GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS. Roman Biskup, Anna Čermáková
|
|
- Renata Říhová
- před 8 lety
- Počet zobrazení:
Transkript
1 GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS Roman Bisup, Anna Čermáová Anotace: Příspěve se zabývá prezentací principů učení jednoho onrétního typu neuronových sítí. Cílem práce je představení méně známé metody trénování umělých neuronových sítí, terá je založena na geneticých algoritmech. Klíčová slova: neuronové sítě, formální neuron, vícevrstvý perceptron, geneticé učení Abstract: This article presents principles of learning one particular neural networ type. Initially text describes model of simple artificial neuron and his connection to a net. The aim of this text is a presentation less well-nown learning method of the neural networs, which is based on Genetic Algorithms. Keywords: neural networs, formal neuron, multilayer perceptron, genetic learning ÚVOD Stále častěji je možno se setat s různými podpůrnými systémy řízení podniů, teré umožňují efetivně využívat dostupné zdroje. V současné době se díy změnám souvisejících nejen se vstupem Česé republiy do EU mění podmíny, za nichž se jednotlivé firmy uplatňují na trhu. Za poměrně nestabilního prostředí stoupá na ceně práce expertů schopných podchytit důležité indiátory, na jejichž záladě mohou valifiovaně navrhnout řešení. Při tvorbě expertního systému, jež by substituoval práci experta, je často problémem čas a neschopnost toho daného experta popsat svoje rozhodování pomocí logicých úvah snadno převeditelných do If-than-else jazya vhodného pro implementaci. Řešení nabízí expertní systém založený na neuronových sítích. Pro tvorbu taovéhoto expertního systému není nutná precizně popsaná rozhodovací strutura experta, stačí jen shromáždit data, podle nichž se expert (supina expertů) rozhoduje a nim příslušná rozhodnutí, jež byly učiněna. Řene-li se slovní spojení umělá neuronová síť většině lidí, teří o neuronových sítích něco málo slyšeli, se oamžitě vybaví jeden onrétní typ sítě a tou je vícevrstvá dopředná síť. Tito lidé znalí problematiy si vzpomenou na nejběžnější způsob, jaým se do prostoru sítě dá umístit informace. Neběžnějším a poměrně osvědčeným způsobem je učení vícevrstvé dopředné sítě s využitím algoritmu se zpětným šířením chyby, známým jao Bacpropagation. Tento algoritmus vša není jediným způsobem ja vhodně nastavit parametry sítě a v tomto příspěvu je pojednáno o alternativním způsobu ja neuronovou sít natrénovat. Tedy nastavit váhy, prahy a parametry přenosových funcí vícevrstvé dopředné sítě bude probíhat pomocí geneticých algoritmů. Aby bylo možno uvedený algoritmus prezentovat je přece jen nutné nejprve alespoň zevrubně popsat topologii sítě.
