Úvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská
|
|
- Otto Kopecký
- před 8 lety
- Počet zobrazení:
Transkript
1 Neuronové sítě-delta učení Filip Habr České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská 30. března 2009
2 Obsah prezentace Obsah prezentace Delta učení 1 Teorie k delta učení 2 Zadání příkladu 3 Vyhledání m j a M j výpočet standardizovaných hodnot 4 Standardizovaná tabulka 5 Výpočet prvních dvou iterací w 1 a w 2 a výsledného w 6 Grafické znázornění
3 Obsah prezentace Příprava dat Data X R m n je vhodné před spuštěním perceptronu standardizovat např. rozpětím: X new ij = X ij m j M j m j 0, 1 m j = min(x kj ) M j = max(x kj )
4 Obsah prezentace Delta učení y = f (x, w) y k = f (x k, w) k = y k y k p k (w) = k P(w) = m k=1 p k(w) = min P(w) = m k= k = m k=1 1 2 (y k y k) 2 = m k=1 1 2 (y k f (x k, w)) 2 = min
5 Obsah prezentace Delta učení Algoritmus w 0 R n+1 (malé), λ 0 > 0 náhodná volba k. vzoru, λ j = λ 0 1+j výpočet y k a k výpočet citlivosti sítě na váhy adaptace vah Učení hladkého perceptronu y = f (x, w) = tanh( n i=0 w ix i ) tanh(x,w) w i = (1 y 2 )x i w j+1 = w j + λ j k (1 y 2 k )x k
6 Příklad Zadání příkladu Tabulka hodnot: x 0 x 1 x 2 y* , , , ,
7 Příklad Zadání příkladu Tabulka hodnot: x 0 x 1 x 2 y* , , , , Výpočet m j a M j : m 1 = 1 m 2 = 2 M 1 = 8 M 2 = 7
8 Příklad Zadání příkladu Tabulka hodnot: x 0 x 1 x 2 y* , , , , Výpočet m j a M j : m 1 = 1 m 2 = 2 M 1 = 8 M 2 = 7 Standardizované hodnoty: x 0 x 1 x 2 y* 1 0 0, ,14 0, , ,28 0, ,28 0, ,43 0, ,43 0, ,57 0, ,71 0,
9 První iterace Zvolili jsme λ 0 = 1
10 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2
11 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2 Váhový vektor jsme zvolili w 0 = (0; 0; 0)
12 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2 Váhový vektor jsme zvolili w 0 = (0; 0; 0) y 2 = tanh( , , 3) = 0 y = tanh( n i=0 w ix i )
13 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2 Váhový vektor jsme zvolili w 0 = (0; 0; 0) y 2 = tanh( , , 3) = 0 y = tanh( n i=0 w ix i ) 2 = 1 0 = 1 k = y k y k
14 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2 Váhový vektor jsme zvolili w 0 = (0; 0; 0) y 2 = tanh( , , 3) = 0 y = tanh( n i=0 w ix i ) 2 = 1 0 = 1 k = y k y k w 1 = (0; 0; 0) + 1 ( 1) (1 0 2 ) (1; 0, 14; 0, 3) = ( 1; 0, 14; 0, 3) w j+1 = w j + λ j k (1 y 2 k )x k
15 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2 Váhový vektor jsme zvolili w 0 = (0; 0; 0) y 2 = tanh( , , 3) = 0 y = tanh( n i=0 w ix i ) 2 = 1 0 = 1 k = y k y k w 1 = (0; 0; 0) + 1 ( 1) (1 0 2 ) (1; 0, 14; 0, 3) = ( 1; 0, 14; 0, 3) w j+1 = w j + λ j k (1 y 2 k )x k Rovnice přímky tedy vypadá takto: 0, 3x 1 1x 2 0, 14 = 0
16 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2 Váhový vektor jsme zvolili w 0 = (0; 0; 0) y 2 = tanh( , , 3) = 0 y = tanh( n i=0 w ix i ) 2 = 1 0 = 1 k = y k y k w 1 = (0; 0; 0) + 1 ( 1) (1 0 2 ) (1; 0, 14; 0, 3) = ( 1; 0, 14; 0, 3) w j+1 = w j + λ j k (1 y 2 k )x k Rovnice přímky tedy vypadá takto: 0, 3x 1 1x 2 0, 14 = 0 Průsečík s osou x 1 je: 0, 47
