Komunikace a paměť pro plausibilní agenty
|
|
- Irena Čechová
- před 7 lety
- Počet zobrazení:
Transkript
1 Komunikace a paměť pro plausibilní agenty Vojtěch Kopal, Ondřej Sýkora Univerzita Karlova v Praze, Matematicko-fyzikální fakulta Malostranské námestí 25, Praha 1 vojtech.kopal@gmail.com, sykora@ktiml.mff.cuni.cz Abstrakt To, že skupina komunikujících a spolupracujících agentů může dosáhnout lepších výsledků, než nezávislí agenti, je jedna ze základních myšlenek teorie multiagentních systémů. Výměna informací mezi agenty může přispět k rychlejšímu prozkoumávání prostředí a zároveň kompenzovat omezené znalosti a schopnosti jednotlivých agentů. V této práci zkoumáme vztah mezi komunikací a prostorovou pamětí situovaných agentů a vliv paměti a komunikace na schopnost agentů přežít v simulovaném prostředí. Ukazujeme, že komunikace může významně zvýšit životaschopnost agentů a kompenzovat omezené vnímání a kapacitu paměti agentů. 1 Úvod * V současné informační společnosti je pro jednoho člověka velmi obtížné pojmout veškeré dostupné informace. A to jak zapamatovat si je, tak je sám dál zpracovávat. Z toho je zřejmé, nakolik je důležitá schopnost delegovat proces uvažování a zpracování informací v rámci skupiny. Samotný problém rozhodování ve skupinách či týmech je v literatuře studován již dlouho [3]. Za předpokladu, že pro zpracování informací a vyhodnocení rozhodnutí jsou k dispozici jen omezené prostředky, v tomto případě paměť, musejí být informace nutné pro rozhodování rozděleny a efektivně předávány mezi členy skupiny. Naše rozhodnutí mohou být buď vědomá či podvědomá, v závislosti na našich potřebách. Podobně jako v mikroekonomii lze použít užitek (utility) jako míru relativního uspokojení [12] a pomocí něj sledovat, jak lidi zvládají naplňovat své potřeby. Klíčové pro úspěšné naplnění potřeb jedince jsou jeho znalosti, které ukládá v paměti a průběžně je obnovuje. S neomezenou pamětí, do které by bylo možné informace ukládat a libovolně z ní vybavovat, by bylo snadné dosáhnout optimálního rozhodování. Lidská paměť je však omezená. Když hovoříme o tom, že lidská paměť je omezená, máme na myslí, že si nejsme schopni pamatovat cokoliv. Určité části informací se vytrácejí samovolně s postupem času, nebo jako následek uložení nových faktů. V této práci zkoumáme, zda-li a jak moc může intenzivní komunikace nahradit nedostatečnou paměť za předpokladu konstantního užitku. Předpokládáme přitom, že přidání komunikace zlepší šance agentů na přežití. 2 Související práce V této práci se zabýváme modely prostorové paměti pro agenty a komunikací mezi agenty. Přitom navazujeme především na výzkum v oblasti agentů a umělého života a na výzkum zybývající se modelováním paměti v multiagentních systémech. V následujících odstavcích shrnujeme základní pojmy z obou oblastí. 2.1 Agenti Pro pojem agent existuje řada definic pocházejících z různých oborů, mj. z psychologie a ekonomie. V umělé inteligenci je pojem agent několik významů, bez přesně vymezené definice [13]. Nejčastěji se tento pojem ale používá pro pojmenování entity, která vnímá prostředí, ve kterém se nachází, a vykonává akce, pomocí kterých své prostředí ovlivňuje [10]. Přitom je třeba dát pozor, že jak agent, tak prostředí jsou abstraktní pojmy, které nevyžadují, aby prostředí bylo reálné fyzické prostředí, nebo aby se v něm agent nacházel na konkrétní, přesně definované, pozici. Agent tak může být stejně dobře robot provádějící průzkum cizí planety, jako entita bez fyzické reprezentaca, která prochází Internet a vyhledává na něm informace. Velmi často se pojem agent používá v kontextu multiagentních systémů, tedy systémů, ve kterých se pohybuje několik agentů současně. Tito agenti spolu mohou komunikovat a spolupracovat na řešení svých úkolů. Spolupráce agentů ovšem není nutná vlastnost multiagentního systému a agenti sledují především svoje vlastní zájmy. Základní taxonomie agentů [13] obsahuje několik typů agentů rozdělených podle jejich vlastností a vlastností jejich chování. Racionální agenti (rational agents) jsou agenti, kteří vybírají akce tak, aby maximalizovali vlastní zisk [6]. Věrohodní agenti (plausible agents) jsou agenti implementováni pomocí metod inspirovaných poznatky z psychologie a biologie, které se snaží napodobit
2 fungování lidského mozku. V tomto textu budeme hovořit především o situovaných agentech, tedy o agentech, kteří se pohybují v určitém prostředí a jejichž inteligence je založena na interakci s tímto prostředím. 2.1 Modely paměti Mluvíme-li v této práci o paměti, nejedná se o paměť v technickém smyslu, například paměť počítače. Spíše jde o modely a algoritmy, které agenti využívají pro ukládání a vybavování informací o svém prostředí a interakcích s ním. Typy paměti, které agenti používají, závisejí na typu agenta a na úloze, kterou vykonává. V tomto textu se zabýváme především prostorovou pamětí, tedy pamětí určenou pro uložení informací o rozložení objektů v prostředí a navigaci v něm. V psychologické literatuře nacházíme typicky dva základní typy paměti: krátkodobou paměť, která je výrazně omezená co do kapacity, ale nabízí snadné zapamatování a vybavení informací, a dlouhodobou paměť s vysokou kapacitou, ale pomalejším procesem učení [1,2,11]. Agenti v reálném prostředí typicky nemají k dispozici neomezené