2 TOPOLOGIE VÍCEVRSTÉ DOPŘEDNÉ SÍTĚ Formální neuron Formální neuron, jaožto zjednodušený model biologicého neuronu, je složen z výonného těla, obecně n různých vstupů a pouze jednoho výstupu. Na vstupy neuronu přicházejí informace obecně charaterizovány reálnými čísly x, K, xn, z nichž neuron spočte váženou sumu, od níž ještě odečte prahovou hodnotu běžně nazývanou bias Θ : n ξ = w i x i Θ. ( ) i= Následně transformuje hodnotu ξ přenosovou funcí σ na výstupní hodnotu neuronu y = σ ( ξ ). Doplňme, že hodnotě ξ se říá vnitřní potenciál neuronu a váhám w, K, wn synapticé. Přenosová funce je do modelu zahrnuta z důvodů orece výstupu daného váhy neuronu a právě v součinnosti s biasem modeluje lasicou ativační hodnotu biologicého neuronu. Přenosová funce bývá volena s ohledem na učící algoritmus. Výběr je vša obvyle prováděn z množiny sigmoidních funcí zobrazujících reálnou osu na omezený interval. Při zobrazení modelu formálního neuronu si představujeme váženou sumu vstupů ta, že jednotlivé vstupy ohodnocujeme jim příslušnými synapticými váhami, jež určují míru propustnosti jednotlivých vstupů. Záporná hodna synapticých vah pa zřejmě představuje inhibiční charater daného vstupu. Vše názorně zobrazuje následující obráze (Obr.). Θ x x 2 M x n w w 2 w n ξ σ y x, w,. K,w n synapticé váhy ξ vnitřní potenciál y výstup σ přenosová funce, K x n vstupy OBR.: FORMÁLNÍ NEURON Právě popsaný neuron je třeba zapojit do sítě, neboť vlastnosti formálního neuronu nejsou z hledisa přínosu řešení reálných úloh příliš oslnivé. Napřílad formální neuron, ja publioval M. L. Miny a S. A. Papert v roce 969 [2], nedoáže řešit již jednoduchou logicou funci XOR 2. VÍCEVRSTVÁ DOPŘEDNÁ SÍŤ Různé typy sítí vzniají na záladě zvoleného propojení neuronů. Dopředná vícevrstvá síť vzniá spojením neuronů, jež jsou rozděleny do něolia funčních vrstev - vrstva vstupní, vrstvy sryté, či mezilehlé a vrstva výstupní. Každá vrstva je od předcházející a následující vrstvy, včetně vrstvy vstupní a výstupní, vymezena následujícím pravidly. Neurony jedné vrstvy se navzájem neovlivňují, čímž rozumíme neexistenci spoje mezi neurony. Všechny výstupy neuronů jedné vrstvy jsou vstupy pouze pro aždý neuron vrstvy následující. Obdobně vstupy neuronu dané vrstvy jsou výstupy právě všech neuronů vrstvy předcházející. Označíme-li počet vrstev p+, pa vstupní (nultou) vrstvu tvoří tzv. vstupní neurony. Na aždý z nich je přiveden pouze jeden vstup odpovídající vstupu z oolí sítě. Je-li tedy problém charaterizován n 0 vstupními hodnotami x = ( x, xn 0 ), má vstupní vrstva právě n 0 neuronů. Vstupní neurony mají jen formální funci a slouží distribuci vstupních hodnot další vrstvě sítě. Každý vstupní neuron přivádí data na vstup všech neuronů v první vrstvě. První OBR.2: ARCHITEKTURA DOPŘEDNÉ VÍCEVRSTVÉ NEURONOVÉ SÍTĚ např.: saturovaná lineární funce, logisticá sigmoida, hyperbolicý tangens, 2 exlusive OR vylučovací disjunce
3 až p- vrstva je označována za srytou vrstvu a společně tvoří hlavní výpočetní sílu neuronové sítě. Výstupní p-tou vrstvou označujeme neurony, jež mají za vstupy všechny výstupy neuronů předcházející p- vrstvy a samy tvoří výstup celé neuronové sítě. Je-li tedy problém charaterizován n p výstupními hodnotami y = ( y, y n ), má výstupní vrstva p právě n p neuronů. Výstupním neuronům obvyle přiřazujeme jen lineární přenosovou funci. Bude-li mít vícevrstvá dopředná síť tři vstupy, dvě sryté vrstvy, jednu s čtyřmi, druhou se třemi neurony, a výstupní vrstvu s dvěmi neurony, pa jí můžeme graficy znázornit následujícím způsobem (Obr.2). Právě zobrazená neuronová síť může za určitého