Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
|
|
- Miroslav Filip Švec
- před 7 lety
- Počet zobrazení:
Transkript
1 Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013
2 Umělé neuronové sítě
3 Proč právě Neuronové sítě?
4 K čemu je to dobré?
5 Používá se to někde v praxi?
6 Úvod Umělé neuronové sítě patří do kategorie umělé inteligence. Hlavní objektem výzkumu této části je mozek. (Jeho struktura, funkce, možnosti a jeho napodobeniny)
7 Učit se Funkce lidského mozku Vytváření neexistujících vzorů Memory Switch Klasifikace Apod. Protože doposud funkce lidského mozku nebyli zcela objasněny, budeme zde hovořit spíše o efektech, které můžeme pozorovat.
8 Učit se Funkce lidského mozku Je základní schopnost lidského mozku (Tato schopnost je možná, protože jednotlivé neurony mohou mezi sebou navazovat a rušit spojení Těmto spojům se říká synapse.)
9 Funkce lidského mozku Vytváření neexistujících vzorů příkladem je obrázek na, kterém je vidět bílý čtverec i když tam ve skutečnosti není.
10 Funkce lidského mozku Memory Switch tato funkce, neboli efekt se projevuje jak u lidských mozků tak i u technických neuronových sítí. Tj. pokud se neuronová síť naučí nějakému vzoru, pak jej vždy rozpozná. Tento jev je v podstatě slabinou. Protože při poznávání světa se člověk setkává s jevy a ty zařazuje do tříd. Pokud však člověk najde jev, který je podobný již poznanému, tak tento nový jev automaticky zařadí do stejné třídy i když se může jednat o zcela jiný jev. (Tímto je možné přehlédnout např. nový objev.)
11 Funkce lidského mozku Klasifikace je v podstatě ohodnocení daného problému a jeho zařazení do příslušné třídy. Je to činnost, kterou člověk používá každý den. Např.: o o Operátor přijímající zprávu v Morseově abecedě, musí správně klasifikovat jednotlivé znaky Zákazník, který vybírá mezi výrobky se musí rozhodnout, který je pro něj lepší a který horší
12 Mozek Mozek je považován za centrum inteligence V dnešní době je známo více informací o mozku na úrovni fyziologické než na úrovni psychologické. Např. ví se jak fungují mozkové buňky, ale téměř nic není známo o vlastní inteligenci člověka. (Zatím ani neexistuje definice, co to vlastně inteligence je )
13 Mozek Základním stavebním prvkem Mozku je buňka nazývána Neuron (asi 25 miliard v mozku) V mozku jsou i jiné druhy buněk, které s neurony spolupracují nebo mají jiné funkce. Neurony se dělí do mnoha druhů, avšak všechny druhy neuronů jsou navenek stejné. Každý neuron se skládá ze: Vstupu (dendrid) Jádra (soma) Výstupu (axon)
14 Neuron - matematický model Při matematickém popisu se vychází z biologického neuronu
15 Neuron - matematický model Rozdělení neuronu na jednotlivé prvky systému Na tomto obrázku je zobrazen příklad neuronu se čtyřmi vstupy. Avšak každý neuron může obsahovat libovolný počet vstupů, což závisí na úloze
16 Neuron - matematický model Rozdělení neuronu na jednotlivé prvky systému Druh Matematická operace Příklad Synaptické operace Somatické operace Skalární součin vektorů x a w z i (t) = x i (t) * w i (t) Prahování v(t) = u(t) w 0 Nelineární zobrazení ut () n i 1 z i () t y(t) = Z[v(t)]
17 Neuron - matematický model Druhy neuronů Nespojitý Perceptron Druh Synaptické operace Somatické operace Matematická operace Skalární součin vektorů x a w Agregace Příklad z i (t) = x i (t) * w i (t) Prahování ut v(t) () = u(t) z i () wt 0 n i 1 Neuron první generace
18 Neuron - matematický model Nespojitý Perceptron nelineární zobrazení
19 Neuron - matematický model Druhy neuronů Spojitý Perceptron Druh Synaptické operace Matematická operace Skalární součin vektorů x a w Agregace Příklad z i (t) = x i (t) * w i (t) ut () n i 1 z i () t Somatické operace Prahování v(t) = u(t) w 0 Nelineární zobrazení (Sigmoida) yt ( ) *() v t 1 e m Neuron druhé generace
20 Neuron - matematický model Spojitý Perceptron nelineární zobrazení
