Aplikace algoritmu pozitivní selekce pro doporučení vhodného psího plemene
|
|
- Eva Vladimíra Procházková
- před 8 lety
- Počet zobrazení:
Transkript
1 Aplikace algoritmu pozitivní selekce pro doporučení vhodného psího plemene Martina Husáková Univerzita Hradec Králové, Fakulta informatiky a managementu Hradecká 1249/6, Hradec Králové martina.husakova.2@uhk.cz Abstrakt Algoritmus pozitivní selekce je základním selekčním algoritmem využívaným v umělých imunitních systémech. Slouží k nalezení takových prvků umělého imunitního systému, které jsou schopné detekovat jeho vlastní prvky. Tento postup je v příspěvku využit k doporučení vhodného psího plemene a implementován v multiagentovém modelovacím prostředí NetLogo. 1 Úvod Biologie je oblastí, která v současné době výraznou a významnou měrou přispívá k řešení problémů v počítačové vědě. Tato skutečnost je patrná zejména ve výpočetní inteligenci, jejíž hlavní doménou je práce s neurčitými, nejistými a nepřesnými informacemi. Hlavními podoblastmi výpočtové inteligence, mající biologický základ, jsou genetické algoritmy (GA) a umělé neuronové sítě (UNS). K těmto předním reprezentantům začíná zaujímat své jisté postavení i paradigma beroucí si inspiraci z fungování biologického imunitního systému (BIS), tzv. umělé imunitní systémy (UIS). UIS poskytuje výpočetní inteligenci možnost pracovat s principy BIS, přičemž se v něm často promítají rysy jak GA tak UNS. V porovnání s GA a UNS se jedná o oblast poměrně mladou. Počátky jejího vzniku se datují k roku 1986, kdy J. D. Farmer spolu s dalšími napsal pojednání o adaptaci a strojovém učení založeném na imunitním síťovém modelu [10]. Od té doby bylo napsáno mnoho publikací, magisterských a doktorských prací [4], realizováno několik konferencí, z nichž nejznámější ICARIS je pořádána od roku 2002 [9]. I když od první zmínky o vztahu mezi výpočetní inteligencí a imunitním systémem uběhlo více než 20 let, nedá se říci, že by nebylo možné v této oblasti bádat dále. Vědci se stále aktivně zabývají [13]: zlepšením a rozšířením UIS, tvorbou nových UIS, hledáním nových aplikačních oblastí, upřesněním nebo rozšířením frameworku podle kterého se budou UIS vytvářet. Současný vývoj UIS nesměřuje ani tak k vytvoření plnohodnotného BIS, ale k reprezentaci jeho vybraných mechanismů pro řešení určitých typů problemů efektivním způsobem. Snahou je například zabudovat určité principy imunitní ochrany a obrany do již existujících systemů [12]. Cílem tohoto příspěvku je, kromě teoretického seznámení s BIS a UIS, ukázat praktické využití jednoho základního algoritmu využívaného v UIS, tzv. algoritmu pozitivní selekce. Ten je zde využit k roztřídění vybraných plemen psů z FCI standardu [11] na ta, která jsou vhodná pro jeho potenciálního majitele a na ta, která nejsou. O požadovaném plemeni lze pak říci, nakolik je podobné kterému ze standardu FCI. 2 Biologický imunitní systém 2.1 Vlastnosti Biologický imunitní systém je komplexním systémem, který je nezbytný pro přežití jakéhokoliv organismu. Jeho úkolem je identifkovat, lokalizovat a patřičně reagovat na částice, které mohou být pro organismus nebezpečné. Tyto částice nazýváme antigeny. Antigenem je cokoliv co může vyvolat imunitní reakci. Rozdělujeme je na antigeny nevlastní (non-self) a vlastní (self). Do první skupiny spadají mikroorganismy způsobující různá onemocnění (viry, bakterie, houby, paraziti) a v druhé jsou prvky, které organismus považuje za svoji součást. BIS může některé vlastní buňky vyhodnotit jako nepřátele, útočit proti nim a to v důsledku tzv. autoimunitních onemocnění. Pokud ale BIS funguje správně, dokáže biologický systém udržet v rovnováze, rozpoznat a reagovat na nebezpečí, učit se a pamatovat si elementy, které ohrožovaly organismus v minulosti [3]. Na BIS se lze dívat z různých úhlů pohledu. Jedním z nich je specifičnost, podle které má BIS vrozenou (VIm) a adaptivní imunitu (AIm) [3], [17]. VIm je nespecifická, neadaptabilní, ale přitom cílenější než AIm - její buňky jsou okamžitě připraveny k boji, aniž by vyžadovaly určitou předchozí zkušenost s nepřítelem. K jejím součástem patří různé mechanické bariéry, např.