nastavení topologie obsahovat 46 volných parametrů, jež je třeba v procesu učení najít. Z nich 9 připadá na hodnoty biasů neuronů ve srytých vrstvách a výstupní vrstvě, 7 na parametr sigmoidní přenosové funce srytých neuronů a 3 4, 4 3 a 3 2 tedy dohromady 30 parametrů připadá na hodnoty synapticých vah. Zvolíme-li tedy typy přenosových funcí, architeturu sítě a způsob učení, zvolili jsme celou topologii neuronové sítě. Této části procesu tvorby neuronové sítě se říá organizační dynamia. Vzhledem tréninové metodě není nutné precizně zavádět značení, ta jao napřílad pro metodu bacpropagation. UČENÍ NEURONOVÝCH SÍTÍ AKTIVNÍ A ADAPTAČNÍ DYNAMIKA Neuronovou síť můžeme chápat jao naučitelné zobrazení F, jehož výstup y je závislý na váhách příslušných aždému neuronu sítě, vstupních hodnotách a biasech tedy ( w, x θ) y = F,, de w je vetor všech synapticých vah celé neuronové sítě, x je vetor reprezentující vstup sítě a θ je vetor biasů. Z hledisa práce neuronové sítě s již určenou topologií, rozlišujeme dvě dynamiy, v nichž neuronová síť pracuje. Jednou z nich je dynamia ativní. V ativní dynamice se na vstupní neurony sítě přivádí vstupní informace a po vrstvách jsou počítány jednotlivé výstupní hodnoty všech neuronů. Pro uživatele využívajícího již adaptovanou neuronovou síť je samozřejmě podstatný pouze celový výstup sítě y. Druhou, adaptivní dynamiou rozumíme modifiaci volných parametrů neuronové sítě. Tato modifiace není jednoznačně dána a záleží jen na rozhodnutí, jaá metoda bude pro vhodné nastavení vah zvolena. Tedy již slibovanému hledání optimálního nastavení volných parametrů neuronové sítě pomocí geneticých algoritmů. GENETICKÉ ALGORITMY Myšlena geneticých algoritmů je založena na záladě biologicé genetiy a Darwinovy evoluční teorie. Postupně jsou tvořeny generace jedinců jež se předem daným způsobem vyvíjí z generace předchozí. Při matematicém popisu geneticých algoritmů bývá používána terminologie, jež je známá z biologicých oborů 3 viz tabula (levý sloupec biologicý význam, prvý pa matematicé paralela): Populace sled generací vývojově uspořádaná množina generací GENERACE supina jedinců, na níž je apliována teorie o vývoji druhů (selece) Jedinec nositel geneticé informace množina jedinců na níž je prováděn výběr pro vytvoření nové generace reprezentant vetoru genotypu Genotyp geneticý popis organismu Gen elementární jednota geneticé informace celový vetor, jež óduje řešený problém jedna určitá složa chromozomu, onrétní symbol 3 jaoliv se jeví oblast informatiy a genetiy vzdálená
4 Fenotyp fyzicý popis genotypu Př.: Je-li u člověa příslušný chromozom typu XY (= genotyp) je daný člově mužem 4 (= fenotyp) Chromozom část moleuly DNA, Alela určité místo (pozice) v chromozómu, jedna z onrétních forem genu Fitness síla jedince v generaci, od ní se odvozuje šance přežití výslede transformace zaódování Př.: binární vyjádření 0 (= genotyp) odpovídá číslu 5 v deadicém, tedy pro člověa běžném zápisu (= fenotyp) vetor obsahující jednu či více slože celového vetoru, jež óduje řešený problém, např. sevence symbolů z nějaé abecedy (mohou to být čísla, znay nebo jejich ombinace) množina jistých hodnot, terých mohou geny nabývat síla jedince v generaci, odvozuje se riteriální funce Princip geneticých algoritmů je v souvislosti s Darwinovou evoluční teorií následující: Vybrat optimálního jedince (algoritmus), terý se nejlépe hodí pro dané prostředí (daný úol). Na počátu je tedy z parametricého prostoru, jež je určen alelami, náhodně vygenerována množina jedinců určená svými genotypy (. generace). Pro jednotlivé jedince se spočte tzv. riteriální