21 Neuron - matematický model Základní vlastnost každého neuronu klasifikace, resp. separabilita Příklad -> Třída B lineární separabilita Tj. rozdělení vstupních hodnot do dvou tříd jednou přímkou Třída A
22 Umělé neuronové sítě - vrstvené Základní představa matematický model
23 Umělé neuronové sítě - vrstvené Základní vlastnosti - učení Učení je základní vlastnost neuronových sítí. Při procesu učení jsou nastavovány určité parametry (váhy, strmosti přenosových funkcí, apod.) neuronové sítě, tak aby odchylka mezi požadovaným a skutečným výstupem byla minimální. Neuronové sítě se mohou také učit změnou jednotlivých skrytých vrstev, tj. různým počtem neuronů v těchto vrstvách. Vstup A Vstup B Parametry neuronu pro nastavení Neuron Výstup
24 Umělé neuronové sítě - vrstvené Základní vlastnosti - učení Při procesu učení jsou nastavovány určité parametry (váhy, prahy, strmosti přenosových funkcí, apod.) neuronové sítě, tak aby odchylka mezi požadovaným a skutečným výstupem byla minimální. Neuronové sítě se mohou také učit změnou jednotlivých skrytých vrstev, tj. různým počtem neuronů v těchto vrstvách. Druh Synaptické operace Somatické operace Matematická operace Skalární součin vektorů x a w Agregace Prahování Nelineární zobrazení (Sigmoida) Příklad z i (t) = x i (t) * w i (t) y ut () n i 1 z i () t v(t) = u(t) h m 1 e ( t) *() vt
25 Umělé neuronové sítě - vrstvené Základní vlastnosti nelineární zobrazení
26 Umělé neuronové sítě - vrstvené Základní vlastnosti znalosti / robustnost
27 Umělé neuronové sítě - vrstvené Základní vlastnosti generalizace (zobecňování)
28 Umělé neuronové sítě - vrstvené Režimy práce Adaptační (učební) režim Vybavovací (odvozovací) režim
29 Příklady použití vrstvených neuronových sítí Modelování a simulace Expertní systémy Řízení složitých systémů a další
30 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Schématická značka: Pravdivostní tabulka funkce AND: Vstup A Vstup B Výstup A B & Výstup
31 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Schéma použitého neuronu: Tréninková množina: Vstup A Vstup B Výstup A B P e r c e p t r o n Výstup 1 1
32 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Tréninková množina: Vstup A Vstup B Výstup Grafické vyjádření tréninkové množiny: Přiřazení grafických symbolů logickým hodnotám Hranice mezi třídami
33 Příklad použití - Modelování Zadání: Vytvořte model logické funkce AND Základní parametry neuronu Grafické vyjádření tréninkové množiny: Vstup A Vstup B Neuron Výstup Základní parametry neuronu: W A váha vstupu A W B váha vstupu B H prahová hodnota neuronu Hranice mezi třídami
Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
VíceNeuronové sítě. Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky
Neuronové sítě Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky Motivace pro výzkum umělých neuronových sítí lidský mozek pracuje jiným způsobem než běžné číslicové počítače počítače přesně
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
VíceArchitektura - struktura sítě výkonných prvků, jejich vzájemné propojení.
Základní pojmy z oblasti neuronových sítí Zde je uveden přehled některých základních pojmů z oblasti neuronových sítí. Tento přehled usnadní studium a pochopení předmětu. ADALINE - klasická umělá neuronová
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
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
VíceNeuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
VíceNeuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
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,
VícePV021: Neuronové sítě. Tomáš Brázdil
1 PV021: Neuronové sítě Tomáš Brázdil Cíl předmětu 2 Na co se zaměříme Základní techniky a principy neuronových sítí (NS) Přehled základních modelů NS a jejich použití Co si (doufám) odnesete Znalost základních
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
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:
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
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.
