γ = ma δ y y Střed: Δ δ ( Γ, Γ ) = δ ( m m ) y, ( v ) ( ) ( ),, y Γ, y Γ e něaká metka I. Mázová: ATNS (NAIL03) 34
35 Heachcké shlukování (3) Heachcký shlukovací algotmus: Incalzace: Polož Γ = y Kok : Nad mez { Γ ; I } takovou dvoc shluků Γ, Γ k, aby: Δ Γ, Γ = mn Δ Γ, Γ Kok 2: Spo Γ s Γ k a vymaž Γ., y I, kde I = K Kok 3: Odstaň z množny ndeů I. Je-l kadnalta I dvě, ukonč algotmus. V opačném případě před ke Koku 2. { ; =,, n} ( ) ( ) k, l I l I. Mázová: ATNS (NAIL03) 35
36 Heachcké shlukování (4) Dendogam algotmus: Gafcké znázonění heachcké stuktuy shluků vytvořených heachckým shlukovacím algotmem (lustue posloupnost splývání shluků a odpovídaící hodnoty míy podobnost) Po lbovolný páh míy podobnost dostáváme shluky, echž podshluky maí míu podobnost ovnu přnemenším té pahové Volba pahové hodnoty: tak, aby ozptyl mez shluky byl podstatně větší než ozptyl uvntř shluků I. Mázová: ATNS (NAIL03) 36
37 Heachcké shlukování (5) Výsledky shlukové analýzy: Vlv mnoha faktoů: Mía podobnost: Neblžší soused: - spoování dvou ůzných kompaktních shluků Nevzdáleněší soused: - ctlvý na body vzdálené od centa shluku neschopnost detekovat potáhlé shluky Měřítko na osách, použtá metka, shlukovací ktéum, počet vzoů v analyzované množně, I. Mázová: ATNS (NAIL03) 37
38 Automatcká detekce shluků Cíl: Nalézt předem neznámé podobnost v datech! Vytvořt modely ozpoznávaící navzáem podobné vzoy Vhodné po počáteční analýzu dat Samooganzace - učení bez učtele I. Mázová: ATNS (NAIL03) 38
39 Ekonomky seskupené podle svých výsledků pata kupní síly hubý náodní podukt I. Mázová: ATNS (NAIL03) 39 ůst HDP
40 Analýza dat ze Světové banky: klastování podle fuzzy c-středů (fuzzy c-means clusteng)
41 FCM-klastování: úvod WDI-ndkátoy (ndkátoy vývoe ve světě) každoočně zveřeňovány Světovou bankou odážeí stav vývoe a pokoku v ednotlvých zemích neúplné a nepřesné údae (dříve) používané technky egesní analýza - lneání závslost kategozace států používaná v ozvnutých zemích(g. Ip, Wall Steet Jounal) kategozace zemí podle HDP (Světová banka) Kohonenovy mapy (T. Kohonen, S. Kask, G. Deboeck) I. Mázová: ATNS (NAIL03) 4
42 Mapa chudoby - T. Kohonen převzato z T. Kohonen: Self-Oganzng Maps, 3-d Edton, Spnge-Velag, 200 více neuonů než zemí význam maí en lokální geometcké vztahy státům zobazeným blízko u sebe odpovídá podobný stav vývoe I. Mázová: ATNS (NAIL03) 42
43 Mapa chudoby - T. Kohonen, S. Kask převzato z T. Kohonen: Self-Oganzng Maps, 3-d Edton, Spnge-Velag, 200 U-matce: znázonění hanc mez shluky vyadřue půměnou vzdálenost mez sousedním neuony pomocí ůzných úovní šed malá půměná vzdálenost světlý odstín velká pům. vzdálenost tmavý odstín I. Mázová: ATNS (NAIL03) 43
44 Náš cíl Efektvně klastovat nepřesná data Odhadnout počet shluků Vzualzovat výsledky Intepetovat výsledky I. Mázová: ATNS (NAIL03) 44
45 Náš cíl Efektvně klastovat nepřesná data Odhadnout počet shluků Vzualzovat výsledky Intepetovat výsledky fuzzy c - means shlukování (FCM) ndkátoy po valdtu klastů fomou spead-sheetu nalezení landmaks I. Mázová: ATNS (NAIL03) 45
46 Cílová funkce Odpovídá vážené vzdálenost mez vstupním vzoy a centy shluků: J s ( U, v ) fuzzyfkační paamet P c n = s ( u p ) p = = = stupeň členství stupněčlenstvímez0 a : 0 u p celkové členství vzou odpovídá : p shluky nesou pázdné an plné: ( p střed shluku v ) 2 vstupní vzo c = u p 0 < u < p = p P = P I. Mázová: ATNS (NAIL03) 46
47 I. Mázová: ATNS (NAIL03) 47 Fuzzy c-means shlukování (FCM) Kok : Incalzace c, s, ε a t. Zvolte náhodně. Kok 2: Učete nová centa fuzzy shluků: Kok 3: Vypočítete novou členskou matc : Kok 4: Vyhodnoťte Jestlže Δ > ε potom nahaďte t = t + a předěte ke Koku 2. Jestlže Δ ε potom Stop. KONEC FCM (0) U ) ( ) (, ) ( ) ( ma t p t p p t t u u U U = = Δ + + p s p t p p s t p t u u v = ) ( ) ( ) ( ) ( ) ( = + = c k s t k p s t p t p v v u / 2 ) ( / 2 ) ( ) ( ) / ( ) / ( ( +) t U
48 Ktéa po valdtu klastů Koefcent členské funkce: F ( U ; c ) = P Entope členské funkce: H ( U ; c ) = P Wndhamův popoční eponent: W ( U ; c) = P p = ln P c p = = P c μ p = = p = ( ) ( u p ) 2 u p ln( u + vzoy c shluky p ) ( μ ) ; u ln( u ) 0 fo u = 0. p stupeň členství p c = p I. Mázová: ATNS (NAIL03) 48 p ; μp = ma c { u } p
49 Kolk shluků? Koefcent členské funkce : ma c P Entope členské funkce: mn c P { ma [ F ( U ; ) ] } 2 U c { mn [ H ( U ; ) ] } 2 U c Wndhamůvpopoční eponent: ma c P pattons { ma [ W ( U ; ) ] } 2 U c clustes I. Mázová: ATNS (NAIL03) 49
50 Epementy - umělá data Indkátoy valdty shluků po umělá data Fuzzy 4-ozčlenění vzoů 2 vstupních vzoů, s =.4, ε = 0.05 odpovídá centeům shluků, vzoy ze stených shluků sou označeny steně I. Mázová: ATNS (NAIL03) 50
51 Epementy - umělá data Fuzzy 6-ozčlenění vzoů Fuzzy 8-ozčlenění vzoů odpovídá centeům shluků, vzoy ze stených shluků sou označeny steně odpovídá centeům shluků, vzoy ze stených shluků sou označeny steně I. Mázová: ATNS (NAIL03) 5
52 Intepetace výsledků! Chaactestcké vlastnost nalezených shluků: centa shluků - fktvní vzoy mmo předkládaná data kalbace shluků neepezentatvněším vzoy z ténovací množny - chaaktezace podle edného vzou Učt význačné vlastnost shluků: vzhledem k dalším vlastnostem příslušného shluku vzhledem k chaaktestckým vlastnostem ostatních shluků výmka: oblast u hanc fuzzy c-landmaks I. Mázová: ATNS (NAIL03) 52
53 Automatcký výbě landmaks * Fuzzy c-landmak po shluk : fuzzy vzdálenost od centa shluku by měla být malá fuzzy vzdálenost od všech ostatních cente shluků by měla být velká vstupní vzoy P * = ag mn vstupy n shluky mn p = c * u s * p P p = P p = u u p s * p s * p P p = v u p * s * p v ( *, ) * * I. Mázová: ATNS (NAIL03) 53 v centa shluků stupeň členství
54 Epementy: data ze Světové banky 99 států se 6 WDI-ndkátoy po každý z nch economcký a socální potencal zemí a ech obyvatel všechny ndkátoy sou elatvní vzhledem k velkost populace po složkách tansfomace vzoů do ntevalu (0,) pomocí: = ma mn mn volba dalších paametů (k=4; s=.4; ε=0.05) a = k ( / 2 ) mnmum přes všechny vzoy mamum přes všechny vzoy I. Mázová: ATNS (NAIL03) 54 + e
55 Použté WDI-ndkátoy HNP na obyvatele Pata kupní síly Růst HDP na obyvatele Implctní deflace HDP Vněší zadluženost (% HNP) Celkvé náklady na zadlužení (% z epotu zboží a služeb) Epot hgh-tech technologí (% z vyvážených výobků) Výdae na amádu a zboení (% HNP) Výdae na výzk. a výv. (% HNP) Celk. výd. na zdav. (% HDP) Veř. výd. na školství (% HNP) Očekávaná délka žvota u mužů Plodnost GINI-nde (ozdělení přímů a spotřeby) Užv. ntenetu na 0000 obyvatel Počet moblních telefonů na 000 obyvatel I. Mázová: ATNS (NAIL03) 55
