Validácia reklasifikovaných predikčných máp
|
|
- Martin Bezucha
- před 6 lety
- Počet zobrazení:
Transkript
1 Valdáca reklasfkovaných predkčných máp Renata Ďuračová, Mlan Muňko, Lukáš Karell Katedra geodetckých základov Stavebná fakulta STU v Bratslave Aktvty v v kartograf venované Jánov Jánov Pravdov Kartografcká konferenca, 2016, Bratslava,
2 Motváca predkčný model predkčná mapa reklasfkáca predkčných modelov valdáca predkčných modelov (...a reklasfkovaných predkčných máp) 2
3 Prestorové predkčné modely predkca výskytu objektov alebo javov v danej oblast 3
4 Metódy prestorového predkčného vacnásobná lneárna regresa modelovana teóra fuzzy množín neurónové ste SVM... 4
5 Reklasfkáca hodnôt predkčných modelov transformáca hodnôt z ntervalu 0,1 do konečného počtu tred (stupňov splnena podmenky) Metódy kvantly (Quantle) rovnaké ntervaly (Equal Interval) geometrcké ntervaly (Geometrcal Intervals) metóda prrodzených hraníc (Natural Breaks)... vlastné stanovene hraníc ntervalov 5
6 Metódy valdáce predkčných modelov kontngenčná tabuľka / klasfkačná matca Predkca Skutočnosť P N P True Postve False Postve N False Negatve True Negatve presnosť správnosť TP PR PPV TP FP TP+TN ACC = TP+ FP+ FN +TN senztvta špecfcta SE TPR TP TP FN SPC = TNR TN FP+TN FP FPR 1 SPC FP TN FN FNR 1TPR FN TP 6
7 ROC krvka a AUC TPR (SP) 1 ROC AUC Recever operatng characterstc (ROC) curve 0 1 FPR (1-SPC) Area under curve (AUC) metrka na valdácu predkčných modelov TP SE TPR TP FN FP FPR 1 SPC FP TN 7
8 Predkčný model 1 (nereklasfkovaný) náchylnosť územa na napadnute lykožrútom smrekovým oblasť Horní Planá (ČR) metóda vacnásobnej lneárnej regrese model TANABBO (Jakuš et al., 2013), (Koreň, 2016) 8
9 Reklasfkáca predkčného modelu 5 kategórí 4 metódy reklasfkáce vplyv voľby metódy reklasfkáce na výsledok nterpretáce modelu valdáca 9
10 Valdáca predkčného modelu valdačné dáta konštrukca ROC krvky parameter AUC 10
11 ROC krvka a parameter AUC Spracovane: jazyk Python transformáca rastrových dát na vektor hodnôt 11
12 Reklasfkovaná predkčná mapa optmálna metóda reklasfkáce PM: náchylnosť územa na napadnute lykožrútom smrekovým oblasť: Horní Planá (ČR) metóda: vacnásobná lneárna regresa model: TANABBO reklasfkáca: kvantly počet kategórí: 5 AUC: 0,773 AUC pôvodného modelu: 0,789 12
13 Predkčný model 2 predkčný model náchylnost územa na zosúvane oblasť: Ondavská vrchovna metóda: SVM 5 kategórí rovnomerné rozdelene rovnaké ntervaly 13
14 Valdáca PM ROC, AUC 5 kategórí rovnomerné rozdelene AUC 0,5 14
15 Predkčný model 3 archeologcký predkčný model oblasť dolného Popla a Pohrona (Leskovský et al., 2015), (Ďuračová et al., 2011) 15
16 APM z pohľadu geonformatky príprava dát na predkčné modelovane metódy a prncípy tvorby APM valdáca APM SW spracovane... ftp:// /predkcne_modelovane/archeologcke_ predkcne_modelovane_z_pohladu_geonformatky.pdf 16
17 Reklasfkáca APM 3 kategóre, 5 metód reklasfkáce, návrh optmálnej metódy reklasfkáce 17
18 18 Modfkáca štandardných metód valdáce PM fuzzy modfkáca ROC / AUC nové metódy valdáce PM modfkovaný Gnho ndex n k v mf n k k k G l 1 1, n k k m mf n m k v l l e k k
19 Reklasfkovaná predkčná mapa metóda: multkrterálne rozhodovane prostredníctvom fuzzy množín Łukasewczova t-norma 3 kategóre manuálna reklasfkáca G mf : 0,64 19
20 Proces reklasfkáce a valdáce PM tvorba PM valdáca PM reklasfkáca PM valdáca reklasfkovaných PM optmalzáca reklasfkáce tvorba výslednej predkčnej mapy 20