17 První iterace Zvolili jsme λ 0 = 1 Jako první vzor jsme náhodně vybrali: k = 2 Váhový vektor jsme zvolili w 0 = (0; 0; 0) y 2 = tanh( , , 3) = 0 y = tanh( n i=0 w ix i ) 2 = 1 0 = 1 k = y k y k w 1 = (0; 0; 0) + 1 ( 1) (1 0 2 ) (1; 0, 14; 0, 3) = ( 1; 0, 14; 0, 3) w j+1 = w j + λ j k (1 y 2 k )x k Rovnice přímky tedy vypadá takto: 0, 3x 1 1x 2 0, 14 = 0 Průsečík s osou x 1 je: 0, 47 Průsečík s osou x 2 je: 0, 14
18 První iterace
19 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7
20 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7 y 7 = tanh(( 1) 1 + ( 0, 14) 0, 43 + ( 0, 3) 0, 8) = 0, 86
21 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7 y 7 = tanh(( 1) 1 + ( 0, 14) 0, 43 + ( 0, 3) 0, 8) = 0, 86 7 = 1 ( 0, 86) = 1, 86
22 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7 y 7 = tanh(( 1) 1 + ( 0, 14) 0, 43 + ( 0, 3) 0, 8) = 0, 86 7 = 1 ( 0, 86) = 1, 86 λ 1 = 0, 5 λ j = λ 0 1+j
23 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7 y 7 = tanh(( 1) 1 + ( 0, 14) 0, 43 + ( 0, 3) 0, 8) = 0, 86 7 = 1 ( 0, 86) = 1, 86 λ 1 = 0, 5 λ j = λ 0 1+j w 2 = ( 1; 0, 14; 0, 3) + 0, 5 1, 86 (1 ( 0, 86) 2 ) (1; 0, 43; 0, 8) = = (0, 73; 0, 6; 1, 08)
24 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7 y 7 = tanh(( 1) 1 + ( 0, 14) 0, 43 + ( 0, 3) 0, 8) = 0, 86 7 = 1 ( 0, 86) = 1, 86 λ 1 = 0, 5 λ j = λ 0 1+j w 2 = ( 1; 0, 14; 0, 3) + 0, 5 1, 86 (1 ( 0, 86) 2 ) (1; 0, 43; 0, 8) = = (0, 73; 0, 6; 1, 08) Rovnice přímky tedy vypadá takto: 0.6x x = 0
25 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7 y 7 = tanh(( 1) 1 + ( 0, 14) 0, 43 + ( 0, 3) 0, 8) = 0, 86 7 = 1 ( 0, 86) = 1, 86 λ 1 = 0, 5 λ j = λ 0 1+j w 2 = ( 1; 0, 14; 0, 3) + 0, 5 1, 86 (1 ( 0, 86) 2 ) (1; 0, 43; 0, 8) = = (0, 73; 0, 6; 1, 08) Rovnice přímky tedy vypadá takto: 0.6x x = 0 Průsečík s osou x 1 je: 1, 22
26 Druhá iterace Jako druhý vzor jsme náhodně vybrali: k = 7 y 7 = tanh(( 1) 1 + ( 0, 14) 0, 43 + ( 0, 3) 0, 8) = 0, 86 7 = 1 ( 0, 86) = 1, 86 λ 1 = 0, 5 λ j = λ 0 1+j w 2 = ( 1; 0, 14; 0, 3) + 0, 5 1, 86 (1 ( 0, 86) 2 ) (1; 0, 43; 0, 8) = = (0, 73; 0, 6; 1, 08) Rovnice přímky tedy vypadá takto: 0.6x x = 0 Průsečík s osou x 1 je: 1, 22 Průsečík s osou x 2 je: 0, 68
27 Druhá iterace
28 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7
29 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7 y 7 = 0, 86
30 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7 y 7 = 0, 86 7 = 0, 36
31 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7 y 7 = 0, 86 7 = 0, 36 λ n =
32 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7 y 7 = 0, 86 7 = 0, 36 λ n = w n = ( 0, 73; 1, 49; 0, 94)
33 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7 y 7 = 0, 86 7 = 0, 36 λ n = w n = ( 0, 73; 1, 49; 0, 94) Rovnice přímky tedy vypadá takto: 1, 49x 1 + 0, 94x 2 + 0, 73 = 0
34 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7 y 7 = 0, 86 7 = 0, 36 λ n = w n = ( 0, 73; 1, 49; 0, 94) Rovnice přímky tedy vypadá takto: 1, 49x 1 + 0, 94x 2 + 0, 73 = 0 Průsečík s osou x 1 je: 0, 49
35 Konečná iterace-výsledek V posledním kroku jsme vybrali: k = 7 y 7 = 0, 86 7 = 0, 36 λ n = w n = ( 0, 73; 1, 49; 0, 94) Rovnice přímky tedy vypadá takto: 1, 49x 1 + 0, 94x 2 + 0, 73 = 0 Průsečík s osou x 1 je: 0, 49 Průsečík s osou x 2 je: 0, 78
36 Konečná iterace