56 Epementy: data ze Světové banky Indkátoy valdty shluků po data ze SB Indkátoy valdty shluků po data ze SB 99 zemí se 6 ndkátoy s =., ε = zemí se 6 ndkátoy s =.4, ε = 0.05 I. Mázová: ATNS (NAIL03) 56
57 Fuzzy 7-ozčlenění dat ze SB Ukázka fuzzy 7-ozčlenění dat ze Světové banky: 99 zemí se 6 ndkátoy; s =.4, ε = 0.05 I. Mázová: ATNS (NAIL03) 57
58 Landmaks po data ze SB Repezentatvní vzoy a fuzzy 7-landmaks po data ze Světové banky: 99 zemí se 6 ndkátoy; s =.4, ε = 0.05 I. Mázová: ATNS (NAIL03) 58
59 FCM-klastování: závě FCM-klastování efektvta a ktéa po valdtu shluků volba fuzzfkačního paametu kategozace a ozdělení ekonomk států (Wold Bank, Ip, Kohonen, Deboeck) Vzualzace hodnoty členské funkce topologcké vztahy Landmaks a ntepetace výsledků fomulace ktéí po vymezení tříd I. Mázová: ATNS (NAIL03) 59
Neuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Neuonové sítě Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze Neuonové sítě Kohonenovy mapy a hybdní modely Doc. RND. Iveta Mázová, CSc. Kateda teoetcké
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze Dobývání znalostí Umělé neuonové sítě Doc. RND. Iveta Mázová, CSc. Kateda teoetcké
VíceZáklady počítačové grafiky
Základy počítačové gafky Pezentace přednášek Ústav počítačové gafky a multmédí Téma přednášky Radozta Motto Světlo se šíří podle fyzkálních zákonů! Př ealstcké zobazení vtuálních počítačových scén e poto
VíceNeuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Neuronové sítě Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Neuronové sítě Interní reprezentace znalostí Doc. RNDr. Iveta Mrázová,
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VI. VOLBA A VÝBĚR PŘÍ ZAČÍNÁME kolik a jaké příznaky? málo příznaků možná chyba klasifikace;
VíceSMR 1. Pavel Padevět
SMR Pavel Padevět Oganzace předmětu Přednášející Pavel Padevět, K 3, D 09 e-mal: pavel.padevet@fsv.cvut.cz Infomace k předmětu: https://mech.fsv.cvut.cz/student SMR Heslo: odné číslo bez lomítka (případně
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
VíceZÁKLADY GEOMETRIE KŘIVEK A PLOCH
ZÁKLADY GEOMETRIE KŘIVEK A PLOCH Povzoní studní mateál - - Křvky v toozměném postou Úvod E - toozměný eukldovský posto s pevně zvolenou katézskou soustavou P e e V - eho zaměření D Nechť J R Zobazení X
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,
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
VíceANALÝZA A KLASIFIKACE DAT
ANAÝZA A KASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚÁVÁNÍ a analýz III. BAYESŮV KASIFIKÁTO Intitut biotatitiky a analýz Intitut biotatitiky a analýz ZÁKADN KADNÍ
VíceAplikované chemické procesy
Aplkované chemcké pocesy Blance eaktoů Chemcký eakto Základní ysy chemckého sou učovány těmto faktoy: způsob přvádění výchozích látek a odvádění poduktů, způsob povádění eakce (kontnuální nebo dskontnuální)
VíceDopravní plánování a modelování (11 DOPM )
Department of Appled Mathematcs Faculty of ransportaton Scences Czech echncal Unversty n Prague Dopravní plánování a modelování (11 DOPM ) Lekce 5: FSM: rp dstrbuton Prof. Ing. Ondře Přbyl, Ph.D. Ing.
