ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
|
|
- Vladislav Dostál
- před 7 lety
- Počet zobrazení:
Transkript
1 ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz
2 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ čtvrtek 21. V Mezidruhová komunikace aneb jak rozumět některým pojmům Aplikace pátek 22. V studentská soutěž sobota 23. V. 2009
3 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ čtvrtek 21. V Mezidruhová komunikace aneb jak rozumět některým pojmům 8:15 9:00 Úvod o tom, jak si dvě velice blízké oblasti často nerozumějí - prof. Ing. Jiří Holčík, CSc. (IBA MU) 9:00 9:15 přestávka 9:15 10:45 Vzorkování - prof. Ing. Jiří Holčík, CSc. (IBA MU) 10:45 11:00 přestávka 11:00 12:30 Lineární systémy a modely časových řad - Ing. Daniel Schwarz, Ph.D. (IBA MU) 12:30 14:00 oběd 14:00 15:30 Predikce - Ing. Daniel Schwarz, Ph.D., prof. Ing. Jiří Holčík, CSc., RNDr. Jiří Jarkovský, Ph.D., Mgr. Klára Kubošová (IBA MU) 15:30 15:45 přestávka 15:45 17:00 Korelace - prof. Ing. Jiří Holčík, CSc. (IBA MU)
4 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ pátek 22. V Aplikace 8:00 9:30 Metody analýzy 3-D obrazů z magnetické rezonance v neuropsychiatrickém výzkumu - Ing. Daniel Schwarz, Ph.D. (IBA MU) 9:30 9:45 přestávka 9:45 11:15 Využití metod analýzy obrazů v oftalmologii - Ing. Radim Kolář, Ph.D. (ÚBMI FEKT VUT v Brně) 11:15 12:30 oběd 12:30 14:00 Modelování a analýza signálů v perfúzním zobrazení - Ing. Radovan Jiřík, Ph.D. (ÚBMI FEKT VUT v Brně) 14:00 14:15 přestávka 14:15 15:45 Modelování soft systémů - prof. RNDr. Jiří Hřebíček, CSc. (IBA MU) 16:00 - podvečerní a večerní RAUT na terase se vzduchotechnikou a lampióny
5 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ KAPITOLA I. ÚVOD O TOM, JAK SI DVĚ VELICE BLÍZKÉ OBLASTI ČASTO NEROZUMĚJÍ Jiří Holčík INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
6 MATEMATICKÁ BIOLOGIE
7 MATEMATICKÁ BIOLOGIE matematické modelování zpracování signálů
8 MATEMATICKÁ BIOLOGIE matematické modelování zpracování signálů
9 MATEMATICKÁ BIOLOGIE matematické modelování DETERMINISTICKÝ zpracování SVĚT signálů NEDETERMINISTICKÝ SVĚT
10 matematické modelování zpracování signálů
11 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT (ZDROJ INFORMACE)
12 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT (ZDROJ INFORMACE)