Rosenblattův 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
VíceNeuronové sítě Učení bipolárního perceptronu
Neuronové sítě Učení bipolárního perceptronu Základní pojmy bipolární perceptron vstupy a výstupy jsou ± Učení: vycházíme z kladných a záporných vzorů a učíme váhy w, w,..., w n ( n ) y = sign w k x k,
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
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
VíceVZÁJEMNÁ POLOHA DVOU PŘÍMEK V ROVINĚ
VZÁJEMNÁ POLOHA DVOU PŘÍMEK V ROVINĚ Dvě přímky v rovině mohou být: různoběžné - mají jediný společný bod, rovnoběžné různé - nemají společný bod, totožné - mají nekonečně mnoho společných bodů. ŘEŠENÉ
VíceFiala 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
Více3) Vypočtěte souřadnice průsečíku dané přímky p : x = t, y = 9 + 3t, z = 1 + t, t R s rovinou ρ : 3x + 5y z 2 = 0.
M1 Prog4 D1 1) Určete vektor c kolmý na vektory a = 2 i 3 j + k, b = i + 2 j 4 k. 2) Napište obecnou a parametrické rovnice roviny, která prochází bodem A[ 1; 1; 2] a je kolmá ke dvěma rovinám ρ : x 2y
VíceProjekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci
Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Závislosti a funkční vztahy Gradovaný řetězec úloh Téma: graf funkce, derivace funkce a její
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
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
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
VíceOdchylka ekliptiky od roviny Galaxie
Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy, Plasy 2 Gymnázium Botičská, Praha 3 Gymnázium Nad Štolou, Praha Týden Vědy, 2010 Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy,
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
VíceMETODA PŮLENÍ INTERVALU (METODA BISEKCE) METODA PROSTÉ ITERACE NEWTONOVA METODA
2-3. Metoda bisekce, met. prosté iterace, Newtonova metoda pro řešení f(x) = 0. Kateřina Konečná/ 1 ITERAČNÍ METODY ŘEŠENÍ NELINEÁRNÍCH ROVNIC - řešení nelineární rovnice f(x) = 0, - separace kořenů =
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
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
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:
Vícemetoda Regula Falsi 23. října 2012
Hledání kořenů rovnic jedné reálné proměnné metoda Regula Falsi Michal Čihák 23. října 2012 Metoda Regula Falsi hybridní metoda je kombinací metody sečen a metody půlení intervalů předpokladem je (podobně
VíceGrafické řešení rovnic a jejich soustav
.. Grafické řešení rovnic a jejich soustav Předpoklady: 003 Pedagogická poznámka: V této hodině kreslíme na čtverečkovaný papír tak, aby jeden čtvereček představovala vzdálenost. Př. : Vyřeš graficky soustavu
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VícePedagogická poznámka: Celý obsah se za hodinu stihnout nedá. z ] leží na kulové ploše, právě když platí = r. Dosadíme vzorec pro vzdálenost:
753 Kulová plocha Předpoklady: 750 Pedagogická poznámka: Celý obsah se za hodinu stihnout nedá Kulová plocha = kružnice v prostoru Př : Vyslov definici kulové plochy Kulová plocha je množina všech bodů
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VíceOperační výzkum. Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry.