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
VíceQ N v místě r. Zobecnění Coulombova zákona Q 3 Q 4 Q 1 Q 2
Zobecnění Coulombova zákona Uvažme nyní, jaké elektostatcké pole vytvoří ne jeden centální) bodový náboj, ale více nábojů, tzv. soustava bodových) nábojů : echť je náboj v místě v místě.... v místě Pak
VíceANALÝZA ROZPTYLU (Analysis of Variance ANOVA)
NLÝZ OZPYLU (nalyss of Varance NOV) Používá se buď ako samostatná technka, nebo ako postup, umožňuící analýzu zdroů varablty v lneární regres. Př. použtí: k porovnání středních hodnot (průměrů) více než
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚLÁVÁNÍ a analýz II. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obaz zpacovávaných dat je
VíceREDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI
REDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI J. Jkovský 1, M. Hofete 2 1 Humusoft s..o., Paha 2 Ústav Přístojové a řídcí technky, Fakulta stojní, ČVUT v Paze Abstakt Příspěvek se věnuje poblematce
Vícedo strukturní rentgenografie e I
Úvod do stuktuní entgenogafie e I Difakce tg záření na kystalu Metody chaakteizace nanomateiálů I RND. Věa Vodičková, PhD. Studium kystalové stavby Difakce elektonů, neutonů, tg fotonů Kystal ideální mřížka
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
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regulární systém hustot Vychází se z: -,, P - pravděpodobnostní prostor -, R neprázdná množna parametrů - X X 1,, náhodný vektor s sdruženou hustotou X n nebo s sdruženou pravděpodobnostní
VíceŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB. Vladimír Hanta 1, Ivan Gros 2
ŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB Vladmír Hanta 1 Ivan Gros 2 Vysoká škola chemcko-technologcká Praha 1 Ústav počítačové a řídcí technky 2 Ústav
VíceASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ
ASYMPTOTICKÉ VLASTNOSTI ODHADŮ S MINIMÁLNÍ KOLMOGOROVSKOU VZDÁLENOSTÍ Bc. Jtka Hanousková 1 Abstrakt: Příspěvek se zabývá postačujícím podmínkam pro konzstenc odhadů s mnmální Kolmogorovskou vzdáleností
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
VíceMetoda hlavních komponent
d d Víceozměná data Metoda hlavních komonent Václav Adamec vadamec@mendelucz Extenze unvaetních dat na více oměnných () Datová matce: n x Hodnot oměnných získán z jednoho subjektu () Předoklad závslostí
VíceChemické reaktory. Chemické reaktory. Mikrokinetika a Makrokinetika. Rychlost vzniku složky reakcí. Rychlost reakce
» Počet fází» homogenní» heteogenní (víefázové)» Chemká eake» nekatalytké» katalytké» boeaktoy (fementoy)» Chaakte toku» deálně míhané» s pístovým tokem» s nedokonalým míháním Mkoknetka a Makoknetka» Výměna
VícePodmíněná pravděpodobnost, spolehlivost soustav
S1 odmíněná pravděpodobnost, spolehlvost soustav odmíněná pravděpodobnost, spolehlvost soustav Lbor Žák odmíněná pravděpodobnost Nechť,, 0, podmíněná pravděpodobnost evu vzhledem k evu : S akou pravděpodobností
VíceROZDĚLENÍ PŘÍJMŮ A JEHO MODELY. Jitka Bartošová
ROZDĚLENÍ PŘÍJMŮ A JEHO MODELY Jitka Batošová Kateda managementu infomací, Fakulta managementu, Vysoká škola ekonomická Paha, Jaošovská 1117/II, 377 01 Jindřichův Hadec batosov@fm.vse.cz Abstakt: Poces
VíceODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK
ODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK Hana Boháčová Univezita Padubice, Fakulta ekonomicko-spávní, Ústav matematiky
Více2 ÚVOD DO TEORIE PRAVDĚPODOBNOSTI. 2.1 Náhodný jev. π, které je třeba co nejpřesněji a nejúplněji vymezit, a k nimž je třeba výsledky pokusu a
ÚVOD DO TEORIE PRAVDĚPODOBNOSTI.1 Náhodný ev Tato kaptola uvádí souhrn základních pomů a postupů teore pravděpodobnost, které se uplatňuí př rozboru spolehlvost stavebních konstrukcí a systémů. Výklad
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
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
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
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
VíceP. Bartoš, J. Blažek, P. Špatenka. Katedra fyziky, Pedagogická fakulta Jihočeské univerzity, Jeronýmova 10, České Budějovice
VYUŽITÍ MATLABU PŘI STATISTICKÉM ZPRACOVÁNÍ AT PŘI POČÍTAČOVÉM MOELOVÁNÍ EBYEOVA STÍNĚNÍ TECHNIKOU MAKROČÁSTIC P. Batoš, J. Blaže, P. Špatena Kateda fz, Pedagogcá faulta Jhočesé unvezt, Jeonýmova, Česé
VíceStatistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).
Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké
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
Vícenano.tul.cz Inovace a rozvoj studia nanomateriálů na TUL
Inovace a ozvo studa nanomateálů na TUL nano.tul.cz Tyto mateály byly vytvořeny v ámc poektu ESF OP VK: Inovace a ozvo studa nanomateálů na Techncké unveztě v Lbec . Vlastnost zolovaných polymeních molekul
Víceina ina Diskrétn tní náhodná veličina může nabývat pouze spočetně mnoha hodnot (počet aut v náhodně vybraná domácnost, výsledek hodu kostkou)
Náhodná velčna na Výsledek náhodného pokusu, daný reálným číslem je hodnotou náhodné velčny. Náhodná velčna je lbovolná reálná funkce defnovaná na množně elementárních E pravděpodobnostního prostoru S.
Vícevektor a vrátili jiný vektor. Měli-li jsme jistou pozorovatelnou A, dostali jsme jejím změřením
Operátor hustoty Popsueme-l vývo uzavřeného kvantového systému, vystačíme s většnou s pomem čstého stavu. Jedná se o vektor v Hlbertově prostoru H, který e danému kvantovému systému přdružen. Na daném
VíceTomáš Hanzák, Marek Mikoška MFF UK obor Pravděpodobnost, matematická statistika a ekonometrie. Optimalizace II s aplikací ve financích (EKN004)
omáš Hanzák, Maek Mikoška MFF UK obo Pavděpodobnost, matematická statistika a ekonometie Optimalizace II s aplikací ve financích (EKN4) LS 5 / 6 Zápočtová úloha Makowitzův model Obsah Zadání úlohy Makowitzův
Více4. konference o matematice a fyzice na VŠT Brno, Fraktály ve fyzice. Oldřich Zmeškal
4. konfeence o matematice a fyzice na VŠT Bno, 15. 9. 25 Faktály ve fyzice Oldřich Zmeškal Ústav fyzikální a spotřební chemie, Fakulta chemická, Vysoké učení technické, Pukyňova 118, 612 Bno, Česká epublika
VíceAnalýza a klasifikace dat
Analýza a klasifikace dat Jiří Holčík Březen 0 Přípava a vydání této publikace byly podpoovány pojektem ESF č. CZ..07/..00/07.038 Víceoboová inovace studia Matematické biologie a státním ozpočtem České
VíceNáhodným (stochastickým) procesem nazveme zobrazení, které každé hodnotě náhodnou veličinu X ( t)
MARKOVOVY PROCESY JAKO APARÁT PRO ŘEŠENÍ SPOLEHLIVOSTI VÍCESTAVOVÝCH SYSTÉMŮ Náhodné rocesy Náhodným (stochastckým) rocesem nazveme zobrazení, které každé hodnotě náhodnou velčnu X ( t). Proměnná t má
VíceLineární a adaptivní zpracování dat. 8. Kumulační zvýrazňování signálů v šumu 2
Lneární a adaptvní zpracování dat 8. Kumulační zvýrazňování sgnálů v šumu 2 Danel Schwarz Investce do rozvoe vzdělávání Opakování Kumulační zpracování sgnálů co to e, k čemu to e? Prncp metody? Nutné podmínky
VíceStátnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
Více{ } SYNTÉZA TABULEK PŘECHODŮ 1. NEALGEBRAICKÉ METODY
SNTÉZA TABULEK PŘECHODŮ. NEALGEBRAICKÉ METOD a) GINSBURGOVA METODA Využívá tzv. korespondencí mez vstupním a výstupním slovem př dané vstupní a výstupní abecedě. Jnak řečeno, vyhodnocuí se ednotlvé odezvy
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceFuzzy regulátory. Miloš Schlegel. Několik výroků o přesnosti
5 Fzz egláto Mloš Schlegel schlegel@kk.zc.cz Několk výoků o přesnost Přesnost a pavdvost neznamená totéž. (Hen Matsse) Věřím, že nc není bezpodmínečně pavdvé a poto jsem v opozc každé absoltní pavdě a
VíceAplikace teorie neuronových sítí
Aplace teore neuronových sítí Doc. RNDr. Iveta Mrázová, CSc. Katera teoretcé nformat Matematco-fzální faulta Unverzt Karlov v Praze Neuronové sítě Moulární archtetur Doc. RNDr. Iveta Mrázová, CSc. Katera
VícePružnost a plasticita II
