ANALÝZA A KLASIFIKACE DAT. Institut biostatistiky a analýz
|
|
- Erik Bárta
- před 5 lety
- Počet zobrazení:
Transkript
1 ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík,, CSc.
2 III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD
3 PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných dat je vyjádřen n-rozměrným loupcovým vektorem hodnot x i, i=,,,n příznakových proměnných veličin charakterizujících vlatnoti těchto dat, tj. platí x=x,x,,x n T.
4 PŘÍZNAKOVÝ POPIS Příznakové proměnné mohou popiovat kvantitativní i kvalitativní vlatnoti ouboru dat. Jejich hodnoty nazýváme příznaky. Podle definičního oboru rozlišujeme proměnné: pojité nepojité, dikrétní, vyjmenovatelné logické, binární, alternativní, dichotomické
5 PŘÍZNAKOVÝ POPIS Vrchol každého příznakového vektoru obrazu předtavuje bod n-rozměrného protoru X n, který nazýváme obrazovým protorem. Obrazový protor je definován kartézkým oučinem definičních oborů všech příznakovým proměnných, tzn. že jej tvoří všechny možné obrazy zpracovávaného ouboru dat.
6 PŘÍZNAKOVÝ POPIS Při vhodném výběru příznakových veličin je podobnot ignálů jedné klaifikační třídy vyjádřena blízkotí jejich obrazů v obrazovém protoru. Vymezení klaifikační třídy: etalony - charakteritické reprezentativní obrazy hranice
7 PŘÍZNAKOVÝ KLASIFIKÁTO Příznakový klaifikátor je troj tolika vtupy, kolik je příznaků a jedním dikrétním výtupem, který udává třídu, do které klaifikátor zařadil rozpoznávaný obraz. ω r = dx dx je kalární funkce vektorového argumentu x, kterou nazýváme rozhodovací pravidlo klaifikátoru; ω r je identifikátor klaifikační třídy
8 PŘÍZNAKOVÝ KLASIFIKÁTO determinitický a nedeterminitický pevným a proměnným počtem příznaků bez učení a učením
9 PŘÍZNAKOVÝ KLASIFIKÁTO determinitický a nedeterminitický pevným a proměnným počtem příznaků bez učení a učením Nadále e nějaký ča věnujme determinitickým klaifikátorům pevným počtem příznaků.
10 PŘÍZNAKOVÝ KLASIFIKÁTO Obrazový protor je rozhodovacím pravidlem rozdělen na dijunktních protorů r, r=,,, přičemž každá podmnožina r obahuje ty obrazy x, pro které je ω r = dx. Návrh rozhodovacího pravidla je základním problémem návrhu klaifikátoru.
11 KLASIFIKACE PODLE DISKIMINAČNÍCH FUNKCÍ hranice klaifikačních tříd definujeme pomocí kalárních funkcí g x, g x,, g x takových, že pro obraz x z podmnožiny r pro všechna r platí g r x > g x, pro =,,, a r funkce g r x mohou vyjadřovat např. míru výkytu obrazu x patřícího do r-té klaifikační třídy v daném mítě obrazového protoru nazýváme je dikriminační funkce
12 KLASIFIKACE PODLE DISKIMINAČNÍCH FUNKCÍ hranice mezi dvěma ouedními podmnožinami r a je určena průmětem průečíku funkcí g r x a g x, definovaného rovnicí g r x = g x, do obrazového protoru.
