4 HMM a jejich trénov
|
|
- Žaneta Beranová
- před 7 lety
- Počet zobrazení:
Transkript
1 Pokročilé metody rozpoznávánířeči Přednáška 4 HMM a jejich trénov nování
2 Skryté Markovovy modely (HMM) Metoda HMM (Hidden Markov Model kryté Markovovy modely) reprezentujeřeč (lovo, hláku, celou promluvu) tavovým modelem pravděpodobnotními parametry Typická truktura lovního HMM takzvaný levo-pravý model a a 22 a S-S- a SS Q a Q 2 a 23 Q S- a S-S Q S b b 2 b S- Q... tavy (šipky naznačují možné přechody mezi nimi) b S a ij... přechodová pravděpodobnot pravděpodobnot, že (v aktuálním framu) model přejde ze tavu i do tavu j b (x)...výtupní pravděpodobnotní rozložení funkce určující pravděpodobnot, že příznakový vektor x patří ke tavu (nejčatěji gauovké rozložení)
3 Celolovní HMM Celé lovo je reprezentováno jedním modelem - není brán ohled na fonetickou trukturu lova ani na jeho délku, - počet tavů bývá u modelů různých lov tejný, - modely e nadno trénují, - pro každý lovní model tačí pouze připravit dotatečný počet nahrávek téhož lova (od různých oob), - pro velké lovníky však neekonomické, - vhodné pro výklad a pro pochopení algoritmů
4 Jak určit parametry výtupního rozložen ení? Pro zjednodušení výkladu uvažujme -rozměrný příznakový vektor x ( x µ Předpokládáme, že b (x) má gau. rozdělení b ( x) exp ) = 2π σ 2 2σ Mějme alepoň 2 nahrávky pro každé lovo (čím více nahrávek, tím lepší model zíkáme) Pokud víme, které framy patří ke jednotlivým tavům (jak ukázáno na obrázku) pak tř. hodnotu určíme jako kde N je počet framů přiřazených tavu Slovo W od ooby A Model M w Slovo W od ooby B N 2 µ = xn a rozptyl jako σ = N n= N 2 2 ( xn µ ) N n= Gauovké rozložení pro vícepříznakový vektor x µ T b ( x) =.exp[ 2 ( x x ) Σ ( x x )] P (2π ) det Σ Σ = N N n= N = N n= x n ( x n µ )( x n µ ) T
5 Jak určit přechodovp echodové pravděpodobnoti podobnoti? Slovo W od ooby A Model M w Slovo W od ooby B Pravděpodobnot přechodu ze tavu do + kde K je počet výtupů ze tavu (je vlatně roven počtu nahrávek K daného lova) Pravděpodobnot etrvání (v tomtéž tavu ) a = a+ a + = K N S
6 Jak kutečně trénovat parametry HMM? Ve kutečnoti nevíme který frame patří k jakému tavu. (Z tohoto důvodu e metodě HMM říká kryté markovovké modely) Metoda trénování HMM (tj určování jejich parametrů) je proto iterativní. Inicializační krok Framy všech nahrávek daného lova jou rovnoměrně přiděleny jednotl. tavům, z nich pak určíme tř. hodnoty, rozptyly a přechodové pravděpodobnoti 2. Přiřazovací krok využitím Viterbiho algoritmu (popán loni) nalezneme nové (už ne rovnoměrné ale obvykle lepší) přiřazení mezi framy a tavy 3. Reetimační krok pro toto nové přiřazení určíme tř. hod., rozptyly a přechod. pravděpodobnoti 4. Opakování, případně konec pokud e nové tř. hod., rozptyly a přech. pravd. liší (o více nežε) od předešlých, jdeme zpět na krok 2, jinak ukončíme trénování