Operační výzkum Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty
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
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
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
VíceAlgoritmus pro hledání vlastních čísel kvaternionových matic
Úvod Algoritmus pro hledání vlastních čísel kvaternionových matic Bc. Martin Veselý Fakulta jaderná a fyzikálně inženýrská Katedra softwarového inženýrství v ekonomii Skupina aplikované matematiky a stochastiky
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
VíceHledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012
Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012 Opakování rovnice přímky Úloha: Určete rovnici přímky procházející body A[a, f(a)] a B[b, f(b)], kde f je funkce spojitá
VíceŠABLONY INOVACE OBSAH UČIVA
ŠABLONY INOVACE OBSAH UČIVA Číslo a název projektu CZ.1.07/1.5.00/34. 0185 Moderní škola 21. století Číslo a název šablony IV/2 Inovace a zkvalitnění výuky směřující k rozvoji matematické klíčové aktivity
VíceLineární funkcí se nazývá každá funkce, která je daná rovnicí y = ax + b, kde a, b jsou reálná čísla.
Lineární funkce Lineární funkcí se nazývá každá funkce, která je daná rovnicí y = ax + b, kde a, b jsou reálná čísla. Číslo b je hodnota funkce f v bodě 0. Definičním oborem lineární funkce je množina
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
VíceVZÁJEMNÁ POLOHA DVOU PŘÍMEK
VZÁJEMNÁ POLOHA DVOU PŘÍMEK VZÁJEMNÁ POLOHA DVOU PŘÍMEK p: a x b y c 0 q: a x b y c 0 ROVNOBĚŽNÉ PŘÍMKY (RŮZNÉ) nemají žádný společný bod, můžeme určit jejich vzdálenost, jejich odchylka je 0. Normálové
VíceKapitola 2. o a paprsek sil lze ztotožnit s osou x (obr.2.1). sil a velikost rovnou algebraickému součtu sil podle vztahu R = F i, (2.
Kapitola 2 Přímková a rovinná soustava sil 2.1 Přímková soustava sil Soustava sil ležící ve společném paprsku se nazývá přímková soustava sil [2]. Působiště všech sil m i lze posunout do společného bodu
VícePV021 Vícevrstvá neuronová síť pro rozeznávání mikroteček. Matúš Goljer, Maroš Kucbel, Michal Novotný, Karel Štěpka 2011
PV021 Vícevrstvá neuronová síť pro rozeznávání mikroteček Matúš Goljer, Maroš Kucbel, Michal Novotný, Karel Štěpka 2011 Úkol sítě Rozeznávat obrázky obsahující fluorescenční mikrotečky od obrázků s nespecifickým
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
VíceOkruhy problémů k teoretické části zkoušky Téma 1: Základní pojmy Stavební statiky a soustavy sil
Okruhy problémů k teoretické části zkoušky Téma 1: Základní pojmy Stavební statiky a soustavy sil Souřadný systém, v rovině i prostoru Síla bodová: vektorová veličina (kluzný, vázaný vektor - využití),
VíceMgr. Markéta Trnečková, Ph.D. Palacký University, Olomouc
Ořezávání dvourozměrných objektů Počítačová grafika Mgr. Markéta Trnečková, Ph.D. Palacký University, Olomouc Test polohy bodu Osově orientovaná hranice - Cohen-Sutherland p x < xw min... vně p x > xw
VíceNewtonova metoda. 23. října 2012
Hledání kořenů rovnic jedné reálné proměnné Newtonova metoda Michal Čihák 23. října 2012 Newtonova metoda (metoda tečen) využívá myšlenku, že tečna v daném bodě grafu funkce nejlépe aproximuje graf funkce
VícePokročilé metody učení neuronových sítí. Tomáš Řehořek tomas.rehorek@fit.cvut.cz
Pokročilé metody učení neuronových sítí Tomáš Řehořek tomas.rehorek@fit.cvut.cz Problém učení neuronové sítě (1) Nechť N = (V, I, O, S, w, f, h) je dopředná neuronová síť, kde: V je množina neuronů I V