13 BLOKOVÉ SCHÉMA KLASIFIKÁTOU POMOCÍ DISKIMINAČNÍCH FUNKCÍ
14 BLOKOVÉ SCHÉMA KLASIFIKÁTOU POMOCÍ DISKIMINAČNÍCH FUNKCÍ u dichotomického klaifikátoru dvě třídy je ω = ign g x g x
15 KLASIFIKACE PODLE DISKIMINAČNÍCH FUNKCÍ nejjednodušším tvarem dikriminační funkce je funkce lineární, která má tvar g r x = a r0 + a r x + a r x + + a rn x n kde a r0 je práh dikriminační funkce poouvající počátek ouřadného ytému a a ri jou váhové koeficienty i-tého příznaku x i lineárně eparabilní třídy
16 KLASIFIKACE PODLE DISKIMINAČNÍCH FUNKCÍ LINEÁNĚ NESEPAABILNÍ TŘÍDY zachováme původní obrazový protor a zvolíme nelineární dikriminační funkci definovanou obecně loženou po čátech z lineárních úeků zobrazíme původní n-rozměrný obrazový protor X n nelineární tranformací Φ: X n X m do nového m-rozměrného protoru X m, obecně je m n, tak, aby v novém protoru byly klaifikační třídy lineárně eparabilní a v novém protoru použijeme lineární klaifikátor Φ převodník
17 KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI reprezentativní obrazy klaifikačních tříd - etalony je-li v obrazovém protoru zadáno poloh etalonů vektory x E, x E,, x E, zařadí klaifikátor podle minimální vzdálenoti klaifikovaný obraz x do té třídy, jejíž etalon má od bodu x minimální vzdálenot. ozhodovací pravidlo je určeno vztahem d x x x minx x re E
18 KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI uvažme případ dvou tříd reprezentovaných etalony x E = x E, x E a x E = x E, x E ve dvoupříznakovém euklidovkém protoru; vzdálenot mezi obrazem x = x,x a libovolným z obou etalonů je pak definována v x E, x xe x x E x x E x hledáme menší z obou vzdálenotí, tj. min =, vx E,x, ale také min =, v x E,x; min v x, min v, minx x x x Ex xex E E minx x [x x x x x x E E E E /]
19 KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI
20 KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI dikriminační kuželové plochy e protínají v parabole a její průmět do obrazové roviny je přímka definovaná vztahem x x E - x E + x x E - x E - x E + x E - x E - x E / = 0 Tato hraniční přímka mezi klaifikačními třídami je vždy kolmá na pojnici obou etalonů a tuto pojnici půlí klaifikátor pracující na základě kritéria minimální vzdálenoti je ekvivalentní lineárnímu klaifikátoru dikriminačními funkcemi.
21 KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI Klaifikace podle minimální vzdálenoti třídami reprezentovanými více etalony je ekvivalentní klaifikaci podle dikriminační funkce po čátech lineární hraniční plochou
22 UČENÍ DISKIMINAČNÍCH FUNKCÍ ZE STATISTICKÝCH VLASTNOSTÍ MNOŽINY OBAZŮ
23 ZÁKLADNÍ POJMY A PŘEDPOKLADY při řešení praktických úloh je třeba předpokládat, že obrazy ignálů jou ovlivněny víceméně náhodnými fluktuacemi zdroje ignálu, v přenoové cetě, při předzpracování i analýze, které e nepodaří zcela eliminovat. ztrátová funkce r udává ztrátu při chybné klaifikaci obrazu ze třídy do třídy r. matice ztrátových funkcí λ třední ztráta Ja udává průměrnou ztrátu při chybné klaifikaci obrazu x
24 KITÉIUM MINIMÁLNÍ STŘEDNÍ ZTÁTY pokud e outředíme na obrazy pouze ze třídy, je třední ztráta dána průměrnou hodnotou z dx,a vzhledem ke všem obrazům ze třídy, tj. J a x d xa,. p x d kde px je podmíněná hutota pravděpodobnoti výkytu obrazu x ve třídě x
25 KITÉIUM MINIMÁLNÍ STŘEDNÍ ZTÁTY Celková třední ztráta Ja je průměrná hodnota ze ztrát J a J a J a. P x d xa,. p x. P dx nebo podle Bayeova vzorce Pω x.px = px ω.pω J a x d xa, kde px je hutota pravděpodobnoti výkytu obrazu x v celém obrazovém protoru a P x je podmíněná pravděpodobnot, že daný obraz patří do třídy tzv. apoteriorní pravděpodobnot třídy.. p x. P x dx
26 KITÉIUM MINIMÁLNÍ STŘEDNÍ ZTÁTY Návrh optimálního klaifikátoru, který by minimalizoval třední ztrátu, počívá v nalezení takové množiny parametrů rozhodovacího pravidla a*, že platí J a* min J a Doadíme-li za Ja z předchozího vztahu, je J a* min d xa,. p x. P a x Je-li ztrátová funkce r kontantní pro všechny obrazy z, je dále J a* min r. p x. P dx r x a d x
27 KITÉIUM MINIMÁLNÍ STŘEDNÍ ZTÁTY Označíme-li ztrátu při klaifikaci obrazu x do třídy r L x r r. p x. P tak po doazení dotaneme J a* minl dx x Úloha nalezení minima celkové třední ztráty e tak převedla na minimalizaci funkce L x r. Optimální rozhodovací pravidlo dx,a* podle kritéria minimální celkové třední ztráty je L x dme x, a* r x r minl r x r
28 KITÉIUM MINIMÁLNÍ STŘEDNÍ ZTÁTY Chceme-li využít principu dikriminačních funkcí Dikriminační funkci optimálního klaifikátoru podle kritéria minimální chyby pak definujeme r x L x r r. p x. P g minl x r maxl x r
29 KITÉIUM MINIMÁLNÍ STŘEDNÍ ZTÁTY DICHOTOMICKÝ KLASIFIKÁTO Celková třední ztráta v případě dvou tříd je J a. p x. P d x P.. P. P. p x p x P.. dx. dx. P. P. P.. p x. p x p x. P. dx. dx d x P.