13 ZÁKLADNÍ KONCEPT K čemu ta informace bude?
14 ZÁKLADNÍ KONCEPT abychom dokázali říct, co to je za objekt (rozpoznání, klasifikace, ); abychom dokázali posoudit jeho stav (O.K., hypertenze, epilepsie, exitus, úroveň nebezpečí vyplývající z chemického zamoření dané lokality, ); abychom dokázali předpovědět budoucnost objektu (lze léčit a vyléčit, ocenit finanční nároky léčení po dobu přežití, les do 20 let odumře, sociální složení obyvatelstva v daném časovém rozpětí, );
15 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT HODNOTÍCÍ VÝROK
16 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT HODNOTÍCÍ VÝROK MĚŘENÍ DATA ZPRACOVÁNÍ
17 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT HODNOTÍCÍ VÝROK MĚŘENÍ DATA ZPRACOVÁNÍ
18 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT HODNOTÍCÍ VÝROK MĚŘENÍ DATA (UŽITEČNÁ SLOŽKA + BALAST) ZPRACOVÁNÍ
19 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT HODNOTÍCÍ VÝROK MĚŘENÍ DATA (UŽITEČNÁ SLOŽKA + BALAST) ZPRACOVÁNÍ
20 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT HODNOTÍCÍ VÝROK MĚŘENÍ DATA (UŽITEČNÁ SLOŽKA + BALAST) ZPRACOVÁNÍ
21 ZÁKLADNÍ KONCEPT REÁLNÝ OBJEKT PŘÍČINNÝ DETERMINISTICKÝ VZTAH HODNOTÍCÍ VÝROK MĚŘENÍ DATA (UŽITEČNÁ SLOŽKA + BALAST) ZPRACOVÁNÍ
22 ZÁKLADNÍ KONCEPT PŘÍČINNÝ DETERMINISTICKÝ VZTAH ZAMILOVANÝ GARFIELD MĚŘENÍ DATA (UŽITEČNÁ SLOŽKA + BALAST) ZPRACOVÁNÍ
23 CÍL L VŠECH V MOŽNÝCH ANALÝZ ODHALIT TEN PŘÍČINNÝ DETERMINISTICKÝ VZTAH NAVZDORY VŠEMU TOMU, CO NÁM M TO ODHALENÍ
24 ZÁKLADNÍ SCHÉMA ZPRACOVÁNÍ DAT ZPRACOVÁNÍ PŘED ZPRACOVÁNÍ ANALÝZA KLASIFIKACE UČENÍ VOLBA ELEMENTŮ PRO ANALÝZU NASTAVENÍ ROZHODOVACÍHO PRAVIDLA
25 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování vzorkovací teorém x plánování experimentů, resp. výběr z populace;
26 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování způsob vyjádření - primární vs. sekundární oblast popisu
27 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování způsob vyjádření - primární vs. sekundární oblast popisu statická data - vyjadřují stav zdroje bez potřeby popsat jeho dynamiku (zdroj buď není dynamický nebo dynamika není důležitá očekávané změny probíhají pomaleji než důsledky analýzy (i na základě znalosti pouze statického stavu může být predikována budoucnost)
28 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování způsob vyjádření - primární vs. sekundární oblast popisu statická data - vyjadřují stav zdroje bez potřeby popsat jeho dynamiku (zdroj buď není dynamický nebo dynamika není důležitá očekávané změny probíhají pomaleji než důsledky analýzy
29 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování způsob vyjádření - primární vs. sekundární oblast popisu dynamická data vyjadřují změny stavu zdroje data musí být uspořádána (v čase, prostoru, ještě nějak jinak?) signály, časové řady, ale třeba i obrázky a kino
30 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování způsob vyjádření - primární vs. sekundární oblast popisu dynamická data vyjadřují změny stavu zdroje data musí být uspořádána (v čase, prostoru, ještě nějak jinak?) signály, časové řady JAK POPISUJEME DYNAMICKÁ DATA A JEJICH VLASTNOSTI? deterministická x náhodná, vlastnosti náhodných dat rozložení, nezávislost, stacionarita, ergodicita, korelace, kovariance,
31 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování způsob vyjádření - primární vs. sekundární oblast popisu primární oblast to je originální vyjádření, jak ta data měříme; sekundární oblast nějak transformovaná data (např. frekvenční vyjádření frekvenční spektrum), ovšem bez ztráty informace (! - lze beze zbytku obnovit původní reprezentaci)
32 PŘEDZPRACOVÁNÍ převod z původní analogové reprezentace do číslicové - vzorkování způsob vyjádření - primární vs. sekundární oblast popisu primární oblast to je originální vyjádření, jak ta data měříme; sekundární oblast nějak transformovaná data (např. frekvenční vyjádření frekvenční spektrum amplitudové, fázové nebo výkonové spektrum, časově frekvenční transformace, spektra vyšších řádů)
