Metamodeling. Moderní metody optimalizace 1
|
|
- Antonín Beneš
- před 5 lety
- Počet zobrazení:
Transkript
1 Metamodeling Nejmodernjší oblast optimalizace Urena zejména pro praktické aplikace s velkými výpoetními nároky Vychází z myšlenky, že reálné optimalizaní problémy nejsou sice konvexní, ale jsou do znané míry hladké Cíl: najít aproximaci (meta-model) M problému (modelu) P tak aby: M bylo mén výpoetn nároné než P Aby minimum M a P bylo totožné Moderní metody optimalizace 1
2 Meta-modely v optimalizaci Náhrada úelové funkce Minimum v meta-modelu je rovné minimu vodního modelu íklad optimalizaní úlohy: min = 2 sin(12 4) f x oblast zájmu Moderní metody optimalizace 2
3 Meta-modely v optimalizaci Náhrada omezující funkce Hyperplocha rozdlující doménu na oblast ípustnou a nepípustnou je co nejvíce shodná jak v pvodním modelu, tak v meta-modelu íklad optimalizaní úlohy: min = vzhledem sin 1.1 sin 0 0 Oblast zájmu (kivka pro 2D) Moderní metody optimalizace 3
4 Tvorba meta-modelu Pvodní model je poteba vyhodnotit v nkterých bodech, tzv. bodech návrhu experimentu (DoE z Design of experiment ) Hodnoty odezvy pvodního modelu se proloží kivkou Moderní metody optimalizace 4
5 Struktura obecného meta-modelu DoE Výbr modelu Nastavení modelu Píklad techniky Faktoriální polynom Regrese minima tverc Centrální kompozitní D-optimální Pln náhodné Latin Hypercube Ru vybrané Ortogonální pole Spliny Realizace náhodného pole Množina funkcí a terminál Váhová regrese minima tverc Nejlepší lineární prediktor Genetický algoritmus Metoda plochy odezvy Kriging Genetické programování Sí neuron Zptná propagace BP Neuronové sít Rozhodovací strom Funkce s radiální bází Minimalizace Entropie Induktivní uení Moderní metody optimalizace 5
6 Aproximaní meta-modely Též zvané regresní modely Odezva získaná pomocí metamodelu a pvodního modelu se liší Zástupci: Lineární regrese Kvadratická, polynomiální regrese Moving Least Squares Polynomiální chaos atd. vodní model Meta-model Body DoE vodní model: = 2 sin(12 4) Typ meta-modelu: Polynomiální chaos s Legendrovými polynomy 3. stupn Moderní metody optimalizace 6
7 Interpolaní meta-modely Odezva získaná pomocí meta-modelu a pvodního modelu je totožná Zástupci: Radiální báze Kriging Support vector Machines vodní model Meta-model Body DoE vodní model: = 2 sin(12 4) Typ meta-modelu: Radiální báze Moderní metody optimalizace 7
8 Problém poduení a peuení Moderní metody optimalizace 8
9 Problém poduení a peuení ešení: ti nezávislé sady dat Trénovací Testovací Validaní Moderní metody optimalizace 9
10 Návrh experiment Metody generování: Náhodný návrh LHS návrh Optimální návrh Optimální LHS návrh Faktoriální návrh ídká ížka ídká ížka KPU GQU Moderní metody optimalizace 10
11 DoE design of experiments Faktoriální návrhy (Návrh experiment) a) Pln faktoriální b) áste faktoriální c) Kompositní Moderní metody optimalizace 11
12 DoE Náhodná ísla pseudo-náhodná matematické posloupnosti nap. funkce rand() kvazi-náhodná náhodná, ale rovnomrn rozložená matematické posloupnosti (Sobolovy sekvence) metody založené na kvazi-verzi metody Monte Carlo (Latin Hypercube Sampling) Moderní metody optimalizace 12
13 DoE Metoda Monte Carlo simulaní metoda využívající pseudonáhodná ísla generuje náhodné vektory s pedepsaným náhodným rozdlením Metoda kvazi-monte Carlo využívá kvazi-náhodná ísla Moderní metody optimalizace 13
14 Metoda LHS Latin Hypercube Sampling simulaní metoda typu (kvazi-)monte Carlo využívá kvazi-náhodná ísla vyžaduje ádov mén simulací než Monte Carlo metoda rozdlení defininího na N sim stejn pravdpodobných disjunktních interval výbr vzork ze sted interval zmna poadí hodnot vzork, nikoliv zmna hodnot Moderní metody optimalizace 14
15 Metoda LHS realizace promnné x 1 x 2... x n Moderní metody optimalizace 15
16 Optimal Latin Hypercube Sampling cíl: optimalizovat rovnomrnost rozdlení navržených vektor metody: maximalizace entropie maximalizace minimální vzdálenosti mezi body kritérium založené na potenciální energii minimalizace rozdílu mezi získanou a edepsanou korelaní maticí optimalizaní algoritmus: simulované žíhání Moderní metody optimalizace 16
17 Rovnomrné rozprostení návrhu Audze Eglais (AE) [P. Audze, V. Eglais,1977] - potenciální energie Euklidovská maximin vzdálenost (EMM) [M. Johnson,1990] Modifikovaná L 2 diskrepance (ML2) [T. M. Cioppa, 2007] D-optimalita (Dopt) [Kirsten Smith, 1918; M. Hofwing, 2010] Moderní metody optimalizace 17
18 Ortogonalita návrhu íslo podmínnosti (CN) [T. M. Cioppa, 2007] Pearsonv korelaní koeficient (PMCC) Spearmanv koeficient poadové korelace (SRCC) Kendallv koeficient poadové korelace (KRCC) Moderní metody optimalizace 18
19 Lineární regrese Model: + - vysvtlující veliina (regresor) - vysvtlovaná veliina (odezva regrese) - reziduální odchylka, = 0, Var poadové íslo promnné celkový poet promnných, nebo koeficienty matice návrhu experiment, také zvána jako Valdermondova matice Odhad parametr nap. pomocí metody nejmenších tverc: = Minimální poet bod DoE: +1 Moderní metody optimalizace 19
20 íklad jednoduché lineární regrese Ve zkušebn chtli zjistit, jaká je závislost mezi výkonností téhož výrobku za skutených podmínek provozu. Za tímto úelem bylo vybráno 10 výrobk. U každého byla zmena jak výkonnost v testu X, tak výkonnost za skutených podmínek provozu Y. Namené údaje jsou uvedeny v tabulce. Pedpokládejte lineární závislost. x y [Slovní zadání píkladu pevzato ze skript prof. Jaruškové Pravdpodobnost a matematická statistika, ísla zmna] Moderní metody optimalizace 20
21 íklad jednoduché lineární regrese x = [121, 153, 132, 84, 102, 111, 163, 81, 151, 129]; y = [140, 169, 114, 90, 91, 105, 152, 60, 133, 125]; Psi = [ones(1,10) x]; % matice návrhu experiment Beta_app = (Psi * Psi)\(Psi *y ) Beta_app = x y Model: Moderní metody optimalizace 21
22 Regrese zahrnující interakci veliin Model: = vysvtlující veliina (regresor) - vysvtlovaná veliina (odezva regrese) poet vysvtlujících veliin, - koeficienty Minimální poet bod DoE: 1 + () P. pro = 3: = Odhad parametr nap. pomocí metody nejmenších tverc = - matice návrhu experimentu (tzv. Vandermondova matice) odezva pvodního modelu Moderní metody optimalizace 22
23 Kvadratická regrese Model: - vysvtlující veliina (regresor) - vysvtlovaná veliina (odezva regrese) poet vysvtlujících veliin,, - koeficienty = + + P. pro = 3: = Minimální poet bod DoE: () Moderní metody optimalizace 23
24 íklad jednoduché kvadratické regrese x = [-5, -3, 0, 2, 4]; y = [ , , , , ]; Psi = [ones(1,5) x x.^2]; % matice návrhu experiment Beta_app = (Psi *Psi)\(Psi *y ) Beta_app = x y Model: = 0, , ,02317 Moderní metody optimalizace 24
25 Polynomiální regrese pro 1 vysvtlující vel. Model: = = - vysvtlující veliina (regresor) - vysvtlovaná veliina (odezva regrese) celkový stupe polynomu, - koeficienty Odhad parametr nap. pomocí metody nejmenších tverc = - matice návrhu experimentu (tzv. Vandermondova matice) odezva pvodního modelu Moderní metody optimalizace 25
26 Polynomiální regrese Pascalv trojúhelník pro kompletní polynomy ve 2D (pro 2 vysvtlující veliiny) 1 Konstantní Min. 1 bod x y Lineární Min. 3 body x 2 xy y 2 Kvadratický Min. 6 bod x 3 x 2 y xy 2 y 3 Kubický Min. 10 bod x 4 x 3 y x 2 y 2 xy 3 y 4 Polynom 4. ádu Min. 15 bod Polynom m. ádu Min. (m+1)! Pro více neznámých obdobn, poet bod DoE roste se stupnm polynom a zárove s potem vysvtlujících veliin Minimální poet bod DoE:!!! Moderní metody optimalizace 26
27 Moderní metody optimalizace 27 Kriging (neznámá) funkce: aproximace: ) ( ) ( ) ( x Z x x f y normáln rozdlená náhodná chyba s nenulovou kovariancí ) ( ) 1 ( ) ( 1 x r R y x T y )] ( ([ )] ( ) ( Cov[, ) ( 0, ) ( 2 2 j i j i i i R Z V Z E x x R x Z x Z 1 1 )) ( 1 (1 ) ( ) ( 1 ) ( R x r R x z R x r x T T T V N k j k i k k j i x x 1 2 exp ), ( x x R
28 Kriging Moderní metody optimalizace 28
29 Kriging predikované hodnoty jsou pesné ve známých bodech predikce chyby jsou velké na hrubé ploše a malé na hladké ploše predikce chyby rostou se vzdáleností od známých bod Moderní metody optimalizace 29
30 RBFN (Radial-Basis Function Network) (Sít s radiální bází) Funkce je aproximována: y ( x) N i1 Bázové funkce : xx 2 / h i h i i ( x) ( x) e i r y (x) n N Váhy i vypoteny z rovnosti funkních hodnot funkce a její aproximace v N bodech x i... vede na soustavu lineárních rovnic! Trénovací body Moderní metody optimalizace 30
31 Radiální báze Model: = = - odezva meta-modelu - vysvtlující veliina - váhové koeficienty vektor bázových funkcí - Euklidovská norma centra bázových funkcí poet bod DoE prokládaných meta-modelem Moderní metody optimalizace 31
32 Radiální báze Model: = = Bázové funkce: Fixní =, =, = ln(), Parametrické =e, = +, =, =, =e, Moderní metody optimalizace 32
33 Radiální báze Model: = = Nejjednodušší pípad centra bázových funkcí se ztotožní s body návrhu experimentu Odhad parametr =, = () () () = () Je-li soustava špatn podmínná, pak se dá k diagonále matice íst malé íslo Moderní metody optimalizace 33
34 Ilustrativní píklad radiálních bází Pvodní model: = Meta-model: radiální báze s lineárními fixními bázemi = Body návrhu experimentu = 4,2,6 Odezvy pvodního modelu = 16,4,36 Centra bází: () = 4, () = 2, () =6 = ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) = =,,,,,,,,, Moderní metody optimalizace 34
35 Ilustrativní píklad radiálních bází = =,,,,,,,,, = Centra bází: () = 4, () = 2, () =6 3 = = = = =10 3 =3 =9 Moderní metody optimalizace 35
36 Kombinace aproximaních a interpolaních meta-model Vhodné využít výhody obou typ meta-model Nap. kombinace lineární regrese a radiálních bází Data X, odezvy y Výpoet regresních koeficient pro LR a odezev Model LR: = + + = odezvy = + Odetení hodnot odezvy pvodního modelu a odezvy LR a získání chyby = Moderní metody optimalizace 36
37 Kombinace aproximaních a interpolaních meta-model Aproximace chyby pomocí radiálních bází Model: = = Váhové koeficienty = Celková aproximace: () = () + () Moderní metody optimalizace 37
38 Problém Aproximaní nástroje obvykle vybrány tak, aby byly zna jednodušší než optimalizovaný problém Aproximace pouze na základ výsledk z DoE obvykle nepopisuje problém dostate => nutnost iteraního postupu Moderní metody optimalizace 38
39 Algoritmus 1. DoE vytvoí nová ešení, ohodnotí je na P 2. Pidání nových ešení do M 3. Nastavení (aproximace) M 4. Optimalizace M získání nových ešení 5. Ohodnocení nových ešení na P 6. Pokud ne konvergence, návrat do bodu 2 Moderní metody optimalizace 39
40 Algoritmus 1. Inicializace optimalizaního algoritmu OA obvykle DoE, ohodnocení pomocí P, nastavení M 2. Vytvoení nových ešení OA 3. M vytvoí odhad hodnot nových ešení 4. OA si podle odhadu M vybere, která ešení spoítá pomocí P 5. ešení ohodnocená P vložena do M, nastavení M 6. Pokud OA iteruje, tak pokrauje bodem 2 Moderní metody optimalizace 40
41 Porovnání a Použití algoritm závisí na de v schopnosti meta-modelu vrn popsat tvar problému: Algoritmus je založen na úplné de (meta-model ídí optimalizaci) Algoritmus je naopak založen na znané nede (optimalizace pokud chce, tak použije meta-model) Moderní metody optimalizace 41
42 RBFN (Radial-Basis Function Network) (Sít s radiální bází) Funkce je aproximována: y ( x) N i1 Bázové funkce : xx 2 / h i h i i ( x) ( x) e i r Váhy i vypoteny z rovnosti funkních hodnot funkce a její aproximace v N bodech x i Na aproximaci nalezeno optimum pomocí GA Pidání dalších trénovacích bod Optimum nalezené GA Náhodný bod Bod ve smru lepšího ze dvou posledních optim získaných GA (jednoduchý gradient) Moderní metody optimalizace 42
43 RBFN Jednoduchý testovací íklad ex x y15 x, y 10e sinx Moderní metody optimalizace 43
44 RBFN ešení úlohy ex1 s využitím algoritmu GRADE jako optimalizaní metody Moderní metody optimalizace 44
45 RBFN Moderní metody optimalizace 45
46 Adaptive sampling around LSF [Roos, 2006] Moderní metody optimalizace 46
47 Surrogate Model Appropriate number of sampling points is needed Adaptive updating procedure Multi-objective optimization problem Maximization of the nearest distance of the added point from already sampled points (like minimax metric) To be as close as possible to the approximate limit state surface Moderní metody optimalizace 47
48 Multi-objective adaptive sampling 2D, 27 points Moderní metody optimalizace 48
49 Multi-objective adaptive sampling 12D, 65 points Moderní metody optimalizace 49
50 Implemented Meta-Models RBFN from Matlab Neural Network based CTU implementation of RBFN with different polynomial regression parts Kriging DACE toolbox in Matlab with different polynomial regression parts with regression part found by Genetic Programming Moderní metody optimalizace 50
51 Adaptive update of meta-model Contours of the example (left) and starting DoE (right). Note that the red contour is for F(x) = 0. Moderní metody optimalizace 51
52 Pareto front (top), contours of the problem with DoEs (middle) and DoEs points (bottom). Key: Red added and computed solutions, Blue points that were too close to other Pareto front points, Green the remaining points of population and Blue empty points the original DoE. Moderní metody optimalizace 52
53 Quality of a metamodel RBFN (Matlab) Kriging Moderní metody optimalizace 53
54 Quality of updating procedure Moderní metody optimalizace 54
55 Reference [1] Jin, Y. (2003) A comprehensive survey of fitness approximation in evolutionary computation. Soft Computing Journal, 9(1):3-12. [2] T. W. Simpson, J. D. Peplinski, P. N. Koch and J. K. Allen. (2001) Metamodels for Computer-based Engineering Design: Survey and recommendations. Engineering with Computers 17: [3] H. Nakayama, K. Inoue and Y.Yoshimori (2004) Approximate optimization using computational intelligence and its application to reinforcement of cable-stayed bridges, ECCOMAS. [4] M. K. Karakasis and K. C. Giannakoglou (2004) On the use of surrogate evaulation models in multi-objective evolutionary algorithms, ECCOMAS. [5] Ibrahimbegovi, A., Knopf-Lenoir, C., Kuerová, A., Villon, P., (2004) Optimal design and optimal control of elastic structures undergoing finite rotations, International Journal for Numerical Methods in Engineering. Moderní metody optimalizace 55
56 Reference [6] Forrester, A., Sobester A., and Keane A., (2008) Engineering design via surrogate modelling: a practical guide. John Wiley & Sons. [7] Weise, Thomas, et al. "Why is optimization difficult?" Nature- Inspired Algorithms for Optimisation. Springer Berlin Heidelberg, [8] D. C. Montgomery. Design and Analysis of Experiments, 5th Edition. Wiley, June [9] R. H. Myers and D. C. Montgomery. Response Surface Methodology: Process and Product Optimization Using Designed Experiments. New York: Wiley, Moderní metody optimalizace 56
57 i píprav této pednášky byla použita ada materiál laskav poskytnutých Ing. Adélou Pospíšilovou ze Stavební fakulty VUT. Ostatní zdroje jsou ocitovány v míst použití. Prosba. V pípad, že v textu objevíte njakou chybu nebo budete mít námt na jeho vylepšení, ozvte se prosím na matej.leps@fsv.cvut.cz. Datum poslední revize: Verze: 001 Moderní metody optimalizace 57
Vícekriteriální optimalizace
Vícekriteriální optimalizace Optimalizace více funkcí najednou Je zapot ebí další matematický aparát Obecn : minimize y f( x) ( ( x) ( x) ( x)) f1 f 2 f k subjected to g ( x) 0 j 1 ne j g ( x) 0 j ne 1
VíceMetamodeling. Moderní metody optimalizace 1
Metamodelng Nejmodernějšíoblast optmalzace Určena zejména pro praktckéaplkace s velkým výpočetním nároky Vycházíz myšlenky, že reálnéoptmalzační problémy nejsou sce konvení, ale jsou do značnémíry hladké
VíceEvolučníalgoritmy. Dále rozšiřována, zde uvedeme notaci a algoritmy vznikléna katedře mechaniky, Fakulty stavební ČVUT. Moderní metody optimalizace 1
Evolučníalgoritmy Kategorie vytvořená v 90. letech, aby se sjednotily jednotlivémetody, kterévyužívaly evoluční principy, tzn. Genetickéalgoritmy, Evolučnístrategie a Evoluční programování (v těchto přednáškách
VíceNavrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie
Evoluční strategie Navrženy v 60. letech jako experimentální optimalizační metoda Založena na reálných číslech Velice rychlá s dobrou podporou teorie Jako první zavedla self-adaptation (úpravu sebe sama)
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceOptimalizace provozních podmínek. Eva Jarošová
Optimalizace provozních podmínek Eva Jarošová 1 Obsah 1. Experimenty pro optimalizaci provozních podmínek 2. EVOP klasický postup využití statistického softwaru 3. Centrální složený návrh model odezvové
Více1 Přesnost metody konečných prvků
1 PŘESNOST METODY KONEČNÝCH PRVKŮ 1 1 Přesnost metody konečných prvků Metoda konečných prvků je založena na diskretizaci původní spojité konstrukce soustavou prvků (nebo obecněji na diskretizaci slabé
VíceFakulta stavební Katedra mechaniky. Comparison of space-filling design strategies
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Katedra mechaniky Srovnání metod tvorby rovnoměrně rozprostřených návrhů Comparison of space-filling design strategies Soutěžní práce Studijní program:
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceAVDAT Klasický lineární model, metoda nejmenších
AVDAT Klasický lineární model, metoda nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model y i = β 0 + β 1 x i1 + + β k x ik + ε i (1) kde y i
VíceSwarm Intelligence. Moderní metody optimalizace 1
Swarm Intelligence http://pixdaus.com/single.php?id=168307 Moderní metody optimalizace 1 Swarm Intelligence Inteligence hejna algoritmy inspirované chováním skupin ptáků, hmyzu, ryb apod. Particle Swarm
VíceNávrh experimentů pro stochastickou citlivostní analýzu. Designs of experiments for sampling-based sensitivity analysis
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Katedra mechaniky Návrh experimentů pro stochastickou citlivostní analýzu Designs of experiments for sampling-based sensitivity analysis Bakalářská
VíceMethod for constrained designs of experiments in two dimensions
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Katedra mechaniky Metoda pro tvorbu návrhů s omezujícími podmínkami ve dvou dimenzích Method for constrained designs of experiments in two dimensions
VíceStavební mechanika 2 (K132SM02)
Stavební mechanika 2 (K132S02) ednáší: doc. Ing. atj Lepš, Ph.D. Katedra mechaniky K132 místnost D2034 e-mail: matej.leps@fsv.cvut.cz konzultaní hodiny Pá 10:00-11:30 Symetrické rovinné konstrukce zatížené
VíceDSS a De Novo programming
De Novo Programming DSS a De Novo programming DSS navrhují žádoucí budoucnost a cesty k jejímu uskutečnění Optimalizační modely vhodné nástroje pro identifikaci optimálního řešení problému Je ale problém
VíceKombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
VíceGenetické programování 3. část
1 Portál pre odborné publikovanie ISSN 1338-0087 Genetické programování 3. část Macháček Martin Elektrotechnika 08.04.2011 Jako ukázku použití GP uvedu symbolickou regresi. Regrese je statistická metoda
VíceGenetické programování
Genetické programování Vyvinuto v USA v 90. letech J. Kozou Typické problémy: Predikce, klasifikace, aproximace, tvorba programů Vlastnosti Soupeří s neuronovými sítěmi apod. Potřebuje značně velké populace
VíceNávrhy experimentů pro stochastickou citlivostní analýzu
České vysoké učení technické v Praze Fakulta stavební Studentská vědecká a odborná činnost Akademický rok 0/0 Návrhy experimentů pro stochastickou citlivostní analýzu Jméno a příjmení studenta, ročník,
VíceEva Fišerová a Karel Hron. Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci.
Ortogonální regrese pro 3-složkové kompoziční data využitím lineárních modelů Eva Fišerová a Karel Hron Katedra matematické analýzy a aplikací matematiky Přírodovědecká fakulta Univerzity Palackého v Olomouci
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceTéma 4: Stratifikované a pokročilé simulační metody
0.007 0.006 0.005 0.004 0.003 0.002 0.001 Dlouhodobé nahodilé Std Distribution: Gumbel Min. EV I Mean Requested: 140 Obtained: 141 Std Requested: 75.5 Obtained: 73.2-100 0 100 200 300 Mean Std Téma 4:
VíceSPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky
SPOLEHLIVOST KONSTRUKCÍ & TEORIE SPOLEHLIVOSTI část 5: Aproximační techniky Drahomír Novák Jan Eliáš 2012 Spolehlivost konstrukcí, Drahomír Novák & Jan Eliáš 1 část 5 Aproximační techniky 2012 Spolehlivost
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceAproximace a interpolace
Aproximace a interpolace Aproximace dat = náhrada nearitmetické veličiny (resp. složité funkce) pomocí aritmetických veličin. Nejčastěji jde o náhradu hodnot složité funkce g(x) nebo funkce zadané pouze
VíceInterpolace pomocí splajnu
Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom
VíceLineární diskriminační funkce. Perceptronový algoritmus.
Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace
VíceTéma 3 Metoda LHS, programový systém Atena-Sara-Freet
Spolehlivost a bezpečnost staveb, 4.ročník bakalářského studia Téma 3 Metoda LHS, programový systém Atena-Sara-Freet Parametrická rozdělení Metoda Latin Hypercube Sampling (LHS) aplikovaná v programu Freet
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VícePrincip gradientních optimalizačních metod
Princip gradientních optimalizačních metod Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a základní
VíceMetoda nejmenších čtverců Michal Čihák 26. listopadu 2012
Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických
VíceFakulta stavební PRO STOCHASTICKOU CITLIVOSTNÍ ANALÝZU. Autorka:
České vysoké učení technické v Praze Fakulta stavební NÁVRHY EXPERIMENTŮ PRO STOCHASTICKOU CITLIVOSTNÍ ANALÝZU Autorka: Eliška Janouchová Vedoucí práce: Ing. Anička Kučerová, Ph.D. 25. dubna 2012 Abstrakt
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
VícePozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně
9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených
VíceADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE
ADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE Oktavián Strádal 1 Anotace: Článek ukazuje použití metod umělé inteligence
VíceStrukturální regresní modely. určitý nadhled nad rozličnými typy modelů
Strukturální regresní modely určitý nadhled nad rozličnými typy modelů Jde zlepšit odhad k-nn? Odhad k-nn konverguje pro slušné k očekávané hodnotě. ALE POMALU! Jiné přístupy přidají předpoklad o funkci
VícePOROVNÁNÍ NUMERICKÝCH METOD PRO ANALÝZU NEJISTOT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ POROVNÁNÍ NUMERICKÝCH METOD PRO ANALÝZU NEJISTOT Autorka: ELIŠKA JANOUCHOVÁ Vedoucí práce: Ing. ANIČKA KUČEROVÁ, Ph.D. 25. dubna 23 Abstrakt Značný
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
VíceANALYTICKÉ PROGRAMOVÁNÍ
ZVYŠOVÁNÍODBORNÝCH KOMPETENCÍAKADEMICKÝCH PRACOVNÍKŮ OSTRAVSKÉUNIVERZITY V OSTRAVĚ A SLEZSKÉ UNIVERZITY V OPAVĚ ANALYTICKÉ PROGRAMOVÁNÍ Eva Volná Zuzana Komínková Oplatková Roman Šenkeřík OBSAH PRESENTACE
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
VíceMetodika generování a ladění modelů neuronových sítí
Metodika generování a ladění modelů neuronových sítí Martin Moštěk Katedra měřicí a řídicí techniky, FEI, VŠB Technická univerzita Ostrava 17. listopadu 15, 708 33, Ostrava-Poruba martin.mostek@vsb.cz
VíceTVORBA NEZÁVISLÝCH VEKTORŮ S UŽITÍM METODY SIMULOVANÉHO ŽÍHÁNÍ
České vysoké učení technické v Praze Stavebná fakulta Študentská vedecká a odborná činnosť akademický rok 2004/2005 TVORBA NEZÁVISLÝCH VEKTORŮ S UŽITÍM METODY SIMULOVANÉHO ŽÍHÁNÍ Priezvisko, meno študenta
VíceÚvod do stochastických optimalizačních metod (metaheuristik) Moderní metody optimalizace 1
Úvod do stochastických optimalizačních metod (metaheuristik) Moderní metody optimalizace 1 Efektivita optimalizačních metod Robustní metoda Efektivita Specializovaná metoda Enumerace nebo MC kombinatorický
VíceStátní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky
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
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceFaster Gradient Descent Methods
Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceKlasická a robustní ortogonální regrese mezi složkami kompozice
Klasická a robustní ortogonální regrese mezi složkami kompozice K. Hrůzová, V. Todorov, K. Hron, P. Filzmoser 13. září 2016 Kompoziční data kladná reálná čísla nesoucí pouze relativní informaci, x = (x
VíceOPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS
OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceStavební mechanika 2 (K132SM02)
Stavení mechanika (K13SM0) ednáší: doc. Ing. Matj Lepš, Ph.D. Katedra mechaniky K13 místnost D034 e-mail: matej.leps@sv.cvut.cz konzultaní hodiny Pá 10:00-11:30 íklad: vykreslete prhy M(), N(), V() na
VíceKlasifikační metody pro genetická data: regularizace a robustnost
Odd medicínské informatiky a biostatistiky Ústav informatiky AV ČR, vvi Práce vznikla za finanční podpory Nadačního fondu Neuron na podporu vědy Klasifikační metody pro genetická data Regularizovaná klasifikační
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
VíceSPOLEHLIVOSTNÍ ANALÝZA STAVEBNÍCH KONSTRUKCÍ - APLIKACE
IV. ročník celostátní konference SPOLEHLIVOST KONSTRUKCÍ Téma: Posudek - poruchy - havárie 163 23.až 24.4.2003 Dům techniky Ostrava ISBN 80-02-01551-7 SPOLEHLIVOSTNÍ ANALÝZA STAVEBNÍCH KONSTRUKCÍ - APLIKACE
Více4. Na obrázku je rozdělovací funkce (hustota pravděpodobnosti) náhodné veličiny X. Jakou hodnotu musí mít parametr k?
A 1. Stanovte pravděpodobnost, že náhodná veličina X nabyde hodnoty menší než 6: P( X 6). Veličina X má rozdělení se střední hodnotou 6 a směrodatnou odchylkou 5: N(6,5). a) 0 b) 1/3 c) ½ 2. Je možné,
VíceLINEÁRNÍ MODELY. Zdeňka Veselá
LINEÁRNÍ MODELY Zdeňka Veselá vesela.zdenka@vuzv.cz Genetika kvantitativních vlastností Jednotlivé geny nejsou zjistitelné ani měřitelné Efekty většího počtu genů poskytují variabilitu, kterou lze většinou
VíceStrojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
VíceÚvod do optimalizace Matematické metody pro ITS (11MAMY)
Úvod do optimalizace Matematické metody pro ITS (11MAMY) Jan Přikryl (volně dle M.T. Heathe) 10. přednáška 11MAMY úterý 22. března 2016 verze: 2016-04-01 16:10 Obsah Optimalizační problém 1 Definice 1
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VíceUžití systému Matlab při optimalizaci intenzity tepelného záření na povrchu formy
Užití systému Matlab při optimalizaci intenzity tepelného záření na povrchu formy Radek Srb 1) Jaroslav Mlýnek 2) 1) Fakulta mechatroniky, informatiky a mezioborových studií 2) Fakulta přírodovědně-humanitní
VíceSPOLEHLIVOST KONSTRUKCÍ
VYSOKÉ UENÍ TECHNICKÉ V BRN FAKULTA STAVEBNÍ Prof. Ing. DRAHOMÍR NOVÁK, DrSc. SPOLEHLIVOST KONSTRUKCÍ MODUL P01 PRVODCE PEDMTEM CD04, CD06 STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA
VíceMethods for space-filling designs of experiments
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Katedra mechaniky Metody pro tvorbu rovnoměrně rozprostřených návrhů Methods for space-filling designs of experiments Bakalářská práce Studijní program:
VíceStavební mechanika 2 (K132SM02)
Stavební mechanika (K13SM0) ednáší: doc. Ing. Matj Lepš, Ph.D. Katedra mechaniky K13 místnost D034 e-mail: matej.leps@fsv.cvut.cz konzultaní hodiny Pá 10:00-11:30 Matj Lepš 016 3.1 Prh vnitních sil po
VíceBodové a intervalové odhady parametrů v regresním modelu
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Lineární regresní model Mějme lineární regresní model (LRM) Y = Xβ + e, kde y 1 e 1 β y 2 Y =., e
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceBAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Numerické metody jednorozměrné minimalizace Vedoucí bakalářské práce: RNDr. Horymír
VíceAPROXIMACE KŘIVEK V MATLABU NEWTONŮV INTERPOLAČNÍ POLYNOM CURVE FITTING IN MATLAB NEWTON INTERPOLATION POLYNOMIAL
APROXIMACE KŘIVEK V MATLABU NEWTONŮV INTERPOLAČNÍ POLYNOM CURVE FITTING IN MATLAB NEWTON INTERPOLATION POLYNOMIAL Jiří Kulička 1 Anotace: Článek se zabývá odvozením, algoritmizací a popisem konstrukce
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceOptimalizace obecný úvod. [proč optimalizovat?] Formalizace problému. [existují podobné problémy?]
Optimalizace obecný úvod 1 Optimalizace obecný úvod Motivace optimalizačních úloh [proč optimalizovat?] Formalizace problému [jak obecně popsat optimalizační úlohu?] Klasifikace optimalizačních problémů
VíceInterpolační funkce. Lineární interpolace
Interpolační funkce VEKTOR RASTR Metody Globální Regrese - trend Lokální Lineární interpolace Výstupy Regrese lokální trend Inverse Distance Weighted IDW Spline Thiessenovy polygony Natural Neighbours
Více1 Úvod do celočíselné lineární optimalizace
Úvod do celočíselné lineární optimalizace Martin Branda, verze 7.. 7. Motivace Reálné (smíšeně-)celočíselné úlohy Optimalizace portfolia celočíselné počty akcií, modelování fixních transakčních nákladů,
VíceEvoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
VíceProstorová variabilita
Prostorová variabilita prostorová závislost (autokorelace) reprezentuje korelaci mezi hodnotami určité náhodné proměnné v místě i a hodnotami téže proměnné v jiném místě j; prostorová heterogenita je strukturální
VíceLineární a logistická regrese
Lineární a logistická regrese Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní prostředky finanční a pojistné matematiky
VícePokročilé metody učení neuronových sítí. Tomáš Řehořek tomas.rehorek@fit.cvut.cz
Pokročilé metody učení neuronových sítí Tomáš Řehořek tomas.rehorek@fit.cvut.cz Problém učení neuronové sítě (1) Nechť N = (V, I, O, S, w, f, h) je dopředná neuronová síť, kde: V je množina neuronů I V
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
VícePočítačové simulace a statistická mechanika
Počítačové simulace a statistická mechanika Model = soubor aproximaci přijatých za účelem popisu určitého systému okrajové podmínky mezimolekulové interakce Statistické zpracování průměrování ve fázovém
VíceDesign of experiment Návrh experimentu
Design of experiment Návrh experimentu 19.7.2010 Co je to experiment Co je to experiment DOE SixSigma Proč se zabývat návrhem experimentu? Motivační příklad Klasický návrh DOE návrh experimentu Znalost
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VíceSplajny a metoda nejmenších tverc
Splajny a metoda nejmenších tverc 1. píklad a) Najdte pirozený kubický splajn pro funkci na intervalu Za uzly zvolte body Na interpolaci pomocí kubického splajnu použijeme píkaz Spline(ydata,, endpts).
VíceVyužití přímé inverzní metody pro řízení reálných systémů
XXVI. ASR '2001 Seminar, Instruments and Control, Ostrava, April 26-27, 2001 Paper 70 Využití přímé inverzní metody pro řízení reálných systémů ŠKUTOVÁ, Jolana Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17.
Vícestránkách přednášejícího.
Předmět: MA 4 Dnešní látka Iterační metoda Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Superrelaxační metoda (metoda SOR) Metoda sdružených gradientů Četba: Text o lineární algebře v Příručce
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička školitel : Doc. Ing. Ivan Mazůrek, CSc. Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 12.listopadu
VíceBinární vyhledávací stromy pokročilé partie
Binární vyhledávací stromy pokročilé partie KMI/ALS lekce Jan Konečný 30.9.204 Literatura Cormen Thomas H., Introduction to Algorithms, 2nd edition MIT Press, 200. ISBN 0-262-5396-8 6, 3, A Knuth Donald
VícePseudospektrální metody
Pseudospektrální metody Obecně: založeny na rozvoji do bázových funkcí s globálním nosičem řešení diferenciální rovnice aproximuje sumou kde jsou např. Čebyševovy polynomy nebo trigonometrické funkce tyto
VíceA Parallel Evolutionary Strategy for minimax Evaluation
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Katedra mechaniky Paralelní evoluční strategie pro vyhodnocení minimax kritéria A Parallel Evolutionary Strategy for minimax Evaluation Soutěžní práce
VíceVyužití hybridní metody vícekriteriálního rozhodování za nejistoty. Michal Koláček, Markéta Matulová
Využití hybridní metody vícekriteriálního rozhodování za nejistoty Michal Koláček, Markéta Matulová Outline Multiple criteria decision making Classification of MCDM methods TOPSIS method Fuzzy extension
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceVYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU
VYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU Luděk ZÁVODNÝ, Stanislav HANUS Ústav radioelektroniky, Fakulta elektrotechniky a komunikačních technologií Vysoké učení technické v Brně
VíceIng. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D.
OPTIMALIZACE BRAMOVÉHO PLYNULÉHO ODLÉVÁNÍ OCELI ZA POMOCI NUMERICKÉHO MODELU TEPLOTNÍHO POLE Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D. Fakulta strojního inženýrství
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
Více(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
VíceOptimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
VíceZada ní 1. Semina rní pra ce z pr edme tu Matematický software (KI/MSW)
Zada ní. Semina rní pra ce z pr edme tu Matematický software (KI/MSW) Datum zadání: 5.. 06 Podmínky vypracování: - Seminární práce se skládá z programové části (kódy v Matlabu) a textové části (protokol
VíceCvičení 9. Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET. Software FREET Simulace metodou LHS
Pravděpodobnostní posuzování konstrukcí 4. ročník bakalářského studia obor Konstrukce staveb Cvičení 9 Posudek únosnosti ohýbaného prutu metodou LHS v programu FREET Software FREET Simulace metodou LHS
Více