30 KITÉIUM MINIMÁLNÍ STŘEDNÍ ZTÁTY DICHOTOMICKÝ KLASIFIKÁTO Dikriminační funkce pro dichotomický klaifikátor bude g x g x g x p. x. P. p x P. p. x. P L x L x p. p. x. P. P p. x. P Položíme-li tento výraz nule dotaneme vztah pro hraniční plochu dichotomického klaifikátoru, ze kterého můžeme určit poměr hutot pravděpodobnoti výkytu obrazu x v každé z obou klaifikačních tříd - věrohodnotní poměr P. p p x x P. Obraz x zařadíme do třídy, když je věrohodnotní poměr větší než výraz na pravé traně, je-li menší pak obraz x zařadíme do třídy.
31 VĚOHODNOSTNÍ POMĚ I. Sumarizuje veškerou informaci zíkanou experimentem. Pravděpodobnot, že jev data natane za daných podmínek hypotéza děleno pravděpodobnotí, že tejný jev natane za jiných podmínek. Podmínky jou vzájemně e vylučující.
32 VĚOHODNOSTNÍ POMĚ II. Věrohodnotní poměr likelihood ratio L udává podíl pravděpodobnoti, že e vykytne nějaký jev A za určité podmínky jev B, k pravděpodobnoti, že e jev A vykytne, když podmínka neplatí jev nonb. Má-li například pacient náhlou ztrátu paměti jev A, chceme znát věrohodnotní poměr výkytu jevu A v případě, že má mozkový nádor jev B, tj. podíl pravděpodobnoti, jakou ztráta paměti vzniká při nádoru mozku, k pravděpodobnoti, jakou vzniká v otatních případech. Věrohodnotní poměr je tedy podíl podmíněných pravděpodobnotí L PAB PAnonB
33 KITÉIUM MINIMÁLNÍ PAVDĚPODOBNOSTI CHYBNÉHO OZHODNUTÍ Díky obtížnému tanovení hodnot ztrátových funkcí r e kritérium minimální chyby zjednodušuje použitím jednotkových ztrátových funkcí definovaných Matice jednotkových ztrátových funkcí má pak tvar a celková ztráta je r λ J a 0 pror pror což je hodnota pravděpodobnoti chybného rozhodnutí. 0 0 r X- 0 p x. P dx
34 KITÉIUM MINIMÁLNÍ PAVDĚPODOBNOSTI CHYBNÉHO OZHODNUTÍ Doadíme-li hodnoty jednotkových ztrátových funkcí do vztahu pro ztrátu při klaifikaci obrazu do chybné třídy Lx r p x r r r. P p x. P p x. P r a využitím Bayeova vztahu Lx r p x P x p x r. P r p x p x r. P r px nezávií na klaifikační třídě a tedy neovlivňuje výběr minima. Dikriminační funkci tedy můžeme určit jako g x p x r. P r
35 KITÉIUM MINIMÁLNÍ PAVDĚPODOBNOSTI CHYBNÉHO OZHODNUTÍ V případě dichotomického klaifikátoru je dikriminační funkce g x p x. P p x. P A věrohodnotní poměr je potom p x p x P P
36 KITÉIUM MAXIMÁLNÍ APOSTEIONÍ PAVDĚPODOBNOSTI Modifikujeme-li vztah pro ztrátu při chybné klaifikaci obrazu podle Bayeova vztahu Pω x.px = px ω.pω platí L x r r. p x. P x p x r. P x Hutota pravděpodobnoti px nezávií na klaifikační třídě a tedy míto L x ω r lze použít L' x r x r L p x r. P x a jednotkovými ztrátovými funkcemi je L' x r r P x P x P r x P r x
37 nebo KITÉIUM MAXIMÁLNÍ APOSTEIONÍ PAVDĚPODOBNOSTI Minimum ztráty L x ω r je právě tehdy, když Pω r x je maximální. Tzn. že jako dikriminační funkci můžeme zvolit právě hodnotu apoteriorní pravděpodobnoti třídy ω r, tj. g r x = Pω r x Pro případ dichotomického klaifikátoru je dikriminační funkce gx = Pω x - Pω x = 0. Z toho plyne, že hranicí mezi třídami určuje vztah Pω x = Pω x P x x P Podle tohoto kritéria zatřídíme obraz do té třídy, jejíž apoteriorní pravděpodobnot je při výkytu obrazu x větší.