2 pokožka, hleny, slzy, sliny, žaludeční šťávy apod. Disponuje širokým spektrem imunitních buněk. Některé z nich poskytují na svém povrchu vzorky nepřátel jiným imunitním buňkám, které zajišťují AIm. AIm je specifická a namířena především k již jednou rozpoznaným nepřátelům. K hlavním imunitním buňkám v tomto případě patří B a T lymfocyty. Klíčovou funkcí B-lymfocytů je tvorba protilátek a schopnost přeměny na paměťové buňky s cílem urychlit aktuální imunitní odpověď při napadení stejným nebo velmi podobným nepřítelem z minulosti. T-lymfocyty protilátky netvoří. Přímo likvidují buňky napadené mikroorganismy nebo regulují funkce ostatních imunitních buněk [3], [5]. 2.2 Princip funkce BIS je postaven především na procesu rozpoznávání prvků organismu. B i T lymfocyty nesou na svém povrchu receptory schopné rozpoznat antigeny. Způsob rozpoznávání antigenů popíšeme na B-lymfocytech. Jak již bylo řečeno v podkapitole 2.1, hlavní funkcí B-lymfocytů je tvorba protilátek. Jedna B-buňka umí produkovat jen jeden specifický typ protilátky (obr. 1.), přitom antigen může mít na svém povrchu různé povrchové struktury, tzv. epitopy [5]. Jedná se o konkrétní oblasti antigenu, na které se mohou protilátky vázat. Obr. 2. Rozpoznávání antigenu B-lymfocyty 3 Umělý imunitní systém 3.1 Vlastnosti, využití a reprezentace UIS je dynamický adaptivní systém, který v sobě implementuje principy a funkce BIS s cílem jejich použití k řešení problémů spojených s různými aplikačními oblastmi [13]. K těmto oblastem patří např.: rozpoznávání vzorů a jejich klasifikace, detekce chyb a anomálií, učení, optimalizace, analýza dat. Většina modelů UIS využívá konceptu tzv. reprezentačního prostoru (prostoru tvarů) (RP), který byl představen roku 1979 A. S. Perelsonem a G. F. Osterem s cílem formálně popsat interakce odehrávající se mezi protilátkami a antigeny [5], [6]. Jedná se o obecný framework použitelný k reprezentaci abstraktních modelů imunitních buněk a molekul. Obr. 1. B-lymfocyty s různými receptory Rozpoznávání je založené na tzv. komplementaritě mezi protilátkou (receptorem, detektorem) a epitopem. Tento princip odráží fakt, že rozpoznání (identifikaci) antigenu protilátkou se uskuteční tehdy, když do sebe obě částice zapadnou jako klíč do zámku. Tím se na sebe oba prvky naváží a B-buňka se aktivuje (obr. 2., upraven dle [5]). Poté dojde k množení těchto buněk (tvorbě klonů), které budou produkovat protilátky se stejnou specificitou, jako jejich rodičovské buňky. I T-lymfocyty se umí navázat na antigeny. Umožňují jim to právě povrchové receptory podobné protilátkám u B-buněk [5], [7]. Koncept pracuje s n-dimenzionálním prostorem obsahující protilátky (receptor, (r)) a antigeny (a), které jsou v tomto prostoru nejčastěji reprezentovány jako body. Každý receptor a antigen má vlastnosti obsažené v seznamu, který může nabývat celých čísel, reálných čísel, binárních hodnot, znaků, řetězců nebo jejich kombinaci. Receptor je dle tohoto konceptu charakterizován určitou afinitní prahovou (aktivační) hodnotou (e) určující do jaké vzdálenosti je ještě schopný receptor antigen rozpoznat (obr. 3.). K rozpoznání obou prvků dojde tehdy, když vzdálenost mezi receptorem (r) a antigenem (a) je menší než afinitní prahová (aktivační) hodnota (e), čili: d(r, a) < e [5], [12]. Větší vzdálenost ukazuje na větší rozdílnost porovnávaných prvků a naopak [12].