funce, což je funce, jež charaterizuje vhodnost jedince (v případě neuronových sítí je to globální chyba sítě). Následující generace je pa tvořena z té předcházející předem daným způsobem. Jedním z nejomplexnějších přístupů je tento postup, vycházející ze sutečných principů přírody. Část jedinců postupuje rovnou do další generace na záladě nejvyšší vhodnosti, princip tzv. elitářství (). Druhá část nově vzniající generace je z té předchozí náhodně vybrána, což představuje princip nepohlavního rozmnožování (2). Třetí část vzniá zombinováním genotypů dvou rodičů s výsledem dvou potomů, u nichž je genotyp vytvořen náhodnou záměnou něterých sobě odpovídajících genů (3). Záměna genů může být přesně dána, nebo je volena náhodně. Poslední supina je odvozena od těch předchozích, nově vzninuvších, pomocí mutace náhodné změny genu (4). V modelech geneticých algoritmů bývá mutace řešena pomocí generátorů náhodných čísel a určený gen je buďto zaměněn náhodným číslem, nebo je gen původní změněn v závislosti na vygenerovaném čísle. GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ Předpoládejme tréninovou datovou množinu o s prvcích, aždý ve tvaru ( x, d ) pro =, s, de d je vetor požadovaného výsledu, jež chceme síť naučit přiřadit vstupu x. Pro vyhodnocení nastavení parametrů vícevrstvé dopředné neuronové sítě vzhledem datové množině se standardně používá celové chyby sítě: s E = E, de E ( )( ) T = y d y d,de E je tzv. parciální chyba sítě, 2 = Parciální chyba sítě je odchyla výstupu sítě od požadovaného výsledu pro daný -tý vzor. Celová chyba sítě se navíc stává v geneticém algoritmu riteriální funcí pro hodnocení vhodnosti jedince. V prvním rou je náhodně vygenerováno dostatečné množství (m) jedinců (=neuronových sítí s různým nastavením volných parametrů), jejichž genotypem jsou hodnoty volných parametrů trénované sítě. Pro aždého z nich je vypočtena hodnota riteriální funce, E l, de l =, m, jenž slouží uončení geneticého učení, respetive ohodnocení, aždého z jedinců. Z hodnoty riteriální funce E l l, je dále spočtena vhodnost v. Vhodnost je transformovaná hodnota riteriální funce do intervalu [ 0,], terá umožňuje vybrat do další generace zástupce s možností zvýhodňovat lepší jedince a při tom zachovat princip náhody. Za vhodnostní transformaci se nabízí zvolit: 4 nutno dodat, že jsou v historii známy případy dy genotyp neodpovídá fenotypu v souvislosti příladem může být jedinec genotypicy žena a fenotypicy muž
5 l v l v, E = nebo l, max{e }, = m i= l m l, i, l,, de l,, E l = C, pro l =, m a C R je maximální chyba sítě či její odhad. Prvý vzorec může být s výhodou použit při turnajovém výběru jedinců, dy proti sobě soupeří dva jednici. Výslede jejich soupeření závisí pouze na náhodě a vhodnosti. Tedy aždému jedinci je vygenerováno náhodně číslo jež je váženo vhodností, jedinec s vyšším číslem vítězí. Tímto způsobem jsou přímo vybráni elitní jedinci princip () tj. ti, jenž měli nejvíce vítězství a dále pa andidáti e řížení princip (2). Náhodně bez ohledu na vhodnost jsou zařazeni další jedinci princip (3). Na onec je na náhodně vybraných jedincích provedena mutace a to buď na jedincích nově vzninuvších nebo jsou vybraní jedinci zdvojeni a mutace je provedena na opii. Druhý vzorec bývá volen při postupu, jenž je všeobecně nazýván ruletová selece. Nejprve jsou vybráni elitní jedinci podle absolutní veliosti vhodnosti. Výběr pro řížení pa probíhá ta, že aždému jedinci je přiřazena výseč dle vhodnosti a tím šance postoupit do další generace. Principy náhodnosti a mutace jsou obdobné postupu popsanému výše. Již popsanými principy je vytvořena nová