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
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
VíceAutomatizace je proces při němž je řídicí funkce člověka nahrazována činností
Automatizace je proces při němž je řídicí funkce člověka nahrazována činností různých přístrojů a zařízení. (Mechanizace, Automatizace, Komplexní automatizace) Kybernetika je Věda, která zkoumá obecné
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VíceStatSoft Úvod do neuronových sítí
StatSoft Úvod do neuronových sítí Vzhledem k vzrůstající popularitě neuronových sítí jsme se rozhodli Vám je v tomto článku představit a říci si něco o jejich využití. Co si tedy představit pod pojmem
VíceAsociativní sítě (paměti) Asociace známého vstupního vzoru s daným výstupním vzorem. Typická funkce 1 / 44
Asociativní paměti Asociativní sítě (paměti) Cíl učení Asociace známého vstupního vzoru s daným výstupním vzorem Okoĺı známého vstupního vzoru x by se mělo také zobrazit na výstup y odpovídající x správný
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
VíceICT podporuje moderní způsoby výuky CZ.1.07/1.5.00/ Matematika analytická geometrie. Mgr. Pavel Liška
Název projektu ICT podporuje moderní způsoby výuky Číslo projektu CZ.1.07/1.5.00/34.0717 Název školy Gymnázium, Turnov, Jana Palacha 804, přísp. organizace Číslo a název šablony klíčové aktivity IV/2 Inovace
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceÚvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská
Neuronové sítě-delta učení Filip Habr České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská 30. března 2009 Obsah prezentace Obsah prezentace Delta učení 1 Teorie k delta učení 2
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
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
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
VícePrincipy počítačů I Netradiční stroje
Principy počítačů I Netradiční stroje snímek 1 Principy počítačů Část X Netradiční stroje VJJ 1 snímek 2 Netradiční procesory architektury a organizace počítačů, které se vymykají struktuře popsané Johnem
VíceTRÉNINK DOVEDNOSTÍ LUDĚK BUKAČ TRENÉR ČSLH
TRÉNINK DOVEDNOSTÍ LUDĚK BUKAČ TRENÉR ČSLH DOVEDNOSTI Spektrum herní činnosti tvoří hokejové dovednosti. Bruslení, střelba, přihrávání, kličkování. Opakováním se dovednost stává návykem. Dovednostní návyky
VíceNeuronové sítě. 1 Úvod. 2 Historie. 3 Modely neuronu
Neuronové sítě L. Horký*, K. Břinda** Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 *horkyladislav@seznam.cz, **brinda@fjfi.cvut.cz Abstrakt Cílem našeho příspěvku je získat uživatelský
VíceMaturitní témata z matematiky
Maturitní témata z matematiky G y m n á z i u m J i h l a v a Výroky, množiny jednoduché výroky, pravdivostní hodnoty výroků, negace operace s výroky, složené výroky, tabulky pravdivostních hodnot důkazy
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceNeuronové sítě výuka2
Neuronové sítě výuka2 Neuronové sítě jsou definovány jako nedeklarativní systémy umělé inteligence. Nedeklarativní jsou v tom smyslu, že nemusíme předem definovat pravidla, kterými se neuronová síť řídí.
Vícepřetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat
Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního
VíceZADÁNÍ ZKOUŠKOVÉ PÍSEMNÉ PRÁCE Z PŘEDMĚTU LINEÁRNÍ ALGEBRA PRO IT. Verze 1.1A
Verze 1.1A Čas na práci: 1 minut Za každý úkol můžete získat maximálně 1 bodů. Řešení každého příkladu zapisujte čitelně a srozumitelně, 2x 1 +4x 3 +3x 4 = 4 x 1 +2x 2 +4x 3 3x 4 = 1 2x 1 +x 2 x 3 3x 4
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
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceRegulační obvod s měřením akční veličiny
Regulační obvod s měřením akční veličiny Zadání Soustava vyššího řádu je vytvořena z několika bloků nižšího řádu, jak je patrno z obrázku. Odvoďte výsledný přenos soustavy vyššího řádu popisující dané
VíceNeuronové sítě AIL002. Iveta Mrázová 1 František Mráz 2. Neuronové sítě. 1 Katedra softwarového inženýrství. 2 Kabinet software a výuky informatiky
Neuronové sítě AIL002 Iveta Mrázová 1 František Mráz 2 1 Katedra softwarového inženýrství 2 Kabinet software a výuky informatiky Do LATEXu přepsal: Tomáš Caithaml Učení s učitelem Rozpoznávání Použití:
