Praha, 2. listopadu 2016
|
|
- Jakub Tobiška
- před 7 lety
- Počet zobrazení:
Transkript
1 Příklady aplikací bayesovských sítí Jiří Vomlel Ústav teorie informace a automatizace (ÚTIA) Akademie věd České republiky Praha, 2. listopadu 2016
2 Obsah přednášky Aplikace 1: Technická diagnostika
3 Obsah přednášky Aplikace 1: Technická diagnostika Aplikace 2: Adaptivní testování znalostí
4 Obsah přednášky Aplikace 1: Technická diagnostika Aplikace 2: Adaptivní testování znalostí Aplikace 3: Řízení rychlosti vozu F1
5 Technická diagnostika optimální strategie opravy Příčiny problému (závady) C C.
6 Technická diagnostika optimální strategie opravy Příčiny problému (závady) C C. Akce A A - opravné kroky, které mohou odstranit závadu.
7 Technická diagnostika optimální strategie opravy Příčiny problému (závady) C C. Akce A A - opravné kroky, které mohou odstranit závadu. Otázky Q Q - kroky, které mohou pomoci identifikovat, kde je závada.
8 Technická diagnostika optimální strategie opravy Příčiny problému (závady) C C. Akce A A - opravné kroky, které mohou odstranit závadu. Otázky Q Q - kroky, které mohou pomoci identifikovat, kde je závada. Ke každé akci i otázce je přiřazena cena (c A značí cenu akce A, c Q cenu otázky Q). Cena může znamenat: dobu potřebnou k provedení akce či otázky, cenu za náhradní díl, který použijeme rizikovost akce kombinaci výše uvedeného.
9 Technická diagnostika laserové tiskárny Trouble: světlý tisk. Troubleshooter: doporučí kroky, které vedou k odstranění trouble
10 Technická diagnostika laserové tiskárny Trouble: světlý tisk. Troubleshooter: doporučí kroky, které vedou k odstranění trouble Akce a otázky cena A 1 : Remove, shake and reseat toner 5 A 2 : Try another toner 15 A 3 : Cycle power 1 Q 1 : Is the printer configuration page printed light? 2
11 Technická diagnostika laserové tiskárny Trouble: světlý tisk. Troubleshooter: doporučí kroky, které vedou k odstranění trouble Akce a otázky cena A 1 : Remove, shake and reseat toner 5 A 2 : Try another toner 15 A 3 : Cycle power 1 Q 1 : Is the printer configuration page printed light? 2 Možné závady při světlém tisku P(C i ) C 1 : Toner low 0.4 C 2 : Defective toner 0.3 C 3 : Corrupted dataflow 0.2 C 4 : Wrong driver setting 0.1
12 Bayesovská sít pro problém světlého tisku Actions Causes A 1 Problem c 1 c 2 c 3 c 4 C 1 C 2 C 3 C 4 A 2 A 3 Questions Q 1 Viz model v Huginu.
13 Očekávaná cena opravy - ECR Strategie může skončit neúspěšně - např. jsme vyčerpali všechny možné akce: - uplatní se penalizace c(e l ) - penalizací může být např. cena, kterou zaplatíme za zavolání servisních techniků
14 Očekávaná cena opravy - ECR Strategie může skončit neúspěšně - např. jsme vyčerpali všechny možné akce: - uplatní se penalizace c(e l ) - penalizací může být např. cena, kterou zaplatíme za zavolání servisních techniků Strategie může končit vyřešením problému c(e l ) = 0.
15 Očekávaná cena opravy - ECR Strategie může skončit neúspěšně - např. jsme vyčerpali všechny možné akce: - uplatní se penalizace c(e l ) - penalizací může být např. cena, kterou zaplatíme za zavolání servisních techniků Strategie může končit vyřešením problému c(e l ) = 0. Získaná evidence { } A = yes/no, A Provedené akce, e = Q = yes/no, Q Zodpovězené otázky
16 Očekávaná cena opravy - ECR Strategie může skončit neúspěšně - např. jsme vyčerpali všechny možné akce: - uplatní se penalizace c(e l ) - penalizací může být např. cena, kterou zaplatíme za zavolání servisních techniků Strategie může končit vyřešením problému c(e l ) = 0. Získaná evidence { } A = yes/no, A Provedené akce, e = Q = yes/no, Q Zodpovězené otázky P(e)... pravděpodobnost evidence e
17 Očekávaná cena opravy - ECR Strategie může skončit neúspěšně - např. jsme vyčerpali všechny možné akce: - uplatní se penalizace c(e l ) - penalizací může být např. cena, kterou zaplatíme za zavolání servisních techniků Strategie může končit vyřešením problému c(e l ) = 0. Získaná evidence { } A = yes/no, A Provedené akce, e = Q = yes/no, Q Zodpovězené otázky P(e)... pravděpodobnost evidence e t(e)... celková cena provedených akcí a otázek
18 Očekávaná cena opravy - ECR Strategie může skončit neúspěšně - např. jsme vyčerpali všechny možné akce: - uplatní se penalizace c(e l ) - penalizací může být např. cena, kterou zaplatíme za zavolání servisních techniků Strategie může končit vyřešením problému c(e l ) = 0. Získaná evidence { } A = yes/no, A Provedené akce, e = Q = yes/no, Q Zodpovězené otázky P(e)... pravděpodobnost evidence e t(e)... celková cena provedených akcí a otázek ECR(s) = P(e l ) (t(e l ) + c(e l )) l Listy strategie s
19 Ohodnocení strategie opravy - ECR A 1 = yes Q 1 = no A 1 = no Q 1 = yes A 2 = no A 2 = yes
20 Ohodnocení strategie opravy - ECR A 1 = yes Q 1 = no A 1 = no Q 1 = yes A 2 = no A 2 = yes Strategie Q 1 { A1 A 2 očekávaná cena opravy (ECR) p(q 1 = no, A 1 = yes) (c Q1 + c A1 + 0) + p(q 1 = no, A 1 = no) (c Q1 + c A1 + c CS ) + p(q 1 = yes, A 2 = yes) (c Q1 + c A2 + 0) + p(q 1 = yes, A 2 = no) (c Q1 + c A2 + c CS )
21 Cíl technické diagnostiky Cíl: nalézt strategii s takovou, že pro všechny strategie s platí ECR(s ) ECR(s).
22 Cíl technické diagnostiky Cíl: nalézt strategii s takovou, že pro všechny strategie s platí ECR(s ) ECR(s). Polynomiálně řešitelná úloha
23 Cíl technické diagnostiky Cíl: nalézt strategii s takovou, že pro všechny strategie s platí ECR(s ) ECR(s). Polynomiálně řešitelná úloha (1) každá akce řeší právě jednu závadu,
24 Cíl technické diagnostiky Cíl: nalézt strategii s takovou, že pro všechny strategie s platí ECR(s ) ECR(s). Polynomiálně řešitelná úloha (1) každá akce řeší právě jednu závadu, (2) všechny akce jsou navzájem podmíněně nezávislé při známých příčinách
25 Cíl technické diagnostiky Cíl: nalézt strategii s takovou, že pro všechny strategie s platí ECR(s ) ECR(s). Polynomiálně řešitelná úloha (1) každá akce řeší právě jednu závadu, (2) všechny akce jsou navzájem podmíněně nezávislé při známých příčinách (3) platí, že zařízení má v jednom okamžiku pouze jednu závadu (single fault assumption)
26 Cíl technické diagnostiky Cíl: nalézt strategii s takovou, že pro všechny strategie s platí ECR(s ) ECR(s). Polynomiálně řešitelná úloha (1) každá akce řeší právě jednu závadu, (2) všechny akce jsou navzájem podmíněně nezávislé při známých příčinách (3) platí, že zařízení má v jednom okamžiku pouze jednu závadu (single fault assumption) NP-těžká úloha
27 Cíl technické diagnostiky Cíl: nalézt strategii s takovou, že pro všechny strategie s platí ECR(s ) ECR(s). Polynomiálně řešitelná úloha (1) každá akce řeší právě jednu závadu, (2) všechny akce jsou navzájem podmíněně nezávislé při známých příčinách (3) platí, že zařízení má v jednom okamžiku pouze jednu závadu (single fault assumption) NP-těžká úloha (1) některé akce řeší více než dvě závady
28 Reprezentace prostoru všech řešení AND/OR grafem A 1 = no, Q 1 = 1 A 1 = no A 1 = no, Q 1 = 2 Q 1 = 1 A 1 = no, A 2 = no A 1 = no, A 2 = no, Q 1 = 1 Q 1 = 2 A 1 = no, A 2 = no, Q 1 = 2 A 2 = no, Q 1 = 1 A 2 = no A 2 = no, Q 1 = 2
29 Algoritmy pro nalezení optimálního řešení využití metod prohledávání stavového prostoru:
30 Algoritmy pro nalezení optimálního řešení využití metod prohledávání stavového prostoru: metoda větví a mezí (branch and bound)
31 Algoritmy pro nalezení optimálního řešení využití metod prohledávání stavového prostoru: metoda větví a mezí (branch and bound) metody dynamického programování
32 Algoritmy pro nalezení optimálního řešení využití metod prohledávání stavového prostoru: metoda větví a mezí (branch and bound) metody dynamického programování A pro AND/OR grafy
33 Algoritmy pro nalezení optimálního řešení využití metod prohledávání stavového prostoru: metoda větví a mezí (branch and bound) metody dynamického programování A pro AND/OR grafy Prohledávání prostoru všech řešení je výpočetně náročné.
34 Suboptimální řešení v reálném čase BATS troubleshooter: Vyvinutý v rámci společného projektu Hewlett-Packard a Aalborg University.
35 Suboptimální řešení v reálném čase BATS troubleshooter: Vyvinutý v rámci společného projektu Hewlett-Packard a Aalborg University. Využívá několik heuristik založených na poměru p/c.
36 Suboptimální řešení v reálném čase BATS troubleshooter: Vyvinutý v rámci společného projektu Hewlett-Packard a Aalborg University. Využívá několik heuristik založených na poměru p/c. Porovnání optimálního řešení s BATS troubleshooterem Problem A Q OPTIM BATS Tray Overrun Load Pjam Scatter NotDupl Spots MIO
37 Adaptivní test znalostí Q 1 Q 2 Q 5 Q 3 wrong correct Q 4 wrong Q 4 correct wrong Q 8 correct Q 5 Q 6 Q 2 Q 7 Q 6 Q 9 wrong correct wrong correct wrong correct wrong correct Q 7 Q 1 Q 3 Q 6 Q 8 Q 4 Q 7 Q 7 Q 10 Q 8 Q 9 Q 10
38 Příklad testu: Matematické operace se zlomky CP Dovednost Porovnávání (společný čitatel nebo jmenovatel) Příklad 1 2 > 1 3, 2 3 > 1 3 AD Sčítání (společný jmenovatel) = = 3 7 SB Odčítání (společný jmenovatel) = = 1 5 MT Násobení CD Převod na společný jmenovatel 5 = 3 10 ( 1 2, 2 ) ( 3 = 3 6, 4 6) CL Krácení 4 6 = = 2 3 CIM Převod na smíšené zlomky 7 2 = = CMI Převod na nepravé zlomky = = 7 2
39 Mylné postupy (Misconceptions) Příklad Četnost výskytu v datech MAD MSB MMT1 MMT2 MMT3 MMT4 MC a b + c d = a+c b+d 14.8% a b c d = a c b d 9.4% a b c b = a c b 14.1% a b c b = a+c b b 8.1% a b c d = a d b c 15.4% a b c d = a c b+d 8.1% a b c = a b c 4.0%
40 Model studenta HV2 HV1 ACMI ACIM ACL ACD AD SB CMI CIM CL CD MT CP MAD MSB MC MMT1 MMT2 MMT3 MMT4
41 Model pro úlohu T 1 ( ) = = = 4 8 = 1 2
42 Model pro úlohu T 1 ( ) = = = 4 8 = 1 2 T1 MT & CL & ACL & SB & MMT3 & MMT4 & MSB
43 Model pro úlohu T 1 ( ) = = = 4 8 = 1 2 T1 MT & CL & ACL & SB & MMT3 & MMT4 & MSB CL ACL MT SB MMT3 MSB T1 MMT4 P(X1 T1) X1
44 Model studenta spojený s modelem pro úlohu T 1 HV2 HV1 ACMI ACIM ACL ACD AD SB CMI CIM CL CD MT CP MAD MSB MC MMT1 MMT2 MMT3 MMT4 T1 X1
45 Opakujeme dva základní kroky: Adaptivní test 1. odhadujeme úroveň jednotlivých znalostí studenta
46 Adaptivní test Opakujeme dva základní kroky: 1. odhadujeme úroveň jednotlivých znalostí studenta 2. vybíráme vhodnou otázku na základě odhadu úrovně znalostí
47 Adaptivní test Opakujeme dva základní kroky: 1. odhadujeme úroveň jednotlivých znalostí studenta 2. vybíráme vhodnou otázku na základě odhadu úrovně znalostí Entropie jako míra informace:
48 Opakujeme dva základní kroky: Adaptivní test 1. odhadujeme úroveň jednotlivých znalostí studenta 2. vybíráme vhodnou otázku na základě odhadu úrovně znalostí Entropie jako míra informace: H (P(S)) = s P(S = s) log P(S = s) 1 entropy probability
49 Opakujeme dva základní kroky: Adaptivní test 1. odhadujeme úroveň jednotlivých znalostí studenta 2. vybíráme vhodnou otázku na základě odhadu úrovně znalostí Entropie jako míra informace: H (P(S)) = s P(S = s) log P(S = s) 1 entropy probability Čím je entropie nižší tím více toho o znalostech studenta víme.
50 Opakujeme dva základní kroky: Adaptivní test 1. odhadujeme úroveň jednotlivých znalostí studenta 2. vybíráme vhodnou otázku na základě odhadu úrovně znalostí Entropie jako míra informace: H (P(S)) = s P(S = s) log P(S = s) 1 entropy probability Čím je entropie nižší tím více toho o znalostech studenta víme. Hladový algoritmus: V každém kroku vybereme otázku, která nejvíce snižuje entropii.
51 Kvalita predikce jednotlivých dovedností adaptive test fixed descending order fixed ascending order Number of answered questions
52 Aplikace 3: F1 na okruhu v Silverstone Délka: mil = km Používaný při Velké ceně Velké Británie v letech Nejrychlejší okruh: Sebastian Vettel (2009), Red Bull-Renault Čas jednoho okruhu: vteřin
53 Rozhodovací diagram pro rychlostní profil vozu F1 (pro dva segmenty)
54 Porovnání rychlostních profilů Omezení na maximální rychlost Speed [km/h] Max. allowed speed Lap distance [m]
55 Porovnání rychlostních profilů Řešení pomocí rozhodovacího diagramu čas 84.0 s. Speed [km/h] Max. allowed speed Influence diagram Lap distance [m]
56 Porovnání rychlostních profilů Řešení pomocí rozhodovacího diagramu čas 84.0 s. Testovací pilot čas 85.8 s. (S. Vettel s.) Speed [km/h] Max. allowed speed Influence diagram Testing pilot Lap distance [m]
Praha, 24. listopadu 2014
Příklady aplikací bayesovských sítí Jiří Vomlel Ústav teorie informace a automatizace (ÚTIA) Akademie věd České republiky http://www.utia.cz/vomlel Praha, 24. listopadu 2014 Obsah přednášky Příklad bayesovské
Vícehttp://www.utia.cas.cz/vomlel 6. prosince 2011 J. Vomlel (ÚTIA AV ČR) Aplikace bayesovských sítí 6. prosince 2011 1 / 3
Příklady aplikací bayesovských sítí Jiří Vomlel ÚTIA, Akademie věd ČR http://www.utia.cas.cz/vomlel 6. prosince 2011 J. Vomlel (ÚTIA AV ČR) Aplikace bayesovských sítí 6. prosince 2011 1 / 3 Jednoduchý
VíceŘízení rychlosti vozu Formule 1 pomocí rozhodovacího diagramu
Řízení rychlosti vozu Formule 1 pomocí rozhodovacího diagramu Jiří Vomlel Ústav teorie informace a automatizace (ÚTIA) Akademie věd České republiky http://www.utia.cz/vomlel Praha, 29. února 2016 Fyzikální
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 Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
VíceDIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ
DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast CZ.1.07/1.5.00/34.0963 IV/2 Inovace a zkvalitnění výuky směřující k rozvoji matematické gramotnosti
VíceOčekávané výstupy podle RVP ZV Učivo Přesahy a vazby
Předmět: MATEMATIKA Ročník: 4. Časová dotace: 4 hodiny týdně Očekávané výstupy podle RVP ZV Učivo Přesahy a vazby Provádí písemné početní operace Zaokrouhluje přirozená čísla, provádí odhady a kontroluje
VíceOčekávané výstupy z RVP Učivo Přesahy a vazby
Matematika - 1. ročník Používá přirozená čísla k modelování reálných situací, počítá předměty v daném souboru, vytváří soubory s daným počtem prvků obor přirozených čísel : počítání do dvaceti - číslice
VíceAktivní detekce chyb
Fakulta aplikovaných věd, Katedra kybernetiky a Výzkumné centrum Data - Algoritmy - Rozhodování Západočeská univerzita v Plzni Prezentace v rámci odborného semináře Katedry kybernetiky Obsah Motivační
VíceOčekávané výstupy z RVP Učivo Přesahy a vazby
Matematika - 1. ročník Používá přirozená čísla k modelování reálných situací, počítá předměty v daném souboru, vytváří soubory s daným počtem prvků Rozezná, pojmenuje, vymodeluje a popíše základní rovinné
Více6. úprava 26.8.2013 ÚPRAVY UČEBNÍHO PLÁNU A VYUČOVACÍHO PŘEDMĚTU MATEMATIKA
6. úprava 26.8.2013 ÚPRAVY UČEBNÍHO PLÁNU A VYUČOVACÍHO PŘEDMĚTU MATEMATIKA 1 ÚPRAVY UČEBNÍHO PLÁNU A VYUČOVACÍHO PŘEDMĚTU MATEMATIKA Projednáno pedagogickou radou dne: 26. 8. 2013 Schválila ředitelka
VíceÚstav teorie informace a automatizace. J. Vomlel (ÚTIA AV ČR) Úvod do bayesovských sítí 30/10/ / 28
Úvod do bayesovských sítí Jiří Vomlel Ústav teorie informace a automatizace Akademie věd České republiky http://www.utia.cz/vomlel 30. října 2008 J. Vomlel (ÚTIA AV ČR) Úvod do bayesovských sítí 30/10/2008
VíceAproximativní algoritmy UIN009 Efektivní algoritmy 1
Aproximativní algoritmy. 14.4.2005 UIN009 Efektivní algoritmy 1 Jak nakládat s NP-těžkými úlohami? Speciální případy Aproximativní algoritmy Pravděpodobnostní algoritmy Exponenciální algoritmy pro data
Vícevzdělávací oblast vyučovací předmět ročník zodpovídá MATEMATIKA A JEJÍ APLIKACE MATEMATIKA 4. BÁRTOVÁ, VOJTÍŠKOVÁ
Výstupy žáka ZŠ Chrudim, U Stadionu Učivo obsah Mezipředmětové vztahy Metody + formy práce, projekty, pomůcky a učební materiály ad. Poznámky 4. ročník OPAKOVÁNÍ UČIVA 3. ROČNÍKU Rozvíjí dovednosti s danými
VíceBayesovská klasifikace
Bayesovská klasifikace založeno na Bayesově větě P(H E) = P(E H) P(H) P(E) použití pro klasifikaci: hypotéza s maximální aposteriorní pravděpodobností H MAP = H J právě když P(H J E) = max i P(E H i) P(H
VíceVzdělávací obsah vyučovacího předmětu
Vzdělávací obsah vyučovacího předmětu Matematika 4. ročník Zpracovala: Mgr. Jiřina Hrdinová Číslo a početní operace využívá při pamětném a písemném počítání komutativnost a asociativnost sčítání a násobení
VíceCHARAKTERISTIKA. VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ MATEMATIKA A JEJÍ APLIKACE MATEMATIKA Mgr. Martina Fujavová
CHARAKTERISTIKA VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ MATEMATIKA A JEJÍ APLIKACE MATEMATIKA Mgr. Martina Fujavová Vyučovací předmět Matematika je na prvním stupni zařazen v 1. - 5. ročníku, a to
VíceOčekávané výstupy z RVP Učivo Přesahy a vazby
Matematika - 1. ročník Používá přirozená čísla k modelování reálných situací, počítá předměty v daném souboru, vytváří soubory s daným počtem prvků obor přirozených čísel: počítání do dvaceti - číslice
VíceVzdělávací oblast: Matematika a její aplikace Vyučovací předmět MATEMATIKA 1. OBDOBÍ Oblast:
Vzdělávací oblast: a její aplikace Vyučovací předmět MATEMATIKA 1. OBDOBÍ Období: 1. Číslo a početní operace Používá přirozená čísla k modelování reálných situací Počítá předměty v daném souboru Vytváří
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
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
VíceČíslo hodiny. Označení materiálu. 1. Mnohočleny. 25. Zlomky. 26. Opakování učiva 7. ročníku. 27. Druhá mocnina, odmocnina, Pythagorova věta
1. Mnohočleny 2. Rovnice rovné nule 3. Nerovnice různé od nuly 4. Lomený výraz 5. Krácení lomených výrazů 6. Rozšiřování lomených výrazů 7. Sčítání lomených výrazů 8. Odčítání lomených výrazů 9. Násobení
VíceVyučovací předmět: Matematika Ročník: 7.
Vyučovací předmět: Matematika Ročník: 7. Vzdělávací obsah Očekávané výstupy z RVP ZV Školní výstupy Učivo I. čtvrtletí 40 hodin Opakování učiva z 6. ročníku (14) Přesahy a vazby, průřezová témata v oboru
VíceŠVP Učivo. RVP ZV Očekávané výstupy. RVP ZV Kód. ŠVP Školní očekávané výstupy. Obsah RVP ZV
5.2 MATEMATIKA A JEJÍ APLIKACE 5.2.1 MATEMATIKA A JEJÍ APLIKACE Matematika 2. období 5. ročník RVP ZV Obsah RVP ZV Kód RVP ZV Očekávané výstupy ŠVP Školní očekávané výstupy ŠVP Učivo ČÍSLO A POČETNÍ OPERACE
VíceŠVP Školní očekávané výstupy. - vytváří konkrétní soubory (peníze, milimetrový papír, apod.) s daným počtem prvků do 100
5.2 MATEMATIKA A JEJÍ APLIKACE 5.2.1 MATEMATIKA A JEJÍ APLIKACE Matematika 1. období 3. ročník RVP ZV Obsah RVP ZV Kód RVP ZV Očekávané výstupy ŠVP Školní očekávané výstupy ŠVP Učivo M3101 používá přirozená
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,
Vícevomlel@utia.cas.cz Laboratoř inteligentních systemů, Praha a technickou diagnostiku (angl. troubleshooting). Nejprve stručně shrneme teoretické
Dvě aplikace bayesovských sítí Jiří Vomlel vomlel@utia.cas.cz Laboratoř inteligentních systemů, Vysoká škola ekonomická, Praha Abstrakt V článku představujeme dvě moderní aplikace bayesovských sítí - adaptivní
VíceOptimalizace obecný úvod. [proč optimalizovat?] Formalizace problému. [existují podobné problémy?]
Optimalizace obecný úvod 1 Optimalizace obecný úvod Motivace optimalizačních úloh [proč optimalizovat?] Formalizace problému [jak obecně popsat optimalizační úlohu?] Klasifikace optimalizačních problémů
VíceZÁKLADNÍ ŠKOLA PŘI DĚTSKÉ LÉČEBNĚ Ostrov u Macochy, Školní 363 INOVACE VÝUKY CZ.1.07/1.4.00/21.0647
ZÁKLADNÍ ŠKOLA PŘI DĚTSKÉ LÉČEBNĚ Ostrov u Macochy, Školní 363 INOVACE VÝUKY CZ.1.07/1.4.00/21.0647 Název vzdělávacího materiálu: Anotace: Vzdělávací oblast: VY_32_INOVACE_ARITMETIKA+ALGEBRA15 Sčítání,
VíceSvobodná chebská škola, základní škola a gymnázium s.r.o. Dušan Astaloš. samostatná práce, případně skupinová práce. úpravy a převádění zlomků
METODICKÝ LIST DA Název tématu: Autor: Předmět: Zlomky smíšené číslo, složené zlomky a převod na desetinná čísla Dušan Astaloš Matematika Ročník: 6. Učebnice: Kapitola, oddíl: Metody výuky: Formy výuky:
VíceŠVP Školní očekávané výstupy
5.2 MATEMATIKA A JEJÍ APLIKACE 5.2.1 MATEMATIKA A JEJÍ APLIKACE Matematika 2. období 4. ročník RVP ZV Obsah RVP ZV Kód RVP ZV Očekávané výstupy ŠVP Školní očekávané výstupy ŠVP Učivo M5101 využívá při
VícePředpokládané znalosti žáka 1. stupeň:
Předpokládané znalosti žáka 1. stupeň: ČÍSLO A POČETNÍ OPERACE používá přirozená čísla k modelování reálných situací, počítá předměty v daném souboru, vytváří soubory s daným počtem prvků čte, zapisuje
VíceCHARAKTERISTIKA. VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ MATEMATIKA A JEJÍ APLIKACE MATEMATIKA Mgr. Martina Fujavová
CHARAKTERISTIKA VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ MATEMATIKA A JEJÍ APLIKACE MATEMATIKA Mgr. Martina Fujavová Vyučovací předmět Matematika je na prvním stupni zařazen v 1. - 5. ročníku, a to
VícePočetní operace se zlomky
Početní operace se zlomky 1. Sčítání a. zlomků - upravíme zlomky na stejného jmenovatele (rozšiřováním, v některých případech krácením) hledáme společný násobek všech jmenovatelů (nejlépe nejmenší společný
VíceMATEMATIKA 5. TŘÍDA. C) Tabulky, grafy, diagramy 1 - Tabulky, doplnění řady čísel podle závislosti 2 - Grafy, jízní řády 3 - Magické čtverce
MATEMATIKA 5. TŘÍDA 1 - Přirozená čísla a číslo nula a číselná osa, porovnávání b zaokrouhlování c zápis čísla v desítkové soustavě d součet, rozdíl e násobek, činitel, součin f dělení, dělení se zbytkem
VíceUMÍ POČÍTAČE POČÍTAT?
UMÍ POČÍTAČE POČÍTAT? O ÚSKALÍCH POČÍTAČOVÉ ARITMETIKY RNDr. Iveta Hnětynková, PhD. Katedra numerické matematiky VÝPOČTY A SIMULACE Aplikace: chemie, fyzika, lekařství, statistika, ekonomie, stojírenství,...
Vícevolitelný předmět ročník zodpovídá PŘÍPRAVA NA PŘIJÍMACÍ ZKOUŠKY Z MATEMATIKY 9. MACASOVÁ
Výstupy žáka ZŠ Chrudim, U Stadionu Učivo obsah Mezipředmětové vztahy Metody + formy práce, projekty, pomůcky a učební materiály ad. Poznámky provádí operace s celými čísly (sčítání, odčítání, násobení
VícePlánování úloh na jednom stroji
Plánování úloh na jednom stroji 15. dubna 2015 1 Úvod 2 Řídící pravidla 3 Metoda větví a mezí 4 Paprskové prohledávání Jeden stroj a paralelní stroj Dekompoziční problémy pro složité (flexible) job shop
VíceMatematika a její aplikace Matematika
Vzdělávací oblast : Vyučovací předmět : Období ročník : Počet hodin : 165 Matematika a její aplikace Matematika 2. období 5. ročník Učební texty : J. Justová: Alter-Matematika, Matematika 5.r.I.díl, 5.r.
VíceUčitelství 1. stupně ZŠ tématické plány předmětů matematika
Učitelství 1. stupně ZŠ tématické plány předmětů matematika Povinné předměty: Matematika I aritmetika (KMD/MATE1) 2 Matematika 3 aritmetika s didaktikou (KMD/MATE3) 3 Matematika 5 geometrie (KMD/MATE5)
VíceAutomatická segmentace slov s pomocí nástroje Affisix. Michal@Hrusecky.net, Hlavacova@ufal.mff.cuni.cz
Automatická segmentace slov s pomocí nástroje Affisix Michal Hrušecký, Jaroslava Hlaváčová Michal@Hrusecky.net, Hlavacova@ufal.mff.cuni.cz Motivace Při zpracování přirozeného jazyka nikdy nemůžeme mít
VíceRacionální čísla. teorie řešené úlohy cvičení tipy k maturitě výsledky. Víš, že. Naučíš se
teorie řešené úlohy cvičení tipy k maturitě výsledky Víš, že racionální v matematice znamená poměrový nebo podílový, zatímco v běžné řeči ho užíváme spíše ve významu rozumový? zlomky používali již staří
VíceMatematika a její aplikace Matematika
Vzdělávací oblast : Vyučovací předmět : Období ročník : Počet hodin : 165 Matematika a její aplikace Matematika 2. období 5. ročník Učební texty : J. Justová: Alter-Matematika, Matematika 5.r.I.díl, 5.r.
VíceMatematika. Vlastnosti početních operací s přirozenými čísly. Sčítání a odčítání dvojciferných čísel do 1 000, zpaměti i písemně.
1 Matematika Matematika Učivo Vlastnosti početních operací s přirozenými čísly Sčítání a odčítání dvojciferných čísel do 1 000, 1 000 000 zpaměti i písemně Násobení dvojciferných čísel jednociferným činitelem
VíceCHARAKTERISTIKA. VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ MATEMATIKA A JEJÍ APLIKACE MATEMATIKA Mgr. Martina Fujavová
CHARAKTERISTIKA VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ MATEMATIKA A JEJÍ APLIKACE MATEMATIKA Mgr. Martina Fujavová Vyučovací předmět Matematika je na prvním stupni zařazen v 1. - 5. ročníku, a to
VíceVyučovací předmět: Matematika Ročník: 6.
Vyučovací předmět: Matematika Ročník: 6. Vzdělávací obsah Očekávané výstupy z RVP ZV Školní výstupy Učivo ZÁŘÍ užívá různé způsoby kvantitativního vyjádření vztahu celek část (zlomkem) PROSINEC využívá
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:
VícePříloha č. 4 Matematika Ročník: 4. Očekávané výstupy z RVP Školní výstupy Učivo Přesahy (průřezová témata)
Příloha č. 4 Matematika Ročník: 4. Očekávané výstupy z RVP Školní výstupy Učivo Přesahy (průřezová témata) Číslo a početní operace - využívá při pamětném i písemném počítání komutativnost a asociativnost
VíceStatistická teorie učení
Statistická teorie učení Petr Havel Marek Myslivec přednáška z 9. týdne 1 Úvod Představme si situaci výrobce a zákazníka, který si u výrobce objednal algoritmus rozpoznávání. Zákazník dodal experimentální
VíceMATEMATIKA. 1. 5. ročník
Charakteristika předmětu MATEMATIKA 1. 5. ročník Obsahové, časové a organizační vymezení Vyučovací předmět matematika má časovou dotaci 4 hodiny týdně v 1. ročníku, 5 hodin týdně ve 2. až 5. ročníku. Časová
VíceFIT ČVUT MI-LOM Lineární optimalizace a metody. Dualita. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
FIT ČVUT MI-LOM Lineární optimalizace a metody Dualita Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Michal Černý, 2011 FIT ČVUT, MI-LOM, M. Černý, 2011: Dualita 2/5 Dualita Evropský
VíceZŠ ÚnO, Bratří Čapků 1332
Úvodní obrazovka Menu (vlevo nahoře) Návrat na hlavní stránku Obsah Výsledky Poznámky Záložky edunet Konec Matematika 1 (pro 12-16 let) LangMaster Obsah (střední část) výběr tématu - dvojklikem v seznamu
VícePříloha č. 6 MATEMATIKA A JEJÍ APLIKACE
Žák cvičí prostorovou představivost Žák využívá při paměťovém i písemném počítání komutativnost i asociativní sčítání a násobení Žák provádí písemné početní operace v oboru Opakování učiva 3. ročníku Písemné
VíceSložitost 1.1 Opera ní a pam ová složitost 1.2 Opera ní složitost v pr rném, nejhorším a nejlepším p ípad 1.3 Asymptotická složitost
1 Složitost 1.1 Operační a paměťová složitost Nezávislé určení na konkrétní implementaci Několik typů operací = sčítání T+, logické T L, přiřazení T A(assign), porovnání T C(compare), výpočet adresy pole
VíceKlasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce p íznaků Granáty Četnost Jablka Váha [dkg] Pravděpodobnosti - diskrétní p íznaky Uvažujme diskrétní p íznaky váhové kategorie Nechť tabulka
VíceMatematika. 7. ročník. Číslo a proměnná celá čísla. absolutní hodnota čísla. zlomky. racionální čísla
list 1 / 9 M časová dotace: 4 hod / týden Matematika 7. ročník (M 9 1 01) provádí početní operace v oboru celých a racionálních čísel; čte a zapíše celé číslo, rozliší číslo kladné a záporné, určí číslo
Více4EK213 Lineární modely. 10. Celočíselné programování
4EK213 Lineární modely 10. Celočíselné programování 10.1 Matematický model úlohy ILP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a
VíceM - 2. stupeň. Matematika a její aplikace Školní výstupy Žák by měl
6. ročník číst, zapisovat, porovnávat, zaokrouhlovat, rozkládat přirozená čísla do 10 000 provádět odhady výpočtů celá čísla - obor přirozených čísel do 10 000 numerace do 10 000 čtení, zápis, porovnávání,
VíceNP-ÚPLNÉ PROBLÉMY. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze
NP-ÚPLNÉ PROBLÉMY Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 13 Evropský sociální fond Praha & EU: Investujeme do
VíceČVUT FEL X36PAA - Problémy a algoritmy. 4. úloha - Experimentální hodnocení algoritmů pro řešení problému batohu
ČVUT FEL X36PAA - Problémy a algoritmy 4. úloha - Experimentální hodnocení algoritmů pro řešení problému batohu Jméno: Marek Handl Datum: 3. 2. 29 Cvičení: Pondělí 9: Zadání Prozkoumejte citlivost metod
VíceALGORITMY A DATOVÉ STRUKTURY
Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu
Vícečitatel jmenovatel 2 5,
. ZLOMKY Zlomek má následující tvar čitatel jmenovatel Příkladem zlomku může být například zlomek, tedy dvě pětiny. Jmenovateli se říká jmenovatel proto, že pojmenovává zlomek. Pětina, třetina, šestina
VíceMatematika a její aplikace - 1. ročník
Matematika a její aplikace - 1. ročník počítá předměty v daném souboru, vytváří soubory s daným počtem prvků čte, zapisuje a porovnává přirozená čísla do 20 užívá a zapisuje vztah rovnosti a nerovnosti
Více3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem
ČVUT FEL X36PAA - Problémy a algoritmy 3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem Jméno: Marek Handl Datum: 1. 1. 2009 Cvičení: Pondělí 9:00 Zadání Naprogramujte
VíceUčební osnovy pracovní
ZV Základní vzdělávání 5 týdně, povinný ČaPO: Práce s čísly do 1 000 000 Žák: ČaPO: počítá do 1 000 000 - počítá po statisících, desetitisících,tisících ČaPO: pracuje s číselnou osou - čte, zapíše a zobrazí
VíceVY_42_INOVACE_MA3_01-36
Název školy Základní škola Benešov, Jiráskova 888 Číslo projektu CZ.1.07/1.4.00/21.1278 Název projektu Pojďte s námi Číslo a název šablony klíčové aktivity VY_42_INOVACE_MA3_01-36 Inovace a zkvalitnění
VíceMĚSÍC MATEMATIKA GEOMETRIE
3. ročník Bod, přímka ZÁŘÍ Násobení a dělení Aplikační úlohy (nakupujeme) Bod, přímka Úsečka Násobení a dělení ŘÍJEN Procvičování Pamětné sčítání a odčítání, aplikační úlohy Polopřímka Modelování polopřímek
VíceZáklady biostatistiky (MD710P09) ak. rok 2008/2009
1(229) Základy biostatistiky (MD710P09) ak. rok 2008/2009 Karel Zvára karel.zvara@mff.cuni.cz http://www.karlin.mff.cuni.cz/ zvara katedra pravděpodobnosti a matematické statistiky MFF UK (naposledy upraveno
VíceZáklady biostatistiky (MD710P09) ak. rok 2007/2008
1(208) Základy biostatistiky (MD710P09) ak. rok 2007/2008 Karel Zvára karel.zvara@mff.cuni.cz http://www.karlin.mff.cuni.cz/ zvara katedra pravděpodobnosti a matematické statistiky MFF UK (naposledy upraveno
VíceRacionální čísla. Množinu racionálních čísel značíme Q. Zlomky můžeme při počítání s nimi:
Racionální čísla Racionální číslo je číslo vyjádřené ve tvaru zlomku p kde p je celé číslo a q je q číslo přirozené. Tento zápis je jednoznačný pokud čísla p, q jsou nesoudělná, zlomek je v základním tvaru.
VíceVýuka může probíhat v kmenových učebnách, část výuky může být přenesena do multimediálních učeben, k interaktivní tabuli, popřípadě do terénu.
7.2 MATEMATIKA A JEJÍ APLIKACE 7.2.1 Matematika (M) Charakteristika předmětu 1. stupně Vyučovací předmět má časovou dotaci v 1. ročníku 4 hodiny týdně + 1 disponibilní hodinu týdně, ve 2. a 3. ročníku
VíceDynamické programování
ALG 0 Dynamické programování zkratka: DP Zdroje, přehledy, ukázky viz https://cw.fel.cvut.cz/wiki/courses/a4balg/literatura_odkazy 0 Dynamické programování Charakteristika Neřeší jeden konkrétní typ úlohy,
VíceTřídy složitosti P a NP, NP-úplnost
Třídy složitosti P a NP, NP-úplnost Cíle přednášky: 1. Definovat, za jakých okolností můžeme problém považovat za efektivně algoritmicky řešitelný. 2. Charakterizovat určitou skupinu úloh, pro které není
Více7 Kardinální informace o kritériích (část 1)
7 Kardinální informace o kritériích (část 1) Předpokládejme stejná značení jako v předchozích cvičeních. Kardinální informací o kritériích se rozumí ohodnocení jejich důležitosti k pomocí váhového vektoru
VíceZLOMKY. Standardy: M-9-1-01 CELÁ A RACIONÁLNÍ ČÍSLA. Záporná celá čísla Racionální čísla Absolutní hodnota Početní operace s racionálními čísly
a algoritmů matematického aparátu Vyjádří a zapíše část celku. Znázorňuje zlomky na číselné ose, převádí zlomky na des. čísla a naopak. Zapisuje nepravé zlomky ve tvaru smíšeného čísla. ZLOMKY Pojem zlomku,
VíceDopravní technika technologie
Pokyny pro řešení příkladů z předmětu Mechanika pohybu vozidel pro obor Dopravní technika technologie AR 2012/2013 Tyto příklady slouží k procvičení základních problematik probíraných na přednáškách tohoto
Více1 Úvod do celočíselné lineární optimalizace
Úvod do celočíselné lineární optimalizace Martin Branda, verze 7.. 7. Motivace Reálné (smíšeně-)celočíselné úlohy Optimalizace portfolia celočíselné počty akcií, modelování fixních transakčních nákladů,
Více6. POČÍTÁNÍ SE ZLOMKY
. ROZŠIŘOVÁNÍ ZLOMKŮ Hodnota zlomku se nezmění, vynásobíme-li jeho čitatele i jmenovatele stejným nenulovým číslem. Této úpravě se říká rozšiřování zlomků. 0 0 0 0 0 0 0 0 0 0 00 0 KRÁCENÍ ZLOMKŮ Hodnota
Více3.2 MATEMATIKA A JEJÍ APLIKACE (M) Charakteristika vzdělávací oblasti
3.2 MATEMATIKA A JEJÍ APLIKACE (M) 51 Charakteristika vzdělávací oblasti Vzdělávací oblast matematika a její aplikace v základním vzdělávání je založena především na aktivních činnostech, které jsou typické
VícePřiřazovací problém. Přednáška č. 7
Přiřazovací problém Přednáška č. 7 Přiřazovací problém je jednou podtřídou logistických úloh. Typickým problémem může být nejkratší převoz materiálu od dodavatelů ke spotřebitelům. spotřebitelé a i dodavatelé
VíceVzdělávací obsah vyučovacího předmětu
Vzdělávací obsah vyučovacího předmětu Matematika 5. ročník Zpracovala: Mgr. Jiřina Hrdinová Číslo a početní operace Využívá při pamětném i písemném počítání komutativnost a asociativnost sčítání a násobení
Víceš Á š š ů š ý š Č Š Č ň ý ž ů ý ž ů Č ý ž ú Ň Š Í š ý ú ý š š š ý š š š š ý š š š Ů š š š š ý ů ů š ý ň š š š ž ů ň š ž ž ň ý ž š ý ý š ý š ý ú ů ž ý š ž š ú ú š ý ň ň š ý š š š Ú ú š ý ů š š š š š š š
VíceAutor: Bc. Daniela Prosmanová Vzdělávací oblast: Matematika a její aplikace Tematický celek: Celá čísla Ročník: 7.
Seznam šablon Autor: Bc. Daniela Prosmanová Vzdělávací oblast: Matematika a její aplikace Tematický celek: Celá čísla Ročník: 7. Číslo Označení Název Využití Očekávané výstupy Klíčové kompetence 1 CČ1
VíceKonkretizovaný výstup Konkretizované učivo Očekávané výstupy RVP. Zápis čísla v desítkové soustavě - porovnávání čísel - čtení a psaní čísel
Ročník: I. - vytváří si názoru představu o čísle 5, 10, 20 - naučí se vidět počty prvků do 5 bez počítání po jedné - rozpozná a čte čísla 0 5 - pozná a čte čísla 0 10 - určí a čte čísla 0 20 Číselná řada
Více2.5.1 Opakování - úměrnosti se zlomky
.. Opakování - úměrnosti se zlomky Př. : Spočti: a) b) c) 6 0 0 : 7 9 a) 0 6 = = = 7 7 b) 9 = = 6 0 c) 0 0 0 9 0 9 : = = = 7 9 7 0 9 0 6 Př. : Přímá úměrnost má předpis y = x. Doplň tabulku této přímé
VíceTematický plán Matematika pro 4. ročník
Tematický plán Matematika pro 4. ročník Vyučující: Klára Dolanová Hodinová dotace: 4 hodiny týdně Školní rok: 2015/2016 ZÁŘÍ 1. a UČ/str. 3 9 A: Opakování osvojené matematické operace, vlastnosti sčítání
VíceB E N C H L E A R N I N G P R I O R I T A 2, 3, 4
B E N C H L E A R N I N G M E T O D A Z L E P Š E N Í V Ý S L E D K Ů P R I O R I T A 2, 3, 4 CO JE BENCHLEARNING Hlavním cílem benchlearningu a/nebo benchmarkingu je snaha nalézt lepší způsoby realizace
VíceTECHNOLOGIE DOPRAVY A LOGISTIKA
TECHNOLOGIE DOPRAVY A LOGISTIKA CVIČENÍ 5 - ŘEŠENÍ ÚLOH Letecká doprava Rozdělení vzdušného prostoru (řízený a neřízený prostor, 7 zón) Letové trasy, bezpečné oddělení sloty (1000/2000 stop - 300/600 m)
VíceDIGITÁLNÍ UČEBNÍ MATERIÁL. Název školy SOUpotravinářské, Jílové u Prahy, Šenflukova 220. Název materiálu VY_32_INOVACE / Matematika / 03/01 / 17
DIGITÁLNÍ UČEBNÍ MATERIÁL Číslo projektu CZ.1.07/1.5.00/34.0763 Název školy SOUpotravinářské, Jílové u Prahy, Šenflukova 220 Název materiálu VY_32_INOVACE / Matematika / 03/01 / 17 Autor Ing. Antonín Kučera
Více4EK311 Operační výzkum. 5. Teorie grafů
4EK311 Operační výzkum 5. Teorie grafů 5. Teorie grafů definice grafu Graf G = uspořádaná dvojice (V, E), kde V označuje množinu n uzlů u 1, u 2,, u n (u i, i = 1, 2,, n) a E označuje množinu hran h ij,
VíceVyučovací předmět / ročník: Matematika / 4. Učivo
Vzdělávací oblast: Matematika a její aplikace Výstupy žáka Vyučovací předmět / ročník: Matematika / 4. ČÍSLO A POČETNÍ OPERACE Zpracoval: Mgr. Dana Štěpánová orientuje se v posloupnosti přirozených čísel
VíceZlomky. Složitější složené zlomky
Zlomky Složitější složené zlomky Dostupné z Metodického portálu www.rvp.cz, ISSN: 0-, financovaného z ESF a státního rozpočtu Složený zlomek Složené zlomky jsou jen jiný způsob zápisu dělení zlomků, kdy
Více6.1 I.stupeň. Vzdělávací oblast: Matematika a její aplikace 6.1.3. Vyučovací předmět: MATEMATIKA. Charakteristika vyučovacího předmětu 1.
6.1 I.stupeň Vzdělávací oblast: Matematika a její aplikace 6.1.3. Vyučovací předmět: MATEMATIKA Charakteristika vyučovacího předmětu 1. stupeň Vzdělávací obsah je rozdělen na čtyři tematické okruhy : čísla
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VíceMěsíc: učivo:. PROSINEC Numerace do 7, rozklad čísla 1 7. Sčítání a odčítání v oboru do 7, slovní úlohy.
Předmět: MATEMATIKA Ročník: PRVNÍ Měsíc: učivo:. ZÁŘÍ Úvod k učivu o přirozeném čísle. Numerace do 5, čtení čísel 0-5. Vytváření souborů o daném počtu předmětů. Znaménka méně, více, rovná se, porovnávání
VíceTesty do hodin - souhrnný test - 6. ročník
Kolik procent škol jste předstihli Škola: Název: Obec: BCEH ZŠ a MŠ, Slezská 316 Slavkov - 6. ročník ČESKÝ JAZYK Máte lepší výsledky než 7 % zúčastněných škol. MATEMATIKA Máte lepší výsledky než 7 % zúčastněných
VíceAlgoritmizace prostorových úloh
INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Grafové úlohy Daniela Szturcová Tento
VíceMATEMATIKA - 4. ROČNÍK
VZDĚLÁVACÍ OBLAST: VZDĚLÁVACÍ OBOR: PŘEDMĚT: MATEMATIKA A JEJÍ APLIKACE MATEMATIKA MATEMATIKA - 4. ROČNÍK Téma, učivo Rozvíjené kompetence, očekávané výstupy Mezipředmětové vztahy Poznámky Opakování ze
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceVyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 21. září 2018 Jiří Dvorský (VŠB TUO) Vyhledávání 242 / 433 Osnova přednášky
VíceOptimalizace. Obsah přednášky. DÚ LP - Okružní problém. Lineární optimalizace. DÚ LP - Okružní problém. DÚ LP - Okružní problém
Obsah přednášky Mgr. Květuše Sýkorová Optimalizace Lineární programování Distribuční úlohy Okružní problém KI Př UJEP Ústí nad Labem Nederivační metody Metody 1D optimalizace Derivační metody Optimalizace
Více