Biologicky inspirované výpočty. Schématické rozdělení problematiky a výuky
|
|
|
- Pavlína Valentová
- před 8 lety
- Počet zobrazení:
Transkript
1 Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1
2 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová optimalizace, genetické programování, gramatická evoluce,... Buněčné systémy: buněčné automaty, umělý život, počítačové viry, komplexní systémy. Neurální systémy: neuronové sítě, neuroprocesory, modelování mozkových procesů. Vývojové systémy: vývojové a přepisující systémy Imunní systémy: umělý imunitní systém, klonavací selekční algoritmus,... DNA computing Behaviorální systémy: kognitivní vědy, behaviorální robotika, evoluce a učení v behaviorálních systémech,... Kolektivní systémy: samoorganizace, hejnové algoritmy, evoluce kooperativně-soutěžících systémů,... 2
3 Evoluční algoritmy 1. Současný stav na poli softcomputingu, fuzzy logika, neuronové sítě, evoluční výpočetní techniky (EVT). Klasifikace evolučních výpočetních technik, historická fakta, současné trendy na poli EVT. Centrální dogma EVT podle Darwina a Mendela. Evoluční algoritmy 2. No Free Lunch teorém. Výpočetní složitost a fyzikální limity algoritmů. Víceúčelová optimalizace a Paretova množina. Evoluční algoritmy 3. Omezení kladená na účelovou funkci a parametry jedince. Penalizace a její dopad na geometrii účelové funkce. Práce s reálnými, celočíselnými a diskrétními hodnotami parametrů jedince. Genetické algoritmy. Terminologie GA. Princip činnosti, Hybridná GA, messy GA, paralelní GA, migrační a difůzní model. Evoluční algoritmy 4. Evoluční strategie. Dvoučlenné ES: (1+1)-ES. Vícečlenné ES: (µ+λ)- ES a (µ, λ)-es. Vícečlenné ES: (µ+λ)-es a (µ, λ)-es. Adaptivní ES. Rojení částic (Particle swarm). Rozptýlené hledání (Scatter Search). Optimalizace mravenčí kolonií (Ant Colony Optimization). Evoluční algoritmy 5. SOMA : SamoOrganizující se Migrační Algoritmus, princip činnosti a použité strategie algoritmu: ATO, ATR, ATA a ATAA. Diferenciální evoluce, princip činnosti a použité verze: DE/best/1/exp, DE/rand/1/exp, DE/rand-to-best/1/exp, DE/best/2/exp, DE/ rand/2/exp, DE/best/1/bin, DE/rand/1/bin, DE/rand-to-best/1/bin, DE/best/2/bin, DE/rand/2/ bin. SOMA, DE a permutační testovací problémy. 3
4 Evoluční algoritmy 6. Techniky genetického programování: genetické programování, gramatická evoluce. Alternativy: analytické programování, Probabilistic Incremental Program Evolution PIPE, Gene Expression Programming, Multiexpression Programming a další. Evoluční hardware (EH). Inspirace v biologii. Výpočetní zařízení. Rekonfigurovatelná zařízení. Evoluční návrh a číslicové obvody. EH a buňečné automaty. Polymorfní elektronika. Buněčné automaty (BA) a komplexní systémy. Úvod do problematiky, Formalismus BA, dynamika a klasifikace buněčných automatů podle Wolframa, Conwayova hra života, modelování pomocí BA. Umělý život. Základní definice a existující systémy a modely. Tierra, biomorfové, Sbeat, Sbart, Eden, Galapagos,... Sebereprodukující se automaty podle Turinga a von Neumanna. Langtonova smyčka, počítačové viry a umělý život. Umělý život a hrana chaosu (podle Kaufmanna) Neuronové sítě (NS). Historie a základní princip NS. Trénovací množina a její použití NS. Základní typy sítí a jejich aplikace na různé typy problémů. Fraktální geometrie. Historie, definice fraktálu, základní typy algoritmů generujících fraktály. Fraktální dimenze, interpolace a komprese. Vývojové systémy a umělý život. L- systémy, želví grafika, parametrické L-systémy, L-systémy z pohledu fraktální geometrie. 4
5 Imunologické systémy (IS). Princip IS, limity IS, algoritmy realizující IS, imunotronika. Swarm inteligence (SI). Základní pojmy a definice, reprezentativní algoritmy SI - particle swarm, scatter search, ant colony optimization, swarm robotic, umělá evoluce komplexních systémů. DNA computing. DNA computing jako součást bioinformatiky, DNA a binární reprezentace podle Adlemanna. Watson-Crickův automat. Matematické modelování operací nad DNA. 5
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...
Přírodou inspirované metody umělé inteligence
Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy
Informatika a výpočetní technika 1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1 kr. Povinné předměty pro obor IVT
1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 2. roč./4. sem. Semestrální Semestrální Diplomový Diplomový I I 460-4064/01 460-4067/01 460-4095/01 460-4096/01 460-4065/01 470-4405/01 Povinně volitelné
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
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
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
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:
Obsah DÍL 2 KAPITOLA 6. 6 Automatická regulace 9. 6.1 Základní terminologie historické souvislosti 12
Obsah DÍL 2 KAPITOLA 6 6 Automatická regulace 9 6.1 Základní terminologie historické souvislosti 12 6.2 Dynamický systém, nástroje a metody jeho analýzy 18 6.2.1 Popis dynamického systému 19 6.2.2 Simulace
Znalostní technologie proč a jak?
Znalostní technologie proč a jak? Peter Mikulecký Kamila Olševičová Daniela Ponce Univerzita Hradec Králové Motivace 1993 vznik Fakulty řízení a informační technologie na Vysoké škole pedagogické v Hradci
Buněčné automaty a mřížkové buněčné automaty pro plyny. Larysa Ocheretna
Buněčné automaty a mřížkové buněčné automaty pro plyny Larysa Ocheretna Obsah Buněčný automat: princip modelu, vymezení pojmů Mřížkový buněčný automat pro plyny Příklady aplikace principů mřížkových buněčných
Architektury počítačů
Architektury počítačů skupina Identifyingvýzkumná the Interesting Points in Geometrical Figures of Certain Class Vysoké učení technické v Brně, Fakulta informačních technologií, Božetěchova 2, 612 66 Brno
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.
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
analýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
Modelov an ı biologick ych syst em u Radek Pel anek
Modelování biologických systémů Radek Pelánek Modelování v biologických vědách typický cíl: pomocí modelů se snažíme pochopit, jak biologické systémy fungují model zahrnuje naše chápání simulace ukazuje,
A0M33EOA: Evoluční optimalizační algoritmy
A0M33EOA: Evoluční optimalizační algoritmy Zkouškový test Pátek 8. února 2011 Vaše jméno: Známka, kterou byste si z předmětu sami dali, a její zdůvodnění: Otázka: 1 2 3 4 5 6 7 8 Celkem Body: 1 3 2 1 4
Pokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
Seznam úloh v rámci Interního grantového systému EPI
Evropský polytechnický institut, s.r.o. Kunovice Seznam úloh v rámci Interního grantového systému I rok/p ořadí Číslo úlohy Název Obor 2008 B1/2008 Vývojové tendence globalizujícího se podnikatelského
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
Informatika a výpočetní technika 1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1 kr. Povinné předměty pro obor IVT
1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1+0 Zk 2. roč./4. sem. Semestrální Semestrální 460-4064/01 460-4067/01 460-4095/01 460-4096/01 460-4065/01 470-4405/01 Povinně volitelné předměty pro obor
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
Evoluční algoritmy a umělý život
Evoluční algoritmy a umělý život Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Olomouc, červen 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělý život Odkazy: Steven Levy: Artificial
OPRAVENKA pro Seznam předmětů Matematicko-fyzikální fakulty 2002/2003
UNIVERSITAS CAROLINA PRAGENSIS FACULTAS MATHEMATICAE PHYSICAEQUE DISCIPLINAE OPRAVENKA pro Seznam předmětů Matematicko-fyzikální fakulty 2002/2003 Obsah Předmluva.......................................................................
Komplexní systémy: úvod
Komplexní systémy: úvod Radek Pelánek FI MU podzim 2013 Radek Pelánek (FI MU) Komplexní systémy: úvod podzim 2013 1 / 21 Komplexní systémy rychlý úvod Stručný výtah z: přednášky IV109 Modelování a simulace
Informace pro výběr bakalářského oboru
Informace pro výběr bakalářského oboru 2017.03.15 J. Matas Bakalářské obory informatika a počítačové vědy software internet věcí počítačové hry a grafika kapacita všech oborů je dostatečná pro volný výběr
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
Umělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
UITS / ISY. Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně. ISY: Výzkumná skupina inteligentních systémů 1 / 14
UITS / ISY Výzkumná skupina inteligentních systémů Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně ISY: Výzkumná skupina inteligentních systémů 1 / 14 Obsah Představení skupiny
OSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
Bioinformatika a výpočetní biologie KFC/BIN. I. Přehled
Bioinformatika a výpočetní biologie KFC/BIN I. Přehled RNDr. Karel Berka, Ph.D. Univerzita Palackého v Olomouci Definice bioinformatiky (Molecular) bio informatics: bioinformatics is conceptualising biology
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
Užití systému Matlab při optimalizaci intenzity tepelného záření na povrchu formy
Užití systému Matlab při optimalizaci intenzity tepelného záření na povrchu formy Radek Srb 1) Jaroslav Mlýnek 2) 1) Fakulta mechatroniky, informatiky a mezioborových studií 2) Fakulta přírodovědně-humanitní
UMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Miroslav POKORNÝ Praha 1996, BEN Miroslav Pokorný UMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Bez pøedchozího písemného svolení nakladatelství nesmí být kterákoli èást
Úvod 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
Fakulta přírodovědně-humanitní a pedagogická. Okruhy otázek pro státní závěrečné zkoušky. Bakalářské studium
Fakulta přírodovědně-humanitní a pedagogická Okruhy otázek pro státní závěrečné zkoušky Bakalářské studium Informatika se zaměřením na vzdělávání Bc. Matematika: Funkce, její průběh a vlastnosti. Popisná
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách
Státní závěrečná zkouška z oboru Matematika a její použití v přírodních vědách Ústní zkouška z oboru Náročnost zkoušky je podtržena její ústní formou a komisionálním charakterem. Předmětem bakalářské zkoušky
Stefan Ratschan. Fakulta informačních technologíı. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti 1 / 16
Modelování fyzikálního okoĺı Stefan Ratschan Katedra číslicového návrhu Fakulta informačních technologíı České vysoké učení technické v Praze 25. října 2011 Evropský sociální fond Praha & EU: Investujeme
IUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence. Jméno: Třída: Rok:
IUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence Jméno: Třída: Rok: Prohlašuji, že mnou předložená práce je mým původním autorským dílem, které jsem vypracoval/a samostatně.
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
Lesk a bída nestandardních výpočetních systémů
Lesk a bída nestandardních výpočetních systémů Jiří Wiedermann Ústav informatiky Akademie věd České republiky, v.v.i. Částečně podporováno grantem 1ET100300419 Proč nás zajímají možnosti a meze počítačů
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
Úvod Teorie Studium CA Aplikace Souvislosti. Radek Pelánek
Buněčné automaty Radek Pelánek Souvislosti Kam směřujeme? modelování systémů od spodu - individua, lokální interakce agent based modeling (ABM) modelování založené na agentech proč buněčné automaty (cellular
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
Swarm Intelligence. Moderní metody optimalizace 1
Swarm Intelligence http://pixdaus.com/single.php?id=168307 Moderní metody optimalizace 1 Swarm Intelligence Inteligence hejna algoritmy inspirované chováním skupin ptáků, hmyzu, ryb apod. Particle Swarm
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
TECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Rozdělení sub-oborů robotiky Učební text jméno a příjmení autora Doc. Ing. Mgr. Václav Záda, CSc. Liberec 2010 Materiál
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
H. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976
Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty
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
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
Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D.
OPTIMALIZACE BRAMOVÉHO PLYNULÉHO ODLÉVÁNÍ OCELI ZA POMOCI NUMERICKÉHO MODELU TEPLOTNÍHO POLE Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D. Fakulta strojního inženýrství
Algoritmus. Přesné znění definice algoritmu zní: Algoritmus je procedura proveditelná Turingovým strojem.
Algoritmus Algoritmus je schematický postup pro řešení určitého druhu problémů, který je prováděn pomocí konečného množství přesně definovaných kroků. nebo Algoritmus lze definovat jako jednoznačně určenou
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
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace. Maturitní otázky z předmětu INFORMATIKA A VÝPOČETNÍ TECHNIKA
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu INFORMATIKA A VÝPOČETNÍ TECHNIKA 1. Algoritmus a jeho vlastnosti algoritmus a jeho vlastnosti, formy zápisu algoritmu
Popis zobrazení pomocí fuzzy logiky
Popis zobrazení pomocí fuzzy logiky diplomová práce Ján Fröhlich KM, FJFI, ČVUT 23. dubna 2009 Ján Fröhlich ( KM, FJFI, ČVUT ) Popis zobrazení pomocí fuzzy logiky 23. dubna 2009 1 / 25 Obsah 1 Úvod Základy
Inteligentní systémy a neuronové sítě
Inteligentní systémy a neuronové sítě Arnošt Veselý, Česká zemědělská univerzita, Kamýcká, Praha 6 - Suchdol Summary: In the article two main architectures of inteligent systems: logical-symbolic and connectionist
Matematický ústav UK Matematicko-fyzikální fakulta
Geometrické modelování Zbyněk Šír Matematický ústav UK Matematicko-fyzikální fakulta 2. října 2018 Zbyněk Šír (MÚ UK) - Geometrické modelování 2. října 2018 1 / 15 Obsah dnešní přednášky Co je to geometrické
Základy algoritmizace
Algoritmus Toto je sice na první pohled pravdivá, ale při bližším prozkoumání nepřesná definice. Například některé matematické postupy by této definici vyhovovaly, ale nejsou algoritmy. Přesné znění definice
Programování LEGO MINDSTORMS s použitím nástroje MATLAB a Simulink
26.1.2018 Praha Programování LEGO MINDSTORMS s použitím nástroje MATLAB a Simulink Jaroslav Jirkovský jirkovsky@humusoft.cz www.humusoft.cz info@humusoft.cz www.mathworks.com Co je MATLAB a Simulink 2
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-SOC: 11 METODY VERIFIKACE SYSTÉMŮ NA ČIPU Hana Kubátov vá doc. Ing. Hana Kubátová, CSc. Katedra číslicového návrhu Fakulta 1 informačních
PŘEDMLUVA 11 FORMÁLNÍ UJEDNÁNÍ 13
OBSAH PŘEDMLUVA 11 FORMÁLNÍ UJEDNÁNÍ 13 1 ÚVOD, Z. Raida 15 1.1 Mikrovlnné kmitočtové pásmo 15 1.2 Diferenciální formulace Maxwellových rovnic 16 1.3 Integrální formulace Maxwellových rovnic 18 1.4 Obecný
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
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.
Syntéza neuronových sítí
Syntéza neuronových sítí Neural network synthesis Bc. Marek Malinka Diplomová práce 011 UTB ve Zlíně, Fakulta aplikované informatiky, 011 4 ABSTRAKT Cílem diplomové práce je vypracování literární rešerše
1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY
1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY 1.1 VÝVOJ MECHATRONIKY Ve vývoji mechatroniky lze vysledovat tři období: 1. etapa polovina 70. let, Japonsko, založení nového oboru shrnuje poznatky z mechaniky,
Aktuální seznam nabízených kurzů
Aktuální seznam nabízených kurzů Název akce číslo akreditace hodinová dotace cena 1 Moodle pro pokročilé 3320/10-25-22 30 2100 2 Lidová řemesla a tradice v práci učitelů a vychovatelů 3320/10-25-22 30
Další povinnosti / odb. praxe. Návrh témat prací. Návaznost na další stud. prog.
Teoretická informatika Složitost I 2p+1c Z, Zk P RNDr. Čepek, PhD není stanoven Složitost II 2p+1c Z, Zk PV RNDr. Čepek, PhD Vyčíslitelnost II 2p Zk PV doc. Kučera, CSc. Datové struktury I 2p Zk P RNDr.
Přednášky o výpočetní technice. Hardware teoreticky. Adam Dominec 2010
Přednášky o výpočetní technice Hardware teoreticky Adam Dominec 2010 Rozvržení Historie Procesor Paměť Základní deska přednášky o výpočetní technice Počítací stroje Mechanické počítačky se rozvíjely už
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:
Obsah. Zelinka: UI v problémech globální optimalizace BEN technická literatura 3
UMÌLÁ INTELIGENCE V PROBLÉMECH GLOBÁLNÍ OPTIMALIZACE Ivan Zelinka Praha 2002 Tato publikace vznikla za podpory grantù MŠM 26500014, GAÈR 102/00/0526 a GAÈR 102/02/0204 Kniha seznamuje ètenáøe se dvìma
PV021: Neuronové sítě. Tomáš Brázdil
1 PV021: Neuronové sítě Tomáš Brázdil Cíl předmětu 2 Na co se zaměříme Základní techniky a principy neuronových sítí (NS) Přehled základních modelů NS a jejich použití Co si (doufám) odnesete Znalost základních
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
1 Úvod do celočíselné lineární optimalizace
Úvod do celočíselné lineární optimalizace Martin Branda, verze 7.. 7. Motivace Reálné (smíšeně-)celočíselné úlohy Optimalizace portfolia celočíselné počty akcií, modelování fixních transakčních nákladů,
Architektura - struktura sítě výkonných prvků, jejich vzájemné propojení.
Základní pojmy z oblasti neuronových sítí Zde je uveden přehled některých základních pojmů z oblasti neuronových sítí. Tento přehled usnadní studium a pochopení předmětu. ADALINE - klasická umělá neuronová
SYSTÉMOVÁ METODOLOGIE (VII) Kybernetika. Ak. rok 2011/2012 vbp 1
SYSTÉMOVÁ METODOLOGIE (VII) Kybernetika Ak. rok 2011/2012 vbp 1 ZÁKLADNÍ SMĚRY A DISCIPLÍNY Teoretická kybernetika (vědecký aparát a metody ke zkoumání kybernetických systémů; používá abstraktní modely
Název diplomové práce: Srovnávač životního pojištění. Určení: Bakalářská práce. Vedoucí: Doc. Ing. Petr Sosík, Dr.
Název diplomové práce: Srovnávač životního pojištění Určení: Bakalářská práce Konzultant: Ing. Mgr. Barbora Volná, Ph.D. Cíl práce: Naprogramovat srovnávač životního pojištění, který spadá pod obor automatizace
Václav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV
Umělá inteligence a rozpoznávání Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 16. 2. (3h) 2. 3. (4h) 17. 3. (5h) 14. 4. (3h) Úvod, historie a vývoj UI, základní
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
Matematický ústav UK Matematicko-fyzikální fakulta
Geometrické modelování Zbyněk Šír Matematický ústav UK Matematicko-fyzikální fakulta 5. října 2016 Zbyněk Šír (MÚ UK) - Geometrické modelování 5. října 2016 1 / 14 Obsah dnešní přednášky Co je to geometrické
Bonn, Rheinischen Friedrich-Wilhelms-Universität
Bonn, Rheinischen Friedrich-Wilhelms-Universität Seznam přednášek Bc s anotacemi http://www.mathematics.uni-bonn.de/files/bachelor/ba_modulhandbuch.pdf Studijní plán-požadavky http://www.mathematics.uni-bonn.de/studium/bachelor/studienprogramm
E-LOGOS. Principy Darwinovy teorie evoluce v aplikacích umělé inteligence. David Čunek. University of Economics Prague
E-LOGOS ELECTRONIC JOURNAL FOR PHILOSOPHY ISSN 1211-0442 12/2009 University of Economics Prague Principy Darwinovy teorie evoluce v aplikacích umělé inteligence David Čunek Abstrakt Cílem této práce bylo
Cluster Analysis based on Bio-Inspired Algorithms
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra informatiky Bio-inspirované výpočty a shluková analýza Cluster Analysis based on Bio-Inspired Algorithms 2013 Bc. Michal Rečka
OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB D24FZS
OPTIMALIZACE A MULTIKRITERIÁLNÍ HODNOCENÍ FUNKČNÍ ZPŮSOBILOSTI POZEMNÍCH STAVEB Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb Anotace: Optimalizace objektů pozemních staveb
Specializace Kognitivní informatika
Specializace Kognitivní informatika Otevřené dveře specializace Kognitivní informatika, 10.5.2007 V rámci projektu, financovaného Evropským sociálním fondem pod č. 3206 Multi- a transdisciplinární obor
Trocha obrázků na začátek..
Trocha obrázků na začátek.. Elementární pojmy LCD panel tower myš klávesnice 3 Desktop vs. Tower tower desktop 4 Desktop nebo Tower? 5 Obraz jako obraz? 6 A něco o vývoji.. Předchůdci počítačů Počítadlo
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
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
D - Přehled předmětů studijního plánu
D - Přehled předmětů studijního plánu Vysoká škola: Součást vysoké školy: Název studijního programu: Název studijního oboru: Slezská univerzita v Opavě Matematický ústav v Opavě Matematika Obecná matematika
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
Evolučníalgoritmy. Dále rozšiřována, zde uvedeme notaci a algoritmy vznikléna katedře mechaniky, Fakulty stavební ČVUT. Moderní metody optimalizace 1
Evolučníalgoritmy Kategorie vytvořená v 90. letech, aby se sjednotily jednotlivémetody, kterévyužívaly evoluční principy, tzn. Genetickéalgoritmy, Evolučnístrategie a Evoluční programování (v těchto přednáškách
MOŽNOSTI OPTIMALIZACE VE STAVEBNICTVÍ
ESKÉ VYSOKÉ U ENÍ TECHNICKÉ V PRAZE Fakulta stavební MOŽNOSTI OPTIMALIZACE VE STAVEBNICTVÍ Studijní program: Stavební inženýrství Studijní obor: Fyzikální a materiálové inženýrství Vypracovala: Ing. Markéta
ÚVOD DO MATEMATICKÉ BIOLOGIE I.
ÚVOD DO MATEMATICKÉ BIOLOGIE I. setkání třetí prof. Ing. Jiří Holčík, CSc. UKB, pav.a29, RECETOX, dv.č.112 holcik@iba.muni.cz POJĎME SI HRÁT SE SLOVY MATEMATIKA INFORMATIKA BIOLOGIE MEDICÍNA? BIOMEDICÍNA??
AKREDITOVANÉ STUDIJNÍ PROGRAMY
AKREDITOVANÉ STUDIJNÍ PROGRAMY Kód studijního programu Název studijního programu Kód studijního oboru (KKOV) Název studijního oboru Standardní doba studia v akademických rocích / Forma Platnost studia
Navazující magisterský studijní program APLIKOVANÁ INŽENÝRSKÁ INFORMATIKA
Navazující magisterský studijní program APLIKOVANÁ INŽENÝRSKÁ INFORMATIKA Žádost o akreditaci Vysoká škola chemicko-technologická v Praze Fakulta chemicko-inženýrská Říjen 2008 Praha 2008 1 / 29 do stávající
AKREDITOVANÉ STUDIJNÍ PROGRAMY
AKREDITOVANÉ STUDIJNÍ PROGRAMY Kód studijního programu Název studijního programu Kód studijního oboru (KKOV) Název studijního oboru Standardní doba studia v akademických rocích / Forma Platnost studia
PODKLADY PRO WORKSHOP
PODKLADY PRO WORKSHOP OBOR APLIKOVANÁ MATEMATIKA PRO ŘEŠENÍ KRIZOVÝCH SITUACÍ 1. Profil absolventa Absolventi oboru jsou schopni podílet se na řešení úkolů zaměřených na analýzu a vyhodnocení bezpečnostních
ÚVOD DO MATEMATICKÉ BIOLOGIE I. UKB, pav. A29, RECETOX, dv.č.112 Institut biostatistiky a analýz
ÚVOD DO MATEMATICKÉ BIOLOGIE I. prof. Ing. Jiří Holčík, CSc. UKB, pav. A29, RECETOX, dv.č.112 holcik@iba.muni.cz zástupce ředitele IBA PřF a LF MU pro výuku: RNDr. Tomáš Pavlík, Ph.D. e-mail: pavlik@iba.muni.cz
Vybrané partie z obrácených úloh. obrácených úloh (MG452P73)
Vybrané partie z obrácených úloh obrácených úloh (MG452P73) Obsah přednášky Klasifikace obrácených úloh a základní pojmy Lineární inverzní problém, prostor parametrů a dat Gaussovy transformace, normální
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
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 Mendelovská genetika - Základy přenosové genetiky Základy genetiky Gregor (Johann)