Dolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT
|
|
- Bedřich Pokorný
- před 8 lety
- Počet zobrazení:
Transkript
1 Dolování dat z multimediálních databází Ing. Igor Szöke Speech group ÚPGM, FIT, VUT
2 Obsah prezentace Co jsou multimediální databáze Možnosti dolování dat v multimediálních databázích Vyhledávání fotografií Indexace televizních zpráv Řečová syntéza Vyhledávání v audio záznamech AMI projekt Dolování dat z multimediálních 2
3 Úvod multimediální DB Slouží pro ukládání: Audio, video, obraz, text Pracují s nimi: WWW, systémy zpracování řeči (rozpoznání, syntéza), systémy video-on-demand, systémy pro práci s obrazy (fotografie, lékařské snímky), systémy hlasových schránek, indexace televizních zpráv Nároky: velké objemy dat, specializované indexační a vyhledávací algoritmy, poskytování dat v reálném čase bez výpadků Dolování dat z multimediálních 3
4 Úvod dolování v MM DB Práce s pravděpodobností. Standardní relační (text) DB buď ano nebo ne. Video a zvuk (nekonečně mnoho realizací (binárních) konkrétní informace) míra věrohodnosti, podobnosti (pravděpodobnost). Nutnost použití abstrakce Techniky pro omezování velikosti prostoru (dekorelace, komprimace) Techniky pro výběr reprezentantů (shlukování) Modelování objektů (wavelety, HMM) Trénování modelů Předzpracování (časově náročné) Dolování dat z multimediálních 4
5 Úvod struktura systému Znalosti Agregace Specializované znalosti Data mining Extrakce Samostatná média Text Zvuk Video Multimediální data Dolování dat z multimediálních 5
6 Úvod struktura systému Multimediální data: např. video (televizní zprávy). Extrakce: Prostorové rozložení objektů, detekce a identifikace osob, pohyb kamery a detekce záběrů, segmentace hudba-řeč-ticho, identifikace mluvčího, rozpoznání řeči (přepis do textové podoby), detekce titulků. Data mining: Získání specializovaných znalostí z jednotlivých extrahovaných médií. Agregace: Obecná znalost získaná spojením informací ze specializovaných znalostí. Dolování dat z multimediálních 6
7 Podobnostní vyhledávání Vyhledávání podobností v multimediální databázi Založené na popisu (description-based): Data se indexují pomocí klíčových slov, titulku (popisu), velikosti, času vytvoření, Náročné pro manuální zpracování, nízká kvalita u automatického zpracování. Založené na obsahu (content-based): Data se indexují pomocí histogramu barev, tvaru, textury, objektů, FFT nebo wavelet transformace, Aktuálně nejčastěji používané řešení, lze dosáhnout slušných výsledků. Dolování dat z multimediálních 7
8 Vyhledávání založené na obsahu Sample-based queries: Podobnost na úrovni bodů (vzorků) nízká abstrakce. Obrázek je podvzorkován na např. 64x64, a bod po bodu porovnáván s ostatními. Feature specification queries: Podobnost na úrovni vlastností (parametrů) vyšší abstrakce. Histogram barev Detekce textur, tvaru, umístění Wavelet (FFT) transformace: možnost granularity, detekce složitých struktur Kombinace různých parametrů: wavelet + histogram + textury + Dolování dat z multimediálních 8
9 Dolování asociačních pravidel Pokud je alespoň 50% horní části obrazu modrá, pravděpodobně zobrazuje oblohu. Asociace obsahu obrazu a klíčového slova. Pokud obraz obsahuje 2 modré čtverečky, pravděpodobně obsahuje červené kolečko. Asociace mezi objekty v obraze. (mohou být i prostorové) Pokud video obsahuje záběr obličeje člověka na neměnném pozadí, člověk pravděpodobně mluví. Asociace mezi videem a audiem. Dolování dat z multimediálních 9
10 Rozdíly s transakčními DB Obrazy s podobnými vlastnostmi při určitém rozlišení, mohou mít při vyšším rozlišení vlastnosti rozdílné. Možnost použití postupného zjemňování rozlišení. Rozdílné vnímání počtu objektů. Existence prostorových vztahů mezi objekty. Rozhodování o splnění kritérií (obraz je podobný jinému obrazu) funguje na principu prahování funkce maximum likelihood (viz. příklad detekce klíčových slov). Dolování dat z multimediálních 10