21 Záver nterpretáca výsledku používateľov voľba počtu kategórí výber vhodnej metódy reklasfkáce ( strata nformácí) valdáca (aj) reklasfkovaných predkčných máp + nformáce o tvorbe a valdác modelu 21
22 ĎAKUJEME ZA POZORNOSŤ! 22
Vytěžování znalostí z dat
Vytěžování znalostí z dat Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague Přednáška 5: Hodnocení kvality modelu BI-VZD, 09/2011 MI-POA Evropský sociální
RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 6 Jak analyzovat kategoriální a binární
Staré mapy TEMAP - elearning
Staré mapy TEMAP - elearnng Modul 4 Kartometrcké analýzy Ing. Markéta Potůčková, Ph.D., 2013 Přírodovědecká fakulta UK v Praze Katedra aplkované geonformatky a kartografe Kartometre a kartometrcké vlastnost
Klasifikace a predikce. Roman LUKÁŠ
1/28 Klasfkace a predkce Roman LUKÁŠ 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké
Metody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce
. meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu
4.4 Exploratorní analýza struktury objektů (EDA)
4.4 Exploratorní analýza struktury objektů (EDA) Průzkumová analýza vícerozměrných dat je stejně jako u jednorozměrných dat založena na vyšetření grafckých dagnostk. K tomuto účelu se využívá různých technk
Detekce obličeje v obraze s využitím prostředí MATLAB
Detekce obličeje v obraze s využitím prostředí MATLAB T. Malach, P. Bambuch, J. Malach EBIS, spol. s r.o. Příspěvek se zabývá detekcí obličeje ve statických obrazových datech. Algoritmus detekce a trénování
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady. Milan Růžička
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady Mlan Růžčka mechanka.fs.cvut.cz mlan.ruzcka@fs.cvut.cz Analýza dynamckých zatížení Harmoncké zatížení x(t) přes soubor
Umělé neuronové sítě a Support Vector Machines. Petr Schwraz
Umělé neuronové sítě a Support Vector Machnes Petr Schraz scharzp@ft.vutbr.cz Perceptron ( neuron) x x x N f() y y N f ( x + b) x vstupy neuronu váhy jednotlvých vstupů b aktvační práh f() nelneární funkce
Jiří Militky Škály měření Nepřímá měření Teorie měření Kalibrace
Tetlní zkušebnctv ebnctví II Jří Mltky Škály měření epřímá měření Teore měření Kalbrace Základní pojmy I PRAVDĚPODOBOST Jev A, byl sledován v m pokusech. astal celkem m a krát. Relatvní četnost výskytu
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT RNDr. Eva Janoušová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ HODNOCENÍ ÚSPĚŠNOSTI KLASIFIKACE A SROVNÁNÍ KLASIFIKÁTORŮ ÚVOD Vstupní data Subjekt Objem hipokampu Objem komor Skutečnost
Georeferencování map III. vojenského mapování
Georeferencování map III. vojenského mapování Milan Talich, Jan Havrlant Kartografické zdroje jako kulturní dědictví, 12.března 2015, Praha Georeferencování map III. vojenského mapování Typický mapový
ú ď ů ů ď ů ů ů ů ó ň ň ó ů ů ó ť ú ů ů ů ů ů ň ů ů ů ů ť ů ú É ť ů ů ů ů ů Ú ň ů Ý Ť ů ó ů ó ů ů ť ť ů ů ů Ě Ť Ě ů ů Ú ů ť ň ť ů ů ň ú ů ů ď ť ů ť ů Ě ň ť Ť ť Ť Ť ň ň ů Ý Ý Ý Ť ó ú ů ť ť ť ů ť ď ů Ý ů
REGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz
25. 10. 2012, Praha Ing. Petr Vahalík Ústav geoinformačních technologií Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz 21. konference GIS Esri v ČR Lesní vegetační stupně
metoda Regula Falsi 23. října 2012
Hledání kořenů rovnic jedné reálné proměnné metoda Regula Falsi Michal Čihák 23. října 2012 Metoda Regula Falsi hybridní metoda je kombinací metody sečen a metody půlení intervalů předpokladem je (podobně