7 Jak ještě lépe trénovat parametry HMM? Baumův-Welchův (forward-backward) algoritmu - framy nejou pevně a výlučně přiřazeny k jednotlivým tavům, - naopak, každý fame e jitou pravděpodobnotí může podílet na parametrech všech tavů - vztahy pro výpočet tř. hod., rozptylů a přechod. pravděpoděpodobnotí nově obahují ještě tzv. okupační pravděpodobnoti - ty e dají určit na základě tzv. dopředné a zpětné pravděpodobnoti α a β přené vztahy lze najít v HTKbook kapitola 8. Praktický potup trénování (celolovních) HMM. Rovnoměrné rozdělení framů ke tavům, výpočet inicializačních hodnot parametrů 2. Iterační potup zpřeňování parametrů základním přítupem (2 0 iterací) 3. Iterační potup zpřeňování parametrů Baum-Welch algoritmem (2 0 iterací)
8 Třítavová truktura modelu Fonémov mové HMM přibližně odpovídá ituaci:. tav - přechod z předchozího fonému 2. tav - jádro fonému 3. tav - přechod do dalšího fonému Struktura modelu používaná v HTK celkem 5 tavů. a 5. tav je fiktivní (vtupní a výtupní) louží k umožnění přechodů mezi modely tav význam jako výše Slovní modely ložené z hlákových
9 Trénov nování fonémových modelů v HTK (). Vytvoření prototypu modelu textový popi truktury modelu tagy a číly (číelné hodnoty nehrají roli) Prototyp e rozkopíruje do modelů všech hláek
10 Trénov nování fonémových modelů v HTK (2) 2. Je-li známé umítění hláek v nahrávce (v ouboru *.lab jou přeně uvedeny začátky a konce) i a h o j. Použije e program Hinit - ten vyřízne všechny realizace každé hláky a iterativně natrénuje jejich parametry
11 Trénov nování fonémových modelů v HTK (3) 3. Není-li známé umítění hláek (v ouboru *.lab nejou uvedeny začátky a konce) i a h o j. Použije e program HCompV - ten provede tzv. Flat Start ( plochý tart ) pře všechny nahrávky určí hodnoty kovarianční matice (rozptyly) a umítí je do modelů všech hláek cílem je alepoň nějak inicializovat hodnoty parametrů
12 Trénov nování fonémových modelů v HTK (4) 4. Reetimace parametrů modelů Použije e několik iterací programem HERet - ten i na za základě informace v ouboru *.lab etaví model celé nahrávky zřetězením všech dílčích hlákových modelů - pro každou nahrávku určí dílčí přípěvek k výpočtu parametrů, - toto zopakuje e všemi nahrávkami - na závěr každé iterace e počítají hodnoty všech parametrů modelů - toto e provede v několika iteracích za ebou
13 HTKbook Texty k natudování Kapitola 3. A Tutorial Example of Uing HTK Kapitola 8. HMM Parameter Etimation K dipozici na webových tránkách předmětu: ada kriptů pro trénování (jednomixturových) modelů v HTK
14 Úkol do příšp íště S využitím HTK natrénovat na vých datech modely všech hláek.