11 Příklad 1. Fotografie WALRUS systém: WAvLet-based Retrieval of Userspecified Scenes (článek z roku 1999) Standardní jednoduché systémy tvoří vektor příznaků z celého obrázku (histogramy, textury, wavelety). Selhání u obrázků obsahující podobné objekty ale různě umístěné, zmenšené, atd.. Řešení pomocí plujícího okna. Vektor příznaků pro každé plující okénko Shlukování plujících okének regiony Porovnání regionů pro celou DB (R*-tree) Porovnání obrázků podle počtu a podobnosti regionů Dolování dat z multimediálních 11
12 Příklad 1. WBIIS (starší systém) Dolování dat z multimediálních 12
13 Příklad 1. WALRUS (novější systém) Dolování dat z multimediálních 13
14 Příklad 2. Televizní noviny Určení struktury televizních novin (články z roku 2000 a 2002) Rozklad televizních novin na jednotlivá témata a dále na záběry Možnost získání klíčových snímků Popis jednotlivých segmentů Identifikace osob podle obličeje, detekce pohybu kamery, rozpoznávání gest, identifikace komentátora podle řeči, rozpoznání textu v obraze (titulky) Dolování dat z multimediálních 14
15 Příklad 2. Televizní noviny Video (prostorový obsah): Ekvivalentní k Příkladu 1 (histogramy, wavelets, objekty, ) Video (časový obsah): Pohyb kamery, přibližování, střih, Pohyb objektů v obraze Rozdělení obrazu na segmenty, v každém segmentu se sleduje směr vektorů pohybu Audio: Detekce řečové aktivity (ticho, řeč, hudba, šum), identifikace mluvčího, rozpoznání řeči Text: Rozpoznání textových titulků Dolování dat z multimediálních 15
16 Příklad 2. Televizní noviny Dolování dat z multimediálních 16
17 Příklad 3. Řečová syntéza TTS systémy pracující nad daty. Velká databáze řeči, indexování, vyhledávání. Různé stupně složitosti (spojování jednotek, kontextová závislosti, prozodická omezení). Metody prozodické analýzy pracující nad daty (vyhledávání JAK říci dané slovo). Dolování dat z multimediálních 17
18 Příklad 4. Detekce slov Dolování z audio záznamu Segmentace (ticho, řeč, hudba), segmentace na mluvčí (crosstalk) Identifikace jazyka, identifikace mluvčího, věk, pohlaví, stress, Rozpoznání řeči (LVCSR, fonémový rozpoznávač, detekce klíčových slov) Rozpoznávače mají problémy se slovy, které nejsou ve slovníku (OOV) (málo pravděpodobné slovo může nést hodně informace jména, názvy, ) Proto se používají systémy pro detekci klíčových slov (OOV) Dolování dat z multimediálních 18
19 Audio information retieval system Audio DB segmentace řeč/ticho/ostatní segmentace řečníků Vyhledávací jádro DB indexů DB modelů Vlastní aplikace KWS LVCSR Odhad pohlaví Ident. řečníka Odhad věku Ident. jazyka Dolování dat z multimediálních 19
20 KWS system Parametrizace vstupních dat (signálové předzpracování; segmentace; MFCC, PLP, ). Trénování modelů Akustické modely (slovní, fonémové (kontext)). Jazykové modely (n-gramy). Rozpoznávání Řetězce slov (fonémů), Lattice slov (fonémů) Maximum likelihood funkce, prahování, detekce Dolování dat z multimediálních 20
21 Příklad KWS systému Dolování dat z multimediálních 21
22 Příklad 5. AMI AMI Augmented Multi-party Interaction Inteligentní správce meetingů Multimodální vstupní rozhraní (vícejazyčné audio a video), smart meeting room Audio vizuální sledování účastníků meetingu Modelování dialogů, interakce člověk-člověk Abstrakce obsahu, strukturování informací, indexování, vyhledávání a sumarizace Záznam a správa záznamů meetingů, přístup k informacím přes síť Dolování dat z multimediálních 22
23 AMI & MM data mining Rozpoznávání gest a akcí z videa Odvozování emocí a úmyslů z audia a videa Robustní rozpoznávání neformální konverzační řeči Využívání vedlejších textových informací (slides) Tvorba a distribuce anotované vícekanálové multimodální databáze Multimodální analýza, integrace a přístup k informacím Dolování dat z multimediálních 23
24 AMI sémantický obsah Následující tabulka ukazuje vztah mezi sémantickým obsahem meetingu a výstupu jednotlivých rozpoznávačů Po abstrakci by měl být schopen vytvořit: Souhrn meetingu Index meetingu Odpovědět na otázky: Jaký byl závěr meetingu? Jaká byla nálada na meetingu? Co se stalo? Jaký byl průběh diskuze? Kdo se zůčastnil meetingu? Byl splněn program jednání? Dolování dat z multimediálních 24