generace, jež zdrojem pro generaci následující. Výběr a modifiace jedinců probíhá opět podle pravidel () (4), uvedené vzorce zůstávají v platnosti jen index se změní na příslušný index generace. Proces generování nových generací je uončen v oamžiu dosažení předepsané celové chyby sítě, nebo po předepsaném počtu roů. ZÁVĚR Tento postup je formálně méně složitý než bacpropagation. Při výběru přenosové funce není nutné omezení na její dvojnásobnou diferencovatelnost nutnou pro gradientní metodu, jež je podstatou učení se zpětným šířením chyby. Geneticý algoritmus 3 prohledávající parametricý prostor s m jedinci v populaci, pracuje zhruba ta rychle jao m izolovaných hledačů (viz [3]). Mechanismus geneticého algoritmu v němž jedinci prochází parametricý prostor a navzájem se ovlivňují pomocí předem daných pravidel geneticých operátorů, bývá označován jao implicitní paralelismus. Tím je dosahováno synergeticého efetu, díy němuž populace jedinců dosáhne ýženého řešení rychleji. Dále řížení a mutace zabraňuje uvíznutí algoritmu v loálních minimech celové chyby sítě. Literatura: [] Holeňa, M. Matematicé zálady umělých neuronových sítí. Praha 996, ČVUT studijní text [2] Miny, M. L. Papert. S. A. Perceptrons. MIT Press Cambridge M, 969. [3] Šíma, J. Neruda, R. Teoreticé otázy neuronových sítí. Praha 996, ISBN Kontatní adresa: Mgr. Roman Bisup, bisup@zf.jcu.cz Prof. RNDr. Anna Čermáová, CSc., annacer@zf.jcu.cz Jihočesá univerzita v Česých Budějovicích, Zemědělsá faulta, Katedra apliované matematiy a informatiy, Studentsá 3, Česé Budějovice
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
VícePříloha č. 1 Část II. Ekonomika systému IDS JMK
Příloha č. 1 Část II. Eonomia systému IDS JMK Květen 2011 Eonomia systému IDS JMK I. EKONOMICKÉ JEDNOTKY Pro účely dělení výnosů je rozděleno území IDS JMK do eonomicých jednote tvořených supinami tarifních
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
Více6. Měření Youngova modulu pružnosti v tahu a ve smyku
6. Měření Youngova modulu pružnosti v tahu a ve smyu Úol : Určete Youngův modul pružnosti drátu metodou přímou (z protažení drátu). Prostudujte doporučenou literaturu: BROŽ, J. Zálady fyziálních měření..
VíceMendelova zemědělská a lesnická univerzita Provozně ekonomická fakulta. Výpočet charakteristik ze tříděných údajů Statistika I. protokol č.
Mendelova zemědělsá a lesnicá univerzita Provozně eonomicá faulta Výpočet charateristi ze tříděných údajů Statistia I. protool č. 2 Jan Grmela, 2. roční, Eonomicá informatia Zadání 130810, supina Středa
VíceNeuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
VíceMasarykova univerzita. Fakulta informatiky. Evoluce pohybu
Masarykova univerzita Fakulta informatiky Evoluce pohybu IV109 Tomáš Kotula, 265 287 Brno, 2009 Úvod Pohyb je jedním ze základních projevů života. Zdá se tedy logické, že stejně jako ostatní vlastnosti
VíceGenetické algoritmy. Vysoká škola ekonomická Praha. Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/
Genetické algoritmy Jiří Vomlel Laboratoř inteligentních systémů Vysoká škola ekonomická Praha Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/ Motivace z Darwinovy teorie evoluce Přírodní
VíceFunkční měniče. A. Na předloženém aproximačním funkčním měniči s operačním zesilovačem realizujícím funkci danou tabulkou:
Funční měniče. Zadání: A. Na předloženém aproximačním funčním měniči s operačním zesilovačem realizujícím funci danou tabulou: proveďte: U / V / V a) pomocí oscilosopu měnič nastavte b) změřte na něm jeho
Vícezejména Dijkstrův algoritmus pro hledání minimální cesty a hladový algoritmus pro hledání minimální kostry.
Kapitola Ohodnocené grafy V praktických aplikacích teorie grafů zpravidla graf slouží jako nástroj k popisu nějaké struktury. Jednotlivé prvky této struktury mají často přiřazeny nějaké hodnoty (může jít
Více6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života?
6. Kde v DNA nalézáme rozdíly, zodpovědné za obrovskou diverzitu života? Pamatujete na to, co se objevilo v pracích Charlese Darwina a Alfreda Wallace ohledně vývoje druhů? Aby mohl mechanismus přírodního
VícePřírodou inspirované metody umělé inteligence
Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy
VícePavel Seidl 1, Ivan Taufer 2
UMĚLÉ NEURONOVÉ SÍTĚ JAKO PROSTŘEDEK PRO MODELOVÁNÍ DYNAMICKÉHO CHOVÁNÍ HYDRAULICKO-PNEUMATICKÉ SOUSTAVY USING OF ARTIFICIAL NEURAL NETWORK FOR THE IDENTIFICATION OF DYNAMIC PROPERTIES OF HYDRAULIC-PNEUMATIC
Vícepřetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat
Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního
Více1. Téma : Genetika shrnutí Název DUMu : VY_32_INOVACE_29_SPSOA_BIO_1_CHAM 2. Vypracovala : Hana Chamulová 3. Vytvořeno v projektu EU peníze středním
1. Téma : Genetika shrnutí Název DUMu : VY_32_INOVACE_29_SPSOA_BIO_1_CHAM 2. Vypracovala : Hana Chamulová 3. Vytvořeno v projektu EU peníze středním školám Genetika - shrnutí TL2 1. Doplň: heterozygot,
VíceDigitální učební materiál
Digitální učební materiál Projekt CZ.1.07/1.5.00/34.0415 Inovujeme, inovujeme Šablona III/2 Inovace a zkvalitnění výuky prostřednictvím ICT (DUM) Tematická Odborná biologie, část biologie Společná pro
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
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
VíceSemestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2
Semestrální projekt do předmětu Statistika Vypracoval: Adam Mlejnek 2-36 Oponenti: Patrik Novotný 2-36 Jakub Nováček 2-36 Úvod Pro vypracování projektu do předmětu statistika jsem si zvolil průzkum kvality
VíceSYSTÉM PRO AUTOMATICKÉ OVĚŘOVÁNÍ ZNALOSTÍ
SYSTÉM PRO AUTOMATICKÉ OVĚŘOVÁNÍ ZNALOSTÍ PŘIBYL VLADIMÍR Fakulta managementu, Vysoká škola ekonomická v Praze, Jarošovská 1117/II, 377 01 Jindřichův Hradec priby-vl@fm.vse.cz Abstrakt: Příspěvek se zabývá
VíceZákladní pojmy DEFINICE INTERPRETACE PŘÍKLAD
Pojmy a interpretace Záladní pojmy Cílová supina Indexová cílová supina Rating v tisících ATS (average time spent) Rating (sledovanost) Share (podíl na trhu) Reach (zásah) ATS relative Loajalita Profil
VíceInovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/
Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG)
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceKONFIGURACE SILNIČNÍCH KŘIŽOVATEK
Mendelova zemědělská a lesnická univerzita v Brně Agronomická fakulta Ústav techniky a automobilové dopravy KONFIGURACE SILNIČNÍCH KŘIŽOVATEK Bakalářská práce Brno 2006 Vedoucí bakalářské práce: Doc. Ing.