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jří Holčík, CSc. INVESTICE Insttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a analýz IV - pokračování KLASIFIKACE PODLE MINIMÁLNÍ VZDÁLENOSTI METRIKY PRO URČENÍ VZDÁLENOSTI
Příloha č. 1 Ke smlouvě o Technické podpoře SW díla pro zajištění dopravního zpravodajství v Policii ČR SERVICE PACK CDI 2 (2012) SOUHRN ČINNOSTÍ
Příloha č. 1 Ke smlouvě o Technické podpoře SW díla pro zajištění dopravního zpravodajství v Policii ČR Příloha č.1 Specifikace předmětu plnění SERVICE PACK CDI 2 (2012) SOUHRN ČINNOSTÍ 1. ServicePack
Simulační metody hromadné obsluhy
Smulační metody hromadné osluhy Systém m a model vstupy S výstupy Systém Část prostředí, kterou lze od jeho okolí oddělt fyzckou neo myšlenkovou hrancí Model Zjednodušený, astraktní nástroj používaný pro
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE. Distribuovaný kamerový systém pro správu parkovacích míst
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechnická Katedra radioelektroniky Distribuovaný kamerový systém pro správu parkovacích míst DIPLOMOVÁ PRÁCE Vedoucí práce: Ing. Stanislav Vítek, Ph.D.
Dobývání 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
ZÍSKÁVÁNÍ 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
Vztah mezi počtem květů a celkovou biomasou rostliny CELKE EM. slá pro KVETU = závi
Regrese a korelace Regrese versus korelace Regrese (regresson)* popsuje vztah = závslost dvou a více kvanttatvních (popř. ordnálních) proměnných formou funkční závslost měří těsnost Korelace (correlaton)
VYSOKÉ 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
PRAVDĚPODOBNOST JE. Martina Litschmannová
RAVDĚODOBNOST JE Martina Litschmannová Čím se zabývá teorie pravděpodobnosti? Teorie pravděpodobnosti je matematická disciplína popisující zákonitosti týkající se náhodných jevů, tj. používá se k modelování
Teorie efektivních trhů (E.Fama (1965))
Teore efektvních trhů (E.Fama (965)) Efektvní efektvní zpracování nových nformací Efektvní trh trh, který rychle a přesně absorbuje nové nf. Ceny II (akcí) náhodná procházka Předpoklady: na trhu partcpuje
Ivana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
Matematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
1:10 000 C.2 - MAPA POVODŇOVÉHO RIZIKA. Soutok Vltavy a Berounky - červenec 2011. Napojení 2D a 2D hydrodynamického modelu. Mapový list - 1 61.
C. - MAPA POVODŇOVÉHO RIZIKA 6 Soutok Vltavy a Berounky - červenec Napojení D a D hydrodynamického modelu Mapový list - 6.5 6 6.5 5 : 5 cm = m m 6 rozliv Q5 Zpracoval DHI a.s. z podkladů města Beroun v
ř š ú š Č š ž ř š Š Š Í ú š ď ř š ú Š ů ú ř ř ř ř ů ř Ž š ů ú ů ř Š Š Š ř ů řň ň řň řň ů ř ř š Í ř ř ř ř ř ř ř ř Ž Ž ř ú ů ú ú š Ú ú ú Í Ž Ž ů Ž Ž Č ň Ú řš ř řš ú Ž ú ť ň Í ř ř ů ť š š ř Í řš ú Ý Í ť ú
Rozhodování v podnikatelství za podpory fuzzy logiky a neuronových sítí
Rozhodování v podnikatelství za podpory fuzzy logiky a neuronových sítí Dostál Petr Vysoké učení technické v Brně Mezinárodní letní škola SoftProcessing SoftCop reg. č. CZ.1.07/2.3.00/20.0072 Fuzzy logika
9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
Statistická šetření a zpracování dat.
Statstcká šetření a zpracování dat. Vyjadřovací prostředky ve statstce STATISTICKÉ TABULKY Typckým vyjadřovacím prostředkem statstky je číslo formalzovaným nástrojem číselného vyjádření je statstcká tabulka.