25 AMI sémantický obsah Dolování dat z multimediálních 25
26 Literatura J. Han and M. Kamber, Data Mining: Concepts and Techniques A. Natsev, R. Rastogi and K. Shim, WALRUS: A similarity Retrieval Algorithm for Image Databases (1999) M. Detyniecki and C. Marsala, Fuzzy Multimedia Mining Applied to Video News (2002) K. Shearer, C. Dorai and S. Venkatesh, Incorporating Domain Knowlage with Video and Voice Data Analysis in News Broadcasts (2000) AMI Annex 1 Description of Work (2003) Dolování dat z multimediálních 26
7 Další. úlohy analýzy řeči i a metody
Pokročilé metody rozpoznávánířeči Přednáška 7 Další úlohy analýzy řeči i a metody jejich řešení Výsledky rozpoznávání (slovník k 413k) frantisek_vlas 91.92( 90.18) [H= 796, D= 10, S= 60, I= 15, N=866,
Vícejednotky + Projekty Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz FIT VUT Brno
Databáze + Automaticky učené řečové jednotky + Projekty Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz FIT VUT Brno Databáze + Automaticky učené řečové jednotky Jan Černocký, ÚPGM FIT VUT Brno 1/12
VíceŘEČOVÉ TECHNOLOGIE v PRAXI
ŘEČOVÉ TECHNOLOGIE v PRAXI Josef Psutka, FAV ZČU v Plzni Obsah: 1. Automatické rozpoznávání řeči počítačem 2. Počítačová syntéza řeči 3. Hlasový dialog člověka s počítačem 1.10 2014 1 Automatické rozpoznávání
Více5 1. Úvod Automatického rozpoznávání řeči (Automatic Speech Recognition, ASR) je obor, ve kterém aktivní výzkum probíhá již od 60. let minulého století. V dnešní době nachází široké uplatnění, např. v
VíceDolování z textu. Martin Vítek
Dolování z textu Martin Vítek Proč dolovat z textu Obrovské množství materiálu v nestrukturované textové podobě knihy časopisy vědeckéčlánky sborníky konferencí internetové diskuse Proč dolovat z textu
VíceTechnologie počítačového zpracování řeči
hlasová komunikace pod kontrolou Technologie počítačového zpracování řeči Pavel Cenek OptimSys, s.r.o. 5. odborný seminář Teorie a praxe IP telefonie Praha, 5. 6. prosince 2012 Řečové technologie přehled
VíceUmělá inteligence pro zpracování obrazu a zvuku
Umělá inteligence pro zpracování obrazu a zvuku Jan Švec honzas@ntis.zcu.cz Kontakt: Jan Švec honzas@ntis.zcu.cz jan.svec@speechtech.cz www.linkedin.com/in/jansvec Katedra kybernetiky ZČU v Plzni Katedra
VíceŘečové technologie pomáhají překonávat bariéry
Řečové technologie pomáhají překonávat bariéry Luděk Müller, Jakub Kanis Oddělení umělé inteligence, Katedra kybernetiky, Fakulta aplikovaných věd, Západočeská univerzita v Plzni 18.1.2008 1 Obsah Pomoc
VíceZZD. Získávání znalostí z multimediálních databází. Petr Chmelař
ZZD Petr Chmelař Obsah 1 Úvod... 2 2 Získávání znalostí z databází z [Ha01]... 3 2.1 Dolování dat... 5 2.2 Multimediální databáze Oracle intermedia... 6 2.3 Prostorové databáze... 8 3 Získávání znalostí
VíceRoman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30
Extrakce obrazových příznaků Roman Juránek Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 30 Motivace Účelem extrakce
VíceSEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU KVD/GRPR GRAFICKÉ PROJEKTY
F A K U L T A E K O N O M I C K Á Studijní obor: 6208T086 Podniková ekonomika a management SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU KVD/GRPR GRAFICKÉ PROJEKTY TÉMA: SYNTÉZA A ROZPOZNÁVÁNÍ ŘEČI TERMÍN: ZS 2006-01-21
VíceDEMO Převodsignálu na slovní reprezentaci Rozpozná jen to,na co byl naučen Jazyk,prostředí, slovník, téma Každé slovo zná svůj čas Přijďteza mnou po přednášce(iphone, ipad) SledujteTwitter Podívejte
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceSpeciální struktury číslicových systémů ASN P12
Aplikace UNS v syntéze řeči modelování prozodie druhy syntezátorů Umělé neuronové sítě pro modelování prozodie Rozdíly mezi přirozenou a syntetickou řečí Požadavky: zlepšování srozumitelnosti zlepšování
