ÚVOD DO ROZPOZNÁVÁNÍ
|
|
- Jindřich Bezucha
- před 7 lety
- Počet zobrazení:
Transkript
1 ÚVOD DO ROZPOZNÁVÁNÍ 1/29 Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, hlavac Osnova přednášky Modelování a teorie systémů. Rozpoznávání. Formulace Bayesovské úlohy. Příznakové a strukturní rozpoznávání.
2 K NÁZVU ROZPOZNÁVÁNÍ 2/29 Význam českého pojmu rozpoznávání chápu jako ekvivalent disciplíny anglicky nazývané pattern recognition. Zejména v dřívějších českých publikacích z šedesátých až sedmdesátých let zazníval ve stejném smyslu i pojem rozpoznávání obrazců. Do češtiny asi přešel z původního anglického názvu přes ruský překlad raspoznavanie obrazcov. V ruštině obrazec odpovídá českému vzor či anglickému pattern.
3 MOTIVACE 3/29 Člověk je na špičce pomyslné pyramidy živočichů i proto, že je schopen přemýšlet o postupech, jakými sám uvažuje. Panuje všeobecný zájem o strojové napodobení biologického vnímání s cílem napodobit inteligentní chování v nepříliš známém prostředí. Základním atributem inteligentního chování je schopnost učit se na základě vnímání okolního prostředí. Klíčová je otázka reprezentace znalosti. Přirozený jazyk je nejdokonalejší nástroj lidí pro vyjádření pozorování, pro popis jevu, formulaci úloh, jejich řešení a pro související otázky učení.
4 SLOŽITÉ JEVY A SYSTÉMOVÉ MYŠLENÍ 4/29 Potřeba porozumět složitým jevům například v biologii, technice nebo sociálních vědách vede k nutnosti zkoumat jevy komplexně v mnoha souvislostech. Přístup je nazýván systémovým myšlením, aby se odlišil od newtonovské snahy zredukovat každý jev na vztahy mezi základními prvky a jejich vlastnostmi.
5 POJMY Z TEORIE SYSTÉMŮ 5/29 Při zkoumání složitého jevu se omezujeme na část, která nás zajímá, a říkáme jí objekt (nebo systém). Vše ostatní, co nám z daného pohledu připadá nezajímavé, nazýváme pozadí. Objekty většinou nezkoumáme v celé jejich složitosti. Při jednom zkoumání pozorujeme nebo měříme jen určité vlastnosti, které nám právě připadají zajímavé. Teorie systémů zde používá pojem rozlišovací úroveň. Popis a chápání objektu se přirozeně může vyvíjet s měnící se rozlišovací úrovní. Jde o metapohled hledající kvalitativní změnu v popisu objektu.
6 DVA MOŽNÉ PŘÍSTUPY 6/29 Snaha o exaktní popis objektů nástroji matematiky vede zhruba řečeno ke dvěma možným přístupům: 1. Matematické modelování (v newtonovském smyslu). 2. Rozpoznávání.
7 MATEMATICKÉ MODELOVÁNÍ 7/29 Podstatné rysy objektu se napodobují formou matematických rovnic. Často se hledá relace mezi vstupem a výstupem. Obvykle blíže k newtonovskému pojetí. Snaha o co nejpodrobnější a deterministické vysvětlení. Příklad: dobrý matematický model elektrárenského kotle v teorii řízení předpovídá téměř stejné odezvy na vstupní signály jako kotel sám. V mnoha případech nejsme schopni matematický model vůbec vytvořit (např. model fungování lidského těla).
8 PATTERN RECOGNITION AS AN ALTERNATIVE TO MODELLING 8/29 Pattern recognition assigns observations according to some decision rule to a priori known classes of objects. Equivalence classes (reflexivity, symmetry, transitivity). Objects within classes are more similar to each other than objects from different classes. The understanding to the object is often weaker in pattern recognition than in modelling.
9 ROLE OF LEARNING IN PATTERN RECOGNITION 9/29 The advantage of PR is that a human creating the recognition rule does not need to understand the complex nature of the object. A decision rule can be learned empirically from many observed examples. Supervised learning based on the training set comprising of observations and corresponding decisions assigned by a teacher (an expert). Unsupervised learning seeks for similarities among observations without having an expert classification at hand.
10 PATTERN RECOGNITION AND APPLICATIONS 10/29 Pattern recognition theory and tools can be separated from applications. Object Getting formal description Object representation Classification Class label
11 PATTERN RECOGNITION, MOTIVATION EXAMPLE 11/29 Object (situation) is described by two parameters: x observablefeature (also observation). k hidden parameter (state, special case a class). Example statistical PR: jockeys and and basketballists. height [cm] jockeys basketballists weight [kg]
12 BAYESIAN DECISION MAKING Bayesian task of statistical decision making seeks 12/29 for sets X (observations), K (hidden states) and D (decisions), a joint probability p XK : X K R and the penalty function W : K D R a strategy Q: X D which minimizes the Bayesian risk R(Q) = p XK (x, k) W (k, Q(x)). x X k K The solution to the Bayesian task is the Bayesian strategy Q minimizing the risk. Notes: deterministic strategy, separation into convex subsets.
13 PŘÍKLAD 2 SKRYTÉ STAVY, 3 ROZHODNUTÍ 13/29 Objekt: pacient vyšetřovaný lékařem. Pozorování X: některé měřitelné parametry (teplota, krevní tlak,... ). 2 skryté stavy K = {zdravý, nemocný}. 3 rozhodnutí D = {neléčit, slabý lék, silný lék}. Pokutová funkce W : K D R W (k, d) neléčit slabý lék silný lék nemocný zdravý
14 GENERALITY OF BAYESIAN FORMULATION Motto: Let set X (observations) and set K (hidden states) be two finite sets. Statistical pattern recognition results are very general. Properties of sets X (observations) and K (hidden parameters) were not constrained. Sets X and K can have formally (mathematically) diversed structure. The approach can be and is used in very different applications. Observation X can be a number, a symbol, a function of two variables (e.g., an image), a graph, other algebraical structure. 14/29
15 DVĚ ZÁKLADNÍ SKUPINY METOD ROZPOZNÁVÁNÍ 15/29 1. Statistické (příznakové) rozpoznávání. Objekty jsou reprezentovány jako body ve vektorovém prostoru. Souřadné osy prostoru odpovídají jednotlivým číselně vyjádřeným pozorováním. 2. Strukturní rozpoznávání. Mezi pozorováními existuje struktura a ta je reprezentována. Nejrozvinutější a nejstarší je reprezentace struktury gramatikami.
16 KOMPONENTY ROZPOZNÁVACÍHO SYSTÉMU 16/29 Objekt Senzory a pøedzpracování Výbìr pøíznakù Klasifikátor Pøiøazení ke tøídì Uèitel Algoritmus uèení
17 UMĚLÉ NEURONOVÉ SÍTĚ 17/29 Model dopředné neuronové sítě (McCulloch, Pitts, 1943).
18 ČTENÍ O ROZPOZNÁVÁNÍ Duda Richard O., Hart Peter E., Stork, David G.:, Pattern Classification, John Wiley & Sons, New York, USA, 2001, 654 s. Schlesinger M.I., Hlaváč V.: Ten lectures on statistical and syntactic pattern recognition, Kluwer Academic Publishers, Dordrecht, The Netherlands, 2002, 521 p. (předchůdce v češtině, Vydavatelství ČVUT 1999). NÁSTROJ PRO EXPERIMENTY Franc V. (doktorand CMP): Statistical Pattern Recognition Toolbox, nad MATLABem, stále rozvíjen, 18/29
19 STATISTICKÉ ROZPOZNÁVÁNÍ 19/29 Popis objektu n-ticí čísel, která odpovídají n podstatným vlastnostem a jsou oceněny reálným číslem (míra vlastnosti). Příznakový prostor. n-tice popisující jeden objekt bod v příznakovém prostoru. Hledá se reprezentace objektu pro klasifikaci v příznakovém prostoru, v níž body jedné třídy tvoří kompaktní shluky dobře oddělitelné rozhodovací strategií. S příznaky se zde zachází metodami matematické statistiky. Naučení klasifikátoru ze statisticky významné trénovací množiny.
20 APPLICATION OF MATHEMATICAL STATISTICS The most developed part of statistics is the statistics of random numbers. Recommendations are based on concepts as: mathematical expectation, dispersion, correlation, covariance matrix,... Tools of mathematical statistics can be used to solve many practical problems provided the random object can be represented by a number (or a vector of numbers). Substantial success in statistical pattern recognition for vectors of features. 20/29 Failure for images f (x, y), where f is brightness or color of a pixel and x, y are pixel coordinates.
21 CO SE UMÍ VE STATISTICKÉM ROZPOZNÁVÁNÍ (1)? 21/29 Učení z příkladů v rozpoznávání se ví, kterým souvisejícím úlohám rozumí. Je zřejmé, které úlohy již nejsou pohádkami. Tato znalost je vyjádřena matematicky formulovanými větami. Lze rozlišit co se umí, co nelze řešit nebo nelze řešit s polynomiální složitostí, o čem nelze nic říci.
22 WHAT IS KNOWN IN STATISTICAL PATTERN RECOGNITION (2)? Solution to some non-bayesian tasks, e.g., class I don t know can be introduced. Tasks with non-random interventions. Linear classifiers and their learning. E.g., a popular special case Support Vector Machines. Learning. Estimate of needed length of training multi-set for prescribed precision and reliability of classification (e.g., Vapnik s theory of learning). Embedding of a non-linear problem to a higher dimensional vector space (feature space straightening, allowing linear classifiers), kernel methods. Unsupervised learning, variants of EM algorithm. 22/29
23 SET OF OBSERVATIONS versus LINEAR SPACE One observation about one object is n-tuple of numbers. Many researchers treat as self-evident the assumption, that n-tuple can be understood as a point in n-dimensional linear space. On the other hand, pattern recognition theory is more general. Many researchers wrongly assumed formalization of the set X (observations) in linear space as the only possible. 23/29 Example: The image n n pixels can be ordered row-wise as n 2 numbers (features), e.g., eigen images.
24 OBECNOST STATISTICKÉHO ROZPOZNÁVÁNÍ JE I NEVÝHODOU 24/29 Pro účelné použití statistických metod musí být množiny X a K vyjádřeny co nejkonkrétněji. Z nepřehledné množiny možností musí vybrat taková, která odpovídá příslušné aplikační úloze. To nemusí být vůbec lehké.
25 STRUKTURNÍ ROZPOZNÁVÁNÍ Objekt je popsán primitivy, tj. nejjednoduššími kvalitativními charakteristikami. 25/29 Strukturní rozpoznávání se opírá o teorii formálních jazyků. Gramatiky. Syntaktická analýza. Primitiva tvoří abecedu jazyka. Vztahy mezi primitivy lze vyjádřit relacemi. Kolik je tříd, tolik je potřebných gramatik. Slovo odpovídající určité třídě generuje právě jedna gramatika. Rozpoznávání = syntaktická analýza. Problém: zašuměná data.
26 PARAMETERS AND THEIR STRUCTURE 26/29 Motto: Let set X (observations) and set K (hidden states) be two finite sets. Statistical pattern recognition results are very general. Properties of sets X (observations) and K (hidden parameters) were not constrained, e.g., in Bayesian task. Sets X and K can have formally (mathematically) diverse structure. The approach can be an is used in very diverse applications.
27 PŘÍKLADY RŮZNÉ STRUKTURY JEDNOHO POZOROVÁNÍ 27/29 Hmotnost pacienta - kladné reálné číslo [kg]. Dobře strukturovaná množina (sčítání, násobení, invertování, atd.). Známka na vysvědčení - {1, 2, 3, 4, 5}. Úplně uspořádaná množina, nic víc, =, <, >. Čísla tramvajových linek - výčtový typ. Tramvaj číslo 22 není o nic horší/lepší než tramvaj číslo 12.
28 STRUKTURA VZTAHŮ MEZI VÍCE PŘÍZNAKY ILUSTRACE Uvažujme n-tici x 1, x 2,..., x n 28/29 Údaje o jednom pacientovi. Věk, výška, hmotnost, teplota, krevní tlak dolní, krevní tlak horní, množství cukru v moči... Nic by se nestalo, kdyby příznaky byly očíslovány jinak. Žádná struktura. Jednotlivá čísla se chápou jako symboly v abstraktní abecedě. n-krát měření údaje v pravidelných časových intervalech. Posloupnost. Index příznaku má význam celého čísla. Množina indexů má jasnou strukturu.
29 CONNECTION BETWEEN STATISTICAL AND STRUCTURAL PATTERN RECOGNITION 29/29 Still in its infancy. Disconnected islands of knowledge. Progress achieved in: Recognition of Markovian chains and acyclic structures (also Bayesian networks). Levenstein dissimilarity between an expression and regular language ( edit distance). Consistent labelling (Markovian fields, spacial case). Generalization of 2D context free grammars.
ÚVOD 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
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/
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,
VíceNAIL072 ROZPOZNÁVÁNÍ VZORŮ
NAIL072 ROZPOZNÁVÁNÍ VZORŮ RNDr. Jana Štanclová, Ph.D. jana.stanclova@ruk.cuni.cz www.cuni.cz/~stancloj LS Zk 2/0 OSNOVA 1. Úvod do rozpoznávání vzorů 2. Bayesovská teorie rozpoznávání 3. Diskriminační
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
VíceNeparametrické odhady hustoty pravděpodobnosti
Neparametrické odhady hustoty pravděpodobnosti Václav Hlaváč Elektrotechnická fakulta ČVUT Katedra kybernetiky Centrum strojového vnímání 121 35 Praha 2, Karlovo nám. 13 hlavac@fel.cvut.cz Statistické
VíceNěkteré potíže s klasifikačními modely v praxi. Nikola Kaspříková KMAT FIS VŠE v Praze
Některé potíže s klasifikačními modely v praxi Nikola Kaspříková KMAT FIS VŠE v Praze Literatura J. M. Chambers: Greater or Lesser Statistics: A Choice for Future Research. Statistics and Computation 3,
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
VíceTransportation Problem
Transportation Problem ١ C H A P T E R 7 Transportation Problem The transportation problem seeks to minimize the total shipping costs of transporting goods from m origins (each with a supply s i ) to n
VíceTento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost.
Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost. Projekt MŠMT ČR Číslo projektu Název projektu školy Klíčová aktivita III/2 EU PENÍZE ŠKOLÁM CZ.1.07/1.4.00/21.2146
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.
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0259 Garantující institut: Garant předmětu: Exaktní metody rozhodování Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková,
VíceWORKSHEET 1: LINEAR EQUATION 1
WORKSHEET 1: LINEAR EQUATION 1 1. Write down the arithmetical problem according the dictation: 2. Translate the English words, you can use a dictionary: equations to solve solve inverse operation variable
VíceTřída: VI. A6 Mgr. Pavla Hamříková VI. B6 RNDr. Karel Pohaněl Schváleno předmětovou komisí dne: Podpis: Šárka Richterková v. r.
MATURITNÍ TÉMATA Školní rok: 2016/2017 Ředitel školy: PhDr. Karel Goš Předmětová komise: Matematika a deskriptivní geometrie Předseda předmětové komise: Mgr. Šárka Richterková Předmět: Matematika Třída:
VíceVapnik-Chervonenkis learning theory
Vapnik-Chervonenkis learning theory Václav Hlaváč Czech Technical University in Prague Czech Institute of Informatics, Robotics and Cybernetics 160 00 Prague 6, Jugoslávských partyzánu 1580/3, Czech Republic
VíceVyužití hybridní metody vícekriteriálního rozhodování za nejistoty. Michal Koláček, Markéta Matulová
Využití hybridní metody vícekriteriálního rozhodování za nejistoty Michal Koláček, Markéta Matulová Outline Multiple criteria decision making Classification of MCDM methods TOPSIS method Fuzzy extension
VíceFormální konceptuální analýza
moderní metoda analýzy dat 14. října 2011 Osnova Informatika 1 Informatika 2 3 4 Co je to informatika? Co je to informatika? Computer science is no more about computers than astronomy is about telescopes.
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,
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
VíceEXACT DS OFFICE. The best lens for office work
EXACT DS The best lens for office work EXACT DS When Your Glasses Are Not Enough Lenses with only a reading area provide clear vision of objects located close up, while progressive lenses only provide
VíceUSING VIDEO IN PRE-SET AND IN-SET TEACHER TRAINING
USING VIDEO IN PRE-SET AND IN-SET TEACHER TRAINING Eva Minaříková Institute for Research in School Education, Faculty of Education, Masaryk University Structure of the presentation What can we as teachers
VíceProbability density estimation Parametric methods
Probability density estimation Parametric methods Václav Hlaváč Czech Technical University in Prague Czech Institute of Informatics, Robotics and Cybernetics 166 36 Prague 6, Jugoslávských partyzánů 1580/3,
VíceGymnázium, Brno, Slovanské nám. 7 WORKBOOK. Mathematics. Teacher: Student:
WORKBOOK Subject: Teacher: Student: Mathematics.... School year:../ Conic section The conic sections are the nondegenerate curves generated by the intersections of a plane with one or two nappes of a cone.
VíceKlepnutím lze upravit styl předlohy. nadpisů. nadpisů.
1/ 13 Klepnutím lze upravit styl předlohy Klepnutím lze upravit styl předlohy www.splab.cz Soft biometric traits in de identification process Hair Jiri Prinosil Jiri Mekyska Zdenek Smekal 2/ 13 Klepnutím
VíceROZPOZNÁVÁNÍ S MARKOVSKÝMI MODELY
ROZPOZNÁVÁNÍ S MARKOVSKÝMI MODELY Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/ hlavac 1/31 PLÁN PŘEDNÁŠKY
VíceStrojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
VíceVojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015
Příklady použití metod strojového učení v rozpoznávání tváří Vojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015 Stavební bloky systému
VíceRozpoznávání v obraze
Rozpoznávání v obraze AdaBoost a detekce objektů IKR, 2013 Roman Juránek www.fit.vutbr.cz/~ijuranek/personal Detekce objektů Úloha - v daném obraze nalézt objekty určitých tříd
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceNávrh a implementace algoritmů pro adaptivní řízení průmyslových robotů
Návrh a implementace algoritmů pro adaptivní řízení průmyslových robotů Design and implementation of algorithms for adaptive control of stationary robots Marcel Vytečka 1, Karel Zídek 2 Abstrakt Článek
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.
VícePočítačové kognitivní technologie ve výuce geometrie
Počítačové kognitivní technologie ve výuce geometrie Jiří Vaníček Univerzita Karlova v Praze - Pedagogická fakulta 2009 Počítačové kognitivní technologie ve výuce geometrie Abstrakt Kniha se zabývá využíváním
VíceSupport Vector Machines (jemný úvod)
Support Vector Machines (jemný úvod) Osnova Support Vector Classifier (SVC) Support Vector Machine (SVM) jádrový trik (kernel trick) klasifikace s měkkou hranicí (soft-margin classification) hledání optimálních
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
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
VíceCZ.1.07/1.5.00/
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
VíceGymnázium, Brno, Slovanské nám. 7, SCHEME OF WORK Mathematics SCHEME OF WORK. cz
SCHEME OF WORK Subject: Mathematics Year: first grade, 1.X School year:../ List of topisc # Topics Time period Introduction, repetition September 1. Number sets October 2. Rigtht-angled triangle October,
VíceMechanika Teplice, výrobní družstvo, závod Děčín TACHOGRAFY. Číslo Servisní Informace Mechanika: 5-2013
Mechanika Teplice, výrobní družstvo, závod Děčín TACHOGRAFY Servisní Informace Datum vydání: 20.2.2013 Určeno pro : AMS, registrované subj.pro montáž st.měř. Na základě SI VDO č./datum: Není Mechanika
VíceHistorie a vývoj umělé inteligence
Historie a vývoj umělé inteligence 11. února 2015 1-1 Co je to inteligence? Encyklopedie Duden : Intelligenz = Fähigkeit des Menschen abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten.
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 548-0057 Garantující institut: Garant předmětu: Základy geoinformatiky (ZGI) Institut geoinformatiky doc. Ing. Petr Rapant, CSc. Kredity:
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceA Note on Generation of Sequences of Pseudorandom Numbers with Prescribed Autocorrelation Coefficients
KYBERNETIKA VOLUME 8 (1972), NUMBER 6 A Note on Generation of Sequences of Pseudorandom Numbers with Prescribed Autocorrelation Coefficients JAROSLAV KRAL In many applications (for example if the effect
VíceUni- and multi-dimensional parametric tests for comparison of sample results
Uni- and multi-dimensional parametric tests for comparison of sample results Jedno- a více-rozměrné parametrické testy k porovnání výsledků Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Universita
VíceStatistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
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
VíceGRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV
GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV Mgr. Jitka Nováková SPŠ strojní a stavební Tábor Abstrakt: Grafické řešení rovnic a jejich soustav je účinná metoda, jak vysvětlit, kolik různých řešení může daný
VíceKlasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce příznaků 3 25 2 Granáty Jablka Četnost 15 1 5 2 3 4 5 6 7 8 Váha [dkg] Pravděpodobnosti - diskrétní příznaky Uvažujme diskrétní příznaky
VíceStřední průmyslová škola strojnická Olomouc, tř.17. listopadu 49
Střední průmyslová škola strojnická Olomouc, tř.17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2 Anglický jazyk
VíceLineární diskriminační funkce. Perceptronový algoritmus.
Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace
VíceWhy PRIME? 20 years of Erasmus Programme Over 2 million students in total Annually
What is PRIME? Problems of Recognition In Making Erasmus European-wide research project Conducted by ESN with the support of the European Commission Two editions: 1 st in 2009 Follow-up in 2010 Why PRIME?
VíceEvoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
Více2011 Jan Janoušek BI-PJP. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
PROGRAMOVACÍ JAZYKY A PŘEKLADAČE TRANSFORMACE GRAMATIK NA LL(1) GRAMATIKU. TABULKA SYMBOLŮ. VNITŘNÍ REPREZENTACE: AST. JAZYK ZÁSOBNÍKOVÉHO POČÍTAČE. RUNTIME PROSTŘEDÍ. 2011 Jan Janoušek BI-PJP Evropský
VíceLitosil - application
Litosil - application The series of Litosil is primarily determined for cut polished floors. The cut polished floors are supplied by some specialized firms which are fitted with the appropriate technical
VíceProblém identity instancí asociačních tříd
Problém identity instancí asociačních tříd Autor RNDr. Ilja Kraval Ve školeních a také následně po jejich ukončení se stále častěji objevují dotazy, které se týkají tzv. identity instancí asociační třídy.
VíceDynamic programming. Optimal binary search tree
The complexity of different algorithms varies: O(n), Ω(n ), Θ(n log (n)), Dynamic programming Optimal binary search tree Různé algoritmy mají různou složitost: O(n), Ω(n ), Θ(n log (n)), The complexity
VíceVliv metody vyšetřování tvaru brusného kotouče na výslednou přesnost obrobku
Vliv metody vyšetřování tvaru brusného kotouče na výslednou přesnost obrobku Aneta Milsimerová Fakulta strojní, Západočeská univerzita Plzeň, 306 14 Plzeň. Česká republika. E-mail: anetam@kto.zcu.cz Hlavním
VíceAngličtina v matematických softwarech 2 Vypracovala: Mgr. Bronislava Kreuzingerová
Angličtina v matematických softwarech 2 Vypracovala: Mgr. Bronislava Kreuzingerová Název školy Název a číslo projektu Název modulu Obchodní akademie a Střední odborné učiliště, Veselí nad Moravou Motivace
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Objektově orientovaná analýza a návrh (OOAN) Číslo předmětu: 548-0040 Garantující institut: Garant předmětu: Institut geoinformatiky RNDr. Daniela Szturcová,
VíceThe Over-Head Cam (OHC) Valve Train Computer Model
The Over-Head Cam (OHC) Valve Train Computer Model Radek Tichanek, David Fremut Robert Cihak Josef Bozek Research Center of Engine and Content Introduction Work Objectives Model Description Cam Design
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
VícePC/104, PC/104-Plus. 196 ept GmbH I Tel. +49 (0) / I Fax +49 (0) / I I
E L E C T R O N I C C O N N E C T O R S 196 ept GmbH I Tel. +49 (0) 88 61 / 25 01 0 I Fax +49 (0) 88 61 / 55 07 I E-Mail sales@ept.de I www.ept.de Contents Introduction 198 Overview 199 The Standard 200
VíceDepartment of Mathematical Analysis and Applications of Mathematics Faculty of Science, Palacký University Olomouc Czech Republic
ROBUST 13. září 2016 regression regresních modelů Categorical Continuous - explanatory, Eva Fišerová Department of Mathematical Analysis and Applications of Mathematics Faculty of Science, Palacký University
VíceKlasifikační metody pro genetická data: regularizace a robustnost
Odd medicínské informatiky a biostatistiky Ústav informatiky AV ČR, vvi Práce vznikla za finanční podpory Nadačního fondu Neuron na podporu vědy Klasifikační metody pro genetická data Regularizovaná klasifikační
VíceTechoLED H A N D B O O K
TechoLED HANDBOOK Světelné panely TechoLED Úvod TechoLED LED světelné zdroje jsou moderním a perspektivním zdrojem světla se širokými možnostmi použití. Umožňují plnohodnotnou náhradu žárovek, zářivkových
VíceCHAIN TRANSMISSIONS AND WHEELS
Second School Year CHAIN TRANSMISSIONS AND WHEELS A. Chain transmissions We can use chain transmissions for the transfer and change of rotation motion and the torsional moment. They transfer forces from
VíceZáklady umělé inteligence
Základy umělé inteligence Úvod Základy umělé inteligence - úvod. Vlasta Radová, ZČU, katedra kybernetiky 1 Zavedení pojmu umělá inteligence Inteligence je schopnost získávat a aplikovat vědomosti a tedy
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Algoritmizace prostorových úloh Číslo předmětu: 548-0069 Garantující institut: Garant předmětu: Institut geoinformatiky RNDr. Daniela Szturcová, PhD. Kredity:
VíceOn large rigid sets of monounary algebras. D. Jakubíková-Studenovská P. J. Šafárik University, Košice, Slovakia
On large rigid sets of monounary algebras D. Jakubíková-Studenovská P. J. Šafárik University, Košice, Slovakia coauthor G. Czédli, University of Szeged, Hungary The 54st Summer School on General Algebra
VíceMetody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics)
Metody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics) Literatura Newman, M. (2010). Networks: An Introduction. Oxford University Press. [15-77] Leskovec, J., Rajaraman, A., Ullman, J. D.
VíceCompression of a Dictionary
Compression of a Dictionary Jan Lánský, Michal Žemlička zizelevak@matfyz.cz michal.zemlicka@mff.cuni.cz Dept. of Software Engineering Faculty of Mathematics and Physics Charles University Synopsis Introduction
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
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Prostorová analýza dat (PAD) Číslo předmětu: 548-0044 Garantující institut: Garant předmětu: Institut geoinformatiky doc. Dr. Ing. Jiří Horák Kredity: 5
VíceSilicified stems of upper Paleozoic plants from the Intra Sudetic and Krkonoše Piedmont basins
Univerzita Karlova v Praze Přírodovědecká fakulta Studijní program: Geologie Studijní obor: Paleobotanika Mgr. Václav Mencl Zkřemenělé stonky svrchnopaleozoických rostlin z vnitrosudetské a podkrkonošské
VíceMetody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics)
Metody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics) Literatura Newman, M. (2010). Networks: An Introduction. Oxford University Press. [15-77] Leskovec, J., Rajaraman, A., Ullman, J. D.
VíceKlasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce p íznaků Granáty Četnost Jablka Váha [dkg] Pravděpodobnosti - diskrétní p íznaky Uvažujme diskrétní p íznaky váhové kategorie Nechť tabulka
VíceVY_32_INOVACE_06_Předpřítomný čas_03. Škola: Základní škola Slušovice, okres Zlín, příspěvková organizace
VY_32_INOVACE_06_Předpřítomný čas_03 Autor: Růžena Krupičková Škola: Základní škola Slušovice, okres Zlín, příspěvková organizace Název projektu: Zkvalitnění ICT ve slušovské škole Číslo projektu: CZ.1.07/1.4.00/21.2400
VíceKlasifikace a rozpoznávání
Klasifikace a rozpoznávání Prezentace přednášek M. Španěl, 2009 Ústav počítačové grafiky a multimédií Téma přednášky Unsupervised techniky Obsah: Literatura Úvod do shlukování Metriky, základní přístupy,
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
Více1. Znalostní systémy a znalostní inženýrství - úvod. Znalostní systémy. úvodní úvahy a předpoklady. 26. září 2017
Znalostní systémy úvodní úvahy a předpoklady 26. září 2017 1-1 Znalostní systém Definice ZS (Feigenbaum): Znalostní (původně expertní) systémy jsou počítačové programy simulující rozhodovací činnost experta
VíceObrábění robotem se zpětnovazební tuhostí
Obrábění robotem se zpětnovazební tuhostí Odbor mechaniky a mechatroniky ČVUT v Praze, Fakulta strojní Student: Yaron Sela Vedoucí: Prof. Ing. Michael Valášek, DrSc Úvod Motivace Obráběcí stroj a důležitost
VíceTKGA3. Pera a klíny. Projekt "Podpora výuky v cizích jazycích na SPŠT"
Projekt "Podpora výuky v cizích jazycích na SPŠT" Pera a klíny TKGA3 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR Pera a klíny Pera a klíny slouží k vytvoření rozbíratelného
VíceImmigration Studying. Studying - University. Stating that you want to enroll. Stating that you want to apply for a course.
- University I would like to enroll at a university. Stating that you want to enroll I want to apply for course. Stating that you want to apply for a course an undergraduate a postgraduate a PhD a full-time
VíceImmigration Studying. Studying - University. Stating that you want to enroll. Stating that you want to apply for a course.
- University Rád/a bych se zapsal/a na vysoké škole. Stating that you want to enroll Rád/a bych se zapsal/a na. Stating that you want to apply for a course bakalářské studium postgraduální studium doktorské
VíceGeometry of image formation
eometry of image formation Tomáš Svoboda, svoboda@cmp.felk.cvut.cz Czech Technical University in Prague, Center for Machine Perception http://cmp.felk.cvut.cz Last update: July 4, 2008 Talk Outline Pinhole
VíceVýuka odborného předmětu z elektrotechniky na SPŠ Strojní a Elektrotechnické
Jihočeská univerzita v Českých Budějovicích Pedagogická fakulta Oddělení celoživotního vzdělávání Závěrečná práce Výuka odborného předmětu z elektrotechniky na SPŠ Strojní a Elektrotechnické Vypracoval:
Více2 Axiomatic Definition of Object 2. 3 UML Unified Modelling Language Classes in UML Tools for System Design in UML 5
Contents Contents 1 Semestrální práce 1 2 Axiomatic Definition of Object 2 3 UML Unified Modelling Language 2 3.1 Classes in UML............................ 3 4 Tools for System Design in UML 5 5 Student
VíceCitation Statistics. zpráva společné komise. Int. Mathematical Union. Int. Council of Industrial and Applied Mathematics. Institute of Statistics
Citation Statistics zpráva společné komise Int. Mathematical Union Int. Council of Industrial and Applied Mathematics Institute of Statistics Citace ze zadání: The drive towards more transparency and accountability
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
VíceRisk management in the rhythm of BLUES. Více času a peněz pro podnikatele
Risk management in the rhythm of BLUES Více času a peněz pro podnikatele 1 I. What is it? II. How does it work? III. How to find out more? IV. What is it good for? 2 I. What is it? BLUES Brain Logistics
VíceProjekty ve výuce cizího jazyka
Projekty ve výuce cizího jazyka Zpracovala : Vanda Ošlejšková ZŠ Lysice Aprobace : Tv Z 1. Anotace: Tento úkol se týká anglického jazyka. Stručný popis : vybrat 3 kamarády a zeptat se jich na jejich oblíbená
VíceElektroinstalační lišty a tvarovky. Elektroinstalační lišty / Cable trunkings
Elektroinstalační lišty a tvarovky Elektroinstalační lišty / Cable trunkings Z důvodu jednodušší instalace jsou lišty na spodní straně opatřeny montážními otvory. Délka 2m. Na přání lze vyrobit v různých
VíceBritské společenství národů. Historie Spojeného království Velké Británie a Severního Irska ročník gymnázia (vyšší stupeň)
Název vzdělávacího materiálu: Číslo vzdělávacího materiálu: Autor vzdělávací materiálu: Období, ve kterém byl vzdělávací materiál vytvořen: Vzdělávací oblast: Vzdělávací obor: Vzdělávací předmět: Tematická
VíceGUIDELINES FOR CONNECTION TO FTP SERVER TO TRANSFER PRINTING DATA
GUIDELINES FOR CONNECTION TO FTP SERVER TO TRANSFER PRINTING DATA What is an FTP client and how to use it? FTP (File transport protocol) - A protocol used to transfer your printing data files to the MAFRAPRINT
VíceMetody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics)
Metody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics) Literatura Albert-László Barabási. Network Science http://barabasi.com/networksciencebook/ kapitoly 1 a 2 http://tuvalu.santafe.edu/~aaronc/courses/5352/csci5352_
Vícedokumentu: Proceedings of 27th International Conference Mathematical Methods in
1. Empirical Estimates in Stochastic Optimization via Distribution Tails Druh výsledku: J - Článek v odborném periodiku, Předkladatel výsledku: Ústav teorie informace a automatizace AV ČR, v. v. i., Dodavatel
Více2. Entity, Architecture, Process
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Praktika návrhu číslicových obvodů Dr.-Ing. Martin Novotný Katedra číslicového návrhu Fakulta informačních technologií ČVUT v Praze Miloš
VíceSSOS_AJ_3.18 British education
Číslo a název projektu Číslo a název šablony DUM číslo a název CZ.1.07/1.5.00/34.0378 Zefektivnění výuky prostřednictvím ICT technologií III/2 - Inovace a zkvalitnění výuky prostřednictvím ICT SSOS_AJ_3.18
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:
Více