VíceSimulace (nejen) fyzikálních jevů na počítači
Simulace (nejen) fyzikálních jevů na počítači V. Kučera Katedra numerické matematiky, MFFUK Praha 7.2.2013 Aerodynamický flutter Tacoma bridge, 1940 Fyzikální model Realita je komplikovaná Navier-Stokesovy
VíceUrci parametricke vyjadreni primky zadane body A[2;1] B[3;3] Urci, zda bod P [-3;5] lezi na primce AB, kde A[1;1] B[5;-3]
1 Parametricke vyjadreni primky Priklad 16 Priklad 17 Priklad 18 jestlize Urci parametricke vyjadreni primky zadane body A[2;1] B[3;3] Urci, zda bod P [-3;5] lezi na primce AB, kde A[1;1] B[5;-3] Urci,
VíceNumerická matematika 1
Numerická matematika 1 Obsah 1 Řešení nelineárních rovnic 3 1.1 Metoda půlení intervalu....................... 3 1.2 Metoda jednoduché iterace..................... 4 1.3 Newtonova metoda..........................
VíceNejprve si uděláme malé opakování z kurzu Množiny obecně.
@021 3. Řešení grafické přímka v kartézské soustavě souřadnic Nejprve si uděláme malé opakování z kurzu Množiny obecně. Rovnice ax + by + c = 0, kde aspoň jedno z čísel a,b je různé od nuly je v kartézské
VíceVYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni. Abstrakt
VYUŽITÍ MATLABU PRO VÝUKU NUMERICKÉ MATEMATIKY Josef Daněk Centrum aplikované matematiky, Západočeská univerzita v Plzni Abstrakt Současný trend snižování počtu kontaktních hodin ve výuce nutí vyučující
Více=10 =80 - =
Protokol č. DĚDIČNOST KVALITATIVNÍCH VLASTNOSTÍ ) Jednorozměrné rozdělení fenotypové charakteristiky (hodnoty) populace ) Vícerozměrné rozdělení korelační a regresní počet pro dvě sledované vlastnosti
Více1. Soutěživé sítě. 1.1 Základní informace. 1.2 Výstupy z učení. 1.3 Jednoduchá soutěživá síť MAXNET
Obsah 1. Soutěživé sítě... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Jednoduchá soutěživá síť MAXNET... 2 1.3.1 Organizační dynamika... 2 1.3.2 Adaptační dynamika... 4 1.3.3 Aktivní dynamika...
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
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,
VíceMATEMATIKA ZÁKLADNÍ ÚROVEŇ
NOVÁ MTURITNÍ ZKOUŠK Ilustrační test 2008 Základní úroveň obtížnosti MVCZMZ08DT MTEMTIK ZÁKLDNÍ ÚROVEŇ DIDKTICKÝ TEST Testový sešit obsahuje 8 úloh. Na řešení úloh máte 90 minut. Úlohy řešte v testovém
VícePříklady k analytické geometrii kružnice a vzájemná poloha kružnice a přímky
Příklady k analytické geometrii kružnice a vzájemná poloha kružnice a přímky Př. 1: Určete rovnice všech kružnic, které procházejí bodem A = * 6; 9+, mají střed na přímce p: x + 3y 18 = 0 a jejich poloměr
VíceElektrický zdroj napětí
Pomůcky: Systém ISES, moduly: voltmetr, ampérmetr, velký monočlánek 1,5, držák monočlánku, fotodioda 1PP75, zdroj elektrického napětí 12, žárovka na 12, sada rezistorů, 9 spojovacích vodičů, soubory: zdroj1.icfg,
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
Více6. F U N K C E 6.1 F U N K C E. Sbírka úloh z matematiky pro SOU a SOŠ RNDr. Milada Hudcová, Mgr. Libuše Kubičíková 181/1 190/24 25
6. F U N K C E 6.1 F U N K C E Funkce (definice, značení) Způsoby zadání funkce (tabulka, funkční předpis, slovní popis, graf) 181/1 190/24 25 80/1 2 82/3 6.2 D E F I N I Č N Í O B O R, O B O R H O D N
Více5. Statika poloha střediska sil
5. Statika poloha střediska sil 5.1 Rovnoběžné sily a jejich střed Uvažujeme soustavu vzájemně rovnoběžných sil v prostoru s pevnými působišti. Každá síla má působiště dané polohovým vektorem. Všechny
Více3. Vypočítejte chybu, které se dopouštíte idealizací reálného kyvadla v rámci modelu kyvadla matematického.