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
VícePoužití mluvených korpusů ve vývoji systému pro rozpoznávání českých přednášek *
Použití mluvených korpusů ve vývoji systému pro rozpoznávání českých přednášek * Tomáš Mikolov, Ilya Oparin, Ondřej Glembek, Lukáš Burget, Martin arafiát, Jan Černocký Speech@FIT, Ústav počítačové grafiky
VíceStrojové učení a dolování dat. Vybrané partie dolování dat 2016/17 Jan Šimbera
Strojové učení a dolování dat vgeografii Vybrané partie dolování dat 2016/17 Jan Šimbera simberaj@natur.cuni.cz Kde v geografii? Získávání prostorově podrobných dat Prostorová dezagregace Analýza dat dálkového
VíceAnalýza a zpracování multimodálních dat
Mendelova univerzita v Brně Provozně ekonomická fakulta Analýza a zpracování multimodálních dat Diplomová práce Vedoucí práce: Ing. Jiří Fejfar, Ph.D. Bc. Radoslav Pesau Brno 2013 Děkuji svému vedoucímu
VíceWichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace. Maturitní otázky z předmětu INFORMATIKA A VÝPOČETNÍ TECHNIKA
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu INFORMATIKA A VÝPOČETNÍ TECHNIKA 1. Algoritmus a jeho vlastnosti algoritmus a jeho vlastnosti, formy zápisu algoritmu
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
VíceNEWTON Technologies a.s. Jaroslava Schmidtová Project manager
NEWTON Technologies a.s. Jaroslava Schmidtová Project manager NEWTON Technologies a.s. Budoucnost tvoříme hlasem Jaroslava Schmidtová Project manager NEWTON Technologies, a.s. je česká společnost (založená
VíceŘečové technologie na Katedře kybernetiky FAV ZČU v Plzni. Katedra kybernetiky. Fakulta aplikovaných věd. Západočeská univerzita v Plzni
Pracoviště: Katedra kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Výzkumné zaměření: a) Teorie systémů b) Řízení strojů a procesů (včetně aplikací) c) Řečové technologie d) Technická
Více5.15 INFORMATIKA A VÝPOČETNÍ TECHNIKA
5.15 INFORMATIKA A VÝPOČETNÍ TECHNIKA 5. 15. 1 Charakteristika předmětu A. Obsahové vymezení: IVT se na naší škole vyučuje od tercie, kdy je cílem zvládnutí základů hardwaru, softwaru a operačního systému,
VícePokročil. Vyučující: Prof. Ing. Jan Nouza, CSc., ITE
Pokročil ilé metody rozpoznávánířeči Vyučující: Prof. Ing. Jan Nouza, CSc., ITE Cíl předmětu: Seznámit se s nejmodernějšími metodami rozpoznávánířeči s využitím modulové stavebnice HTK (Hidden Model Markov
VíceÚvod do praxe stínového řečníka. Úvod
Úvod do praxe stínového řečníka Úvod 1 Ukázka Kdo je to stínový řečník? Simultánní tlumočník z daného jazyka do téhož jazyka Jeho úkolem je přemlouvat televizní pořady tak, aby výsledná promluva byla vhodná
VíceModelování neřečových událostí pro rozpoznávání řeči v reálných podmínkách
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA ELEKTROTECHNICKÁ Katedra Teorie obvodů Modelování neřečových událostí pro rozpoznávání řeči v reálných podmínkách Dizertační práce Josef Rajnoha Praha, únor
VíceUživatelská podpora v prostředí WWW
Uživatelská podpora v prostředí WWW Jiří Jelínek Katedra managementu informací Fakulta managementu Jindřichův Hradec Vysoká škola ekonomická Praha Úvod WWW obsáhlost obsahová i formátová pestrost dokumenty,
VícePavel Cenek, Aleš Horák
Syntéza a rozpoznávání řeči Pavel Cenek, Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/poc_lingv/ Obsah: Rozpoznávání řeči Související technologie Úvod do počítačové lingvistiky 3/11 1 / 20
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
VíceSTANOVENÍ CHARAKTERU SEGMENTU ŘEČI S VYUŽITÍM REÁLNÉHO KEPSTRA
STANOVENÍ CHARAKTERU SEGMENTU ŘEČI S VYUŽITÍM REÁLNÉHO KEPSTRA Oldřich Horák Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav systémového inženýrství a informatiky Abstract: The extraction of the
VíceKomunikace člověk počítač v přirozeném jazyce
Komunikace člověk počítač v přirozeném jazyce 16. 5. 2012 10-1 Principy komunikace člověk - počítač v přirozeném jazyce 2 1 3 5 Technischer Dienst 4 Telefonischer Dienst Vertriebs-Dienst 10-2 Sensorické
VíceNEWTON Technologies a.s.