prostředky nebo neomezený čas pro nalezení optimální strategie. Racionální agenti proto musejí hledat rovnováhu mezi kvalitou plánu a časem nutným pro jeho vytvoření. Bratman, et al. [4] popisují, jak je možné pracovat s omezenými prostředky při plánování; podobná omezení je nutné uvažovat i při modelování paměti pro reálné agenty. Modely paměti pro uvěřitelné agenty byly studovány zejména v kontextu autobiografických agentů. Jedná se o agenty, kteří zaznamenávají své vlastní interakce s prostředím a s ostatními agenty. Ho, et al. [8] studoval schopnost agentů vybavených pamětí ve scénářích s komunikací a bez komunikace přežít v komplexním multiagentním prostředí. Ve své práci popisuje tři typy agentů: čistě reaktivní agenty, agenty s krátkodobou pamětí a agenty s dlouhodobou pamětí. Krátkodobá paměť byla tvořena pomocí spojového seznamu pevné délky; dlouhodobá paměť byla založena na psychologických modelech paměti. Závěry studie odpovídají očekávání, tj. agenti používající složitější modely paměti dosahují lepších výsledků a výměna informací umožňuje agentům lépe se vyrovnat s dynamickým prostředím. Brom, et al. [5] navrhuje model paměti, pomocí kterého si agenti mohou zapamatovat umístění věcí v prostředí, ve kterém se pohybují. Tento model se od předchozích liší zejména hierarchickým rozdělením prostoru. Autoři model popisují v kontextu bytu; dělení v tomto případě je na jednotlivé místnosti a dále na kusy nábytku v těchto místnostech. Model zároveň umožňuje popisovat změny v prostředí (například dané aktivitou ostatních agentů) pomocí přemisťování v prostředí. Agent si tak vytváří pravděpodobnostní model umístění předmětů a implicitně i pravidla pro procházení prostoru při hledání určitého předmětu. V této práci se zaměřujeme spíše na efekty komunikace mezi agenty a proto používáme jednodušší modely paměti založené na samoorganizaci a strojovém učení, bez hierarchické struktury a bez explicitního dělení na krátkodobou a dlouhodobou paměť. 3 Simulace prostředí Pro testování chování agentů jsme vytvořili simulátor prostředí pro situované agenty. Toto prostředí je dvourozměrná čtvercová mřížka, ve které se agenti pohybují. Každý agent se v každém kroce simulace nachází na právě jednom poli a v danou chvíli může vnímat pouze omezené okolí své pozice. Aby se dozvěděl o tom, co se děje v oblastech mimo jeho dohled, musí tyto oblasti navštívit. Tím ovšem ztratí aktuální informace o oblasti, kterou opustil. Agent své znalosti o prostředí doplňovat buď sám tím, že opakovaně prochází celé prostředí, nebo je získávat pomocí komunikace s ostatními agenty. Ukázka vizualizace prostředí během simulace je zachycena na Obr. 1. Obr. 1. Vizualizace paměti agenta v simulovaném prostředí. Čtverce znázorňují mřížku simulovaného prostředí a rozmístění potravy. Pruhy na levé straně jsou hodnoty potřeb agenta; kruhy znázorňují rozložení potravy, jak je uložené v paměti agenta. Simulace prostředí je diskrétní simulace, ve které všichni agenti provádějí své akce současně. Simulace se v každém kroce skládá z následujících kroků: 1. Všichni agenti získají aktuální informace ze svého okolí. 2. Na základě svého vnitřního stavu a informací z okolí agenti vyberou akci, kterou v tomto kole provedou. Akce agenta může být buď pohyb na jedno ze
3 sousedních polí, nebo konzumace potravy na poli, na kterém se právě nachází. 3. Jsou vyhodnoceny potřeby agenta a agenti, pro které některá z potřeb dosáhla kritické hranice, jsou označeni jako mrtví a odstraněni ze simulace. Rozhodovací proces, na základě kterého agenti vybírají své akce je podrobněji popsán v odstavci Potřeby a potrava Kromě agentů tato mřížka obsahuje různé typy potravy, kterou agenti musejí sbírat, aby přežili. Každý agent má několik potřeb, které se postupně zvyšují. Ve chvíli, kdy dosáhnou dané hranice, agent zemře a odstraněn ze simulace. Cílem agentů je přežít v simulaci co nejdéle. Konzumací patřičného typu potravy se hodnota dané potřeby snižuje. Potřeba agentů ale nemůže klesnout pod danou hranici. Agenti si proto nemohou vytvářet zásoby potravy a musejí potravu konzumovat průběžně. Potrava, kterou agenti spotřebují, z prostředí mizí. V prostředí se ovšem v průběhu simulace objevují nové instance potravy. Nová potrava se ale v prostředí objevuje na náhodně zvolených pozicích a agenti proto musejí potravu hledat po celou dobu simulace. 3.2 Komunikace agentů V prostředí se pohybuje najednou několik agentů. Ve chvíli, kdy se k sobě dva agenti přiblíží, mohou si navzájem vyměňovat znalosti o okolním prostředí. V případě simulovaného prostředí jde především o výměnu informací o rozmístění potravy. Protože agenti mohou používat různé implementace pamětí, nemohou si vyměňovat informace přímo ve formátu, v jakém jsou uloženy v jejich paměti. Komunikace proto probíhá podle jednoduchého protokolu, který je nezávislý na použitém typu paměti. Vysílající agent pošle svému partnerovi několik pozic, o kterých se domnívá, že se na nich nachází potrava. V případě agentů, kteří v paměti udržují seznam potravy přímo, může jít o skutečné pozice potravy, které agent pozorovat. V případě agentů, kteří používají jinou reprezentaci, například aproximaci pravděpodobnostního rozdělení, podle kterého je potrava generovaná, může jít o náhodný výběr z tohoto rozdělení. Příjemce tyto pozice může buď přímo uložit, nebo použit jako vstupy pro učící algoritmus pro vlastní paměť. 