7 Další. úlohy analýzy řeči i a metody
Pokročilé metody rozpoznávánířeči Přednáška 7 Další úlohy analýzy řeči i a metody jejich řešení Výsledky rozpoznávání (slovník k 413k) frantisek_vlas 91.92( 90.18) [H= 796, D= 10, S= 60, I= 15, N=866,
VíceSRE 03 - Skryté Markovovy modely HMM
SRE 03 - Skryté Markovovy modely HMM Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz FIT VUT Brno SRE 03 - Skryté Markovovy modely HMM Jan Černocký, ÚPGM FIT VUT Brno 1/35 Plán... SRE 03 - Skryté
VícePokročil. Vyučující: Prof. Ing. Jan Nouza, CSc., ITE
Pokročil ilé metody rozpoznávánířeči Vyučující: Prof. Ing. Jan Nouza, CSc., ITE Cíl předmětu: Seznámit se s nejmodernějšími metodami rozpoznávánířeči s využitím modulové stavebnice HTK (Hidden Model Markov
Víceteorie elektronických obvodů Jiří Petržela syntéza elektronických obvodů
Jiří Petržela příklad nalezněte dvě různé realizace admitanční funkce zadané formou racionální lomené funkce Y () () ( ) ( ) : první krok rozkladu do řetězového zlomku () 9 7 9 výledný rozklad ( ) 9 9
VíceVzorový test k přijímacím zkouškám do navazujícího magisterského studijního oboru Automatické řízení a informatika (2012)
Vzorový tet k přijímacím zkouškám do navazujícího magiterkého tudijního oboru Automatické řízení a informatika (22). Sekvenční logický obvod je: a) obvod, v němž je výtupní tav určen na základě vtupních
VícePříklady k přednášce 6 - Spojování a struktury
Příklad k přednášce 6 - Spojování a truktur Michael Šebek Automatické řízení 07 7-3-8 Automatické řízení - Kbernetika a robotika Zpětnovazební pojení tavových modelů Odvození obecného případu (značení
VíceSystém vztahů obecné pružnosti Zobecněný Hookeův zákon
Stém vtahů obecné pružnoti Zobecněný Hookeův ákon V PPI e řešil úloh pružnoti u prutů. Pro řešení pouvů napětí a přetvoření obecného 3D těleo je třeba etavit a řešit tém vtahů obecné pružnoti. Jeho řešení
VíceAproximace binomického rozdělení normálním
Aproximace binomického rozdělení normálním Aproximace binomického rozdělení normálním Příklad Sybilla a Kassandra tvrdí, že mají telepatické schopnosti, a chtějí to dokázat následujícím pokusem: V jedné
Víces požadovaným výstupem w(t), a podle této informace generuje akční zásah u(t) do
Vážení zákazníci, dovolujeme i Vá upozornit, že na tuto ukázku knihy e vztahují autorká práva, tzv. copyright. To znamená, že ukázka má loužit výhradnì pro oobní potøebu potenciálního kupujícího (aby ètenáø
VíceMarkovské procesy. příklad: diabetický pacient, hladina inzulinu, léky, jídlo
Pravděpodobnostní usuzování v čase Markovské procesy příklad: diabetický pacient, hladina inzulinu, léky, jídlo předpokládáme, že se množina možných stavů S nemění v průběhu času předpokládáme diskrétní
VíceLab. skup. Spolupracoval Měřeno dne Odevzdáno dne. Příprava Opravy Učitel Hodnocení
Jméno a příjmení ID FYZIKÁLNÍ PRAKTIK Ročník 1 Předmět Obor Stud. kupina Kroužek Lab. kup. FEKT VT BRNO Spolupracoval ěřeno dne Odevzdáno dne Příprava Opravy čitel Hodnocení Název úlohy Čílo úlohy 1. Úkol
Více12. cvičení z PSI prosince (Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem)
cvičení z PSI 0-4 prosince 06 Test střední hodnoty dvou normálních rozdělení se stejným neznámým rozptylem) Z realizací náhodných veličin X a Y s normálním rozdělením) jsme z výběrů daného rozsahu obdrželi
VíceObsah přednášky. 1. Základní pojmy. 2. Jednorozměrné charakteristiky 3. Rozložení 4. Vícerozměrné charakteristiky. Jak stručně popsat data
Obah přednášky 1. Základní pojmy. Jednorozměrné charakteritiky 3. Rozložení 4. Vícerozměrné charakteritiky Jak tručně popat data 5. Hypotézy, tety O kvalitě dat a modelů Základní a výběrový oubor, pravděpodobnot,