Pracovní úkoly. Změřte místní tíhové zrychlení g metodou reverzního kyvadla. 2. Změřte místní tíhové zrychlení g metodou matematického kyvadla. 3. Vypočítejte chybu, které se dopouštíte idealizací reálného
VíceVZOROVÝ TEST PRO 2. ROČNÍK (2. A, 4. C)
VZOROVÝ TEST PRO. ROČNÍK (. A, 4. C) max. body 1 Vypočtěte danou goniometrickou rovnici a výsledek uveďte ve stupních a radiánech. cos x + sin x = 1 4 V záznamovém archu uveďte celý postup řešení. Řešte
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu úloha/zadání název úlohy Vyšší geodézie 1 3/3 GPS - výpočet polohy stanice pomocí
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
VíceMATEMATIKA základní úroveň obtížnosti
ILUSTRAČNÍ DIDAKTICKÝ TEST MATEMATIKA základní úroveň obtížnosti DIDAKTICKÝ TEST Didaktický test obsahuje 8 úloh. Časový limit pro řešení didaktického testu je uveden na záznamovém archu. Povolené pomůcky:
VíceNelineární rovnice. Numerické metody 6. května FJFI ČVUT v Praze
Nelineární rovnice Numerické metody 6. května 2018 FJFI ČVUT v Praze 1 Úvod Úvod Ohraničení kořene Hledání kořene Soustava Programy 1 Úvod Úvod - Úloha Hledáme bod x, ve kterém je splněno pro zadanou funkci
VíceVEKTOR. Vymyslete alespoň tři příklady vektorových a skalárních fyzikálních veličin. vektorové: 1. skalární
VEKTOR Úvod Vektor je abstraktní pojem sloužící k vyjádření jistého směru a velikosti. S vektorovými veličinami se setkáváme například ve fyzice. Jde o veličiny, u nichž je rozhodující nejen velikost,
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
VíceAlgoritmy a struktury neuropočítačů ASN P3
Algoritmy a struktury neuropočítačů ASN P3 SOM algoritmus s učitelem i bez učitele U-matice Vektorová kvantizace Samoorganizující se mapy ( Self-Organizing Maps ) PROČ? Základní myšlenka: analogie s činností
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ OBOR GEODÉZIE A KARTOGRAFIE KATEDRA VYŠŠÍ GEODÉZIE název předmětu úloha/zadání název úlohy Vyšší geodézie 1 2/3 GPS - Výpočet drah družic školní rok
VíceVoronoiův diagram. RNDr. Petra Surynková, Ph.D. Univerzita Karlova v Praze Matematicko-fyzikální fakulta
12 RNDr., Ph.D. Katedra didaktiky matematiky Univerzita Karlova v Praze Matematicko-fyzikální fakulta petra.surynkova@mff.cuni.cz http://surynkova.info Definice V( P) nad množinou bodů P { p v rovině 1,
VíceKvadratickou funkcí se nazývá každá funkce, která je daná rovnicí. Definičním oborem kvadratické funkce je množina reálných čísel.
