Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
|
|
- Alois Vítek
- před 6 lety
- Počet zobrazení:
Transkript
1 Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
2 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron - Perceptron Jednovrstvá neuronová síť Vícevrstvá neuronová síť se zpětným šířením (Back-propagation) 3. Aplikace NS - BP v praxi ukázky experimentu
3 Biologický neuron živá buňka zaměřená na sběr, zpracování a přenos informací. hustota neuronů v lidském mozku je asi 7 až 8 x 10 4 na 1 mm 2 na jeden neuron připadá asi 10 až 100 tis spojů s jinými neurony. Skládá se tělo (soma) - přicházejí informace ze vstupních větví vstupní větve (dendridy) - až 10 tis na každý neuron výstup (axon) - na svém konci mnohočetně rozvětven - výstupní signál závisí na vstupech - propojení neuronů je uskutečněno pomocí dendridů s pomocí speciálních výběžků - synapsí na dendridy nebo přímo na těla jiných neuronů.
4 Biologický neuron Synapse (elektrická, chemická) přes synapse se přenášejí vzruchy mezi neurony dovolují měnit hodnotu signálu, které přes něj procházejí v místě synaptické štěrbiny dochází ke změně koncentrace kladných a záporných iontů a tím propustnost membrány vně a uvnitř buňky změna membránového potenciálu Charakter synaptické vazby - inhibiční snižuje membránový potenciál - excitační zvyšuje membránový potenciál Aktivace neuronu - po překročení daného prahu membránového potenciálu (výstupní signál) Výstupní signál nelineární transformace (aktivační funkce) všech vstupních podnětů
5 schéma neuronu Biologický neuron 1 dendridy w 0 práh neuron aktivační funkce vstupní signál 1 vstupní signál 2 w 1 w 2 výstupní signál průchodnost synapsí
6 vstupy váhy práh x 1 x 2 x 3 w 1 w 2 w 3 Umělý neuron Perceptron vzor x = [x 1, x 2, x 3,.. x n ] w = [w 1, w 2, w 3,.. w n ] w 0 (při fiktivním vstupu x 0 =1) (binární klasifikátor) X 0 =1 w 0 () práh aktivace neuronu charakteristika neuronu výstup neuronu práh neuronu y f y N i1 w i x i () y x. n w n v neuronu pobíhají dva procesy: výpočet (post-synaptického) potenciálu výpočet hodnoty výstupu pomocí aktivační funkce, (skoková funkce, sigmoida ) Biologické neuronové sítě dendrit axon synapse průchodnost synapsí soma neuron Umělé neuronové sítě vstupní vedení výstupní vedení paměťové elementy synaptické váhy w příjem signálů, nelin. transformace matematický procesor
7 Aktivační funkce Skoková funkce (hardlim) Skoková limitní funkce (hardlims) Perceptron binární klasifikátor Lineární přechodová funkce (pureline) Saturační lineární funkce (satlin) Sigmoidální funkce (logsig) Aproximace biologického neuronu Hyperbolická tangenciální sigmoidální funkce (tansig)
8 Umělý neuron Perceptron (binární klasifikátor pro lineárně separovatelné n-dimenzionálni prostory) x 1 w 1 w 2 x 0 () w 0 Skoková funkce () 0 y 1 vstupy váhy práh aktivace neuronu charakteristika neuronu výstup neuronu x = [x 1, x 2, x 3,.. x n ] w = [w 1, w 2, w 3,.. w n ] w 0 (při fiktivním vstupu x 0 =1) () y vzor y f N i1 w i x i x 2 Rovnice hraniční přímky Směrnice přímky Posuv přímky na ose x2 x 2 X 1 X 1 Y x 2 X 1 X 1 Y Klasifikace do dvou tříd A a B x 1 Logická operace AND x 1 Logická operace OR x 2? X 1 X 1 Y NEŘEŠITELNÉ x 1 Logická operace XOR
9 Umělý neuron Perceptron (binární klasifikátor pro lineárně separovatelné n-dimenzionálni prostory) x 0 příklad x 1 x 2 w 1 w 2 () w 0 y Skoková funkce 0 () 1 y f N i1 w i x i A hraniční přímka B Vzor a jeho parametry vstup parametr x 1 x 2 výška délka vlasů Klasifikace do dvou tříd A a B třída Výstup y A = ŽENA 1 B = MUŽ 0