VíceFUZZY STOCHASTICKÁ ANALÝZA SLOŽITÝCH SOUSTAV ČÁST II CHARAKTERISTIKY FUZZY NÁHODNÉ VELIČINY
FUZZY STOCHASTICKÁ ANALÝZA SLOŽITÝCH SOUSTAV ČÁST II CHARAKTERISTIKY FUZZY NÁHODNÉ VELIČINY FUZZY STOCHASTIC ANALYSIS OF COMPLEX SYSTEMS PART II CHARACTERISTICS OF FUZZY RANDOM VARIABLE Mirolav Pokorný
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
VícePříklady k přednášce 16 - Pozorovatel a výstupní ZV
Příklady k přednášce 6 - Pozorovatel a výtupní ZV Michael Šebek Automatické řízení 08 6-4-8 Příklad: Pozorovatel pro kyvadlo naivně pro kyvadlo frekvencí ω 0 a rovnicemi x 0 x 0 navrhneme pozorovatel dvojitým
Více1 Seznamová barevnost úplných bipartitních
Barvení grafů pravděpodobnotní důazy Zdeně Dvořá 7. proince 208 Seznamová barevnot úplných bipartitních grafů Hypergraf je (labě) -obarvitelný, jetliže exituje jeho obarvení barvami neobahující monochromaticou
Více5. cvičení z Matematické analýzy 2
5. cvičení z Matematické analýz 2 30. října - 3. litopadu 207 5. linearizace funkce a Pro funkci f, = e nalezněte její linearizaci v bodě a 0 = 6, 0. Použijte ji k přibližnému určení hodnot funkce f v
Více1 LPC. Jan Černocký, FIT VUT Brno, 15. května 2007
CZR - numerické cvičení - zadání a řešení Jan Černocký, FIT VUT Brno, 5. května 007 LPC je dán signál o -ti vzorcích x[0]... x[]: 0, 0.707,, 0.707, 0, -0.707, -, -0.707, 0, 0.707,, 0.707 Příklady. je možné
VíceApriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
Více1 0 0 u 22 u 23 l 31. l u11
LU dekompozice Jedná se o rozklad matice A na dvě trojúhelníkové matice L a U, A=LU. Matice L je dolní trojúhelníková s jedničkami na diagonále a matice U je horní trojúhelníková. a a2 a3 a 2 a 22 a 23
VíceOdečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý
Odečítání pozadí a sledování lidí z nehybné kamery Ondřej Šerý Plán Motivace a popis úlohy Rozdělení úlohy na tři části Detekce pohybu Detekce objektů Sledování objektů Rozbor každé z částí a nástin několika
Více3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
Více( LEVEL 3 Laplaceova transformace jako nástroj řešení lineárních diferenciálních rovnic. )
( LEVEL 3 Laplaceova tranformace jako nátroj řešení lineárních diferenciálních rovnic. ) Podívejme e tentokrát na dynamiku pracovní edačky řidiče prizmatem matematiky aneb trocha teorie jitě nikomu neuškodí...
VíceSRE 03 - Statistické rozpoznávání
SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget ÚPGM FIT VUT Brno, burget@fit.vutbr.cz FIT VUT Brno SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget, ÚPGM FIT VUT Brno, 2006/07 1/29 Opakování
VíceKonvoluční model dynamických studií ledvin. seminář AS UTIA
Konvoluční model dynamických studií ledvin Ondřej Tichý seminář AS UTIA.. Obsah prezentace Scintigrafická obrazová sekvence a její analýza Konstrukce standardního modelu a jeho řešení Experiment Ovlivnění
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
VíceAgent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu odhaduje, jak se svět může vyvíjet.
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Dnešní program Agent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu
VíceVzorový protokol pro předmět Zpracování experimentu. Tento protokol by měl sloužit jako vzor pro tvorbu vašich vlastních protokolů.
Vzorový protokol pro předmět Zpracování experimentu. Tento protokol by měl loužit jako vzor pro tvorbu vašich vlatních protokolů. Na příkladech je zde ukázán právný zápi výledků i formát tabulek a grafů.
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOST A STATISTIKA Náhodný výběr Nechť X je náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládejme, že známe tvar distribuční funkce (víme jaké má rozdělení) a neznáme parametr
VíceVyhodnocování impulsních m ěř m ení kvalita vysokonap ěťových měř m ení
Vyhodnocování impulních měření a kvalita vyokonapěťových měření 1 Měření impulních napětí Metody pro tanovení 50 konvenční (po hladinách) 3 Pravděpodobnotní papír 4 Výpočet 50 a pomocí metody nejmenších
VíceStatika 2. Excentrický tlak za. Miroslav Vokáč 6. prosince ČVUT v Praze, Fakulta architektury. Statika 2. M.
6. přednáška Miroslav Vokáč miroslav.vokac@cvut.c ČVUT v Prae, akulta architektury 6. prosince 2018 Průběh σ x od tlakové síly v průřeu ávisí na její excentricitě k těžišti: e = 0 e < j e = j e > j x x
VíceStatistika pro každého. Párový test Test shody dvou rozptylů Dvouvýběrový t-test Porovnání středních hodnot při nestejných rozptylech
Statistika pro každého Párový test Test shody dvou rozptylů Dvouvýběrový t-test Porovnání středních hodnot při stejných rozptylech Testovací kuchařka 1 2 Párový t-test 1 2 Párový t-test -test užijeme v
Více3 Chyby měření. 3.1 Hrubé chyby
3 Chyby měření Za daných podmínek má každá fyzikální veličina určitou hodnotu, kterou ovšem z principiálních důvodů nemůžeme zjitit úplně přeně. Každé měření je totiž zatíženo chybami, které jou nejrůznějšího
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Vícerozměrné statistické rozdělení a testy, operace s vektory a maticemi Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Vícerozměrné statistické rozdělení
Více13. cvičení z PSI ledna 2017
cvičení z PSI - 7 ledna 07 Asymptotické pravděpodobnosti stavů Najděte asymptotické pravděpodobnosti stavů Markovova řetězce s maticí přechodu / / / 0 P / / 0 / 0 0 0 0 0 0 jestliže počáteční stav je Řešení:
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
VíceANALÝZA A KLASIFIKACE DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík,, CSc. III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných dat je vyjádřen n-rozměrným loupcovým vektorem hodnot x i,
VíceAVDAT Nelineární regresní model
AVDAT Nelineární regresní model Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Nelineární regresní model Ey i = f (x i, β) kde x i je k-členný vektor vysvětlujících proměnných
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
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky DIPLOMOVÁ PRÁCE PLZEŇ, 2016 MICHAL KLÍMA PROHLÁŠENÍ Předkládám tímto k posouzení a obhajobě diplomovou práci zpracovanou na závěr
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceAplikovaná numerická matematika - ANM
Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových
VíceANALÝZA PRŮCHODU PAPRSKOVÝCH SVAZKŮ KOUTOVÝM ODRAŽEČEM
ANALÝZA PRŮCHODU PAPRSKOVÝCH SVAZKŮ KOUTOVÝM ODRAŽEČEM P Kytka J Novák ČVUT v Praze Fakulta tavební katedra fyziky Práce e zabývá analýzou průchodu paprků koutovým odražečem což je typ hranolu který je
VíceVytvoření skriptů pro webové rozhraní předmětu Analýza a simulace technologických procesů
Vytvoření kriptů pro webové rozhraní předmětu Analýza a imulace technologických proceů M-file for the Internet Interface Ued in the Subject Analyi and Simulation of Technological Procee. Petr Tomášek Bakalářká
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
VíceStatistika, Biostatistika pro kombinované studium. Jan Kracík
Statistika, Biostatistika pro kombinované studium Letní semestr 2014/2015 Tutoriál č. 6: ANOVA Jan Kracík jan.kracik@vsb.cz Obsah: Testování hypotéz opakování ANOVA Testování hypotéz (opakování) Testování
