Přednáška 8: Induktivní modelování - algoritmy GMDH MIA, COMBI
|
|
- Žaneta Dvořáková
- před 6 lety
- Počet zobrazení:
Transkript
1 České vysoké učení technické v Praze Fakulta informačních technologií Katedra teoretické informatiky Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-ADM Algoritmy data miningu (2010/2011) Přednáška 8: Induktivní modelování - algoritmy GMDH MIA, COMBI Pavel Kordík, FIT, Czech Technical University in Prague 1
2 Obsah Induktivní modelování Optimalizace topologie modelu konstruktivní algoritmy Jednovrstvý algoritmus COMBI GMDH Vícevrstvý iterativní algoritmus GMDH (MIA) GMDH s aktivními neurony Dvojitě vrstvená GMDH (Twice-Multilayered) GAME heuristická optimalizace topologie Kordik, CTU Prague, FIT, MI-ADM 2
3 GMDH Group method of Data Handling. Hlavním propagátorem ukrajinský akademik A.G. Ivachněnko, 1968 Algoritmy pro tvorbu modelů z dat Dříve se model tvořil deduktivně
4 Indukce x dedukce Indukce neboli úsudek je postup od jednotlivostí k obecným závěrům. Používá se např. v matematice jako metoda důkazu. Dedukce (opak indukce) spočívá v odvozování dílčího, zvláštního ze všeobecného. Induktivní modelování = model roste z dat a nepoužívá žádné další externí informace o povaze problému.
5 GMDH COMBI 1 - data sampling; 2 - layers of partial descriptions complexing; 3 - form of partial descriptions; 4 - choice of best models set for structure identification; 5 - additional optimal model definition by discriminating criterion. GMDH_com.htm 5
6 Původní GMDH = GMDH typu MIA Patří mezi parametrické sítě MIA (Multilayer Iterative Algorithm), založen na postupné indukci, roste z minimální formy, během učení se nastavují její parametry, perspektivní neurony (jednotky) přežívají, tvorba sítě ukončena, když už přidávání dalších vrstev nezlepšuje přesnost sítě.
7 Architektura GMDH typu MIA obecně
8 Neuron GMDH typu MIA 2 2 y = ai + bij + cj + di + ej + f Jednoduchý polynom 2. řádu Rozdíl oproti klasickému umělému neuronu? Je vhodný ke klasifikaci?
9 Další charakteristiky Síť MIA se učí s učitelem. MIA užívá jediný typ neuronů. Průběh učení: síť vzniká vrstvu po vrstvě, při učení se přidávají skryté vrstvy tak dlouho, dokud není splněno kritérium kvality výstupu. Průběh vybavování je jednoduchý, síť má jediný výstup.
10 Proces tvorby GMDH MIA Máme data v obvyklé formě pro každý vektor hodnot vstupních proměnných v 1,,v 5 známe výstup y (učení s učitelem). Konstruujeme síť s přenosovou funkcí f, která bude modelem systému pro každý vstupní vektor poskytne výstup blížící se y zdroj: Mueller, Lemke: kniha Self-organising Data Mining
11 Proces tvorby GMDH MIA zdroj: Mueller, Lemke: kniha Self-organising Data Mining Tvoříme první vrstvu. Každý neuron (jednotka) se snaží co nejlépe určit y ze dvou vstupů, ke kterým je připojen. Neurony které vygenerujeme nazveme počáteční populace. Generuje tolik neuronů, kolik je všech možných kombinací dvojic vstupů (pairwise combinations). Co když je vstupů 500?
12 Proces tvorby GMDH MIA Následuje proces selekce. Podle kritéria (viz dále) vybereme neurony, které ve vrstvě zachováme. Ostatní neurony zrušíme umírají. Analogie s genetickými algoritmy, ale zde je jen jedna generace. Vybrané neurony ve vrstvě zmrazíme dále už se nebudou měnit. zdroj: Mueller, Lemke: kniha Self-organising Data Mining
13 Proces tvorby GMDH MIA Přidáme další vrstvu. Vytvoříme počáteční populaci připojenou k neuronům předchozí vrstvy. Tyto neurony pro nás vlastně předzpracovávají data ze vstupní vrstvy. Přenosová funkce modelů se zesložiťuje Každý neuron může být připojen až ke 4 různým vstupním neuronům. Každý neuron 2. vrstvy můžeme chápat jako výstup modelu obsahujícího neurony sítě, s nimiž je spojen. zdroj: Mueller, Lemke: kniha Self-organising Data Mining
14 Proces tvorby GMDH MIA Opět selekce Každý neuron 2. vrstvy můžeme chápat jako výstup modelu obsahujícího neurony sítě, s nimiž je spojen. Tyto modely stejně složité spolu bojují o přežití. zdroj: Mueller, Lemke: kniha Self-organising Data Mining Pokračujeme v přidávání vrstev, dokud je to výhodné (viz dále).
15 Proces tvorby GMDH MIA Optimální model model y 5 vyhrál v poslední vrstvě. Všechny neurony, k nimž není připojen, jsou smazány. zdroj: Mueller, Lemke: kniha Self-organising Data Mining
16 Ukončení učení F = chyba nejlepšího neuronu vrstvy na validačních datech
17 ? Otázka? Přenosová funkce neuronu 2 2 y = ai + bij + cj + di + ej + f Jakým způsobem vypočteme každému neuronu šestici koeficientů tak, aby co nejlépe modeloval y? Např. pomocí LMS
18 Neuron GMDH typu MIA 2 2 y = ai + bij + cj + di + ej + f Jednoduchý polynom 2. řádu y y Jak složité budou finální modely, použijeme-li například = = a a + + bi bi + cj, + cj + dij.
19 Selekce neuronů aktuální vrstvy Koeficienty vyhovují trénovacím datům, dramaticky ale nemusí vyhovovat jiným. Proto neurony např. seřadíme sestupně, podle dosažené RMS na validačních datech, V každé vrstvě ponecháme jen několik nejlepších.
20 Dají se neurony vybírat i podle jiných kritérií? Ano, existuje jich mnoho, můžeme brát v úvahu chyby na učicí, validační množině, rozptyl výstupu vůči šumu v datech, podobnost s ostatními neurony viz dále..
21 Kritéria výběru neuronů ve vrstvě Kritérium regularity FPE Diskriminační kritérium PSE Validační kritérium zdroj: zdroj: Mueller, Mueller, Lemke: Lemke: kniha kniha Self-organising Data Mining
22 Konference IWIM, Gluškovův institut v Kyjevě
23 Nejčastěji se používá v moderních implementacích GMDH: Kritérium regularity výstup neuronu, jehož koeficienty byly naučeny na množině A Seřadím neurony ve vrstvě podle jejich chyby na validačních datech (B). To, které neurony použiji, rozhodnu podle diskriminačního kritéria. Diskriminační kritérium očekávaný výstup průměrný výstup Chyba modelu ku rozptylu dat -> min výstup modelu
24 Přehled metod GMDH Vyvinuté metody respektují základní filozofii GMDH indukce, samorganizace, růst z minimální formy, regularizační kritéria. Mezi parametrické metody GMDH patří: COMBI (Combinatorial Algorithm) MIA (Multilayered Iterative Algorithm) TMNN (Twice-Multilayered Neural Nets) Jsou však i jiné varianty GMDH, třeba ty neparametrické: OCA (Objective Cluster Analysis), AC (Analog Complexing), Fuzzy (Self-Organizing Fuzzy Rule Induction).
25 Související algoritmy Algorithm for Syntesis of Polynomial Networks (ASPN) Polynomial Neural Networks (PNN) Induktivní tvorba dopředných neuronových sítí Cascade Correlation Networks NeuroEvolution of Augumenting Topologies Probereme v předmětu MI-MVI 25
26 ASPN John Edler 26
27 PNN Tetana Aksenova Kordik, CTU Prague, FIT, MI-PDD 27
28 KnowledgeMiner Frank Lemke Kordik, CTU Prague, FIT, MI-PDD 28
29 Interdependent System of Equations Or: System of Self-organised Models Self-organised Interdependent System How system variables are inter-related? Structure identification What will happen if certain (external)variables are subject to changes? What-if prediction How will the entire system develop over time? Status quo prediction How the system can be described mathematically? Self-organised system of analytical or difference equations
30 Global System Or: System of Interdependent Systems Self-organised Global System Global economy Interdependent system of national economies Global Warming Grid of local temp, wind, rainfall, humidity... Global energy supply and demand Grid of energy sources, storages, and consumers at a time t Global security and well being Complex socioecoeconomical system
31 Global System Or: System of Interdependent Systems Network node: Self-organised Interdependent System Each node represents a system of equations Structure and parameter identification Real-time, high-dimensional modeling Self-detection and handling of changing network conditions (input information)
32 Group Adaptive Models Evolution
33 Naše vylepšení MIA GMDH ModGMDH GAME input variables input variables input variables P P P P P C P G P L C unified units Exhaustive search P P P P P P output variable 2 inputs diversified units Non-heuristic search P P C P output variable 3 inputs interlayer connections GA+DC P C P G P P C L output variable 3 inputs max 33/67
34 GAME model Vstupní proměnné První vrstva 2. vrstva x 1 x 2... x n y i= 1 Linear unit n = a + ixi an + 1 výstupní proměnná x 1 Polynomial unit Neurony ve vrstvě šlechtíme geneticky x 2... x n y = n m r a x i j + i= 1 j= 1 a 0
35 Zakódování neuronů GAME model evolution Input layer Frozen layer(s) Actual layer Niching GA Linear transfer unit Inputs Polynomial trasfer unit Inputs y = a Transfer function 1x1 + a2x2 a0 not encoded Transfer function Chromosomes y = a x1x2 + a2x1 x2 a0
36 Zakódování polynomiálních neuronů Elements y = 8.94 * x 2 3 * x * x 1 * x * x Encoding Coeff. x 1 x 2 x 3 x 4 x 5 Coeff. x 1 x 2 x 3 x 4 x 5 Coeff. x 1 x 2 x 3 x 4 x used_field degree_field
37 Fitness funkce RMS chyba? Fitness vypočteme jako 1/CR rms-val :RMS chyba na validačních datech 1/CR rms-tr&val :RMS chyba na trénovacích a validačních datech 1/CR rms-r-val :RMS chyba na validačních datech s penalizací složitosti RMSE = m i= 1 ( y' y) 2
38 CR externí kritérium Fitness = 1/CR
39 2E+26 CR rms-r-val na reálných datech 5.7E+09 RMS error on the Antro training data set & the Antro testing data set R12 train1 R12 train2 R50 train1 R50 train2 R300 train1 R300 train2 R725 train1 R725 train2 R1600 train1 R1600 train2 R3000 train1 R3000 train R12 test1 R12 test2 R50 test1 R50 test2 R300 test1 R300 test2 R725 test1 R725 test2 R1600 test1 R1600 test2 R3000 test1 R3000 test2 Optimal value of R is 300 on the Antro data set
40 CR rms-r-val na různě zašuměných reálných datech RMS error on the Building training data set & Building testing data set WBE WBCW WBHW R12 test1 R50 test1 R300 test1 R725 test R12 train1 R50 train1 R300 train1 R725 train1 R1600 train1 R3000 train1 R1600 test1 R3000 test1 Optimal value of R is on the Building data set
41 Regularizační kritérium musí zohledňovat šum v datech CR 0.9 High noise 0.6 R12 R50 Stop in the minimum of CR Medium noise 0.3 R300 0 R750 R3000 Low noise y = a 1 x 1 +a 2 Model complexity y = a 1 x 3 1 x a 6 x 2 +a 7
42 Jak nastavit míru regularizace (1/R)? Co třeba variance výstupu jako první nástřel?
43 3.86E E+07 Syntetická data Regularization on testing data RMS-tr&val R300-tr&val RMS-p-n-tr&val 1.70E E E-03 0% noise 5% noise 10% noise 20% noise 50% noise 100% noise 200% noise E E E E E E E E E E E E E E-01 RMS on the testing data Training & Validation set Validation set 0% noise 5% noise 10% noise 20% noise 50% noise 100% noise 200% noise Pro velký šum počítat CR jen z validační množiny! Regularizace funguje, ale adaptivní a konstantní má tady podobné výsledky.
44 Teoretické předpoklady versus naměřené výsledky RMS-R2 RMS-R5 RMS-R12 RMS-R50 RMS-R300 RMS-R725 RMS-R1600 RMS-R % noise 100% noise 50% noise 20% noise 10% noise 5% noise 0% noise /67 200% noise 100% noise 50% noise 20% noise 10% noise 5% noise 0% noise RMS-R5 RMS-R12 RMS-R50 RMS-R300 RMS-R725 RMS-R1600 RMS-R3000 RMS-R
45 Tedy na těchto datech vítězí R300 0% noise % noise % noise RMS-valid R300-val RMS-p-n-valid 100% noise 10% noise 50% noise 20% noise R300-tr&val RMS-tr&val RMS-p-n-tr&valid
46 Jak lépe adaptivně nastavit míru regularizace Optimizing-number-of-hidden-neurons-inneural-networks Použít poměr užitečného signálu a šumu? SNRF Můžete vyzkoušet
47 Příklad GAME: Housing data Input variables CRIM ZN INDUS NOX RM AGE DIS RAD TAX PTRATIO B LSTA Per capita crime rate by town Weighted distances to five Boston employment centers Proportion of owner-occupied units built prior to 1940 MEDV Output variable Median value of owner-occupied homes in $1000's
48 Housing data Input variables Output variable CRIM ZN INDUS NOX RM AGE DIS RAD TAX PTRATIO B LSTA MEDV A B C A = Training set to adjust weights and coefficients of neurons B = Validation set to select neurons with the best generalization C = Test set not used during training
49 Housing data inductive model Input variables CRIM ZN INDUS NOX RM AGE DIS RAD TAX PTRATIO B LSTA sigmoid Niching genetic algorithm evolves units in first layer Error: 0.13 sigmoid Error: 0.21 MEDV=1/(1-exp(-5.724*CRIM )) MEDV=1/(1-exp(-5.861*AGE )) MEDV Output variable 49/67
50 Housing data inductive model Input variables CRIM ZN INDUS NOX RM AGE DIS RAD TAX PTRATIO B LSTA sigmoid sigmoid sigmoid linear Error: 0.13 Error: 0.21 polyno mial Niching genetic algorithm Error: 0.10 evolves units in second layer MEDV Output variable 50/67 Error: 0.24 Error: 0.26 MEDV=0.747*(1/(1-exp(-5.724*CRIM ))) *(1/(1-exp(-5.861*AGE )))
51 Housing data inductive model Input variables CRIM ZN INDUS NOX RM AGE DIS RAD TAX PTRATIO B LSTA sigmoid sigmoid sigmoid linear polyno mial polyno mial expo nential linear Constructed model has very low validation error! Error: 0.08 MEDV Output variable
52 Proč sledujeme diverzitu neuronů? genotypická fenotypická Kordik, CTU Prague, FIT, MI-PDD 52
53 Protože f (A) = 8 f (B) = 7.99 f (X) = 8 f (Y) = 5 A B X Y C f (C) = 8 f (Z) = 9 Z f (C) < f (Z) 53
54 Speciální GA deterministické zalidňování Encoding the GAME unit to genotype (first layer): P P trans.fn. Niching GA (Deterministic Crowding) Inputs Type Other Select the best individual from each niche P P S Result: MAXIMUM information extracted Individuals connected to less significant features survived. We gained more info.
55 Ukázka 55
56 Jiná optimalizační metoda než jen LMS? 1 4 Niching GA Linear transfer unit Op timiza tion method not implemened CACO Inp uts Tra nsfer func tion = a1x1 + a2x2 a0 added into c hromosomes y Polynomial trasfer unit Inp uts Tra nsfer func tion y = a x1x2 + a2x1 x2 a0 Opt. m. DE
Vytěžování 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
Transportation Problem
Transportation Problem ١ C H A P T E R 7 Transportation Problem The transportation problem seeks to minimize the total shipping costs of transporting goods from m origins (each with a supply s i ) to n
Evoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
NG 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
Algoritmy 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)
Vytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2011, Cvičení 9 1/16 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
Evolučníalgoritmy. Dále rozšiřována, zde uvedeme notaci a algoritmy vznikléna katedře mechaniky, Fakulty stavební ČVUT. Moderní metody optimalizace 1
Evolučníalgoritmy Kategorie vytvořená v 90. letech, aby se sjednotily jednotlivémetody, kterévyužívaly evoluční principy, tzn. Genetickéalgoritmy, Evolučnístrategie a Evoluční programování (v těchto přednáškách
Feature Ranking a Feature Selection založené na induktivních modelech
Feature Ranking a Feature Selection založené na induktivních modelech 01001110 01100101 01110101 01110010 01101111 01101110 01101111 01110110 01100001 00100000 01110011 01101011 01110101 01110000 01101001
Neuronové sítě pro predikci časových řad. Josef Bouška
České vysoké učení technické v Praze Fakulta elektrotechnická Diplomová práce Neuronové sítě pro predikci časových řad Josef Bouška Vedoucí práce: Kordík Pavel Ing., Ph.D. Studijní program: Elektrotechnika
ANALÝZA 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
Neuronové 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
Compression of a Dictionary
Compression of a Dictionary Jan Lánský, Michal Žemlička zizelevak@matfyz.cz michal.zemlicka@mff.cuni.cz Dept. of Software Engineering Faculty of Mathematics and Physics Charles University Synopsis Introduction
Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
5. 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
Neuropočítače. 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
Předzpracování dat. Pavel Kordík. Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague
Pavel Kordík(ČVUT FIT) Předzpracování dat MI-PDD, 2012, Cvičení 4 1/29 Předzpracování dat Pavel Kordík Department of Computer Systems Faculty of Information Technology Czech Technical University in Prague
Navrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie
Evoluční strategie Navrženy v 60. letech jako experimentální optimalizační metoda Založena na reálných číslech Velice rychlá s dobrou podporou teorie Jako první zavedla self-adaptation (úpravu sebe sama)
Vytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 6 1/25 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
Úvod 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
Vizualizace jako nástroj studia chování modelů přírodních systémů
České vysoké učení technické v Praze Fakulta elektrotechnická Diplomová práce Vizualizace jako nástroj studia chování modelů přírodních systémů Jan Saidl Vedoucí práce: Ing. Pavel Kordík Studijní program:
Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost.
Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost. Projekt MŠMT ČR Číslo projektu Název projektu školy Klíčová aktivita III/2 EU PENÍZE ŠKOLÁM CZ.1.07/1.4.00/21.2146
PREDIKČNÍ MODELY S NEURONOVÝMI SÍTĚMI
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LVI 11 Číslo 3, 2008 PREDIKČNÍ MODELY S NEURONOVÝMI SÍTĚMI V. Konečný
Vytěžování znalostí z dat
Pavel Kordík (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 11 1/31 Vytěžování znalostí z dat Pavel Kordík Department of Computer Systems Faculty of Information Technology Czech Technical
Emergence 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
Využití hybridní metody vícekriteriálního rozhodování za nejistoty. Michal Koláček, Markéta Matulová
Využití hybridní metody vícekriteriálního rozhodování za nejistoty Michal Koláček, Markéta Matulová Outline Multiple criteria decision making Classification of MCDM methods TOPSIS method Fuzzy extension
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
Digital Electronics. Jaroslav Bernkopf. 17 October 2008
Digital Electronics Jaroslav Bernkopf 7 October 2008 . Introduction Úvod. Representation of Values Zobrazení veliin.2 Analogue Representation Analogové zobrazení This is an analogue meter. Toto je analogový
Neuronové 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
Algoritmy 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)
Algoritmy 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
WORKSHEET 1: LINEAR EQUATION 1
WORKSHEET 1: LINEAR EQUATION 1 1. Write down the arithmetical problem according the dictation: 2. Translate the English words, you can use a dictionary: equations to solve solve inverse operation variable
Enabling Intelligent Buildings via Smart Sensor Network & Smart Lighting
Enabling Intelligent Buildings via Smart Sensor Network & Smart Lighting Petr Macháček PETALIT s.r.o. 1 What is Redwood. Sensor Network Motion Detection Space Utilization Real Estate Management 2 Building
1. 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
Algoritmy pro optimalizaci sítí GAME. Miroslav Janošík
České vysoké učení technické v Praze Fakulta elektrotechnická ČVUT FEL katedra počítačů Bakalářská práce Algoritmy pro optimalizaci sítí GAME Miroslav Janošík Vedoucí práce: Ing. Pavel Kordík Studijní
Moderní 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:
WI180C-PB. On-line datový list
On-line datový list A B C D E F H I J K L M N O P Q R S T Technická data v detailu Technické údaje Řada příslušenství Upozornění Krytí Rozměry (Š x V x D) Popis Klasifikace Objednací informace Další provedení
Využití 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
Gymnázium, Brno, Slovanské nám. 7, SCHEME OF WORK Mathematics SCHEME OF WORK. cz
SCHEME OF WORK Subject: Mathematics Year: first grade, 1.X School year:../ List of topisc # Topics Time period Introduction, repetition September 1. Number sets October 2. Rigtht-angled triangle October,
Nová éra diskových polí IBM Enterprise diskové pole s nízkým TCO! Simon Podepřel, Storage Sales 2. 2. 2011
Nová éra diskových polí IBM Enterprise diskové pole s nízkým TCO! Simon Podepřel, Storage Sales 2. 2. 2011 Klíčovéatributy Enterprise Information Infrastructure Spolehlivost Obchodní data jsou stále kritičtější,
5. 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
Katedra 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
Některé potíže s klasifikačními modely v praxi. Nikola Kaspříková KMAT FIS VŠE v Praze
Některé potíže s klasifikačními modely v praxi Nikola Kaspříková KMAT FIS VŠE v Praze Literatura J. M. Chambers: Greater or Lesser Statistics: A Choice for Future Research. Statistics and Computation 3,
Vytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 7 1/27 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
3. 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
PŘEDNÁŠKA 03 OPTIMALIZAČNÍ METODY Optimization methods
CW057 Logistika (R) PŘEDNÁŠKA 03 Optimization methods Ing. Václav Venkrbec skupina obecných modelů slouží k nalezení nejlepšího řešení problémů a modelovaných reálií přináší řešení: prvky konečné / nekonečné
Bioinformatika a výpočetní biologie. KFC/BIN VII. Fylogenetická analýza
ioinformatika a výpočetní biologie KF/IN VII. Fylogenetická analýza RNr. Karel erka, Ph.. Univerzita Palackého v Olomouci Fylogeneze Vznik a vývoj jednotlivých linií organismů Vývoj člověka phylogenetic
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LIII 12 Číslo 3, 2005 Vybrané aspekty modelování devizového kurzu
Vytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 1 1/32 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
Foster Bohemia s.r.o. Laboratoř měření imisí Immission Measurement Laboratory. Mezi Rolemi 54/10, 158 00 Praha 5, Jinonice, Česká republika
Foster Bohemia s.r.o. Laboratoř měření imisí Immission Measurement Laboratory Mezi Rolemi 54/1, 15 Praha 5, Jinonice, Česká republika 1 Identifikace metodou: Identification by the method: Objekt: Building:
2. Začlenění HCI do životního cyklu software
Jan Schmidt 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Zimní semestr 2011/12 EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-SOC: 8 SÍTĚ NAČIPU (NOC) doc. Ing. Hana Kubátová, CSc. Katedra číslicového návrhu Fakulta informačních technologii ČVUT v Praze Hana
PREDIKCE 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
5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE
5. PŘEDNÁŠKA EKONOMETRICKÝ MODEL REGRESNÍ ANALÝZA DUMMIES VÍCENÁSOBNÁ REGRESE 1 STRUKTURA PŘEDNÁŠKY - DNES - Formulace a strukturace problému za pomoci teorie; data; ekonometrický model; identifikační
B1 MORE THAN THE CITY
B1 MORE THAN THE CITY INTRODUCTION ÚVOD B1 Budova B1 je součástí moderního kancelářského projektu CITY WEST a nově budované městské čtvrti Západní město, Praha 5 - Stodůlky. Tato lokalita kromě vynikající
Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
Přednáška 2: Model, hodnocení modelu, metoda K nejbližších sousedů
České vysoké učení technické v Praze Fakulta informačních technologií Katedra teoretické informatiky Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-ADM Algoritmy data miningu (2010/2011)
Architektura - 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
Introduction to MS Dynamics NAV
Introduction to MS Dynamics NAV (Item Charges) Ing.J.Skorkovský,CSc. MASARYK UNIVERSITY BRNO, Czech Republic Faculty of economics and business administration Department of corporate economy Item Charges
The Over-Head Cam (OHC) Valve Train Computer Model
The Over-Head Cam (OHC) Valve Train Computer Model Radek Tichanek, David Fremut Robert Cihak Josef Bozek Research Center of Engine and Content Introduction Work Objectives Model Description Cam Design
UČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
Obsah přednášky Jaká asi bude chyba modelu na nových datech?
Obsah přednášky Jaká asi bude chyba modelu na nových datech? Chyba modelu Bootstrap Cross Validation Vapnik-Chervonenkisova dimenze 2 Chyba skutečná a trénovací Máme 30 záznamů, rozhodli jsme se na jejich
Litosil - application
Litosil - application The series of Litosil is primarily determined for cut polished floors. The cut polished floors are supplied by some specialized firms which are fitted with the appropriate technical
Karta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
Přednáška 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 /
UPM3 Hybrid Návod na ovládání Čerpadlo UPM3 Hybrid 2-5 Instruction Manual UPM3 Hybrid Circulation Pump 6-9
www.regulus.cz UPM3 Hybrid Návod na ovládání Čerpadlo UPM3 Hybrid 2-5 Instruction Manual UPM3 Hybrid Circulation Pump 6-9 CZ EN UPM3 Hybrid 1. Úvod V továrním nastavení čerpadla UPM3 Hybrid je profil PWM
Uvádění pixelového detektoru experimentu ATLAS do provozu
Seminář ATLAS FZU AV ČR 28/3/2008 Uvádění pixelového detektoru experimentu ATLAS do provozu Pavel Jež FZU AVČR, v.v.i. FJFI ČVUT Pixelový detektor status Hlavní rozcestník: https://twiki.cern.ch/twiki/bin/
ití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
Umělé 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
Úvod do datového a procesního modelování pomocí CASE Erwin a BPwin
Úvod do datového a procesního modelování pomocí CASE Erwin a BPwin (nově AllFusion Data Modeller a Process Modeller ) Doc. Ing. B. Miniberger,CSc. BIVŠ Praha 2009 Tvorba datového modelu Identifikace entit
Uni- and multi-dimensional parametric tests for comparison of sample results
Uni- and multi-dimensional parametric tests for comparison of sample results Jedno- a více-rozměrné parametrické testy k porovnání výsledků Prof. RNDr. Milan Meloun, DrSc. Katedra analytické chemie, Universita
Rozpoznávání 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
Rekurentní rovnice, strukturální indukce
Rekurentní rovnice, strukturální indukce Jiří Velebil: A7B01MCS 26. září 2011: 1/20 Příklad (Parketáž triminy z minulé přednášky) P(n) = počet parket k vyparketování místnosti rozměru n 1 P(1) = 1. 2 P(n
PC/104, PC/104-Plus. 196 ept GmbH I Tel. +49 (0) / I Fax +49 (0) / I I
E L E C T R O N I C C O N N E C T O R S 196 ept GmbH I Tel. +49 (0) 88 61 / 25 01 0 I Fax +49 (0) 88 61 / 55 07 I E-Mail sales@ept.de I www.ept.de Contents Introduction 198 Overview 199 The Standard 200
dat 2017 Dostupný z Licence Creative Commons Uveďte autora-zachovejte licenci 4.0 Mezinárodní
Interní pravidla pro zacházení s osobními údaji při archivaci a sdílení výzkumných dat Koščík, Michal 2017 Dostupný z http://www.nusl.cz/ntk/nusl-367303 Dílo je chráněno podle autorského zákona č. 121/2000
Klepnutím lze upravit styl předlohy. nadpisů. nadpisů.
1/ 13 Klepnutím lze upravit styl předlohy Klepnutím lze upravit styl předlohy www.splab.cz Soft biometric traits in de identification process Hair Jiri Prinosil Jiri Mekyska Zdenek Smekal 2/ 13 Klepnutím
Ing. 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
Algoritmy 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
Počítačové šachy. Otakar Trunda
Počítačové šachy Otakar Trunda Hraní her obecně Hra je definovaná pomocí: Počáteční situace Funkce vracející množinu přípustných tahů v každé situaci Ohodnocení koncových stavů Našim cílem je najít strategii
Markovovy modely v Bioinformatice
Markovovy modely v Bioinformatice Outline Markovovy modely obecně Profilové HMM Další použití HMM v Bioinformatice Analýza biologických sekvencí Biologické sekvence: DNA,RNA,protein prim.str. Sekvenování
Úloha - 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
FJFJ Cvičení 1. Lukáš Frýd
FJFJ Cvičení 1 Lukáš Frýd WAGE1.RAW https://sites.google.com/site/ekonometrievse/4ek214/tyden-03 DATA log wage = β 0 + β 1 educ + β 2 exper + β 3 tenure + ε Jak vypadá výběrová regresní funkce? Interpretace
Bibliometric probes into the world of scientific publishing: Economics first
Bibliometric probes into the world of scientific publishing: Economics first Daniel Münich VŠE, Nov 7, 2017 Publication space Field coverage of WoS Source: Henk F. Moed, Citation Analysis in Research Evaluation,
Právní formy podnikání v ČR
Bankovní institut vysoká škola Praha Právní formy podnikání v ČR Bakalářská práce Prokeš Václav Leden, 2009 Bankovní institut vysoká škola Praha Katedra Bankovnictví Právní formy podnikání v ČR Bakalářská
Database systems. Normal forms
Database systems Normal forms An example of a bad model SSN Surnam OfficeNo City Street No ZIP Region President_of_ Region 1001 Novák 238 Liteň Hlavní 10 26727 Středočeský Rath 1001 Novák 238 Bystřice
Miroslav Čepek. Fakulta Elektrotechnická, ČVUT. Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Vytěžování Dat Přednáška 12 Kombinování modelů Miroslav Čepek Pavel Kordík a Jan Černý (FIT) Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL)
Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi.
SEMINÁRNÍ PRÁCE Zadání: Data: Statistické metody: Zpracování studie týkající se průzkumu vlastností statistických proměnných a vztahů mezi nimi. Minimálně 6 proměnných o 30 pozorováních (z toho 2 proměnné
1. Úvod do genetických algoritmů (GA)
Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor
( =>)8":(6&0?2&@"6*9:+& (?)(:5(%5&+)$(9&(>>68(:@$&
Děličky těsta BONGARD PANEOTRAD PF9 C3/@= 73X 1// F2: S=F201 V:U0 F/: 293 20 :F =2: 93/0Q F91F?@289:X :2; 9 @CC89 :F3/@1F/@: @==97V2Y901D 0A@B:;$%&*:8) C"#&"'&;*))$%+& D")&8%&'"#& je proces výroby pečiva,
Aktivita CLIL Chemie III.
Aktivita CLIL Chemie III. Škola: Gymnázium Bystřice nad Pernštejnem Jméno vyučujícího: Mgr. Marie Dřínovská Název aktivity: Balancing equations vyčíslování chemických rovnic Předmět: Chemie Ročník, třída:
Genetické programování
Genetické programování Vyvinuto v USA v 90. letech J. Kozou Typické problémy: Predikce, klasifikace, aproximace, tvorba programů Vlastnosti Soupeří s neuronovými sítěmi apod. Potřebuje značně velké populace
Vytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2011, Cvičení 10 1/21 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
Agilní metodiky vývoje softwaru
vývoje softwaru : důraz na průběžnou komunikaci mezi vývojovým týmem a zákazníkem důraz na tvorbu kvalitního kódu a funkcí, které mají přímou obchodní hodnotu pro zákazníka týmovou spolupráci a samoorganizaci
VYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU
VYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU Luděk ZÁVODNÝ, Stanislav HANUS Ústav radioelektroniky, Fakulta elektrotechniky a komunikačních technologií Vysoké učení technické v Brně
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE OPTIMALIZACE STRUKTURY NEURONOVÝCH SÍTÍ APLIKOVANÝCH V REÁLNÝCH TECHNICKÝCH PROSTŘEDÍCH
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Series B The Jan Perner Transport Faculty 8 (2002) OPTIMALIZACE STRUKTURY NEURONOVÝCH SÍTÍ APLIKOVANÝCH V REÁLNÝCH TECHNICKÝCH PROSTŘEDÍCH Michal MUSIL
Dodatečné informace č. 4 Additional information No. 4
Dodatečné informace č. 4 Additional information No. 4 Název veřejné zakázky: VACUUM INTERACTION CHAMBERS FOR EXPERIMENTAL PROGRAMMES AND EXPERIMENTAL LOCAL VACUUM CONTROL SYSTEMS Zadavatel: Fyzikální ústav
ACOUSTIC EMISSION SIGNAL USED FOR EVALUATION OF FAILURES FROM SCRATCH INDENTATION
AKUSTICKÁ EMISE VYUŽÍVANÁ PŘI HODNOCENÍ PORUŠENÍ Z VRYPOVÉ INDENTACE ACOUSTIC EMISSION SIGNAL USED FOR EVALUATION OF FAILURES FROM SCRATCH INDENTATION Petr Jiřík, Ivo Štěpánek Západočeská univerzita v
INTRODUCTION TO MACHINE LEARNING (NPFL054) A template for Homework #2
INTRODUCTION TO MACHINE LEARNING (NPFL054) A template for Homework #2 Name: Petr Bělohlávek School year: 2015/2016 Provide answers for the exercises 1. (a) - (c), 2.(c), 2.(d.1-2), 2.(e.1-2) For each exercise,
SenseLab. z / from CeMaS. Otevřené sledování senzorů, ovládání zařízení, nahrávání a přehrávání ve Vaší laboratoři
CeMaS, Marek Ištvánek, 22.2.2015 SenseLab z / from CeMaS Otevřené sledování senzorů, ovládání zařízení, nahrávání a přehrávání ve Vaší laboratoři Open Sensor Monitoring, Device Control, Recording and Playback
Softwarový proces Martin Hlavatý 4. říjen 2018
Softwarový proces Martin Hlavatý 4. říjen 2018 Úvod Základní pojmy Softwarový proces / Model životního cyklu vývoje software (SDLC, Software Development Lifecycle) Množina aktivit nutných k tomu, aby software
Vytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 3 1/29 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information