VíceRegulační obvod s měřením regulováné veličiny
Regulační obvod s měřením regulováné veličiny Zadání Soustava vyššího řádu je vytvořena z několika bloků nižšího řádu, jak je patrno z obrázku. Odvoďte výsledný přenos soustavy vyššího řádu popisující
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
VíceMaturitní otázky z předmětu MATEMATIKA
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu MATEMATIKA 1. Výrazy a jejich úpravy vzorce (a+b)2,(a+b)3,a2-b2,a3+b3, dělení mnohočlenů, mocniny, odmocniny, vlastnosti
VíceOptimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
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
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
VíceModerní technologie ve studiu aplikované fyziky CZ.1.07/2.2.00/ Množiny, funkce
Moderní technologie ve studiu aplikované fyziky CZ.1.07/2.2.00/07.0018 2. Množiny, funkce MNOŽIN, ZÁKLDNÍ POJMY Pojem množiny patří v matematice ke stěžejním. Nelze jej zavést ve formě definice pomocí
VíceStrojové učení se zaměřením na vliv vstupních dat
Strojové učení se zaměřením na vliv vstupních dat Irina Perfilieva, Petr Hurtík, Marek Vajgl Centre of excellence IT4Innovations Division of the University of Ostrava Institute for Research and Applications
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceNeuronové sítě v DPZ
Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková Neuronové sítě
Více2. Množiny, funkce. Poznámka: Prvky množiny mohou být opět množiny. Takovou množinu, pak nazýváme systém množin, značí se
MNOŽIN, ZÁKLDNÍ POJMY Pojem množiny patří v matematice ke stěžejním. Nelze jej zavést ve formě definice pomocí primitivních pojmů; považuje se totiž rovněž za pojem primitivní. Představa o pojmu množina
Více28.z-8.pc ZS 2015/2016
Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace počítačové řízení 5 28.z-8.pc ZS 2015/2016 2015 - Ing. Václav Rada, CSc. Další hlavní téma předmětu se dotýká obsáhlé oblasti logického
VíceZPĚTNOVAZEBNÍ ŘÍZENÍ, POŽADAVKY NA REGULACI
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE, FAKULTA ELEKTROTECHNICKÁ, KATEDRA ŘÍDICÍ TECHNIKY Modelování a simulace systémů cvičení 9 ZPĚTNOVAZEBNÍ ŘÍZENÍ, POŽADAVKY NA REGULACI Petr Hušek (husek@fel.cvut.cz)
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VíceVY_32_INOVACE_In 6.,7.13 Vzorce vložení funkce
VY_32_INOVACE_In 6.,7.13 Vzorce vložení funkce Anotace: Žák se seznámí se základními druhy funkcí a jejich vložením v programu MS Excel 2010. Pracuje na svém žákovském počítači dle pokynů v prezentaci.
VíceH. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976
Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty
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 /
VíceMetodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel
Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel Modul Řešitel (v anglické verzi Solver) je určen pro řešení lineárních i nelineárních úloh matematického programování. Pro ilustraci
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
VíceMatematika. ochrana životního prostředí analytická chemie chemická technologie Forma vzdělávání:
Studijní obor: Aplikovaná chemie Učební osnova předmětu Matematika Zaměření: ochrana životního prostředí analytická chemie chemická technologie Forma vzdělávání: denní Celkový počet vyučovacích hodin za
Více1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
VíceÁ Á ň ň ť Í Ť ň Í ř ň ř ř ň Í Ť Ě ň Č Ť Á Í Á Ť Í Á Ď ř ř ň Í ť ť ň ň Ě Í ů Í Í ř Ě ř Ě Ť ň Ť Ý ň ň Ť ň ň ň ň Ě ť Í Á Ť Ť ň Ť ř ú ň Í Ť Í Ť ň Á ň Ž ď Ě ň Ě Í Ů ň Ť ň ň Í Ě Ť ň ř Í Ť Í ň ň Č Ť ť ň ň ř ň
VíceDIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ
DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast CZ.1.07/1.5.00/34.0963 IV/2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti
VíceZáklady matematiky pro FEK
Základy matematiky pro FEK 1. přednáška 22.9.2016 Blanka Šedivá KMA zimní semestr 2016/2017 Blanka Šedivá (KMA) Základy matematiky pro FEK zimní semestr 2016/2017 1 / 19 Organizační pokyny přednášející:
VíceMS EXCEL 2010 ÚLOHY. Vytvořte tabulku podle obrázku, která bude provádět základní matematické operace se dvěma zadanými čísly a a b.
