Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. dubna Filip Železný (ČVUT) Vytěžování dat 9.
|
|
|
- Josef Čermák
- před 8 lety
- Počet zobrazení:
Transkript
1 Vytěžování dat Filip Železný Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. dubna 2009 Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
2 Rozhodovací pravidla Strom lze převést na seznam pravidel ve tvaru if podmínky then třída if teplota=horečka & bolest svalů = ano then chřipka Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
3 Rozhodovací pravidla Strom lze převést na seznam pravidel ve tvaru if podmínky then třída if teplota=horečka & bolest svalů = ano then chřipka if teplota=horečka & bolest svalů = ne then nachlazení Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
4 Rozhodovací pravidla Strom lze převést na seznam pravidel ve tvaru if podmínky then třída if teplota=horečka & bolest svalů = ano then chřipka if teplota=horečka & bolest svalů = ne then nachlazení if teplota=zvýšená then nachlazení Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
5 Rozhodovací pravidla Strom lze převést na seznam pravidel ve tvaru if podmínky then třída if teplota=horečka & bolest svalů = ano then chřipka if teplota=horečka & bolest svalů = ne then nachlazení if teplota=zvýšená then nachlazení if teplota=normální then hypochondr Pravidla lze ale hledat i přímo z dat. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
6 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
7 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký & bydliště = Praha & pohlaví = M then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
8 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký & bydliště = Praha & pohlaví = M then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
9 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký & pohlaví = M then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
10 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký & pohlaví = M then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
11 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
12 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
13 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
14 Hledání pravidla Chceme najít nejlepší pravidlo pro třídu splácí příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí if příjem = vysoký then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
15 Zobecňování podmínek Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
16 Zobecňování podmínek Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
17 Zobecňování podmínek Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
18 Zobecňování podmínek Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
19 Zobecňování podmínek Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
20 Alternativa: specializace podmínek Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
21 Alternativa: specializace podmínek Nemá smysl dále specializovat. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
22 Specializace bez předem zvoleného příkladu Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
23 Specializace bez předem zvoleného příkladu Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
24 Specializace bez předem zvoleného příkladu Mnohem větší prohledávací prostor, ale pravidlo může být nakonec lepší. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
25 Pokrývací strategie příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
26 Pokrývací strategie příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí 1 if příjem = vysoký then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
27 Pokrývací strategie příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí 1 if příjem = vysoký then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
28 Pokrývací strategie příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí 1 if příjem = vysoký then splácí 2 if příjem = střední then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
29 Pokrývací strategie příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí 1 if příjem = vysoký then splácí 2 if příjem = střední then splácí Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
30 Pokrývací strategie příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí 1 if příjem = vysoký then splácí 2 if příjem = střední then splácí Pokrývací strategie 1 Vygeneruj co nejobecnější konzistentní pravidlo a vymaž pokryté příklady. 2 Opakuj krok 1, dokud jsou některé příklady nepokryté. Tyto kroky postupně uplatni na každou třídu. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
31 Algoritmus pro tvorbu seznamu rozhodovacích pravidel AQ(D) /* by Richard Michalski */ Input: D trénovací data SeznamPravidel = for každou třídu t do P = instance třídy t z D N = ostatní instance D repeat Najdi pravidlo R pokrývající nějaké instance z P a nepokrývající žádný příklad z N (konzistentní) Přidej R do SeznamPravidel Vymaž z P všechny instance pokryté pravidlem R until P = ; end Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
32 Separace seznamem pravidel Separace v prostoru dvou reálných příznaků Zvolen jeden modrý příklad Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
33 Separace seznamem pravidel Separace v prostoru dvou reálných příznaků Zobecnění s použítím hraničních hodnot (předchozí diskretizace) Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
34 Separace seznamem pravidel Separace v prostoru dvou reálných příznaků Přidání dalšího pravidla Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
35 Separace seznamem pravidel Separace v prostoru dvou reálných příznaků Výsledek pokrývacího algoritmu Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
36 Neúplnost klasifikace podle pravidel Některé instance seznam pravidel nemusí rozhodnout! Narozdíl od rozhodovacího stromu Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
37 Neúplnost klasifikace podle pravidel Řeší se zavedením implicitního (default) pravidla if true then většinová třída které se použije, pokud podmínky žádného jiného pravidla neplatí. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
38 Konflikt pravidel Pravidlo pro modrou třídu Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
39 Konflikt pravidel Potom pravidlo pro zelenou třídu. Překrytí - konflikt! Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
40 Konflikt pravidel Jak seznamem klasifikovat novou instanci? Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
41 Konflikt pravidel Modře, protože modré pravidlo je v seznamu dřív. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
42 Konflikt pravidel Modře, protože modré pravidlo je v seznamu dřív. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
43 Konflikt pravidel Při obráceném pořadí pravidel klasifikujeme instanci zeleně. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
44 Konflikt pravidel Na pořadí pravidel záleží! Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
45 Konflikt pravidel Důsledek: implicitní pravidlo vždy na konec seznamu. if true then většinová třída Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
46 Rozhodovací pravidla a asociace Hledání nejlepších podmínek rozhodovacího pravidla je vlastně hledání častých asociací v dané třídě instancí. if příjem=vysoký & bydliště=praha } {{ } častá asociace then Asociace konjunkce současně platných podmínek splácí } {{ } v této třídě Chceme, aby platila v co nejvíce instancích dané třídy a žádné instanci ostatních tříd. Co kdybychom jako třídu chápali všechny instance v datech? Cíl se zjednoduší: chceme asociace platné v co nejvíce instancích dat. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
47 Asociace Chceme najít asociace platné v co nejvíce instancích dat. Nejlepší řešení je triviální: prázdná konjuknce podmínek, tj. true. Platí ve všech instancích, ale není ničím zajímavá! Rozšiřme tedy zadání: chceme všechny asociace platné alespoň v p% instancí. Veličina p: tzv. podpora (support) Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
48 Podpora asociace Podpora: podíl instancí, v nichž asociace platí, mezi všemi instancemi příjem bydliště pohlaví úvěr vysoký Praha M splácí vysoký Plzeň M splácí nízký Praha M nesplácí vysoký Praha Ž splácí střední Brno M splácí Asociace A = příjem = vysoký & bydliště = Praha má podporu 2/5 = 0.4. Zapisujeme podp(a) = 0.4 Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
49 Podpora asociace Všechny asociace s podporou alespoň 0.4 příjem vysoký vysoký nízký vysoký střední bydliště Praha Plzeň Praha Praha Brno Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
50 Podpora asociace Všechny asociace s podporou alespoň 0.4 příjem vysoký vysoký nízký vysoký střední bydliště Praha Plzeň Praha Praha Brno 1 true Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
51 Podpora asociace Všechny asociace s podporou alespoň 0.4 příjem vysoký vysoký nízký vysoký střední bydliště Praha Plzeň Praha Praha Brno 1 true 2 příjem = vysoký Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
52 Podpora asociace Všechny asociace s podporou alespoň 0.4 příjem vysoký vysoký nízký vysoký střední bydliště Praha Plzeň Praha Praha Brno 1 true 2 příjem = vysoký 3 bydliště = Praha Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
53 Podpora asociace Všechny asociace s podporou alespoň 0.4 příjem vysoký vysoký nízký vysoký střední bydliště Praha Plzeň Praha Praha Brno 1 true 2 příjem = vysoký 3 bydliště = Praha 4 příjem = vysoký & bydliště = Praha Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
54 Podpora asociace Všechny asociace s podporou alespoň 0.4 příjem vysoký vysoký nízký vysoký střední bydliště Praha Plzeň Praha Praha Brno 1 true 2 příjem = vysoký 3 bydliště = Praha 4 příjem = vysoký & bydliště = Praha Asociace, které mají požadovanou podporu, se nazývají časté. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
55 Analýza transakcí Hledání asociací se uplatňuje zejm. v analýze transakcí ( analýze nákupních košíků ) Příznaky: položky sortimentu. Instance: obsah nákupního košíku. Hodnoty příznaků {ano, ne}. pivo párky horčice pleny ano ne ne ano ne ano ano ne Zde místo např. pivo = ano & pleny = ano zapisujeme (a chápeme) asociaci jako množinu položek, např. {pivo, pleny} Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
56 Princip monotonicity pivo párky horčice pleny ano ne ne ano ano ne ano ano ne ano ano ne ano ano ano ne ano ano ano ano Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
57 Princip monotonicity Pozorování: pivo párky horčice pleny ano ne ne ano ano ne ano ano ne ano ano ne ano ano ano ne ano ano ano ano Není-li množina položek častá, pro p = 0.5 např. {pivo, párky, hořčice} Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
58 Princip monotonicity Pozorování: pivo párky horčice pleny ano ne ne ano ano ne ano ano ne ano ano ne ano ano ano ne ano ano ano ano Není-li množina položek častá, pro p = 0.5 např. {pivo, párky, hořčice} není časté ani jakékoliv její rozšíření, např. {pivo, párky, hořčice, pleny} Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
59 Hledání častých množin položek algoritmem APRIORI Postupujeme s vyšších pater do nižších (specializace). Prázdná množina je vždy častá. Kandidáti o patro níž: {A}, {B}, {C}, {D}. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
60 Hledání častých množin položek algoritmem APRIORI Postupujeme s vyšších pater do nižších (specializace). V databázi zjistíme, že {B} není časté, ostatní kandidáti ano. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
61 Hledání častých množin položek algoritmem APRIORI Postupujeme s vyšších pater do nižších (specializace). {AB}, {BC}, {BC} nemohou být časté (monotonicita). Zbývají kandidáti {AC}, {AD}, {CD}. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
62 Hledání častých množin položek algoritmem APRIORI Postupujeme s vyšších pater do nižších (specializace). V databázi zjistíme, že jsou všichni kandidáti častí. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
63 Hledání častých množin položek algoritmem APRIORI Postupujeme s vyšších pater do nižších (specializace). V dalším patře už pouze kandidát {ACD}. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
64 Hledání častých množin položek algoritmem APRIORI Postupujeme s vyšších pater do nižších (specializace). V databázi zjistíme, že kandidát není častý. Žádné další časté množiny nejsou. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
65 Asociační pravidlo Pravidlo ve tvaru if Ant then Suc kde Ant a Suc jsou množiny položek nazývané antecedent resp. sukcedent. Pravidlo též zapisujeme jako Ant Suc Podpora asociačního pravidla R definována jako podp(ant Suc) = podp(ant Suc) Spolehlivost (confidence) asociačního pravidla R definována jako spol(ant Suc) = podp(ant Suc) podp(ant) Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
66 Asociační pravidlo Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
67 Hledání asociačních pravidel algoritmem APRIORI Hledáme pravidla Ant Suc, která jsou častá (tj. s podporou alespoň p) a spolehlivá (tj. se spolehlivostí alespoň s). Je-li pravidlo Ant Suc časté, tak množina položek (asociace) Ant Suc je častá. Nejprve tedy najdeme všechny časté množiny položek. Pro každou častou množinu položek X a každou její neprázdnou vlastní podmnožinu M X zkusíme, zda podp(x ) podp(m) p Pokud ano, tak pravidlo M M \ X je časté a spolehlivé. Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
68 Hledání asociačních pravidel: příklad Hledáme asociační pravidla s podporou alespoň 0.1 a spolehlivostí alespoň 0.6. Právě 13% nákupních košíků obsahuje každou položku z množiny {párky, hořčice, pivo, otvírák} Množina je tedy častá. Vyberme nějakou její vlastní neprázdnou podmnožinu, např. {párky, hořčice} Pravidlo {párky, hořčice} {pivo, otvírák} má podporu 13%. Pokud navíc právě 19% nákupních košíků obsahuje párky i horčici, má pravidlo spolehlivost a je tedy časté i spolehlivé > 0.6 Filip Železný (ČVUT) Vytěžování dat 9. dubna / 22
Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. ledna 2017
Vytěžování dat Filip Železný Katedra kybernetiky skupina Inteligentní Datové Analýzy (IDA) 9. ledna 2017 Rozhodovací pravidla Strom lze převést na seznam pravidel ve tvaru if podmínky then třída if teplota=horečka
Základy vytěžování dat
Základy vytěžování dat předmět A7Bb36vyd Vytěžování dat Filip Železný, Miroslav Čepek, Radomír Černoch, Jan Hrdlička katedra kybernetiky a katedra počítačů ČVUT v Praze, FEL Evropský sociální fond Praha
Informační systémy pro podporu rozhodování
Informační systémy pro rozhodování Informační systémy pro podporu rozhodování 5 Jan Žižka, Naděžda Chalupová Ústav informatiky PEF Mendelova universita v Brně Asociační pravidla Asociační pravidla (sdružovací
Asociační pravidla. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Asociační pravidla Informační a komunikační technologie ve zdravotnictví Definice pojmů Stavový prostor S je množina uzlů(stavů), kde cílem je najít stav splňující danou podmínku g. Formálně je problém
Tvorba asociačních pravidel a hledání. položek
Tvorba asociačních pravidel a hledání častých skupin položek 1 Osnova Asociace Transakce Časté skupiny položek Apriori vlastnost podmnožin Asociační pravidla Aplikace 2 Asociace Nechť I je množina položek.
Metody odvozování. matematická východiska: logika, Prolog
Metody odvozování matematická východiska: logika, Prolog psychologická východiska: rámce biologická východiska: konekcionismus, neuronové sítě statistická východiska: kauzální (bayesovské) sítě ekonomická
Informatika Algoritmy
Informatika Algoritmy Radim Farana Podklady předmětu Informatika pro akademický rok 2010/2011 Obsah Algoritmus. Vlastnosti algoritmu. Popis algoritmu. Hodnocení algoritmů. Příklady algoritmů. Algoritmus
Dolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
Implementace seznamů do prostředí DELPHI pomocí lineárního seznamu
Implementace seznamů do prostředí DELPHI pomocí lineárního seznamu Ukazatel a dynamické datové struktury v prostředí DELPHI Důležitým termínem a konstrukčním programovým prvkem je typ UKAZATEL. Je to vlastně
Intervalové stromy. Představme si, že máme posloupnost celých čísel p 0, p 1,... p N 1, se kterou budeme. 1. Změna jednoho čísla v posloupnosti.
Intervalové stromy Představme si, že máme posloupnost celých čísel p 0, p 1,... p N 1, se kterou budeme průběžně provádět tyto dvě operace: 1. Změna jednoho čísla v posloupnosti. 2. Zjištění součtu čísel
Testování a spolehlivost. 6. Laboratoř Ostatní spolehlivostní modely
Testování a spolehlivost ZS 2011/2012 6. Laboratoř Ostatní spolehlivostní modely Martin Daňhel Katedra číslicového návrhu Fakulta informačních technologií ČVUT v Praze Příprava studijního programu Informatika
hledání zajímavých asociací i korelací ve velkém množství dat původně pro transakční data obchodní transakce analýza nákupního košíku
Asociační pravidla Asociační pravidla hledání zajímavých asociací i korelací ve velkém množství dat původně pro transakční data obchodní transakce analýza nákupního košíku podpora rozhodování Analýza nákupního
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
Basic256 - úvod do programování Příklady. ing. petr polách
Basic256 - úvod do programování Příklady ing. petr polách 1 Basic 256 input, print Př.: Vytvořte program pro součet dvou čísel: input "Zadej a: ", a input "Zadej b: ", b print a+b input "Zadej a: ", a
OSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA
OSOBNÍ ANGAŽOVANOST SOCIÁLNÍHO PRACOVNÍKA Tomáš Kocyan OBSAH PREZENTACE Představení výzkumu Popis analyzovaných dat Analýza Asociace Fundovaná implikace Interpretace výsledků Rozhodovací stromy Výběr atributů
Projekt OPVK - CZ.1.07/1.1.00/26.0047 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: Geometire Gradovaný řetězec úloh Téma: obsahy a obvody mnohoúhelníků, grafy funkcí s absolutní
ELEKTRONICKÁ PORODNÍ KNIHA POPIS APLIKACE Michal Huptych, Petr Janků, Lenka Lhotská
ELEKTRONICKÁ PORODNÍ KNIHA POPIS APLIKACE Michal Huptych, Petr Janků, Lenka Lhotská Anotace Tento příspěvek popisuje aplikaci, která je převodem tzv. porodní knihy do elektronické podoby. Aplikace vzniká
Problém batohu. Zdeněk Hanzálek hanzalek@fel.cvut.cz. ČVUT FEL Katedra řídicí techniky. 5. dubna 2011
Problém batohu Zdeněk Hanzálek hanzalek@fel.cvut.cz ČVUT FEL Katedra řídicí techniky 5. dubna 2011 Z. Hanzálek (ČVUT FEL) Problém batohu 5. dubna 2011 1/ 15 1 Obsah přednášky 2 Úvod Formulace problému
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
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
TTreeView je ten strom vlevo (vzhled se dá upravovat) a TListView je ten seznam vpravo (včetně volitelných módů zobrazení jako ikony).
Delphi lekce 5 TListView a TTreeView Pomalu přecházíme na složitější komponenty a na složitější příklad (uvedeme jen důležité komponenty, tj. ne všechny). Uvedené dvě komponenty jsou velmi užitečné a často
Vytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 13 1/14 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
Obchod & kvalita. Kvalita jako strategie firmy Ing. Ladislav Denk. Retail Summit Praha 4. února 2009
Obchod & kvalita Kvalita jako strategie firmy Ing. Ladislav Denk Retail Summit Praha 4. února 2009 Kvalita jako strategie firmy Kvalita jako strategie firmy 1. Vnímání kvality Kvalita jako strategie firmy
MQL4 COURSE. By Coders guru www.forex-tsd.com. -5 Smyčky & Rozhodnutí Část 2
MQL4 COURSE By Coders guru www.forex-tsd.com -5 Smyčky & Rozhodnutí Část 2 Vítejte v šesté lekci mého kurzu MQL 4. Doufám, že se vám předchozí lekce líbily. V předchozí lekci jsme se bavili o smyčkách.
Predispozice pro výuku IKT (2015/2016)
Konzervatoř P. J. Vejvanovského Kroměříž Predispozice pro výuku IKT (15/16) Základní algoritmy pro počítání s celými a racionálními čísly Adam Šiška 1 Sčítání dvou kladných celých čísel Problém: Jsou dána
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
ZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 5, 5.1 a 5.2 8/14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 5, 5.1 a 5.2 8/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 18 0:40 Algoritmus Algoritmem by se dal nazvat
Asociační i jiná. Pravidla. (Ch )
Asociační i jiná Pravidla (Ch. 14 +...) Učení bez učitele Nemáme cílovou třídu Y, G; máme N pozorování což jsou p-dimenzionální vektory se sdruženou pravděpodobností chceme odvozovat vlastnosti. Pro málo
Analyzátor, minimalizátor kombinačních logických obvodů
Středoškolská technika 2012 Setkání a prezentace prací středoškolských studentů na ČVUT Analyzátor, minimalizátor kombinačních logických obvodů Petr Jašek, Pavel Král, Petr Koukolíček SPŠ a VOŠ Jana Palacha
Výpočetní modely pro rozpoznávání bezkontextových jazyků zásobníkové automaty LL(k) a LR(k) analyzátory
Plán přednášky Výpočetní modely pro rozpoznávání bezkontextových jazyků zásobníkové automaty LL(k) a LR(k) analyzátory Obecný algoritmus pro parsování bezkontextových jazyků dynamické programování 1 Zásobníkový
Hranová konzistence. Arc consistency AC. Nejprve se zabýváme binárními CSP. podmínka odpovídá hraně v grafu podmínek
Hranová konzistence Arc consistency AC Nejprve se zabýváme binárními CSP podmínka odpovídá hraně v grafu podmínek Hrana (V i, V j ) je hranově konzistentní, právě když pro každou hodnotu x z aktuální domény
Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
III/2 Inovace a zkvalitnění výuky prostřednictvím ICT
Číslo a název šablony III/2 Inovace a zkvalitnění výuky prostřednictvím ICT Číslo didaktického materiálu EU-OPVK-VT-III/2-ŠR-303 Druh didaktického materiálu DUM Autor RNDr. Václava Šrůtková Jazyk čeština
STROMOVE ALGORITMY Prohledavani do sirky (level-order) Po vodorovnejch carach fronta
STROMOVE ALGORITMY Prohledavani do sirky (level-order) Po vodorovnejch carach vlož do fronty kořen opakuj, dokud není fronta prázdná 1. vyber uzel z fronty a zpracuj jej 2. vlož do fronty levého následníka
Software je ve světě IT vše, co není Hardware. Do softwaru patří aplikace, program, proces, algoritmus, ale i data (text, obrázky), operační systém
Software Co je to software? Software je ve světě IT vše, co není Hardware Do softwaru patří aplikace, program, proces, algoritmus, ale i data (text, obrázky), operační systém Podívejme se tedy na jednotlivé
Euklidovský prostor Stručnější verze
[1] Euklidovský prostor Stručnější verze definice Eulidovského prostoru kartézský souřadnicový systém vektorový součin v E 3 vlastnosti přímek a rovin v E 3 a) eprostor-v2, 16, b) P. Olšák, FEL ČVUT, c)
8) Jaké jsou důvody pro použití víceprůchodového překladače Dříve hlavně kvůli úspoře paměti, dnes spíše z důvodu optimalizace
1) Charakterizujte křížový překladač Překlad programu probíhá na jiném procesoru, než exekuce. Hlavním důvodem je náročnost překladače na cílovém stroji by ho nemuselo být možné rozběhnout. 2. Objasněte
KMA/PDB. Karel Janečka. Tvorba materiálů byla podpořena z prostředků projektu FRVŠ č. F0584/2011/F1d
KMA/PDB Prostorové spojení Karel Janečka Tvorba materiálů byla podpořena z prostředků projektu FRVŠ č. F0584/2011/F1d Obsah Prostorové spojení pomocí hnízděných cyklů. Prostorové spojení pomocí R-stromů.
Algoritmizace. 1. Úvod. Algoritmus
1. Úvod Algoritmizace V dnešní době již počítače pronikly snad do všech oblastí lidské činnosti, využívají se k řešení nejrůznějších úkolů. Postup, který je v počítači prováděn nějakým programem se nazývá
Algoritmizace a programování
Algoritmizace a programování V algoritmizaci a programování je důležitá schopnost analyzovat a myslet. Všeobecně jsou odrazovým můstkem pro řešení neobvyklých, ale i každodenních problémů. Naučí nás rozdělit
B A B A B A B A A B A B B
AB ABA BA BABA B AB A B B A A B A B AB A A B B B B ABA B A B A A A A A B A A B A A B A A B A BA B A BA B D A BC A B C A B A B C C ABA B D D ABC D A A B A B C D C B B A A B A B A B A A AB B A AB A B A A
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
Matematická logika. Rostislav Horčík. horcik@math.feld.cvut.cz horcik@cs.cas.cz www.cs.cas.cz/ horcik
Matematická logika Rostislav Horčík horcik@math.feld.cvut.cz horcik@cs.cas.cz www.cs.cas.cz/ horcik Rostislav Horčík (ČVUT FEL) Y01MLO Letní semestr 2007/2008 1 / 18 Predikátová logika Motivace Výroková
NORMALIZACE Část 2 1
NORMALIZACE Část 2 1 Úprava relačního schématu databáze NORMALIZACE Eliminaci aktualizačních anomálií zajišťujeme převedením relačního schématu do 3NF, resp. BCNF. (Normalizovat lze pomocí) DEKOMPOZICE
Anotace. Dynamické programování, diskrétní simulace.
Anotace Dynamické programování, diskrétní simulace. Problémy, které byly Přednášející jde tentokrát do M1, počet platných uzávorkování pomocí n párů závorek, počet rozkladů přirozeného čísla na součet
Kombinatorický předpis
Gravitace : Kombinatorický předpis Petr Neudek 1 Kombinatorický předpis Kombinatorický předpis je rozšířením Teorie pravděpodobnosti kapitola Kombinatorický strom. Její praktický význam je zřejmý právě
AD4M33AU Automatické uvažování
AD4M33AU Automatické uvažování Úvod, historie Petr Pudlák Organizační informace Tyto slidy jsou pomocný studijní materiál. Na přednášce budou uváděny další informace a příklady, které ve slidech nejsou.
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
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:
Rozhodovací pravidla
Rozhodovací pravidla Úloha klasifikace příkladů do tříd. pravidlo Ant C, kde Ant je konjunkce hodnot atributů a C je cílový atribut A. Algoritmus pokrývání množin metoda separate and conquer (odděl a panuj)
přirozený algoritmus seřadí prvky 1,3,2,8,9,7 a prvky 4,5,6 nechává Metody řazení se dělí:
Metody řazení ve vnitřní a vnější paměti. Algoritmy řazení výběrem, vkládáním a zaměňováním. Heapsort, Shell-sort, Radix-sort, Quicksort. Řazení sekvenčních souborů. Řazení souborů s přímým přístupem.
Tabulka. Datová struktura, která umožňuje vkládat a později vybírat informace podle identifikačního klíče. Mohou být:
ADT Tabulka Datová struktura, která umožňuje vkládat a později vybírat informace podle identifikačního klíče. Mohou být: pevně definované (LUT Look Up Table) s proměnným počtem položek Konvence: Tabulka
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
PROBLÉM ČTYŘ BAREV. Lze obarvit jakoukoliv mapu v rovině čtyřmi barvami tak, aby žádné dvě sousedící oblasti neměly stejnou barvu?
ROBLÉM ČTYŘ BAREV Lze obarvit jakoukoliv mapu v rovině čtyřmi barvami tak, aby žádné dvě sousedící oblasti neměly stejnou barvu? ROBLÉM ČTYŘ BAREV L KH ROBLÉM ČTYŘ BAREV Vytvoříme graf Kraje = vrcholy
Infrastruktura UML. Modelování struktury v UML. Superstruktura UML. Notace objektů. Diagramy objektů
Infrastruktura UML v UML Karel Richta listopad 2011 Richta: B101TMM - v UML 2 Superstruktura UML Směr pohledu na systém dle UML Diagramy popisující strukturu diagramy tříd, objektů, kompozitní struktury,
CZ.1.07/1.5.00/34.0527
Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice
Helios RED a Internetový obchod
(pracovní verze!) Helios RED a Internetový obchod Obsah dokumetace: 1. Úvod 2. Evidované údaje na skladové kartě 3. Přenos skladových karet z Helios RED do e-shopu 4. Přenos objednávek z e-shopu do Helios
Pravidlové systémy. Klasifikační pravidla. Asociační pravidla.
Pravidlové systémy. Klasifikační pravidla. Asociační pravidla. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Klasifikační pravidla 2 Agenda............................................................................................................
Obr. 1 - Seznam smluv
Modul Evidence smluv je určen pro správu smluvních dokumentů na VUT v Brně. S tímto modulem úzce souvisí modul Smluvní partneři, ve kterém se spravují smluvní strany smluvních dokumentů. Pro nastavení
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
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
Základy umělé inteligence
Základy umělé inteligence Automatické řešení úloh Základy umělé inteligence - prohledávání. Vlasta Radová, ZČU, katedra kybernetiky 1 Formalizace úlohy UI chápe řešení úloh jako proces hledání řešení v
20. Projekt Domácí mediotéka
Projekt Domácí mediotéka strana 211 20. Projekt Domácí mediotéka 20.1. Základní popis, zadání úkolu V projektu Domácí mediotéka (Dome) se jednoduchým způsobem evidují CD a videa. Projekt je velmi jednoduchý
Gramatická evoluce a softwarový projekt AGE
Gramatická evoluce a softwarový projekt AGE Adam Nohejl Matematicko-fyzikální fakulta Univerzita Karlova v Praze http://nohejl.name/ 4. 4. 2010 Poznámka: Prezentace založené na variantách těchto slajdů
2.1 Podmínka typu case Cykly Cyklus s podmínkou na začátku Cyklus s podmínkou na konci... 5
Obsah Obsah 1 Řídicí struktury 1 2 Podmínka 1 2.1 Podmínka typu case......................... 2 3 Příkaz skoku 3 4 Cykly 4 4.1 Cyklus s podmínkou na začátku................... 4 4.2 Cyklus s podmínkou
D DE = = + [ + D[ [ D = - - XY = = + -
Vážení zákazníci, dovolujeme si Vás upozornit, že na tuto ukázku knihy se vztahují autorská práva, tzv. copyright. To znamená, že ukázka má sloužit výhradnì pro osobní potøebu potenciálního kupujícího
Strojové uení. typy učení: Metody učení: učení se znalostem (knowledge acquisition) učení se dovednostem (skill refinement).
Strojové uení typy učení: učení se znalostem (knowledge acquisition) učení se dovednostem (skill refinement). volba reprezentace u ení u ení znalosti rozhodování objekt popis rozhodování rozhodnutí objektu
Návod na práci s redakčním systémem webu VPŠ a SPŠ MV v Praze
Návod na práci s redakčním systémem webu VPŠ a SPŠ MV v Praze Abychom mohli na webu provádět úpravy, je nutné se přihlásit. Přihlašovací údaje jsou stejné jako do internetového počítače, resp. domény SKOLAMV.
Tento počítač. 1 Seznámení s programem. 2 Spuštění programu. Adresářové operace Popis programu Tento počítač, podstata adresářových operací.
Tento počítač 1 Seznámení s programem Tento počítač je program integrovaný ve Windows, který slouží ke správě souborů a složek na discích, tedy k provádění adresářových operací. Najdeme ho v nabídce START
Implementace LL(1) překladů
Překladače, přednáška č. 6 Ústav informatiky, FPF SU Opava sarka.vavreckova@fpf.slu.cz Poslední aktualizace: 30. října 2007 Postup Programujeme syntaktickou analýzu: 1 Navrhneme vhodnou LL(1) gramatiku
1 Zadání Zadání- Náboj 2010 Úloha1.Kvádrsdélkamihran1, a,2amápovrch54.najdětehodnotučísla a.
Úloha1.Kvádrsdélkamihran1, a,2amápovrch54.najdětehodnotučísla a. Úloha2.Pomocíprávětříosmičekalibovolnýchzesymbolů+,,,/, vytvořtečíslo3.jedensymbol můžete použít i víckrát. Úloha3.Vejtekmělknihuzteoriemnožin,jejížlistybylyčíslovanépostupně0,1,2,3,...
Pascal. Katedra aplikované kybernetiky. Ing. Miroslav Vavroušek. Verze 7
Pascal Katedra aplikované kybernetiky Ing. Miroslav Vavroušek Verze 7 Proměnné Proměnná uchovává nějakou informaci potřebnou pro práci programu. Má ve svém oboru platnosti unikátní jméno. (Připadne, musí
Základy číslicové techniky. 2 + 1 z, zk
Základy číslicové techniky 2 + 1 z, zk Ing. Vít Fábera, K614 e-mail: fabera@fd.cvut.cz K508, 5. patro, laboratoř, 2 2435 9555 Ing. Tomáš Musil, Ph.D., K620 e-mail: musil@asix.cz K508, 5. patro, laboratoř,
Klíčové pojmy: Cyklus, řídící proměnná, inicializace, test podmínky, přerušení cyklu, vnořování cyklů.
Příkazy cyklu v C# Kapitola vysvětluje použití tří typů cyklů for, while a -while a plňuje jejich použití řau příkladů programů v jazyku C#. V jazyku C by šlo pouze k záměně funkcí pro vstup a výstup.
1. Implementace funkce počet vrcholů. Předmět: Algoritmizace praktické aplikace (3ALGA)
Předmět: Algoritmizace praktické aplikace (3ALGA) Vytvořil: Jan Brzeska Zadání: Vytvoření funkcí na stromech (reprezentace stromu směrníky). Zadané funkce: 1. Počet vrcholů 2. Počet listů 3. Součet 4.
Asociační pravidla (metoda GUHA)
Vysoká škola báňská Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra informatiky Asociační pravidla (metoda GUHA) Ing. Michal Burda () Získávání znalostí z dat Brno, 27. ledna
Česká republika Ministerstvo práce a sociálních věcí Na Poříčním právu 1, 128 01 Praha 2. vyzývá
Česká republika Ministerstvo práce a sociálních věcí Na Poříčním právu 1, 128 01 Praha 2 v zájmu zajištění potřeb Ministerstva práce a sociálních věcí (dále jen MPSV") a v souladu s ustanovením 6 zákona
Syntaxí řízený překlad
Syntaxí řízený překlad Šárka Vavrečková Ústav informatiky, FPF SU Opava sarka.vavreckova@fpf.slu.cz Poslední aktualizace: 27. listopadu 2008 Definice Překlad z jazyka L 1 do jazyka L 2 je definován množinou
Jarníkův algoritmus. Obsah. Popis
1 z 6 28/05/2015 11:44 Jarníkův algoritmus Z Wikipedie, otevřené encyklopedie Jarníkův algoritmus (v zahraničí známý jako Primův algoritmus) je v teorii grafů algoritmus hledající minimální kostru ohodnoceného
Moderní technologie ve studiu aplikované fyziky CZ.1.07/2.2.00/07.0018. 3. Reálná čísla
Moderní technologie ve studiu aplikované fyziky CZ..07/..00/07.008 3. Reálná čísla RACIONÁLNÍ A IRACIONÁLNÍ ČÍSLA Význačnými množinami jsou číselné množiny. K nejvýznamnějším patří množina reálných čísel,
SMĚRNICE PROCESU PATHFINDER
SMĚRNICE PROCESU PATHFINDER (na žádosti o trasy na současný jízdní řádní řád 2011 a na roční jízdní řád 2012) Verze: 1.0 /26.11. 2010 Aktualizace Každá úprava je uvedena v následujícím seznamu úprav Č.
DUM 01 téma: Obecné vlastnosti tabulkového editoru, rozsah, zápis do buňky, klávesové zkratky
DUM 01 téma: Obecné vlastnosti tabulkového editoru, rozsah, zápis do buňky, klávesové zkratky ze sady: 02 tematický okruh sady: Tabulkový editor ze šablony: 07 KANCELÁŘSKÝ SOFTWARE určeno pro: 1-4. ročník
Činnost: 1) Vyhodnotí se výraz E. 2) Jeho hodnota se uloží do proměnné V.
Přiřazovací příkaz V := E, V jednoduchá nebo indexovaná proměnná, E výraz, jehož typ je kompatibilní podle přiřazení s typem proměnné V. 1) Vyhodnotí se výraz E. 2) Jeho hodnota se uloží do proměnné V.
Jednoznačné a nejednoznačné gramatiky
BI-AAG (2011/2012) J. Holub: 11. Bezkontextové gramatiky p. 2/36 Jednoznačné a nejednoznačné gramatiky BI-AAG (2011/2012) J. Holub: 11. Bezkontextové gramatiky p. 4/36 Automaty a gramatiky(bi-aag) 11.
Vyplňování souvislé oblasti
Počítačová grafika Vyplňování souvislé oblasti Jana Dannhoferová (jana.dannhoferova@mendelu.cz) Ústav informatiky, PEF MZLU. Které z následujících tvrzení není pravdivé: a) Princip interpolace je určení
Návody k domácí části I. kola kategorie A
Návody k domácí části I. kola kategorie A 1. Najděte všechny dvojice prvočísel p, q, pro které existuje přirozené číslo a takové, že pq p + q = a + 1 a + 1. 1. Nechť p a q jsou prvočísla. Zjistěte, jaký
2D standard pro jízdní doklady ČD, a.s.
2D standard pro jízdní doklady ČD, a.s. Základní pravidla a popis struktur Odbor informatiky České dráhy, a.s. Dne: 28.5.2012 Verze. 1.00 1. Úvod Dokument popisuje základní pravidla pro sestavení kontrolního
1. série. Pohádky. Téma: Datumodeslání:
Téma: Datumodeslání: º Ò ¾¼¼ 1. série Pohádky ½º ÐÓ Ó Ýµ ¾º ÐÓ Ó Ýµ Princezna si dělá pořádek ve svých truhličkách. Vysype na stůl do dvou hromádek drahokamy º ÐÓ Ó Ýµ naprvníjichje17,nadruhé10.pokaždé,kdyžnaberezjednéhromádkydorukykameny(vždy
Přidávání animací do programů
Přidávání animací do programů Posouvání objektů se dá zařídit, pomocí prvků, které jsou vypsány v následující tabulce: Klíčové slovo Popis Left Tato vlastnost se dá využít k vodorovnému posunu objektu
Algoritmizace a programování
Pátek 14. října Algoritmizace a programování V algoritmizaci a programování je důležitá schopnost analyzovat a myslet. Všeobecně jsou odrazovým můstkem pro řešení neobvyklých, ale i každodenních problémů.
Rámcový manuál pro práci s programem TopoL pro Windows
Rámcový manuál pro práci s programem TopoL pro Windows Příkazy v nabídce Předmět Volba rastru rychlá klávesa F4 Příkaz otevře vybraný rastr; tj. zobrazí ho v předmětu zájmu. Po vyvolání příkazu se objeví
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
Teoretická Informatika
Teoretická Informatika Cvičení Téma: úvod do programu Mathematica Miroslav Skrbek 2009 2 ti-cviceni-uvod.nb Co se naučíte v tomto předmětu? Naučíte se teoretickým základů oboru informatika. Hlavními tématy
Čl. 4 Účastníci výběrového řízení
Úřad pro zastupování státu ve věcech majetkových Územní pracoviště Ústí nad Labem, Mírové náměstí 36, 400 01 Ústí nad Labem O Z N Á M E N Í o výběrovém řízení čís. ULB/013/2010 a jeho podmínkách na zjištění
František Hudek. červen 2013. 6. - 7. ročník
VY_32_INOVACE_FH20_WIN Jméno autora výukového materiálu Datum (období), ve kterém byl VM vytvořen Ročník, pro který je VM určen Vzdělávací oblast, obor, okruh, téma Anotace František Hudek červen 2013
Úvod do simulace - 1
Tento materiál vznikl jako součást projektu, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Úvod do simulace - 1 Technická univerzita v Liberci Simulace výrobních systémů 14.11.2012
035 036 síťová verze - zaúčtování příjemek / výdejek POZOR! <ENTER> párování příjemek s fakturou 033 034 umazávání plachty při nízkém kreditu
novinky 13 (23).035 a 13 (23).036 síťová verze - zaúčtování příjemek / výdejek Při práci více uživatelů v síti se za určitých situací špatně zaúčtovaly příjemky resp. výdejky. Pokusili jsme se tyto problémy
BAKALÁŘSKÁ PRÁCE. Numerické metody jednorozměrné minimalizace
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Numerické metody jednorozměrné minimalizace Vedoucí bakalářské práce: RNDr. Horymír
12. Aproximační algoritmy
12. Aproximační algoritmy (F.Haško,J.enda,.areš, ichal Kozák, Vojta Tůma) Na minulých přednáškách jsme se zabývali různými těžkými rozhodovacími problémy. Tato se zabývá postupy, jak se v praxi vypořádat