Pružnost a plastcta II 3 ročník bakalářského studa doc Ing Martn Kresa PhD Katedra stavební mechank Řešení pravoúhlých nosných stěn metodou sítí Statcké schéma nosné stěn q G υ (μ) h l d 3 wwwfastvsbcz
Více1. Úvod. Cílem teorie her je popsat situaci, která nás zajímá, jako hru. Klasickým případem
Kvaternon 2/204, 79 98 79 MATICOVÉ HRY V INŽENÝRSTVÍ JAROSLAV HRDINA a PETR VAŠÍK Abstrakt. Následuící text pokrývá eden z cyklů přednášek předmětu Aplkovaná algebra pro nženýry (0AA) na FSI VUT. Text
VíceKonstrukční a technologické koncentrátory napětí
Obsah: 6 lekce Konstukční a technologické koncentátoy napětí 61 Úvod 6 Účinek lokálních konstukčních koncentací napětí 63 Vliv kuhového otvou na ozložení napjatosti v dlouhém tenkém pásu zatíženém tahem
VícePružnost a plasticita II
Pružnost a plastcta II 3. ročník bakalářského stua oc. Ing. Martn Kresa Ph.D. Katera stavební mechank Řešení nosných stěn metoou sítí 3 Řešení stěn metoou sítí metoa sítí (metoa konečných ferencí) těnová
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
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
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.
VíceNeuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Neuonové sítě Doc. RND. Iveta Mázová CSc. Kateda teoetcké nfoatk Mateatcko-fzkální fakulta Unvezt Kalov v Paze Neuonové sítě Asocatvní aět Doc. RND. Iveta Mázová CSc. Kateda teoetcké nfoatk Mateatcko-fzkální
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
VíceMETODA HLAVNÍCH KOMPONENT V LABORATORNÍ PRAXI
MEODA HLANÍH KOMPONEN LABORAORNÍ PRAXI JIŘÍ MILIKÝ, Kateda tetlních ateálů, echncká unvesta v Lbec, Hálkova 6 46 7 Lbeec, e- al:.lky@vslb.cz Motto: ednoduchost e síla MILAN MELOUN, Kateda analytcké chee,
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 8 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 7 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
VíceNeuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Neuronové sítě Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretcé nformat Matematco-fzální faulta Unverzt Karlov v Praze Vrstevnaté neuronové sítě (1) D: Neuronová síť e uspořádaná 6-tce M=(N,C,I,O,,t), de:
VíceELEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Spojité rozložení náboje
EEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Spojité ozložení náboje Pete Doumashkin MIT 006, překlad: Jan Pacák (007) Obsah. SPOJITÉ OZOŽENÍ NÁBOJE.1 ÚKOY. AGOITMY PO ŘEŠENÍ POBÉMU ÚOHA 1: SPOJITÉ OZOŽENÍ
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor Lbor Žák SP Náhodý vektor Lbor Žák Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
VícePRAVDĚPODOBNOST A STATISTIKA. Náhodný vektor
SP Náhodý vektor PRAVDĚPODOBNOS A SAISIKA Náhodý vektor SP Náhodý vektor Náhodý vektor Náhodý vektor slouží k popsu výsledku pokusu kdy měříme více údaů o procesu. Před provedeím pokusu eho výsledek a
VíceUrčení tlouštky folie metodou konvergentního elektronového svazku (TEM)-studijní text.
Určení tlouštky fole metodou konverentního elektronového svazku (TEM)-studjní text. Pracovní úkol: 1) Nastavte a vyfotorafujte snímek dfrakce elektronů v konverentním svazku, který je vhodný pro určení
Vícepravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti.
3.1 Základy teorie pravděpodobnosti Pravděpodobnost je teorií statistiky a statistika je praxí teorie pravděpodobnosti. Co se dozvíte Náhodný pokus a náhodný jev. Pravděpodobnost, počítání s pravděpodobnostmi.