4 Agenti a paměť V následujících ostavcích popisujeme architekturu agentů a modely prostorové paměti použité v této práci. 4.1 Architektura agenta V kontextu tohoto článku je agent entita, která se skládá ze čtyř základních komponent: aktuálního stavu potřeb agenta, prostorové paměti, chování při prozkoumávání prostředí a chování při vyhledávání potravy. Aktuální stav potřeb ovlivňuje přepínání mezi oběma režimy chování agenta. Tyto režimy pak ovlivňují, v jaké části simulovaného prostředí se agent pohybuje a tím i jaké informace jsou ukládány do prostorové paměti. Informace z prostorové paměti pak ovlivňují navigaci agenta po prostředí, pokud právě vyhledává určitý typ potravy. Schéma architektury agenta je zachyceno na Obr. 2. Chování pro hledání potravy Obr. 2. Schéma architektury agenta. 4.2 Chování agentů Chování agentů závisí na tom, v jakém stavu se v daném okamžiku nacházejí. Pokud je některá z potřeba agenta vyšší než určitá kritická hodnota, agent aktivně vyhledává potravu odpovídající potřebě s nejvyšší hodnotou. Pokud se tento typ potravy nachází v dohledu agenta, agent se pohybuje přímo k potravě. Pokud se požadovaný typ potravy nenachází ve viditelném okolí agenta, agent hledá tento typ potravy na základě informací, které si vybavuje ze své paměti. V případě, že ani paměť agenta neobsahuje informace o tomto typu potravy, pak se agent pohybuje náhodně. Pokud jsou všechny potřeby agenta pod určitou hranicí, agent nemusí aktivně hledat potravu a věnuje se zkoumání prostředí. Agent se v takovém případě pohybuje po prostředí náhodně. Schéma rozhodování agenta je zázorněno na Obr Typy agentů Agent Hodnoty potřeb Prostorová paměť Chování pro zkoumání prostředí Pro provedení experimentů popsaných v tomto článku jsme implementovali několik typů agentů, kteří se liší podle použitého modelu pamětí. Abychom mohli použité modely paměti zasadit do kontextu, vytvořili jsme také dva typy agentů, kteří nepoužívají paměť.
4 Ulož známé pozice potravy do paměti Potřeba nad kritickou hranicí? ANO NE rozložení v prostředí. Díky tomu je tento model méně náchylný k přeučení a může lépe reprezentovat odpovídající pravděpodobnostní rozdělení. Vybav si známé pozice potravy a vyber nejbližší. 5 Experimenty Vybraná pozice je přístupná? NE Pro testování vlivu komunikace a typu použité paměti na schopnost agentů přežít v simulovaném prostředí jsme navrhli dva typy experimentů. ANO 5.1 Experimentální prostředí Pohybuj se směrem k vybrané pozici. NE Pohybuj se směrem k vybrané pozici. Je na pozici požadovaný typ potravy? ANO Zkonzumuj potravu. Pohybuj se směrem k vybrané pozici. Obr. 3. Schéma rozhodování agenta v jednom kroce simulace. Náhodný agent Základní typ agenta, který nepoužívá paměť, a po prostředí se pohybuje vždy náhodně. Náhodný agent představuje dolní hranici pro životaschopnost agentů. Přestože náhodný agent nevyužívá paměť, náhodný agent může přežít určitou dobu díky potravě, která je v jeho dohledu. Agent s perfektní pamětí Agent s perfektní znalostí prostředí vidí po celou dobu simulace celé prostředí. Díky tomu se může pohybovat v simulaci optimálním způsobem a dosahovat maximální délky života za všech agentů. Grid agent Základní typ paměti je implementovaný pomocí pravidelné mřížky, která je namapovaná na pole v simulovaném prostředí. Agent pro uložení informací o rozložení potravy používá stejnou dvourozměrnou mřížku, na které se agent pohybuje. Uložené pozice jsou díky tomu přesné. Protože ale potrava není generována v ž d y n a s t e j n é p o z i c i, a l e p o d l e u r č i t é h o pravděpodobnostního rozdělení, může tento typ paměti snadno podlehnout přeučení. Growing Neural Gas Pokročilý typ paměti založený na modelu Growing neural gas [7,9]. Jde o typ neuronové sítě založené na myšlenkách samoorganizace. Model založený na GNG na rozdíl od předchozího neukládá přímo pozice, na kterých agent pozoroval potravu, ale spíše hustotu jejího Všechny experimenty byly provedeny v prostředí o velikosti 128x128 polí se šesti typy potravy, kterým odpovídalo šest potřeb. Všechny potřeby nabývají hodnoty v intervalu [0, 1]. Hodnota 1 je kritická a pokud některá z potřeb dosáhne této hodnoty, agent umírá a je odstraněn ze simulace. Nová potrava byla do prostředí přidávána po každých 50 krocích simulace. Dohled agentů byl nastaven na 30 polí. Stejná hodnota byla použita pro vzdálenost, na kterou mohou agenti komunikovat. Během testování jsme použili prvních kroků simulace. Během experimentů jsme měřili hodnoty všech potřeb všech agentů v simulaci. 