Kvadratická funkce Kvadratickou funkcí se nazývá každá funkce, která je daná rovnicí y = ax 2 + bx + c Číslo a je různé od nuly, b,c jsou libovolná reálná čísla. Definičním oborem kvadratické funkce je
VíceGE - Vyšší kvalita výuky CZ.1.07/1.5.00/
Gymnázium, Brno, Elgartova 3 GE - Vyšší kvalita výuky CZ.1.07/1.5.00/34.0925 IV/2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti žáků středních škol Téma : Diferenciální a integrální
VíceUž bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely
Učení bez učitele Už bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely Klastrování Kohonenovy mapy LVQ (Učení vektorové kvantizace) Zbývá: Hybridní modely (kombinace učení bez učitele
VíceExponenciální funkce teorie
Eponenciální funkce teorie Eponenciální funkce je dána rovnicí f : = a, a ( 0,) (, ) Poznámka: pokud bchom připustili a =, vznikla b funkce konstantní pokud bchom připustili a < 0, nebla b funkce definována
Více2 Spojité modely rozhodování
2 Spojité modely rozhodování Jak již víme z přednášky, diskrétní model rozhodování lze zapsat ve tvaru úlohy hodnocení variant: f(a i ) max, a i A = {a 1, a 2,... a p }, kde f je kriteriální funkce a A
VíceIdentifikační údaje školy Vyšší odborná škola a Střední škola, Varnsdorf, příspěvková. Výukový materiál
1 Výukový materiál Identifikační údaje škol Všší odborná škola a Střední škola, Varnsdorf, příspěvková organizace Bratislavská 2166, 07 7 Varnsdorf, IČO: 1838387 www.vosassvdf.cz, tel. +2012372632 Číslo
Více20. května Abstrakt V následujícím dokumentu je popsán způsob jakým analyzovat problém. výstřelu zasáhnout bod na zemi v definované vzdálenosti.
Ukázková semestrální práce z předmětu VSME Tomáš Kroupa 20. května 2014 Abstrakt V následujícím dokumentu je popsán způsob jakým analyzovat problém lučištníka, který má při pevně daném natažení luku jen
Více4EK213 Lineární modely. 4. Simplexová metoda - závěr
4EK213 Lineární modely 4. Simplexová metoda - závěr 4. Simplexová metoda - závěr Konečnost simplexové metody Degenerace Modifikace pravidla pro volbu vstupující proměnné Blandovo pravidlo Kontrola výpočtu
Více4. Statika základní pojmy a základy rovnováhy sil
4. Statika základní pojmy a základy rovnováhy sil Síla je veličina vektorová. Je určena působištěm, směrem, smyslem a velikostí. Působiště síly je bod, ve kterém se přenáší účinek síly na těleso. Směr
VíceDiagnostika regrese pomocí grafu 7krát jinak
StatSoft Diagnostika regrese pomocí grafu 7krát jinak V tomto článečku si uděláme exkurzi do teorie regresní analýzy a detailně se podíváme na jeden jediný diagnostický graf. Jedná se o graf Předpovědi
VíceTvorba diagramů a obrázků v -L A TEXu
Tvorba diagramů a obrázků v -L A TEXu Prezentace k předmětu ZDP Martin Matys Katedra fyzikální elektroniky Fakulta jaderná a fyzikálně inženýrská České vysoké učení technické v Praze 20. října 2014 MARTIN
VícePŘÍMKA A JEJÍ VYJÁDŘENÍ V ANALYTICKÉ GEOMETRII
PŘÍMKA A JEJÍ VYJÁDŘENÍ V ANALYTICKÉ GEOMETRII V úvodu analytické geometrie jsme vysvětlili, že její hlavní snahou je popsat geometrické útvary (body, vektory, přímky, kružnice,...) pomocí čísel nebo proměnných.
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceSpolehlivost soustav
1 Spolehlivost soustav Spolehlivost soustav 1.1 Koherentní systémy a strukturní funkce Budeme se zabývat modelováním spolehlivosti zřízení s ohledem na spolehlivost jeho komponent. Jedním z hlavních cílů
Více1.1 Napište středovou rovnici kružnice, která má střed v počátku soustavy souřadnic a prochází bodem
Analytická geometrie - kružnice Napište středovou rovnici kružnice, která má střed v počátku soustavy souřadnic a prochází bodem A = ; 5 [ ] Napište středový i obecný tvar rovnice kružnice, která má střed
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
VíceRozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005
Rozpoznávání písmen Jiří Šejnoha Rudolf Kadlec (c) 2005 Osnova Motivace Popis problému Povaha dat Neuronová síť Architektura Výsledky Zhodnocení a závěr Popis problému Jedná se o praktický problém, kdy
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
VíceInovace a zkvalitnění výuky prostřednictvím ICT. Tváření. Název: Určení těžiště střižných sil,funkční rozměry nástrojů pro střih Ing.
Střední průmyslová škola a Vyšší odborná škola technická Brno, Sokolská 1 Šablona: Název: Téma: Autor: Inovace a zkvalitnění výuky prostřednictvím ICT Tváření Určení těžiště střižných sil,funkční rozměry
VíceJméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 25. 9. 2012 Číslo DUM: VY_32_INOVACE_17_FY_A
Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 25. 9. 2012 Číslo DUM: VY_32_INOVACE_17_FY_A Ročník: I. Fyzika Vzdělávací oblast: Přírodovědné vzdělávání Vzdělávací obor: Fyzika Tematický okruh: Mechanika
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
VíceDělení. Demonstrační cvičení 8 INP
Dělení Demonstrační cvičení 8 INP Přístupy k dělení sekvenční s restaurací nezáporného zbytku bez restaurace nezáporného zbytku SRT kombinační obvod založen na úplné odečítačce iterační algoritmy Newtonův
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)
VíceGeometrické algoritmy pro počítačovou grafiku
České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská Katedra fyzikální elektroniky Informatická fyzika Geometrické algoritmy pro počítačovou grafiku Semestrální práce Autor práce:
VíceMATEMATIKA V MEDICÍNĚ
MATEMATIKA V MEDICÍNĚ Tomáš Oberhuber Fakulta jaderná a fyzikálně inženýrská České vysoké učení technické v Praze Matematika pro život TOMÁŠ OBERHUBER (FAKULTA JADERNÁ A FYZIKÁLNĚ INŽENÝRSKÁ MATEMATIKA
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
VíceROVINNÁ SOUSTAVA SIL NEMAJÍCÍ SPOLEČNÉ PŮSOBIŠTĚ ROVINNÁ SOUSTAVA SIL NEMAJÍCÍ SPOLEČNÉ PŮSOBIŠTĚ
Předmět: Ročník: Vytvořil: Datum: MECHANIKA PRVNÍ ŠČERBOVÁ M. PAVELKA V. 10. ČERVNA 2012 Název zpracovaného celku: ROVINNÁ SOUSTAVA SIL NEMAJÍCÍ SPOLEČNÉ PŮSOBIŠTĚ ROVINNÁ SOUSTAVA SIL NEMAJÍCÍ SPOLEČNÉ
VíceANOTACE nově vytvořených/inovovaných materiálů
ANOTACE nově vytvořených/inovovaných materiálů Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast CZ.1.07/1.5.00/34.1017 III/2 - Inovace a zkvalitnění výuky prostřednictvím ICT Stereometrie
VíceParalelní LU rozklad
Paralelní LU rozklad Lukáš Michalec Katedra fyziky, Přírodovědecká fakulta Univerzity J.E. Purkyně v ročník, specializace Ústí n.l. Abstract Seminární práce se zabývá řešení soustavy lineárních rovnic
VíceTéma Pohyb grafické znázornění
Téma Pohyb grafické znázornění Příklad č. 1 Na obrázku je graf závislosti dráhy na čase. a) Jak se bude těleso pohybovat? b) Urči velikost rychlosti pohybu v jednotlivých časových úsecích dráhy. c) Jak
VíceÚterý 8. ledna. Cabri program na rýsování. Základní rozmístění sad nástrojů na panelu nástrojů
Úterý 8. ledna Cabri program na rýsování program umožňuje rýsování základních geometrických útvarů, měření délky úsečky, velikosti úhlu, výpočet obvodů a obsahů. Je vhodný pro rýsování geometrických míst
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 /
Více