Mikroekonomický scoringový model úpadku českých podniků
Mkroekonomcký scorngový model úpadku českých podnků Jří VALECKÝ, Eva SLIVKOVÁ, VŠB-TU Ostrava Abstract The paper s devoted to the proposng a scorng model of frm s bankruptcy on the bass of logstc regresson
Kartografické modelování. II Mapová algebra obecné základy a lokální funkce
II Mapová algebra obecné základy a lokální funkce jaro 2017 Petr Kubíček kubicek@geogr.muni.cz Laboratory on Geoinformatics and Cartography (LGC) Institute of Geography Masaryk University Czech Republic
ňď Ó Ó Š ť ř ř ř Č ř ť ř Ř Š Ě Č Č ř Č Ý Ě ť Ě ť ř ý ř Ř ť ň Ě Ý ř Ě ř ř ň ť Š Š Š ň ť Ó ť Á ť ř Ů Ú Ě Č ť ň Š ř Ď Č Š ň Ř Ě ň ý řň ř ř ř Č Š ť Š Š Š Ú Š Á Ý Ú Š Š Š Š Š ť Á ť ť Ě ť ť ť ř Ú Ú Ú Š Ů Š ý
4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 8 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 7 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
Hodnocení klasifikátoru Test nezávislosti. 14. prosinec Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/
Čtyřpolní tabulky Čtyřpolní tabulky 14. prosinec 2012 Rozvoj aplikačního potenciálu (RAPlus) CZ.1.07/2.4.00/17.0117 O čem se bude mluvit? Čtyřpolní tabulky Osnova prezentace Čtyřpolní tabulky 1. přístupy
Pokročilé neparametrické metody. Klára Kubošová
Pokročilé neparametrické metody Klára Kubošová Pokročilé neparametrické metody Výuka 13 přednášek doplněných o praktické cvičení v SW Úvod do neparametrických metod + princip rozhodovacích stromů Klasifikační
Univerzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc.
Unverzta Pardubce Fakulta ekonomcko-správní Modelování predkce časových řad návštěvnost web domény pomocí SVM Bc. Vlastml Flegl Dplomová práce 2011 Prohlašuj: Tuto prác jsem vypracoval samostatně. Veškeré
Vojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015
Příklady použití metod strojového učení v rozpoznávání tváří Vojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015 Stavební bloky systému
ZÍSKÁVÁNÍ 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
Rastrová reprezentace geoprvků model polí Porovnání rastrové a vektorové reprezentace geoprvků Digitální model terénu GIS 1 153GS01 / 153GIS1
GIS 1 153GS01 / 153GIS1 Martin Landa Katedra geomatiky ČVUT v Praze, Fakulta stavební 14.11.2013 Copyright c 2013 Martin Landa Permission is granted to copy, distribute and/or modify this document under
Vojtěch Franc. Biometrie ZS 2016
Rozpoznávání tváří I Vojtěch Franc Centrum strojového vnímání, ČVUT FEL Praha Biometrie ZS 2016 Osnova: Příklady úloh v rozpoznávání tváří: detekce, verifikace, vyhledávání, odhad věku,... Metriky pro
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE. 2013 Radka Luštincová
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE 2013 Radka Luštncová VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Název bakalářské práce: Aplkace řezných
POLYMERNÍ BETONY Jiří Minster Ústav teoretické a aplikované mechaniky AV ČR, v. v. i.
Odborná skupna Mechanka kompoztních materálů a konstrukcí České společnost pro mechanku s podporou frmy Letov letecká výroba, s. r. o. a Ústavu teoretcké a aplkované mechanky AV ČR v. v.. Semnář KOMPOZITY
Přednáška 3. Rekurze 1
Paradigmata programování 1 Přednáška 3. Rekurze 1 Michal Krupka KATEDRA INFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI Obsah 1 Příklady 2 Rekurzivní procedury a rekurzivní výpočetní proces 3 Další příklady
Řešení radiační soustavy rovnic
Řešení radační soustavy rovnc 1996-2016 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ RadSoluton 2016 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca 1 / 23 Soustava lneárních
4EK211 Základy ekonometrie
4EK211 Základy ekonometre Specální případy použtí MNČ Cvčení 9 Zuzana Dlouhá Specální případy použtí MNČ cvčení 1 8 = ekonometrcký model, který byl lneární v proměnných v parametrech MNČ můžeme použít,
ECOSOC. Mezinárodní zadlužení
. ECOSOC Mezinárodní zadlužení http://www.nybooks.com/articles/archives/2013/jun/06/howcase-austerity-has-crumbled/?pagination= false http://www.ft.com/intl/cms/s/0/60b7a4ec-ab58-11e2-8c63-00144feabdc0.html#axzz2gsigbase
IDENTIFIKÁCIA PAMIATKOVÝCH LOKALÍT POTENCIÁLNE DOTKNUTÝCH PREJAVMI RIEČNYCH POVODNÍ. Miriam DZURÁKOVÁ, Igor KONVIT, Libor CHLUBNA
IDENTIFIKÁCIA PAMIATKOVÝCH LOKALÍT POTENCIÁLNE DOTKNUTÝCH PREJAVMI RIEČNYCH POVODNÍ Miriam DZURÁKOVÁ, Igor KONVIT, Libor CHLUBNA Ministerstvo kultury ČR, program NAKI Projekt Identifikace významných území
ž ú Ď ň ň ú Á É ž Ý Ě É ň Ě É É ž Ť Ť Ť ú Ň ŤŤ Ť ó Á ú ú Ť ň ú ň ž É Š Š ž ó ó Ť É Ť Ě Ť ň Ťň Ť ž ňž Ť Ó Ť ú ž Ť ú ž Ť ó ž ž Ť Ť ž Ě Š ú ž ž ň Č ž ž ž ž Ť Ť Ť Č Ň Á Ť Ý ú Ť ž ň ž Ť Ý Ť Ť ž ň Ťň Š ž ú ž
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
Vícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
Lokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
GIS 1 155GIS1. Martin Landa Lena Halounová. Katedra geomatiky ČVUT v Praze, Fakulta stavební
GIS 1 155GIS1 Martin Landa Lena Halounová Katedra geomatiky ČVUT v Praze, Fakulta stavební #2 1/21 Copyright c 2013-2018 Martin Landa and Lena Halounová Permission is granted to copy, distribute and/or
Definice měřítka. Měřítka mapy, velikostní stupnice. Typy měřítka. Grafické měřítko Tvorba tematických map podzim 2010
Definice měřítka Měřítka mapy, velikostní stupnice Tvorba tematických map podzim 2010 Lauermann 1975: Měřítko mapy udává poměr zmenšení délky měřené na mapě k délce ve skutečnosti (na elipsoidu). d : D
Úvod Terminologie Dělení Princip ID3 C4.5 CART Shrnutí. Obsah přednášky
Obsah přednášky. Úvod. Termnologe 3. Základní dělení 4. Prncp tvorby, prořezávání a použtí RS 5. Algortmus ID3 6. C4.5 7. CART 8. Shrnutí A L G O RI T M Y T E O R I E Stromové struktury a RS Obsah knhy
u (x i ) U i 1 2U i +U i+1 h 2. Na hranicích oblasti jsou uzlové hodnoty dány okrajovými podmínkami bud přímo
Metoda sítí základní schémata h... krok sítě ve směru x, tj. h = x x q... krok sítě ve směru y, tj. q = y j y j τ... krok ve směru t, tj. τ = j... hodnota přblžného řešení v uzlu (x,y j ) (Possonova rovnce)
Á É Ř Č Č Č á á á ř á ý á ž á ř é ř é é Č Č ř ú ý á á ř áž Č Č ř š ý á Č Č É é ú ó á Č ž é ř ř é ž é ř ý ó ř é é š é á š ž é ř ř á ř ý é ř é é Č á ó ý á ý á ř ý ř á Č á ř š Ť é á ř ý ř š á ž ř é á ř á
Beáta Stehlíková Časové rady, FMFI UK, 2013/2014. CvičenievR-kuI.:ARIMAmodely p.1/15
Cvičenie v R-ku I.: ARIMA modely Beáta Stehlíková Časové rady, FMFI UK, 2013/2014 CvičenievR-kuI.:ARIMAmodely p.1/15 Príklad 1: dáta Použité dáta: Počet používatel ov prihlásených na server, dáta po minútach,
Připomeň: Shluková analýza
Připomeň: Shluková analýza Data Návrh kategorií X Y= 1, 2,..., K resp. i jejich počet K = co je s čím blízké + jak moc Neposkytne pravidlo pro zařazování Připomeň: Klasifikace Data (X,Y) X... prediktory
Vojtěch Franc. Biometrie ZS Poděkování Janu Šochmanovi za slajdy vysvětlující AdaBoost
Rozpoznávání tváří I Vojtěch Franc Centrum strojového vnímání, ČVUT FEL Praha Biometrie ZS 2013 Poděkování Janu Šochmanovi za slajdy vysvětlující AdaBoost Úlohy rozpoznávání tváří: Detekce Cíl: lokalizovat
6 LINEÁRNÍ REGRESNÍ MODELY
1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů
VYUŽITÍ FUZZY MODELŮ PŘI HODNOCENÍ OBTÍŽNOSTI CYKLOTRAS
VYUŽITÍ FUZZY MODELŮ PŘI HODNOCENÍ OBTÍŽNOSTI CYKLOTRAS ArcGIS ModelBuilder, Python Pavel Kolisko Cíle motivace zastaralost, neúplnost a nepřesnost dat obtížnosti cyklotras na portálu cykloturistiky JMK
Statistické metody v digitálním zpracování obrazu. Jindřich Soukup 3. února 2012
Statistické metody v digitálním zpracování obrazu Jindřich Soukup 3. února 2012 Osnova Úvod (Neparametrické) odhady hustoty pravděpodobnosti Bootstrap Použití logistické regresi při klasifikaci Odhady
Aplikace 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
Humanoidné systémy... počítačové videnie... Peter Sinčák & Mária Virčíková
Humanoidné systémy... počítačové videnie... Peter Sinčák & Mária Virčíková Humanoids... Obraz Je to časť senzorického systému Kamera ako základný komponent Aká kamera? Koľko kamier na Humanoide spolupráca
DATA MINING KLASIFIKACE DMINA LS 2009/2010
DATA MINING KLASIFIKACE DMINA LS 2009/2010 Osnova co je to klasifikace typy klasifikátoru typy výstupu jednoduchý klasifikátor (1R) rozhodovací stromy Klasifikace (ohodnocení) zařazuje data do předdefinovaných
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta elektrotechniky a komunikačních technologií BAKALÁŘSKÁ PRÁCE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta elektrotechniky a komunikačních technologií BAKALÁŘSKÁ PRÁCE Brno, 26 Ing. Vojtěch Dluhý VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY
VĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT
VĚROHODNOST VÝSLEDKŮ PŘI UŽITÍ EXPLORATORNÍ ANALÝZY DAT Mlan Meloun Unverzta Pardubce, Čs. Legí 565, 53 10 Pardubce, mlan.meloun@upce.cz 1. Obecný postup analýzy jednorozměrných dat V prvním kroku se v
Kritérium Orange Weka KEEL KNIME TANAGRA AlphaMiner RA, RS, RP, S, AP, DS, NS, BM, MNS, GA, + TXT, XLS, CSV, C45, ARF, + CSV, XLS, ARF, + BMP, PNG, +
4 Srovnání sad Následující kapitola shrnuje ohodnocení všech kritérií dle jednotlivých pohledů. Hodnocení vychází ze slovního popisu z předchozí kapitoly. První tři pohledy jsou pro přehlednost uspořádány
TRENTO CENOVÁ KATEGORIE TYP VERONA PÉSARA LUCIANA CESARA JANOVA 1 SAVONA RAVENA 2 LAURIA 2 FERRARA NUBIA IMPERIA CREMONA FONTANA NOVARA
TYP VERONA PÉSARA LUCIANA CESARA JANOVA SAVONA FONTANA NOVARA CENOVÁ KATEGORIE RAVENA 2 LAURIA 2 FERRARA NUBIA IMPERIA CREMONA 2 2 3 3 3 3 výška 36,hloubka POPIS NÁKRES ŠÍŘKA OZNAČENÍ. 2. 3. T36.-L T36.-P