MS EXCEL 2010 ÚLOHY ÚLOHA Č.1 Vytvořte tabulku podle obrázku, která bude provádět základní matematické operace se dvěma zadanými čísly a a b. Do buněk B2 a B3 očekávám zadání hodnot. Buňky B6:B13 a D6:D13
VíceInteligentní systémy a neuronové sítě
Inteligentní systémy a neuronové sítě Arnošt Veselý, Česká zemědělská univerzita, Kamýcká, Praha 6 - Suchdol Summary: In the article two main architectures of inteligent systems: logical-symbolic and connectionist
VíceMATURITNÍ TÉMATA Z MATEMATIKY
MATURITNÍ TÉMATA Z MATEMATIKY 1. Základní poznatky z logiky a teorie množin Pojem konstanty a proměnné. Obor proměnné. Pojem výroku a jeho pravdivostní hodnota. Operace s výroky, složené výroky, logické
VíceVýuka může probíhat v kmenových učebnách, část výuky může být přenesena do multimediálních učeben, k interaktivní tabuli, popřípadě do terénu.
7.2 MATEMATIKA A JEJÍ APLIKACE 7.2.1 Matematika (M) Charakteristika předmětu 1. stupně Vyučovací předmět má časovou dotaci v 1. ročníku 4 hodiny týdně + 1 disponibilní hodinu týdně, ve 2. a 3. ročníku
VíceNeuronové sítě Minimalizace disjunktivní normální formy
Neuronové sítě Minimalizace disjunktivní normální formy Zápis logické funkce Logická funkce f : {0, 1} n {0, 1} Zápis základní součtový tvar disjunktivní normální forma (DNF) základní součinový tvar konjunktivní
VíceMatematický seminář. OVO ŠVP Tématický celek Učivo ŠVP Integrace Mezipředmětové vztahy. jejich soustavy. Spojitost funkce v bodě. Limita funkce v bodě
Řeší s porozumněním rovnice s parametrem Rovnice, nerovnice a jejich soustavy Řovnice, nerovnice a jejich soustavy Třetí, 24 hodin Zvolí vhodnou metodu řešení rovnice nebo nerovnice Vysvětlí zvolený způsob
VíceUniverzita Pardubice Fakulta ekonomicko správní. Klasifikace ekonomických subjektů Nikol Popelková
Univerzita Pardubice Fakulta ekonomicko správní Klasifikace ekonomických subjektů Nikol Popelková Bakalářská práce 2009 2 3 Prohlášení autora Prohlašuji: Tuto práci jsem vypracovala samostatně. Veškeré
VíceZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA ELEKTROTECHNICKÁ KATEDRA TECHNOLOGIÍ A MĚŘENÍ BAKALÁŘSKÁ PRÁCE
ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA ELEKTROTECHNICKÁ KATEDRA TECHNOLOGIÍ A MĚŘENÍ BAKALÁŘSKÁ PRÁCE Využití umělých neuronových sítí v technické diagnostice vedoucí práce: Ing. Tomáš Hujer 2012 autor:
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
VíceMatematika PRŮŘEZOVÁ TÉMATA
Matematika ročník TÉMA 1-4 Operace s čísly a - provádí aritmetické operace v množině reálných čísel - používá různé zápisy reálného čísla - používá absolutní hodnotu, zapíše a znázorní interval, provádí
VíceSEZNAM ANOTACÍ. CZ.1.07/1.5.00/ III/2 Inovace a zkvalitnění výuky prostřednictvím ICT VY_32_INOVACE_MA4 Analytická geometrie
SEZNAM ANOTACÍ Číslo projektu Číslo a název šablony klíčové aktivity Označení sady DUM Tematická oblast CZ.1.07/1.5.00/34.0527 III/2 Inovace a zkvalitnění výuky prostřednictvím ICT VY_32_INOVACE_MA4 Analytická
VíceToolbox pro neuronové sítě pro prostředí Mathematica
Toolbox pro neuronové sítě pro prostředí Mathematica Toolbox for Neural Networks in the environment Mathematica Bc. Martin Macháč Diplomová práce 2009 UTB ve Zlíně, Fakulta aplikované informatiky, 2009
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
VíceDigitální učební materiál
Digitální učební materiál Číslo projektu CZ07/500/34080 Název projektu Zkvalitnění výuky prostřednictvím ICT Číslo a název šablony klíčové aktivity III/ Inovace a zkvalitnění výuky prostřednictvím ICT
VíceAnalytická geometrie. c ÚM FSI VUT v Brně