33 PŘEDZPRACOVÁNÍ čištění (filtrace) dat odstranění rušení (šumu)(?), resp. zvýraznění užitečné složky jaké máme informace o vlastnostech užitečné, resp. rušivé složky dat? plánování experimentů odstraňování odlehlých vzorků frekvenční separabilita lineárníčasově invariantní frekvenční filtry x Boxova-Jenkinsova terminologie (AR x MA x ARMA x ARIMA x ); korelace užitečné a rušivé složky zprůměrňování (zprůměrování repetičních dat x klouzavé průměry); adaptivní filtrace souhlasná filtrace optimální wienerovská filtrace, Kalmánův filtr
34 PŘEDZPRACOVÁNÍ redukce dat odstranění redundantní, resp. irelevantní složky dat; vratná redukce dat data lze obnovit polynomiální predikční, interpolační, diferenční algoritmy, kódování s minimální redundancí; nevratná redukce dat toleranční reprezentace dat polynomiální, pomocí řad, časově-frekvenční transformace; Karhunenova-Loévova transformace (rozklad podle vlastních čísel - SVD) teoretický základ analýzy hlavních komponent PCA, analýza nezávislých komponent - ICA;
35 PŘEDZPRACOVÁNÍ redukce dat odstranění redundantní, resp. irelevantní složky dat; rekonstrukce a doplnění chybějících údajů interpolace polynomiální, rozklad do řad, ; pomocí modelu sledovaného procesu; na základě statistických vlastností; predikce polynomiální extrapolace; predikce pomocí lineárních systémů; pomocí modelu sledovaného procesu; na základě statistických vlastností;
36 PŘEDZPRACOVÁNÍ redukce dat odstranění redundantní, resp. irelevantní složky dat; rekonstrukce a doplnění chybějících údajů interpolace polynomiální, rozklad do řad, ; pomocí modelu sledovaného procesu; na základě statistických vlastností; predikce zvláštní disciplina na jedné straně souvisí s rekonstrukcí, na druhé straně je jí třeba při redukci dat, na třetí často se tento pojem plete i do klasifikace (opravdu?)
37 ANALÝZA Analýza (z řečtiny rozbor, rozčlenění) je metoda založená na dekompozici celku na elementární části. Cílem analýzy je identifikovat podstatné a nutné vlastnosti elementárních částí celku, poznat jejich podstatu a zákonitosti.
38 ANALÝZA Analýza (z řečtiny rozbor, rozčlenění) je metoda založená na dekompozici celku na elementární části. Cílem analýzy je identifikovat podstatné a nutné vlastnosti elementárních částí celku, poznat jejich podstatu a zákonitosti. URČENÍ VÝZNAMNÝCH POPISNÝCH ELEMENTŮ (proměnných - příznaků, strukturálních prvků) volba - co vůbec zjišťovat a čím se přitom řídit např. na základě empirie, ale třeba i pomocí matematických modelů; výběr - jak si vybrat to nejlepší z toho, co jsme zvolili;
39 výběr příznaků ANALÝZA určují se vhodné příznakové proměnné selekce nalezení těch příznakových funkcí, které nejvíc přispívají k separabilitě klasifikačních (diagnostických, ) tříd (používané míry, algoritmy, );
40 výběr příznaků ANALÝZA určují se vhodné příznakové proměnné selekce nalezení těch příznakových funkcí, které nejvíc přispívají k separabilitě klasifikačních (diagnostických, ) tříd (používané míry, algoritmy, ); extrakce - transformace původních příznakových proměnných na jiné informativnější proměnné PCA, ICA, Fisherův algoritmus, faktorová analýza
41 KLASIFIKACE zařazení do diagnostických kategorií klasifikace podle diskriminačních funkcí příznakové x strukturální klasifikátory s učitelem x bez učitele
42 KLASIFIKACE zařazení do diagnostických kategorií klasifikace podle diskriminačních funkcí příznakové x strukturální klasifikátory s učitelem (známe klasifikační třídy) paralelní klasifikace bayesovské klasifikátory minimálnístřední ztráta, minimální pravděpodobnosti chyby, maximální aposteriorní pravděpodobnosti; fuzzy klasifikátory klasifikace podle minimální vzdálenosti jaké? metriky mezi obrazy, mezi třídami algoritmus podpůrných vektorů (SVM); neuronové sítě
43 KLASIFIKACE zařazení do diagnostických kategorií klasifikace podle diskriminačních funkcí příznakové x strukturální klasifikátory s učitelem (známe klasifikační třídy) sekvenční klasifikace Waldovo, Reedovo kritérium klasifikační stromy lesy