Administrativní ocenění rodinný dům
Administrativní ocenění rodinný dům Pro vypracování ocenění byly použity následující podklady: nformace o parcelách č.parc. x, y z katastru nemovitostí, k.ú. Libeň, obec Praha, www.cuzk.cz fotodokumentace,
radiační ochrana Státní úřad pro jadernou bezpečnost
Státní úřad pro jadernou bezpečnost radační ochrana DOPORUČENÍ Měření a hodnocení obsahu přírodních radonukldů ve vodě dodávané k veřejnému zásobování ptnou vodou Rev. 1 SÚJB únor 2012 Předmluva Zákon
QSAR MODELOVÁNÍ KVANTITATIVNÍCH VZTAHŮ MEZI STRUKTUROU A AKTIVITOU CHEMICKÝCH LÁTEK
Chem. Lsty 111, 747753(2017) QSAR MODELOVÁÍ KVATITATIVÍCH VZTAHŮ MEZI STRUKTUROU A AKTIVITOU CHEMICKÝCH LÁTEK CTIBOR ŠKUTA a a DAIEL SVOZIL a,b a CZ-OPESCREE: árodní nfrastruktura pro chemckou bolog, Ústav
Metody analýzy modelů. Radek Pelánek
Metody analýzy modelů Radek Pelánek Fáze modelování 1 Formulace problému 2 Základní návrh modelu 3 Budování modelu 4 Verifikace a validace 5 Simulace a analýza 6 Sumarizace výsledků Simulace a analýza
DIGITALIZACE SOUBORU GEODETICKÝCH INFORMACÍ. KMD - Katastrální mapa digitalizovaná
DIGITALIZACE SOUBORU GEODETICKÝCH INFORMACÍ KMD - Katastrální mapa digitalizovaná Proces digitalizace SGI byl zahájen již v roce 1993 Usnesením vlády ČR č. 312, ve kterém bylo uloženo předsedovi ČÚZK zpracovat
1. Spektrální rozklad samoadjungovaných operátorů 1.1. Motivace Vlastní čísla a vlastní vektory symetrické matice 1 1 A = 1 2.
. Spektrální rozklad samoadjungovaných operátorů.. Motvace Vlastní čísla a vlastní vektory symetrcké matce A = A λe = λ λ = λ 3λ + = λ 3+ λ 3 Vlastní čísla jsou λ = 3+, λ = 3. Pro tato vlastní čísla nalezneme
VIZUÁLNÍ NELINEÁRNÍ REKURENTNÍ ANALÝZA A JEJÍ APLIKACE NA ČESKÝ AKCIOVÝ TRH*
VIZUÁLÍ ELIEÁRÍ REKURETÍ AALÝZA A JEJÍ APLIKACE A ČESKÝ AKCIOVÝ TRH* Jan Kodera, Tran Van Quang, Centrum základního výzkumu pro dynamckou ekonom a ekonometr, Vysoká škola ekonomcká v Praze. Úvod Myšlenka,
Ceník dat a výstupů z datového skladu GIS HMP platný od 1.5.2016
Institut plánování a rozvoje hlavního města Prahy Ceník dat a výstupů z datového skladu GIS HMP platný od 1.5.2016 1. Poskytování dat 2. Tiskové výstupy 3. Služby 4. Reprografie 5. Rozdělení odběratelů
APLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU
APLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU APPLICATION OF MATHEMATICAL PROGRAMMING IN DESIGNING THE STRUCTURE OF THE DISTRIBUTION SYSTEM Martn Ivan 1 Anotace: Prezentovaný
VÝZNAM TEORIE DUALITY V OPERAČNÍ ANALÝZE THEORY OF DUALITY IN OPERATIONAL ANALYSIS. ZÍSKAL Jan. Abstract
VÝZNAM EORIE DUALIY V OPERAČNÍ ANALÝZE HEORY OF DUALIY IN OPERAIONAL ANALYSIS ZÍSKAL Jan Abstract hs paper summarzes knowledge from lterature and results of research n dual theor at the Department of sstems
Studentská tvůrčí a odborná činnost STOČ 2017
Studentská tvůrčí a odborná činnost STOČ 2017 Detekce a analýza pohybu osob založená na analýze obrazu Bc. Robin Antonič Mendelova univerzita v Brně, Zemědělská 1 20. dubna 2017 FAI UTB ve Zlíně Klíčová
REAKCE POPTÁVKY DOMÁCNOSTÍ PO ENERGII NA ZVYŠOVÁNÍ ENERGETICKÉ ÚČINNOSTI: TEORIE A JEJÍ DŮSLEDKY PRO KONSTRUKCI EMPIRICKY OVĚŘITELNÝCH MODELŮ