3 3.2 Modely umělých imunitních systémů Obr. 3. Reprezentační prostor Způsoby určování afinity Existují různé způsoby určování afinity (vzdálenosti, podobnosti). K nejznámějším patří: Euklidovská a Manhattanská vzdálenost využívající se u reálných hodnot a Hammingova vzdálenost nejpoužívanější u řetězců, znaků a binárních hodnot (obr. 4., upraven dle [5]). Výběr vhodné metody pro určování afinity závisí hlavně na doménové oblasti. Tyto a další typy měr jsou podrobně popsány např. v [7]. Obr. 4. Určování Hammingovy vzdálenosti Komplementarita vs. podobnost Co mírně komplikuje pohled na způsob porovnávání receptorů a antigenů je skutečnost, že pro to existují dva možné způsoby. První je založen na komplementaritě tvarů, kdy k rozpoznání antigenu receptorem dojde tím spíš, čím rozdílnější tvary (povrchy) oba mají, viz. přirovnání obou k zámku a klíči v podkapitole 2.2. Tato cesta odpovídá rozpoznávání prvků v BIS, ale k implementaci UIS se příliš často nevyužívá [5], [7]. V praxi je hojněji zastoupena metoda založená na podobnosti tvarů, kdy k rozpoznání antigenu receptorem dojde tím spíš, čím více jsou si oba podobní. Druhé možnosti je využito v praktické aplikaci pro rozpoznávání plemen psů. Modely UIS lze dělit na selekční a síťové [6]. Selekční modely jsou zaměřeny na rozpoznávání vlastních a nevlastních antigenů. Algoritmus negativní selekce vybírá jen ty T-lymfocyty, které jsou schopné rozpoznat nevlastní antigeny. Algoritmus pozitivní selekce, který je detailněji popsán v podkapitole 3.2.1, pracuje na opačném principu extrahuje T-lymfocyty schopné detekovat vlastní prvky organismu. Klonální selekční algoritmus se zabývá tvorbou paměťových buněk, které jsou schopné uchovat si v sobě informaci o patogenu, který postihl organismus v minulosti s cílem jeho rychlejší eliminace v budoucnosti. Síťové modely, dělené na spojité a diskrétní, jsou založeny na teorii, ve které si BIS udržuje určitou síť vzájemně propojených B- lymfocytů s cílem rozpoznávání antigenů. Síť je zde dynamickým systémem, který se udržuje na základě posilování a oslabování vazeb mezi B-lymfocyty [8] Algoritmus pozitivní selekce Pozitivní selekce v imunologii označuje proces odstranění bezreceptorových nebo poškozených lymfocytů B a T. Buňky, které projdou pozitivní selekcí přežijí a mohou hrát roli v imunitní odezvě [5]. Algoritmus pozitivní selekce (APS) slouží k vyčlenění jen těch prvků, které jsou schopné rozpoznat alespoň jednu buňku vlastního těla (self-prvek). Ty, které to nedokáží, jsou eliminovány. Vstupem pro APS je množina S obsahující self-prvky, výstupem je množina A s detektory určenými k rozpoznávání self-prvků. APS má fázi trénovací a testovací [5]. Trénovací fáze má následující kroky: inicializace: náhodné vygenerování potenciálních detektorů (PD) do množiny P, určení afinity: porovnání každého PD se self-prvkem z množiny S, vyčlenění detektoru: jestliže je afinita PD větší než nebo rovna afinitní prahové hodnotě, pak je PD schopný self-prvek rozpoznat a stává se prvkem množiny A obsahující dostupný repertoár detektorů, jinak je PD odstraněn. Trénovací fáze se opakuje do té doby, dokud není splněno určité kritérium, např. dokud nemáme k dispozici dostatek detektorů v množině A. V testovací fázi ověřujeme typ nového příchozího prvku. Jestliže je alespoň jedním detektorem z množiny A rozpoznán, je nový prvek klasifikován jako self-prvek, jinak je prvkem nežádoucím.
4 APS spadá do kategorie učení založeného na instancích (instance-based learning), kde pracujeme s množinou trénovacích příkladů (self-prvky) [20]. Trénovací příklady slouží k získání podobných souvisejících instancí (detektorů), které jsou pak použity ke klasifikaci instance nové (nového příchozího prvku) [18]. 4 Využití pozitivně selekčního algoritmu v kynologii 4.1 Program pro doporučování psích plemen APS je použit v aplikaci, která má vybrat z různých psích plemen [1], [2], [11], [15], [19] (standardizovaných dle FCI) ta, která vyhovují parametrům zadaných uživatelem programu budoucím majitelem psa. K implementaci bylo vybráno prostředí NetLogo, které se využívá k modelování a simulování sociálních, biologických a dalších jevů prostřednictvím agentů [16]. Model je členěn do několika procedur, které zajišťují funkčnost celého programu. Mezi hlavní patří: inicializace modelu, nalezení řešení, výpis výsledků Inicializace modelu Kromě nastavení počátečních hodnot k pomocným proměnným jsou inicializací vytvořeny dvě skupiny agentů. První je tvořena padesáti vybranými plemeny ze skupin FCI standardu (FCIPsi). Druhá množina je jednoprvková obsahuje požadovaného psa (HledaniPsi). Každý agent množiny FCIPsi má určité vlastnosti, které ho charakterizují. Jejich výčet je uveden v tabulce 1. Co se týká datových typů, tak proměnná afinitafcipsa je celočíselná, porovnan a vyhovujicipes jsou typu Boolean, ostatní proměnné nabývají řetězcové hodnoty (hodnot). Vlastnosti agenta množiny HledaniPsi nastavuje uživatel pomocí GUI aplikace (obr. 6.). Nastavitelné jsou vlastnosti: fyzickerysy, vyuziti a vlastnosti. Tyto parametry jsou pak vstupními hodnotami pro proceduru určenou k nastavení rysů hledaného psího plemene Nalezení řešení V podkapitole byl charakterizován základní algoritmus pozitivní selekce. Tento algoritmus byl modifikován, resp. neformálně popsán M. Ebnerem a formálně T. Stiborem s tím, že roli detektorů mohou zastávat přímo self-prvky [20], [21], [22]. Výsledkem je skutečnost, že tento algoritmus je tvořen jen testovací fází. Trénovací fáze není uskutečněna. Tato upravená verze APS byla využita i pro nalezení vhodných psů pro jeho budoucího majitele. Nalezení vyhovujícího psa spočívá v určení podobnosti mezi standardizovanými plemeny psů se psem požadovaným. Konkrétněji, hodnoty proměnných (tab. 1) fyzickerysy, vyuziti a vlastnosti jednotlivých agentů množiny FCIPsi jsou porovnávány s hodnotami proměnných fyzickerysy, vyuziti a vlastnosti agenta množiny HledaniPsi. Výsledkem porovnání je stanovení afinitní hodnoty pro daného psa z množiny FCIPsi. Při určování míry podobnosti mezi standardizovaným a požadovaným psem byla využita tzv. Hammingova vzdálenost (obr. 4.). Porovnávání rysů jednoho prvku z množiny FCIPsi s prvkem z množiny HledaniPsi je demonstrován na obrázku 5. Tab. 1. Atribut Vysvětlení atributu (proměnné) (proměnná) nazevplemene název plemene psa cisloskupinyfci hodnota v rozsahu <1,10> nazevskupinyfci název skupiny, do které psí plemeno patří detail detailnější informace o plemeni psa fyzickerysy [velikost váha osrstění péče o srst] vyuziti [lovec hlídač společník k dětem do bytu] vlastnosti [aktivita cvičitelnost agresivita] afinitafcipsa do jaké míry je FCIPes podobný požadavkům uživatele porovnan proměnná pro porovnávání dalšího psa s požadovaným vyhovujicipes výsledná role psa Po určení afinity u každého agenta z množiny FCIPsi se rozhoduje o jeho vhodnosti pro potenciálního majitele. Jestliže je afinita agenta z množiny FCIPsi větší než nebo rovna prahové afinitě, pak je psí plemeno doporučeno, jinak doporučeno není. Prahovou afinitu lze v modelu předdefinovat a označuje minimální procento znaků, které musí být u porovnávaných prvků shodných, aby byl pes vybrán jako vhodné plemeno. Vyšší hodnotou prahu klademe přísnější požadavky na potenciální výsledek, protože požadujeme více shodných znaků mezi hledaným a standardizovaným psím plemenem. Nižší hodnota prahu naopak značí, že chceme méně shodných znaků mezi chtěným a standardizovaným psem. Různé nastavení prahové afinity dává odlišné výsledky. Opakovaným spouštěním modelu bylo zjištěno, že při nižší prahové afinitě je poskytnuto více výsledků než při prahu vyšším.
5 Dále se rozhoduje o roli hledaného psa. Jestliže existuje alespoň jeden agent (psí plemeno) z množiny FCIPsi, který je hledanému podobný, pak hledaný agent přechází do nové množiny FCIPodobniPsi (odpovídající množině se self-prvky). Pokud se s žádným agentem z množiny FCIPsi neidentifikuje, přechází do množiny FCINepodobniPsi (odpovídající množině s non-self prvky). Zde dochází k určitému odchýlení se od podstaty UIS, kdy nežádoucí prvek systému (pes, který není žádnému standardizovanému podobný) by z něj měl být odstraněn. Místo odstranění nežádoucího prvku bylo zvoleno jeho zařazení do jedné ze dvou množin, aby byla v modelu jasnější jeho povaha a odpovídala realitě. tradičně zmiňována výzkumníky z oblasti UIS. Po stránce budoucnosti programu je nezbytné rozšířit množinu FCIPsi o další jedince, protože aktuální verze využívá jen 50 psích plemen. Ve skutečnosti je počet standardizovaných psů téměř desetinásobný. Obr. 6. GUI aplikace v NetLogu 5 Závěr Obr. 5. Určování afinity psího plemene Výpis výsledků Po nalezení řešení je možné uživateli zobrazit vyhovující psí plemena z FCI skupin dle relevantnosti, resp. od nejvíce vhodného po nejméně vhodného, spolu s počtem vyhovujících/nevyhovujících, jejich vlastnosti a detailnější popis (obr. 6.) Kritický pohled na aplikaci Využitelnost APS k doporučení vhodného psího plemene je velmi jednoduchou ukázkou toho, jak APS funguje a co může řešit. Celá aplikace je postavena na porovnávání seznamů dvou skupin agentů (HledaniPsi a FCIPsi) a nastavení citlivosti v rozpoznávání pomocí prahové afinity. Jistě by výše uvedený problém mohl být řešitelný i jinými, jednoduššími cestami, aniž bychom museli použít algoritmus UIS. Nicméně k cílům zmíněných v kapitole 1 také patří snaha o nalezení zajímavé aplikační oblasti pro demonstraci APS, která není Příspěvek se zabývá problematikou umělých imunitních systémů, především algoritmem pozitivní selekce, který slouží k nalezení takových prvků systému, které jsou schopné rozeznat jeho vlastní elementy. Zjednodušená varianta algoritmu pozitivní selekce byla použita k identifikaci vhodných plemen psů kategorizovaných do skupin dle FCI standardu vhodných pro jeho potenciálního majitele. Aplikace si klade za cíl zjednodušit mnohdy časově náročné vyhledávání vhodného psího plemene s pomocí aktuálně dostupných prostředků (internet, knihy, časopisy) a demonstrovat využití principů UIS k řešení určitého problému. Model byl z prostředí NetLogo exportován do podoby apletu, aby mohl být volně využíván [14]. Literatura [1] D. Alderton. Psi. Osveta, 1996, angl. orig. A Dorling Kindersley Book. ISBN [2] Atlas plemen psů. URL: [3] J. Bartůňková, A. Šedivá, E. Hölzelová. Primární imunodeficience. Příručka pro pacienty a jejich rodiny. Ústav imunologie 2. LF UK a FN Motol.
6 Praha, URL: [4] J. Brownlee: Artificial immune system thesis bibliography. Complex Intelligent Systems Laboratory. Technical Report A. Melbourne, Australia, URL: 7/TR pdf [5] L. N. de Castro, J. Timmis: Artificial Immune Systems: A New Computational Intelligence Approach. Springer, 2002, ISBN [6] L. N. de Castro, J. I. Timmis. Artificial immune systems as a novel soft computing paradigm. Soft Computing 7, pp , Springer-Verlag [7] D. Dasgupta, L. F. Niño. Immunological Computation: Theory and Applications. CRC Press, ISBN: [8] D. Dasgupta. Advances in Artificial Immune Systems. Computational Intelligence Magazine, IEEE, Volume 1, Issue 4, pp , [9] Ch. Ehret: Introducing the Artificial Immune System Paradigm: How to apply the Immune System model to Computer Science. University of Fribough, URL: 06/ _AIS.pdf [10] J. D. Farmer, N. H. Packard, A. S. Perelson: The immune system, adaptation, and machine learning, The Elsevier Science Publishers B. V. Amsterdam, The Netherlands, URL: [11] Federation Cynologique Internationale, URL: [15] Krmivo Brit Superpremium. URL: [16] NetLogo Homepage. URL: [17] D. Neuwirth: Umělé imunitní výpočetní systémy. Bakalářská práce, VUT Brno, URL: helorthesis.pdf [18] S. Palu. Instance-Based Learning: A Java Implementation. URL: _1 [19] L. Smrčková, M. Smrček. Kapesní altas psů. Bratislava, Art Area, ISBN X. [20] T. Stibor, J. Timmis. Comments on Real-Valued Negative Selection vs. Real-Valued Positive Selection and One-Class SVM. Evolutionary Computation, 2007, CEC 2007, IEEE. ISBN: [21] T. Stibor, J. Timmis, C. Eckert. A Comparative Study of Real-Valued Negative Selection to Statistical Anomaly Detection Techniques. LNCS Artificial Immune Systems. Springer, [22] T. Stibor, P. Mohr, J. Timmis. C. Eckert. Is negative selection appropriate for anomaly detection? Genetic And Evolutionary Computation Conference. Proceedings of the 2005 conference on Genetic and evolutionary computation, pp URL: [12] D. Floreano, C. Mattiussi. Bio-Inspired Artificial Intelligence: Theories, Methods, and Technologies. The MIT Press, 2008, ISBN [13] E. Hart, J. Timmis: Application Areas of AIS: The Past, The Present and The Future, ICARIS. LNCS 3627, pp , Springer-Verlag Berlin Heidelberg, [14] M. Husáková. Aplikace pro doporučení vhodného psího plemene z FCI standardu. URL: 3/zt3_index.html
Vybrané aplikace algoritmů umělého imunitního systému
Vybrané aplikace algoritmů umělého imunitního systému Martina Husáková Univerzita Hradec Králové, Fakulta informatiky a managementu Hradecká 1249/6, 50003 Hradec Králové martina.husakova.2@uhk.cz Abstrakt
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:
VíceUmělá 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
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS APLIKACE UMĚLÝCH
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
VíceBiologicky inspirované výpočty. Schématické rozdělení problematiky a výuky
Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová
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
VíceIMUNOGENETIKA I. Imunologie. nauka o obraných schopnostech organismu. imunitní systém heterogenní populace buněk lymfatické tkáně lymfatické orgány
IMUNOGENETIKA I Imunologie nauka o obraných schopnostech organismu imunitní systém heterogenní populace buněk lymfatické tkáně lymfatické orgány lymfatická tkáň thymus Imunita reakce organismu proti cizorodým
VíceGenetické programování 3. část
1 Portál pre odborné publikovanie ISSN 1338-0087 Genetické programování 3. část Macháček Martin Elektrotechnika 08.04.2011 Jako ukázku použití GP uvedu symbolickou regresi. Regrese je statistická metoda
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
VíceGenetické algoritmy. Informační a komunikační technologie ve zdravotnictví
Genetické algoritmy Informační a komunikační technologie ve zdravotnictví Přehled přednášky Úvod Historie Základní pojmy Principy genetických algoritmů Možnosti použití Související metody AI Příklad problém
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.
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
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
VíceOBRANNÝ IMUNITNÍ SYSTÉM
Mgr. Šárka Vopěnková Gymnázium, SOŠ a VOŠ Ledeč nad Sázavou VY_32_INOVACE_02_3_04_BI2 OBRANNÝ IMUNITNÍ SYSTÉM Základní znaky: není vrozená specificky rozpoznává cizorodé látky ( antigeny) vyznačuje se
VíceSpecifická imunitní odpověď. Název materiálu: Datum (období) vytvoření: 25. 5. 2013. MUDr. Zdeňka Kasková. Autor materiálu: Zařazení materiálu:
Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice
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
VíceIII/2- Inovace a zkvalitnění výuky prostřednictvím IVT
GYMNÁZIUM TÝN NAD VLTAVOU, HAVLÍČKOVA 13 Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast CZ.1.07/1.5.00/34.0437 III/2- Inovace a zkvalitnění výuky prostřednictvím IVT Člověk a příroda
VíceCZ.1.07/1.5.00/34.0527
Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice
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
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
VíceFunkce imunitního systému
Téma: 22.11.2010 Imunita specifická nespecifická,, humoráln lní a buněč ěčná Mgr. Michaela Karafiátová IMUNITA je soubor vrozených a získaných mechanismů, které zajišťují obranyschopnost (rezistenci) jedince
VíceImunitní systém. Přesnější definice: Tkáně a buňky lidského těla schopné protektivně reagovat na vlivy působící proti udržení homeostázy.
Imunitní systém Systém tkání buněk a molekul zajišťujících odolnost organismu vůči infekčním chorobám Přesnější definice: Tkáně a buňky lidského těla schopné protektivně reagovat na vlivy působící proti
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS UMĚLÉ IMUNITNÍ VÝPOČETNÍ
VíceADAPTIVITA INFORMAČNÍCH SYSTÉMŮ INFORMATION SYSTEM ADAPTIVITY
ADAPTIVITA INFORMAČNÍCH SYSTÉMŮ INFORMATION SYSTEM ADAPTIVITY Roman Malo Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta, Ústav informatiky, malo@pef.mendelu.cz Abstrakt Problematika
VíceSpecifická imunitní odpověd. Veřejné zdravotnictví
Specifická imunitní odpověd Veřejné zdravotnictví MHC molekuly glykoproteiny exprimovány na všech jaderných buňkách (MHC I) nebo jenom na antigen prezentujících buňkách (MHC II) u lidí označovány jako
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
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
VíceZnalostní technologie proč a jak?
Znalostní technologie proč a jak? Peter Mikulecký Kamila Olševičová Daniela Ponce Univerzita Hradec Králové Motivace 1993 vznik Fakulty řízení a informační technologie na Vysoké škole pedagogické v Hradci
VíceNávrh a implementace algoritmů pro adaptivní řízení průmyslových robotů
Návrh a implementace algoritmů pro adaptivní řízení průmyslových robotů Design and implementation of algorithms for adaptive control of stationary robots Marcel Vytečka 1, Karel Zídek 2 Abstrakt Článek
VíceOdečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý
Odečítání pozadí a sledování lidí z nehybné kamery Ondřej Šerý Plán Motivace a popis úlohy Rozdělení úlohy na tři části Detekce pohybu Detekce objektů Sledování objektů Rozbor každé z částí a nástin několika
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
VíceVývojové nástroje pro multiagentové systémy
Vývojové nástroje pro multiagentové systémy Znalostní technologie III materiál pro podporu studia OBSAH Úvod... 3 Swarm... 3 NetLogo... 5 Repast... 6 Porovnání prostředí Swarm, NetLogo a RePast... 7 Mason...
VíceJak se matematika poučila v biologii
Jak se matematika poučila v biologii René Kalus IT4Innovations, VŠB TUO Role matematiky v (nejen) přírodních vědách Matematika inspirující a sloužící jazyk pro komunikaci s přírodou V 4 3 r 3 Matematika
VíceZáklady objektové orientace I. Únor 2010
Seminář Java Základy objektové orientace I Radek Kočí Fakulta informačních technologií VUT Únor 2010 Radek Kočí Seminář Java Základy OO (1) 1/ 20 Téma přednášky Charakteristika objektově orientovaných
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
VíceObranné mechanismy organismu, imunita. Tento výukový materiál vznikl za přispění Evropské unie, státního rozpočtu ČR a Středočeského kraje
Obranné mechanismy organismu, imunita Tento výukový materiál vznikl za přispění Evropské unie, státního rozpočtu ČR a Středočeského kraje Prosinec 2010 Mgr. Radka Benešová IMUNITNÍ SYSTÉM Imunitní systém
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
VíceVyužití strojového učení k identifikaci protein-ligand aktivních míst
Využití strojového učení k identifikaci protein-ligand aktivních míst David Hoksza, Radoslav Krivák SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita
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
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
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
VíceNavrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie
Evoluční strategie Navrženy v 60. letech jako experimentální optimalizační metoda Založena na reálných číslech Velice rychlá s dobrou podporou teorie Jako první zavedla self-adaptation (úpravu sebe sama)
VíceRNDr. Ivana Fellnerová, Ph.D. Katedra zoologie, PřF UP Olomouc
RNDr. Ivana Fellnerová, Ph.D. Katedra zoologie, PřF UP Olomouc Výukové materiály: http://www.zoologie.upol.cz/osoby/fellnerova.htm Prezentace navazuje na základní znalosti Biochemie a cytologie. Bezprostředně
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
VíceNativní a rekombinantní Ag
Antigeny z hlediska diagnostiky a pro potřeby imunizace Nativní a rekombinantní Ag Ag schopna vyvolat I odpověď, komplexní, nekomplexní Ag, hapten, determinanty, nosič V laboratořích: Stanovení Ab proti:
Více13 Barvy a úpravy rastrového
13 Barvy a úpravy rastrového Studijní cíl Tento blok je věnován základním metodám pro úpravu rastrového obrazu, jako je např. otočení, horizontální a vertikální překlopení. Dále budo vysvětleny různé metody
VíceReranking založený na metadatech
České vysoké učení technické v Praze Fakulta informačních technologií Katedra softwarového inženýrství Reranking založený na metadatech MI-VMW Projekt IV - 1 Pavel Homolka Ladislav Kubeš 6. 12. 2011 1
VíceFORTANNS. havlicekv@fzp.czu.cz 22. února 2010
FORTANNS manuál Vojtěch Havlíček havlicekv@fzp.czu.cz 22. února 2010 1 Úvod Program FORTANNS je software určený k modelování časových řad. Kód programu má 1800 řádek a je napsán v programovacím jazyku
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
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
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
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
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
VíceModelov an ı biologick ych syst em u Radek Pel anek
Modelování biologických systémů Radek Pelánek Modelování v biologických vědách typický cíl: pomocí modelů se snažíme pochopit, jak biologické systémy fungují model zahrnuje naše chápání simulace ukazuje,
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
VíceDetekce obličeje v obraze s využitím prostředí MATLAB
Detekce obličeje v obraze s využitím prostředí MATLAB T. Malach, P. Bambuch, J. Malach EBIS, spol. s r.o. Příspěvek se zabývá detekcí obličeje ve statických obrazových datech. Algoritmus detekce a trénování
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
VíceImunitní systém člověka. Historie oboru Terminologie Členění IS
Imunitní systém člověka Historie oboru Terminologie Členění IS Principy fungování imunitního systému Orchestrace, tj. kooperace buněk imunitního systému (IS) Tolerance Redundance, tj. nadbytečnost, nahraditelnost
VíceJan Krejsek. Funkčně polarizované T lymfocyty regulují obranný i poškozující zánět
Funkčně polarizované T lymfocyty regulují obranný i poškozující zánět Jan Krejsek Ústav klinické imunologie a alergologie, FN a LF UK v Hradci Králové ochrana zánět poškození exogenní signály nebezpečí
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceImunitní odpověd - morfologie a funkce, nespecifická odpověd, zánět. Veřejné zdravotnictví
Imunitní odpověd - morfologie a funkce, nespecifická odpověd, zánět Veřejné zdravotnictví Doporučená literatura Jílek : Základy imunologie, Anyway s.r.o., 2002 Stites : Základní a klinická imunologie,
VíceUčící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
VíceČlověk a mikroby, jsme nyní odolnější? Jan Krejsek. Ústav klinické imunologie a alergologie, FN a LF UK v Hradci Králové
Člověk a mikroby, jsme nyní odolnější? Jan Krejsek Ústav klinické imunologie a alergologie, FN a LF UK v Hradci Králové Jsme určeni genetickou dispozicí a životními podmínkami, které působí epigeneticky
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
VíceÚVOD DO TRANSPLANTAČNÍ IMUNOLOGIE
ÚVOD DO TRANSPLANTAČNÍ IMUNOLOGIE Základní funkce imunitního systému Chrání integritu organizmu proti škodlivinám zevního a vnitřního původu: chrání organizmus proti patogenním mikroorganizmům a jejich
VíceVytěžování znalostí z dat
Vytěžování znalostí z dat Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague Přednáška 5: Hodnocení kvality modelu BI-VZD, 09/2011 MI-POA Evropský sociální
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
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
VíceEvoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
VíceSPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR
EVOLUČNÍ NÁVRH A OPTIMALIZACE APLIKAČNĚ SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR Miloš Minařík DVI4, 2. ročník, prezenční studium Školitel: Lukáš Sekanina Fakulta informačních technologií, Vysoké učení
VícePřehled modelů reputace a důvěry na webu
Přehled modelů reputace a důvěry na webu Jiří Vaňásek Ing. Ladislav Beránek Školní rok: 2008-09 Abstrakt V online systémech se musíme spoléhat na mechanismy implementované v rámci daného systému, na reputační
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 /
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
VíceKlasifikace předmětů a jevů
Klasifikace předmětů a jevů 1. Úvod Rozpoznávání neboli klasifikace je základní znak lidské činnosti. Rozpoznávání (klasifikace) předmětů a jevů spočívá v jejich zařazování do jednotlivých tříd. Třídou
Více================================================================================ =====
Název: VY_32_INOVACE_PG4101 Základní struktura HTML stránky Datum vytvoření: 01 / 2012 Anotace: DUM seznamuje se základní strukturou a členěním HTML stránky, s jednotlivými složkami - HTML, CSS, externí
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
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
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
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:
VíceModernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení. Jiří Málek
Modernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení Jiří Málek Cíl projektu Cíl: Zefektivnění vzdělávání na ITE* v oblasti strojového učení pomocí posílení dostupné výpočetní
Více11. Tabu prohledávání
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 MI-PAA EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI
VíceProfilová část maturitní zkoušky 2017/2018
Střední průmyslová škola, Přerov, Havlíčkova 2 751 52 Přerov Profilová část maturitní zkoušky 2017/2018 TEMATICKÉ OKRUHY A HODNOTÍCÍ KRITÉRIA Studijní obor: 78-42-M/01 Technické lyceum Předmět: TECHNIKA
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička školitel : Doc. Ing. Ivan Mazůrek, CSc. Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 12.listopadu
VíceEvoluční výpočetní techniky (EVT)
Evoluční výpočetní techniky (EVT) - Nacházejí svoji inspiraci v přírodních vývojových procesech - Stejně jako přírodní jevy mají silnou náhodnou složku, která nezanedbatelným způsobem ovlivňuje jejich
VíceKlasifikační metody pro genetická data: regularizace a robustnost
Odd medicínské informatiky a biostatistiky Ústav informatiky AV ČR, vvi Práce vznikla za finanční podpory Nadačního fondu Neuron na podporu vědy Klasifikační metody pro genetická data Regularizovaná klasifikační
VíceRekombinantní protilátky, bakteriofágy, aptamery a peptidové scaffoldy pro analytické a terapeutické účely Luděk Eyer
Rekombinantní protilátky, bakteriofágy, aptamery a peptidové scaffoldy pro analytické a terapeutické účely Luděk Eyer Virologie a diagnostika Výzkumný ústav veterinárního lékařství, v.v.i., Brno Alternativní
VícePřírodou inspirované metody umělé inteligence
Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy
VíceIng. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D.
OPTIMALIZACE BRAMOVÉHO PLYNULÉHO ODLÉVÁNÍ OCELI ZA POMOCI NUMERICKÉHO MODELU TEPLOTNÍHO POLE Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D. Fakulta strojního inženýrství
VíceAlgoritmy ořezávání. Habilitační práce. (Clipping Algorithms) (Habilitation Thesis) Prof.Ing.Václav Skala, CSc.
Algoritmy ořezávání (Clipping Algorithms) Habilitační práce (Habilitation Thesis) Prof.Ing.Václav Skala, CSc. http://www.vaclavskala.eu Abstrakt Algoritmy ořezávání a jejich implementace je jednou z klíčových
VíceVYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ
VYUŽITÍ MATLABU PRO PODPORU VÝUKY A PŘI ŘEŠENÍ VÝZKUMNÝCH ÚKOLŮ NA KATEDŘE KOMUNIKAČNÍCH A INFORMAČNÍCH SYSTÉMŮ Markéta Mazálková Katedra komunikačních a informačních systémů Fakulta vojenských technologií,
VíceImunochemické metody. na principu vazby antigenu a protilátky
Imunochemické metody na principu vazby antigenu a protilátky ANTIGEN (Ag) specifická látka (struktura) vyvolávající imunitní reakci a schopná vazby na protilátku PROTILÁTKA (Ab antibody) molekula bílkoviny
VíceImunologie krevní skupiny 109.3059
Imunologie krevní skupiny 109.3059 Strana 1 z 22 SIMULAČNÍ SOUPRAVA PRO AB0 & Rh TYPIZACI KRVE Strana 2 z 22 SOMERSET educational (Pty) LTD SIMULOVANÉ SOUPRAVY PRO STANOVENÍ KREVNÍ SKUPINY AB0 a Rh FAKTORU
Více1. Úvod do genetických algoritmů (GA)
Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor
VíceVývoj informačních systémů. Obecně o IS
Vývoj informačních systémů Obecně o IS Informační systém Informační systém je propojení informačních technologií a lidských aktivit směřující k zajištění podpory procesů v organizaci. V širším slova smyslu
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 548-0057 Garantující institut: Garant předmětu: Základy geoinformatiky (ZGI) Institut geoinformatiky doc. Ing. Petr Rapant, CSc. Kredity:
VíceIB013 Logické programování I Hana Rudová. jaro 2011
IB013 Logické programování I Hana Rudová jaro 2011 Hodnocení předmětu Zápočtový projekt: celkem až 40 bodů Průběžná písemná práce: až 30 bodů (základy programování v Prologu) pro každého jediný termín:
VíceFormální konceptuální analýza
moderní metoda analýzy dat 14. října 2011 Osnova Informatika 1 Informatika 2 3 4 Co je to informatika? Co je to informatika? Computer science is no more about computers than astronomy is about telescopes.
Více15 hodin praktických cvičení
Studijní program : Zubní lékařství Název předmětu : Základy imunologie Rozvrhová zkratka : KIM/ZUA1 Rozvrh výuky : 15 hodin přednášek 15 hodin praktických cvičení Zařazení výuky : 4. ročník, 7. semestr
VíceStudium závislosti výpočetního času algoritmu GPC prediktivního řízení na volbě typu popisu matematického modelu v regulátoru
1 Portál pre odborné publikovanie ISSN 1338-0087 Studium závislosti výpočetního času algoritmu GPC prediktivního řízení na volbě typu popisu matematického modelu v regulátoru Barot Tomáš Elektrotechnika
Více