5.2 Homogenni prostředí Jako první test jsme provedli sérii experimentů, ve kterých se v simulaci vyskytoval vždy jen jeden typ agentů. Cílem těchto experimentů bylo zjistit, jakým způsobem se daný typ agenta chová sám o sobě, bez toho, aby od jiných typů dostával informace, které by sám nedokázal zjistit. Tento experiment jsme provedli pro všechny implementované typy agentů, ve variantách s komunikací a bez komunikace. V tomto případě výsledky experimentů odpovídaly očekávání. Agenti s perfektní informací mají kompletní informace o prostředí i bez komunikace, v této variantě jsme podle očekávání dosáhli stejných výsledků ve variantě bez komunikace i ve variantě s komunikací a průměrná hodnota potřeb byla 0,512. V případě náhodného agenta byla ve variantě bez komunikace průměrná hodnota všech potřeb rovna jedné prakticky po celou dobu simulace. Protože náhodní agenti nepoužívají paměť, komunikace pro ně znamená pouze částečné rozšíření zorného pole o zorné pole ostatních agentů, kteří jsou dostatečně blízko pro komunikaci. V praxi se toto rozšířené zorné pole ukázalo jako dostatečné zlepšení pro snížení průměrné hodnoty potřeb všech agentů z 1 na 0,85. Výraznější zlepšení jsme dosáhli u growing neural gas agenta, a to z průměrné hodnoty 1 bez komunikace na průměrnou hodnotu 0,508. V případě grid agenta jsme naopak dosáhli lepších výsledků ve variantě bez komunikace než ve variantě s komunikací. Toto zhoršení přikládáme přeučení v kombinaci se zastaráváním
5 informací v paměti. Vývoj hodnot potřeb pro grid agenta a Growing neural gas agenta ve variantě s komunikací a bez komunikace je zachycen na Obr. 4 a 5. typu growing neural gas. V této variantě žádný z agentů neměl k dispozici kompletní informace o prostředí a agenti ho díky tomu museli aktivně porovnávat. Ve druhé variantě byl v simulaci navíc agent s perfektní informací o prostředí, díky kterému mohli ostatní agenti získat informace o libovolném typu potravy jen za pomocí komunikace. Oba experimenty byly opět provedeny ve variantě s komunikací a bez komunikace. Ukázalo se, že výsledky závisejí především na tom, zda agenti mohou komunikovat. V případě, že agenti mohli komunikovat, dosahovali v obou variantách téměř optimálních výsledků; naopak přítomnost agenta s kompletní informací neznamenala výrazné změny v hodnotách potřeb agentů. Vývoj hodnot potřeb v experimentu s agentem s perfektní informací, ve variantě s komunikací i bez komunikace jsou na Obr. 6 a 7. Obr. 4. Průměrné hodnoty potřeb agentů typu growing neural gas bez komunikace v průběhu simulace. Obr. 6. Průměrné hodnoty potřeb agentů typu v simulaci bez komunikace. 6 Diskuze a další výzkum Obr. 5. Průměrné hodnoty potřeb agentů typu growing neural gas s komunikací v průběhu simulace. 5.3 Heterogenní prostředí Jako druhý experiment jsme provedli srovnání úspěšnosti agentů v případě, kdy se v prostředí vyskytují různé typy agentů. Tento experiment jsme realizovali ve dvou variantách. V první variantě se v prostředí vyskytovali pouze náhodní agenti, agenti s pamětí typu grid a pamětí Experimenty popisované v tomto textu chápeme především jako experimenty pro otestování simulovaného prostředí a použitých typů pamětí. Zároveň otevírají několik možností pro další výzkum ve dvou oblastech: jednak jde o výzkum zaměřený na schopnost agentů adaptovat se na rychle se měnící prostředí a zkoumání vlivu šumu v komunikaci na úspěšnost agentů a následně také testování situací, ve kterých někteří agenti záměrně vnášejí do komunikace nepravdivé informace. Takové experimenty navíc vyžadují paměti, které kromě samotných dat ukládají také informace o pravdivosti nebo důvěryhodnosti těchto dat.
6 [6] Friedman, M. Essays in positive economics. University of Chicago Press, [7] Fritzke, B. A growing neural gas network learns topologies. In Advances in neural information processing systems 7, str MIT Press, [8] Ho, W., C., Dautenhahn, K., Nehaniv, C., L. Computational memory architectures for autobiographic agents interacting in a complex virtual environment: a working model. Connect. Sci, 20, str [9] Martinetz, T. M., Shulten, K. J. A neural-gas network learns topologies. In Artificial neural networks, str [10] Russell, S., Norvig, P. Artificial intelligence: a modern approach. Prentice Hall, 3. vydání, Obr. 7. Průměrné hodnoty potřeb agentů v simulaci s komunikací. 7 Závěr V této práci jsme se zabývali implementací prostorové paměti a komunikací agentů a jejich vlivem na schopnost agentů přežít v dynamickém simulovaném prostředí. V provedených experimentech jsme testovali dva typy prostorové paměti a srovávali s agenty, kteří paměť nevyužívaji, a agenty, kteří mají k dispozici kompletní informace o prostředí. Provedené experimenty ukázaly, že komunikace mezi agetny může výrazným způsobem zvýšit jejich schopnost přežít v simulovaném prostředí a že v některých případech může vést ke stejným výsledkům, jako kompletní znalost prostředí. [11] Sternberg, R. J. Cognitive psychlogoy. Wadsworth publishing, [12] Varian, H. R. Intermediate microeconomics: a modern approach. W W. Norton, New York [13] Wooldridge, M. Intelligent agents. In Multiagent systems: a modern approach to distributed artificial intelligence, str MIT Press, Literatura [1] Atkinson, R. C., Shiffrin, R. M. Human memory: A proposed system and its control processes. In The psychology of learning and motivation: advances in research and theory (vol. 2), str [2] Atkinson, R. C., Shiffrin, R. M. The control of short-term memory. Scientific American. 225(2), [3] Black, D. On the rationale of Group Decision-making. Journal of Political Economy, 56(1), pp [4] Bratman, M., E., Israel, D. J., Pollack, M., E., Plans and resource-bounded practical reasoning. In Computational Intelligence, 4(3(: , [5] Brom, C., Korenko, T., Lukavský, J. How do place and objects combine? What-where memory for human-like agents. In Proceedings of the 9th International Conference on Intelligent Virtual Agents, str Springer-Verlag.
Umělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
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:
VíceVáclav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV
Umělá inteligence a rozpoznávání Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 16. 2. (3h) 2. 3. (4h) 17. 3. (5h) 14. 4. (3h) Úvod, historie a vývoj UI, základní
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceSimluátor Trilobota. (projekt do předmětu ROB)
Simluátor Trilobota (projekt do předmětu ROB) Kamil Dudka Jakub Filák xdudka00 xfilak01 BRNO 2008 1 Úvod Jako školní týmový projekt jsme si zvolili simulátor trilobota 1 a jeho prostředí. Simulátor komunikuje
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
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
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
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
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.
VíceMultirobotická kooperativní inspekce
Multirobotická kooperativní inspekce prostředí Diplomová práce Multirobotická kooperativní inspekce prostředí Diplomová práce Intelligent and Mobile Robotics Group Laboratory for Intelligent Decision Making
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
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VII. SYSTÉMY ZÁKLADNÍ POJMY SYSTÉM - DEFINICE SYSTÉM (řec.) složené, seskupené (v
Více4EK311 Operační výzkum. 1. Úvod do operačního výzkumu
4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:
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
Více12 Metody snižování barevného prostoru
12 Metody snižování barevného prostoru Studijní cíl Tento blok je věnován základním metodám pro snižování barevného rozsahu pro rastrové obrázky. Postupně zde jsou vysvětleny důvody k použití těchto algoritmů
VíceJana Dannhoferová Ústav informatiky, PEF MZLU
Počítačová grafika Křivky Jana Dannhoferová (jana.dannhoferova@mendelu.cz) Ústav informatiky, PEF MZLU Základní vlastnosti křivek křivka soustava parametrů nějaké rovnice, která je posléze generativně
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
VíceModerní aplikace statistické fyziky II - TMF050
Moderní aplikace statistické fyziky II - TMF050 Body 2, E-Kredity 3, 2/0 Zk - LS Miroslav Kotrla a František Slanina kotrla@fzu.cz slanina@fzu fzu.cz kmenově: externě: ÚTF UK FZÚ AV ČR, v.v.i. oddělení
VíceMonte Carlo Lokalizace. Martin Skalský
Monte Carlo Lokalizace Martin Skalský Proč Lokalizace? Problém určení pozice robota a věcí kolem něj. (filtrování dat, state estimation) Je důležitá Knowledge about where things are is at the core of any
VíceVyužití přírodovědného pokusu na 1. stupni ZŠ z pohledu učitelů z praxe výzkumná sonda. Ondřej Šimik
Využití přírodovědného pokusu na 1. stupni ZŠ z pohledu učitelů z praxe výzkumná sonda Ondřej Šimik Kontext přírodovědného vzdělávání na 1. stupni ZŠ Transformace české školy - RVP ZV Člověk a jeho svět
VíceÚvod do mobilní robotiky AIL028
md at robotika.cz http://robotika.cz/guide/umor07/cs 25. října 2007 1 2 Zadání úlohy Náhodná procházka Tchibot 3 SPA Subsumption architecture 3T architektura Robotika matematický přístup úloha hledání
VíceUITS / ISY. Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně. ISY: Výzkumná skupina inteligentních systémů 1 / 14
UITS / ISY Výzkumná skupina inteligentních systémů Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně ISY: Výzkumná skupina inteligentních systémů 1 / 14 Obsah Představení skupiny
VíceAlgoritmizace diskrétních. Ing. Michal Dorda, Ph.D.
Algoritmizace diskrétních simulačních modelů Ing. Michal Dorda, Ph.D. 1 Úvodní poznámky Při programování simulačních modelů lze hlavní dílčí problémy shrnout do následujících bodů: 1) Zachycení statických
VíceInformace a znalosti v organizaci
Informace a znalosti v organizaci Vladimíra Zádová Postavení informací a znalostí z hlediska úspěšnosti firmy Vnitřní faktory Rámec 7S faktorů úspěchu firmy [ Mc Kinsey ] Struktura Strategie Systémy Spolupracovníci
VíceDatové struktury 2: Rozptylovací tabulky
Datové struktury 2: Rozptylovací tabulky prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní algoritmy
VíceProcesy a vlákna (Processes and Threads)
ÚVOD DO OPERAČNÍCH SYSTÉMŮ Ver.1.00 Procesy a vlákna (Processes and Threads) Správa procesů a vláken České vysoké učení technické Fakulta elektrotechnická 2012 Použitá literatura [1] Stallings, W.: Operating
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
VíceKatedra psychologie Fakulta sociálních studií MU
PSY112 / PSY452 / PSY704 METODOLOGIE PSYCHOLOGIE (KVANTITATIVNÍ PŘÍSTUP) Katedra psychologie Fakulta sociálních studií MU POUŽITÁ LITERATURA Ferjenčík, J. (2000). Úvod do metodologie psychologického výzkumu.
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceRozvoj čtenářské a matematické gramotnosti v rámci projektu P-KAP 1. díl Čtenářská gramotnost
Rozvoj čtenářské a matematické gramotnosti v rámci projektu 1. díl Čtenářská gramotnost Mgr. Květa Popjuková Garantka oblasti Čtenářská a matematická gramotnost Národní ústav pro vzdělávání podpora krajského
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceS T R A T E G I C K Ý M A N A G E M E N T
S T R A T E G I C K Ý M A N A G E M E N T 3 LS, akad.rok 2014/2015 Strategický management - VŽ 1 Proces strategického managementu LS, akad.rok 2014/2015 Strategický management - VŽ 2 Strategický management
VíceNázev: Mentální testy
Název: Mentální testy Výukové materiály Autor: Mgr. Blanka Machová Název školy: Gymnázium Jana Nerudy, škola hl. města Prahy Předmět, mezipředmětové vztahy: Biologie Ročník: 4. a 5. (2. a 3. vyššího gymnázia)
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
VíceBusiness Process Modeling Notation
Business Process Modeling Notation Stephen A. White, IBM Corporation Procesní řízení 1 Co to je BPMN? Standard Business Process Modeling Notation (BPMN) byl vyvinutý skupinou Business Process Management
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
VíceSENZORY PRO ROBOTIKU
1/13 SENZORY PRO ROBOTIKU Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac ROBOTICKÉ SENZORY - PŘEHLED
VíceOtázky ke státní závěrečné zkoušce
Otázky ke státní závěrečné zkoušce obor Ekonometrie a operační výzkum a) Diskrétní modely, Simulace, Nelineární programování. b) Teorie rozhodování, Teorie her. c) Ekonometrie. Otázka č. 1 a) Úlohy konvexního
VíceStudie webů automobilek
Studie webů automobilek červen 2006 [manažerské shrnutí] Obsah Obsah... 1 Manažerské shrnutí... 2 Kvalita obsahu a použitelnost webu... 3 Základní nedostatky negativně ovlivňují použitelnost většiny webů...
Více7. Pracovní postupy. Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt
Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI 7. Pracovní postupy Posloupnosti analytických a syntetických
VícePočítačové simulace fyzikálních problému TASEP
Počítačové simulace fyzikálních problému TASEP Jakub Doležal 1, Jakub Kantner 2, Tomáš Zahradník 3 1 Gymnázium Špitálská Praha, 2 Gymnázium Českolipská Praha, 3 Gymnázium Oty Pavla Praha 1 janjansen@centrum.cz,
VíceModelov an ı soci aln ıch a ekonomick ych syst em u Radek Pel anek
Modelování sociálních a ekonomických systémů Radek Pelánek Generativní sociální věda sociální vědy: pozorování chování sociálních systémů a snaha vysvětlit toto chování problém s experimenty a falsifikací
VícePaměť. strukturace okolního světa sebeuvědomění. paměť jako schopnost paměť jako proces. 3 mechanismy kódování, uchovávání a vybavení
Paměť Č Á S T I : D E F I N I C E P A M Ě T I V Ý Z K U M N É M E T O D Y T R A D I Č N Í M O D E L Y P A M Ě T I A L T E R N A T I V N Í M O D E L Y T E O R I E Z A P O M Í N Á N Í Paměť strukturace okolního
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VíceVÝBĚR A JEHO REPREZENTATIVNOST
VÝBĚR A JEHO REPREZENTATIVNOST Induktivní, analytická statistika se snaží odhadnout charakteristiky populace pomocí malého vzorku, který se nazývá VÝBĚR neboli VÝBĚROVÝ SOUBOR. REPREZENTATIVNOST VÝBĚRU:
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceI. Úvod do agentních a multiagentních systémů
Obsah přednášky I. Úvod do agentních a multiagentních systémů Podklady k přednáškám kurzu AGS ---------------------------------------------------- 2005, 2006 František Zbořil ml. zborilf@fit.vutbr.cz Organizační
VíceAbychom obdrželi všechna data za téměř konstantních podmínek, schopných opakování:
1.0 Vědecké přístupy a získávání dat Měření probíhalo v reálném čase ve snaze získat nejrelevantnější a pravdivá data impulzivní dynamické síly. Bylo rozhodnuto, že tato data budou zachycována přímo z
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
Více8. přednáška z předmětu GIS1 Rastrový datový model a mapová algebra
8. přednáška z předmětu GIS1 Rastrový datový model a mapová algebra Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Pro přednášku byly použity texty a obrázky z www.gis.zcu.cz Předmět KMA/UGI,
VíceSIMULACE SYSTÉMŮ S ROZPROSTŘENÝMI PARAMETRY V SIMULINKU
SIMULACE SYSTÉMŮ S ROZPROSTŘENÝMI PARAMETRY V SIMULINKU M. Anderle, P. Augusta 2, O. Holub Katedra řídicí techniky, Fakulta elektrotechnická, České vysoké učení technické v Praze 2 Ústav teorie informace
VíceStanovení nejistot při výpočtu kontaminace zasaženého území
Stanovení nejistot při výpočtu kontaminace zasaženého území Michal Balatka Abstrakt Hodnocení ekologického rizika kontaminovaných území představuje komplexní úlohu, která vyžaduje celou řadu vstupních
VíceVlastnosti a modelování aditivního
Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: 0090913 1 Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t),
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
VíceDyson s Coulomb gas on a circle and intermediate eigenvalue statistics
Dyson s Coulomb gas on a circle and intermediate eigenvalue statistics Rainer Scharf, Félix M. Izrailev, 1990 rešerše: Pavla Cimrová, 28. 2. 2012 1 Náhodné matice Náhodné matice v současnosti nacházejí
VíceOntologie. Otakar Trunda
Ontologie Otakar Trunda Definice Mnoho různých definic: Formální specifikace sdílené konceptualizace Hierarchicky strukturovaná množina termínů popisujících určitou věcnou oblast Strukturovaná slovní zásoba
VíceSTATISTICKÝ SOUBOR. je množina sledovaných objektů - statistických jednotek, které mají z hlediska statistického zkoumání společné vlastnosti
ZÁKLADNÍ STATISTICKÉ POJMY HROMADNÝ JEV Statistika pracuje s tzv. HROMADNÝMI JEVY cílem statistického zpracování dat je podání informace o vlastnostech a zákonitostech hromadných jevů: velkého počtu jedinců
VíceÚvod do mobilní robotiky AIL028
Pravděpodobnostní plánování zbynek.winkler at mff.cuni.cz, md at robotika.cz http://robotika.cz/guide/umor05/cs 12. prosince 2005 1 Co už umíme a co ne? Jak řešit složitější případy? Definice konfiguračního
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
VíceSimulační modely. Kdy použít simulaci?
Simulační modely Simulace z lat. Simulare (napodobení). Princip simulace spočívá v sestavení modelu reálného systému a provádění opakovaných experimentů s tímto modelem. Simulaci je nutno považovat za
VíceBrainVitality. Stárnoucí mozek prochází postupnými strukturálnímí a funkčními změnami.
Stárnoucí mozek prochází postupnými strukturálnímí a funkčními změnami. Mozek se začíná zmenšovat od 25 let a v 70 letech ztratil už 25 % své velikosti. Mozková činnost spotřebuje 20-25 % veškerého kyslíku,
VíceObsah. 1. Výklad pojmů 3. 2. Vývoj outsourcingu 9. 3. Strategie vyrob nebo kup (Strategy make or buy) 13
Seznam tabulek vi Seznam obrázků vii Úvod 1 1. Výklad pojmů 3 1.1. Outsourcing 3 1.2. Insourcing 5 1.3. Vnímání outsourcingu v českých médiích 6 2. Vývoj outsourcingu 9 2.1. Z pohledu teorie ekonomie 9
VíceKomplexita a turbulence
SA414 - přednáška č. 5 Sociální systémy, systémy lidských aktivit Kybernetika (2. řádu): člověk a znalos(i) Povaha znalosti - mentální modely jako vzory Externalizace znalostí symboly a jazyk Znalosti
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.
VíceRNDr. Milan Šmídl, Ph.D. Co je to BOV?
RNDr. Milan Šmídl, Ph.D Co je to BOV? BOV = Badatelsky Orientovaná Výuka Inquiry Based Science Education (IBSE) Inguiry = bádání, zkoumání, hledání pravdy cílevědomý proces formulování problémů, kritického
VíceNázev školního vzdělávacího programu: Základní škola a mateřská škola Středokluky
ZÁKLADNÍ ŠKOLA STŘEDOKLUKY, příspěvková organizace 252 68 Středokluky, Školská 82, tel. 233900786, e-mail:reditelstvi@zsamsstredokluky Dodatek k ŠVP ZV č. 7 - Vzdělávání žáků se speciálními vzdělávacími
VíceSLAM. Simultaneous localization and mapping. Ing. Aleš Jelínek 2015
SLAM Simultaneous localization and mapping Ing. Aleš Jelínek 2015 Komplexní inovace studijních programů a zvyšování kvality výuky na FEKT VUT v Brně OP VK CZ.1.07/2.2.00/28.0193 Obsah Proč sebelokalizace,
VíceBuněčné automaty a mřížkové buněčné automaty pro plyny. Larysa Ocheretna
Buněčné automaty a mřížkové buněčné automaty pro plyny Larysa Ocheretna Obsah Buněčný automat: princip modelu, vymezení pojmů Mřížkový buněčný automat pro plyny Příklady aplikace principů mřížkových buněčných
VíceÚvod do GIS. Prostorová data II. část. Pouze podkladová prezentace k přednáškám, nejedná se o studijní materiál pro samostatné studium.
Úvod do GIS Prostorová data II. část Pouze podkladová prezentace k přednáškám, nejedná se o studijní materiál pro samostatné studium. Karel Jedlička Prostorová data Analogová prostorová data Digitální
VíceRelační DB struktury sloužící k optimalizaci dotazů - indexy, clustery, indexem organizované tabulky
Otázka 20 A7B36DBS Zadání... 1 Slovníček pojmů... 1 Relační DB struktury sloužící k optimalizaci dotazů - indexy, clustery, indexem organizované tabulky... 1 Zadání Relační DB struktury sloužící k optimalizaci
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
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
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceNSWI /2011 ZS. Principy cpypočítačůčů aoperačních systémů ARCHITEKTURA
Principy cpypočítačůčů aoperačních systémů ARCHITEKTURA Literatura W.Stallings: Computer Organization & Architecture J.L.Hennessy, P.A.Patterson: Patterson: Computer Architecture: a Quantitative Approach
VíceVojtěch Hrubý: Esej pro předmět Seminář EVF
Vojtěch Hrubý: Esej pro předmět Seminář EVF Plazma Pod pojmem plazma většinou myslíme plynné prostředí, které se skládá z neutrálních částic, iontů a elektronů. Poměr množství neutrálních a nabitých částic
VíceProcesní řízení operačních sálů Mgr. Martin Gažar
Procesní řízení operačních sálů Mgr. Martin Gažar Procesy Procesy Procesní analýza Procesní mapa Modely procesů Optimalizace procesů Přínosy procesní analýzy Procesy a modely Procesy Abychom mohli úspěšně
VíceAutomatizační a měřicí technika (B-AMT)
Ústav automatizace a měřicí techniky Bakalářský studijní program Automatizační a měřicí technika () Specializace oboru Řídicí technika Měřicí technika Průmyslová automatizace Robotika a umělá inteligence
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
VíceIMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně
IMOSI - MODELACE A SIMULACE LEARN 2013 správně možná špatně Simulátor označujeme jako kredibilní v případě, že: byla úspěšně završena fáze verifikace simulátoru se podařilo přesvědčit zadavatele simulačního
VíceMezipaměti počítače. L2 cache. L3 cache
Mezipaměti počítače Cache paměť - mezipaměť Hlavní paměť procesoru je typu DRAM a je pomalá. Proto se mezi pomalou hlavní paměť a procesor vkládá menší, ale rychlá vyrovnávací (cache) paměť SRAM. Rychlost
VíceMODEL VÁRKOVÉ LINKY NA VÝROBU CHLORIDU ŽELEZNATÉHO PRO FARMACEUTICKÉ ÚČELY. Vladimír Hanta
MODEL VÁRKOVÉ LINKY NA VÝROBU CHLORIDU ŽELEZNATÉHO PRO FARMACEUTICKÉ ÚČELY Vladimír Hanta Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Klíčová slova: modelování a simulace,
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
VíceExponenciální modely hromadné obsluhy
Exponenciální modely hromadné obsluhy Systém s čekáním a neohraničeným zdrojem požadavků Na základě předchozích informací je potřeba probrat, jaké informace jsou dostupné v počtu pravděpodobnosti řešícím
VíceOšetřovatelský proces
Je těžké měnit lidi, ale je možné změnit systém práce v organizaci. J.Kersnik - Medical Tribune Ošetřovatelský proces Simona Saibertová LF, MU Ošetřovatelský proces je racionální vědecká metoda poskytování
VíceZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ /14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 6 11/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 12 0:40 Simulace Při simulacích nahrazujeme skutečný dynamický
VíceZnalostní systém nad ontologií ve formátu Topic Maps
Znalostní systém nad ontologií ve formátu Topic Maps Ladislav Buřita, Petr Do ladislav.burita@unob.cz; petr.do@unob.cz Univerzita obrany, Fakulta vojenských technologií Kounicova 65, 662 10 Brno Abstrakt:
VícePaedDr. Lenka Dohnalová RNDr. Tomáš Fürst, PhD. Katedra Hv PdF UP Olomouc
Návrh experimentu a technické nástroje pro výzkum účinnosti muzikoterapeutických rehabilitačních strategií s uměle implementovanou komplexitou fyziologického typu PaedDr. Lenka Dohnalová RNDr. Tomáš Fürst,
VíceSimulace pohybu chodců pomocí celulárních modelů
Simulace pohybu chodců pomocí celulárních modelů Marek Bukáček výzkumná skupina GAMS při KM KIPL FJFI ČVUT v Praze 8. červen 2011 Obsah Úvod Celulární modely úprava Floor field modelu Proč modelovat Akademický
VíceNavigace na webových stránkách
Navigace na webových stránkách Tato kapitola navazuje na kapitoly o přístupnosti, použitelnosti a optimalizaci webových stránek a podrobněji popisuje tvorbu informační architektury webových stránek, zejména
VíceSwarm Intelligence. Moderní metody optimalizace 1
Swarm Intelligence http://pixdaus.com/single.php?id=168307 Moderní metody optimalizace 1 Swarm Intelligence Inteligence hejna algoritmy inspirované chováním skupin ptáků, hmyzu, ryb apod. Particle Swarm
VíceMetody analýzy dat I (Data Analysis I) Rozsáhlé struktury a vlastnosti sítí (Large-scale Structures and Properties of Networks) - pokračování
Metody analýzy dat I (Data Analysis I) Rozsáhlé struktury a vlastnosti sítí (Large-scale Structures and Properties of Networks) - pokračování Základní (strukturální) vlastnosti sítí Stupně vrcholů a jejich
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
VíceKET/ZPI - Zabezpečení podnikových informací
KET/ZPI - Zabezpečení podnikových informací Přednášející: Ing. František Steiner, Ph.D. Ing. František Steiner, Ph.D. EK417 Katedra technologií a měření mail: steiner@ket.zcu.cz tel: 377 634 535 Konzultace:
VíceStonožka jak se z výsledků dozvědět co nejvíce
Stonožka jak se z výsledků dozvědět co nejvíce Vytvoření Map učebního pokroku umožňuje vyhodnotit v testování Stonožka i dílčí oblasti učiva. Mapy učebního pokroku sledují individuální pokrok žáka a nabízejí
VíceStatistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ
Statistické vyhodnocení průzkumu funkční gramotnosti žáků 4. ročníku ZŠ Ing. Dana Trávníčková, PaedDr. Jana Isteníková Funkční gramotnost je používání čtení a psaní v životních situacích. Nejde jen o elementární
VíceManagement procesu I Mgr. Josef Horálek
Management procesu I Mgr. Josef Horálek Procesy = Starší počítače umožňovaly spouštět pouze jeden program. Tento program plně využíval OS i všechny systémové zdroje. Současné počítače umožňují běh více
VíceStátnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
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
VíceDolování dat z dotazníků. Ondřej Takács
Dolování dat z dotazníků Ondřej Takács Úvod Součást projektu, který se zabývá individualizovaným e-learningem virtuální učitel, který svůj výklad přizpůsobuje statickým či dynamicky se měnícím vlastnostem
Více