Národní informační středisko pro podporu kvality
|
|
|
- Natálie Čechová
- před 5 lety
- Počet zobrazení:
Transkript
1 Národní informační středisko pro podporu kvality Využití umělých neuronových sítí - seminář ČSJ 1
2 Seminář ČSJ - J. NPJ Tupa Využití umělých neuronových sítí pro řešení predikčních, regresních a klasifikačních problémů Olga Tůmová Lukáš Kupka Západočeská univerzita v Plzni Fakulta elektrotechnická Katedra technologií a měření Univerzitní 26, Plzeň
3 Umělé neuronové sítě podstata umělých neuronových sítí je založena na racionálním napodobení struktury a principů činnosti biologických neuronových sítí pomocí technických nebo programových prostředků nekonvenční přístup k řešení problémů není nutné znát přesně algoritmus řešení, ale postačí znalost jistého počtu příkladů, jejichž řešení je známé s velkým rozvojem informačních technologií je možné simulovat poměrně složité neuronové sítě i na běžných osobních počítačích Využití umělých neuronových sítí - seminář ČSJ 3
4 Biologický neuron Využití umělých neuronových sítí - seminář ČSJ 4
5 Matematický neuron Využití umělých neuronových sítí - seminář ČSJ 5
6 Schéma vrstevnaté neuronové sítě Využití umělých neuronových sítí - seminář ČSJ 6
7 Rozdělení neuronových sítí s pevně stanovenými vahami rozpoznávání vzorů učení s učitelem problémy regresního a klasifikačního typu učení bez učitele (samoorganizační / se soutěžním učením) problémy predikční a klasifikační Využití umělých neuronových sítí - seminář ČSJ 7
8 Predikční problém velice důležité, protože předpovězení trendu výroby snižuje riziko příchodu neočekávané situace, a tím i úsporu finančních prostředků, které by se musely využít na její zvládnutí podstatně užitečnější než např. regulační diagramy, které začínají reagovat až v okamžiku nástupu dané situace (chyby) Využití umělých neuronových sítí - seminář ČSJ 8
9 Predikční problém interpretace na modelovém příkladu Box-Jenkinsova časová řada využití SW STATISTICA v.7.0 vliv použitého modelu neuronové sítě na přesnost predikce vliv klestění na přesnost predikce Využití umělých neuronových sítí - seminář ČSJ 9
10 Grafická podoba vstupních dat Využití umělých neuronových sítí - seminář ČSJ 10
11 Predikce pomocí lineární NS Využití umělých neuronových sítí - seminář ČSJ 11
12 Predikce pomocí sítě RBF Využití umělých neuronových sítí - seminář ČSJ 12
13 Predikce pomocí 3vrstvé sítě Využití umělých neuronových sítí - seminář ČSJ 13
14 Predikce pomocí 4vrstvé sítě Využití umělých neuronových sítí - seminář ČSJ 14
15 Vliv použitého modelu NS na přesnost predikce lineární NS jednoduchá, ale naučila se vzrůstající trend a základní periodicitu, síť RBF nehodí se pro úlohy predikčního typu, její správné využití je pro řešení úloh klasifikačního typu VVPS nejlepší schopnost predikce, způsobeno vysokým počtem neuronů a spojů; 4vrstvá VVPS je nejpřesnější Využití umělých neuronových sítí - seminář ČSJ 15
16 Predikce 3vrstvé sítě s klestěním Využití umělých neuronových sítí - seminář ČSJ 16
17 Predikce 3vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 17
18 Predikce 3vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 18
19 Predikce 3vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 19
20 Predikce 3vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 20
21 Predikce 4vrstvé sítě s klestěním Využití umělých neuronových sítí - seminář ČSJ 21
22 Predikce 4vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 22
23 Predikce 4vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 23
24 Predikce 4vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 24
25 Predikce 4vrstvé sítě s klestěním 0, Využití umělých neuronových sítí - seminář ČSJ 25
26 Vliv klestění na přesnost predikce v tomto případě 3vrstvá PS provádí predikci poměrně přesně až do hodnoty 0,4; naproti tomu 4vrstvá PS jen do hodnoty 0,1 4vrstvá PS je mnohem citlivější na klestění vzhledem k nízkým synaptickým vahám metodika klestění se provádí většinou pouze při plánované fyzické realizaci NS Využití umělých neuronových sítí - seminář ČSJ 26
27 Regresní problém testování a diagnostika MEMS čipů testování a diagnostika MEMS (Micro Electro Mechanical Systems) čipů je velice důležitá, ale v současné době velice časově náročná procedura použití MEMS akcelerometrů v zařízeních airbagů nutnost 100% povýrobní kontroly klíčový prvek mikronosník, jehož průhyb tvoří jádro celého senzoru Využití umělých neuronových sítí - seminář ČSJ 27
28 použití neuronových sítí je v tomto případě velice vhodné, protože lze využít jejich hlavní výhodu absence přesného algoritmu řešení začátek řešení problematiky 6ti měsíční stáž v Grenoblu, Francie na fakultě ENSIMAG (Ecole Nationale Supérieure d'informatique et de Mathématiques Appliquées de Grenoble), přidružené výzkumné laboratoře TIMA (Techniques of Informatics and Microelectronics for computer Architecture) Využití umělých neuronových sítí - seminář ČSJ 28
29 Současný stav Vibrační testování MEMS jediná opravdu spolehlivá a odladěná metodika testování je zapotřebí nákladný a přesný zdroj mechanického chvění, specifický pro každý typ senzorů velice náročné na čas i obsluhu Využití umělých neuronových sítí - seminář ČSJ 29
30 Elektrické/pseudonáhodné testování MEMS časově i cenově výhodnější implementace přímo do čipu vstupní signál sekvence impulsů nebo jediný velice krátký puls s vysokou amplitudou výstupní signál impulsová odezva!!! NEVÝHODA není zcela odladěno Využití umělých neuronových sítí - seminář ČSJ 30
31 Zvolený postup řešení vytvořit přesný fyzikální model MEMS akcelerometru v Matlab/Simulink a vygenerovat dostatečné množství IR ověření nepřítomnosti skrytých závislostí ve vstupních datech vybrat správný druh a velikost neuronové sítě a provést její úspěšné natrénování Využití umělých neuronových sítí - seminář ČSJ 31
32 provést eliminaci redundantních vstupů do maximální možné míry při současném zachování přesnosti celé sítě ověřit finální neuronové sítě pomocí neznámých, nově vygenerovaných hodnot všechny tyto operace provést pomocí SW Matlab v.7 a STATISTICA v. 7.1, resp. pomocí jejich modulů Neuronové sítě porovnat možnosti a vlastnosti řešení pomocí jednotlivých softwarů Využití umělých neuronových sítí - seminář ČSJ 32
33 Konstrukční provedení MEMS nosníků Využití umělých neuronových sítí - seminář ČSJ 33
34 MEMS model chování J. Tupa elektro-tepelná vazba pro vybuzení tepelně-mechanická vazba pro průhyb nosníku piezorezistivní vazba pro změnu odporu jako fce prohnutí nosníku elektrický Wheatstoneův můstek na výstupu Využití umělých neuronových sítí - seminář ČSJ 34
35 Modelování čipu v Matlab/Simulink fyzické měření nemožné původní model nefunkční, absence testovacích větví, špatné nastavení jednotlivých vazeb rozměry nosníku délka l = 600 µm, šířka b = 200 µm, tloušťka e = 5 µm každý fyzikální parametr nosníku má toleranci výroby ± 10 % Využití umělých neuronových sítí - seminář ČSJ 35
36 Výsledný model čipu Využití umělých neuronových sítí - seminář ČSJ 36
37 Generování dat vygenerování 1000 IR se 40 vzorky a k nim 1000 příslušných sledovaných parametrů (ss zisk, f th, f m ) po vygenerování normalizace Využití umělých neuronových sítí - seminář ČSJ 37
38 Ověření nepřítomnosti skrytých závislostí ve vstupních datech Matlab porovnání hodnot MSE v testovací množině při různých kombinacích skupin použitá síť MLPN Využití umělých neuronových sítí - seminář ČSJ 38
39 STATISTICA korelační matice analýza časových řad odfiltrování trendové, cyklické a sezónní složky a poté použití t-testu a F-testu Využití umělých neuronových sítí - seminář ČSJ 39
40 Korelační matice Využití umělých neuronových sítí - seminář ČSJ 40
41 Analýza časových řad Useknuté impulsové odezvy Využití umělých neuronových sítí - seminář ČSJ 41
42 Výsledky t-testu a F-testu střední hodnoty ani rozptyly se na hladině významnosti α = 0,05 významně statisticky neliší žádný výskyt systematických chyb Využití umělých neuronových sítí - seminář ČSJ 42
43 Výběr velikosti sítě jediná možná vícevrstvá perceptronová síť (MLPN) Matlab optimální architektura MSE testovací množiny je minimální vítězné sítě a Využití umělých neuronových sítí - seminář ČSJ 43
44 Tabulky se všemi kombinacemi vstupů Využití umělých neuronových sítí - seminář ČSJ 44
45 MSE J. Tupa Graf MSE 3vrstvé MLPN 1,80E-03 1,60E-03 1,40E-03 1,20E-03 1,00E-03 8,00E-04 MSE trén. mn. MSE test. mn. 6,00E-04 4,00E-04 2,00E-04 0,00E Počet neuronů Využití umělých neuronových sítí - seminář ČSJ 45
46 MSE J. Tupa Graf MSE 3vrstvé MLPN detail 1,60E-04 1,40E-04 1,20E-04 1,00E-04 8,00E-05 MSE trén. mn. MSE test. mn. 6,00E-05 4,00E-05 2,00E-05 0,00E Počet neuronů Využití umělých neuronových sítí - seminář ČSJ 46
47 Graf MSE 4vrstvé MLPN Trénovací množina Využití umělých neuronových sítí - seminář ČSJ 47
48 Graf MSE 4vrstvé MLPN Testovací množina Využití umělých neuronových sítí - seminář ČSJ 48
49 Vítězná 3vrstvá síť Využití umělých neuronových sítí - seminář ČSJ 49
50 Vítězná 4vrstvá síť Využití umělých neuronových sítí - seminář ČSJ 50
51 Ověření aproximačních schopností sítí ss zisk Využití umělých neuronových sítí - seminář ČSJ 51
52 fth Využití umělých neuronových sítí - seminář ČSJ 52
53 fm Využití umělých neuronových sítí - seminář ČSJ 53
54 STATISTICA komfortnější uživatelské rozhraní oproti Matlabu existence Průvodce řešením Využití umělých neuronových sítí - seminář ČSJ 54
55 Vítězné sítě a Využití umělých neuronových sítí - seminář ČSJ 55
56 Vítězná 3vrstvá síť Využití umělých neuronových sítí - seminář ČSJ 56
57 Vítězná 4vrstvá síť Využití umělých neuronových sítí - seminář ČSJ 57
58 Ověření aproximačních schopností sítí ss zisk Využití umělých neuronových sítí - seminář ČSJ 58
59 fth Využití umělých neuronových sítí - seminář ČSJ 59
60 fm Využití umělých neuronových sítí - seminář ČSJ 60
61 Klestění vstupů vítězných sítí Matlab Metoda Přírůstkové měření počítání vlivu každého vstupu, napříč natrénovanými neurony ve skrytých vrstvách, na hodnotu výstupu C jk N m in N j h id 1 N N l h id 1 j 1 in w N l in ij w ij ij jk ij 1 a w 1 w W W jk Využití umělých neuronových sítí - seminář ČSJ 61 S N o u t 3 xi Ci C jk, k 1
62 Klestící proces u 3vrstvé sítě Využití umělých neuronových sítí - seminář ČSJ 62
63 MSE test. mn. J. Tupa Graf MSE v průběhu klestění 3,00E-03 2,50E-03 2,00E-03 1,50E-03 1,00E-03 5,00E-04 0,00E Číslo vyklestěného vstupu Využití umělých neuronových sítí - seminář ČSJ 63
64 Klestící proces u 4vrstvé sítě Využití umělých neuronových sítí - seminář ČSJ 64
65 MSE test. mn. J. Tupa Graf MSE v průběhu klestění 6,00E-03 5,00E-03 4,00E-03 3,00E-03 2,00E-03 1,00E-03 0,00E Číslo vyklestěného vstupu Využití umělých neuronových sítí - seminář ČSJ 65
66 Výsledky klestícího procesu síť byla zjednodušena na 6-5-3, kde jako vstupy jsou vzorky z IR č. 5, 7, 8, 36, 37 a 39 síť byla zjednodušena na , kde jako vstupy jsou vzorky z IR č. 5, 7, 8 a Využití umělých neuronových sítí - seminář ČSJ 66
67 STATISTICA použití hrubé síly řada experimentů s různými kombinacemi vstupů po eliminaci vstupů zhruba na 1/3 původního počtu pokračování pomocí metody Genetického algoritmu Využití umělých neuronových sítí - seminář ČSJ 67
68 3vrstvá MLPN metoda Zpětného výběru Využití umělých neuronových sítí - seminář ČSJ 68
69 3vrstvá MLPN metoda Genetického algoritmu Využití umělých neuronových sítí - seminář ČSJ 69
70 4vrstvá MLPN metoda Zpětného výběru Využití umělých neuronových sítí - seminář ČSJ 70
71 4vrstvá MLPN metoda Genetického algoritmu Využití umělých neuronových sítí - seminář ČSJ 71
72 Výsledky klestícího procesu síť byla zjednodušena na 6-5-3, kde jako vstupy jsou vzorky z IR č. 5, 7, 8, 36, 37 a 39. síť byla zjednodušena na , kde jako vstupy jsou vzorky z IR č. 5, 7, 8, 37 a Využití umělých neuronových sítí - seminář ČSJ 72
73 Porovnání aproximačních vlastností jednotlivých finálních sítí Využití umělých neuronových sítí - seminář ČSJ 73
74 Využití umělých neuronových sítí - seminář ČSJ 74
75 Využití umělých neuronových sítí - seminář ČSJ 75
76 Využití umělých neuronových sítí - seminář ČSJ 76
77 Využití umělých neuronových sítí - seminář ČSJ 77
78 Využití umělých neuronových sítí - seminář ČSJ 78
79 Zhodnocení jednotlivých SW Matlab + lepší aproximační schopnost programovací SW - vyšší nároky na uživatele Využití umělých neuronových sítí - seminář ČSJ 79
80 STATISTICA + více detailních nastavení příjemné uživatelské rozhraní - horší aproximační schopnost pokročilé funkce jen pro zkušené uživatele Využití umělých neuronových sítí - seminář ČSJ 80
81 Zhodnocení řešení jedná se o další krok v diagnostice a testování MEMS akcelerometrů návrh řešení, jehož realizace nevyžaduje žádné nákladné přístroje perspektivní směr testování MEMS akcelerometrů Využití umělých neuronových sítí - seminář ČSJ 81
82 použití neuronových sítí pro testování a diagnostiku MEMS akcelerometrů je v podstatě další krok v této oblasti lze úspěšně využít hlavní výhody neuronových sítí absence přesného algoritmu řešení nejlepší nalezené sítě a byly klestícím procesem zjednodušeny až na finální architekturu a v případě Matlabu, resp. na a v případě SW STATISTICA Využití umělých neuronových sítí - seminář ČSJ 82
83 Klasifikační problém soubor absorpčních a resorpčních křivek po různém stupni namáhání několik hodnot přiloženého napětí a časů použití umělých neuronových sítí pro inteligentní klasifikaci výsledných průběhů do skupin využití postupu učení sítí bez učitele samoorganizační NS Využití umělých neuronových sítí - seminář ČSJ 83
84 I (A) 30,24 331,60 632,59 933, , , , , , ,43 11,70 24,38 36,47 48,17 59,93 100,68 401,90 702, , , , , , , , , , , , , , , , , , , ,40 J. Tupa 7686,38 Typický průběh zpracovávaných křivek R3kV80h 3,50E-08 3,00E-08 2,50E-08 2,00E-08 1,50E-08 1,00E-08 5,00E-09 0,00E+00-5,00E-09-1,00E-08 čas (s) Využití umělých neuronových sítí - seminář ČSJ 84
85 Základní analýza dat - Absorpce Abs orbc e Vzorek 1 Vzorek 2 Vzorek 3 Vzorek 4 Vzorek 5 P růměr Min Max P odíl Max/Min Dodaný stav 11,48 1,80E ,60 2,02E ,66 1,94E ,57 2,06E ,58 1,90E -09 1,94E -09 1,80E -09 2,06E -09 1,15 3kV80h 11,57 1,18E ,70 3,16E ,66 2,98E ,60 2,59E ,65 3,70E -08 2,72E -08 1,18E -08 3,70E -08 3,13 3kV140h 11,53 1,74E ,64 2,23E ,52 6,13E ,64 1,71E ,55 8,14E -09 1,42E -08 6,13E -09 2,23E -08 3,63 3kV200h 11,62 2,16E ,53 1,29E ,55 1,48E ,49 1,56E ,81 1,47E -08 1,59E -08 1,29E -08 2,16E -08 1,67 3kV280h 11,58 1,45E ,58 1,00E ,59 1,48E ,77 2,51E ,71 2,01E -08 1,69E -08 1,00E -08 2,51E -08 2,50 3,5kV50h 11,83 2,79E ,80 5,61E ,80 3,24E ,73 1,71E ,60 5,89E -09 2,79E -08 5,89E -09 5,61E -08 9,52 3,5kV80h 11,90 4,93E ,72 6,11E ,82 6,03E ,90 4,13E ,84 3,93E -08 1,60E -07 3,93E -08 6,11E ,54 3,5kV140h 11,80 1,22E ,73 1,52E ,80 2,04E ,78 1,65E ,75 7,41E -09 1,43E -08 7,41E -09 2,04E -08 2,75 4kV20h 11,74 1,17E ,79 3,34E ,75 1,46E ,79 1,11E ,76 2,45E -09 8,64E -09 2,45E -09 1,46E -08 5,96 4kV50h 11,73 1,84E ,85 2,16E ,89 3,72E ,66 1,92E ,83 5,45E -08 3,02E -08 1,84E -08 5,45E -08 2,96 4kV80h 11,88 3,10E ,90 7,60E ,83 4,63E ,89 4,51E ,82 4,21E -08 4,81E -08 3,10E -08 7,60E -08 2,45 4,5kV8h 11,62 1,69E ,72 3,35E ,73 4,31E ,82 1,67E ,72 2,23E -08 5,66E -08 1,69E -08 1,67E -07 9,93 4,5kV20h 11,70 2,99E ,67 1,54E ,58 5,58E ,75 4,16E ,55 7,06E -09 7,04E -09 2,99E -09 1,54E -08 5,15 5kV7h 11,60 8,91E ,60 9,89E ,50 1,19E ,53 1,88E ,59 1,28E -08 1,25E -08 8,91E -09 1,88E -08 2,11 5kV14h 11,71 3,30E ,66 1,27E ,58 1,88E ,65 5,29E ,65 1,81E -08 5,00E -08 1,81E -08 1,27E -07 7,03 T stab 11,66 2,97E ,63 2,42E ,73 2,74E ,67 2,36E ,68 2,34E -09 2,57E -09 2,34E -09 2,97E -09 1, Využití umělých neuronových sítí - seminář ČSJ 85
86 Základní analýza dat - Resorpce R es orbc e Vzorek 1 Vzorek 2 Vzorek 3 Vzorek 4 Vzorek 5 P růměr Min Max P odíl Min/Max Dodaný stav 6037,51-1,78E ,37-1,93E ,76-1,81E ,58-1,90E ,19-1,85E -09-1,85E -09-1,93E -09-1,78E -09 1,08 3kV80h 6032,09-7,60E ,79-7,69E ,77-7,38E ,25-6,53E ,55-7,88E -09-7,42E -09-7,88E -09-6,53E -09 1,21 3kV140h 6032,41-5,65E ,51-5,79E ,38-4,09E ,77-5,21E ,90-5,28E -09-5,20E -09-5,79E -09-4,09E -09 1,42 3kV200h 6032,56-8,03E ,70-5,79E ,53-5,37E ,59-4,76E ,25-5,35E -09-5,86E -09-8,03E -09-4,76E -09 1,69 3kV280h 6037,92-7,01E ,96-5,23E ,15-6,18E ,25-7,53E ,32-6,09E -09-6,41E -09-7,53E -09-5,23E -09 1,44 3,5kV50h 6041,17-5,46E ,37-5,47E ,37-6,19E ,18-5,49E ,88-5,12E -09-5,55E -09-6,19E -09-5,12E -09 1,21 3,5kV80h 6041,24-4,93E ,30-1,50E ,35-8,19E ,63-6,59E ,82-6,53E -09-8,24E -09-1,50E -08-4,93E -09 3,04 3,5kV140h 6041,70-7,85E ,80-6,21E ,81-6,27E ,47-7,06E ,32-5,18E -09-6,51E -09-7,85E -09-5,18E -09 1,52 4kV20h 6040,75-6,13E ,57-2,69E ,65-5,90E ,69-5,30E ,04-2,17E -09-4,44E -09-6,13E -09-2,17E -09 2,83 4kV50h 6041,55-8,09E ,53-7,66E ,99-8,28E ,24-6,81E ,27-1,25E -08-8,67E -09-1,25E -08-6,81E -09 1,84 4kV80h 6041,21-8,48E ,18-9,61E ,81-8,61E ,63-6,94E ,46-7,44E -09-8,21E -09-9,61E -09-6,94E -09 1,39 4,5kV8h 6038,47-4,88E ,61-5,92E ,87-7,80E ,24-8,12E ,97-6,54E -09-6,65E -09-8,12E -09-4,88E -09 1,66 4,5kV20h 6040,98-2,47E ,72-7,55E ,33-4,46E ,93-3,46E ,29-5,10E -09-4,61E -09-7,55E -09-2,47E -09 3,06 5kV7h 6033,52-5,94E ,39-5,51E ,82-6,39E ,58-6,79E ,35-5,54E -09-6,03E -09-6,79E -09-5,51E -09 1,23 5kV14h 6032,93-6,67E ,76-1,41E ,19-7,05E ,44-1,02E ,44-6,42E -09-8,89E -09-1,41E -08-6,42E -09 2,20 T stab 6039,85-2,52E ,79-2,21E ,43-2,36E ,11-2,19E ,74-2,10E -09-2,28E -09-2,52E -09-2,10E -09 1, Využití umělých neuronových sítí - seminář ČSJ 86
87 Grafické znázornění vstupních dat Využití umělých neuronových sítí - seminář ČSJ 87
88 Grafické znázornění dat 3kV 280h Využití umělých neuronových sítí - seminář ČSJ 88
89 Grafické znázornění dat 3,5kV 80h Využití umělých neuronových sítí - seminář ČSJ 89
90 Způsob řešení problému Využití umělých neuronových sítí - seminář ČSJ 90
91 Postup řešení výpočetní operace s daty zjištění Δ řešení pomocí programu Matlab v. 7.0 vytvoření samoklasifikační neuronové sítě Learning Vector Quantization (LVQ) network po nalezení správného algoritmu řešení porovnání výsledků při vstupu absorpčních Δ, resorpčních Δ a dále přímo hodnot I v t15, 60 a 600 (bez Δ) tento problém je v současnosti v řešení Využití umělých neuronových sítí - seminář ČSJ 91
92 Děkuji za pozornost
Algoritmy 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
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
Moderní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
Neuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
Ing. 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
NG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
Neuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
Učící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
Projekční 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
Vytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
Algoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
Využití 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
Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
Rozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005
Rozpoznávání písmen Jiří Šejnoha Rudolf Kadlec (c) 2005 Osnova Motivace Popis problému Povaha dat Neuronová síť Architektura Výsledky Zhodnocení a závěr Popis problému Jedná se o praktický problém, kdy
Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
Neuronové 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,
Virtuální instrumentace I. Měřicí technika jako součást automatizační techniky. Virtuální instrumentace. LabVIEW. měření je zdrojem informací:
Měřicí technika jako součást automatizační techniky měření je zdrojem informací: o stavu technologického zařízení a o průběhu výrobního procesu, tj. měření pro primární zpracování informací o bezpečnostních
Emergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH. Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky
MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky Při návrhu elektroakustických soustav, ale i jiných systémů, je vhodné nejprve
vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291
Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených
ití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
Umělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
Kybernetika 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
FORTANNS. havlicekv@fzp.czu.cz 22. února 2010
FORTANNS manuál Vojtěch Havlíček havlicekv@fzp.czu.cz 22. února 2010 1 Úvod Program FORTANNS je software určený k modelování časových řad. Kód programu má 1800 řádek a je napsán v programovacím jazyku
Využití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
PowerOPTI Řízení účinnosti tepelného cyklu
PowerOPTI Řízení účinnosti tepelného cyklu VIZE Zvýšit konkurenceschopnost provozovatelů elektráren a tepláren. Základní funkce: Spolehlivé hodnocení a řízení účinnosti tepelného cyklu, včasná diagnostika
Neuronové sítě v DPZ
Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková Neuronové sítě
VLIV KONCEPCE VYTÁPĚNÍ NA ENERGETICKOU NÁROČNOST BUDOVY. Ing. Miroslav Urban, Ph.D.
VLIV KONCEPCE VYTÁPĚNÍ NA ENERGETICKOU NÁROČNOST BUDOVY Ing. Miroslav Urban, Ph.D. UNIVERZITNÍ CENTRUM ENERGETICKY EFEKTIVNÍCH BUDOV KATEDRA TZB, FAKULTA STAVEBNÍ, ČVUT V PRAZE Společné výzkumné a vývojové
31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě
31. 3. 2014, Brno Hanuš Vavrčík Základy statistiky ve vědě Motto Statistika nuda je, má však cenné údaje. strana 3 Statistické charakteristiky Charakteristiky polohy jsou kolem ní seskupeny ostatní hodnoty
2. Mechatronický výrobek 17
Předmluva 1 Úvod 3 Ing. Gunnar Künzel 1. Úvod do mechatroniky 5 1.1 Vznik, vývoj a definice mechatroniky 5 1.2 Mechatronická soustava a její komponenty 9 1.3 Mechatronický systém a jeho struktura 11 1.4
5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
METODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ
METODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ PROCESSING METHODOLOGY OF ECONOMIC TIME SERIES USING NEURAL NETWORK SIMULATORS Jindřich Petrucha Evropský polytechnický
POZNÁMKY K PŘEDMĚTU PROJEKT
POZNÁMKY K PŘEDMĚTU PROJEKT Ing. Ivo Bukovský, Ph.D. http://www.fsid.cvut.cz/~bukovsk/ Obsah KOMENTÁŘE K MODELOVÁNÍ A ANALÝZE SYSTÉMŮ...2 ZADÁNÍ...5 1 Bio...5 1.1 Teoretická část (umělá data)...5 1.2 Praktická
Rozsah průmyslového výzkumu a vývoje Etapa 9 Systém kontroly povrchových vad
Příloha č. 1a Popis předmětu zakázky Rozsah průmyslového výzkumu a vývoje Etapa 9 Systém kontroly povrchových vad Zadání Výzkum kontrolního zařízení pro detekci povrchových vad sochoru, návrh variant systému
LOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA
LOKALIZACE ZDROJŮ AE EUROOVÝMI SÍTĚMI EZÁVISLE A ZMĚÁCH MATERIÁLU A MĚŘÍTKA AE SOURCE LOCATIO BY EURAL ETWORKS IDEPEDET O MATERIAL AD SCALE CHAGES Milan CHLADA, Zdeněk PŘEVOROVSKÝ Ústav termomechaniky
Rosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
obhajoba diplomové práce
České vysoké učení technické v Praze, Fakulta strojní, Ústav mechaniky, biomechaniky a mechatroniky obhajoba diplomové práce v Praze, srpen 2014 autor: vedoucí: Ing. Pavel Steinbauer, Ph.D. Modální zkouška
VYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni. Abstrakt
VYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni Abstrakt Současný trend snižování počtu kontaktních hodin ve výuce nutí vyučující
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality
Analytické znaky laboratorní metody Interní kontrola kvality Externí kontrola kvality RNDr. Alena Mikušková FN Brno Pracoviště dětské medicíny, OKB amikuskova@fnbrno.cz Analytické znaky laboratorní metody
HIL simulace Radek Havlík, Jan Svoboda
HIL simulace Radek Havlík, Jan Svoboda Mladá Boleslav, 13.11.2009 HIL simulace Hardware In the Loop (HIL) simulace- testovaný objekt je připojen k simulátoru, který v reálném čase simuluje skutečné elektrické
Neuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
Lineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
Národní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality Využití metody bootstrapping při analýze dat II.část Doc. Ing. Olga TŮMOVÁ, CSc. Obsah Klasické procedury a statistické SW - metody výpočtů konfidenčních
Rozptylový model těžkého plynu pro zkvalitnění havarijní odezvy
ÚJV Řež, a. s. Rozptylový model těžkého plynu pro zkvalitnění havarijní odezvy Veronika Paučová Vladimír Fišer 01.03.2018 Role ÚJV Řež, a. s. v havarijním plánování ÚJV Řež, a. s., dříve Ústav jaderného
ZÍSKÁVÁNÍ 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
Modelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
Přednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
Ústav termomechaniky AV ČR. Témata diplomových prací (2007) Oddělení dynamiky tekutin Dolejšova 5 Praha 8 mail:
Ústav termomechaniky AV ČR Oddělení dynamiky tekutin Dolejšova 5 Praha 8 mail: uruba@it.cas.cz Témata diplomových prací (2007) Metody identifikace koherentních struktur ve 2D vektorových polích. Teoretická
Obsah přednášky Jaká asi bude chyba modelu na nových datech?
Obsah přednášky Jaká asi bude chyba modelu na nových datech? Chyba modelu Bootstrap Cross Validation Vapnik-Chervonenkisova dimenze 2 Chyba skutečná a trénovací Máme 30 záznamů, rozhodli jsme se na jejich
Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
Základy tvorby výpočtového modelu
Základy tvorby výpočtového modelu Zpracoval: Jaroslav Beran Pracoviště: Technická univerzita v Liberci katedra textilních a jednoúčelových strojů Tento materiál vznikl jako součást projektu In-TECH 2,
STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)
STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky) 1) Význam a využití statistiky v biologických vědách a veterinárním lékařství ) Rozdělení znaků (veličin) ve statistice 3) Základní a
ZÍSKÁVÁNÍ 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
Analytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení č technické v Brně ě 29. června 2011, FSI VUT v Brně, Česká republika
PREDIKCE VÝROBY FV SYSTÉMŮ
PREDIKCE VÝROBY FV SYSTÉMŮ Petr Wolf petr.wolf@cvut.cz Predikce výroby FV systémů 1 VYUŽITÍ PŘEDPOVĚDI VÝROBY PRO LOKÁLNÍ ŘÍZENÍ Záleží na konkrétním případu - Co je možné lokálně řídit (zátěže, bateriové
Už bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely
Učení bez učitele Už bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely Klastrování Kohonenovy mapy LVQ (Učení vektorové kvantizace) Zbývá: Hybridní modely (kombinace učení bez učitele
Ústav automatizace a měřicí techniky.
www.feec.vutbr.cz Specializace studijního oboru Automatizační a Měřicí Technika: Řídicí technika Moderní algoritmy řízení, teorie řízení Modelování a identifikace parametrů řízených systémů Pokročilé metody
Algoritmy 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.
Neuronové sítě. 1 Úvod. 2 Historie. 3 Modely neuronu
Neuronové sítě L. Horký*, K. Břinda** Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 *horkyladislav@seznam.cz, **brinda@fjfi.cvut.cz Abstrakt Cílem našeho příspěvku je získat uživatelský
Algoritmy a struktury neuropočítačů ASN P3
Algoritmy a struktury neuropočítačů ASN P3 SOM algoritmus s učitelem i bez učitele U-matice Vektorová kvantizace Samoorganizující se mapy ( Self-Organizing Maps ) PROČ? Základní myšlenka: analogie s činností
Automatizační 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
P. Bartoš a J. Tesař
POČÍTAČOVÉ MODELOVÁNÍ DOPPLEROVA JEVU V MATLABU A NĚKTERÉ MOŽNÉ APLIKACE VE VÝUCE FYZIKY P. Bartoš a J. Tesař Katedra fzik, Pedagogická fakulta Jihočeské univerzit, Jeronýmova 1, České Budějovice Abstrakt:
Modul GPS přijímače ublox LEA6-T
Modul GPS přijímače ublox LEA6-T Vlastnosti přijímače LEA6-T GPS přijímač LEA6-T do firmy ublox je určený primárně na aplikace s přesným časem. Tomu jsou také přizpůsobeny jeho vstupy a výstupy. Celý přijímač
Statický výpočet požární odolnosti
požární Motivace Prezentovat metodiku pro prokázání požární spolehlivosti konstrukce Specifikovat informace nezbytné pro schválení navrženého řešení dotčenými úřady státní správy Uvést do možností požárních
Přednáška č.7 Ing. Sylvie Riederová
Přednáška č.7 Ing. Sylvie Riederová 1. Aplikace klasifikace nákladů na změnu objemu výroby 2. Modelování nákladů Podstata modelování nákladů Nákladové funkce Stanovení parametrů nákladových funkcí Klasifikační
Úvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
Téma 9: Vícenásobná regrese
Téma 9: Vícenásobná regrese 1) Vytvoření modelu V menu Statistika zvolíme nabídku Vícerozměrná regrese. Aktivujeme kartu Detailní nastavení viz obr.1. Nastavíme Proměnné tak, že v příslušném okně viz.
Virtuální ověřování výroby Robotika Process Simulate Virtual Commissioning Virtuelle Inbetriebnahme
Virtuální ověřování výroby Robotika Process Simulate Virtual Commissioning Virtuelle Inbetriebnahme Martin Baumruk Jiří Kopenec Siemens PLM Connection 2012 Česká republika 3. 5. června, Seč Dněšní workflow
APLIKACE SIMULAČNÍHO PROGRAMU ANSYS PRO VÝUKU MIKROELEKTROTECHNICKÝCH TECHNOLOGIÍ
APLIKACE SIMULAČNÍHO PROGRAMU ANSYS PRO VÝUKU MIKROELEKTROTECHNICKÝCH TECHNOLOGIÍ 1. ÚVOD Ing. Psota Boleslav, Doc. Ing. Ivan Szendiuch, CSc. Ústav mikroelektroniky, FEKT VUT v Brně, Technická 10, 602
Příprava dat v softwaru Statistica
Příprava dat v softwaru Statistica Software Statistica obsahuje pokročilé nástroje pro přípravu dat a tvorbu nových proměnných. Tyto funkcionality přinášejí značnou úsporu času při přípravě datového souboru,
Západočeská univerzita v Plzni fakulta Strojní
Západočeská univerzita v Plzni fakulta Strojní 23. dny tepelného zpracování s mezinárodní účastí Návrh technologie laserového povrchového kalení oceli C45 Autor: Klufová Pavla, Ing. Kříž Antonín, Doc.
Kalibrace a limity její přesnosti
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Kalibrace a limity její přesnosti Semestrální práce Licenční studium GALILEO Interaktivní statistická analýza dat Brno, 2015
Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )
Příklad č. 1 Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace ) Zadání : Stanovení manganu ve vodách se provádí oxidací jodistanem v kyselém prostředí až na manganistan. (1) Sestrojte
IBM SPSS Neural Networks
IBM Software IBM SPSS Neural Networks Nové nástroje pro tvorbu prediktivních modelů Aby mohla Vaše organizace zlepšit rozhodovaní ve všech procesních postupech, potřebuje odhalit vztahy a souvislosti v
Snižování hlukové emise moderní automobilové převodovky. Prezentace: Pojednání ke státní doktorské zkoušce Ing. Milan Klapka
Snižování hlukové emise moderní automobilové převodovky Prezentace: Pojednání ke státní doktorské zkoušce Ing. Milan Klapka VYSOKÉ UČENÍ TECHNICKÉ v BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ 2008 Obsah Úvod do
Analýza 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
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod Měření Pb v polyethylenu 36 různými laboratořemi 0,47 0 ± 0,02 1 µmol.g -1 tj. 97,4 ± 4,3 µg.g -1 Měření
Neuronové sítě. Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky
Neuronové sítě Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky Motivace pro výzkum umělých neuronových sítí lidský mozek pracuje jiným způsobem než běžné číslicové počítače počítače přesně
Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
Fyzikální laboratoř. Kamil Mudruňka. Gymnázium, Pardubice, Dašická /8
Středoškolská technika 2015 Setkání a prezentace prací středoškolských studentů na ČVUT Fyzikální laboratoř Kamil Mudruňka Gymnázium, Pardubice, Dašická 1083 1/8 O projektu Cílem projektu bylo vytvořit
Současná praxe a trendy v oblasti veřejného osvětlení. Ing. Jiří Skála
Současná praxe a trendy v oblasti veřejného osvětlení Ing. Jiří Skála Obsah Stav VO v ČR Jak běžel čas. Jak pohlížet na očekávané úspory Hodnocení HPS a LED svítidel Trendy VO Stav VO v ČR Zdroj: Analýza
StatSoft Úvod do neuronových sítí
StatSoft Úvod do neuronových sítí Vzhledem k vzrůstající popularitě neuronových sítí jsme se rozhodli Vám je v tomto článku představit a říci si něco o jejich využití. Co si tedy představit pod pojmem
Využití strojového učení k identifikaci protein-ligand aktivních míst
Využití strojového učení k identifikaci protein-ligand aktivních míst David Hoksza, Radoslav Krivák SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 3.3 v analýze dat Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Pro
Metoda Monte Carlo a její aplikace v problematice oceňování technologií. Manuál k programu
Metoda Monte Carlo a její aplikace v problematice oceňování technologií Manuál k programu This software was created under the state subsidy of the Czech Republic within the research and development project
Statistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ
Statistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ Ing. Dana Trávníčková, PaedDr. Jana Isteníková Funkční gramotnost je používání čtení a psaní v životních situacích. Nejde jen o elementární
Analýza rozptylu ANOVA
Licenční studium Galileo: Statistické zpracování dat ANOVA ANOVA B ANOVA P Analýza rozptylu ANOVA Semestrální práce Lenka Husáková Pardubice 05 Obsah Jednofaktorová ANOVA... 3. Zadání... 3. Data... 3.3
VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ
VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ Markéta Mazálková Katedra komunikačních a informačních systémů Fakulta vojenských technologií,
Modernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení. Jiří Málek
Modernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení Jiří Málek Cíl projektu Cíl: Zefektivnění vzdělávání na ITE* v oblasti strojového učení pomocí posílení dostupné výpočetní
Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management jakosti"
Tématické okruhy pro státní závěrečné zkoušky Navazující magisterské studium studijní obor "Management jakosti" školní rok 2013/2014 Integrované systémy managementu A 1. Koncepce a principy integrovaných
5. A/Č převodník s postupnou aproximací
5. A/Č převodník s postupnou aproximací Otázky k úloze domácí příprava a) Máte sebou USB flash-disc? b) Z jakých obvodů se v principu skládá převodník s postupnou aproximací? c) Proč je v zapojení použit
VÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE
VÝVOJ ŘÍDICÍCH ALGORITMŮ HYDRAULICKÝCH POHONŮ S VYUŽITÍM SIGNÁLOVÉHO PROCESORU DSPACE Přednáška na semináři CAHP v Praze 4.9.2013 Prof. Ing. Petr Noskievič, CSc. Ing. Miroslav Mahdal, Ph.D. Katedra automatizační
Rozvoj tepla v betonových konstrukcích
Úvod do problematiky K novinkám v požární odolnosti nosných konstrukcí Praha, 11. září 2012 Ing. Radek Štefan prof. Ing. Jaroslav Procházka, CSc. Znalost rozložení teploty v betonové konstrukci nebo její
Studentská 1402/2 461 17 Liberec 1 tel.: +420 485 353 006 cxi.tul.cz
Pokročilé simulace pro komplexní výzkum a optimalizace Ing. Michal Petrů, Ph.D. Studentská 1402/2 461 17 Liberec 1 tel.: +420 485 353 006 cxi.tul.cz Stránka: 2 Modelové simulace pro komplexní výzkum Mechanických
Technická diagnostika, chyby měření
Technická diagnostika, chyby měření Obsah přednášky Technická diagnostika Měřicí řetězec Typy chyb měření Příklad diagnostiky: termovize ložisko 95 C měření 2/21 Co to je? Technická diagnostika Obdoba
KALIBRACE. Definice kalibrace: mezinárodní metrologický slovník (VIM 3)
KALIBRACE Chemometrie I, David MILDE Definice kalibrace: mezinárodní metrologický slovník (VIM 3) Činnost, která za specifikovaných podmínek v prvním kroku stanoví vztah mezi hodnotami veličiny s nejistotami
Kalibrace analytických metod. Miroslava Beňovská s využitím přednášky Dr. Breineka
Kalibrace analytických metod Miroslava Beňovská s využitím přednášky Dr. Breineka Měřící zařízení (zjednodušeně přístroje) pro měření fyzikálních veličin musí být výrobci kalibrovaná Objem: pipety Teplota