38 KITÉIUM MAXIMÁLNÍ PAVDĚPODOBNOSTI MINIMAX Neznáme-li apriorní pravděpodobnoti všech tříd, předpokládáme rovnoměrné rozložení pravděpodobnot všech tříd je táž Pω = Pω =/. Potom celková třední ztráta J a doáhne minima, když J a* x min a x Dikriminační funkci lze jako v předchozích případech definovat jako g r r. p x. p x dx dx r x L x r r. p x
39 KITÉIUM MAXIMÁLNÍ PAVDĚPODOBNOSTI MINIMAX V případě dichotomie je věrohodnotní poměr p x p x Pokud jou ceny právného rozhodnutí nulové, tj. = = 0, je p x p x Obraz je zařazen do třídy, když je věrohodnotní poměr než poměr cen ztrát chybných zatřídění. Jou-li obě ceny tejné, je obraz zařazen do té třídy, pro kterou je hodnota px ω větší.
40 KITÉIUM MAXIMÁLNÍ PAVDĚPODOBNOSTI MINIMAX
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚLÁVÁNÍ a analýz II. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obaz zpacovávaných dat je
VíceANALÝZA A KLASIFIKACE DAT
ANAÝZA A KASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚÁVÁNÍ a analýz III. BAYESŮV KASIFIKÁTO Intitut biotatitiky a analýz Intitut biotatitiky a analýz ZÁKADN KADNÍ
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ týden doc Ing Renata WAGNEROVÁ, PhD Otrava 013 doc Ing Renata WAGNEROVÁ, PhD Vyoká škola báňká Technická univerzita
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
Více5. cvičení z Matematické analýzy 2
5. cvičení z Matematické analýz 2 30. října - 3. litopadu 207 5. linearizace funkce a Pro funkci f, = e nalezněte její linearizaci v bodě a 0 = 6, 0. Použijte ji k přibližnému určení hodnot funkce f v
Více5. Lokální, vázané a globální extrémy
5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,
VíceProjekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci
Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Geometrie Gradovaný řetězec úloh Téma: Komolý kužel Autor: Kubešová Naděžda Klíčové pojmy:
Více4. cvičení z Matematické analýzy 2
4. cvičení z Matematické analýzy 2 22. - 26. října 208 4. Po funkci fx, y, z xy 2 + z 3 xyz učete v bodě a 0,, 2 deivaci ve měu u, kteý je učen tím, že víá kladnými měy ouřadných o potupně úhly 60, 45
VíceImplementace Bayesova kasifikátoru
Implementace Bayesova kasifikátoru a diskriminačních funkcí v prostředí Matlab J. Havlík Katedra teorie obvodů Fakulta elektrotechnická České vysoké učení technické v Praze Technická 2, 166 27 Praha 6
Více1 Seznamová barevnost úplných bipartitních
Barvení grafů pravděpodobnotní důazy Zdeně Dvořá 7. proince 208 Seznamová barevnot úplných bipartitních grafů Hypergraf je (labě) -obarvitelný, jetliže exituje jeho obarvení barvami neobahující monochromaticou
VíceFunkce v ıce promˇ enn ych Extr emy Pˇredn aˇska p at a 12.bˇrezna 2018
Funkce více proměnných Extrémy Přednáška pátá 12.března 2018 Zdroje informací Diferenciální počet http://homen.vsb.cz/~kre40/esfmat2/fceviceprom.html http://www.studopory.vsb.cz/studijnimaterialy/sbirka_uloh/pdf/7.pdf
VíceBayesovské rozhodování - kritétium minimální střední ztráty
Bayesovské rozhodování - kritétium imální střední ztráty Lukáš Slánský, Ivana Čapková 6. června 2001 1 Formulace úlohy JE DÁNO: X množina možných pozorování (příznaků) x K množina hodnot skrytého parametru
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz LITERATURA Holčík, J.: přednáškové prezentace Holčík, J.: Analýza a klasifikace signálů.
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceMatematika pro informatiky
(FIT ČVUT v Praze) Konvexní analýza 13.týden 1 / 1 Matematika pro informatiky Jaroslav Milota Fakulta informačních technologíı České vysoké učení technické v Praze Letní semestr 2010/11 Extrémy funkce
VíceŘešení úloh 1. kola 51. ročníku fyzikální olympiády. Kategorie D = s v 2
Řešení úloh 1. kola 51. ročníku fyzikální olympiády. Kategorie D Autor úloh: J. Jírů 1.a) Dobaprvníjízdynaprvníčtvrtinětratije 1 4 1 4 48 t 1 = = h= 1 v 1 60 60 h=1min anazbývajícíčátitrati t = 4 v = 4
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
Více25 Dopravní zpoždění. Michael Šebek Automatické řízení 2013 21-4-13
5 Dopravní zpoždění Michael Šebek Automatické řízení 3-4-3 Dopravní zpoždění (Time delay, tranport delay, dead time, delay-differential ytem) V reálných ytémech e čato vykytuje dopravní zpoždění yt ( )
VíceObsah přednášky. 1. Základní pojmy. 2. Jednorozměrné charakteristiky 3. Rozložení 4. Vícerozměrné charakteristiky. Jak stručně popsat data
Obah přednášky 1. Základní pojmy. Jednorozměrné charakteritiky 3. Rozložení 4. Vícerozměrné charakteritiky Jak tručně popat data 5. Hypotézy, tety O kvalitě dat a modelů Základní a výběrový oubor, pravděpodobnot,
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VI. VOLBA A VÝBĚR PŘÍ ZAČÍNÁME kolik a jaké příznaky? málo příznaků možná chyba klasifikace;
VíceVysokofrekvenční obvody s aktivními prvky
Vokofrekvenční obvod aktivními prvk Základními aktivními prvk ve vokofrekvenční technice jou bipolární a unipolární tranzitor. Dalšími aktivními prvk jou hbridní nebo monolitické integrované obvod. Tranzitor
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VOKÁ ŠKOLA BÁŇKÁ TECHNICKÁ NIVEZITA OTAVA FAKLTA TOJNÍ ZÁKLAD ATOMATICKÉHO ŘÍZENÍ 9. týden doc. Ing. enata ANEOVÁ, Ph.D. Otrava 03 doc. Ing. enata ANEOVÁ, Ph.D. Vyoká škola báňká Technická univerzita Otrava
VíceCo jsme udělali: Au = f, u D(A)
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
VíceZavedeme-li souřadnicový systém {0, x, y, z}, pak můžeme křivku definovat pomocí vektorové funkce.
KŘIVKY Křivka = dráha pohybujícího se bodu = = množina nekonečného počtu bodů, které závisí na parametru (čase). Proto můžeme křivku také nazvat jednoparametrickou množinou bodů. Zavedeme-li souřadnicový
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VíceMatematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.
3.4. Výklad Předpokládejme, že v prostoru E 3 jsou dány body A, B, C neležící na jedné přímce. Těmito body prochází jediná rovina, kterou označíme ABC. Určíme vektory u = B - A, v = C - A, které jsou zřejmě
VíceHledání extrémů funkcí
Hledání extrémů funkcí Budeme se zabývat téměř výhradně hledáním minima. Přes nost nalezeného extrému Obecně není hledání extrému tak přesné jako řešení rovnic. Demonstrovat to můžeme na příkladu hledání
VíceDefinice Tečna paraboly je přímka, která má s parabolou jediný společný bod,
5.4 Parabola Parabola je křivka, která vznikne řezem rotační kuželové plochy rovinou, jestliže odchylka roviny řezu od osy kuželové plochy je stejná jako odchylka povrchových přímek plochy a rovina řezu
VíceFUNKCE POJEM, VLASTNOSTI, GRAF
FUNKCE POJEM, VLASTNOSTI, GRAF Zavedení pojmu funkce funkce Funkce f na množině D R je předpis, který každému číslu x z množiny D přiřazuje právě jedno reálné číslo y z množiny R. Množina D se nazývá definiční
VíceDnešní látka: Literatura: Kapitoly 3 a 4 ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Od okrajových úloh v 1D k o. ú. ve 2D Laplaceův diferenciální operátor Variačně formulované okrajové úlohy pro parciální diferenciální rovnice a metody jejich přibližného řešení
Vícejevu, čas vyjmutí ze sledování byl T j, T j < X j a T j je náhodná veličina.
Parametrické metody odhadů z neúplných výběrů 2 1 Metoda maximální věrohodnosti pro cenzorované výběry 11 Náhodné cenzorování Při sledování složitých reálných systémů často nemáme možnost uspořádat experiment
VíceMatematika I, část I Vzájemná poloha lineárních útvarů v E 3
3.6. Vzájemná poloha lineárních útvarů v E 3 Výklad A. Vzájemná poloha dvou přímek Uvažujme v E 3 přímky p, q: p: X = A + ru q: X = B + sv a hledejme jejich společné body, tj. hledejme takové hodnoty parametrů
VíceELEKTRICKÝ OBVOD, ZÁKLADNÍ OBVODOVÉ VELIČINY,
ELEKRCKÝ OBVOD, ZÁKLADNÍ OBVODOVÉ VELČNY, CHARAKERSCKÉ HODNOY Elektrotechnické zařízení Schéa Elektrický obvod Elektrotechnické zařízení druh technického zařízení, které využívá přeěny elektrické energie
VíceVZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C)
VZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C) max. 3 body 1 Zjistěte, zda vektor u je lineární kombinací vektorů a, b, je-li u = ( 8; 4; 3), a = ( 1; 2; 3), b = (2; 0; 1). Pokud ano, zapište tuto lineární kombinaci.
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VícePrůvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
6. Extrémy funkcí více proměnných Průvodce studiem Hledání extrémů je v praxi často řešená úloha. Např. při cestě z bodu A do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
VíceSystém vztahů obecné pružnosti Zobecněný Hookeův zákon
Stém vtahů obecné pružnoti Zobecněný Hookeův ákon V PPI e řešil úloh pružnoti u prutů. Pro řešení pouvů napětí a přetvoření obecného 3D těleo je třeba etavit a řešit tém vtahů obecné pružnoti. Jeho řešení
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VíceMODELOVÁNÍ VYSOKOFREKVENČNÍCH PULSACÍ
VYSOKÉ UČNÍ TCHNICKÉ V BNĚ BNO UNIVSITY OF TCHNOLOGY FAKULTA STOJNÍHO INŽNÝSTVÍ NGTICKÝ ÚSTAV FACULTY OF MCHANICAL NGINING NGY INSTITUT MODLOVÁNÍ VYSOKOFKVNČNÍCH PULSACÍ HIGH-FQUNCY PULSATIONS MODLING
VíceVzorový test k přijímacím zkouškám do navazujícího magisterského studijního oboru Automatické řízení a informatika (2012)
Vzorový tet k přijímacím zkouškám do navazujícího magiterkého tudijního oboru Automatické řízení a informatika (22). Sekvenční logický obvod je: a) obvod, v němž je výtupní tav určen na základě vtupních
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ
ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceVÝBĚR A JEHO REPREZENTATIVNOST
VÝBĚR A JEHO REPREZENTATIVNOST Induktivní, analytická statistika se snaží odhadnout charakteristiky populace pomocí malého vzorku, který se nazývá VÝBĚR neboli VÝBĚROVÝ SOUBOR. REPREZENTATIVNOST VÝBĚRU:
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceKótované promítání. Úvod. Zobrazení bodu
Úvod Kótované promítání Každá promítací metoda má z pohledu praxe určité výhody i nevýhody podle toho, co při jejím užití vyžadujeme. Protože u kótovaného promítání jde o zobrazení prostoru na jednu rovinu,
VíceIII. Diferenciál funkce a tečná rovina 8. Diferenciál funkce. Přírůstek funkce. a = (x 0, y 0 ), h = (h 1, h 2 ).
III. Diferenciál funkce a tečná rovina 8. Diferenciál funkce. Přírůstek funkce = f(x 0 + h 1, y 0 + h 2 ) f(x 0, y 0 ) f u (x 0, y 0 ), kde u = (h 1, h 2 ). ( ) = f(x 0 + h 1, y 0 ) f(x 0, y 0 ) x (x 0,
VíceObyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých
Obyčejné diferenciální rovnice Obyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých se vyskytují derivace neznámé funkce jedné reálné proměnné. Příklad. Bud dána funkce f : R R.
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Více1 Polynomiální interpolace
Polynomiální interpolace. Metoda neurčitých koeficientů Příklad.. Nalezněte polynom p co nejmenšího stupně, pro který platí p() = 0, p(2) =, p( ) = 6. Řešení. Polynom hledáme metodou neurčitých koeficientů,
VícePoznámka. V některých literaturách se pro označení vektoru také používá symbolu u.
Vektory, operace s vektory Ž3 Orientovaná úsečka Mějme dvojici bodů, (na přímce, v rovině nebo prostoru), které spojíme a vznikne tak úsečka. Pokud budeme rozlišovat, zda je spojíme od k nebo od k, říkáme,
VíceVlastní (charakteristická) čísla a vlastní (charakteristické) Pro zadanou čtvercovou matici A budeme řešit maticovou
1 Vlastní (charakteristická) čísla a vlastní (charakteristické) vektory matice Pro zadanou čtvercovou matici A budeme řešit maticovou rovnici A x = λ x, kde x je neznámá matice o jednom sloupci (sloupcový
Vícecv3.tex. Vzorec pro úplnou pravděpodobnost
3 cvičení - pravděpodobnost 2102018 18cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P
VíceDnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení.
Předmět: MA4 Dnešní látka Variačně formulované okrajové úlohy zúplnění prostoru funkcí. Lineární zobrazení. Literatura: Kapitola 2 a)-c) a kapitola 4 a)-c) ze skript Karel Rektorys: Matematika 43, ČVUT,
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceV předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti
Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení
VícePřednáška Omezení rozlišení objektivu difrakcí
Před A3M38VBM, J. Ficher, kat. měření, ČVUT FL Praha Přednáška Omezení rozlišení objektivu difrakcí v. 2011 Materiál je určen pouze jako pomocný materiál pro tudenty zapané v předmětu: Videometrie a bezdotykové
VíceMATICE. a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij]
MATICE Matice typu m/n nad tělesem T je soubor m n prvků z tělesa T uspořádaných do m řádků a n sloupců: a 11 a 12 a 1n a 21 a 22 a 2n A = = [a ij] a m1 a m2 a mn Prvek a i,j je prvek matice A na místě
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vlastní čísla a vektory Google Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceLineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)
4 Lineární zobrazení Definice: Nechť V a W jsou vektorové prostory Zobrazení A : V W (zobrazení z V do W nazýváme lineárním zobrazením, pokud pro všechna x V, y V a α R platí 1 A(x y = A(x A(y (vlastnost
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceAB = 3 CB B A = 3 (B C) C = 1 (4B A) C = 4; k ]
1. část 1. (u 1, u 2, u, u 4 ) je kladná báze orientovaného vektorového prostoru V 4. Rozhodněte, zda vektory (u, 2u 1 + u 4, u 4 u, u 2 ) tvoří kladnou, resp. zápornou bázi V 4. 0 2 0 0 0 0 0 1 0 2 0
VíceProjekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/ Lineární rovnice
2. Lineární rovnice označuje rovnici o jedné neznámé, ve které neznámá vystupuje pouze v první mocnině. V základním tvaru vypadá následovně: ax + b = 0, a 0 Zde jsou a a b nějaká reálná čísla, tzv. koeficienty
VíceMatematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic
Přednáška třetí (a pravděpodobně i čtvrtá) aneb Úvod do lineární algebry Matice a soustavy rovnic Lineární rovnice o 2 neznámých Lineární rovnice o 2 neznámých Lineární rovnice o dvou neznámých x, y je
Více1 Báze a dimenze vektorového prostoru 1
1 Báze a dimenze vektorového prostoru 1 Báze a dimenze vektorového prostoru 1 2 Aritmetické vektorové prostory 7 3 Eukleidovské vektorové prostory 9 Levá vnější operace Definice 5.1 Necht A B. Levou vnější
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
Více( + ) ( ) f x x f x. x bude zmenšovat nekonečně přesný. = derivace funkce f v bodě x. nazýváme ji derivací funkce f v bodě x. - náš základní zápis
1.. Derivace elementárních funkcí I Předpoklad: 1 Shrnutí z minulé hodin: Chceme znát jakým způsobem se mění hodnot funkce f ( f ( + f ( přibližná hodnota změn = přesnost výpočtu se bude zvětšovat, kdž
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceÚvodní informace. 17. února 2018
Úvodní informace Funkce více proměnných Přednáška první 17. února 2018 Obsah 1 Úvodní informace. 2 Funkce více proměnných Definiční obor Limita a spojitost Derivace, diferencovatelnost, diferenciál Úvodní
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. 2. PŘEDNÁŠKA MATEMATICKÝ MODEL ÚLOHY LP Mgr. Sekničková Jana, Ph.D. 2 OSNOVA PŘEDNÁŠKY Obecná formulace MM Množina
VíceObsah 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