44 KLASIFIKACE zařazení do diagnostických kategorií klasifikace podle diskriminačních funkcí příznakové x strukturální klasifikátory bez učitele (klasifikační třídy neznáme) shlukování hierarchické (aglomerativní, divizivní); nehierarchické (optimalizační zachovávající počet shluků, s proměnným počtem shluků; neoptimalizační)
45 učení klasifikátorů KLASIFIKACE určovánívlastností(pravděpodobnostních, fuzzy, ) dat hustoty pravděpodobnosti, apriorní pravděpodobnosti, míry příslušnosti; učení neuronových sítí
46 učení klasifikátorů KLASIFIKACE určovánívlastností(pravděpodobnostních, fuzzy, ) dat hustoty pravděpodobnosti, apriorní pravděpodobnosti, míry příslušnosti;; učení neuronových sítí hodnocení kvality klasifikátorů senzitivita, specificita, prediktivita, ROC charakteristiky
47 CO S TÍM? T
48 CO S TÍM? T NAUČME SE ROZUMĚT SI NAVZÁJEM
ANALÝZA 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.
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
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady, vlastnosti Vzorkovací
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz KDE A KDY SE BUDEME VÍDAT? KDE A KDY SE BUDEME VÍDAT? přednášky: středa 8-10 hod., UKB, A29, 3NP, PC učebna RCX2 cvičení:
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
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
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
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
VíceIng. 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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VII. SYSTÉMY ZÁKLADNÍ POJMY SYSTÉM - DEFINICE SYSTÉM (řec.) složené, seskupené (v
Víceanalýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VícePokročilé neparametrické metody. Klára Kubošová
Pokročilé neparametrické metody Klára Kubošová Pokročilé neparametrické metody Výuka 13 přednášek doplněných o praktické cvičení v SW Úvod do neparametrických metod + princip rozhodovacích stromů Klasifikační
VíceLineární a adaptivní zpracování dat. 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY
Lineární a adaptivní zpracování dat 1. ÚVOD: SIGNÁLY, ČASOVÉ ŘADY a SYSTÉMY Daniel Schwarz Investice do rozvoje vzdělávání Osnova Úvodní informace o předmětu Signály, časové řady klasifikace, příklady,
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cziba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz II. SIGNÁLY ZÁKLADNÍ POJMY SIGNÁL - DEFINICE SIGNÁL - DEFINICE Signál je jev fyzikální, chemické, biologické, ekonomické či jiné
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
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
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
VíceÚvod do medicínské informatiky pro Bc. studium. 6. přednáška
Metody zpracování biosignálů 6. přednáška 1 Biosignály Živé objekty produkují signály biologického původu. Tyto signály mohou být elektrické (např. elektrické potenciály vznikající při svalové činnosti),
VíceElektronická podpora výuky na ÚBMI
Závěrečná zpráva rozvojového projektu Elektronická podpora výuky na ÚBMI MŠMT č. 645 Odpovědný řešitel: Prof. Ing. Jiří Holčík, CSc. ČVUT v Praze - FBMI Kladno, leden 2006 Vyhodnocení splněných cílů a
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
VíceANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
VíceBiofyzikální ústav LF MU Brno. jarní semestr 2011
pro obor Ošetřovatelská péče v gerontologii Biofyzikální ústav LF MU Brno jarní semestr 2011 Obsah letmý dotyk teorie systémů klasifikace a analýza biosignálů Co je signál? Co je biosignál? Co si počít
VíceMěření závislosti statistických dat
5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceA/D převodníky - parametry
A/D převodníky - parametry lineární kvantování -(kritériem je jednoduchost kvantovacího obvodu), parametry ADC : statické odstup signálu od kvantizačního šumu SQNR, efektivní počet bitů n ef, dynamický