VíceTeorie her a ekonomické rozhodování. 10. Rozhodování při jistotě, riziku a neurčitosti
Teore her a ekonomcké rozhodování 10. Rozhodování př stotě, rzku a neurčtost 10.1 Jednokrterální dskrétní model Jednokrterální model rozhodování: f a ) max a Aa, a,..., a ( 1 2 f krterální funkce (zsk,
VícePROBLEMATIKA INTELIGENTNÍHO AUTOMATICKÉHO
PROBLEMATIKA INTELIGENTNÍHO AUTOMATICKÉHO MAPOVÁNÍ WEBOVÝCH STRÁNEK ŘIMNÁČ MARTIN 1, ŠUSTA RICHARD 2, ŽIVNŮSTKA JIŘÍ 3 Katedra řídcí technky, ČVUT-FEL, Techncká 2, Praha 6, tel. +42 224 357 359, fax. +
VíceNumerická stabilita algoritmů
Numerická stabilita algoritmů Petr Tichý 9. října 2013 1 Numerická stabilita algoritmů Pravidla v konečné aritmetice Pro počítání v konečné aritmetice počítače platí určitá pravidla, která jsou důležitá
VíceDále budeme předpokládat, že daný Markovův řetězec je homogenní. p i1 i 2
4 Markovovy řetězce se nazývá Markovův řetě- Defnce 7 Posloupnost celočíselných náhodných velčn {X n } zec (markovský řetězec), jestlže P(X n+ = j X n = n,, X 0 = 0 ) = P(X n+ = j X n = n ) (7) pro každé
VíceZadání příkladů. Zadání:
Zdání příkldů Zdání: ) Popšte oblst vužtí plánovných expermentů ) Uveďte krtér optmlt plánů ) Co sou Hdmrdov mtce ké mí vlstnost? ) Co sou. fktorové plán k e lze vužít? 5) Blok čtverce - oblst ech vužtí
VíceStatistická energetická analýza (SEA)
Hladna akustckého tlaku buzení harmonckou slou [db] Statstcká energetcká analýza (SA) V současné době exstue řada způsobů, ak řešt vbroakustcké problémy. odobně ako v ných odvětvích nženýrství, také ve
Více4EK211 Základy ekonometrie
4EK Základy ekonometre Zobecněná MNČ Cvčení 8 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = náhodné vlvy se vzájemně vynulují. E(u u T ) = σ I n konečný a konstantní
VíceČASOVÁ KOORDINACE SPOJŮ VEŘEJNÉ HROMADNÉ DOPRAVY NA ÚSECÍCH DOPRAVNÍ SÍTĚ
ČASOVÁ KOORDINACE SPOJŮ VEŘEJNÉ HROMADNÉ DOPRAVY NA ÚSECÍCH DOPRAVNÍ SÍTĚ THE TIME COORDINATION OF PUBLIC MASS TRANSPORT ON SECTIONS OF THE TRANSPORT NETWORK Petr Kozel 1 Anotace: Předložený příspěvek
Vícerovinná soustava sil (paprsky všech sil soustavy leží v jedné rovině) rovinný svazek sil rovinná soustava rovnoběžných sil
3.3 Obecé soustav sl soustava sl seskupeí sl působících a těleso vláští případ: svaek sl (papsk všech sl soustav se potíaí v edo bodě) soustava ovoběžých sl (papsk všech sl soustav sou aváe ovoběžé) ová
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 9 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 8 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
Více4EK211 Základy ekonometrie
4EK Základy ekonometre Zobecněná MNČ Cvčení 7 Zuzana Dlouhá Gauss-Markovy předpoklady Náhodná složka: Gauss-Markovy předpoklady. E(u) = náhodné vlvy se vzájemně vynulují. E(uu T ) = σ I n konečný a konstantní
VíceModely produkčních systémů. Plánování výroby. seminární práce. Autor: Jakub Mertl. Xname: xmerj08. Datum: ZS 07/08
Modely podukčních systémů Plánování výoby seminání páce Auto: Jakub Metl Xname: xmej08 Datum: ZS 07/08 Obsah Obsah... Úvod... 3 1. Výobní linky... 4 1.1. Výobní místo 1... 4 1.. Výobní místo... 5 1.3.
VíceÚvod do teorie odhadu. Ing. Michael Rost, Ph.D.
Úvod do teorie odhadu Ing. Michael Rost, Ph.D. Náhodný výběr Náhodným výběrem ze základního souboru populace, která je popsána prostřednictvím hustoty pravděpodobnosti f(x, θ), budeme nazývat posloupnost
VíceEnergie elektrického pole
Energe elektrckého pole Jž v úvodní kaptole jsme poznal, že nehybný (centrální elektrcký náboj vytváří v celém nekonečném prostoru slové elektrcké pole, které je konzervatvní, to znamená, že jakýkolv jný
Vícen lokální působení různých vnějších faktorů ovlivňujících růst a zánik živých organismů n lokální variace vnitřních proměnných biologických systémů.
PROSTOROVÁ AUTOKORELACE V ANALYTICKÉ CHEMII JIŘÍ MILITKÝ, Katedra textlních materálů, Techncká unversta v Lberc, 46 7 Lberec MILAN MELOUN, Katedra analytcké cheme, Unversta Pardubce, Pardubce. Úvod Autokorelace
VíceMULTINOMICKÉ REGRESNÍ MODELY V ŘÍZENÍ RIZIKA MULTICATEGORICAL RESPONSE MODELS FOR RISK MANAGEMENT. KLICNAR, Martin. Abstract
INPROFORUM Juno 2008, České Budějovce, ISBN 978-80-7394-130-7 MULTINOMICKÉ REGRESNÍ MODELY V ŘÍZENÍ RIZIKA MULTICATEGORICAL RESPONSE MODELS FOR RISK MANAGEMENT KLICNAR, Matn Abstact Fo managng of cedt
VíceLiteratura: Kapitola 2 d) ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Metoda sítí v 1D. Myšlenka náhrada derivací diferenčními podíly Přibližné řešení okrajových úloh Aproximace vlastních čísel Literatura: Kapitola 2 d) ze skript Karel Rektorys:
VíceSoftwarová podpora matematických metod v ekonomice a řízení
Softwarová podpora matematckých metod v ekonomce a řízení Petr Sed a Opava 2013 Hrazeno z prostředků proektu OPVK CZ.1.07/2.2.00/15.0174 Inovace bakalářských studních oborů se zaměřením na spoluprác s
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
VíceInterpretační dokumenty ID1 až ID6
Prof. Ing. Mlan Holcký, DrSc. ČVUT, Šolínova 7, 66 08 Praha 6 Tel.: 224 353 842, Fax: 224 355 232 E-mal: holcky@klok.cvut.cz, k http://web.cvut.cz/k/70/prednaskyfa.html Metody navrhování Základní pojmy
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceVýslednice, rovnováha silové soustavy.
Výslednce, ovnováha slové soustavy. Základy mechanky, 2. přednáška Obsah přednášky : výslednce a ovnováha slové soustavy, ovnce ovnováhy, postoová slová soustava Doba studa : as 1,5 hodny Cíl přednášky
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE. FAKULTA STAVEBNÍ, OBOR GEODÉZIE A KARTOGRAFIE KATEDRA SPECIÁLNÍ GEODÉZIE název předmětu
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ, OBOR GEODÉZIE A KARTOGRAFIE KATEDRA SPECIÁLNÍ GEODÉZIE název předmětu EKONOMIKA V ZEMĚMĚŘICTVÍ A KATASTRU číslo úlohy 1. název úlohy NEMOVITOSTÍ Analýza
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
VíceŘešené příklady ze stavební fyziky
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Řešené příklady ze stavební fyzky Šíření tepla konstrukcí, tepelná blance prostoru a vlhkostní blance vzduchu v ustáleném stavu doc. Dr. Ing. Zbyněk
VíceDuktilní deformace, část 1
uktilní defomace, část uktilní (plastická) defomace je taková defomace, při níž se mateiál defomuje bez přeušení koheze (soudžnosti). Plasticita mateiálu záleží na tzv. mezi plasticity (yield stess) -
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
Více27 Systémy s více vstupy a výstupy
7 Systémy s více vstupy a výstupy Mchael Šebek Automatcké řízení 017 4-5-17 Stavový model MIMO systému Automatcké řízení - Kybernetka a robotka Má obecně m vstupů p výstupů x () t = Ax() t + Bu() t y()
VíceNeparametrické metody
Neparametrcké metody Přestože parametrcké metody zaujímají klíčovou úlohu ve statstcké analýze dat, je možné některé problémy řešt př neparametrckém přístupu. V této přednášce uvedeme neparametrcké odhady
Více