NEWTON Technologies a.s. Budoucnost tvoříme hlasem Mgr. Jaroslava Schmidtová Project manager NEWTON Technologies, a.s. je česká společnost (založená v roce 2008), která se specializuje na řešení využívající
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
VíceJ. Tatarinov, P. Pollák. Fakulta elektrotechnická. Abstrakt. otestován a zhodnocen na signálech z databáze CAR2CS. Detektor využívající
Řečové detektory využívající ergodické Markovovské modely J. Tatarinov, P. Pollák České vysoké učení technické v Praze Fakulta elektrotechnická Abstrakt Tento článek prezentuje využití ergodických Markovovských
VíceAutomatizační a měřicí technika (B-AMT)
Ústav automatizace a měřicí techniky Bakalářský studijní program Automatizační a měřicí technika () Specializace oboru Řídicí technika Měřicí technika Průmyslová automatizace Robotika a umělá inteligence
VíceWhale detection Brainstorming session. Jiří Dutkevič Lenka Kovářová Milan Le
Whale detection Brainstorming session Jiří Dutkevič Lenka Kovářová Milan Le Signal processing, Sampling theorem Spojitý signál může být nahrazen diskrétní posloupností vzorků, aniž by došlo ke ztrátě informace,
VíceVývoj moderních technologií při vyhledávání. Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz
Vývoj moderních technologií při vyhledávání Patrik Plachý SEFIRA spol. s.r.o. plachy@sefira.cz INFORUM 2007: 13. konference o profesionálních informačních zdrojích Praha, 22. - 24.5. 2007 Abstrakt Vzhledem
VíceAutomatické rozpoznávání dopravních značek
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA DOPRAVNÍ Jiří Hofman Automatické rozpoznávání dopravních značek Semestrální práce z předmětu ITS 2012 Obsah 1. Automatické rozpoznávání dopravních značek (ATSR)...
VíceIII. Informační systém & databáze
III. Informační systém & databáze IS základní terminologie IS konceptuální model informačního systému Vztah IS & databáze Systém řízení báze dat Databázové modely Záznam, pole, datové typy, atribut, instance,
VíceÚstav automatizace a měřicí techniky.
www.feec.vutbr.cz Specializace studijního oboru Automatizační a Měřicí Technika: Řídicí technika Moderní algoritmy řízení, teorie řízení Modelování a identifikace parametrů řízených systémů Pokročilé metody
VíceNormalizace textu. Text to Speech, TTS Konverze textu do mluvené podoby. Pavel Cenek, Aleš Horák. Obsah: Související technologie
Syntéza a rozpoznávání řeči Obsah: Související technologie Pavel Cenek, Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/poc_lingv/ Text to Speech, TTS Konverze textu do mluvené podoby V ideálním
VícePopis objektů. Karel Horák. Rozvrh přednášky:
1 / 41 Popis objektů Karel Horák Rozvrh přednášky: 1. Úvod.. Příznakový vektor. 3. Příznakový prostor. 4. Členění příznaků. 5. Identifikace oblastí. 6. Radiometrické deskriptory. 7. Fotometrické deskriptory.
VíceOBRAZOVÁ ANALÝZA. Speciální technika a měření v oděvní výrobě
OBRAZOVÁ ANALÝZA Speciální technika a měření v oděvní výrobě Prostředky pro snímání obrazu Speciální technika a měření v oděvní výrobě 2 Princip zpracování obrazu matice polovodičových součástek, buňky
Více5.3.1. Informatika pro 2. stupeň
5.3.1. Informatika pro 2. stupeň Charakteristika vzdělávací oblasti Vzdělávací oblast Informační a komunikační technologie umožňuje všem žákům dosáhnout základní úrovně informační gramotnosti - získat
VíceIdentifikátor materiálu: ICT-1-19
Identifikátor materiálu: ICT-1-19 Předmět Informační a komunikační technologie Téma materiálu Komprimace, archivace dat Autor Ing. Bohuslav Nepovím Anotace Student si procvičí / osvojí komprimaci, archivaci
VícePRODUKTY Tovek Server 6
Tovek Server je serverová aplikace určená pro efektivní zpracování velkého objemu sdílených strukturovaných i nestrukturovaných dat. Umožňuje automaticky indexovat data z různých informačních zdrojů, intuitivně
VíceKorpusová lingvistika a počítačové zpracování přirozeného jazyka
Korpusová lingvistika a počítačové zpracování přirozeného jazyka Vladimír Petkevič & Alexandr Rosen Ústav teoretické a komputační lingvistiky Filozofické fakulty Univerzity Karlovy v Praze Korpusový seminář
VíceBIG DATA. Nové úlohy pro nástroje v oblasti BI. 27. listopadu 2012
BIG DATA Nové úlohy pro nástroje v oblasti BI 27. listopadu 2012 AGENDA 1. Úvod 2. Jaké jsou potřeby? 3. Možné řešení 2 Jaké jsou potřeby? Dopady Analýza dat potřeba nového přístupu Jak na nestrukturovaná
VíceDigitální zpracování obrazu počítačové vidění zakotvení
Digitální zpracování obrazu počítačové vidění zakotvení Václav Hlaváč České vysoké učení technické v Praze Fakulta elektrotechnická, katedra kybernetiky Centrum strojového vnímání http://cmp.felk.cvut.cz/
VíceDiktovací sw NovaVoice zkušenosti. D.Zoubek KZM FN Motol
Diktovací sw NovaVoice zkušenosti D.Zoubek KZM FN Motol NovaVoice automatické rozpoznávání řeči Automatic Speech Recognition - ASR je určen k automatickému rozpoznávání souvislé mluvené české řeči je
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
VíceÚvod do praxe stínového řečníka. Automatické rozpoznávání řeči
Úvod do praxe stínového řečníka Automatické rozpoznávání řeči Systém rozpoznávání řeči Řečník akustický řečový signál Akustická analýza O Akustický model Jazykový model p( O W) PW ( ) Dekodér W^ rozpoznaná
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
Více27. 11. 2012, Brno Připravil: Ing. Jaromír Landa. Postprocessing videa
27. 11. 2012, Brno Připravil: Ing. Jaromír Landa Postprocessing videa Digitální video Digitální video Typ záznamového zařízení, které pracuje s digitálním signálem a ne s analogovým. Proces, kdy se v určitém
VíceDISERTAČNÍ PRÁCE OPRAVENÁ VERZE
FAKULTA APLIKOVANÝCH VĚD DISERTAČNÍ PRÁCE OPRAVENÁ VERZE PLZEŇ, 2006 Ing. Petr Císař Fakulta aplikovaných věd DISERTAČNÍ PRÁCE k získání akademického titulu doktor v oboru kybernetika Ing. Petr Císař Využití
VíceEfektivní přístup ke znalostem v audio-vizuálních záznamech
Zvaná přednáška Efektivní přístup ke znalostem v audio-vizuálních záznamech Igor SZÖKE1,2, Michal FAPŠO1, Josef ŽIŽKA2, Vítězslav BERAN1, Jan "Honza" ČERNOCKÝ1 1 ÚPGM a IT4Innovations Centre of Excellence,
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz LITERATURA Holčík, J.: přednáškové prezentace Holčík, J.: Analýza a klasifikace signálů.
VíceInformatika
5.3.1 5.3.1 Informatika INFORMATIKA 5. ročník 5.3.1/01 ZÁKLADY PRÁCE S POČÍTAČEM využívá základní standardní funkce počítače a jeho nejběžnější periferie respektuje pravidla bezpečné práce s hardware i
VíceZákladní pojmy. Multimédia. Multimédia a interaktivita
Základní pojmy Multimédia Jedná se o sloučení pohyblivého obrazu, přinejmenším v televizní kvalitě, s vysokou kvalitou zvuku a počítačem, jako řídícím systémem. Jako multimediální systém se označuje souhrn
VícePočítače a grafika. Ing. Radek Poliščuk, Ph.D. Přednáška č.7. z předmětu
Ústav automatizace a informatiky Fakulta strojního inženýrství Vysoké učení technické v Brně Přednáška č.7. z předmětu Počítače a grafika Ing. Radek Poliščuk, Ph.D. 1/14 Obsahy přednášek Přednáška 7 Zpracování
VíceSYNTÉZA ŘEČI. Ústav fotoniky a elektroniky, v.v.i. AV ČR, Praha
SYNTÉZA ŘEČI Petr Horák horak@ufe.cz Ústav fotoniky a elektroniky, v.v.i. AV ČR, Praha Obsah Úvod a historie Zpracování textu Modelování prozodie Metody syntézy řeči Aplikace syntézy řeči Petr Horák SYNTÉZA
VíceVÝTVARNÁ VÝCHOVA 1. - 3. ROČNÍK Žák: pozná různé druhy tvarů, porovnává vlastnosti, které zakládají, jejich podobnost či odlišnost, jejich vztahy, pozná různorodé přírodní a umělé materiály, seznamuje
VícePRODUKTY. Tovek Tools
jsou desktopovou aplikací určenou k vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci i s velkým objemem textových dat z různorodých informačních zdrojů.
VíceDobývání znalostí z textů text mining
Dobývání znalostí z textů text mining Text mining - data mining na nestrukturovaných textových dokumentech 2 možné přístupy: Předzpracování dat + běžné algoritmy pro data mining Speciální algoritmy pro
VíceAnalýzou dat k efektivnějšímu rozhodování
Analýzou dat k efektivnějšímu rozhodování Chytrá řešení pro veřejnou správu Václav Bahník, ECM Solution Consultant Marek Šoule, ECM Software Sales Representative 8.4.2013 Řízení efektivního poskytování
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:
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceTovek Server. Tovek Server nabízí následující základní a servisní funkce: Bezpečnost Statistiky Locale
je serverová aplikace určená pro efektivní zpracování velkého objemu sdílených nestrukturovaných dat. Umožňuje automaticky indexovat data z různých informačních zdrojů, intuitivně vyhledávat informace,
VíceKlasifikace a rozpoznávání. Extrakce příznaků
Klasifikace a rozpoznávání Extrakce příznaků Extrakce příznaků - parametrizace Poté co jsme ze snímače obdržely data která jsou relevantní pro naši klasifikační úlohu, je potřeba je přizpůsobit potřebám
VíceInteligentní analýza obrazu. Ing. Robert Šimčík
Inteligentní analýza obrazu Ing. Robert Šimčík Jaký je přínos video analýzy? 2 Typické CCTV pracoviště? Příliš mnoho kamer! Pomoc! 3 Proč použít video analýzu? Analýza tisíců video záznamů Redukce zátěže
VíceEfektivní práce s Excelem (středně pokročilí uživatelé)
2015 Efektivní práce s Excelem (středně pokročilí uživatelé) rozsah: 2 dny (10 hodin) Mgr. Jiří Číhař www.dataspectrum.cz Efektivní práce s Excelem pro středně pokročilé uživatele Práce s rozsáhlými tabulkami
VíceVTApi v. 1.0. Technická zpráva - FIT - VG20102015006-2011 01. Petr Chmelař, Vojtěch Fröml Tomáš Volf, Jaroslav Zendulka
VTApi v. 1.0 Technická zpráva - FIT - VG20102015006-2011 01 Petr Chmelař, Vojtěch Fröml Tomáš Volf, Jaroslav Zendulka Fakulta informačních technologií, Vysoké učení technické v Brně 1. prosince 2011 Abstrakt
VíceA2M31RAT- Řečové aplikace v telekomunikacích. Aplikační úlohy rozpoznávání řeči a speciální techniky.