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně a frekvenční doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály a systémy Vlastnosti systémů Systémy
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-03-21 16:45 Obsah
VíceKompresní metody první generace
Kompresní metody první generace 998-20 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Stillg 20 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca / 32 Základní pojmy komprese
VíceLineární a adaptivní zpracování dat. 2. SYSTÉMY a jejich popis v časové doméně
Lineární a adaptivní zpracování dat 2. SYSTÉMY a jejich popis v časové doméně Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály Systémy: definice, několik příkladů Vlastnosti systémů
VíceRestaurace (obnovení) obrazu při známé degradaci
Restaurace (obnovení) obrazu při známé degradaci Václav Hlaváč České vysoké učení technické v Praze Centrum strojového vnímání (přemosťuje skupiny z) Český institut informatiky, robotiky a kybernetiky
VíceÚVOD DO ROZHODOVÁNÍ PŘEDNÁŠKA. OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ Přednáška 1. Zuzana Bělinová
PŘEDNÁŠKA 1 ÚVOD DO ROZHODOVÁNÍ Organizační Vyučující Ing., Ph.D. email: belinova@k620.fd.cvut.cz Doporučená literatura Dudorkin J. Operační výzkum. Požadavky zápočtu docházka zápočtový test (21.5.2015)
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
VíceDobývání 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 Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
Více25. DIGITÁLNÍ TELEVIZNÍ SIGNÁL A KABELOVÁ TELEVIZE
25. DIGITÁLNÍ TELEVIZNÍ SIGNÁL A KABELOVÁ TELEVIZE Digitalizace obrazu a komprese dat. Uveďte bitovou rychlost nekomprimovaného číslicového TV signálu a jakou šířku vysílacího pásma by s dolním částečně
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
VíceIng. Jan Buriánek. Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické v Praze Jan Buriánek, 2010
Ing. Jan Buriánek (ČVUT FIT) Reprezentace bodu a zobrazení BI-MGA, 2010, Přednáška 2 1/33 Ing. Jan Buriánek Katedra softwarového inženýrství Fakulta informačních technologií České vysoké učení technické
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
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
VíceStrukturální regresní modely. určitý nadhled nad rozličnými typy modelů
Strukturální regresní modely určitý nadhled nad rozličnými typy modelů Jde zlepšit odhad k-nn? Odhad k-nn konverguje pro slušné k očekávané hodnotě. ALE POMALU! Jiné přístupy přidají předpoklad o funkci
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ 1. týden doc. Ing. Renata WAGNEROVÁ, Ph.D. Ostrava 2013 doc. Ing. Renata WAGNEROVÁ, Ph.D. Vysoká škola báňská
VíceKatedra kybernetiky, FEL, ČVUT v Praze.
Strojové učení a dolování dat přehled Jiří Kléma Katedra kybernetiky, FEL, ČVUT v Praze http://ida.felk.cvut.cz posnova přednášek Přednáška Učitel Obsah 1. J. Kléma Úvod do předmětu, učení s a bez učitele.
VíceHledání optimální polohy stanic a zastávek na tratích regionálního významu
Hledání optimální polohy stanic a zastávek na tratích regionálního významu Václav Novotný 31. 10. 2018 Anotace 1. Dopravní obsluha území tratěmi regionálního významu 2. Cíle výzkumu a algoritmus práce
Vícevzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291
Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených
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
VíceANALÝZA A KLASIFIKACE DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík,, CSc. VII. VOLBA A VÝBĚR PŘÍZNAKŮ ZAČÍNÁME kolik a jaké příznaky? málo příznaků možná chyba klasifikace; moc příznaků možná nepřiměřená pracnost, vysoké
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceK možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
Více1. Základy teorie přenosu informací
1. Základy teorie přenosu informací Úvodem citát o pojmu informace Informace je název pro obsah toho, co se vymění s vnějším světem, když se mu přizpůsobujeme a působíme na něj svým přizpůsobováním. N.
VíceGrafický a číselný popis rozložení dat 3.1 Způsoby zobrazení dat Metody zobrazení kvalitativních a ordinálních dat Metody zobrazení kvan
1 Úvod 1.1 Empirický výzkum a jeho etapy 1.2 Význam teorie pro výzkum 1.2.1 Konstrukty a jejich operacionalizace 1.2.2 Role teorie ve výzkumu 1.2.3 Proces ověření hypotéz a teorií 1.3 Etika vědecké práce
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
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceDiskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky
Diskriminační analýza hodnocení rozdílů mezi 2 nebo více skupinami objektů charakterizovanými více znaky Interpretují rozdíly mezi předem stanovenými třídami Cílem je klasifikace objektů do skupin Hledáme
Více1. Statistická analýza dat Jak vznikají informace Rozložení dat
1. Statistická analýza dat Jak vznikají informace Rozložení dat J. Jarkovský, L. Dušek, S. Littnerová, J. Kalina Význam statistické analýzy dat Sběr a vyhodnocování dat je způsobem k uchopení a pochopení
VíceReprezentace bodu, zobrazení
Reprezentace bodu, zobrazení Ing. Jan Buriánek VOŠ a SŠSE P9 Jan.Burianek@gmail.com Obsah Témata Základní dělení grafických elementů Rastrový vs. vektorový obraz Rozlišení Interpolace Aliasing, moiré Zdroje
VíceMetody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu
Metody zpracování a analýzy medicínských obrazových dat: možnosti využití v neurovědním výzkumu Ing. Daniel Schwarz, Ph.D. Bc. Eva Janoušov ová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ O čem budu mluvit? Neurovědy
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-02-28 12:20 Obsah
VíceMatematika pro geometrickou morfometrii
Matematika pro geometrickou morfometrii Václav Krajíček Vaclav.Krajicek@mff.cuni.cz Department of Software and Computer Science Education Faculty of Mathematics and Physics Charles University Přednáška
VíceKLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ Marie Richterová 1, David Juráček 2 1 Univerzita obrany, Katedra KIS, 2 PČR MŘ Brno Abstrakt Článek se zabývá rozpoznáváním analogových a diskrétních
VícePřednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky
řednáška II. Vztah pravděpodobnosti, statistiky a biostatistiky Statistika vychází z pravděpodobnosti odmíněná pravděpodobnost, Bayesův vzorec Senzitivita, specificita, prediktivní hodnoty Frekventistická
VíceStátnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
Více2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat
2. Základní typy dat Spojitá a kategoriální data Základní popisné statistiky Frekvenční tabulky Grafický popis dat Anotace Realitu můžeme popisovat různými typy dat, každý z nich se specifickými vlastnostmi,
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Shluková analýza Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Typy shlukových analýz Shluková analýza: cíle a postupy Shluková analýza se snaží o
VíceNáhodné signály. Honza Černocký, ÚPGM
Náhodné signály Honza Černocký, ÚPGM Signály ve škole a v reálném světě Deterministické Rovnice Obrázek Algoritmus Kus kódu } Můžeme vypočítat Málo informace! Náhodné Nevíme přesně Pokaždé jiné Především
VíceSTATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7
Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru
VíceAutomatické vyhledávání informace a znalosti v elektronických textových datech
Automatické vyhledávání informace a znalosti v elektronických textových datech Jan Žižka Ústav informatiky & SoNet RC PEF, Mendelova universita Brno (Text Mining) Data, informace, znalost Elektronická
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz II. STRUKTURÁLNÍ KLASIFIKACE STRUKTURÁLNÍ POPIS relační struktura je vytvořena z určitých
VíceMATEMATICKÁ BIOLOGIE
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita MATEMATICKÁ BIOLOGIE Přírodovědecká fakulta Masarykova univerzita, Brno Studijní obor Matematická biologie Masarykova
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceTechnická diagnostika, chyby měření
Technická diagnostika, chyby měření Obsah přednášky Technická diagnostika Měřicí řetězec Typy chyb měření Příklad diagnostiky: termovize ložisko 95 C měření 2/21 Co to je? Technická diagnostika Obdoba
VíceANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ
ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM
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
VíceCíle lokalizace. Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí
Cíle lokalizace Zjištění: 1. polohy a postavení robota (robot pose) 2. vzhledem k mapě 3. v daném prostředí 2 Jiný pohled Je to problém transformace souřadnic Mapa je globální souřadnicový systém nezávislý
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
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceDobývání 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 Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceAnalýza dat na PC I.
CENTRUM BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Analýza dat na PC I. Popisná analýza v programu Statistica IBA výuka Základní popisná statistika Popisná statistika
Více8. Sběr a zpracování technologických proměnných
8. Sběr a zpracování technologických proměnných Účel: dodat v částečně předzpracovaném a pro další použití vhodném tvaru ucelenou informaci o procesu pro následnou analyzu průběhu procesu a pro rozhodování
VíceTeorie systémů TES 1. Úvod
Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti. Teorie systémů TES 1. Úvod ZS 2011/2012 prof. Ing. Petr Moos, CSc. Ústav informatiky a telekomunikací Fakulta dopravní ČVUT v Praze
VíceTECHNICKÁ DIAGNOSTIKA
. Marcel Kreidl, Radislav Šmíd TECHNICKÁ DIAGNOSTIKA SENZORY - METODY - ANALÝZA SIGNÁLU Praha 2006 tanovení Ignostika,ostickou lespokojí :i závady 'oduvodu 1,v knize :h mfjtod obsahují 'stických 'tfedních
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. holcik@iba.muni.cz, Kamenice 3, 4. patro, dv.č.424 INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz KDE A KDY SE BUDEME VÍDAT? O ČEM
Víceití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
VíceUniverzita Pardubice 8. licenční studium chemometrie
Univerzita Pardubice 8. licenční studium chemometrie Statistické zpracování dat při managementu jakosti Semestrální práce Metody s latentními proměnnými a klasifikační metody Ing. Jan Balcárek, Ph.D. vedoucí
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
VíceAkvizice dat. Dekonvoluce Registrace. zobrazení INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
a analýza signálů v perfúzním zobrazení Ústav biomedicínského inženýrství FEKT, VUT v Brně 22. 5. 2009 INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Osnova Úvod 1 Úvod 2 3 4 5 Úvod diagnostika a průběh terapie nádorových
VíceGeometrické transformace
1/15 Předzpracování v prostoru obrazů Geometrické transformace Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/
VíceAnalýza a zpracování signálů
Analýza a zpracování ů Digital Signal Processing disciplína, která nám umožňuje nahradit (v případě že nezpracováváme vf y) obvody, dříve složené z rezistorů a kapacitorů, dvěma antialiasingovými filtry,
VícePOZNÁMKY K PŘEDMĚTU PROJEKT
POZNÁMKY K PŘEDMĚTU PROJEKT Ing. Ivo Bukovský, Ph.D. http://www.fsid.cvut.cz/~bukovsk/ Obsah KOMENTÁŘE K MODELOVÁNÍ A ANALÝZE SYSTÉMŮ...2 ZADÁNÍ...5 1 Bio...5 1.1 Teoretická část (umělá data)...5 1.2 Praktická
VíceChybějící atributy a postupy pro jejich náhradu
Chybějící atributy a postupy pro jejich náhradu Jedná se o součást čištění dat Čistota dat je velmi důležitá, neboť kvalita dat zásadně ovlivňuje kvalitu výsledků, které DM vyprodukuje, neboť platí Garbage
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VícePředzpracování dat. Lenka Vysloužilová
Předzpracování dat Lenka Vysloužilová 1 Metodika CRISP-DM (www.crisp-dm.org) Příprava dat Data Preparation příprava dat pro modelování selekce příznaků výběr relevantních příznaků čištění dat získávání
VícePSY117/454 Statistická analýza dat v psychologii přednáška 8. Statistické usuzování, odhady
PSY117/454 Statistická analýza dat v psychologii přednáška 8 Statistické usuzování, odhady Výběr od deskripce k indukci Deskripce dat, odhad parametrů Usuzování = inference = indukce Počítá se s náhodným
Více