VíceDiferenciál funkce dvou proměnných. Má-li funkce f = f(x, y) spojité parciální derivace v bodě a, pak lineární formu (funkci)
2. Diferenciál funkce, tečná rovina. Diferenciál funkce dvou proměnných. Má-li funkce f = f(x, y) spojité parciální derivace v bodě a, pak lineární formu (funkci) df(a, h) = x (a)h + (a)h 2, h = (h, h
VíceDrsná matematika III 3. přednáška Funkce více proměnných: Inverzní a implicitně definovaná zobrazení, vázané extrémy
Drsná matematika III 3. přednáška Funkce více proměnných: Inverzní a implicitně definovaná zobrazení, vázané extrémy Jan Slovák Masarykova univerzita Fakulta informatiky 3. 10. 2011 Obsah přednášky 1 Literatura
Více6.1 Vektorový prostor
6 Vektorový prostor, vektory Lineární závislost vektorů 6.1 Vektorový prostor Nechť je dán soubor nějakých prvků, v němž je dána jistá struktura vztahů mezi jednotlivými prvky nebo v němž jsou předepsána
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VíceNáhodné (statistické) chyby přímých měření
Náhodné (statistické) chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně
VíceMetoda nejmenších čtverců Michal Čihák 26. listopadu 2012
Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012 Metoda nejmenších čtverců Matematicko-statistická metoda používaná zejména při zpracování nepřesných dat (typicky experimentálních empirických
Více12. Lineární programování
. Lineární programování. Lineární programování Úloha lineárního programování (lineární optimalizace) je jedním ze základních problémů teorie optimalizace. Našim cílem je nalézt maximum (resp. minimum)
VíceTSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY
TSO NEBO A INVARIANTNÍ ROZPOZNÁVACÍ SYSTÉMY V PROSTŘEDÍ MATLAB K. Nováková, J. Kukal FJFI, ČVUT v Praze ÚPŘT, VŠCHT Praha Abstrakt Při rozpoznávání D binárních objektů z jejich diskrétní realizace se využívají
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceInterpolace pomocí splajnu
Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom
VíceCyklografie. Cyklický průmět bodu
Cyklografie Cyklografie je nelineární zobrazovací metoda - bodům v prostoru odpovídají kružnice v rovině a naopak. Úlohy v rovině pak převádíme na řešení prostorových úloh, např. pomocí cyklografie řešíme
VícePříklady k přednášce 25 Dopravní zpoždění
Příklady k přednášce 25 Dopravní zpoždění Michael Šebek Automatické řízení 28 5-5-8 L { } Dopravní zpoždění v Laplaceově tranformaci v ( + τ ) { } t f(): t f() t = t
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
VíceParametrická rovnice přímky v rovině
Parametrická rovnice přímky v rovině Nechť je v kartézské soustavě souřadnic dána přímka AB. Nechť vektor u = B - A. Pak libovolný bod X[x; y] leží na přímce AB právě tehdy, když vektory u a X - A jsou
VíceMatematika 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
Více14. přednáška. Přímka
14 přednáška Přímka Začneme vyjádřením přímky v prostoru Přímku v prostoru můžeme vyjádřit jen parametricky protože obecná rovnice přímky v prostoru neexistuje Přímka v prostoru je určena bodem A= [ a1
Víceteorie elektronických obvodů Jiří Petržela syntéza elektronických obvodů
Jiří Petržela příklad nalezněte dvě různé realizace admitanční funkce zadané formou racionální lomené funkce Y () () ( ) ( ) : první krok rozkladu do řetězového zlomku () 9 7 9 výledný rozklad ( ) 9 9
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Vektorový (lineární) prostor (připomenutí) Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost
Více7. Derivace složené funkce. Budeme uvažovat složenou funkci F = f(g), kde některá z jejich součástí
202-m3b2/cvic/7slf.tex 7. Derivace složené funkce. Budeme uvažovat složenou funkci F = fg, kde některá z jejich součástí může být funkcí více proměnných. Předpokládáme, že uvažujeme funkce, které mají
VícePříklady k přednášce 19 - Polynomiální metody
Příklady k přednášce 19 - Polynomiální metody Michael Šebek Automatické řízení 016 15-4-17 Dělení polynomů: e zbytkem a bez Polynomy netvoří těleo (jako reálná číla, racionální funkce, ) ale okruh (jako
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
Více