10 Umělý neuron Perceptron režim učení (s učitelem) Učení je proces, při kterém se snažíme nalézt vhodné jednotlivé váhy pro váhový vektor w a minimalizovat chybu mezi skutečným a požadovaných výstupem Učení probíhá na takových vzorech (x 1, x 2..x n ), u kterých známe do které třídy patří (A, B), tj. známou odezvu d Pro každou učební dvojici (vzor, známá odezva) provést vhodnou adaptaci vah fáze režimu učení 1 epocha krok 1: inicializace vah w a práh na malé náhodné hodnoty krok 2: předložení vstupní trénovací dvojice (vstupní vektor x, požadovaná odezva d) krok 3: porovnání požadované odezvy d se skutečnou y krok 4: podle výsledku úprava váhového vektoru w krok 5: předložení další trénovací dvojice z množiny (krok 2-4) krok 6: vyhodnotit úspěšnost klasifikace ukončit učení / zahájit další epochu (krok 2-5)
11 Umělý neuron Perceptron režim učení s binárními vstupy a výstupem fáze režimu učení Hebbovo pravidlo vstupy a výstupy nabývají hodnoty 0 nebo 1 1 epocha krok 1: inicializace vah w a práh na malé náhodné hodnoty (v čase t=0) krok 2: předložení vstupní trénovací dvojice (vstupní vektor x, požadovaná odezva d) krok 3: výpočet skutečné aktuální odezvy y podle a porovnání s požadovanou d y f N i1 w i x i krok 4: úprava vah je-li výstup y správný váhy se nemění je-li výstup y = 0 a měl by být d = 1, pak posílit váhy w i (t+1) = w i (t) + je-li výstup y = 1 a měl by být d = 0, pak oslabit váhy w i (t+1) = w i (t) - krok 5: předložení další trénovací dvojice z množiny (krok 2-4) krok 6: vyhodnotit úspěšnost klasifikace ukončit učení / zahájit další epochu (krok 2-5)
12 Umělý neuron Perceptron Geometrická interpretace procesu učení t=0 t=1 t=2 t=3 t=4 t=10 t=20 t=30 Střední kvadratická chyba E error 1 n n y i di i1 2
13 Umělý neuron režim vybavování neuronu krok 1: předložení neznámého vzoru (vstupní vektor x) krok 2: výpočet skutečné aktuální odezvy y y f N i1 w i x i krok 3: podle odezvy y zařadit vzor do příslušné třídy (A, B ) krok 4: pokud jsou další neznámé vzory opakovat kroky 1-3
14 Umělý neuron jednovrstvá neuronová síť M paralelně pracujících neuronů možnosti klasifikace počet vstupů x dimenze prostoru pro N=1 přímka, pro N=2 - rovina, N=3 3D prostor, N>3 těžko představitelný N-dimenzionální prostor počet neuronů M počet hraničních přímek resp. počet podprostorů dělících N-dimenzionální prostor = M-počet klasifikačních tříd (A, B,.Z) y 1 y 2 y M 2w 3 1w 1 Mw n x 1 x 2 x 3 x n
15 Počet vstupů x 1 X 1 2 X 1 X 2 parametr Věk Věk Výška Počet neuronů 2 (1) 3 3 X 1 X 2 X 3 Věk Výška Váha
16 Vícevrstvá perceptronová neuronová sít Back-propagation y 1 y 2 y K Výstupní vrstva Aktivace: dopředný směr 2 w ij 3 w ij Zpětné šíření chyby 2. vrstva (skrytá) 1. vrstva (skrytá) 1 w ij x 1 x 2 x 3 x 4 x n vstupní vrstva (rozdělené signálů)
17 Vícevrstvá perceptronová neuronová sít Back-propagation x 2 Schopnost řešit operaci XOR X 1 X 1 Y x x 2 y 3 x 2 x x 1 x 1 x 2
18 1. vrstva Vícevrstvá perceptronová neuronová sít Back-propagation 2,3, 4. vrstva atd. Princip Kolmogorova teorému: Abychom dokázali vyřešit jakýkoliv problém týkající se klasifikace vzorů, nebudeme nikdy potřebovat více než dvě vrstvy perceptronové sítě (bez vstupní vrstvy), tj. vystačíme si maximálně se dvěma vrstvami. Přehled problémů řešení BP- sítí
19 Vícevrstvá perceptronová neuronová sít Back-propagation Skoková přenosová funkce Sigmoidální přenosová funkce
20 fáze režimu učení krok 1: inicializace vah w a práh na malé náhodné hodnoty (v čase t=0) krok 2: předložení vstupní trénovací dvojice (vstupní vektor x, požadovaná odezva d) krok 3: výpočet aktuální odezvy každého neuronu v každé vrstvě (M-vrstev) s p s1 j f w i1 krok 4: úprava vah Vícevrstvá perceptronová neuronová sít s ij s i - pravidlo Back-propagation Postupný výpočet výstupů z jednotlivých vrstev. Výstupy z předchozí vrstvy = vstupy následující vrstvy 1 epocha w s ij ( t 1) w s ij ( t) s1 j s i kde M j y j ( 1 y j ) ( d j y j ) pro poslední vrstvu využitím momentového parametru zlepšení konvergence pro předcházející vrstvy - parametr učení ovlivňuje rychlost řízení učení ( 1) - momentový parametr zlepšuje konvergenci ( 1) krok 5: předložení další trénovací dvojice z množiny (krok 2-4) krok 6: vyhodnotit úspěšnost klasifikace ukončit učení / zahájit další epochu (krok 2-5)