VícePříklady k přednášce 20 - Číslicové řízení
Příklady k přednášce 0 - Čílicové řízení Micael Šebek Automatické řízení 07-4- Vzorkování: vzta mezi a z pro komplexní póly Spojitý ignál má Laplaceův obraz póly v, Dikrétní ignál má z-obraz αt yt ( )
VíceAlgoritmus pro hledání nejkratší cesty orientovaným grafem
1.1 Úvod Algoritmus pro hledání nejkratší cesty orientovaným grafem Naprogramoval jsem v Matlabu funkci, která dokáže určit nejkratší cestu v orientovaném grafu mezi libovolnými dvěma vrcholy. Nastudoval
VíceSKATEPARK PRACHATICE. Studie přestavby stávajících objektů na zázemí skateparku
SKATEPARK PRACHATICE Studie přetavby távajících objektů na zázemí kateparku SKATEPARK PRACHATICE Studie přetavby távajících objektů na zázemí kateparku Objednavatel: Sportovní zařízení Prachatice, přípěvková
VíceDefinice 7.1 Nechť je dán pravděpodobnostní prostor (Ω, A, P). Zobrazení. nebo ekvivalentně
7 Náhodný vektor Nezávislost náhodných veličin Definice 7 Nechť je dán pravděpodobnostní prostor (Ω, A, P) Zobrazení X : Ω R n, které je A-měřitelné, se nazývá (n-rozměrný) náhodný vektor Měřitelností
VíceDRN: Soustavy linárních rovnic numericky, norma
DRN: Soustavy linárních rovnic numericky, norma Algoritmus (GEM: Gaussova eliminace s částečným pivotováním pro převod rozšířené regulární matice na horní trojúhelníkový tvar). Zadána matice C = (c i,j
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
Více4EK212 Kvantitativní management. 7.Řízení projektů
4EK212 Kvantitativní management 7.Řízení projektů 6.5 Řízení projektů Typická aplikace teorie grafů Projekt = soubor činností Příklady: Vývoj a uvedení nového výrobku Výstavba či rekonstrukce objektu Plán
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 40 regula Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague regula 1 2 3 4 5 regula 6 7 8 2 / 40 2 / 40 regula Iterační pro nelineární e Bud f reálná funkce
VíceRosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
Vícel, l 2, l 3, l 4, ω 21 = konst. Proved te kinematické řešení zadaného čtyřkloubového mechanismu, tj. analyticky
Kinematické řešení čtyřkloubového mechanismu Dáno: Cíl: l, l, l 3, l, ω 1 konst Proved te kinematické řešení zadaného čtyřkloubového mechanismu, tj analyticky určete úhlovou rychlost ω 1 a úhlové zrychlení
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
Více4EK311 Operační výzkum. 6. Řízení projektů
4EK311 Operační výzkum 6. Řízení projektů 6. Řízení projektů Typická aplikace teorie grafů Projekt = soubor činností Příklady: Vývoj a uvedení nového výrobku Výstavba či rekonstrukce objektu Plán výrobního
VíceELEKTRICKÝ OBVOD, ZÁKLADNÍ OBVODOVÉ VELIČINY,
ELEKRCKÝ OBVOD, ZÁKLADNÍ OBVODOVÉ VELČNY, CHARAKERSCKÉ HODNOY Elektrotechnické zařízení Schéa Elektrický obvod Elektrotechnické zařízení druh technického zařízení, které využívá přeěny elektrické energie
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA STROJNÍ ZÁKLADY AUTOMATICKÉHO ŘÍZENÍ týden doc Ing Renata WAGNEROVÁ, PhD Otrava 013 doc Ing Renata WAGNEROVÁ, PhD Vyoká škola báňká Technická univerzita
VíceImplementace Bayesova kasifikátoru
Implementace Bayesova kasifikátoru a diskriminačních funkcí v prostředí Matlab J. Havlík Katedra teorie obvodů Fakulta elektrotechnická České vysoké učení technické v Praze Technická 2, 166 27 Praha 6
VíceČtvercové matice. Čtvercová matice je taková matice, jejíž počet řádků je roven počtu jejích sloupců
Determinant matice Čtvercové matice Čtvercová matice je taková matice, jejíž počet řádků je roven počtu jejích sloupců Determinant je zobrazení, které přiřadí každé čtvercové matici A skalár (reálné číslo).
VíceLineární algebra : Změna báze
Lineární algebra : Změna báze (13. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 8. dubna 2014, 10:47 1 2 13.1 Matice přechodu Definice 1. Nechť X = (x 1,..., x n ) a Y = (y 1,...,
VíceNumerická stabilita algoritmů
Numerická stabilita algoritmů Petr Tichý 9. října 2013 1 Numerická stabilita algoritmů Pravidla v konečné aritmetice Pro počítání v konečné aritmetice počítače platí určitá pravidla, která jsou důležitá
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceVysokofrekvenční obvody s aktivními prvky
Vokofrekvenční obvod aktivními prvk Základními aktivními prvk ve vokofrekvenční technice jou bipolární a unipolární tranzitor. Dalšími aktivními prvk jou hbridní nebo monolitické integrované obvod. Tranzitor
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 /
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
VíceZpracování digitalizovaného obrazu (ZDO) - Popisy III
Zpracování digitalizovaného obrazu (ZDO) - Popisy III Statistické popisy tvaru a vzhledu Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování
VícePravděpodobnost, náhoda, kostky
Pravděpodobnost, náhoda, kostky Radek Pelánek IV122 Výhled pravděpodobnost náhodná čísla lineární regrese detekce shluků Dnes lehce nesourodá směs úloh souvisejících s pravděpodobností připomenutí, souvislosti
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceZÁKLADY AUTOMATICKÉHO ŘÍZENÍ
VOKÁ ŠKOLA BÁŇKÁ TECHNICKÁ NIVEZITA OTAVA FAKLTA TOJNÍ ZÁKLAD ATOMATICKÉHO ŘÍZENÍ 9. týden doc. Ing. enata ANEOVÁ, Ph.D. Otrava 03 doc. Ing. enata ANEOVÁ, Ph.D. Vyoká škola báňká Technická univerzita Otrava
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
Více2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC
.6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom
VíceSlajdy k přednášce Lineární algebra I
Slajdy k přednášce Lineární algebra I Milan Hladík Katedra Aplikované Matematiky, Matematicko-fyzikální fakulta, Univerzita Karlova v Praze, http://kammffcunicz/~hladik 22 října 203 Intro Nejstarší zaznamenaná
VíceZPRACOVÁNÍ VÝBĚRŮ Z ASYMETRICKÝCH ROZDĚLENÍ
ZPRCOVÁÍ VÝBĚRŮ Z SYMERICKÝCH ROZDĚLEÍ JIŘÍ MILIKÝ, Katedra tetilních materiálů, echnická univerita v Liberci, 46 7 Liberec MIL MELOU, Katedra analytické chemie, Univerita Pardubice, Pardubice btrakt Jou
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
Více4. cvičení z Matematické analýzy 2
4. cvičení z Matematické analýzy 2 22. - 26. října 208 4. Po funkci fx, y, z xy 2 + z 3 xyz učete v bodě a 0,, 2 deivaci ve měu u, kteý je učen tím, že víá kladnými měy ouřadných o potupně úhly 60, 45
Více7. Analýza rozptylu.
7. Analýza rozptylu. Uvedeme obecnou ideu, která je založena na minimalizaci chyby metodou nejmenších čtverců. Nejdříve uvedeme několik základních tvrzení. Uvažujeme náhodný vektor Y = (Y, Y,..., Y n a
VíceMarkov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
VícePrincip řešení soustavy rovnic
Princip řešení soustavy rovnic Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Formulace úlohy Metody řešení
VíceNásobení. INP 2008 FIT VUT v Brně
Náobení INP 2008 FIT VUT v Brně Náobení a náobičky Při náobení číel v dvojkové outavě můžeme náobit abolutní hodnoty číel a pak doplnit do výledku znaménko, anebo raději náobit přímo číla e znaménkem.
VíceDiskretizace. 29. dubna 2015
MSP: Domácí příprava č. 3 Vnitřní a vnější popis diskrétních systémů Dopředná Z-transformace Zpětná Z-transformace Řešení diferenčních rovnic Stabilita diskrétních systémů Spojování systémů Diskretizace
Více1.1.14 Rovnice rovnoměrně zrychleného pohybu
..4 Rovnice rovnoměrně zrychleného pohybu Předpoklady: 3 Pedagogická poznámka: Stejně jako u předchozí hodiny je i v této hodině potřeba potupovat tak, aby tudenti měli minimálně minut na řešení příkladů
VíceImplementace rozpoznávače řeči na bázi TANDEM architektury
bakalářská práce Implementace rozpoznávače řeči na bázi TANDEM architektury Aleš Brich květen 2014 Doc. Ing. Petr Pollák, CSc. České vysoké učení technické v Praze Fakulta elektrotechnická, Katedra kybernetiky
VíceFakulta aplikovaných věd
Fakulta aplikovaných věd DISERTAČNÍ PRÁCE k získání akademického titulu doktor v oboru Kybernetika Ing. Jan Vaněk DISKRIMINATIVNÍ TRÉNOVÁNÍ AKUSTICKÝCH MODELŮ Školitel: Prof. Ing. Josef Psutka CSc. Katedra:
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOT A TATITIKA Přpomeutí pojmů,, P m θ, R θ R - pravděpodobostí prostor - parametrcký prostor - parametrcká fukce,, T - áhodý vektor defovaý a pravděpodobostím prostoru,, P θ s hustotou f x,
VíceTeorie elektronických obvodů (MTEO)
Teorie elektronických obvodů (MTEO) Laboratorní úloha čílo teoretická čát Filtry proudovými konvejory Laboratorní úloha je zaměřena na eznámení e principem činnoti proudových konvejorů druhé generace a
VíceLINEÁRNÍ MODELY. Zdeňka Veselá
LINEÁRNÍ MODELY Zdeňka Veselá vesela.zdenka@vuzv.cz Genetika kvantitativních vlastností Jednotlivé geny nejsou zjistitelné ani měřitelné Efekty většího počtu genů poskytují variabilitu, kterou lze většinou
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,
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
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,
VíceEM algoritmus. Proč zahrnovat do modelu neznámé veličiny
EM algoritmus používá se pro odhad nepozorovaných veličin. Jde o iterativní algoritmus opakující dva kroky: Estimate, který odhadne hodnoty nepozorovaných dat, a Maximize, který maximalizuje věrohodnost
Vícepřednáška TLAK - TAH. Prvky namáhané kombinací normálové síly a ohybového momentu
7..0 přednáška TLAK - TAH Prvky namáhané kombinací normálové íly a ohybového momentu Namáhání kombinací tlakové (tahové) íly a momentu tlak Namáhání kombinací tlakové (tahové) íly a momentu Namáhání kombinací
Více(2) [B] Nechť G je konečná grupa tvořena celočíselnými maticemi roměru 2 2 s operací násobení. Nalezněte všechny takové grupy až na izomorfizmus.
(1 [B] Nechť A : R 6 R 6 je lineární zobrazební takové, že A 26 = I. Najděte lineární prostory V 1, V 2 a V 3 takové, že R 6 = V 1 V 2 V 3 dim V 1 = dim V 2 = dim V 3 AV 1 V 1, AV 2 V 2 a AV 3 V 3 (2 [B]
VíceObr. 1: Vizualizace dat pacientů, kontrolních subjektů a testovacího subjektu.
Řešení příkladu - klasifikace testovacího subjektu pomocí Bayesova klasifikátoru: ata si vizualizujeme (Obr. ). Objem mozkových komor 9 8 7 6 5 pacienti kontroly testovací subjekt 5 6 Objem hipokampu Obr.
Více