Neuronové sítě. Biologický neuron. Modely neuronu. 1. Logický neuron (McCulloch, Pitts, 1943) w R, x, y {0, 1} Biologický neuron.
|
|
- Radka Pavlíková
- před 4 lety
- Počet zobrazení:
Transkript
1 Biologický euro Neuroové sítě Biologický euro Modely eurou Schéma eurou 1. Logický euro (McCulloch, Pitts, 1943) w R, x, y {0, 1} P. Berka, /23
2 2. DLINE (Widrow, 1960) x, w R, y {0, 1} SUM = w i x i i=1 y = 1 pro w i x i > w 0 i=1 y = 0 pro w i x i < w 0 i=1 Prostor atributů příjem koto příjem koto = 0 (aalogie s lieárí regresí) P. Berka, /23
3 3. Současé modely x, w R, y [0, 1] (ebo [-1,1]) Přeosové (aktivačí) fukce sigmoidálí fukce f(sum) = e - SUM ; v tomto případě výstup eurou y' abývá hodot z itervalu [0, 1], hyperbolický tages f(sum) = tah(sum); v tomto případě výstup eurou y' abývá hodot z itervalu [-1, 1]. Někdy aopak elieárí fukce chybí; resp. f(sum) = SUM. V tomto případě euro realizuje pouze vážeý součet vstupů P. Berka, /23
4 Schopost učeí Modifikace vah w a základě předložeých příkladů [x k, y k ] Učeí jako aproximace hledáme parametry daé fukce f(x) Hebbův záko w k+1 = w k + y k x k gradietí metoda Err(w) = 1 N 2 (y k - f(x k )) 2 k=1 d N dq (y k - f(x k )) 2 = 0 k=1 w k+1 = w k - Err(w) w pro y k = f(x k ) = w k x k = i w ik x ik w k+1 = w k + (y k - y k ) x k F = 1 (y w i 2 w k -y k) 2 = 1 i 2 k=1 k=1 2(y k -y k) (y w k - y k) = i k=1 (y k - y k) (y w k - w kx k) = i (y k - y k)(-x ik) i=1 P. Berka, /23
5 Chybová fukce pro lieárí aktivaci Chybová fukce pro skokovou aktivaci P. Berka, /23
6 Perceptro Roseblatt 1957, model zrakové soustavy (Kotek a kol., 1980) Hierarchický systém tvořeý třemi úrověmi: receptory (výstupy 0, 1) asociativí elemety (pevé váhy +1, -1) reagující elemety (vážeý součet i w i x i ) Učeí a úrovi reagujících elemetů P. Berka, /23
7 Problém oekvivalece: B B 1 T F F T 0 1 Obecěji: problém s úlohami, které ejsou lieárě separabilí Misky M., Pappert S.: Perceptros, a itroductio to computatioal geometry. MIT Press 1969 Tiché roky P. Berka, /23
8 Reesace euroových sítí, 80. léta složitější sítě - Hopfield, Hecht-Nielse, Rumelhart a Kohoe 1. schopost sítí aproximovat libovolou spojitou fukci pro libovolou logickou fukci v DNF formě stačí třívrstvá sít tvořeá z euroů pro kojukci, disjukci a egaci kojukce disjukce egace Např: oekvivalece B ( B) ( B) 2. ové algoritmy učeí P. Berka, /23
9 Vícevrstvý perceptro (MLP) Síť používaá pro klasifikaci resp. predikci 3 vrstvy: vstupí přeáší vstupí data dál skrytá výstupí ukazuje výsledek klasifikace resp. predikce sigmoidálí aktivačí fukce pro euroy ve skryté a výstupí vrstvě P. Berka, /23
10 Backpropagatio - algoritmus učeí s učitelem Miimalizace F(w) = 1 2 k=1 N (y vk - y vk ) 2 v výstupy Backpropagatio algoritmus 1. iicializuj váhy sítě malými áhodými čísly (apř. z itervalu [- 0.05,0.05]) 2. proveď 2.1. pro každý příklad [x,y] spočítej výstup ou pro každý euro u v síti pro každý euro v ve výstupí vrstvě spočítej chybu errorv = ov (1 - ov) (yv - ov) pro každý euro h ve skryté vrstvě spočítej chybu errorh = oh (1 - oh) v výstup (wh,v errorv ) pro každou vazbu vedoucí od eurou j do eurou k modifikuj váhu vazby wj,k = wj,k + wj,k, kde wj,k = errork xj,k dokud eí splěo kritérium pro zastaveí Kritéria zastaveí: počet iterací velikost chyby změa chyby mezi iteracemi P. Berka, /23
11 Implemetace (Weka) P. Berka, /23
12 RBF síť Síť používaá pro klasifikaci resp. predikci 3 vrstvy: vstupí přeáší vstupí data dál skrytá - RBF aktivačí fukce (apř. výstupí lieárí aktivačí fukce 1 exp ( x c) ) 1 exp ( x c 2 2 ) 2 P. Berka, /23
13 Implemetace (EM) P. Berka, /23
14 Rozdíl mezi MLP a RBF (Nauck, Klawo, Kruse, 1997) MLP klasifikuje globálě, RBF vytváří lokálí model MLP vhodější pro lieárě separabilí úlohy, RBF vhodější pro izolovaé eliptické shluky P. Berka, /23
15 Kohoeova mapa (SOM) Síť používaá pro segmetaci a shlukováí, kompetice mezi euroy (vítěz bere všecho). 2 vrstvy: vstupí přeáší vstupí data dál Kohoeova mapa aktivačí fukce x w laterálí ihibice vzdáleost od eurou učeí bez učitele: F(w) = 1 N 2 (x k - w) 2 k=1 w k+1 = w k + (x k - w k ) y k P. Berka, /23
16 Implemetace (Clemetie) Kohoeova mapa Nalezeé shluky P. Berka, /23
17 Způsob aplikace euroové sítě volba vhodé sítě (topologie, počet euroů) výběr tréovacích příkladů učeí sítě Typy úloh: klasifikace predikce asociace kódováí Prostor atributů příjem koto vyjadřovací síla vícevrstvého perceptrou euroové sítě jsou vhodější pro umerické atributy lze popsat složité shluky v prostoru atributů alezeé zalosti je obtížě iterpretovatelé P. Berka, /23
18 Klasifikace: Zařazeí ového objektu do jedé z tříd Úloha: vyhodocováí boity klieta baky Vstupy: údaje o žadateli Výstupy: doporučeí poskytout/eposkytout úvěr Řešeí: Typ sítě: MLP Vstupí vrstva: jede euro pro každý údaj o žadateli Výstupí vrstva: jede euro Skrytá vrstva:?? Učeí: iformace o dřívějších klietech + závěr baky P. Berka, /23
19 Predikce: Na základě historických dat předpověď dalšího vývoje Úloha: predikce vývoje směých kursů Vstupy: předchozí hodoty kursu Výstupy: budoucí hodota kurzu y t 0 t 1 t 2 t 3 t 4 t 5 t 6 t 7... t vstupy výstup y(t 0 ) y(t 1 ) y(t 2 ) y(t 3 ) y(t 4 ) [sig(y(t 4 ) - y(t 3 ))] y(t 1 ) y(t 2 ) y(t 3 ) y(t 4 ) y(t 5 ) [sig(y(t 5 ) - y(t 4 ))] y(t 2 ) y(t 3 ) y(t 4 ) y(t 5 ) y(t 6 ) [sig(y(t 6 ) - y(t 5 ))]... Řešeí: Typ sítě: MLP Vstupí vrstva: jede euro pro každou hodotu Výstupí vrstva: jede euro pro každou hodotu Skrytá vrstva:?? Učeí: historické + aktuálí údaje P. Berka, /23
20 Nový tred Deep Learig Neuroová síť s více skrytými vrstvami. Kovolučí euroová síť: hluboká (vícevrstvá), dopředá (feed-forward) euroová síť používaá pro aalýzu obrázků vrstvy jsou strukturováy ve 3 dimezích: výška, šířka, hloubka euroy z jedé vrstvy jsou spojey je s malou oblastí euroů v ásledující vrstvě výstupem ze sítě je vektor pravděpodobostí (skóre), orgaized alog the depth dimesio Kovolučí síť současě provádí předzpracováí (tvorbu přízaků) a klasifikaci P. Berka, /23
21 vícevrstvá vs. kovolučí síť Covolutio (combiatio of two fuctios): e.g. combies iput with a filter performig a matrix multiplicatio RELU: activatio fuctio f(x) = max(0,x) Poolig: o-liear dowsamplig (data compressio), e.g. max poolig P. Berka, /23
22 Metoda SVM 1. převést (pomocí vhodé datové trasformace) úlohy klasifikace do tříd, které ejsou lieárě separabilí a úlohu klasifikace do tříd lieárě separabilích 2 2 Φ ( x) Φ( x, x ) ( x, 2x x, ) z x2 2. alézt rozdělující adroviu, která má ejvětší odstup od trasformovaých příkladů z tréovací možiy (tzv. maximal margi hyperplae). Stačí pracovat s příklady, které leží ejblíže hledaé hraici mezi třídami P. Berka, /23
23 hledáme lieárí diskrimiačí fukci kde f ( x) w Φ( x) w w y i i (x ) i i (požadavek a adroviu s maximálím odstupem) 0 f ( x) i yi ( xi) ( x) w0 i Trik - pro výpočet lze použít jádrové fukce (kerel fuctios) f ( x) i yik( xi, x) w0 i Např. Polyomiálí jádro K(x i, x) = (x i x) d Gausovské jádro K(x i, x) = exp(- x i x 2 ) Hyperbolický taget K(x i, x) = tah( x i x + c) P. Berka, /23
Aplikace teorie neuronových sítí
Aplikace teorie euroových sítí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické iforatiky Mateaticko-fyzikálí fakulta Uiverzity Karlovy v Praze Zpracováí časových vzorů (teporal processig) Stadardí algoritus
VíceRozhodovací stromy. Úloha klasifikace objektů do tříd. Top down induction of decision trees (TDIDT) - metoda divide and conquer (rozděl a panuj)
Rozhodovací stromy Úloha klasifikace objektů do tříd. Top dow iductio of decisio trees (TDIDT) - metoda divide ad coquer (rozděl a pauj) metoda specializace v prostoru hypotéz stromů (postup shora dolů,
VíceIAJCE Přednáška č. 12
Složitost je úvod do problematiky Úvod praktická realizace algoritmu = omezeí zejméa: o časem o velikostí paměti složitost = vztah daého algoritmu k daým prostředkům: časová složitost každé možiě vstupích
VíceU klasifikace podle minimální vzdálenosti je nutno zvolit:
.3. Klasifikace podle miimálí vzdáleosti Tato podkapitola je věováa popisu podstaty klasifikace podle miimálí vzdáleosti, jež úzce souvisí s klasifikací pomocí etaloů klasifikačích tříd. Představíme si
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobýváí zalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické iformatiky Matematicko-fyzikálí fakulta Uiverzity Karlovy v Praze Dobýváí zalostí Pokročilé techiky pro předzpracováí dat Doc. RNDr. Iveta
VíceMATICOVÉ HRY MATICOVÝCH HER
MATICOVÉ HRY FORMULACE, KONCEPCE ŘEŠENÍ, SMÍŠENÉ ROZŠÍŘENÍ MATICOVÝCH HER, ZÁKLADNÍ VĚTA MATICOVÝCH HER CO JE TO TEORIE HER A ČÍM SE ZABÝVÁ? Teorie her je ekoomická vědí disciplía, která se zabývá studiem
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DA prof. Ig. Jří Holčík, CSc. INVESICE Isttut DO bostatstky ROZVOJE VZDĚLÁVÁNÍ a aalýz IV. LINEÁRNÍ KLASIFIKACE pokračováí Isttut bostatstky a aalýz (SUPPOR VECOR MACHINE SVM) SEPARABILNÍ
VíceSekvenční logické obvody(lso)
Sekvečí logické obvody(lso) 1. Logické sekvečí obvody, tzv. paměťové čley, jsou obvody u kterých výstupí stavy ezávisí je a okamžitých hodotách vstupích sigálů, ale jsou závislé i a předcházejících hodotách
VícePravděpodobnost a aplikovaná statistika
Pravděpodobost a aplikovaá statistika MGR. JANA SEKNIČKOVÁ, PH.D. 4. KAPITOLA STATISTICKÉ CHARAKTERISTIKY 16.10.2017 23.10.2017 Přehled témat 1. Pravděpodobost (defiice, využití, výpočet pravděpodobostí
Více3. Lineární diferenciální rovnice úvod do teorie
3 338 8: Josef Hekrdla lieárí difereciálí rovice úvod do teorie 3 Lieárí difereciálí rovice úvod do teorie Defiice 3 (lieárí difereciálí rovice) Lieárí difereciálí rovice -tého řádu je rovice, která se
VíceLineární a adaptivní zpracování dat. 9. Modely časových řad II.
Lieárí a adaptiví zpracováí dat 9. Modely časových řad II. Daiel Schwarz Ivestice do rozvoje vzděláváí Opakováí K čemu je dobré vytvářet modely procesů geerující časové řady? Dekompozice časový řad: jaké
VíceVYSOCE PŘESNÉ METODY OBRÁBĚNÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojího ižeýrství Ústav strojíreské techologie ISBN 978-80-214-4352-5 VYSOCE PŘESNÉ METODY OBRÁBĚNÍ doc. Ig. Jaroslav PROKOP, CSc. 1 1 Fakulta strojího ižeýrství,
VíceOdhady parametrů polohy a rozptýlení pro často se vyskytující rozdělení dat v laboratoři se vyčíslují podle následujících vztahů:
Odhady parametrů polohy a rozptýleí pro často se vyskytující rozděleí dat v laboratoři se vyčíslují podle ásledujících vztahů: a : Laplaceovo (oboustraé expoeciálí rozděleí se vyskytuje v případech, kdy
Vícezákladním prvkem teorie křivek v počítačové grafice křivky polynomiální n
Petra Suryková Modelováí křivek základím prvkem teorie křivek v počítačové grafice křivky polyomiálí Q( t) a a t... a t polyomiálí křivky můžeme sado vyčíslit sado diferecovatelé lze z ich skládat křivky
Více12. N á h o d n ý v ý b ě r
12. N á h o d ý v ý b ě r Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých
VíceIntervalové odhady parametrů některých rozdělení.
4. Itervalové odhady parametrů rozděleí. Jedou ze základích úloh mtematické statistiky je staoveí hodot parametrů rozděleí, ze kterého máme k dispozici áhodý výběr. Nejčastěji hledáme odhady dvou druhů:
VíceCvičení 2: Rozhodovací stromy, RBF sítě, vlastní algoritmy v RapidMineru
České vysoké učeí techcké v Praze Fakulta formačích techologí Katedra teoretcké formatky Evropský socálí fod Praha & EU: Ivestujeme do vaší budoucost MI-ADM Algortmy data mgu 2010/2011 Cvčeí 2: Rozhodovací
VíceNáhodný výběr 1. Náhodný výběr
Náhodý výběr 1 Náhodý výběr Matematická statistika poskytuje metody pro popis veliči áhodého charakteru pomocí jejich pozorovaých hodot, přesěji řečeo jde o určeí důležitých vlastostí rozděleí pravděpodobosti
VíceOptimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
Více14. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceOKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN
Úloha obchodího cestujícího OKRUŽNÍ A ROZVOZNÍ ÚLOHY: OBCHODNÍ CESTUJÍCÍ. FORMULACE PŘI RESPEKTOVÁNÍ ČASOVÝCH OKEN Nejprve k pojmům používaým v okružích a rozvozích úlohách: HAMILTONŮV CYKLUS je typ cesty,
VíceZáklady statistiky. Zpracování pokusných dat Praktické příklady. Kristina Somerlíková
Základy statistiky Zpracováí pokusých dat Praktické příklady Kristia Somerlíková Data v biologii Zak ebo skupia zaků popisuje přírodí jevy, úlohou výzkumíka je vybrat takovou skupiu zaků, které charakterizují
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
Více1 POPISNÁ STATISTIKA V PROGRAMU MS EXCEL
Elea Mielcová, Radmila Stoklasová a Jaroslav Ramík; Statistické programy POPISNÁ STATISTIKA V PROGRAMU MS EXCEL RYCHLÝ NÁHLED KAPITOLY Žádý výzkum se v deší době evyhe statistickému zpracováí dat. Je jedo,
VíceAnalýza a zpracování signálů. 4. Diskrétní systémy,výpočet impulsní odezvy, konvoluce, korelace
Aalýza a zpracováí sigálů 4. Diskrétí systémy,výpočet impulsí odezvy, kovoluce, korelace Diskrétí systémy Diskrétí sytém - zpracovává časově diskrétí vstupí sigál ] a produkuje časově diskrétí výstupí
VíceZávislost slovních znaků
Závislost slovích zaků Závislost slovích (kvalitativích) zaků Obměy slovího zaku Alterativí zaky Možé zaky Tříděí věcé sloví řady: seřazeí obmě je subjektiví záležitostí (podle abecedy), možé i objektiví
VíceJsou inspirovány poznatky o neuronech a nervových sítích živých organizmů a jejich schopnostmi:
Neuronové sítě V prezentaci jsou použity podklady zřady zdrojů (Marcel Jiřina, Dan Novák, Jean- Christophe Prévotet, Petr Berka, Jana Tučková a další) Neuronové sítě Jsou inspirovány poznatky o neuronech
VíceMetody zkoumání závislosti numerických proměnných
Metody zkoumáí závslost umerckých proměých závslost pevá (fukčí) změě jedoho zaku jedozačě odpovídá změa druhého zaku (podle ějakého fukčího vztahu) (matematka, fyzka... statstcká (volá) změám jedé velčy
VíceStrojové učení. Things learn when they change their behavior in a way that makes them perform better in a future. (Witten, Frank, 1999) typy učení:
Strojové učeí The feld of mache learg s cocered wth the questo of how to costruct computer programs that automatcally mprove wth eperece. (Mtchell, 1997) Thgs lear whe they chage ther behavor a way that
VíceNEPARAMETRICKÉ METODY
NEPARAMETRICKÉ METODY Jsou to metody, dy předmětem testu hypotézy eí tvrzeí o hodotě parametru ějaého orétího rozděleí, ale ulová hypotéza je formulováa obecěji, apř. jao shoda rozděleí ebo ezávislost
VíceJsou inspirovány poznatky o neuronech a nervových sítích živých organizmů a jejich schopnostmi:
Neuronové sítě V prezentaci jsou použity podklady z řady zdrojů (Marcel Jiřina, Dan Novák, Jean- Christophe Prévotet, Petr Berka, Jana Tučková a další) Neuronové sítě Jsou inspirovány poznatky o neuronech
VícePři sledování a studiu vlastností náhodných výsledků poznáme charakter. podmínek různé výsledky. Ty odpovídají hodnotám jednotlivých realizací
3. Náhodý výběr Při sledováí a studiu vlastostí áhodých výsledků pozáme charakter rozděleí z toho, že opakovaý áhodý pokus ám dává za stejých podmíek růzé výsledky. Ty odpovídají hodotám jedotlivých realizací
VíceObr. 1 Biologický neuron
5.4 Neuronové sítě Lidský mozek je složen asi z 10 10 nervových buněk (neuronů) které jsou mezi sebou navzájem propojeny ještě řádově vyšším počtem vazeb [Novák a kol.,1992]. Začněme tedy nejdříve jedním
VíceDeskriptivní statistika 1
Deskriptiví statistika 1 1 Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 1145/2004. Základí charakteristiky souboru Pro lepší představu používáme k popisu vlastostí zkoumaého jevu určité charakteristiky
VíceVaR analýza citlivosti, korekce
VŠB-TU Ostrava, Ekoomická fakulta, katedra fiací.-. září 008 VaR aalýza citlivosti, korekce Fratišek Vávra, Pavel Nový Abstrakt Práce se zabývá rozbory citlivosti ěkterých postupů, zahrutých pod zkratkou
Více1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE
1. ZÁKLADY VEKTOROVÉ ALGEBRY 1.1. VEKTOROVÝ PROSTOR A JEHO BÁZE V této kapitole se dozvíte: jak je axiomaticky defiová vektor a vektorový prostor včetě defiice sčítáí vektorů a ásobeí vektorů skalárem;
Více14. Testování statistických hypotéz Úvod statistické hypotézy Definice 14.1 Statistickou hypotézou parametrickou neparametrickou. nulovou testovanou
4. Testováí statistických hypotéz Úvod Při práci s daty se mohdy spokojujeme s itervalovým či bodovým odhadem parametrů populace. V mohých případech se však uchylujeme k jiému postupu, většiou jde o případy,
VíceSpojitost a limita funkcí jedné reálné proměnné
Spojitost a limita fukcí jedé reálé proměé Pozámka Vyšetřeí spojitosti fukce je možo podle defiice převést a výpočet limity V dalším se proto soustředíme je problém výpočtu limit Pozámka Limitu fukce v
VíceMěřící technika - MT úvod
Měřící techika - MT úvod Historie Už Galileo Galilei zavádí vědecký přístup k měřeí. Jeho výrok Měřit vše, co je měřitelé a co eí měřitelým učiit platí stále. - jedotá soustava jedotek fyz. veliči - símače
VícePro statistické šetření si zvolte si statistický soubor např. všichni žáci třídy (několika tříd, školy apod.).
STATISTIKA Statistické šetřeí Proveďte a vyhodoťte statistické šetřeí:. Zvolte si statistický soubor. 2. Zvolte si určitý zak (zaky), které budete vyhodocovat. 3. Určete absolutí a relativí četosti zaků,
VíceREGRESNÍ DIAGNOSTIKA. Regresní diagnostika
4.11.011 REGRESNÍ DIAGNOSTIKA Chemometrie I, David MILDE Regresí diagostika Obsahuje postupy k posouzeí: kvality dat pro regresí model (přítomost vlivých bodů), kvality modelu pro daá data, splěí předpokladů
Víceb c a P(A B) = c = 4% = 0,04 d
Příklad 6: Z Prahy do Athé je 50 km V Praze byl osaze válec auta ovou svíčkou, jejíž životost má ormálí rozděleí s průměrem 0000 km a směrodatou odchylkou 3000 km Jaká je pravděpodobost, že automobil překoá
Více4. B o d o v é o d h a d y p a r a m e t r ů
4. B o d o v é o d h a d y p a r a m e t r ů Na základě hodot áhodého výběru z rozděleí určitého typu odhadujeme parametry tohoto rozděleí, tak aby co ejlépe odpovídaly hodotám výběru. Formulujme tudíž
VíceČíslicové filtry. Použití : Analogové x číslicové filtry : Analogové. Číslicové: Separace signálů Restaurace signálů
Číslicová filtrace Použití : Separace sigálů Restaurace sigálů Číslicové filtry Aalogové x číslicové filtry : Aalogové Číslicové: + levé + rychlé + velký dyamický rozsah (v amplitudě i frekveci) - evhodé
Více2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT
2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic
Více11. přednáška 16. prosince Úvod do komplexní analýzy.
11. předáška 16. prosice 009 Úvod do komplexí aalýzy. Tři závěrečé předášky předmětu Matematická aalýza III (NMAI056) jsou věováy úvodu do komplexí aalýzy. Což je adeseá formulace eboť časový rozsah ám
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
VíceIterační výpočty projekt č. 2
Dokumetace k projektu pro předměty IZP a IUS Iteračí výpočty projekt č. 5..007 Autor: Václav Uhlíř, xuhlir04@stud.fit.vutbr.cz Fakulta Iformačích Techologii Vysoké Učeí Techické v Brě Obsah. Úvodí defiice.....
VíceANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU
ANALÝZA VLIVU NUMERICKÉ APERTURY A ZVĚTŠENÍ NA HODNOTU ROZPTYLOVÉ FUNKCE BODU A.Mikš, J.Novák, P. Novák katedra fyziky, Fakulta stavebí ČVUT v Praze Abstrakt Práce se zabývá aalýzou vlivu velikosti umerické
VíceIterační metody řešení soustav lineárních rovnic
Iteračí metody řešeí soustav lieárích rovic Matice je: diagoálě domiatí právě tehdy, když pozitivě defiití (symetrická matice) právě tehdy, když pro x platí x, Ax a ij Tyto vlastosti budou důležité pro
VícePRAVDĚPODOBNOST A STATISTIKA
Matematka IV PRAVDĚPODOBNOT A TATITIKA Lbor Žák Matematka IV Lbor Žák Regresí aalýza Regresí aalýza zkoumá závslost mez ezávslým proměým X ( X,, X k a závsle proměou Y. Tato závslost se vjadřuje ve tvaru
Více8. Analýza rozptylu.
8. Aalýza rozptylu. Lieárí model je popis závislosti, který je využívá v řadě disciplí matematické statistiky. Uvedeme jeho popis a tvrzeí, která budeme využívat. Setkáme se s ím jedak v aalýze rozptylu,
VíceSeznámíte se s pojmem Riemannova integrálu funkce jedné proměnné a geometrickým významem tohoto integrálu.
2. URČITÝ INTEGRÁL 2. Určitý itegrál Průvodce studiem V předcházející kapitole jsme se sezámili s pojmem eurčitý itegrál, který daé fukci přiřazoval opět fukci (přesěji možiu fukcí). V této kapitole se
VíceMatematika 1. Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D / 13. Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 2012 / 13 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
Více3. Sekvenční obvody. b) Minimalizujte budící funkce pomocí Karnaughovy mapy
3.1 Zadáí: 3. Sekvečí obvody 1. Navrhěte a realizujte obvod geerující zadaou sekveci. Postupujte ásledově: a) Vytvořte vývojovou tabulku pro zadaou sekveci b) Miimalizujte budící fukce pomocí Karaughovy
VíceLineární a adaptivní zpracování dat. 8. Modely časových řad I.
Lieárí a adaptiví zpracováí dat 8. Modely časových řad I. Daiel Schwarz Ivestice do rozvoje vzděláváí Cíl, motivace Popis a idetifikace systémů BLACK BOX Cíl, motivace Popis a idetifikace systémů BLACK
Více2. Náhodná veličina. je konečná nebo spočetná množina;
. Náhodá veličia Většia áhodých pokusů koaých v přírodích ebo společeských vědách má iterpretaci pomocí reálé hodoty. Při takovýchto dějích přiřazujeme tedy reálá čísla áhodým jevům. Proto je důležité
Vícei 1 n 1 výběrový rozptyl, pro libovolné, ale pevně dané x Roznačme n 1 Téma 6.: Základní pojmy matematické statistiky
Téma 6.: Základí pojmy matematické statistiky Vlastosti důležitých statistik odvozeých z jedorozměrého áhodého výběru: Nechť X,..., X je áhodý výběr z rozložeí se středí hodotou μ, rozptylem σ a distribučí
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
Více1. Základy počtu pravděpodobnosti:
www.cz-milka.et. Základy počtu pravděpodobosti: Přehled pojmů Jev áhodý jev, který v závislosti a áhodě může, ale emusí při uskutečňováí daého komplexu podmíek astat. Náhoda souhr drobých, ezjistitelých
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceNeuronové 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
VíceUžitečné zdroje příkladů jsou: Materiály ke cvičením z Kalkulu 3 od Kristýny Kuncové:
Užitečé zdroje příkladů jsou: Materiály ke cvičeím z Kalkulu 3 od Kristýy Kucové: http://www.karli.mff.cui.cz/~kucova/historie8. php K posloupostem řad a fukcí Ilja Čerý: Iteligetí kalkulus. Olie zde:
Víceveličiny má stejný řád jako je řád poslední číslice nejistoty. Nejistotu píšeme obvykle jenom jednou
1 Zápis číselých hodot a ejistoty měřeí Zápis číselých hodot Naměřeé hodoty zapisujeme jako číselý údaj s určitým koečým počtem číslic. Očekáváme, že všechy zapsaé číslice jsou správé a vyjadřují tak i
VíceLineární a adaptivní zpracování dat. 11. Adaptivní filtrace a predikce II.
Lieárí a adaptiví zpracováí dat 11. Adaptiví filtrace a predikce II. Daiel Schwarz Ivestice do rozvoje vzděláváí Popis a idetifikace systémů BLACK BOX Systém/proces geerující data áhodé povahy Istitute
Více12 VZORKOVACÍ TEORÉM 1
2 VZORKOVACÍ TEORÉM 2 Vzorkovací teorém Půvab vzorkovacího teorému spočívá v tom že umožňu vyjádřit spojité fukce jistého typu hodotami těchto fukcí vzorky v určitých izolovaých bodech. Přitom ejde o ějakou
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Náhodá veličia Tyto materiály byly vytvořey za pomoci gratu FRVŠ číslo 45/004. Náhodá veličia Většia áhodých pokusů má jako výsledky reálá čísla. Budeme tedy dále áhodou veličiou rozumět proměou, která
Více1 Základy Z-transformace. pro aplikace v oblasti
Základy Z-trasformace pro aplikace v oblasti číslicového zpracováí sigálů Petr Pollák 9. říja 29 Základy Z-trasformace Teto stručý text slouží k připomeutí základích vlastostí Z-trasformace s jejími aplikacemi
VíceFUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL
Difereciálí počet fukcí jedé reálé proměé - 6. - PRVNÍ DIFERENCIÁL TAYLORŮV ROZVOJ FUNKCÍ JEDNÉ REÁLNÉ PROMĚNNÉ PRVNÍ DIFERENCIÁL PŘÍKLAD Pomocí věty o prvím difereciálu ukažte že platí přibližá rovost
VíceRegulace frekvence a velikosti napětí Řízení je spojeno s dodávkou a přenosem činného a jalového výkonu v soustavě.
18. Řízeí elektrizačí soustavy ES je spojeí paralelě pracujících elektráre, přeosových a rozvodých sítí se spotřebiči. Provoz je optimálě spolehlivá hospodárá dodávka kvalití elektrické eergie. Stěžejími
Více7. Analytická geometrie
7. Aaltická geoetrie Studijí tet 7. Aaltická geoetrie A. Příka v roviě ϕ s A s ϕ s 2 s 1 B p s ϕ = (s1, s 2 ) sěrový vektor přík p orálový vektor přík p sěrový úhel přík p k = tgϕ = s 2 s 1 sěrice příkp
VíceMatematika 1. Ivana Pultarová Katedra matematiky, Fakulta stavební ČVUT v Praze. středa 10-11:40 posluchárna D Posloupnosti
Úvod Opakováí Poslouposti Příklady Matematika 1 Ivaa Pultarová Katedra matematiky, Fakulta stavebí ČVUT v Praze středa 10-11:40 posluchára D-1122 Úvod Opakováí Poslouposti Příklady Úvod Opakováí Poslouposti
VíceVýukový modul III.2 Inovace a zkvalitnění výuky prostřednictvím ICT
Základy práce s tabulkou Výukový modul III. Iovace a zkvalitěí výuky prostředictvím ICT Téma III..3, pracoví list 3 Techická měřeí v MS Ecel Průměry a četosti, odchylky změřeých hodot. Ig. Jiří Chobot
VíceTržní ceny odrážejí a zahrnují veškeré informace předpokládá se efektivní trh, pro cenu c t tedy platí c t = c t + ε t.
Techická aalýza Techická aalýza z vývoje cey a obchodovaých objemů akcie odvozuje odhad budoucího vývoje cey. Dalšími metodami odhadu vývoje ce akcií jsou apř. fudametálí aalýza (zkoumá podrobě účetictví
VíceOdhady parametrů základního souboru. Ing. Michal Dorda, Ph.D.
Odhady parametrů základího souboru Ig. Mchal Dorda, Ph.D. Úvodí pozámky Základí soubor můžeme popsat jeho parametry, apř. středí hodota μ, rozptyl σ atd. Př praktckých úlohách ovšem zpravdla elze vyšetřt
VíceCvičení 6.: Výpočet střední hodnoty a rozptylu, bodové a intervalové odhady střední hodnoty a rozptylu
Cvičeí 6: Výpočet středí hodoty a rozptylu, bodové a itervalové odhady středí hodoty a rozptylu Příklad 1: Postupě se zkouší spolehlivost čtyř přístrojů Další se zkouší je tehdy, když předchozí je spolehlivý
Vícez možností, jak tuto veličinu charakterizovat, je určit součet
6 Charakteristiky áhodé veličiy. Nejdůležitější diskrétí a spojitá rozděleí. 6.1. Číselé charakteristiky áhodé veličiy 6.1.1. Středí hodota Uvažujme ejprve diskrétí áhodou veličiu X s rozděleím {x }, {p
VíceCvičení 3 - teorie. Teorie pravděpodobnosti vychází ze studia náhodných pokusů.
Cvičeí 3 - teorie Téma: Teorie pravděpodobosti Teorie pravděpodobosti vychází ze studia áhodých pokusů. Náhodý pokus Proces, který při opakováí dává ze stejých podmíek rozdílé výsledky. Výsledek pokusu
VíceNáhodu bychom mohli definovat jako součet velkého počtu drobných nepoznaných vlivů.
Náhodu bychom mohli defiovat jako součet velkého počtu drobých epozaých vlivů. V rámci přírodích věd se setkáváme s pokusy typu za určitých podmíek vždy astae určitý důsledek. Např. jestliže za ormálího
Vícec) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je transcendentí. xp 1 (p 1)! (x 1)p (x 2) p... (x d) p e x t f(t) d t = F (0)e x F (x),
a) Vyslovte a dokažte Liouvillovu větu o šaté aroximovatelosti algebraického čísla řádu d b) Defiujte Liouvillovo číslo c) Pomocí Liouvillovy věty dokažte, že Liouvillovo číslo je trascedetí 2 a) Defiujte
VíceIntervalové odhady parametrů
Itervalové odhady parametrů Petr Pošík Části dokumetu jsou převzaty (i doslově) z Mirko Navara: Pravděpodobost a matematická statistika, https://cw.felk.cvut.cz/lib/ee/fetch.php/courses/a6m33ssl/pms_prit.pdf
VíceVLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ
Vlastosti úloh celočíselého programováí VLASTNOSTI ÚLOH CELOČÍSELNÉHO PROGRAMOVÁNÍ PRINCIP ZESILOVÁNÍ NEROVNOSTÍ A ZÁKLADNÍ METODY. METODA VĚTVENÍ A HRANIC. TYPY ÚLOH 1. Úloha lieárího programováí: max{c
VíceRegrese. Aproximace metodou nejmenších čtverců ( ) 1 ( ) v n. v i. v 1. v 2. y i. y n. y 1 y 2. x 1 x 2 x i. x n
Regrese Aproxmace metodou ejmeších čtverců v v ( ) = f x v v x x x x Je dáo bodů [x, ], =,,, předpoládáme závslost a x a chceme ajít fuc, terá vsthuje teto tred - Sažíme se proložt fuc = f x ta, ab v =
VíceMocninné řady - sbírka příkladů
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY BAKALÁŘSKÁ PRÁCE Mocié řady - sbírka příkladů Vedoucí bakalářské práce: Mgr. Iveta Bebčáková, Ph.D.
VíceOdhady parametrů 1. Odhady parametrů
Odhady parametrů 1 Odhady parametrů Na statistický soubor (x 1,..., x, který dostaeme statistickým šetřeím, se můžeme dívat jako a výběrový soubor získaý realizací áhodého výběru z áhodé veličiy X. Obdobě:
VíceI. TAYLORŮV POLYNOM ( 1
I. TAYLORŮV POLYNOM Připomeňme si defiice elemetárích fukcí: a si( = 2+ = ( (2+! b cos( = 2 = ( (2! c e = =!. Dokažte, že Taylorův polyom k-tého řádu v bodě pro fukce f je rove polyomu P : (tyto výsledky
Vícejako konstanta nula. Obsahem centrálních limitních vět je tvrzení, že distribuční funkce i=1 X i konvergují za určitých
9 Limití věty. V aplikacích teorie pravděpodobosti (matematická statistika, metody Mote Carlo se užívají tvrzeí vět o kovergeci posloupostí áhodých veliči. Podle povahy kovergece se limití věty teorie
VíceSystém pro zpracování, analýzu a vyhodnocení statistických dat ERÚ. Ing. Petr Kusý Energetický regulační úřad odbor statistický a bezpečnosti dodávek
Systém pro zpracováí, aalýzu a vyhodoceí statistických dat ERÚ Ig. Petr Kusý Eergetický regulačí úřad odbor statistický a bezpečosti dodávek TA ČR, 9. duba 2019 Eergetický regulačí úřad - stručě Nezávislý
VícePopisná statistika - zavedení pojmů. 1 Jednorozměrný statistický soubor s kvantitativním znakem
Popisá statistika - zavedeí pojmů Popisá statistika - zavedeí pojmů Soubor idividuálích údajů o objektech azýváme základí soubor ebo také populace. Zkoumaé objekty jsou tzv. statistické jedotky a sledujeme
VícePosloupnosti a číselné řady. n + 1. n + 1 + n n + 1 + n. n n + 1 + n. = lim. n2 sin n! lim. = 0, je lim. lim. lim. 1 + b + b 2 + + b n) = 1 b
Najděte itu Poslouposti a číselé řady ) + Protože + = + x ) + + =, je + + + + ) + = = 0 + + Najděte itu 3 si! + Protože je si! a 3 = 0, je 3 si! = 0 Najděte itu + a + a + + a + b + b, a
VíceCvičení 6.: Bodové a intervalové odhady střední hodnoty, rozptylu a koeficientu korelace, test hypotézy o střední hodnotě při známém rozptylu
Cvičeí 6: Bodové a itervalové odhady středí hodoty, rozptylu a koeficietu korelace, test hypotézy o středí hodotě při zámém rozptylu Příklad : Bylo zkoumáo 9 vzorků půdy s růzým obsahem fosforu (veličia
Více13 Popisná statistika
13 Popisá statistika 13.1 Jedorozměrý statistický soubor Statistický soubor je možia všech prvků, které jsou předmětem statistického zkoumáí. Každý z prvků je statistickou jedotkou. Prvky tvořící statistický
Vícen=0 a n, n=0 a n = ±. n=0 n=0 a n diverguje k ±, a píšeme n=0 n=0 b n = t. Pak je konvergentní i řada n=0 (a n + b n ) = s + t. n=0 k a n a platí n=0
Nekoečé řady, geometrická řada, součet ekoečé řady Defiice Výraz a 0 a a a, kde {a i } i0 je libovolá posloupost reálých čísel, azveme ekoečou řadou Číslo se azývá -tý částečý součet Defiice Nekoečá řada
Víceodhady parametrů. Jednostranné a oboustranné odhady. Intervalový odhad střední hodnoty, rozptylu, relativní četnosti.
10 Cvičeí 10 Statistický soubor. Náhodý výběr a výběrové statistiky aritmetický průměr, geometrický průměr, výběrový rozptyl,...). Bodové odhady parametrů. Itervalové odhady parametrů. Jedostraé a oboustraé
VíceObsah. 1 Mocninné řady Definice a vlastnosti mocninných řad Rozvoj funkce do mocninné řady Aplikace mocninných řad...
Obsah 1 Mocié řady 1 1.1 Defiice a vlastosti mociých řad.................... 1 1. Rozvoj fukce do mocié řady...................... 5 1.3 Aplikace mociých řad........................... 10 1 Kapitola 1
VíceMatematika NÁRODNÍ SROVNÁVACÍ ZKOUŠKY BŘEZNA 2018
NÁRODNÍ SROVNÁVACÍ ZKOUŠKY Mtemtik T BŘEZNA 08 :. břez 08 D : 0 P P P : 0 M. M. M. :,8 % S : 0 : 7,5 : -7,5 M. P : -,0 : 0,6 Zopkujte si zákldí iformce ke zkoušce: Test obshuje 0 úloh jeho řešeí máte 90
VíceAritmetická posloupnost, posloupnost rostoucí a klesající Posloupnosti
8 Aritmetická posloupost, posloupost rostoucí a klesající Poslouposti Posloupost je fukci s defiičím oborem celých kladých čísel - apř.,,,,,... 3 4 5 Jako fukci můžeme také posloupost zobrazit do grafu:
VíceLineární regrese ( ) 2
Leárí regrese Častým úolem je staoveí vzájemé závslost dvou (č více) fzálích velč a její matematcé vjádřeí. K tomuto účelu se používají růzé regresí metod, pomocí chž hledáme vhodou fuc f (), apromující
VíceTéma: 11) Dynamika stavebních konstrukcí
Počítačová podpora statických výpočtů Téma: ) Dyamika stavebích kostrukcí Katedra stavebí mechaiky Fakulta stavebí, VŠB V Techická uiverzita Ostrava Rozděleí mechaiky Statika Zabývá se problematikou působeí
VíceModelování jednostupňové extrakce. Grygar Vojtěch
Modelováí jedostupňové extrakce Grygar Vojtěch Soutěží práce 009 UTB ve Zlíě, Fakulta aplikovaé iformatiky, 009 OBSAH ÚVOD...3 1 MODELOVÁNÍ PRACÍCH PROCESŮ...4 1.1 TERMODYNAMIKA PRACÍHO PROCESU...4 1.
Více