A2M31RAT- Řečové aplikace v telekomunikacích Aplikační úlohy rozpoznávání řeči a speciální techniky. Doc. Ing. Petr Pollák, CSc. 12.května2011-16:7 Obsah přednášky Adaptační techniky Teoretický základ
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
VíceObsah. Kapitola 1. Kapitola 2. Kapitola 3. Úvod 9
Obsah Úvod 9 Kapitola 1 Business Intelligence, datové sklady 11 Přechod od transakčních databází k analytickým..................... 13 Kvalita údajů pro analýzy................................................
VíceTransformace obrazu Josef Pelikán KSVI MFF UK Praha
Transformace obrazu 99725 Josef Pelikán KSVI MFF UK Praha email: Josef.Pelikan@mff.cuni.cz WWW: http://cgg.ms.mff.cuni.cz/~pepca/ Transformace 2D obrazu dekorelace dat potlačení závislosti jednotlivých
VíceTermovizní měření. 1 Teoretický úvod. Cíl cvičení: Detekce lidské kůže na snímcích z termovizní i klasické kamery
Termovizní měření Cíl cvičení: Detekce lidské kůže na snímcích z termovizní i klasické kamery 1 Teoretický úvod Termovizní měření Termovizní kamera je přístroj pro bezkontaktní měření teplotních polí na
VíceJan Černocký ÚPGM FIT VUT Brno, FIT VUT Brno
Fonetika, rozpoznávání řeči HMM II. Jan Černocký ÚPGM FIT VUT Brno, cernocky@fit.vutbr.cz FIT VUT Brno Rozpoznávání řeči HMM Jan Černocký, ÚPGM FIT VUT Brno 1/20 Plán Něco z fonetiky fonetické abecedy.
VíceExperimentální systém pro WEB IR
Experimentální systém pro WEB IR Jiří Vraný Školitel: Doc. RNDr. Pavel Satrapa PhD. Problematika disertační práce velmi stručný úvod WEB IR information retrieval from WWW, vyhledávání na webu Vzhledem
VíceVzdělávací obsah vyučovacího předmětu
V.9.3. Vzdělávací obsah vyučovacího předmětu Vzdělávací oblast: Inormatika a informační a komunikační technologie Vyučovací předmět: Informatika Ročník: 1. ročník + kvinta chápe a používá základní termíny
VícePodporováno Technologickou agenturou České republiky, projekt TE
Podporováno Technologickou agenturou České republiky, projekt TE01020197 Centrum aplikované kybernetiky 3 je centrum kompetence podporované Technologickou agenturou České republiky. Koncentruje špičkové
VíceANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ
ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ 18.11.2012 Radim Tvardek, Petr Bulava, Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic PŘEDPOKLADY PRO ANALÝZU NÁKUPNÍHO KOŠÍKU 18.11.2012 Daniel
VíceBioinformatika a výpočetní biologie KFC/BIN. I. Přehled
Bioinformatika a výpočetní biologie KFC/BIN I. Přehled RNDr. Karel Berka, Ph.D. Univerzita Palackého v Olomouci Definice bioinformatiky (Molecular) bio informatics: bioinformatics is conceptualising biology
VíceAnalýza a zpracování digitálního obrazu
Analýza a zpracování digitálního obrazu Úlohy strojového vidění lze přibližně rozdělit do sekvence čtyř funkčních bloků: Předzpracování veškerých obrazových dat pomocí filtrací (tj. transformací obrazové
VíceQuo vadis, vyhledávání (na webu)?