21 Vícevrstvá perceptronová neuronová sít Back-propagation režim vybavování krok 1: předložení neznámého vzoru (vstupní vektor x) krok 2: výpočet skutečné aktuální odezvy y y f N i1 w i x i krok 3: podle odezvy y zařadit vzor do příslušné třídy (A, B ) krok 4: pokud jsou další neznámé vzory opakovat kroky 1-3
22 Výpočet vzorů Projekt Využití NS-BP pro segmentaci obrazu Výstupní vrstva 1 neuron klasifikace: y = 1 - zájmová tkáň y = 0 - pozadí+ostatní y = 0,5 - rozhodovací úroveň 0 1 vzor: n-okolí (liché) v obraze (5x5 pix) Centrální pixel Vstupy jednoho vzoru: x 1 : histogram normovaný x 2 : unsharp mask x 3 : intenzita v centrálním pixelu x 4 : průměr okolí x 5 : median okolí x 6 : modus okolí x 7 : směrodatná odchylka x 8 : entropie okolí x 9 : šum jako odmocnina z průměru okolí
23 Aplikační prostředí (NS - režim učení sítě)
24 Aplikační prostředí (NS - režim vybavování sítě)
25 segmentace CT obrazu (kostní tkáň) Návrh neuronové BP sítě y 9 vstupů 1. vrstva 10 neuronů 2. vrstva 4 neurony Výstupní vrstva 1 neuron 30 epoch, = 0,005 učební množina: 243 tis vzorů x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9
26 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
27 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
28 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
29 segmentace CT obrazu (plícní tkáň) Návrh neuronové BP sítě y 9 vstupů 1. vrstva 10 neuronů Výstupní vrstva 1 neuron 28 epoch, = 0,005 učební množina: 210 tis vzorů x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9
30 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
31 vstupní obraz parametrický obraz binární maska segmentace
32 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
33 segmentace CT obrazu (kostní + plícní tkáň) Návrh neuronové BP sítě y 9 vstupů 1. vrstva 10 neuronů Výstupní vrstva 1 neuron 28 epoch, = 0,005 učební množina: 210 tis vzorů x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9
34
35 vstupní obraz parametrický obraz binární maska segmentace
36 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
37 Návrh neuronové BP sítě segmentace NM obrazu (štítná žláza) y 9 vstupů 1. vrstva 10 neuronů 2. vrstva 4 neurony Výstupní vrstva 1 neuron 40 epoch, = 0,005 učební množina: 50 tis vzorů y x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9
38 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
39 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
40 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
41 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
42 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
43 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
44 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
45 vstupní obraz parametrický obraz výstup z NS segmentace parametrický obraz binární maska
46 Projekt Výhody: uložení zkušeností NS v podobě přednastavených vah možnost přidávat další vzory (obrazy) k naučení sítě časová náročnost naučení NS v řádově desítek sekund až několik minut časově rychlé vybavování sítě zobrazení výsledku Nevýhody: časová náročnost vypočtu vzorů u rozměrných obrazů, nikoliv vybavování sítě vhodnější provést výřez obrazu se zájmovou oblastí normalizace dat a interpretace výsledku Další projekt (rozpracován) detekce a hodnocení akumulace příštítných tělísek v NM
47 Několik typů neuronových sítí Typy neuronových sítí Každá neuronová síť je vhodná pro jiné třídy úloh. Podle přítomnosti učitele můžeme neuronové sítě dělit na sítě s učitelem a bez učitele Existuje celá řada neuronových sítí, např. Vícevrstvá perceptonová síť Hopfieldova síť Hammingova síť Kohonenovy samoorganizující se mapy Síť RBF... Některé neuronové sítě se mohou vzájemně doplňovat.
48 Typické úlohy pro neuronové sítě Modelování, Identifikace a Analýza systémů Optimalizace Predikce signálů (časových řad) Klasifikace Rozpoznávání obrazců Detekce poruch Např.: rozpoznávání písma, rukopisu, některé programy pro rozpoznávání řeči,
49 Děkuji za pozornost
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
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
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
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
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
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
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
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
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
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
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)
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
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
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
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
VíceArchitektura - struktura sítě výkonných prvků, jejich vzájemné propojení.
Základní pojmy z oblasti neuronových sítí Zde je uveden přehled některých základních pojmů z oblasti neuronových sítí. Tento přehled usnadní studium a pochopení předmětu. ADALINE - klasická umělá neuronová
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
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
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceNeuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
VíceNeuronové sítě 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
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
VíceNeuronové sítě. 1 Úvod. 2 Historie. 3 Modely neuronu
Neuronové sítě L. Horký*, K. Břinda** Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 *horkyladislav@seznam.cz, **brinda@fjfi.cvut.cz Abstrakt Cílem našeho příspěvku je získat uživatelský
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
VíceDálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU
Dálkový průzkum Země Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU Klasifikace založené na strojovém učení Strojové učení je podoblastí umělé inteligence, zabývající se algoritmy
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
Více1 Neuronové sítě - jednotlivý neuron
Obsah 1 Neuronové sítě - jednotlivý neuron... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Úvod do neuronových sítí... 2 1.3.1 Biologická analogie... 2 1.3.2 Historie NN... 3 1.3.3 Koncept
VíceNervová soustává č love ká, neuron r es ení
Nervová soustává č love ká, neuron r es ení Pracovní list Olga Gardašová VY_32_INOVACE_Bi3r0110 Nervová soustava člověka je pravděpodobně nejsložitěji organizovaná hmota na Zemi. 1 cm 2 obsahuje 50 miliónů
VícePREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ
PREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ P. Matušík Evropský polytechnický institut, s.r.o, Osvobození 699, 686 04 Kunovice Abstract Neuronové sítě se v době využívají v řadě vědních
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:
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
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:
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
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VíceZpracování biologických signálů umělými neuronovými sítěmi
Zpracování biologických signálů umělými neuronovými sítěmi Jana Tučková Katedra teorie obvodů - Laboratoř umělých neuronových sítí FEL ČVUT v Praze tuckova@fel.cvut.cz http://amber.feld.cvut.cz/user/tuckova
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKACNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
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...
VíceMembránový potenciál, zpracování a přenos signálu v excitabilních buňkách
Membránový potenciál, zpracování a přenos signálu v excitabilních buňkách Difuze Vyrovnávání koncentrací látek na základě náhodného pohybu Osmóza (difuze rozpouštědla) Dva roztoky o rúzné koncentraci oddělené
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
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
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
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
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
VíceÚvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská
Neuronové sítě-delta učení Filip Habr České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská 30. března 2009 Obsah prezentace Obsah prezentace Delta učení 1 Teorie k delta učení 2
VíceJsou inspirovány poznatky o neuronech a nervových sítích živých organizmů a jejich schopnostmi:
Neuronové sítě V prezentaci jsou použity podklady z řady zdrojů (Marcel Jiřina, Dan Novák, Jean- Christophe Prévotet, Petr Berka, Jana Tučková a další) Neuronové sítě Jsou inspirovány poznatky o neuronech
VíceModely selektivní interakce a jejich aplikace
Modely selektivní interakce a jejich aplikace Marie Leváková Ústav matematiky a statistiky Přírodovědecká fakulta Masarykovy univerzity 5. 9. 2013 Marie Leváková (PřF MU) Modely selektivní interakce a
VíceÚloha č. 2 - Kvantil a typická hodnota. (bodově tříděná data): (intervalově tříděná data): Zadání úlohy: Zadání úlohy:
Úloha č. 1 - Kvantily a typická hodnota (bodově tříděná data): Určete typickou hodnotu, 40% a 80% kvantil. Tabulka hodnot: Varianta Četnost 0 4 1 14 2 17 3 37 4 20 5 14 6 7 7 11 8 20 Typická hodnota je
VíceNeuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Neuronové sítě Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Neuronové sítě Úvod do problematiky Doc. RNDr. Iveta Mrázová, CSc.
VíceNEURONOVÉ SÍTĚ EVA VOLNÁ CZ.1.07/2.2.00/
NEURONOVÉ SÍTĚ EVA VOLNÁ CZ.1.07/..00/9.0006 OSTRAVA, červen 013 Studijní opora je jedním z výstupu projektu ESF OP VK. Číslo Prioritní osy: 7. Oblast podpory: 7.. Vysokoškolské vzdělávání Příjemce: Ostravská
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceKlíčové pojmy: Informační mohutnost, mozek, myšlení, nepřesné algoritmy, neuron, neuronová síť, simulace, umělá neuronová síť.
Neuronové sítě 1 Cíl kapitoly : Seznámení s podněty a logikou výstavby neuronových sítí, jejich hlavními úkoly a způsoby práce. Umět aplikovat tato poznatky a umožnit další a hlubší studium neuronových
VíceK možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
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
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
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 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.
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 /
VíceJsou inspirovány poznatky o neuronech a nervových sítích živých organizmů a jejich schopnostmi:
Neuronové sítě V prezentaci jsou použity podklady zřady zdrojů (Marcel Jiřina, Dan Novák, Jean- Christophe Prévotet, Petr Berka, Jana Tučková a další) Neuronové sítě Jsou inspirovány poznatky o neuronech
Více8-9. Pravděpodobnostní rozhodování a predikce. Gerstnerova laboratoř katedra kybernetiky fakulta elektrotechnická ČVUT v Praze
KYBERNETIKA A UMĚLÁ INTELIGENCE 8-9. Pravděpodobnostní rozhodování a predikce laboratory Gerstner Gerstnerova laboratoř katedra kybernetiky fakulta elektrotechnická ČVUT v Praze Rozhodování za neurčitosti
Vícepřetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat
Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního
VíceFramework pro neuronovou sít Flexible Neural Tree Flexible Neural Tree Framework
VŠB Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra informatiky Framework pro neuronovou sít Flexible Neural Tree Flexible Neural Tree Framework 2013 Pavel Piskoř Na tomto
VíceToolbox pro neuronové sítě pro prostředí Mathematica
Toolbox pro neuronové sítě pro prostředí Mathematica Toolbox for Neural Networks in the environment Mathematica Bc. Martin Macháč Diplomová práce 2009 UTB ve Zlíně, Fakulta aplikované informatiky, 2009
VíceTechnická fakulta. Katedra technologických zařízení staveb. Využití neuronových sítí pro integraci PZTS do inteligentních budov.
ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE Technická fakulta Katedra technologických zařízení staveb Využití neuronových sítí pro integraci PZTS do inteligentních budov diplomová práce Vedoucí práce: Ing. Zdeněk
VíceVYUŽITÍ NEURONOVÝCH SÍTÍ V DIAGNOSTICE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV VÝROBNÍCH STROJŮ SYSTÉMŮ A ROBOTIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF PRODUCTION MACHINES, SYSTEMS
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘICÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION
VíceAlgoritmy a struktury neuropočítačů ASN - P2. Topologie neuronových sítí, principy učení Samoorganizující se neuronové sítě Kohonenovy mapy
Algoritmy a struktury neuropočítačů ASN - P2 Topologie neuronových sítí, principy učení Samoorganizující se neuronové sítě Kohonenovy mapy Topologie neuronových sítí (struktura, geometrie, architektura)
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
VíceNervová soustava Centrální nervový systém (CNS) mozek mícha Periferní nervový systém (nervy)
Neuron Nervová soustava Centrální nervový systém (CNS) mozek mícha Periferní nervový systém (nervy) Základní stavební jednotky Neuron přenos a zpracování informací Gliové buňky péče o neurony, metabolická,
VíceOperace s obrazem II
Operace s obrazem II Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova Matematická morfologie Segmentace obrazu Klasifikace objektů
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
Více7. Nervová soustava člověka
7. Nervová soustava člověka anatomie nervové soustavy a stavba neuronu Nervová soustava člověka je rozlišena na: 1. CNS - centrální nervovou soustavu (hlava - řídící centrum, mícha zprostředkovává funkce)
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
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceLOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA
LOKALIZACE ZDROJŮ AE EUROOVÝMI SÍTĚMI EZÁVISLE A ZMĚÁCH MATERIÁLU A MĚŘÍTKA AE SOURCE LOCATIO BY EURAL ETWORKS IDEPEDET O MATERIAL AD SCALE CHAGES Milan CHLADA, Zdeněk PŘEVOROVSKÝ Ústav termomechaniky
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz III. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obraz x zpracovávaných
VícePreceptron přednáška ze dne
Preceptron 2 Pavel Křížek Přemysl Šůcha 6. přednáška ze dne 3.4.2001 Obsah 1 Lineární diskriminační funkce 2 1.1 Zobecněná lineární diskriminační funkce............ 2 1.2 Učení klasifikátoru........................
VíceNervová soustava Centrální nervový systém (CNS) mozek mícha Periferní nervový systém (nervy)
Buňka Neuron Nervová soustava Centrální nervový systém (CNS) mozek mícha Periferní nervový systém (nervy) Základní stavební jednotky Neuron přenos a zpracování informací Gliové buňky péče o neurony, metabolická,
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
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
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INTELIGENTNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INTELLIGENT SYSTEMS ROZPOZNÁVÁNÍ
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
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
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:
Vícepřesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod
přesnost (reprodukovatelnost) správnost (skutečná hodnota)? Skutečná hodnota použití různých metod Měření Pb v polyethylenu 36 různými laboratořemi 0,47 0 ± 0,02 1 µmol.g -1 tj. 97,4 ± 4,3 µg.g -1 Měření
VíceNeuronové sítě výuka2
Neuronové sítě výuka2 Neuronové sítě jsou definovány jako nedeklarativní systémy umělé inteligence. Nedeklarativní jsou v tom smyslu, že nemusíme předem definovat pravidla, kterými se neuronová síť řídí.
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
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
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,
VíceAPLIKACE NEURONOVÝCH SÍTÍ VE ZPRACOVÁNÍ OBRAZU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV RADIOELEKTRONIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceObsah: 1. Úvod Architektura Instalace Hardwarové požadavky Softwarové požadavky Data...
Obsah: 1. Úvod... 2 2. Architektura... 3 3. Instalace... 5 3.1. Hardwarové požadavky... 5 3.2. Softwarové požadavky... 5 4. Demonstrační příklad... 6 5. Data... 7 5.1. Vstup/Výstup... 7 5.2. Konfigurace...
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ FACULTY OF MECHANICAL ENGINEERING ÚSTAV AUTOMATIZACE A INFORMATIKY INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
Více9. Léčiva CNS - úvod (1)
9. Léčiva CNS - úvod (1) se se souhlasem souhlasem autora autora ál školy koly -techlogic techlogické Jeho Jeho žit bez bez souhlasu souhlasu autora autora je je ázá Nervová soustava: Centrální nervový
VícePopis zobrazení pomocí fuzzy logiky
Popis zobrazení pomocí fuzzy logiky diplomová práce Ján Fröhlich KM, FJFI, ČVUT 23. dubna 2009 Ján Fröhlich ( KM, FJFI, ČVUT ) Popis zobrazení pomocí fuzzy logiky 23. dubna 2009 1 / 25 Obsah 1 Úvod Základy
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
VíceObr. 1 Biologický neuron
5.4 Neuronové sítě Lidský mozek je složen asi z 10 10 nervových buněk (neuronů) které jsou mezi sebou navzájem propojeny ještě řádově vyšším počtem vazeb [Novák a kol.,1992]. Začněme tedy nejdříve jedním
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
Více