RAKC POPTÁVKY DOMÁCNOTÍ PO NRGII NA ZVYŠOVÁNÍ NRGTICKÉ ÚČINNOTI: TORI A JJÍ DŮLDKY PRO KONTRUKCI MPIRICKY OVĚŘITLNÝCH MODLŮ tela Rubínová, Unverzta Karlova v Praze, Centrum pro otázky žvotního prostředí,
Dolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
Ing. Marián Vasilečko, TT-IT s.r.o. Trnava GIS MESTA TRNAVA júna Konferencia CGIT 2013 hotel Partizán, Tále
Ing. Marián Vasilečko, TT-IT s.r.o. Trnava GIS MESTA TRNAVA Konferencia CGIT 2013 hotel Partizán, Tále Systém pre zber, uchovávanie, triedenie, vyhľadávanie, zobrazovanie a analýzu geopriestorových informácii
Možnosti využití GIS pro adaptaci na změnu klimatu. Ing. Pavel Struha Odbor informatiky Magistrát města Hradce Králové
Možnosti využití GIS pro adaptaci na změnu klimatu Ing. Pavel Struha Odbor informatiky Magistrát města Hradce Králové Co je GIS a proč GIS? Geografický informační systém nástroj, poskytující informace
3. SB 3. SC. Kružnice nemá s úběžnicí žádný společný bod. Obraz nemá žádný nevlastní bod. Tímto obrazem je křivka zvaná elipsa.
Kružnice ve středové kolineaci v rovině. I AB o. IA ' 3. SB 4. B' SB IA'. II AC o. IIA ' 3. SC 4. C' SC IIA' Kružnice ve středové kolineaci v rovině Kružnice nemá s úběžnicí žádný společný bod. Obraz nemá
Změkčování hranic v klasifikačních stromech
Změkčování hranic v klasifikačních stromech Jakub Dvořák Seminář strojového učení a modelování 24.5.2012 Obsah Klasifikační stromy Změkčování hran Ranking, ROC křivka a AUC Metody změkčování Experiment
Metamodeling. Moderní metody optimalizace 1
Metamodelng Nejmodernějšíoblast optmalzace Určena zejména pro praktckéaplkace s velkým výpočetním nároky Vycházíz myšlenky, že reálnéoptmalzační problémy nejsou sce konvení, ale jsou do značnémíry hladké
ZHODNOCENÍ FINANČNÍ SITUACE PODNIKU POMOCÍ STATISTICKÝCH METOD
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV MANAGEMENTU FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF MANAGEMENT ZHODNOCENÍ FINANČNÍ SITUACE PODNIKU POMOCÍ
Cvičení 13 Vícekriteriální hodnocení variant a vícekriteriální programování
Cvčení 3 Vícekrterální hodnocení varant a vícekrterální programování Vícekrterální rozhodování ) vícekrterální hodnocení varant konkrétní výčet, seznam varant ) vícekrterální programování varanty ve formě
Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012
Hledání kořenů rovnic jedné reálné proměnné metoda sečen Michal Čihák 23. října 2012 Opakování rovnice přímky Úloha: Určete rovnici přímky procházející body A[a, f(a)] a B[b, f(b)], kde f je funkce spojitá
Big Data Science Petr Paščenko
Big Data Science Petr Paščenko 18. 4. 2017 Osnova 1. Co je Data Science 2. Statistika 3. Strojové učení 4. Vizualizace dat 5. Data Science úlohy 6. Metodika Data Science Projektu 7. Role Big Dat v Data
Názory české společnosti na postavení muže a ženy v rodině a na trhu práce
Názory české společnosti na postavení muže a ženy v rodině a na trhu práce Jitka Rychtaříková Katedra demografie a geodemografie Přírodovědecká fakulta University Karlovy v Praze Albertov 6, 128 43 Praha
Lineární a logistická regrese
Lineární a logistická regrese Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Výpočetní prostředky finanční a pojistné matematiky
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
CHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
MODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký