A0M33EOA: Evoluční optimalizační algoritmy

Genetické algoritmy. Informační a komunikační technologie ve zdravotnictví

Genetické algoritmy Informační a komunikační technologie ve zdravotnictví Přehled přednášky Úvod Historie Základní pojmy Principy genetických algoritmů Možnosti použití Související metody AI Příklad problém

Genetické 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

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

Evoluční výpočetní techniky (EVT)

Evoluční výpočetní techniky (EVT) - Nacházejí svoji inspiraci v přírodních vývojových procesech - Stejně jako přírodní jevy mají silnou náhodnou složku, která nezanedbatelným způsobem ovlivňuje jejich

Jak se matematika poučila v biologii

Jak se matematika poučila v biologii René Kalus IT4Innovations, VŠB TUO Role matematiky v (nejen) přírodních vědách Matematika inspirující a sloužící jazyk pro komunikaci s přírodou V 4 3 r 3 Matematika

Navrženy 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)

Gramatická evoluce a softwarový projekt AGE

Gramatická evoluce a softwarový projekt AGE Adam Nohejl Matematicko-fyzikální fakulta Univerzita Karlova v Praze http://nohejl.name/ 4. 4. 2010 Poznámka: Prezentace založené na variantách těchto slajdů

Biologicky inspirované výpočty. Schématické rozdělení problematiky a výuky

Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová

Evoluční 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

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2016 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia

1. Úvod do genetických algoritmů (GA)

Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor

Algoritmy pro spojitou optimalizaci

Algoritmy pro spojitou optimalizaci Vladimír Bičík Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze 10.6.2010 Vladimír Bičík (ČVUT Praha) Algoritmy pro spojitou optimalizaci

Statistická analýza dat

Statistická analýza dat Jméno: Podpis: Cvičení Zkouška (písemná + ústní) 25 Celkem 50 Známka Pokyny k vypracování: doba řešení je 120min, jasně zodpovězte pokud možno všechny otázky ze zadání, pracujte

PŘEDNÁŠKA 03 OPTIMALIZAČNÍ METODY Optimization methods

CW057 Logistika (R) PŘEDNÁŠKA 03 Optimization methods Ing. Václav Venkrbec skupina obecných modelů slouží k nalezení nejlepšího řešení problémů a modelovaných reálií přináší řešení: prvky konečné / nekonečné

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

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

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2016

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 206 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia

SOUBĚŽNÉ UČENÍ V KARTÉZSKÉM GENETICKÉM PROGRAMOVÁNÍ CO-LEARNING IN CARTESIAN GENETIC PROGRAMMING

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS SOUBĚŽNÉ UČENÍ V

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr

Genetické algoritmy. Vysoká škola ekonomická Praha. Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/

Genetické algoritmy Jiří Vomlel Laboratoř inteligentních systémů Vysoká škola ekonomická Praha Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/ Motivace z Darwinovy teorie evoluce Přírodní

Metaheuristiky s populacemi

Metaheuristiky s populacemi 8. března 2018 1 Společné vlastnosti 2 Evoluční algoritmy 3 Optimalizace mravenčí kolonie Zdroj: El-Ghazali Talbi, Metaheuristics: From Design to Implementation. Wiley, 2009.

5.5 Evoluční algoritmy

5.5 Evoluční algoritmy Jinou skupinou metod strojového učení, které vycházejí z biologických principů, jsou evoluční algoritmy. Zdrojem inspirace se tentokrát stal mechanismus evoluce, chápaný jako Darwinův

GLOBÁLNÍ OPTIMALIZACE S VYUŽITÍM SOFTWARU MATHEMATICA

GLOBÁLNÍ OPTIMALIZACE S VYUŽITÍM SOFTWARU MATHEMATICA Barbora Tesařová Univerzita Hradec Králové, Fakulta informatiky a managementu Abstrakt: Mnoho úloh reálné praxe může být definována jako optimalizační

Profilová část maturitní zkoušky 2017/2018

Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2017/2018 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA

Stochastické modely Informace k závěrečné zkoušce

Stochastické modely Informace k závěrečné zkoušce Jan Zouhar Katedra ekonometrie, FIS VŠE v Praze, zouharj@vse.cz 10. února 2015 Průběh zkoušky. Zkouška je ústní s přípravou na potítku. Každý si vylosuje

Základy umělé inteligence 4. Evoluční výpočetní techniky Jiří Kubaĺık Katedra kybernetiky, ČVUT-FEL http://cw.felk.cvut.cz/doku.php/courses/y33zui/start ppřírodní motivace EVT :: Stochastické optimalizacní

Logika a logické programování

Logika a logické programování témata ke zkoušce Poslední aktualizace: 16. prosince 2009 Zkouška je písemná, skládá se obvykle ze sedmi otázek (může být více nebo méně, podle náročnosti otázek), z toho

KMA Písemná část přijímací zkoušky - MFS 2o16

JMÉNO a PŘÍJMENÍ KMA Písemná část přijímací zkoušky - MFS 2o16 verze 1 / 28. 6. 2016 Pokyny k vypracování: Za každý správně vyřešený příklad lze získat 2 body. U zaškrtávacích otázek, je vždy správná právě

Obor: Informatika Únor 2006 Okruh: Základy matematiky Otázka: 1. Jméno: Bodů:...

Inf-M-1 Obor: Informatika Únor 2006 Okruh: Základy matematiky Otázka: 1. Uvažujte funkci f(x) =ln(x 2 x): Najděte její definiční obor, nulové body, vypočtěte jednostranné limity v krajních bodech definičních

MATEMATIKA+ MAIPD14C0T01 DIDAKTICKÝ TEST. 2.1 Pokyny k otevřeným úlohám. 1 Základní informace k zadání zkoušky. 2.2 Pokyny k uzavřeným úlohám

MATEMATIKA+ DIDAKTICKÝ TEST MAIPD14C0T01 Maximální bodové hodnocení: 50 bodů Hranice úspěšnosti: 33 % 1 Základní informace k zadání zkoušky Didaktický test obsahuje 23 úloh. Časový limit pro řešení didaktického

Profilová část maturitní zkoušky 2013/2014

Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2013/2014 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA

OBSAH 1 Pøedmluva 19 2 Evoluèní algoritmy: nástin 25 2.1 Centrální dogma evoluèních výpoèetních technik... 26 2.2 Chcete vìdìt víc?... 29 3 Historická fakta trochu jinak 31 3.1 Pár zajímavých faktù...

2.1 Pokyny k otevřeným úlohám. Výsledky pište čitelně do vyznačených bílých polí. 2.2 Pokyny k uzavřeným úlohám

MATEMATIKA+ DIDAKTICKÝ TEST Maximální bodové hodnocení: 50 bodů Hranice úspěšnosti: 33 % 1 Základní informace k zadání zkoušky Didaktický test obsahuje 23 úloh. Časový limit pro řešení didaktického testu

7.[4body] Jedánautonomnísystém. 8.[4 body] Integrál

Písemná část zkoušky z Inženýrské matematiky, 9.2.20(60 minut) Body Jméno:... 2 3 4 5 6 7 8 První příklad vypočítejte na samostatný podepsaný papír a odevzdejte po 5 minutách..[povinný] Pro mytí autobusů

Zadání projektů k modulu: 1. Základy integrální logistiky

projektů k modulu: 1. Základy integrální logistiky Identifikace cílů pro firemní politiku logistiky P01 Aplikujte definici pojmu firemní politika logistiky a navrhněte smysluplné cíle pro politiku logistiky

Cvičení Aktivita 1. část 2. část 3. část Ústní Celkem Známka

Celkové hodnocení BI-MLO (nevyplňujte!) Semestr Zkouška Cvičení Aktivita 1. část 2. část 3. část Ústní Celkem Známka BI-MLO Písemná zkouška 9. února 2016 Matematická logika FIT ČVUT v Praze Varianta B

Programování II. Návrh programu I 2018/19

Programování II Návrh programu I 2018/19 Osnova přednášky Co víme? Objektový návrh programu. Příklad. Co víme? Třída Třída je popisem objektů se společnými vlastnostmi. class private:

Genetické algoritmy. a jejich praktické využití. Pavel Šturc. průmyslu, stejně tak je zde uvedeno i několik případů jejich úspěšné implementace.

Genetické algoritmy a jejich praktické využití Pavel Šturc Úvod Cílem této práce je seznámit čtenáře se základním principem funkce genetických algoritmů a nastínit jejich možné aplikování do různých odvětví

Masarykova univerzita. Fakulta informatiky. Evoluce pohybu

Masarykova univerzita Fakulta informatiky Evoluce pohybu IV109 Tomáš Kotula, 265 287 Brno, 2009 Úvod Pohyb je jedním ze základních projevů života. Zdá se tedy logické, že stejně jako ostatní vlastnosti

Cvičná bakalářská zkouška, 1. varianta

jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2017

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 207 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.

3.1. 3.2. Třikrát vystřelíme na cíl. Pravděpodobnost zásahu při každém výstřelu je p = 0,7. Určete: a) pravděpodobnostní funkci počtu zásahů při třech nezávislých výsledcích, b) distribuční funkci a její

6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života?

6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života? Pamatujete na to, co se objevilo v pracích Charlese Darwina a Alfreda Wallace ohledně vývoje druhů? Aby mohl mechanismus přírodního

AKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A

AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 2014

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od podzimu 204 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia

Symbolická regrese: Jak získat kvalitní a

http://excel.fit.vutbr.cz Symbolická regrese: Jak získat kvalitní a současně kompaktní řešení? Bc. Ondřej Končal Abstrakt Geometrické sémantické genetické (GSGP) dosahuje kvalitních výsledků při popisu

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014

Zadání a řešení testu z matematiky a zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia od jara 2014 Zpráva o výsledcích přijímacího řízení do magisterského navazujícího studia

1. 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

2015 http://excel.fit.vutbr.cz Kartézské genetické programování s LUT Karolína Hajná* Abstract Tato práce se zabývá problematikou návrhu obvodů pomocí kartézského genetického programování na úrovni třívstupových

Každé dítě bude mít 4 kuličky. Zkouška: (např. sečtením kuliček každého z dětí) = 20.

10. DĚLENÍ PŘIROZENÝCH ČÍSEL 10. 1. Pamětné dělení Dělení přirozených čísel je definováno jako inverzní operace k operaci násobení. Jestliže pro přirozená čísla a, b, c platí a. b = c pak pro a 0, b 0

C# konzole Podíl dvou čísel, podmínka IF

C# konzole Podíl dvou čísel, podmínka IF Tematická oblast Datum vytvoření 2013 Ročník 3 Stručný obsah Způsob využití Autor Kód Internetové technologie, programování Výpočet podílu v konzolové aplikaci

Hardy-Weinbergův zákon - cvičení

Genetika a šlechtění lesních dřevin Hardy-Weinbergův zákon - cvičení Doc. Ing. RNDr. Eva Palátová, PhD. Ústav zakládání a pěstění lesů LDF MENDELU Brno Tento projekt je spolufinancován Evropským sociálním

PRAVDĚPODOBNOST A STATISTIKA

PRAVDĚPODOBNOST A STATISTIKA Náhodná proměnná Náhodná veličina slouží k popisu výsledku pokusu. Před provedením pokusu jeho výsledek a tedy ani sledovanou hodnotu neznáme. Přesto bychom chtěli tento pokus

do magisterské etapy programu ELEKTRONIKA A KOMUNIKACE

JMÉNO A PŘÍJMENÍ: 1 VZOROVÝ TEST K PŘIJÍMACÍ ZKOUŠCE do magisterské etapy programu ELEKTRONIKA A KOMUNIKACE Odpovědi na otázky pište do volného místa za každou otázkou. Pro pomocné výpočty použijte čistou

Nové směry v evoluční biologii. Jaroslav Flegr Katedra filosofie a dějin přírodních věd Přírodovědecká Fakulta UK Praha

Nové směry v evoluční biologii Jaroslav Flegr Katedra filosofie a dějin přírodních věd Přírodovědecká Fakulta UK Praha 2014 Genetika věda o dědění znaků Mendelismus původně spíše antidarwinistický

Státnice odborné č. 20

Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin

Usuzování 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

Genetický polymorfismus

Genetický polymorfismus Za geneticky polymorfní je považován znak s nejméně dvěma geneticky podmíněnými variantami v jedné populaci, které se nachází v takových frekvencích, že i zřídkavá má frekvenci

Grammar-based genetic programming

Grammar-based genetic programming Obhajoba diplomové práce Adam Nohejl Vedoucí práce: RNDr. František Mráz, CSc. Katedra software a výuky informatiky, MFF UK Praha 2011 1 Úvod do problematiky: genetické

Obecná biologie a genetika B53 volitelný předmět pro 4. ročník

Obecná biologie a genetika B53 volitelný předmět pro 4. ročník Charakteristika vyučovacího předmětu Vyučovací předmět vychází ze vzdělávací oblasti Člověk a příroda, vzdělávacího oboru Biologie. Mezipředmětové

B3B33ALP - Algoritmy a programování - Zkouška z předmětu B3B33ALP. Marek Boháč bohacm11

333LP - lgoritmy a programování - Zkouška z předmětu 333LP Jméno Příjmení Už. jméno Marek oháč bohacm11 Zkouškový test Otázka 1 Jaká je hodnota proměnné count po vykonání následujícího kódu: data=[4,4,5,5,6,6,6,7,7,7,7,8,8]

Matematika I A ukázkový test 1 pro 2014/2015

Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS

1 Nejkratší cesta grafem

Bakalářské zkoušky (příklady otázek) podzim 2014 1 Nejkratší cesta grafem 1. Uvažujte graf s kladným ohodnocením hran (délka). Definujte formálně problém hledání nejkratší cesty mezi dvěma uzly tohoto

Propojení výuky oborů Molekulární a buněčné biologie a Ochrany a tvorby životního prostředí. Reg. č.: CZ.1.07/2.2.00/

Propojení výuky oborů Molekulární a buněčné biologie a Ochrany a tvorby životního prostředí Reg. č.: CZ.1.07/2.2.00/28.0032 Genetika populací Studium dědičnosti a proměnlivosti skupin jedinců (populací)

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

Základní rozdělení pravděpodobnosti Diskrétní rozdělení pravděpodobnosti. Pojem Náhodná veličina s Binomickým rozdělením Bi(n, p), kde n je přirozené číslo, p je reálné číslo, < p < má pravděpodobnostní

maticeteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést

Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud

MATEMATIKA ZÁKLADNÍ ÚROVEŇ

NOVÁ MTURITNÍ ZKOUŠK Ilustrační test 2008 Základní úroveň obtížnosti MVCZMZ08DT MTEMTIK ZÁKLDNÍ ÚROVEŇ DIDKTICKÝ TEST Testový sešit obsahuje 8 úloh. Na řešení úloh máte 90 minut. Úlohy řešte v testovém

PŘEPOČET VÝSLEDKŮ ZÁKLADNÍ A VYŠŠÍ ÚROVNĚ OBTÍŽNOSTI DIDAKTICKÝCH TESTŮ DLE PRAVDĚPODOBNOSTNÍHO MODELU INDEX 11

PŘEPOČET VÝSLEDKŮ ZÁKLADNÍ A VYŠŠÍ ÚROVNĚ OBTÍŽNOSTI DIDAKTICKÝCH TESTŮ DLE PRAVDĚPODOBNOSTNÍHO MODELU INDEX 11 PRO PŘEDMĚTY: ČESKÝ JAZYK A LITERATURA MATEMATIKA ANGLICKÝ JAZYK Jak bych dopadl, kdybych

Princip optimalizačních metod inspirovaných přírodou

Princip optimalizačních metod inspirovaných přírodou Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a

Seminář z umělé inteligence. Otakar Trunda

Seminář z umělé inteligence Otakar Trunda Plánování Vstup: Satisficing task: počáteční stav, cílové stavy, přípustné akce Optimization task: počáteční stav, cílové stavy, přípustné akce, ceny akcí Výstup:

Lekce 04 Řídící struktury

Počítačové laboratoře bez tajemství aneb naučme se učit algoritmizaci a programování s využitím robotů Lekce 04 Řídící struktury Tento projekt CZ.1.07/1.3.12/04.0006 je spolufinancován Evropským sociálním

FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE

Kompetence komunikativní modul vede žáky k umění vyjadřovat se přiměřeně situaci

Střední škola hospodářská a lesnická, Frýdlant, Bělíkova 1387, příspěvková organizace Název modulu Biologie Kód modulu Bio-M-2/1-7 Délka modulu 49 hodin Platnost 1.09.2010 Typ modulu povinný Pojetí teoretické

SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR

EVOLUČNÍ NÁVRH A OPTIMALIZACE APLIKAČNĚ SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR Miloš Minařík DVI4, 2. ročník, prezenční studium Školitel: Lukáš Sekanina Fakulta informačních technologií, Vysoké učení

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

FAKULTA INFORMAČNÍCH TECHNOLOGIÍ

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS GENEROVÁNÍ MATEMATICKÝCH

Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady

Předmět: Náplň: Třída: Počet hodin: Pomůcky: Matematika Komplexní čísla, Kombinatorika, pravděpodobnost a statistika, Posloupnosti a řady 4. ročník a oktáva 3 hodiny týdně PC a dataprojektor, učebnice

Domény. Petr Štěpánek. S využitím materialu Krysztofa R. Apta

Domény Petr Štěpánek S využitím materialu Krysztofa R. Apta 2006 Logické programování 10 1 Typy programů v čistém Prologu je možné uspořádat podle různých pohledů. Zajímavá je charakteristika podle domén,

Univerzita Pardubice Fakulta ekonomicko-správní. Návrh a realizace systému pro genetické programování Bc. Petr Sotona

Univerzita Pardubice Fakulta ekonomicko-správní Návrh a realizace systému pro genetické programování Bc. Petr Sotona Diplomová práce 2009 Prohlašuji: Tuto práci jsem vypracoval samostatně. Veškeré literární

1. Převeďte dané číslo do dvojkové, osmičkové a šestnáctkové soustavy: a) 759 10 b) 2578 10

Úlohy- 2.cvičení 1. Převeďte dané číslo do dvojkové, osmičkové a šestnáctkové soustavy: a) 759 10 b) 2578 10 2. Převeďte dané desetinné číslo do dvojkové soustavy (DEC -> BIN): a) 0,8125 10 b) 0,35 10

odpovědnosti za škodu v pojištění občanských rizik, pojištění odpovědnosti členů

Metodické listy pro první soustředění kombinovaného studia PFO Metodické listy pro I.semestr 1. Charakteristika pojištění a přehled pojistných odvětví, sdružené formy pojištění. Pojištění majetku občanů

Umělá inteligence aneb co už není sci -fi

Umělá inteligence aneb co už není sci -fi doc. Ing. Zuzana Komínková Oplatková, Ph.D. oplatkova@fai.utb.cz Umělá inteligence člověk se snažil vždy vyrobit nějaký stroj nebo systém, který by mu usnadnil

MATEMATIKA vyšší úroveň obtížnosti

MATEMATIKA vyšší úroveň obtížnosti DIDAKTICKÝ TEST MAMVD2C0T0 Maximální bodové hodnocení: 50 bodů Hranice úspěšnosti: 33 % Základní informace k zadání zkoušky Didaktický test obsahuje 23 úloh. Časový limit

Michal Wiglasz* 1. Úvod

http:excel.fit.vutbr.cz Souběžné učení v koevolučních algoritmech Michal Wiglasz* Abstrakt Kartézské genetické programování (CGP) se využívá zejména pro automatizovaný návrh číslicových obvodů, ale ukázalo

OTÁZKY K PROCVIČOVÁNÍ PRUŽNOST A PLASTICITA II - DD6

OTÁZKY K PROCVIČOVÁNÍ PRUŽNOST A PLASTICITA II - DD6 POSUZOVÁNÍ KONSTRUKCÍ PODLE EUROKÓDŮ 1. Jaké mezní stavy rozlišujeme při posuzování konstrukcí podle EN? 2. Jaké problémy řeší mezní stav únosnosti

Úvod do teorie her

Úvod do teorie her 2. Garanční řešení, hry s nulovým součtem a smíšené strategie Tomáš Kroupa http://staff.utia.cas.cz/kroupa/ 2017 ÚTIA AV ČR Program 1. Zavedeme řešení, které zabezpečuje minimální výplatu

Teorie (ještě teoretičtější)

EVA II. Teorie (ještě teoretičtější) 'Přesné' modely GA 90.léta: Vose, Lepins, Nix, Whitley,... Snaha zachytit: jak přesně vypadají populace zobrazení přechodu k další populaci vlastnosti tohoto zobrazení

DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ

DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast CZ.1.07/1.5.00/34.0963 IV/2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti

Matematika. ochrana životního prostředí analytická chemie chemická technologie Forma vzdělávání:

Studijní obor: Aplikovaná chemie Učební osnova předmětu Matematika Zaměření: ochrana životního prostředí analytická chemie chemická technologie Forma vzdělávání: denní Celkový počet vyučovacích hodin za

Maturitní témata. IKT, školní rok 2017/18. 1 Struktura osobního počítače. 2 Operační systém. 3 Uživatelský software.

Maturitní témata IKT, školní rok 2017/18 1 Struktura osobního počítače Von Neumannova architektura: zakreslete, vysvětlete její smysl a popište, jakým způsobem se od ní běžné počítače odchylují. Osobní

Dynamické programování UIN009 Efektivní algoritmy 1

Dynamické programování. 10.3.2005 UIN009 Efektivní algoritmy 1 Srovnání metody rozděl a panuj a dynamického programování Rozděl a panuj: top-down Dynamické programování: bottom-up Rozděl a panuj: překrývání

Chyby měření 210DPSM

Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů

EVOLUČNÍ ALGORITMY A NEURONOVÉ SÍTĚ

EVOLUČNÍ ALGORITMY A NEURONOVÉ SÍTĚ URČENO PRO VZDĚLÁVÁNÍ V AKREDITOVANÝCH STUDIJNÍCH PROGRAMECH EVA VOLNÁ ČÍSLO OPERAČNÍHO PROGRAMU: CZ.1.7 NÁZEV OPERAČNÍHO PROGRAMU: VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST

Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/

Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG)

Kvadratické rovnice (dosazení do vzorce) I

.. Kvadratické rovnice (dosazení do vzorce) I Předpoklady: 000 Rovnicí se nazývá vztah rovnosti mezi hodnotami dvou výrazů obsahujícími jednu nebo více neznámých. V této kapitole se budeme zabývat pouze

ALGORITMY A DATOVÉ STRUKTURY

Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu

KFC/SEM, KFC/SEMA Rovnice, nerovnice

KFC/SEM, KFC/SEMA Rovnice, nerovnice Požadované dovednosti: Řešení lineárních rovnic a nerovnic Řešení kvadratických rovnic Řešení rovnic s odmocninou Řešení rovnic s parametrem Řešení rovnic s absolutní

Matematika B101MA1, B101MA2

Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet