NAIL072 ROZPOZNÁVÁNÍ VZORŮ
|
|
- Vlasta Staňková
- před 7 lety
- Počet zobrazení:
Transkript
1 NAIL072 ROZPOZNÁVÁNÍ VZORŮ RNDr. Jana Štanclová, Ph.D. LS Zk 2/0
2 OSNOVA 1. Úvod do rozpoznávání vzorů 2. Bayesovská teorie rozpoznávání 3. Diskriminační funkce 4. Odhady parametrů 5. Lineární klasifikátory 6. Nelineární klasifikátory 7. Rozpoznávání v řetězcích 8. Template matching 9. Strukturální rozpoznávání 10. Rozhodovací stromy 11. Klastrování Jana Štanclová, jana.stanclova@ruk.cuni.cz 2/44
3 LITERATURA Richard O. Duda, Peter E. Hart, David G. Stork Pattern Classification Second Edition, A Wiley-Interscience Publication, 2000 Sergios Theodoridis, Konstantinos Koutroumbas Pattern Recognition Second Edition, Elsevier Academic Press, 2003 Third Edition, Academic Press, 2006 Evangelia Micheli-Tzanakou Supervised and Unsupervised Pattern Recognition, Feature Extraction and Computational Intellingence, CRC Press, 2000 Jana Štanclová, jana.stanclova@ruk.cuni.cz 3/44
4 ROZPOZNÁVÁNÍ VZORŮ Jana Štanclová, 4/44
5 ROZPOZNÁVÁNÍ VZORŮ rozpoznávání vzorů ekvivalent anglického pattern recognition dříve (60. a 70. léta) zazníval pojem rozpoznávání obrazců zřejmě: pattern recognition = распознавание образцов Jana Štanclová, jana.stanclova@ruk.cuni.cz 5/44
6 ROZPOZNÁVÁNÍ VZORŮ člověk umí rozpoznat obličeje rozumět mluveným slovům číst ručně psaný text dotykem rozpoznat klíč v kapse proces rozpoznávání rozpoznávání (pattern recognition) klasifikace objektů do tříd objekty = obrázky, signály,... podle aplikace obecně vzory (patterns) Jana Štanclová, jana.stanclova@ruk.cuni.cz 6/44
7 TROŠKA HISTORIE 1 západní svět Platón základy rozpoznávání rozšířeny Aristotelem esenciální (základní) a druhotné vlastnosti rozpoznávání vzorů nalezení esenciální vlastnosti východní svět filozofická epistemologie nauka o přirozenosti vědění patriarcha Bodhidharma ze Zenu konfrontace procesů v mysli, identifikace objektů a klasifikace Jana Štanclová, jana.stanclova@ruk.cuni.cz 7/44
8 TROŠKA HISTORIE 2 novověk před rokem 1960 rozpoznání výstup teoretického výzkumu v oblasti statistiky rozvoj počítačů potřeba aplikací na rozpoznávání vzorů požadavek na další teoretický rozvoj rozpoznávání vzorů součást systémů strojového vnímání (machine intelligence) rozhodovací systémy Jana Štanclová, jana.stanclova@ruk.cuni.cz 8/44
9 APLIKACE Jana Štanclová, 9/44
10 APLIKACE ROZPOZNÁVÁNÍ VZORŮ 1 machine vision snímání obrázků kamerou analýza popis scény počítačová diagnóza pomáhá doktorům dělat rozhodnutí nevýhoda medicínská data nejsou vždy dobře interpretovatelná příklad: rentgenová mamografie rozpoznávací systém rozpoznání rakoviny prsu (suplování dalšího doktora) Jana Štanclová, jana.stanclova@ruk.cuni.cz 10/44
11 APLIKACE ROZPOZNÁVÁNÍ VZORŮ 2 rozpoznávání řeči dlouho neřešitelné rozpoznání textu a převod do ASCI znaků rozpoznávání znaků... OCR (optical character recognition) tiskací písmena: komerčně dostupné 1. detektor citlivý na světlo převod intenzity světla do čísel obraz 2. čárová a znaková segmentace obrazu 3. klasifikace znaku do třídy (číslo/písmeno/punkce) 4. uložení rozpoznané třídy zahození naskenovaného obrazu výhody snadné další zpracování efektivní uložení Jana Štanclová, jana.stanclova@ruk.cuni.cz 11/44
12 APLIKACE ROZPOZNÁVÁNÍ VZORŮ 3 rozpoznávání ručně psaných textů online rozpoznávání ručně psaných textů Jana Štanclová, jana.stanclova@ruk.cuni.cz 12/44
13 APLIKACE ROZPOZNÁVÁNÍ VZORŮ 3 rozpoznávání ručně psaných textů čtení bankovních šeků strojové rozpoznávání částky ověření podpisu praxe: strojově rozpoznána zhruba polovina šeků (zbytek ručně) automatické třídící stroje na poštách třídění dopisů podle PSČ online rozpoznávání ručně psaných textů tužkové počítače vstup psaní textu na displej Jana Štanclová, jana.stanclova@ruk.cuni.cz 13/44
14 VYTVOŘENÍ KLASIFIKÁTORU Jana Štanclová, 14/44
15 POJMY Z TEORIE SYSTÉMŮ objekt zkoumání složitého jevu omezení se jen na část, která nás zajímá pozadí vše, co nás z daného jevu nezajímá rozlišovací úroveň objekty složité typicky se nezkoumají celé výběr zajímavých vlastností ty se měří a zkoumají různá rozlišovací úroveň různý popis a chápání objektů Jana Štanclová, jana.stanclova@ruk.cuni.cz 15/44
16 JAK POPSAT OBJEKTY? 1 popis objektů snaha o exaktní popis objektů pomocí nástrojů matematiky 1. matematické modelování objekt popsán pomocí matematických rovnic hledání relace mezi vstupem a výstupem problém vytvořit matematický model (např. model fungování mozku) Jana Štanclová, jana.stanclova@ruk.cuni.cz 16/44
17 JAK POPSAT OBJEKTY? 2 2. rozpoznávání alternativa k matematickému modelování menší porozumění objektu rozhodovací pravidlo zařazování objektů do předem známých tříd třídy ekvivalence (reflexivita, symetrie, tranzitivita) objekty podobnější uvnitř tříd než mezi třídami navzájem výhoda při vytváření klasifikátoru není nutné rozumět složité podstatě objektů, které se budou klasifikovat rozhodovací pravidlo lze naučit empiricky z naměřených dat trénovací vzory Jana Štanclová, jana.stanclova@ruk.cuni.cz 17/44
18 UČENÍ KLASIFIKÁTORU učení s učitelem učitel informace o správné kategorii či chybě klasifikace pro každý trénovací vzor učení bez učitele (klastrování) není známa správná kategorie či chyba klasifikace vytváření přirozených shluků vstupních vzorů Jana Štanclová, jana.stanclova@ruk.cuni.cz 18/44
19 ILUSTRAČNÍ PŘÍKLAD třídění ulovených ryb: losos mořský okoun Získání formálního popisu 1. snímání dat (např. kamerou) 2. předzpracování dat nastavení průměných intenzit světla odstranění pozadí izolace obrazu jediné ryby 3. extrakce vybraných příznaků Klasifikace rozhodnutí, co to je za rybu Jana Štanclová, 19/44
20 JAK UDĚLAT KLASIFIKÁTOR? 1 externí informace okouni jsou větší než lososi klasifikace délka ryby hledání kritické délky l* na základě trénovacích vzorů histogram délek?? Jana Štanclová, jana.stanclova@ruk.cuni.cz 20/44
21 JAK UDĚLAT KLASIFIKÁTOR? 1 externí informace okouni jsou větší než lososi klasifikace délka ryby hledání kritické délky l* na základě trénovacích vzorů histogram délek průměrně losos kratší jako samostatné kritérium to nestačí Jana Štanclová, jana.stanclova@ruk.cuni.cz 21/44
22 JAK UDĚLAT KLASIFIKÁTOR? 2 jiný příznak barva šupin ryby problém při předzpracování změna osvětlení může změnit barvu šupin hledání kritické světlosti x* na základě trénovacích vzorů Jana Štanclová, jana.stanclova@ruk.cuni.cz 22/44
23 JAK UDĚLAT KLASIFIKÁTOR? 2 jiný příznak barva šupin ryby problém při předzpracování změna osvětlení může změnit barvu šupin hledání kritické světlosti x* na základě trénovacích vzorů histogram světlosti šupin ryb lepší klasifikátor třídy lépe oddělené Jana Štanclová, jana.stanclova@ruk.cuni.cz 23/44
24 CENA ŠPATNÉHO ROZHODNUTÍ špatné rozhodnutí při klasifikaci kousek lososa v konzervě okouna může být kousek okouna v konzervě lososa špatné redukce počtu špatně klasifikovaných okounů řešení:?? Jana Štanclová, jana.stanclova@ruk.cuni.cz 24/44
25 CENA ŠPATNÉHO ROZHODNUTÍ špatné rozhodnutí při klasifikaci kousek lososa v konzervě okouna může být kousek okouna v konzervě lososa špatné redukce počtu špatně klasifikovaných okounů řešení: posunutí rozhodovací hranice do světlejších barev Jana Štanclová, jana.stanclova@ruk.cuni.cz 25/44
26 CENA ŠPATNÉHO ROZHODNUTÍ špatné rozhodnutí při klasifikaci kousek lososa v konzervě okouna může být kousek okouna v konzervě lososa špatné redukce počtu špatně klasifikovaných okounů řešení: posunutí rozhodovací hranice do světlejších barev teorie rozhodování celková cena spojená s rozhodnutím cíl: najít rozhodovací pravidlo minimalizující cenu klasifikace Jana Štanclová, jana.stanclova@ruk.cuni.cz 26/44
27 VÝBĚR VÍCE PŘÍZNAKŮ více příznaků x 1... barva šupin x 2... šířka ryby příznaky 2D-prostor příznaků rozdělení prostoru na dvě oblasti (oblast lososa a oblast okouna) Jana Štanclová, jana.stanclova@ruk.cuni.cz 27/44
28 VÝBĚR VÍCE PŘÍZNAKŮ více příznaků x 1... barva šupin x 2... šířka ryby příznaky 2D-prostor příznaků rozdělení prostoru na dvě oblasti (oblast lososa a oblast okouna) celková cena klasifikátoru menší než u jednoho příznaku Jana Štanclová, jana.stanclova@ruk.cuni.cz 28/44
29 DALŠÍ VÝVOJ KLASIFIKÁTORU 1. další příznaky - poloha očí, úhel hřbetní ploutve, komplexnější rozhodovací kritérium - ne přímka složitější křivka Jana Štanclová, jana.stanclova@ruk.cuni.cz 29/44
30 DALŠÍ VÝVOJ KLASIFIKÁTORU 1. další příznaky - poloha očí, úhel hřbetní ploutve, komplexnější rozhodovací kritérium - ne přímka složitější křivka Jana Štanclová, jana.stanclova@ruk.cuni.cz 30/44
31 DALŠÍ VÝVOJ KLASIFIKÁTORU 1. další příznaky - poloha očí, úhel hřbetní ploutve, komplexnější rozhodovací kritérium - ne přímka složitější křivka správná klasifikace známých ryb špatná klasifikace neznámých ryb problém generalizace klasifikátoru Jana Štanclová, jana.stanclova@ruk.cuni.cz 31/44
32 LEPŠÍ GENERALIZACE KLASIFIKÁTORU více trénovacích vzorů (pokud jsou k dispozici) lepší oddělení tříd nepožadovat příliš složitá rozhodovací kritéria trénovací data slabší výkon celková generalizace lepší Jana Štanclová, jana.stanclova@ruk.cuni.cz 32/44
33 LEPŠÍ GENERALIZACE KLASIFIKÁTORU více trénovacích vzorů (pokud jsou k dispozici) lepší oddělení tříd nepožadovat příliš složitá rozhodovací kritéria trénovací data slabší výkon celková generalizace lepší statistické rozpoznávání vzorů problém odhadnout, zda bude dobře generalizovat Jana Štanclová, jana.stanclova@ruk.cuni.cz 33/44
34 REPREZANTACE DAT typické reprezentace vektory reálných čísel uspořádaný seznam atributů,... dobrá reprezentace dat blízké vzory vedou ke stejné akci vzdálené vzory vedou k různé akci praxe malé množství příznaků jednodušší rozhodovací oblasti snadné naučení klasifikátoru nedostatečná data další znalost problematiky Jana Štanclová, jana.stanclova@ruk.cuni.cz 34/44
35 REPREZANTACE DAT typické reprezentace vektory reálných čísel uspořádaný seznam atributů,... dobrá reprezentace dat blízké vzory vedou ke stejné akci vzdálené vzory vedou k různé akci praxe malé množství příznaků jednodušší rozhodovací oblasti snadné naučení klasifikátoru nedostatečná data další znalost problematiky Jana Štanclová, jana.stanclova@ruk.cuni.cz 35/44
36 ILUSTRAČNÍ PŘÍKLAD 2 požadované vlastnosti příznaků invariance, odlišitelnost, nezávislost, úplnost,... protipříklad příznaky auto? barva logo třída: Ferrari auto?... ANO barva... červená logo... kůň Jana Štanclová, jana.stanclova@ruk.cuni.cz 36/44
37 ILUSTRAČNÍ PŘÍKLAD 2 požadované vlastnosti příznaků invariance, odlišitelnost, nezávislost, úplnost,... protipříklad příznaky auto? barva logo třída: Ferrari auto?... ANO barva... červená logo... kůň Jana Štanclová, jana.stanclova@ruk.cuni.cz 37/44
38 METODY ROZPOZNÁVÁNÍ Jana Štanclová, 38/44
39 METODY ROZPOZNÁVÁNÍ 1. statistické (příznakové) rozpoznávání objekt n-tice čísel n vybraných příznaků objekt = bod v n-rozměrném příznakovém prostoru volba reprezentace objektů body z jedné třídy kompaktní a dobře oddělitelné shluky v příznakovém prostoru 2. strukturální (syntaktické) rozpoznávání popis struktury mezi objekty častá reprezentace struktury gramatiky třída... gramatika vzor/objekt... slovo rozpoznávání... syntaktická analýza problém: zašuměná data Jana Štanclová, jana.stanclova@ruk.cuni.cz 39/44
40 METODY ROZPOZNÁVÁNÍ 1. statistické (příznakové) rozpoznávání objekt n-tice čísel n vybraných příznaků objekt = bod v n-rozměrném příznakovém prostoru volba reprezentace objektů body z jedné třídy kompaktní a dobře oddělitelné shluky v příznakovém prostoru 2. strukturální (syntaktické) rozpoznávání popis struktury mezi objekty častá reprezentace struktury gramatiky třída... gramatika vzor/objekt... slovo rozpoznávání... syntaktická analýza problém: zašuměná data Jana Štanclová, jana.stanclova@ruk.cuni.cz 40/44
41 SYSTÉMY NA ROZPOZNÁVÁNÍ VZORŮ 1. snímání 2. segmentace a shlukování izolování nasnímaných objektů od pozadí a jiných objektů 3. extrakce příznaků závislá na úloze měření vlastností/příznaků objektů pro klasifikaci podobné pro objekty stejné třídy invariantní vůči tranformacím a škálování (tvar, barva, druh textury,...) 4. klasifikace ohodnocení vstupních příznaků určení třídy složitost klasifikátoru podle různorodosti příznaků ve stejné třídě vliv šumu = vlastnost nasnímaných objektů bez vztahu ke skutečnému modelu náhodnost ve světě, na senzorech,... praxe: ne vždy lze zjistit hodnoty všech příznaků pro daný objekt 5. post-processing podle rozhodnutí klasifikátoru příslušné akce účinnost klasifikátoru = poměr chyby/ztráty minimalizace chyby Jana Štanclová, jana.stanclova@ruk.cuni.cz 41/44
42 SYSTÉMY NA ROZPOZNÁVÁNÍ VZORŮ 1. snímání 2. segmentace a shlukování izolování nasnímaných objektů od pozadí a jiných objektů 3. extrakce příznaků závislá na úloze měření vlastností/příznaků objektů pro klasifikaci podobné pro objekty stejné třídy invariantní vůči tranformacím a škálování (tvar, barva, druh textury,...) 4. klasifikace ohodnocení vstupních příznaků určení třídy složitost klasifikátoru podle různorodosti příznaků ve stejné třídě vliv šumu = vlastnost nasnímaných objektů bez vztahu ke skutečnému modelu náhodnost ve světě, na senzorech,... praxe: ne vždy lze zjistit hodnoty všech příznaků pro daný objekt 5. post-processing podle rozhodnutí klasifikátoru příslušné akce účinnost klasifikátoru = poměr chyby/ztráty minimalizace chyby Jana Štanclová, jana.stanclova@ruk.cuni.cz 42/44
43 NÁVRH KLASIFIKÁTORU 1. sběr dat trénovací/testovací data 2. výběr příznaků závisí zcela na daném problému využití apriorní informace 3. výběr modelu dány příznaky nalezení dobrého modelu 4. učení klasifikátoru parametry klasifikátoru (pomocí dat) 5. ohodnocení klasifikátoru nutnost zopakovat některé kroky klasifikátor málo naučen, špatná volba příznaků,... pozor na přeučení systému Jana Štanclová, 43/44
44 PŘÍBUZNÉ OBORY testování hypotéz hypotézu zamítnout či ne? image processing rotace obrázku, zvýšení kontrastu,... extrakce příznaků objekt/vzor hodnoty příznaků ztráta informace typicky nemožnost zpětné rekonstrukce klasifikace ještě radikálnější ztráta informace regrese/interpolace funkční popis s cílem predikovat hodnoty pro nové vstupy příklady známa změna délky lososa v závislosti na věku lososa pro první dva týdny života odvození závislosti od věku 2 týdnů do 2 let domněnka: délka lososa lineárně závislá na hmotnosti naměření hodnot a nalezení koeficientů regrese Jana Štanclová, jana.stanclova@ruk.cuni.cz 44/44
Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter
Úvod do zpracování obrazů Petr Petyovský Miloslav Richter 1 OBSAH Motivace, prvky a základní problémy počítačového vidění, pojem scéna Terminologie, obraz, zpracování a analýza obrazu, počítačové vidění,
VíceZískávání 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
VíceVyužití strojového učení k identifikaci protein-ligand aktivních míst
Využití strojového učení k identifikaci protein-ligand aktivních míst David Hoksza, Radoslav Krivák SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita
VíceVyužití 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
VícePočítače a grafika. Ing. Radek Poliščuk, Ph.D. Přednáška č.7. z předmětu
Ústav automatizace a informatiky Fakulta strojního inženýrství Vysoké učení technické v Brně Přednáška č.7. z předmětu Počítače a grafika Ing. Radek Poliščuk, Ph.D. 1/14 Obsahy přednášek Přednáška 7 Zpracování
VíceOCR systémy. Semestrální práce z předmětu Kartografická polygrafie a reprografie. Jakub Žlábek, Zdeněk Švec. Editor: Věra Peterová. Praha, květen 2010
Nejznámější Semestrální práce z předmětu Kartografická polygrafie a reprografie Autor: Editor: Věra Peterová Praha, květen 2010 Katedra mapování a kartografie Fakulta stavební ČVUT v Praze Nejznámější
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz LITERATURA Holčík, J.: přednáškové prezentace Holčík, J.: Analýza a klasifikace signálů.
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
VícePŘEDNÁŠKA KURZU MPOV
1 PŘEDNÁŠKA KURZU MPOV Strojové rozpoznávání kódů a znaků P. Petyovský (email: petyovsky@feec.vutbr.cz) kancelář SD3.152, Technická 12 2 rev. 2015.3 Pojmy a opakování Strojové čtení Braillova písma Popis
VíceÚVOD DO ROZPOZNÁVÁNÍ
ÚVOD DO ROZPOZNÁVÁNÍ 1/31 Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/ hlavac Osnova přednášky Modelování
VíceZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 13 0:40 Implementace Umělá inteligence (UI) Umělá inteligence
VíceBayesovská klasifikace digitálních obrazů
Výzkumný ústav geodetický, topografický a kartografický Bayesovská klasifikace digitálních obrazů Výzkumná zpráva č. 1168/2010 Lubomír Soukup prosinec 2010 1 Úvod V průběhu nedlouhého historického vývoje
VíceLBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015
LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 1 LBP 1 LBP Tato metoda, publikovaná roku 1996, byla vyvinuta za účelem sestrojení jednoduchého a výpočetně rychlého nástroje pro
VíceDálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU
Dálkový průzkum Země Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU Klasifikace obrazu Klasifikaci můžeme obecně definovat jako seskupování vzájemně si podobných prvků (entit) do
VíceÚvod do předmětu Technická Mineralogie
Úvod do předmětu Technická Mineralogie Jan.Machacek@vscht.cz Ústav skla a keramiky VŠCHT Praha +42-0- 22044-4151 1 Osnova přednášky Organizační plán přednášek a cvičení z TM Historie a současnost TM a
Vícepřetrénování = 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
VíceSIFT: Scale Invariant Feature Transform Automatické nalezení korespondencí mezi dvojicí obrázků
SIFT: Scale Invariant Feature Transform Automatické nalezení korespondencí mezi dvojicí obrázků lukas.mach@gmail.com Přílohy (videa, zdrojáky, ) ke stažení na: http://mach.matfyz.cz/sift Korespondence
VíceMarta Vomlelová marta@ktiml.mff.cuni.cz
Strojové učení Úvod, lineární regrese Marta Vomlelová marta@ktiml.mff.cuni.cz References [1] P. Berka. Dobývání znalostí z databází. Academia, 2003. [2] T. Hastie, R. Tishirani, and J. Friedman. The Elements
VíceExtrakce 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,
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceKorpusová lingvistika a počítačové zpracování přirozeného jazyka
Korpusová lingvistika a počítačové zpracování přirozeného jazyka Vladimír Petkevič & Alexandr Rosen Ústav teoretické a komputační lingvistiky Filozofické fakulty Univerzity Karlovy v Praze Korpusový seminář
VíceStrojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
VíceDETEKCE OBJEKTŮ POMOCÍ KINECTU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceStatistické metody v ekonomii. Ing. Michael Rost, Ph.D.
Statistické metody v ekonomii Ing. Michael Rost, Ph.D. Jihočeská univerzita v Českých Budějovicích Cíle kurzu: seznámit posluchače s vybranými statistickými metodami, které jsou aplikovatelné v ekonomických
VíceProtonační rovnováhy léčiv faktorovou analýzou a nelineární regresí absorbanční responzní plochy
Protonační rovnováhy léčiv faktorovou analýzou a nelineární regresí absorbanční responzní plochy Ing. Sylva Bordovská, Katedra analytické chemie, Univerzita Pardubice, 532 10 Pardubice, sylva.bordovska@seznam.cz
VíceRoman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30
Extrakce obrazových příznaků Roman Juránek Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 30 Motivace Účelem extrakce
VíceKatedra 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
VíceNásledující text je součástí učebních textů předmětu Bi0034 Analýza a klasifikace dat a je určen
11. Klasifikace V této kapitole se seznámíme s účelem, principy a jednotlivými metodami klasifikace dat, jež tvoří samostatnou rozsáhlou oblast analýzy dat. Klasifikace umožňuje určit, do které skupiny
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceAnalýza textury. Radim Šára Centrum strojového vnímání FEL ČVUT. DZO, R. Šára
Analýza textury Radim Šára Centrum strojového vnímání FEL ČVUT 1999 DZO, R. Šára DZO, R. Šára 1 Osnova prednášky 1. Co je to textura? 2. Motivační příklady. 3. Jak lze měřit vlastnosti textury? 4. Analytický
VíceVýukový materiál zpracován v rámci projektu EU peníze školám
Výukový materiál zpracován v rámci projektu EU peníze školám Název školy: Střední zdravotnická škola a Obchodní akademie, Rumburk, příspěvková organizace Registrační číslo projektu: CZ.1.07/1.5.00/34.0649
VíceVZTAH MEZI STATISTICKÝM A STRUKTURNÍM ROZPOZNÁVÁNÍM
VZTAH MEZI STATISTICKÝM A STRUKTURNÍM ROZPOZNÁVÁNÍM 1/46 Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/
VíceDetekce obličeje v obraze s využitím prostředí MATLAB
Detekce obličeje v obraze s využitím prostředí MATLAB T. Malach, P. Bambuch, J. Malach EBIS, spol. s r.o. Příspěvek se zabývá detekcí obličeje ve statických obrazových datech. Algoritmus detekce a trénování
VíceStrojové 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
VíceVolitelná výpočetní technika
školní vzdělávací program ŠKOLNÍ VZDĚLÁVACÍ PROGRAM DR. J. PEKAŘE V MLADÉ BOLESLAVI PLACE HERE ŠKOLNÍ VZDĚLÁVACÍ PROGRAM DR. J. PEKAŘE V MLADÉ BOLESLAVI Název školy Adresa Palackého 211, Mladá Boleslav
VíceFakulta informačních technologíı. Extrakce obrazových příznaků 1 / 39
Extrakce obrazových příznaků Ing. Aleš Láník, Ing. Jiří Zuzaňák Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 39
VíceKYBERNETIKA A UMĚLÁ INTELIGENCE. 2. Pravděpodobnostní rozhodování a klasifikace
KYBERNETIKA A UMĚLÁ INTELIGENCE 2. Pravděpodobnostní rozhodování a klasifikace laboratory Gerstner Gerstnerova laboratoř katedra kybernetiky fakulta elektrotechnická ČVUT v Praze Daniel Novák Poděkování:
VícePočítačové vidění vs. digitální zpracování obrazu Digitální obraz a jeho vlastnosti
Počítačové vidění vs. digitální zpracování obrazu Digitální obraz a jeho vlastnosti 1/32 Václav Hlaváč Fakulta elektrotechnická ČVUT, katedra kybernetiky Centrum strojového vnímání, Praha hlavac@fel.cvut.cz
VícePolicejní akademie České republiky v Praze BEZPEČNOST INFORMACÍ
Policejní akademie České republiky v Praze Fakulta bezpečnostního managementu PRŮVODCE KOMBINOVANÝM STUDIEM Metodická studijní opora BEZPEČNOST INFORMACÍ Bakalářský studijní program Veřejná správa, studijní
VíceGymnázium Vincence Makovského se sportovními třídami Nové Město na Moravě
VY_32_INOVACE_INF_BU_16 Sada: Digitální fotografie Téma: Základní barevné úpravy Autor: Mgr. Miloš Bukáček Předmět: Informatika Ročník: 3. ročník osmiletého gymnázia, třída 3.A Využití: Prezentace určená
VíceZáklady matematické statistiky
r- MATEMATICKO-FYZIKÁLNí FAKULTA UNIVERZITY KARLOVY V PRAZE Jifí Andel Základy matematické statistiky matfyzpress PRAHA 2011 r I Obsah Predmluva. 11 1 Náhodné veličiny 1.1 Základní pojmy 1.2 Príklady diskrétních
VíceMinkowského operace a jejich aplikace
KMA FAV ZČU Plzeň 1. února 2012 Obsah Aplikace Minkowského suma Minkowského rozdíl Minkowského součin v E 2 Minkowského součin kvaternionů Akce 22. 6. 1864-12. 1. 1909 Úvod Použití Rozmist ování (packing,
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
VíceCGI. Computer generated imagery Počítačové triky Animované filmy Počítačové hry. Technologické trendy v AV tvorbě, CGI 2
CGI Computer generated imagery Počítačové triky Animované filmy Počítačové hry Technologické trendy v AV tvorbě, CGI 2 CGI Šíření světla v prostoru Možnosti simulace šíření v PC Pohyby CGI objektů Technologické
VíceDrsná matematika IV 7. přednáška Jak na statistiku?
Drsná matematika IV 7. přednáška Jak na statistiku? Jan Slovák Masarykova univerzita Fakulta informatiky 2. 4. 2012 Obsah přednášky 1 Literatura 2 Co je statistika? 3 Popisná statistika Míry polohy statistických
VíceStatistické metody v digitálním zpracování obrazu. Jindřich Soukup 3. února 2012
Statistické metody v digitálním zpracování obrazu Jindřich Soukup 3. února 2012 Osnova Úvod (Neparametrické) odhady hustoty pravděpodobnosti Bootstrap Použití logistické regresi při klasifikaci Odhady
VíceIBM SPSS Decision Trees
IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích
Více2 Rekonstrukce ze dvou kalibrovaných pohledů
24. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE ŠÁRKA VORÁČOVÁ APLIKACE EPIPOLÁRNÍ GEOMETRIE Abstrakt Epipolární geometrie je geometrií dvou středových promítání. Je teoretickým základem pro určení vztahu
VíceÚstav technologie, mechanizace a řízení staveb. Teorie měření a regulace. strojové vidění. p. 3q. ZS 2015/2016. 2015 - Ing. Václav Rada, CSc.
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace strojové vidění p. 3q. ZS 2015/2016 2015 - Ing. Václav Rada, CSc. foto-snímače Obrazová analýza je proces, který lidstvo využívalo
VícePříloha č. 1: Mechanické zábranné prostředky - písm. a) 30 zákona. Bezpečnostní úschovné objekty
Příloha č. 1: Mechanické zábranné prostředky - písm. a) 30 zákona Příloha č. 1.1: Bezpečnostní úschovné objekty a jejich zámky Příloha č. 1.1 Bezpečnostní úschovné objekty Výstup Certifikát shody podle
VíceZáklady kompozice. 1. Rovnováha. 2. Symetrie
Základy kompozice Kompozici je možné definovat jako uspořádání prvků na určitém ohraničeném prostoru-plátně, obrazovce monitoru nebo třeba ve výkladní skříni. Jejím úkolem je zejména "vést" oko, tedy poskytnout
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceRobustní odhady statistických parametrů
Robustní odhady statistických parametrů ěkdy pracují dobře, jinde ne. Typická data - pozorování BL Lac 100 mag 40 0 0.41 0.40 JD date 0.39 0.38 0.38223-1.586 0.017 0.40550-1.530 0.019 0.39453-1.610 0.024
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 1. Úvod, základní pojmy Mgr. David Fiedor 16. února 2015 Osnova 1 Úvod - organizace výuky 2 3 Struktura přednášek Úvod, základní pojmy Popisná statistika Teoretická rozdělení
VíceJak je důležité být fuzzy
100 vědců do SŠ 1. intenzivní škola Olomouc, 21. 22. 6. 2012 Jak je důležité být fuzzy Libor Běhounek Ústav informatiky AV ČR 1. Úvod Klasická logika Logika se zabývá pravdivostí výroků a jejím přenášením
VíceMatematika a fyzika. René Kalus KAM, FEI, VŠB-TUO
Matematika a fyzika René Kalus KAM, FEI, VŠB-TUO Úvod Příroda k nám promlouvá řečí matematiky Galileo Galilei Úvod Philosophy is written in this grand book I mean the universe It is written in the language
VíceVyužití velkoplošné vizualizace v
Využití velkoplošné vizualizace v neurovědách Jan Fousek Fakulta informatiky, Masarykova univerzita 3. června 2015 Osnova vizualizace výsledků analýzy experimentálních měření prohĺıžení velkoobjemových
VíceZÁKLADNÍ ŠKOLA NOVÁ ROLE, OKRES KARLOVY VARY. Prověřovací práce z českého jazyka pro 7. ročník ZŠ. t ř i č t v r t ě l e t n í (pracovní list)
ZÁKLADNÍ ŠKOLA NOVÁ ROLE, OKRES KARLOVY VARY JAZYK A JAZYKOVÁ KOMUNIKACE ČESKÝ JAZYK A LITERATURA Prověřovací práce z českého jazyka pro 7. ročník ZŠ t ř i č t v r t ě l e t n í (pracovní list) VY_32_INOVACE_Cj_LI_18
VíceITS. Technická zpráva - FIT - VG20102015006-2011 - 05. Faculty of Information Technology, Brno University of Technology
ITS Technická zpráva - FIT - VG20102015006-2011 - 05 ing. Aleš Láník, ing. Petr Nohejl, ing. Jiří Král, Martin Kolář M.Sc. Faculty of Information Technology, Brno University of Technology 1.12.2011 Obsah
VíceRobustní statistické metody
Populární úvod Ústav teoretické fyziky a astrofyziky, MU Brno 28. říjen 2006, Vlašim O co jde? Robustní znamená: necitlivý k malým odchylkám od ideálních předpokladů na který je metoda odhadu optimalizována.
VíceFinanční. matematika pro každého. f inance. 8. rozšířené vydání. věcné a matematické vysvětlení základních finančních pojmů
Finanční matematika pro každého 8. rozšířené vydání J. Radová, P. Dvořák, J. Málek věcné a matematické vysvětlení základních finančních pojmů metody pro praktické rozhodování soukromých osob i podnikatelů
VíceText úlohy. Kolik je automaticky generovaných barev ve standardní paletě 3-3-2?
Úloha 1 Kolik je automaticky generovaných barev ve standardní paletě 3-3-2? a. 256 b. 128 c. 216 d. cca 16,7 milionu Úloha 2 Jaká je výhoda adaptivní palety oproti standardní? a. Menší velikost adaptivní
VíceMikroskopická obrazová analýza
Návod pro laboratorní úlohu z měřicí techniky Práce O1 Mikroskopická obrazová analýza 0 1 Úvod: Tato laboratorní úloha je koncipována jako seznámení se s principy snímání mikroskopických obrazů a jejich
VíceKONSTRUKCE (DESIGN) Ing. Lukáš Procházka. Střední průmyslová škola na Proseku. Novoborská 2, 190 00 Praha 9. 1S Design výrobků 5-1.
Střední průmyslová škola na Proseku Novoborská 2, 190 00 Praha 9 KONSTRUKCE (DESIGN) - konstrukce - konstrukční zásady - redundance Ing. Lukáš Procházka 1S Design výrobků 5-1 Antropomorfní forma - lidé
VícePotenciometrické stanovení disociační konstanty
Potenciometrické stanovení disociační konstanty TEORIE Elektrolytická disociace kyseliny HA ve vodě vede k ustavení disociační rovnováhy: HA + H 2O A - + H 3O +, kterou lze charakterizovat disociační konstantou
VíceKlasifikace předmětů a jevů
Klasifikace předmětů a jevů 1. Úvod Rozpoznávání neboli klasifikace je základní znak lidské činnosti. Rozpoznávání (klasifikace) předmětů a jevů spočívá v jejich zařazování do jednotlivých tříd. Třídou
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
VíceProjektové řízení a rizika v projektech
Projektové řízení a rizika v projektech Zainteresované strany Zainteresované strany (tzv. stakeholders) jsou subjekty (organizace, lidé, prostory, jiné projekty), které realizace projektu ovlivňuje. Tyto
VíceNázev: Pozorování a měření emisních spekter různých zdrojů
Název: Pozorování a měření emisních spekter různých zdrojů Autor: Doc. RNDr. Milan Rojko, CSc. Název školy: Gymnázium Jana Nerudy, škola hl. města Prahy Předmět, mezipředmětové vztahy: fyzika, chemie Ročník:
VíceGeoinformatika. VI Transformace dat
VI Transformace dat jaro 2017 Petr Kubíček kubicek@geogr.muni.cz Laboratory on Geoinformatics and Cartography (LGC) Institute of Geography Masaryk University Czech Republic Atributová data Způsoby vstupu
Více2. Konceptuální model dat, E-R konceptuální model
2. Konceptuální model dat, E-R konceptuální model Úvod Databázový model souhrn prostředků, pojmů a metod, jak na logické úrovni popsat data a jejich strukturu výsledkem je databázové schéma. Databázové
VíceDolování 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:
VíceEVA VOLNÁ MARTIN KOTYRBA MICHAL JANOŠEK VÁCLAV KOCIAN
Doc. RNDr. PaedDr. Eva Volná, PhD. RNDr. Martin Kotyrba, Ph.D. RNDr. Michal Janošek, Ph.D. Mgr. Václav Kocian UMÌLÁ INTELIGENCE Rozpoznávání vzorù v dynamických datech Praha 2014 Anotace: Cílem knihy je
VíceHistogram a jeho zpracování
Histogram a jeho zpracování 3. přednáška předmětu Zpracování obrazů Martina Mudrová 24 Definice Co je to histogram? = vektor absolutních četností výskytu každé barvy v obrázku [H(1),H(2), H(c)] c m.n c
VícePopis objektů. Karel Horák. Rozvrh přednášky:
1 / 41 Popis objektů Karel Horák Rozvrh přednášky: 1. Úvod.. Příznakový vektor. 3. Příznakový prostor. 4. Členění příznaků. 5. Identifikace oblastí. 6. Radiometrické deskriptory. 7. Fotometrické deskriptory.
VíceHistogram a jeho zpracování
... 3.. 5.. 7.. 9 Histogram a jeho zpracování 3. přednáška předmětu Zpracování obrazů Martina Mudrová Definice Co je to histogram? = vektor absolutních četností výskytu každé barvy v obrázku [H(),H(),
VíceROZPOZNÁVÁNÍ Úvod, vymezení hřiště
ROZPOZNÁVÁNÍ Úvod, vymezení hřiště Václav Hlaváč České vysoké učení technické v Praze Český institut informatiky, robotiky a kybernetiky 166 36 Praha 6, Jugoslávských partyzánů 1580/3 http://people.ciirc.cvut.cz/hlavac,
VíceOptika v počítačovém vidění MPOV
Optika v počítačovém vidění MPOV Rozvrh přednášky: 1. osvětlení 2. objektivy 3. senzory 4. další související zařízení Princip pořízení a zpracování obrazu Shoda mezi výsledkem a realitou? Pořízení obrazu
VíceAnalýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce
Analýza dat v GIS Dotazy na databáze Prostorové Atributové Překrytí Overlay Mapová algebra Vzdálenostní funkce Euklidovské vzdálenosti Oceněné vzdálenosti Funkce souvislosti Interpolační funkce Topografické
VíceObsah. Seznámení s prostředím Excelu. Poděkování 25 O přiloženém CD 26 Co je na CD 26 Použití CD 26 Systémové požadavky 26 Podpora 27
Obsah Poděkování 25 O přiloženém CD 26 Co je na CD 26 Použití CD 26 Systémové požadavky 26 Podpora 27 Konvence použité v této knize 28 Textové konvence 28 Grafické konvence 28 ČÁST 1 Seznámení s prostředím
VíceSurfels: Surface Elements as Rendering Primitives
Surfels: Surface Elements as Rendering Primitives Výzkum v počítačové grafice Martin Herodes Nevýhody plošných primitiv Reprezentace složitých objektů pomocí plošných primitiv (trojúhelníků, čtyřúhelníků
VíceKROKY PŘI PŘÍPRAVĚ A REALIZACI DOTAZNÍKOVÉHO ŠETŘENÍ
KROKY PŘI PŘÍPRAVĚ A REALIZACI DOTAZNÍKOVÉHO ŠETŘENÍ Mgr. Jan URBAN Jan.Urban@czp.cuni.cz Letní škola Jizerské hory 2005 POSTUP PREZENTACE Úvod Příprava výzkumu Předvýzkum Operacionalizace hypotéz a tvorba
VíceElektřina a magnetismus UF/01100. Základy elektřiny a magnetismu UF/PA112
Elektřina a magnetismus UF/01100 Rozsah: 4/2 Forma výuky: přednáška Zakončení: zkouška Kreditů: 9 Dop. ročník: 1 Dop. semestr: letní Základy elektřiny a magnetismu UF/PA112 Rozsah: 3/2 Forma výuky: přednáška
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
Více37MK Václav KOUŘIL Wifi sítě šíření signálu, realizace Wifi síť je bezdrátová, standardizovaná podle doporučení IEEE. Nejčastěji se setkáváme se sítí standardizovanou doporučením IEEE 802.11b, pracující
VíceŢELVÍ GRAFIKA VE VISUAL BASIC
ŢELVÍ GRAFIKA VE VISUAL BASIC TURTLE GEOMETRY IN THE VISUAL BASIC Jan LAVRINČÍK, ČR ÚVOD V současné době se stala výuka moderních informačních a komunikačních technologií standardním nástrojem a trendem
Více3D REKONSTRUKCE ARCHITEKTURY DAVID SEDLÁČEK
3D REKONSTRUKCE ARCHITEKTURY DAVID SEDLÁČEK Měření ve fotografii 3D rekonstrukce architektury Simulace osvětlení reálných budov a interiérů Situování budovy do okolí Návrh přestavby části budovy Vygenerování
VíceRozhodovací stromy a lesy
Rozhodovací stromy a lesy Klára Komprdová Leden 2012 Příprava a vydání této publikace byly podporovány projektem ESF č. CZ.1.07/2.2.00/07.0318 Víceoborová inovace studia Matematické biologie a státním
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceTIM - Test pro Identifikaci nadaných žáků v Matematice Kreativita při řešení matematických úloh
TIM - Test pro Identifikaci nadaných žáků v Matematice Kreativita při řešení matematických úloh Hynek Cígler, Michal Jabůrek, Dana Juhová, Šárka Portešová, Ondřej Straka Katedra psychologie, Fakulta sociálních
VícePokroky matematiky, fyziky a astronomie
Pokroky matematiky, fyziky a astronomie Emil Calda; Oldřich Odvárko Speciální třídy na SVVŠ v Praze pro žáky nadané v matematice a fyzice Pokroky matematiky, fyziky a astronomie, Vol. 13 (1968), No. 5,
Více1/36 ZÁZNAMOVÝ ARCH. Základní škola Dačice, Komenského 7, okr. Jindřichův Hradec, 380 01 Dačice
Český jazyk a literatura VY_32_ZAZNAM_01.1.CJ.3 Tvrdé a měkké slabiky Dana Vláčilová 3 VY_32_ZAZNAM_02.1.CJ.3 Doplň u-ú-ů Dana Vláčilová 3 VY_32_ZAZNAM_03.1.CJ.3 Souhlásky uprostřed a na konci Dana Vláčilová
VíceRNDr. Tomáš Pavlík, PhD. RNDr. Jiří Jarkovský, PhD. Doc. RNDr. Ladislav Dušek, PhD. Ústav zdravotnických informací a statistiky České republiky
Metodika vı cerozme rne analy zy Na rodnı ho registru hospitalizovany ch za u c elem vy be ru reprezentativnı sı te poskytovatelu zdravotnı ch sluz eb CČR RNDr. Tomáš Pavlík, PhD. RNDr. Jiří Jarkovský,
VícePřednáška VŠFS 2012. Koncepty a řízení firemního nákupu. Historie, definice, cíle a trendy moderního řízení dodavatelských vztahů
Přednáška VŠFS 2012 Koncepty a řízení firemního nákupu Historie, definice, cíle a trendy moderního řízení dodavatelských vztahů O čem to bude Část I. Teorie Cíle a definice Vymezení profesionálního nákupu
VíceCZ.1.07/2.3.00/30.0065
Textilní fakulta Technické univerzity v Liberci vypisuje v rámci projektu Podpora tvorby excelentních výzkumných a vývojových týmů na Technické univerzitě v Liberciˮ, reg. č. CZ.1.07/2.3.00/30.0065 výběrové
VíceFakulta 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
VíceTeorie hromadné obsluhy
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopravní Semestrální práce z předmětu Teorie hromadné obsluhy Porovnání způsobů obsluhy v restauraci McDonald s SAVARIN v Praze Jméno: Bc. Jana Jirků Akademický
VícePočítačová grafika 1. Úvod do grafiky, základní pojmy. Rastrová grafika.
Počítačová grafika 1 Úvod do grafiky, základní pojmy. Rastrová grafika. Proč vůbec grafika? Zmrzlinový pohár s převažující červenou barvou. Základem je jahodová zmrzlina, která se nachází ve spodní části
VícePočítačová analýza lekařských dat
Počítačová analýza lekařských dat Václav Krajíček Department of Software and Computer Science Education Faculty of Mathematics and Physics Charles University Osnova Medicína a počítače Lékařské zobrazovací
Více