Klasifikace a predikce. Roman LUKÁŠ

Rozměr: px
Začít zobrazení ze stránky:

Download "Klasifikace a predikce. Roman LUKÁŠ"

Transkript

1 1/28 Klasfkace a predkce Roman LUKÁŠ

2 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké skupny patří) určení pravdel, podle nchž bude klasfkace prováděna II. Pravdla z kroku I. sou testována na ných vzorech, následně použta pro zařazování nových dat Predkce = předpověď sté hodnoty (ze spoté funkce) pro daný obekt

3 3/28 I. Fáze: Klasfkace: Ilustrace Trénovací data Klasfkační algortmus Jméno Jan Novák Ota Tesař Vít Tomšů Leoš Nový Věk <= > Příem malý velký střední velký Úvěryschopnost špatná dobrá špatná dobrá Klasfkační pravdla: If Věk = and Příem = velký then Úvěryschopnost = dobrá II. Fáze: Trénovací data Klasfkační pravdla Nová data Jméno Věk Příem Úvěryschopnost (Jan Ryba, , velký,?) Petr Malý velký dobrá Jakub Král <= 30 malý špatná? = dobrá

4 4/28 Příprava dat pro klasfkac Čštění dat = Redukce šumu v datech, upravení dat z chyběící hodnotou Významnostní analýza = odstranění nepotřebných atrbutů v datech pro danou klasfkac Transformace dat = zobecnění dat, například číselných na dskrétní hodnoty Příklad: Konkrétní zsk malý/velký Specální případ transformace: Normalzace dat Příklad: obecný nterval nterval <0, 1>

5 5/28 Porovnávání klasfkačních metod Přesnost předpovědí = schopnost dobře třídt neznámá data Rychlost = výpočetní složtost pro vygenerování a používání klasfkačních pravdel Robustnost = schopnost vytvořt správný model, pokud daná data obsahuí šum a chyběící hodnoty Stablta = schopnost vytvořt správný model pro velké množství dat Interpretovatelnost = ak e model složtý pro pochopení

6 6/28 Příklad: Rozhodovací strom Zařazení osoby do tříd: (Koupí počítač/nekoupí počítač) Věk <= > 40 Student ANO Příem ne ano malý velký NE ANO NE ANO

7 7/28 Vytvoření rozhodovacího stromu functon nduce_tree(example_set, Propertes) : TTree; begn f all entres n Example_set are n the same class then return leaf node labeled wth ths class else f Propertes s empty then return leaf node labeled wth most common class else begn select a property P, delete t from Propertes and make t the root of the current tree; for each value V of P do begn create a branch of the tree labeled wth V; Ex_V = elements of Example_set wth V for property P call nduce_tree(ex_v, Propertes) and attach result to branch V; end; end;

8 8/28 Výběr vhodné vlastnost P Nechť S e množna vzorků rozdělovaných do tříd C 1,, C m Nechť s e počet vzorků z množny S ve třídě C Defnume očekávanou nformac I(s 1,, s m ) ako: m = 1,..., sn) p log2( p ) = 1 I( s p = s / S Nechť stá vlastnost P má může nabývat hodnot a 1,, a v. Proveďme rozklad S na vzáemně dsunktní podmnožny S 1,, S v S S, S ={x: vlastnost P prvku x má hodnotu a } pro = 1..v Nechť s e počet vzorků ze třídy C ve množně S Defnume entrop E(P) ako: v s m ( ) sm E P = ( p log2 p ) p = s / S S = 1 = 1 Vybereme vlastnost P s nevětší hodnotou I(s 1,, s m ) E(P)!

9 9/28 Ořezání stromu 2 metody pro ořezání stromu: Preprunng = ž v průběhu vytváření stromu nesou generovány větve, které maí malý význam pro rozhodování Postprunng = nedříve vytvořen strom ako celek, teprve pak sou větve s malým významem odstraněny

10 10/28 Rozhodovací strom klasf. pravdla Příklad: Věk <= > 40 Student ANO Příem ne ano malý Zařazení osoby do tříd: (Koupí počítač/nekoupí počítač) velký NE ANO NE ANO f Věk = <= 30 and Student = ne f Věk = <= 30 and Student = ano f Věk = f Věk = > 40 and Příem = malý f Věk = > 40 and Příem = velký then result = NE then result = ANO then result = NE then result = NE then result = ANO

11 11/28 Bayesova klasfkace 1/3 Označení pravděpodobností P(X) = pravděpodobnost evu X P(H X) = pravděpodobnost evu H, pokud víme, že nastal ev X Bayessův teorém: P ( H X ) = P( X H ) P( H P( X ) )

12 12/28 Bayesova klasfkace 2/3 Nechť e dán stý vzorek dat X = (x 1,, x n ), který má být zařazen do edné z tříd C 1,, C m. Zařadíme e do třídy C, pro kterou platí: P(C X ) e maxmální. Protože P( X C ) P( C ) P( C X ) =, kde P(X) e konst. P( X ) hledáme maxmální P(C X) P(C )

13 13/28 Bayesova klasfkace 3/3 P( C ) = s s s = počet trénovacích vzorů ve třídě C s = počet všech trénovacích vzorů P( X C P(x k C ) ) = n k = 1 P( x k C ) x k e dskrétní atrbut: P ( x C ) = kde s k e počet trénovacích vzorů ze třídy C splňuící podmínku, že eho k-tý atrbut = x k x k e spotý atrbut: k s s P(x k C ) = g(x k, µ C, σ C ) kde g(x k, µ C, σ C ) e Gaussova normální funkce k

14 14/28 Klasfkace: NS Backpropagaton Čnnost ednoho neuronu: x 1 x 2 w 2 x n w n w 1 θ Schéma neuronové sítě: x 1 n = 1 x w + θ f x 2 O O k x w w k

15 15/28 NS Backpropagaton: Algortmus 1/2 Incalzační část: Incalzu všechny váhy w a basy θ lbovolným malým hodnotam Šíření vstupu k výstupu: Postupně pro každý trénovací vzor děle: Pro každý neuron ve skryté vrstvě spočíte: I = w Pro každý neuron ve výstupní vrstvě spočíte: O = O 1 I + θ

16 16/28 NS Backpropagaton: Algortmus 2/2 Zpětné šíření chyby: Pro každý neuron výstupní vrstvy spočíte: Err = O ( 1 O )( T O Poznámka: T e výstup, který měl vyít Pro každý neuron skryté vrstvy spočíte: Err = O (1 O ) Errk Každou váhu w modfku následovně: w = ( l) Err θ = (l) Err O w Každý bas θ modfku následovně: θ = w = θ k + w + θ Poznámka: (l) <0, 1> e tzv. koefcent učení ) w k

17 17/28 Další metody klasfkace k-shlukování Založeno na vytvoření k-tříd. Každá třída má svého reprezentanta. Neznámý prvek e zařazen do té třídy ehož reprezentant e nepodobněší neznámému prvku. Genercké algortmy využtí myšlenek přírodního vývoe. Fuzzy logka pravdla pro rozdělování do tříd nemaí dskrétní charakter ale spotý.

18 18/28 Predkce: Lneární regrese 1/2 Metoda nemenších čtverců: Y = ax + b = skutečné hodnoty x 1 x 2 x 3 x 4 Snaha naít koefcenty a, b tak, aby součet znázorněných čtverců dosáhl co nemenší hodnoty:

19 Predkce: Lneární regrese 2/2 19/28 = = = s s x x y y x x a ) ( ) )( ( Soubor hodnot: (x 1, y 1 ), (x 2, y 2 ),, (x s, y s ) Výpočet koefcentů a, b pro regresní přímku Y = ax + b: x a y b = Poznámka: = = s x s x 1 1 = = s y s y 1 1

20 20/28 Y = ax 1 + bx 2 + cx 3 + d Kde: X 1 = X 3, X 2 = X 2, X 1 = X Vícenásobná a nelneární regrese Vícenásobná regrese výsledná hodnota y e závslá na více parametrech x 1, x 2,, x n Regresní funkce e potom ve tvaru: Y = a 1 X 1 + a 2 X a n X n + b Nelneární regrese většnou transformueme na lneární regres Příklad: Y = ax 3 + bx 2 + cx + d

21 21/28 Testování vytvořených modelů Bloková metoda Data sou náhodně rozdělena do dvou množn: Data z 1. množny sou použta k trénovaní Data z 2. množny sou použta k testování Křížová metoda Data sou náhodně rozdělena do k množn S 1, S 2,, S k. Data z S 2,, S k sou použta k trénovaní a testování e prováděno na datech z množny S 1 Data z S 1, S 3,, S k sou použta k trénovaní a testování e prováděno na datech z množny S 2 Data z S 1,, S k-1 sou použta k trénovaní a testování e prováděno na datech z množny S k

22 22/28 Ukázka SAS-EM: Defnce problému Defnce problému: Předmět IFJ měl v letošním roce celkem 383 studentů. Bodové rozdělení tohoto předmětu e následuící: 1) Půlsemestrální zkouška 20b. 2) Proekt 25b. 3) Závěrečná zkouška 55b. Úkoly: 1) Pokusíme se předpovědět zda student udělal kvaltně proekt (dostal za ně mnmálně 20 bodů) pouze za předpokladu znalostí eho výsledků z 1) & 3) 2) Pokusíme se předpovědět zda student dostane z IFJ ednčku (celkový počet bodů 90) pouze za předpokladu znalostí eho výsledků z 1) & 2)

23 23/28 Celkový náhled na mplementac Úkol 2 Úkol 1

24 24/28 Data a transformace dat Dopočítané proměnné Proměnné získané z DB

25 25/28 Nastavení atrbutů Nastavení atrbutů pro úkol 1. Nastavení atrbutů pro úkol 2.

26 26/28 Úkol 1: Výsledky

27 27/28 Úkol 2: Výsledky

28 28/28 Zhodnocení výsledků Pro řešení obou úloh e nehorší alternatva použít rozhodovací strom (dskrétní charakter!) Použtí neuronové sítě regresní funkce e srovnatelné Příčny nepřesnost predkce: 1) Student má dostatečný počet bodů během semestru a nenaučí se na závěrečnou zkoušku 2) Student má naopak málo bodů během semestru a o to více se na závěrečnou zkoušku přpraví 3) Student zvládá učvo en teoretcky (hodně bodů ze zkoušek), ale neovládá prax (málo bodů z proektu)

Využití logistické regrese pro hodnocení omaku

Využití logistické regrese pro hodnocení omaku Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost

Více

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE. 2013 Radka Luštincová

VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE. 2013 Radka Luštincová VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE 2013 Radka Luštncová VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Název bakalářské práce: Aplkace řezných

Více

BAYESŮV PRINCIP ZDENĚK PŮLPÁN

BAYESŮV PRINCIP ZDENĚK PŮLPÁN ROBUST 000, 7 4 c JČMF 00 BAYESŮV PRINCIP ZDENĚK PŮLPÁN Abstrakt. Poukážeme na možnost rozhodování pomocí Bayesova prncpu. Ten vychází z odhadu podmíněné pravděpodobnosta z předpokladu dsjunktního rozkladu

Více

Metody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce

Metody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce . meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu

Více

4.4 Exploratorní analýza struktury objektů (EDA)

4.4 Exploratorní analýza struktury objektů (EDA) 4.4 Exploratorní analýza struktury objektů (EDA) Průzkumová analýza vícerozměrných dat je stejně jako u jednorozměrných dat založena na vyšetření grafckých dagnostk. K tomuto účelu se využívá různých technk

Více

Algoritmus Minimax. Tomáš Kühr. Projektový seminář 1

Algoritmus Minimax. Tomáš Kühr. Projektový seminář 1 Projektový seminář 1 Základní pojmy Tah = přemístění figury hráče na tahu odpovídající pravidlům dané hry. Při tahu může být manipulováno i s figurami soupeře, pokud to odpovídá pravidlům hry (např. odstranění

Více

Regresní a korelační analýza

Regresní a korelační analýza Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska

Více

OSTRAVSKÁ UNIVERZITA V OSTRAVĚ NEURONOVÉ SÍTĚ 1 EVA VOLNÁ

OSTRAVSKÁ UNIVERZITA V OSTRAVĚ NEURONOVÉ SÍTĚ 1 EVA VOLNÁ OSTRAVSKÁ UNIVERZITA V OSTRAVĚ NEURONOVÉ SÍTĚ EVA VOLNÁ OSTRAVA 008 Recenzent: Název: Neuronové sítě Autoř: RNDr PaedDr Eva Volná, PhD Vydání: druhé, 008 Počet stran: 86 Náklad: Tsk: Studní materály pro

Více

IB108 Sada 1, Příklad 1 Vypracovali: Tomáš Krajča (255676), Martin Milata (256615)

IB108 Sada 1, Příklad 1 Vypracovali: Tomáš Krajča (255676), Martin Milata (256615) IB108 Sada 1, Příklad 1 ( ) Složitost třídícího algoritmu 1/-Sort je v O n log O (n.71 ). Necht n = j i (velikost pole, které je vstupním parametrem funkce 1/-Sort). Lehce spočítáme, že velikost pole předávaná

Více

Regresní a korelační analýza

Regresní a korelační analýza Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)

Více

Tématické celky { kontrolní otázky.

Tématické celky { kontrolní otázky. Tématické celky kontrolní otázky. Základy teorie pravdìpodobnosti..pravdìpodobnostní míra základní pojmy... Vysvìtlete pojem náhody, náhodného pokusu, náhodného jevu a jeho mno- ¾inovou interpretaci. Popi¹te

Více

STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA

STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA Poslední aktualizace: 29. května 200 STP022 PRAVDĚPODOBNOST A MATEMATICKÁ STATISTIKA PŘÍKLADY Pro zdárné absolvování předmětu doporučuji věnovat pozornost zejména příkladům označenými hvězdičkou. Příklady

Více

Vícekriteriální rozhodování. Typy kritérií

Vícekriteriální rozhodování. Typy kritérií Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování

Více

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc.

Cvičení 3. Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Cvičení 3 Přednášející: Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké učení technické

Více

Numerické metody optimalizace

Numerické metody optimalizace Numercké metody optmalzace Numercal optmzaton methods Bc. Mloš Jurek Dplomová práce 2007 Abstrakt Abstrakt česky Optmalzační metody představují vyhledávání etrémů reálných funkcí jedné nebo více reálných

Více

1. Pravděpodobnost a statistika (MP leden 2010)

1. Pravděpodobnost a statistika (MP leden 2010) 1. Pravděpodobnost a statistika (MP leden 2010) Pravděpodobnost pojmy 1. Diskrétní pravděpodobnostní prostor(definice, vlastnosti, příklad). Diskrétní pravděpodobnostní prostor je trojice(ω, A, P), kde

Více

Seminář z IVT Algoritmizace. Slovanské gymnázium Olomouc Tomáš Kühr

Seminář z IVT Algoritmizace. Slovanské gymnázium Olomouc Tomáš Kühr Seminář z IVT Algoritmizace Slovanské gymnázium Olomouc Tomáš Kühr Algoritmizace - o čem to je? Zatím jsme se zabývali především tím, jak určitý postup zapsat v konkrétním programovacím jazyce (např. C#)

Více

Heuristické řešení problémů. Seminář APS Tomáš Müller 6. 7. 2002

Heuristické řešení problémů. Seminář APS Tomáš Müller 6. 7. 2002 Heuristické řešení problémů Seminář APS Tomáš Müller 6. 7. 00 Heuristické řešení problémů Popis několika základních metod lokální prohledávání branch and bound simulated annealing, TABU evoluční algoritmy

Více

ŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB. Vladimír Hanta 1, Ivan Gros 2

ŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB. Vladimír Hanta 1, Ivan Gros 2 ŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB Vladmír Hanta 1 Ivan Gros 2 Vysoká škola chemcko-technologcká Praha 1 Ústav počítačové a řídcí technky 2 Ústav

Více

Ť Í ň š Ť ň Ú Ú Ť č č č č ň ů š Ť ňš č š ť Ť š š č š ň č š č ť č š č Ť Ž Ť Ť š č Í š š ť š Ť ň č š Í ňč ň č š ň Ž č č ú č ť ď č Ť Ť ň ň š Ť č š ů ň ň Ů Í š š ň š ť Ů ň č Ž Ž ť č č Í Ď ť Ťč š ť š Ž Ď Ž

Více

1. Úvod do genetických algoritmů (GA)

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

Více

A NUMERICKÉ METODY. Matice derivací: ( ) ( ) Volím x 0 = 0, y 0 = -2.

A NUMERICKÉ METODY. Matice derivací: ( ) ( ) Volím x 0 = 0, y 0 = -2. A NUMERICKÉ METODY Fourierova podmínka: f (x) > 0 => rostoucí, f (x) < 0 => klesající, f (x) > 0 => konvexní ᴗ, f (x) < 0 => konkávní ᴖ, f (x) = 0 ᴧ f (x)!= 0 => inflexní bod 1. Řešení nelineárních rovnic:

Více

PL/SQL. Jazyk SQL je jazykem deklarativním, který neobsahuje procedurální příkazy jako jsou cykly, podmínky, procedury, funkce, atd.

PL/SQL. Jazyk SQL je jazykem deklarativním, který neobsahuje procedurální příkazy jako jsou cykly, podmínky, procedury, funkce, atd. PL/SQL Jazyk SQL je jazykem deklarativním, který neobsahuje procedurální příkazy jako jsou cykly, podmínky, procedury, funkce, atd. Rozšířením jazyka SQL o proceduralitu od společnosti ORACLE je jazyk

Více

Databázové systémy II. KIV/DB2 LS 2007/2008. Zadání semestrální práce

Databázové systémy II. KIV/DB2 LS 2007/2008. Zadání semestrální práce Databázové systémy 2 Jméno a příjmení: Jan Tichava Osobní číslo: Studijní skupina: čtvrtek, 4 5 Obor: ININ SWIN E-mail: jtichava@students.zcu.cz Databázové systémy II. KIV/DB2 LS 2007/2008 Zadání semestrální

Více

1. Úvod. Cílem teorie her je popsat situaci, která nás zajímá, jako hru. Klasickým případem

1. Úvod. Cílem teorie her je popsat situaci, která nás zajímá, jako hru. Klasickým případem Kvaternon 2/204, 79 98 79 MATICOVÉ HRY V INŽENÝRSTVÍ JAROSLAV HRDINA a PETR VAŠÍK Abstrakt. Následuící text pokrývá eden z cyklů přednášek předmětu Aplkovaná algebra pro nženýry (0AA) na FSI VUT. Text

Více

Obsah. Část I Začínáme s jazykem AppleScript

Obsah. Část I Začínáme s jazykem AppleScript Obsah Úvod... 13 Je tato kniha pro vás?...13 Jaká témata kniha pokrývá?...13 Proč je text vytištěný tolika různými druhy písma a k čemu jsou všechny ty podivné značky?...15 Zpětná vazba od čtenářů...16

Více

Katedra textilních materiálů ENÍ TEXTILIÍ PŘEDNÁŠKA 6

Katedra textilních materiálů ENÍ TEXTILIÍ PŘEDNÁŠKA 6 PŘEDNÁŠKA 6 P l () l f ( l) dl = 1 f ( l) dl = 1 F( l) = l max 0 l Definice: Délka vlákna e definována ako vzdálenost konců napřímeného vlákna bez obloučků a bez napětí. Délka vlákna e zatížena vysokou

Více

EKONOMICKO-MATEMATICKÉ METODY

EKONOMICKO-MATEMATICKÉ METODY . přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a

Více

Semestrální práce z předmětu. Jan Bařtipán / A03043 bartipan@studentes.zcu.cz

Semestrální práce z předmětu. Jan Bařtipán / A03043 bartipan@studentes.zcu.cz Semestrální práce z předmětu KIV/UPA Jan Bařtipán / A03043 bartipan@studentes.zcu.cz Zadání Program přečte ze vstupu dvě čísla v hexadecimálním tvaru a vypíše jejich součet (opět v hexadecimální tvaru).

Více

APLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU

APLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU APLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU APPLICATION OF MATHEMATICAL PROGRAMMING IN DESIGNING THE STRUCTURE OF THE DISTRIBUTION SYSTEM Martn Ivan 1 Anotace: Prezentovaný

Více

FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ. Matematika 3. RNDr. Břetislav Fajmon, PhD. Autoři textu:

FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ. Matematika 3. RNDr. Břetislav Fajmon, PhD. Autoři textu: FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Matematika 3 Garant předmětu: RNDr. Břetislav Fajmon, PhD Autoři textu: Mgr. Irena Růžičková RNDr. Břetislav Fajmon, PhD

Více

Západočeská univerzita v Plzni Katedra informatiky a výpočetní techniky. 9. června 2007. krovacek@students.zcu.cz

Západočeská univerzita v Plzni Katedra informatiky a výpočetní techniky. 9. června 2007. krovacek@students.zcu.cz Databáze čajových sáčků Martina Málková Západočeská univerzita v Plzni Katedra informatiky a výpočetní techniky Databázové systémy 2 9. června 2007 krovacek@students.zcu.cz 1 1 Datová analýza V původním

Více

a) Θ(1) b) závislou na hloubce uzlu u c) mezi O(1) a Ω (log n) Jméno:... St. Sk.:. Cvičící:.. Bodů ze cv.: a) Ο(n) b) Θ(n) d) Ο(n 2 )

a) Θ(1) b) závislou na hloubce uzlu u c) mezi O(1) a Ω (log n) Jméno:... St. Sk.:. Cvičící:.. Bodů ze cv.: a) Ο(n) b) Θ(n) d) Ο(n 2 ) Jméno:... St. Sk.:. Cvičící:.. Bodů ze cv.: A 1. ( úspěšnost: 39 z 49 = 80%) Insert sort řadí do neklesajícího pořadí pole o n prvcích, v němž jsou stejné všechny hodnoty kromě první a poslední, které

Více

Interpret jazyka IFJ2011

Interpret jazyka IFJ2011 Dokumentace projektu Interpret jazyka IFJ2011 Tým číslo 093, varianta b/3/i: 20 % bodů: Cupák Michal (xcupak04) vedoucí týmu 20 % bodů: Číž Miloslav (xcizmi00) 20 % bodů: Černá Tereza (xcerna01) 20 % bodů:

Více

3. Polynomy Verze 338.

3. Polynomy Verze 338. 3. Polynomy Verze 338. V této kapitole se věnujeme vlastnostem polynomů. Definujeme základní pojmy, které se k nim váží, definujeme algebraické operace s polynomy. Diskutujeme dělitelnost polynomů, existenci

Více

6. T e s t o v á n í h y p o t é z

6. T e s t o v á n í h y p o t é z 6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně

Více

Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12

Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı BI-MLO, ZS 2011/12 Logika XI. RNDr. Kateřina Trlifajová PhD. Katedra teoretické informatiky Fakulta informačních technologíı České vysoké učení technické v Praze c Kateřina Trlifajová, 2010 BI-MLO, ZS 2011/12 Evropský sociální

Více

Programování. s omezujícími podmínkami. Roman Barták. roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak

Programování. s omezujícími podmínkami. Roman Barták. roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Programování s omezujícími podmínkami Roman Barták Katedra teoretické informatiky a matematické logiky roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Konzistenční techniky Dosud jsme podmínky

Více

Základy matematiky kombinované studium 714 0365/06

Základy matematiky kombinované studium 714 0365/06 Základy matematiky kombinované studium 714 0365/06 1. Některé základní pojmy: číselné množiny, intervaly, operace s intervaly (sjednocení, průnik), kvantifikátory, absolutní hodnota čísla, vzorce: 2. Algebraické

Více

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Rozhodovací stromy Doc. RNDr. Iveta Mrázová, CSc.

Více

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního

Více

ů š š ů Ú ů š É š š ů ť É Ž ů Í ó ň š š É Ú š Ů Ž Í š ů ňš Í ů ů š Š Š ó ů Í Ž Č š š š Č Č š Ů Í Í Í Í š š š Ž Ů š Š ů Ů Í Š Š š Č Ž ů Ž š Ú ó É Ž É Ú Ž Í š Í Ú ů Ú š Ú š Ú ů Ž Ú ů Ž š š š ů Í Ů š Ů Ú

Více

2. Řešení úloh hraní her Hraní her (Teorie a algoritmy hraní her)

2. Řešení úloh hraní her Hraní her (Teorie a algoritmy hraní her) Hraní her (Teorie a algoritmy hraní her) 4. 3. 2015 2-1 Hraní her pro dva a více hráčů Počítač je při hraní jakékoli hry: silný v komplikovaných situacích s množstvím kombinací, má obrovskou znalost zahájení

Více

Dolování znalostí z rozsáhlých statistických souborů lékařských dat

Dolování znalostí z rozsáhlých statistických souborů lékařských dat Mendelova univerzita v Brně Provozně ekonomická fakulta Dolování znalostí z rozsáhlých statistických souborů lékařských dat Diplomová práce Vedoucí práce: doc. Ing. Jan Žižka, CSc. Brno 2015 Vypracoval:

Více

alternativní rozdělení Statistika binomické rozdělení bi(n, π)(2)

alternativní rozdělení Statistika binomické rozdělení bi(n, π)(2) Statistika (MD360P03Z, MD360P03U) ak. rok 2007/2008 Karel Zvára karel.zvara@mff.cuni.cz http://www.karlin.mff.cuni.cz/ zvara 5. listopadu 2007 1(178) binomické rozdělení Poissonovo rozdělení normální rozdělení

Více

Kapitola 1. Naivní Bayesův klasifikátor

Kapitola 1. Naivní Bayesův klasifikátor Kapitola 1 Naivní Bayesův klasifikátor Současná umělá inteligence používá velice často teorii pravděpodobnosti k odhadu nejistoty rozhodnutí, které stroje provádí. Z teorie pravděpodobnosti vychází v minulém

Více

Postřehová hra. Zadání projektu. 1 Moje cíle

Postřehová hra. Zadání projektu. 1 Moje cíle Gymnázium, Praha 6, Arabská 16 předmět Programování, vyučující Tomáš Obdržálek Postřehová hra ročníkový projekt Matouš Jokl, 1E květen 2014 Obsah 1 Moje cíle...1 2 Kód...2 1.Objekty a ArrayList...2 2.Jpanel

Více

Distribuovaná synchronizace. Paralelní a distribuované systémy. 11. Přednáška Vzájemné vyloučení. Centralizovaný algoritmus - fronta procesů

Distribuovaná synchronizace. Paralelní a distribuované systémy. 11. Přednáška Vzájemné vyloučení. Centralizovaný algoritmus - fronta procesů Distribuovaná synchronizace Využití kritické sekce při vzájemném vyloučení v distribuovaném systému Paralelní a distribuované systémy 11. Přednáška Vzájemné vyloučení Logicky distribuovaný systém s vlákny

Více

Í š Ť š ň ň Í Ř Ť Ť ň Ť Ť š Ť š Ď š š š ň š š š š š Í Ť Ť š ň š Ť š š É š ť Í Ť š Ž Š Ť Ť Ť Ť š š š š š Ť š Ť Í š Ť š Ť š Í š Ě Í š ň Ť š Ť Ť Ó š š š š š Ť Ž Ť Í Ř Ř Ť š š ť Ť š Ť š Ó š Ť Ť ň Ť š š š Ť

Více

Poznámky k předmětu Aplikovaná statistika, 9.téma

Poznámky k předmětu Aplikovaná statistika, 9.téma Poznámky k předmětu Aplikovaná statistika, 9téma Princip testování hypotéz, jednovýběrové testy V minulé hodině jsme si ukázali, jak sestavit intervalové odhady pro některé číselné charakteristiky normálního

Více

Y36BEZ Bezpečnost přenosu a zpracování dat. Úvod. Róbert Lórencz. http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz

Y36BEZ Bezpečnost přenosu a zpracování dat. Úvod. Róbert Lórencz. http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz Y36BEZ Bezpečnost přenosu a zpracování dat Róbert Lórencz 1. přednáška Úvod http://service.felk.cvut.cz/courses/y36bez lorencz@fel.cvut.cz Róbert Lórencz (ČVUT FEL, 2007) Y36BEZ Bezpečnost přenosu a zpracování

Více

10 Bioreaktor. I Základní vztahy a definice. Lenka Schreiberová, Milan Jahoda, Petr Kočí (revize 2016-02-19)

10 Bioreaktor. I Základní vztahy a definice. Lenka Schreiberová, Milan Jahoda, Petr Kočí (revize 2016-02-19) 0 Boreaktor Lenka Schreberová, Mlan Jahoda, Petr Kočí (revze 6-02-9) I Základní vztahy a defnce Chemcké reaktory jsou zařízení, v nchž probíhá chemcká přeměna surovn na produkty. Vsádkové reaktory jsou

Více

Břetislav Fajmon, UMAT FEKT, VUT Brno. Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu.

Břetislav Fajmon, UMAT FEKT, VUT Brno. Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu. Břetislav Fajmon, UMAT FEKT, VUT Brno Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu. Na jiných příkladech je téma podrobně zpracováno ve skriptech

Více

POLYMERNÍ BETONY Jiří Minster Ústav teoretické a aplikované mechaniky AV ČR, v. v. i.

POLYMERNÍ BETONY Jiří Minster Ústav teoretické a aplikované mechaniky AV ČR, v. v. i. Odborná skupna Mechanka kompoztních materálů a konstrukcí České společnost pro mechanku s podporou frmy Letov letecká výroba, s. r. o. a Ústavu teoretcké a aplkované mechanky AV ČR v. v.. Semnář KOMPOZITY

Více

Matematika IV, Numerické metody

Matematika IV, Numerické metody Interaktvní sbírka příkladů pro předmět Matematka IV, Numercké metody Josef Dalík, Veronka Chrastnová, Oto Přbyl, Hana Šafářová, Pavel Špaček Vysoké učení techncké v Brně, Fakulta stavební Ústav matematky

Více

IB109 Návrh a implementace paralelních systémů. Kolektivní komunikační primitava. RNDr. Jiří Barnat, Ph.D.

IB109 Návrh a implementace paralelních systémů. Kolektivní komunikační primitava. RNDr. Jiří Barnat, Ph.D. IB109 Návrh a implementace paralelních systémů Kolektivní komunikační primitava RNDr. Jiří Barnat, Ph.D. Kvantitativní parametry komunikace B109 Návrh a implementace paralelních systémů: Kolektivní komunikační

Více

5 Rekurze a zásobník. Rekurzivní volání metody

5 Rekurze a zásobník. Rekurzivní volání metody 5 Rekurze a zásobník Při volání metody z metody main() se do zásobníku uloží aktivační záznam obsahující - parametry - návratovou adresu, tedy adresu, kde bude program pokračovat v metodě main () po skončení

Více

Dnešní program odvozování v Bayesovských sítích exaktní metody (enumerace, eliminace proměnných) aproximační metody y( (vzorkovací techniky)

Dnešní program odvozování v Bayesovských sítích exaktní metody (enumerace, eliminace proměnných) aproximační metody y( (vzorkovací techniky) Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Bayesovská síť zachycuje závislosti mezi náhodnými proměnnými Pro zopakování orientovaný acyklický graf

Více

Matematický ústav v Opavě. Studijní text k předmětu. Softwarová podpora matematických metod v ekonomice

Matematický ústav v Opavě. Studijní text k předmětu. Softwarová podpora matematických metod v ekonomice Matematický ústav v Opavě Studijní text k předmětu Softwarová podpora matematických metod v ekonomice Zpracoval: Ing. Josef Vícha Opava 2008 Úvod: V rámci realizace projektu FRVŠ 2008 byl zaveden do výuky

Více

OCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ

OCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ OCHRANA VOJENSKÝCH OBJEKTŮ PROTI ÚČINKŮM VÝKONOVÝCH ELEKTROMAGNETICKÝCH POLÍ, SIMULACE EMC FILTRŮ Anotace: Ing. Zbyněk Plch VOP-026 Šternberk s.p., divize VTÚPV Vyškov Zkušebna elektrické bezpečnosti a

Více

VŠB - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky. Diplomová práce. 2014 Michal Běloch

VŠB - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky. Diplomová práce. 2014 Michal Běloch VŠB - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra aplkované matematky Dplomová práce 204 Mchal Běloch VŠB - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra

Více

Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. dubna 2009. Filip Železný (ČVUT) Vytěžování dat 9.

Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. dubna 2009. Filip Železný (ČVUT) Vytěžování dat 9. Vytěžování dat Filip Železný Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. dubna 2009 Filip Železný (ČVUT) Vytěžování dat 9. dubna 2009 1 / 22 Rozhodovací pravidla Strom lze převést

Více

Extrakce a selekce příznaků

Extrakce a selekce příznaků Extrakce a selekce příznaků Based on slides Martina Bachlera martin.bachler@igi.tugraz.at, Makoto Miwa And paper Isabelle Guyon, André Elisseeff: An Introduction to variable and feature selection. JMLR,

Více

Cvičení ze statistiky - 4. Filip Děchtěrenko

Cvičení ze statistiky - 4. Filip Děchtěrenko Cvičení ze statistiky - 4 Filip Děchtěrenko Minule bylo.. Dokončili jsme deskriptivní statistiku Tyhle termíny by měly být známé: Korelace Regrese Garbage in, Garbage out Vícenásobná regrese Pravděpodobnost

Více

Počítačové šachy. Otakar Trunda

Počítačové šachy. Otakar Trunda Počítačové šachy Otakar Trunda Hraní her obecně Hra je definovaná pomocí: Počáteční situace Funkce vracející množinu přípustných tahů v každé situaci Ohodnocení koncových stavů Našim cílem je najít strategii

Více

DYNAMICKÉ PROGRAMOVÁNÍ A PROBLÉM BATOHU

DYNAMICKÉ PROGRAMOVÁNÍ A PROBLÉM BATOHU ČVUT V PRAZE FAKULTA INFORMAČNÍCH TECHNOLOGIÍ JAN SCHMIDT A PETR FIŠER MI-PAA DYNAMICKÉ PROGRAMOVÁNÍ A PROBLÉM BATOHU EVROPSKÝ SOCIÁLNÍ FOND PRAHA A EU: INVESTUJEME DO VAŠÍ BUDOUCNOSTI Dynamické programování

Více

Mária Sadloňová. Fajn MATIKA. 150 řešených příkladů (vzorek)

Mária Sadloňová. Fajn MATIKA. 150 řešených příkladů (vzorek) Mária adloňová Fajn MATIKA (nejen) na přijímačky 50 řešených příkladů (vorek) 0 Mgr. Mária adloňová FajnMATIKA (nejen) na přijímačky 50 řešených příkladů (reklamní vorek) Mgr. Mária adloňová, 0 Vydavatel

Více

APLIKACE METOD VÍCEKRITERIÁLNÍHO ROZHODOVÁNÍ PŘI HODNOCENÍ KVALITY VEŘEJNÉ DOPRAVY

APLIKACE METOD VÍCEKRITERIÁLNÍHO ROZHODOVÁNÍ PŘI HODNOCENÍ KVALITY VEŘEJNÉ DOPRAVY APLIKACE METOD VÍCEKRITERIÁLNÍHO ROZHODOVÁNÍ PŘI HODNOCENÍ KVALITY VEŘEJNÉ DOPRAVY APPLICATION OF METHODS MULTI-CRITERIA DECISION FOR EVALUATION THE QUALITY OF PUBLIC TRANSPORT Ivana Olvková 1 Anotace:

Více

NUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT

NUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT NUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT J. Tuma Summary: The paper deals wth dfferentaton and ntegraton of sampled tme sgnals n the frequency doman usng the FFT and

Více

Paralelní LU rozklad

Paralelní LU rozklad Paralelní LU rozklad Lukáš Michalec Katedra fyziky, Přírodovědecká fakulta Univerzity J.E. Purkyně v ročník, specializace Ústí n.l. Abstract Seminární práce se zabývá řešení soustavy lineárních rovnic

Více

z možností, jak tuto veličinu charakterizovat, je určit součet

z možností, jak tuto veličinu charakterizovat, je určit součet 6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p

Více

PROBLEMATIKA INTELIGENTNÍHO AUTOMATICKÉHO

PROBLEMATIKA INTELIGENTNÍHO AUTOMATICKÉHO PROBLEMATIKA INTELIGENTNÍHO AUTOMATICKÉHO MAPOVÁNÍ WEBOVÝCH STRÁNEK ŘIMNÁČ MARTIN 1, ŠUSTA RICHARD 2, ŽIVNŮSTKA JIŘÍ 3 Katedra řídcí technky, ČVUT-FEL, Techncká 2, Praha 6, tel. +42 224 357 359, fax. +

Více

Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace

Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace Tetlní zkušebnctv ebnctví II Jří Mltky Škály měření epřímá měření Teore měření Kalbrace Základní pojmy I PRAVDĚPODOBOST Jev A, byl sledován v m pokusech. astal celkem m a krát. Relatvní četnost výskytu

Více

Evaluation of the Inner Detector with Muon Tracks

Evaluation of the Inner Detector with Muon Tracks Evaluation of the Inner Detector with Muon Tracks Tomáš Jakoubek FZÚ AV ČR, FJFI ČVUT ATLAS seminář na FZÚ, Praha 16. 10. 2009 ATLAS seminář na FZÚ, Praha T. Jakoubek: Evaluation of the Inner Detector

Více

LOGICKÉ OBVODY J I Ř Í K A L O U S E K

LOGICKÉ OBVODY J I Ř Í K A L O U S E K LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2

Více

Univerzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc.

Univerzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc. Unverzta Pardubce Fakulta ekonomcko-správní Modelování predkce časových řad návštěvnost web domény pomocí SVM Bc. Vlastml Flegl Dplomová práce 2011 Prohlašuj: Tuto prác jsem vypracoval samostatně. Veškeré

Více

9.12.2009. Metody analýzy rizika. Předběžné hodnocení rizika. Kontrolní seznam procesních rizik. Bezpečnostní posudek

9.12.2009. Metody analýzy rizika. Předběžné hodnocení rizika. Kontrolní seznam procesních rizik. Bezpečnostní posudek 9.2.29 Bezpečnost chemckých výrob N Petr Zámostný místnost: A-72a tel.: 4222 e-mal: petr.zamostny@vscht.cz Analýza rzka Vymezení pojmu rzko Metody analýzy rzka Prncp analýzy rzka Struktura rzka spojeného

Více

Stored Procedures & Database Triggers, Tiskové sestavy v Oracle Reports

Stored Procedures & Database Triggers, Tiskové sestavy v Oracle Reports , Marek Rychlý Vysoké učení technické v Brně Fakulta informačních technologií Ústav informačních systémů Demo-cvičení pro IDS 9. dubna 2014 Marek Rychlý Stored Procedures & Database Triggers, Demo-cvičení

Více

Directional Vehicle Stability Prototyping Using HIL Simulation Ověření systému řízením jízdy automobilu metodou HIL simulací

Directional Vehicle Stability Prototyping Using HIL Simulation Ověření systému řízením jízdy automobilu metodou HIL simulací XXXII. Semnar AS '2007 Instruments and ontrol, arana, Smutný, Kočí & Babuch (eds) 2007, VŠB-TUO, Ostrava, ISBN 978-80-248-1272-4 Drectonal Vehcle Stablty rototypng Usng HIL Smulaton Ověření systému řízením

Více

MASARYKOVA UNIVERZITA PEDAGOGICKÁ FAKULTA

MASARYKOVA UNIVERZITA PEDAGOGICKÁ FAKULTA MASARYKOVA UNIVERZITA PEDAGOGICKÁ FAKULTA Katedra Matematky Řetězové zlomky Dplomová práce Brno 04 Autor práce: Bc. Petra Dvořáčková Vedoucí práce: doc. RNDr. Jaroslav Beránek, CSc. Bblografcký záznam

Více

TECHNICKÉ ZNALECTVÍ. Metody soudně znalecké analýzy. Prof. Ing. Jan Mareček, DrSc. ÚZPET

TECHNICKÉ ZNALECTVÍ. Metody soudně znalecké analýzy. Prof. Ing. Jan Mareček, DrSc. ÚZPET TECHNICKÉ ZNALECTVÍ Metody soudně znalecké analýzy ÚZPET Prof. Ing. Jan Mareček, DrSc. Osnova tématu 1.Výpočty ve znaleckém posudku 2. Vybrané metody soudně znalecké analýzy 1.Výpočty ve znaleckém posudku

Více

Získávání znalostí z dat

Získávání znalostí z dat Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace

Více

Angličtina v matematických softwarech 2 Vypracovala: Mgr. Bronislava Kreuzingerová

Angličtina v matematických softwarech 2 Vypracovala: Mgr. Bronislava Kreuzingerová Angličtina v matematických softwarech 2 Vypracovala: Mgr. Bronislava Kreuzingerová Název školy Název a číslo projektu Název modulu Obchodní akademie a Střední odborné učiliště, Veselí nad Moravou Motivace

Více

Zpracování a vyhodnocování analytických dat

Zpracování a vyhodnocování analytických dat Zpracování a vyhodnocování analytických dat naměřená data Zpracování a statistická analýza dat analytické výsledky Naměř ěřená data jedna hodnota 5,00 mg (bod 1D) navážka, odměřený objem řada dat 15,8;

Více

Operační systémy. Přednáška 5: Komunikace mezi procesy

Operační systémy. Přednáška 5: Komunikace mezi procesy Operační systémy Přednáška 5: Komunikace mezi procesy 1 Semafory Datový typ semafor obsahuje čítač a frontu čekajících procesů. Nabízí tři základní operace: Init(): Čítač se nastaví na zadané číslo (většinou

Více

Softwarová podpora matematických metod v ekonomice a řízení

Softwarová podpora matematických metod v ekonomice a řízení Softwarová podpora matematckých metod v ekonomce a řízení Petr Sed a Opava 2013 Hrazeno z prostředků proektu OPVK CZ.1.07/2.2.00/15.0174 Inovace bakalářských studních oborů se zaměřením na spoluprác s

Více

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1. 2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:

Více

Čipové karty Lekařská informatika

Čipové karty Lekařská informatika Čipové karty Lekařská informatika Následující kód je jednoduchou aplikací pro čipové karty, která po překladu vytváří prostor na kartě, nad kterým jsou prováděny jednotlivé operace a do kterého jsou ukládány

Více

Teoretická rozdělení

Teoretická rozdělení Teoretická rozdělení Diskrétní rozdělení Obsah kapitoly Studijní cíle Doba potřebná ke studiu Pojmy k zapamatování Úvod Některá teoretická rozdělení diskrétních veličin: Alternativní rozdělení Binomické

Více

Návody na cvičení. Prof. Ing. Jiří Militký CSc. EUR ING Ing. Miroslava Maršálková

Návody na cvičení. Prof. Ing. Jiří Militký CSc. EUR ING Ing. Miroslava Maršálková VLASTNOSTI VLÁKEN Návody na cvčení Pro. Ing. Jří Mltký CSc. EUR ING Ing. Mroslava Maršálková TU Lberec 3 Náplň cvčení z předětu VLASTNOSTI VLÁKEN NÁPLŇ CVIČENÍ:. týden Úvod, bezpečnostní předpsy, poůcky.

Více

Jazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa

Jazyk matematiky. 2.1. Matematická logika. 2.2. Množinové operace. 2.3. Zobrazení. 2.4. Rozšířená číslená osa 2. Jazyk matematiky 2.1. Matematická logika 2.2. Množinové operace 2.3. Zobrazení 2.4. Rozšířená číslená osa 1 2.1 Matematická logika 2.1.1 Výrokový počet logická operace zapisujeme čteme česky negace

Více

2. Posouzení efektivnosti investice do malé vtrné elektrárny

2. Posouzení efektivnosti investice do malé vtrné elektrárny 2. Posouzení efektvnost nvestce do malé vtrné elektrárny Cíle úlohy: Posoudt ekonomckou výhodnost proektu malé vtrné elektrárny pomocí základních metod hodnocení efektvnost nvestních proekt ako sou metoda

Více

Koncept pokročilého návrhu ve VHDL. INP - cvičení 2

Koncept pokročilého návrhu ve VHDL. INP - cvičení 2 Koncept pokročilého návrhu ve VHDL INP - cvičení 2 architecture behv of Cnt is process (CLK,RST,CE) variable value: std_logic_vector(3 downto 0 if (RST = '1') then value := (others => '0' elsif (CLK'event

Více

NÁVRH A TVORBA HUDEBNÍ DATABÁZE

NÁVRH A TVORBA HUDEBNÍ DATABÁZE Středoškolská technika 2011 Setkání a prezentace prací středoškolských studentů na ČVUT NÁVRH A TVORBA HUDEBNÍ DATABÁZE Michael Mašek EDUCAnet - gymnázium a střední odborná škola České Budějovice, s.r.o.

Více

INTERAKCE KŘEMÍKU A NIKLU ZA VYSOKÝCH TEPLOT

INTERAKCE KŘEMÍKU A NIKLU ZA VYSOKÝCH TEPLOT METAL 4. 6. 5., Hradec nad Moravcí INTERAKCE KŘEMÍKU A NIKLU ZA VYSOKÝCH TEPLOT Jaromír Drápala a, Monka Losertová a, Jtka Malcharczková a, Karla Barabaszová a, Petr Kubíček b a VŠB - TU Ostrava,7.lstopadu,

Více

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru.

2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. Varianta I 1. Definujte pravděpodobnostní funkci. 2. Je dáno jevové pole (Ω;A) a na něm nezáporná normovaná funkce. Definujte distrubuční funkci náhodného vektoru. 3. Definujte Fisher-Snedecorovo rozdělení.

Více