Spojení OntoUML a GLIKREM ve znalostním rozhodování
|
|
- Lenka Bednářová
- před 8 lety
- Počet zobrazení:
Transkript
1 1 Formalizace biomedicínských znalostí Spojení OntoUML a GLIKREM ve znalostním rozhodování Ing. David Buchtela, Ph.D. 16. června 2014, Faustův dům, Praha Skupina mezioborových dovedností Fakulta informačních technologií České vysoké učení technické v Praze
2 2 Zkoumaný systém Znalostní rozhodování Báze dat reprezentace entit a vztahů mezi nimi Báze znalostí model znalostí expertní doporučení Inferenční mechanismus algoritmus rozhodování
3 3 Znalostní rozhodování Princip rozhodování na základě znalostí Reprezentace báze dat konceptuální model OntoUml Reprezentace báze znalostí GLIKREM stanovení rozhodovacích kritérií (strict-in, strict-out, rule-in, rule-out) Provázání modelů OntoUML a GLIKREM reprezentace stavů a přechodů mezi nimi vyhodnocení rozhodovacích kritérií (přechodů)
4 4 Reprezentace báze dat Konceptuální model OntoUML vytipování podstatných entit (pacient, lék, vyšetření, podnik, ) a jejich vztahy (asociace) typy a aspekty dle ontologické identity - typy Sortal(I+) a Non-Sortal(I-) dle modální logiky (rigidity) - typy Rigid(R+) a Anti-Rigid(R-) Role Phase
5 5 Reprezentace báze dat Podstatné typy OntoUML pro reprezentaci báze dat Kind, resp. Subkind (I+, R+) reprezentující nutné (z pohledu modální logiky) vlastnosti entit např. Osoba Role (I+, R-) reprezentující možné (z pohledu modální logiky) vlastnosti entit např. Lékař, Pacient, Jednatel, Phase (I+, R-) reprezentuje stav entity, který lze odvodit z vlastností entity např. Hypertenze I.stupně (stav Pacienta) závislý na velikosti jeho systolického a diastolického tlaku Mode (aspekt) reprezentuje stav entity v čase, tj. hodnoty jejích vlastností v nějakém časovém okamžiku např. stav Pacienta v době kontroly u Lékaře
6 6 GLIKREM (Guideline Knowledge Representation Model) Reprezentace báze znalostí V - neprázdná konečná množina vrcholů (kroků) v 0 - počáteční vrchol typu stav H - neprázdná konečná množina orientovaných hran - aktuální čas v modelu P - posloupnost parametrů modelu
7 7 Reprezentace báze znalostí Podstatné prvky GLIKREM pro reprezentaci báze znalostí Stav (State) počáteční stav nebo stav, ve kterém se zkoumaná entita nachází po provedení některého předchozího kroku (vrcholu), především pak vrcholu Rozhodování např. Hypertenze I.stupně, Diagnoza NAP, ale i předepsána kontrola za 3 měsíce Rozhodování (Decision) představuje výběr následného kroku na základě splnění logického kritéria (3-hodnotová logika) striktní, nezávislé na volbě uživatele (člověka) strict-in určitě následný krok strict-out určitě zakázaný krok doporučující, nutná volba uživatele nebo rozhodnutí na základě zkušeností rule-in doporučený krok rule-out nedoporučený krok
8 Spojení OntoUML a GLIKREM Proces rozhodování lze chápat jako formu nedeterministického konečného automatu, kdy sledujeme přechody mezi stavy dané entity Stavy spojení STATE-PHASE stav entity odvoditelný z hodnot vlastností (atributů) entity např. Hypertenze I.stupně (STK>130 a DTK>80) spojení STATE-MODE stav entity (všech vlastností) v čase např. Další měření tlaku za 3 měsíce (hodnoty STK a DTK v čase) <<phase>> Hypertenze I.stupně State <<kind>> Osoba <<role>> Pacient <<characterization>> <<mode>> Další měření tlaku za 3 měsíce STK : Integer[1] DTK: Integer[1] 8
9 9 Spojení OntoUML a GLIKREM Přechody mezi stavy vyhodnocování ve 3-hodnotové logice (ano, ne, neznámo) Fáze načtení vstupních parametrů dostupné hodnoty z báze dat načtení (stanovení) hodnot obvykle v kroku Akce (GLIKREM) Fáze vyhodnocení striktních kritérií strict-out kritérium zakázaná větev (ano / ne) neznámo doplnit parametry strict-in kritérium určitě následná větev (ano / ne) neznámo doplnit parametry Fáze vyhodnocení doporučujících kritérií rule-in doporučená větev rule-out nedoporučená větev Pro všechny kombinace hodnot vstupních parametrů: Nesmí být všechna strictout pravdivá Nejvýše jedno strict-in pravdivé v povolených větvích
10 Model zkušeností Pro automatickou volbu následné větve v případě splnění pouze doporučujících kritérií (rule-in, rule-out) je třeba simulovat volbu člověka -> volba na základě zkušeností Reprezentace (model) zkušeností založená na: více (tří) vrstvých neuronových sítích na základě předchozích rozhodnutích (volbě člověka) se neuronová síť adaptuje (učí) Bayesovských sítích pravděpodobnostní reprezentace znalostí pomocí málorozměrných pravděpodobnostních distribucí David.Buchtela@fit.cvut.cz 10
11 11 Závěrem Pro proces rozhodování na základě znalostí je podstatné vytvořit konceptuální model v OntoUML převod na implementační (objektový) model nástroje pro implementaci a použití výsledné aplikace vytvořit model (procedurálních) znalostí GLIKREM na základě expertních doporučení daného oboru věnování pozornosti reprezentace vhodných stavů entit pro přechody mezi stavy definovat rozhodovací kritéria striktní i doporučující kritéria definovat propojení mezi modely OntoUML a GLIKREM mapování stavů (GLIKREM) na typy (OntoUML) implementace přechodů mezi stavy automatické vyhodnocení doporučujících kritérií na základě modelu zkušeností
12 12 Děkuji za pozornost! Dotazy?
Zpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
VíceMetody tvorby ontologií a sémantický web. Martin Malčík, Rostislav Miarka
Metody tvorby ontologií a sémantický web Martin Malčík, Rostislav Miarka Obsah Reprezentace znalostí Ontologie a sémantický web Tvorba ontologií Hierarchie znalostí (D.R.Tobin) Data jakékoliv znakové řetězce
Více1. Znalostní systémy a znalostní inženýrství - úvod. Znalostní systémy. úvodní úvahy a předpoklady. 26. září 2017
Znalostní systémy úvodní úvahy a předpoklady 26. září 2017 1-1 Znalostní systém Definice ZS (Feigenbaum): Znalostní (původně expertní) systémy jsou počítačové programy simulující rozhodovací činnost experta
VíceInformační systémy 2008/2009. Radim Farana. Obsah. Nástroje business modelování. Business modelling, základní nástroje a metody business modelování.
3 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Business modelling, základní nástroje a metody business modelování.
VíceJe možné efektivně používat procesně orientované pracovní postupy při zdravotní péči?
Je možné efektivně používat procesně orientované pracovní postupy při zdravotní péči? Miloš Suchý 1, Martina Pátá 1, Richard Matyáš 2 1 Institut pro aplikovaný výzkum, edukaci a řízení ve zdravotnictví,
VíceInformační a znalostní systémy jako podpora rozhodování
Informační systémy a technologie Informační a znalostní systémy jako podpora rozhodování Petr Moos - ČVUT VŠL Přerov listopad 2015 Analýza a syntéza systému Definici systému můžeme zapsat ve tvaru: S =
Vícepopel, glum & nepil 16/28
Lineární rezoluce další způsob zjemnění rezoluce; místo stromu směřujeme k lineární struktuře důkazu Lineární rezoluční odvození (důkaz) z Ë je posloupnost dvojic ¼ ¼ Ò Ò taková, že Ò ½ a 1. ¼ a všechna
Více2. přednáška z předmětu GIS1 Data a datové modely
2. přednáška z předmětu GIS1 Data a datové modely Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Pro přednášku byly použity texty a obrázky z www.gis.zcu.cz Předmět KMA/UGI, autor Ing. K.
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceÚvod do expertních systémů
Úvod do expertních systémů Expertní systém Definice ES (Feigenbaum): expertní systémy jsou počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně zakódovaných,
VíceDATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
VíceLogika pro sémantický web
ZVYŠOVÁNÍ ODBORNÝCH KOMPETENCÍ AKADEMICKÝCH PRACOVNÍKŮ OSTRAVSKÉ UNIVERZITY V OSTRAVĚ A SLEZSKÉ UNIVERZITY V OPAVĚ Logika pro sémantický web Martin Žáček PROČ BALÍČEK? 1. balíček Formální logické systémy
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VícePŘIJÍMACÍ TEST z informatiky a matematiky pro navazující magisterské studium Fakulta informatiky a managementu Univerzity Hradec Králové
PŘIJÍMACÍ TEST z informatiky a matematiky pro navazující magisterské studium Fakulta informatiky a managementu Univerzity Hradec Králové Registrační číslo Hodnocení část A Hodnocení část B Hodnocení A+B
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
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
VíceZnalostní technologie proč a jak?
Znalostní technologie proč a jak? Peter Mikulecký Kamila Olševičová Daniela Ponce Univerzita Hradec Králové Motivace 1993 vznik Fakulty řízení a informační technologie na Vysoké škole pedagogické v Hradci
VíceArchitektura softwarových systémů
Architektura softwarových systémů Ing. Jiří Mlejnek Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze Jiří Mlejnek, 2011 jiri.mlejnek@fit.cvut.cz Softwarové
VíceVýroková a predikátová logika - V
Výroková a predikátová logika - V Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - V ZS 2015/2016 1 / 21 Dokazovací systémy VL Hilbertovský kalkul Hilbertovský
VíceProgramování II. Modularita 2017/18
Programování II Modularita 2017/18 Modul? Osnova přednášky Vývoj programování Modularita Příklad Vývoj programování Paradigmata programování Jak a proč se jazyky vyvíjejí? V čem se OOP liší od předchozích
VícePetr Křemen. Katedra kybernetiky, FEL ČVUT. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112
Sémantické sítě a rámce Petr Křemen Katedra kybernetiky, FEL ČVUT Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112 Co nás čeká 1 Úvod do reprezentace znalostí 2 Sémantické sítě
VíceH. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976
Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty
VíceObjektově orientované technologie Business proces Diagram aktivit. Daniela Szturcová
Objektově orientované technologie Business proces Diagram aktivit Daniela Szturcová Osnova Bysnys proces pojmy metody, specifikace pomocí diagramů Modelování pomocí aktivitního diagramu prvky diagramu
VíceReprezentace znalostí - úvod
Reprezentace znalostí - úvod Úvod do znalostního inženýrství, ZS 2015/16 6-1 Co je to znalost? Pojem znalost zahrnuje nejen teoretické vědomosti člověka z dané domény, ale také jeho dlouhodobé zkušenosti
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2015/2016 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2015/2016 1 / 18 Základní syntax Jazyk Výroková logika je logikou
VíceElektronický zdravotní záznam, sběr klinických údajů a klinické lékařské doporučení
Elektronický zdravotní záznam, sběr klinických údajů a klinické lékařské doporučení Mgr. Miroslav Nagy, Ph.D. Centrum Biomedicínské Informatiky Oddělení Medicínské Informatiky, UI AV ČR v.v.i. Seminář:
VíceInformační systémy 2008/2009. Radim Farana. Obsah. Obsah předmětu. Požadavky kreditového systému. Relační datový model, Architektury databází
1 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení 2008/2009 Radim Farana 1 Obsah Požadavky kreditového systému. Relační datový model, relace, atributy,
VíceOntologie. Otakar Trunda
Ontologie Otakar Trunda Definice Mnoho různých definic: Formální specifikace sdílené konceptualizace Hierarchicky strukturovaná množina termínů popisujících určitou věcnou oblast Strukturovaná slovní zásoba
VíceVýroková a predikátová logika - II
Výroková a predikátová logika - II Petr Gregor KTIML MFF UK ZS 2013/2014 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - II ZS 2013/2014 1 / 20 Základní syntax Jazyk Výroková logika je logikou
Více1 Expertní systémy. 1.1 Základní informace. 1.2 Výstupy z učení. 1.3 Expertní systém (ES) 1.4 Komponenty expertních systémů
Obsah 1 Expertní systémy... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Expertní systém (ES)... 2 1.4 Části ES... 2 1.5 Pravidlové ES... 3 1.5.1 Reprezentace znalostí... 3 1.5.2... 3 1.5.3
VíceNepravidlové a hybridní znalostní systémy
Nepravidlové a hybridní znalostní systémy 7. 14. listopadu 2017 _ 3-1 Nepravidlové reprezentace znalostí K nepravidlovým reprezentačním technikám patří: rozhodovací stromy rámce sémantické sítě Petriho
VíceFakulta informačních technologií. Teoretická informatika
Vysoké učení technické v Brně Fakulta informačních technologií Teoretická informatika Třetí úkol 2 Jan Trávníček . Tato úloha je řešena Turingovým strojem, který je zobrazen na obrázku, který si můžeme
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.
VíceZáklady umělé inteligence
Základy umělé inteligence Úvod Základy umělé inteligence - úvod. Vlasta Radová, ZČU, katedra kybernetiky 1 Zavedení pojmu umělá inteligence Inteligence je schopnost získávat a aplikovat vědomosti a tedy
VíceVýroková a predikátová logika - III
Výroková a predikátová logika - III Petr Gregor KTIML MFF UK ZS 2017/2018 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - III ZS 2017/2018 1 / 16 2-SAT 2-SAT Výrok je v k-cnf, je-li v CNF a
VíceRastrová reprezentace
Rastrová reprezentace Zaměřuje se na lokalitu jako na celek Používá se pro reprezentaci jevů, které plošně pokrývají celou oblast, případně se i spojitě mění. Používá se i pro rasterizované vektorové vrstvy,
VíceAplikace s odvozováním nad ontologiemi
Aplikace s odvozováním nad ontologiemi Doc. Ing. Vojtěch Svátek, Dr. Zimní semestr 2012 http://nb.vse.cz/~svatek/rzzw.html Přehled Odvozování v medicíně Odvozování ve stavebnictví Odvozování v Linked Data
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
VíceServer Internetu prostøednictvím slu eb (web, e-mail, pøenos souborù) poskytuje data. Na na í pracovní stanici Internet
Více
Server Internetu prostøednictvím slu eb (web, e-mail, pøenos souborù) poskytuje data. Na na í pracovní stanici Internet
Více
Analýza a Návrh. Analýza
Analysis & Design Návrh nebo Design? Design = návrh Není vytváření použitelného uživatelského prostředí (pouze malinká podmnožina celého návrhu) Často takto omezeně chápáno studenty nedokáží si představit,
VíceMáte již dobře vyzbrojeného firemního SYNTETIKA?
Máte již dobře vyzbrojeného firemního SYNTETIKA? Konference IDG Data jako motor vašeho byznysu Praha 6.12.2017 Tomáš Vejlupek TOVEK spol. s r.o. CO VÁM CHCI ŘÍCI Data se mohou stát palivem byznysu jen
VíceMOŢNOSTI VYUŢITÍ ROLÍ, AKTORŮ A AGENTŮ PŘI DESIGNU BYZNYS PROCESŮ
MOŢNOSTI VYUŢITÍ ROLÍ, AKTORŮ A AGENTŮ PŘI DESIGNU BYZNYS PROCESŮ Ing. Jan Smolík Vysoká škola finanční a správní PROČ JINÝ ZPŮSOB MODELOVÁNÍ PROCESŮ Základní žurnalistické otázky Co, kdo, kdy, kde, jak,
VíceTÉMATICKÝ OKRUH Softwarové inženýrství
TÉMATICKÝ OKRUH Softwarové inženýrství Číslo otázky : 22. Otázka : Úvodní fáze rozpracování softwarového projektu. Postupy při specifikaci byznys modelů. Specifikace požadavků a jejich rozpracování pomocí
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
VíceAnalýza dat pomocí systému Weka, Rapid miner a Enterprise miner
Vysoká škola ekonomická v Praze Analýza dat pomocí systému Weka, Rapid miner a Enterprise miner Dobývání znalostí z databází 4IZ450 XXXXXXXXXXX Přidělená data a jejich popis Data určená pro zpracování
VíceDatabázové systémy. Ing. Radek Holý
Databázové systémy Ing. Radek Holý holy@cvut.cz Literatura: Skripta: Jeřábek, Kaliková, Krčál, Krčálová, Kalika: Databázové systémy pro dopravní aplikace Vydavatelství ČVUT, 09/2010 Co je relační databáze?
VíceDBS Transformace konceptuálního schématu na
DBS Transformace konceptuálního schématu na relační Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze c Michal Valenta, 2012 BI-DBS, ZS 2012/13 https://edux.fit.cvut.cz/courses/bi-dbs/
VíceTeorie systémů TES 5. Znalostní systémy KMS
Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti. Teorie systémů TES 5. Znalostní systémy KMS ZS 2011/2012 prof. Ing. Petr Moos, CSc. Ústav informatiky a telekomunikací Fakulta dopravní
VíceVýroková a predikátová logika - III
Výroková a predikátová logika - III Petr Gregor KTIML MFF UK ZS 2014/2015 Petr Gregor (KTIML MFF UK) Výroková a predikátová logika - III ZS 2014/2015 1 / 21 Výroková logika Horn-SAT Horn-SAT Jednotková
VíceArchitektury Informačních systémů. Jaroslav Žáček
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
Více6 Objektově-orientovaný vývoj programového vybavení
6 Objektově-orientovaný vývoj programového vybavení 6.1 Co značí objektově-orientovaný - organizace SW jako kolekce diskrétních objektů, které zahrnují jak data tak chování objekt: OMG: Objekt je věc (thing).
VíceIDENTITY MANAGEMENT Bc. Tomáš PRŮCHA
IDENTITY MANAGEMENT Bc. Tomáš PRŮCHA 20. 12. 2013 ÚVOD S penetrací IT do fungování společnosti roste důraz na zabezpečení důvěrnosti a opravdovosti (autenticity) informací a potvrzení (autorizaci) přístupu
VíceNávrh databázového modelu
Návrh databázového modelu Informační a znalostní systémy 1 2 Konflikty 3 návrh musí pokrývat požadavky zadavatele návrhbyměl reflektovat i možné budoucí poslání návrh od shora dolů zdola nahoru Vývoj modelu
VíceReprezentace znalostí. Katedra kybernetiky, ČVUT v Praze.
Reprezentace znalostí Vladimír Mařík Katedra kybernetiky, ČVUT v Praze http://cyber.felk.cvut.cz/ preprezentace znalostí V paměti počítače požadavky na modularitu (M) asociativnost (A) Čtyři základní formalizmy:
VíceAktivní detekce chyb
Fakulta aplikovaných věd, Katedra kybernetiky a Výzkumné centrum Data - Algoritmy - Rozhodování Západočeská univerzita v Plzni Prezentace v rámci odborného semináře Katedry kybernetiky Obsah Motivační
VíceZískávání a reprezentace znalostí
Získávání a reprezentace znalostí 11.11.2014 6-1 Reprezentace znalostí Produkční pravidla Sémantické sítě Získávání znalostí 6-2 a) Česká 6. Reprezentace znalostí v ZS Literatura Berka P.: Tvorba znalostních
VíceOntoUML a UFO-A pro softwarové inženýrství
OntoUML a UFO-A pro softwarové inženýrství No Author Given No Institute Given Abstrakt OntoUML je rozšířením známé notace UML o prvky ontologickyorientovaného konceptuálního modelování. Díky zjemnění kategorizace
VíceHardwarová realizace konečných automatů
BI-AAG - Automaty a gramatiky Katedra teoretické informatiky ČVUT FIT 11.1.21 Co potřebujeme Úvod Potřebujeme: zakódovat vstupní abecedu, zakódovat stavy automatu, pamatovat si současný stav, realizovat
VíceNový bakalářský studijní obor Biomedicínská informatika na Fakultě biomedicínského inženýrství v Kladně
Fakulta biomedicínského inženýrství České vysoké učení technické v Praze Nový bakalářský studijní obor Biomedicínská informatika na Fakultě biomedicínského inženýrství v Kladně Zoltán Szabó Katedra biomedicínské
Vícepostaveny výhradně na syntaktické bázi: jazyk logiky neinterpretujeme, provádíme s ním pouze syntaktické manipulace důkazy
Formální systémy (výrokové) logiky postaveny výhradně na syntaktické bázi: jazyk logiky neinterpretujeme, provádíme s ním pouze syntaktické manipulace důkazy cíl: získat formální teorii jako souhrn dokazatelných
VíceOborové číslo Hodnocení - část A Hodnocení - část B Hodnocení - část A+B
PŘIJÍMACÍ TEST Z INFORMATIKY A MATEMATIKY NAVAZUJÍCÍ MAGISTERSKÉ STUDIUM V OBORU APLIKOVANÁ INFORMATIKA FAKULTA INFORMATIKY A MANAGEMENTU UNIVERZITY HRADEC KRÁLOVÉ ČÁST A Oborové číslo Hodnocení - část
Více4. Úvod do paralelismu, metody paralelizace
4. Úvod do paralelismu, metody paralelizace algoritmů Ing. Michal Bližňák, Ph.D. Ústav informatiky a umělé inteligence Fakulta aplikované informatiky UTB Zĺın Paralelní procesy a programování, Zĺın, 26.
VíceSPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník. ArcGIS ONLINE PROJEKT SBĚR DAT
SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník ArcGIS ONLINE PROJEKT SBĚR DAT Připravte si návrh jednoduchého GISu pro ČB (2-3 čl.skupiny) Vytvořte základní databázovou strukturu daného
VíceKatedra kybernetiky, FEL, ČVUT v Praze.
Strojové učení a dolování dat přehled Jiří Kléma Katedra kybernetiky, FEL, ČVUT v Praze http://ida.felk.cvut.cz posnova přednášek Přednáška Učitel Obsah 1. J. Kléma Úvod do předmětu, učení s a bez učitele.
Vícepseudopravděpodobnostní Prospector, Fel-Expert
Práce s neurčitostí trojhodnotová logika Nexpert Object, KappaPC pseudopravděpodobnostní Prospector, Fel-Expert (pravděpodobnostní) bayesovské sítě míry důvěry Mycin algebraická teorie Equant fuzzy logika
VíceArchitektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
VíceTÉMATICKÝ OKRUH Softwarové inženýrství
TÉMATICKÝ OKRUH Softwarové inženýrství Číslo otázky : 24. Otázka : Implementační fáze. Postupy při specifikaci organizace softwarových komponent pomocí UML. Mapování modelů na struktury programovacího
VíceObjekty, třídy, vazby 2006 UOMO 30
Objekty, třídy, vazby 2006 UOMO 30 Osnova Vymezení pojmu objekt Objekt a základní objektové koncepty Třídy, třída vs. objekt Vztahy mezi objekty, vazby mezi třídami Polymorfismus 2006 UOMO 31 Vymezení
VíceObsah přednášky. Databázové systémy RDBMS. Fáze návrhu RDBMS. Coddových 12 pravidel. Coddových 12 pravidel
Obsah přednášky Databázové systémy Konceptuální model databáze Codd a návrh relační databáze fáze návrhu pojem konceptuální model základní pojmy entity, relace, atributy, IO kardinalita, 2 historie: RDBMS
VícePrimární klíč (Primary Key - PK) Je právě jedna množina atributů patřící jednomu z kandidátů primárního klíče.
Primární a cizí klíč Kandidát primárního klíče (KPK) Je taková množina atributů, která splňuje podmínky: Unikátnosti Minimálnosti (neredukovatelnosti) Primární klíč (Primary Key - PK) Je právě jedna množina
VíceENVIRONMENTÁLNÍ BEZPEČNOST
ENVIRONMENTÁLNÍ BEZPEČNOST INTEGROVANÁ BEZPEČNOST ORGANIZACE Ing. ALENA BUMBOVÁ, Ph.D. Operační program Vzdělávání pro konkurenceschopnost Projekt: Vzdělávání pro bezpečnostní systém státu (reg. č.: CZ.1.01/2.2.00/15.0070)
VíceGeografické informační systémy p. 1
Geografické informační systémy Slajdy pro předmět GIS Martin Hrubý hrubym @ fit.vutbr.cz Vysoké učení technické v Brně Fakulta informačních technologií, Božetěchova 2, 61266 Brno akademický rok 2004/05
Více7. Inferenční metody. Inferenční metody Václav Matoušek, Josef Strolený Úvod do znalostního inženýrství, ZS 2014/
Inferenční metody 18.11.2014 7-1 Inferenční metody Rezoluční systémy Dopředné a zpětné řetězení Výběr dotazu Nemonotónní usuzování 7-2 a) Česká Literatura Dvořák J.: Expertní systémy. Skriptum VUT Brno,
VíceKulturní a institucionální změna jako nástroj prosazování genderové rovnosti v organizacích
Kulturní a institucionální změna jako nástroj prosazování genderové rovnosti v organizacích Marcela Linková Sociologický ústav AV ČR 1 Systémový přístup Kulturní a institucionální změna / Strukturální
VíceBayesovská klasifikace
Bayesovská klasifikace založeno na Bayesově větě P(H E) = P(E H) P(H) P(E) použití pro klasifikaci: hypotéza s maximální aposteriorní pravděpodobností H MAP = H J právě když P(H J E) = max i P(E H i) P(H
VíceDBS Konceptuální modelování
DBS Konceptuální modelování Michal Valenta Katedra softwarového inženýrství FIT České vysoké učení technické v Praze Michal.Valenta@fit.cvut.cz c Michal Valenta, 2010 BIVŠ DBS I, ZS 2010/11 https://users.fit.cvut.cz/
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceMYCIN, Prospector. Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] oblasti kvality rozhodování na úrovni experta.
Expertní systémy MYCIN, Prospector Pseudodefinice [Expertní systémy, Feigenbaum a kol. 1988] Expertní systémy jsou počítačové programy, simulující rozhodovací činnosti experta při řešení složitých úloh
VíceModely vyhledávání informací 4 podle technologie. 1) Booleovský model. George Boole 1815 1864. Aplikace booleovské logiky
Modely vyhledávání informací 4 podle technologie 1) Booleovský model 1) booleovský 2) vektorový 3) strukturní 4) pravděpodobnostní a další 1 dokumenty a dotazy jsou reprezentovány množinou indexových termů
VíceGrafy. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 13.
Grafy doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 13. března 2017 Jiří Dvorský (VŠB TUO) Grafy 104 / 309 Osnova přednášky Grafy
VíceKritéria hodnocení praktické maturitní zkoušky z databázových systémů
Kritéria hodnocení praktické maturitní zkoušky z databázových systémů Otázka č. 1 Datový model 1. Správně navržený ERD model dle zadání max. 40 bodů teoretické znalosti konceptuálního modelování správné
VíceA5M33IZS Informační a znalostní systémy. O čem předmět bude? Úvod do problematiky databázových systémů
A5M33IZS Informační a znalostní systémy O čem předmět bude? Úvod do problematiky databázových systémů Co se dozvíte? Návrh datových struktur (modelování relačních dat) Relační modelování úlohy z oblasti
Víceehealth na Vysočině David Zažímal
ehealth na Vysočině David Zažímal Projekty ehealth Vysočiny uskutečněné probíhající plánované SWLab e@mbulance ERP QI nový NIS MarkQ NeOS emedocs mhealth analýza NIS elektronický podpis 2 ehealth projekty
VíceFormalizované klinické doporučené postupy s datovou a procesní složkou
Formalizované klinické doporučené postupy s datovou a procesní složkou Miroslav Zvolský Brainstormingový seminář Formalizace biomedicínských znalostí, 16. 6. 2014, Faustův dům Klinické doporučené postupy
VíceSmysl metodiky IS/IT. Koncentrovaná zkušenost Checklist na nic nezapomeneme
Smysl metodiky IS/IT Koncentrovaná zkušenost Checklist na nic nezapomeneme Přínosy metodik Větší produktivita a kooperace týmů Komunikační standard Specializace projektových týmů Nezávislost na konkrétních
VícePOKROČILÉ POUŽITÍ DATABÁZÍ
POKROČILÉ POUŽITÍ DATABÁZÍ Barbora Tesařová Cíle kurzu Po ukončení tohoto kurzu budete schopni pochopit podstatu koncepce databází, navrhnout relační databázi s využitím pokročilých metod, navrhovat a
VíceTeorie rozhodování (decision theory)
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Teorie pravděpodobnosti (probability theory) popisuje v co má agent věřit na základě pozorování. Teorie
VíceAutor: Jan Hošek
Úvod STC Závěr Autor: Jan Hošek Školitel: RNDr. Radim Řehůřek Fakulta jaderná a fyzikálně inženýrzká České vysoké učení technické v Praze 25. 5. 2009 Osnova Úvod STC Závěr 1 Úvod Motivace Ukázka technologie
VíceObjektově orientované technologie Diagram komponent Implementační náhled (Diagram rozmístění) Pavel Děrgel, Daniela Szturcová
Objektově orientované technologie Diagram komponent Implementační náhled (Diagram rozmístění) Pavel Děrgel, Daniela Szturcová Osnova K čemu slouží diagram komponent obsah komponent závislosti rozhraní
VícePOČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ
POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ ON MENTAL MODELS FORMALIZATION THROUGH THE METHODS OF PROBABILISTIC LINGUISTIC MODELLING Zdeňka Krišová, Miroslav
VíceAutomatizační a měřicí technika (B-AMT)
Ústav automatizace a měřicí techniky Bakalářský studijní program Automatizační a měřicí technika () Specializace oboru Řídicí technika Měřicí technika Průmyslová automatizace Robotika a umělá inteligence
VícePROCES PŘECHODU ČÁSTI DOTAČNÍHO ŘÍZENÍ NA KRAJSKOU ÚROVEŇ
PROCES PŘECHODU ČÁSTI DOTAČNÍHO ŘÍZENÍ NA KRAJSKOU ÚROVEŇ Mgr. David Pospíšil, Ing. Linda Maršíková MPSV 1 Úprava v Zák. č. 108/2006 Sb. 95 písm. g) Kraj zajišťuje dostupnost poskytování sociálních služeb
VíceLogické programování
30. října 2012 Osnova Principy logického programování 1 Principy logického programování 2 3 1 Principy logického programování 2 3 Paradigmata programování Strukturované programování Procedurální programování
Více10. Techniky formální verifikace a validace
Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI 10. Techniky formální verifikace a validace 1 Simulace není
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Metodický list č. 1 Název tématického celku: Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do
VíceDeskripční logika. Petr Křemen FEL ČVUT. Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157
Deskripční logika Petr Křemen FEL ČVUT Petr Křemen (FEL ČVUT) Deskripční logika 37 / 157 Co nás čeká 1 Základy deskripční logiky 2 Jazyk ALC Syntax a sémantika 3 Cyklické a acyklické TBOXy Petr Křemen
VíceDODATEČNÉ INFORMACE K ZADÁVACÍM PODMÍNKÁM Č. 12
Zadavatel: Česká republika Ministerstvo zemědělství Název veřejné zakázky: VYBUDOVÁNÍ A PROVOZ KOMUNIKAČNÍ INFRASTRUKTURY MZE AGRIBUS Sídlem: Těšnov 65/17, 110 00 Praha 1 Nové Město Evidenční číslo veřejné
Více