Quo vadis, vyhledávání (na webu)? Vilém Sklenák sklenak@vse.cz Vysoká škola ekonomická, fakulta informatiky a statistiky, katedra informačního a znalostního inženýrství Inforum 2017, 31. 5. 2017 1/23 Obsah
VíceZákladní škola Fr. Kupky, ul. Fr. Kupky 350, Dobruška
5.3 INFORMAČNÍ A KOMUNIKAČNÍ TECHNOLOGIE 5.3.1 INFORMAČNÍ A KOMUNIKAČNÍ TECHNOLOGIE Informatika 8. ročník RVP ZV Obsah RVP ZV Kód RVP ZV Očekávané výstupy ŠVP Školní očekávané výstupy ŠVP Učivo VYHLEDÁVÁ
VíceVyhledávání informací v prostředí webu mírný pokrok v mezích zákona
Vyhledávání informací v prostředí webu mírný pokrok v mezích zákona Vilém Sklenák * sklenak@vse.cz 1 Úvod Abstrakt: Nabídka služeb pro vyhledávání informací je v poslední době poměrně stabilizovaná. Rozšiřování
VíceAplikace obrazové fúze pro hledání vad
Marek Vajgl, Irina Perfilieva, Petr Hurtík, Petra Hoďáková Národní superpočítačové centrum IT4Innovations Divize Ostravské univerzity Ústav pro výzkum a aplikaci fuzzy modelování Ostrava, Česká republika
VíceBusiness Intelligence
Business Intelligence Skorkovský KAMI, ESF MU Principy BI zpracování velkých objemů dat tak, aby výsledek této akce manažerům pomohl k rozhodování při řízení procesů výsledkem zpracování musí být relevantní
VíceObsah. Úvodem 9 Kapitola 1 Jaký počítač a jaký systém? 11. Kapitola 2 Obrázky a fotografie 21
Obsah Úvodem 9 Kapitola 1 Jaký počítač a jaký systém? 11 Potřebné parametry počítače pro práci s multimédii 12 Stručně pro každého 12 Podrobněji pro zájemce o techniku 12 Jak ověřit kvalitu svého počítače
VíceMULTIMEDIÁLNÍ A HYPERMEDIÁLNÍ SYSTÉMY
MULTIMEDIÁLNÍ A HYPERMEDIÁLNÍ SYSTÉMY 1) Úvod do problematiky Petr Lobaz, 18. 2. 2004 ORGANIZACE PŘ EDMĚ TU POŽADAVKY KE ZKOUŠCE vypracování semestrální práce (max. 70 bodů) napsání testu (max. 30 bodů)
VíceVIDEO DATOVÉ FORMÁTY, JEJICH SPECIFIKACE A MOŽNOSTI VYUŽITÍ SMOLOVÁ BÁRA
VIDEO DATOVÉ FORMÁTY, JEJICH SPECIFIKACE A MOŽNOSTI VYUŽITÍ SMOLOVÁ BÁRA 18.12.2017 OBSAH VLASTNOSTI VIDEA Snímková frekvence Rozlišení Prokládání Poměr stran Komprese Datový tok ANALOGOVÉ FORMÁTY KONTEJNERY
VíceInformační a komunikační technologie. Informační a komunikační technologie
Oblast Předmět Období Časová dotace Místo realizace Charakteristika předmětu Průřezová témata Informační a komunikační technologie Informační a komunikační technologie 5. 6. ročník 1 hodina týdně počítačová
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
VíceVideosekvence. vznik, úpravy, konverze formátů, zachytávání videa...
Videosekvence vznik, úpravy, konverze formátů, zachytávání videa... VIDEOSEKVENCE (VIDEO) Sekvence obrázků rychle po sobě jdoucích (např. 60 snímků za sekundu) tak, že vznikne pro diváka iluze pohybu.
VíceGeografické informační systémy p. 1
Geografické informační systémy Slajdy pro předmět GIS Martin Hrubý hrubym @ fit.vutbr.cz Vysoké učení technické v Brně Fakulta informačních technologií, Božetěchova 2, 61266 Brno akademický rok 2004/05
VíceZískávání dat z databází 1 DMINA 2010
Získávání dat z databází 1 DMINA 2010 Získávání dat z databází Motto Kde je moudrost? Ztracena ve znalostech. Kde jsou znalosti? Ztraceny v informacích. Kde jsou informace? Ztraceny v datech. Kde jsou
VíceObsah. Úvod 9 Komu je kniha určena 11 Konvence použité v knize 11
Úvod 9 Komu je kniha určena 11 Konvence použité v knize 11 KAPITOLA 1 Instalace a úvod do Windows Vista 13 Instalace z disku DVD 14 Volba uživatelského účtu 16 První kroky v grafickém rozhraní 18 Práce
VíceSemestrální práce: Rozpoznání hláskované řeči a převedení na text
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství Ústav mechaniky těles, mechatroniky a biomechaniky Technická 2, Brno 616 69 RSZ Základy zpracování signálu Semestrální práce: Rozpoznání hláskované
Více