19. září 2007 Příklad 1. Příklad 2. Příklad 3. Příklad 1. Určete obecnou rovnici roviny, která prochází body A = [0, 1, 2], B = [ 1, 0, 3], C = [3, 1, 0]. Příklad 1. A = [0, 1, 2], B = [ 1, 0, 3], C =
VíceTestování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
VíceNEURONOVÉ SÍTĚ A EVOLUČNÍ ALGORITMY NEURAL NETWORKS AND EVOLUTIONARY ALGORITHMS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceMatematika a její aplikace Matematika 1. období 3. ročník
Vzdělávací oblast : Vyučovací předmět : Období ročník : Matematika a její aplikace Matematika 1. období 3. ročník Počet hodin : 165 Učební texty : H. Staudková : Matematika č. 7 (Alter) R. Blažková : Matematika
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
VíceMaturitní témata profilová část
Seznam témat Výroková logika, úsudky a operace s množinami Základní pojmy výrokové logiky, logické spojky a kvantifikátory, složené výroky (konjunkce, disjunkce, implikace, ekvivalence), pravdivostní tabulky,
VíceProfilová část maturitní zkoušky 2013/2014
Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2013/2014 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA
VíceMATEMATIKA. 1. 5. ročník
Charakteristika předmětu MATEMATIKA 1. 5. ročník Obsahové, časové a organizační vymezení Vyučovací předmět matematika má časovou dotaci 4 hodiny týdně v 1. ročníku, 5 hodin týdně ve 2. až 5. ročníku. Časová
VíceÚvod do modelování a simulace. Ing. Michal Dorda, Ph.D.
Úvod do modelování a simulace systémů Ing. Michal Dorda, Ph.D. 1 Základní pojmy Systém systémem rozumíme množinu prvků (příznaků) a vazeb (relací) mezi nimi, která jako celek má určité vlastnosti. Množinu
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
VíceNEURONOVÉ SÍTĚ EVA VOLNÁ CZ.1.07/2.2.00/
NEURONOVÉ SÍTĚ EVA VOLNÁ CZ.1.07/..00/9.0006 OSTRAVA, červen 013 Studijní opora je jedním z výstupu projektu ESF OP VK. Číslo Prioritní osy: 7. Oblast podpory: 7.. Vysokoškolské vzdělávání Příjemce: Ostravská
VíceZákladní pojmy; algoritmizace úlohy Osnova kurzu
Osnova kurzu 1) 2) Teorie logického řízení 3) Fuzzy logika 4) Algebra blokových schémat 5) Vlastnosti členů regulačních obvodů 6) Vlastnosti regulátorů 7) Stabilita regulačního obvodu 8) Kvalita regulačního
VíceVÝUKOVÝ MATERIÁL. Bratislavská 2166, 407 47 Varnsdorf, IČO: 18383874 www.vosassvdf.cz, tel. +420412372632 Číslo projektu
VÝUKOVÝ MATERIÁL Identifikační údaje školy Vyšší odborná škola a Střední škola, Varnsdorf, příspěvková organizace Bratislavská 2166, 407 47 Varnsdorf, IČO: 18383874 www.vosassvdf.cz, tel. +420412372632
VíceModelování polohových servomechanismů v prostředí Matlab / Simulink
Modelování polohových servomechanismů v prostředí Matlab / Simulink Lachman Martin, Mendřický Radomír Elektrické pohony a servomechanismy 27.11.2013 Struktura programu MATLAB-SIMULINK 27.11.2013 2 SIMULINK
VícePRAVDĚPODOBNOST A STATISTIKA
PRAVDĚPODOBNOS A SAISIKA Regresní analýza - motivace Základní úlohou regresní analýzy je nalezení vhodného modelu studované závislosti. Je nutné věnovat velkou pozornost tomu aby byla modelována REÁLNÁ
VíceNeuroplasticita Celoživotní schopnost nervových buněk mozku stavět, přestavovat, rušit a opravovat svoji tkáň. Celoživotní potenciál mozku
Neuroplasticita Celoživotní schopnost nervových buněk mozku stavět, přestavovat, rušit a opravovat svoji tkáň. Celoživotní potenciál mozku přizpůsobit se strukturálně i funkčně novým podnětům či změněným
Více19 Hilbertovy prostory
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 19: Hilbertovy prostory 34 19 Hilbertovy prostory 19.1 Úvod, základní pojmy Poznámka (připomenutí). Necht (X,(, )) je vektorový prostor se skalárním součinem
Více