VíceXML Š ABLONY A JEJICH INTEGRACE V LCMS XML TEMPLATES AND THEIN INTEGRATION IN LCMS
XML Š ABLONY A JEJICH INTEGRACE V LCMS XML TEMPLATES AND THEIN INTEGRATION IN LCMS Roman MALO - Arnošt MOTYČKA This paper is oriented to discussion about using markup language XML and its features in LCMS
VíceObsah přednášky. 1. Principy Meta-learningu 2. Bumping 3. Bagging 4. Stacking 5. Boosting 6. Shrnutí
1 Obsah přednášy 1. Principy Meta-learningu 2. Bumping 3. Bagging 4. Stacing 5. Boosting 6. Shrnutí 2 Meta learning = Ensemble methods Cíl použít predici ombinaci více různých modelů Meta learning (meta
Více"Učení nás bude více bavit aneb moderní výuka oboru lesnictví prostřednictvím ICT ". Molekulární základy genetiky
"Učení nás bude více bavit aneb moderní výuka oboru lesnictví prostřednictvím ICT ". Molekulární základy genetiky 1/76 GENY Označení GEN se používá ve dvou základních významech: 1. Jako synonymum pro vlohu
VíceZvyšování kvality výuky technických oborů
Zvyšování kvality výuky technických oborů Klíčová aktivita V.2 Inovace a zkvalitnění výuky směřující k rozvoji odborných kompetencí žáků středních škol Téma V.2.18 Dřeviny Kapitola 2 Rozmnožování rostlin
VíceNázev: Dynamická měření tuhosti pružiny a torzní tuhosti nylonového vlákna
Název: Dynamicá měření tuhosti pružiny a torzní tuhosti nylonového vlána Autor: Doc. RNDr. Milan Rojo, CSc. Název šoly: Gymnázium Jana Nerudy, šola hl. města Prahy Předmět, mezipředmětové vztahy: fyzia,
VíceIng. Ladislav Musil ČVUT FEL v Praze, Katedra Elektroenergetiky, Technická 2, 166 27 Praha 6 Tel.: +420 224 35 3941 E-mail: musill@fel.cvut.
E L E K T R O E N E R G E T I K A 003 VÝPOČET SCOTTOVA ZAPOJENÍ TRANSFORMÁTORU POMOCÍ PROGRAMU MATHEMATICA A WEBMATHEMATICA Ing. Ladislav Prskavec ČVUT FEL v Praze, Katedra Elektroenergetiky, Technická,
VíceLBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015
LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 1 LBP 1 LBP Tato metoda, publikovaná roku 1996, byla vyvinuta za účelem sestrojení jednoduchého a výpočetně rychlého nástroje pro
VíceUMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Miroslav POKORNÝ Praha 1996, BEN Miroslav Pokorný UMÌLÁ INTELIGENCE V MODELOVÁNÍ A ØÍZENÍ Bez pøedchozího písemného svolení nakladatelství nesmí být kterákoli èást
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VíceAbstrakt. Klíčová slova
Abstrakt Diplomová práce je zaměřena na zhodnocení kalkulačního systému ve společnosti Zemědělské družstvo se sídlem ve Sloupnici. Cílem této práce je vypracovat takovou kalkulaci pšenice ozimé, která
VíceNEURONOVÉ SÍTĚ A EVOLUČNÍ ALGORITMY NEURAL NETWORKS AND EVOLUTIONARY ALGORITHMS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceAbsorpční vlastnosti plazmatu směsí SF 6 a PTFE
Absorpční vlastnosti plazmatu směsí SF 6 a PTFE N. Bogatyreva, M. Bartlová, V. Aubrecht Faulta eletrotechniy a omuniačních technologií, Vysoé učení technicé v Brně, Technicá 10, 616 00 Brno Abstrat Článe
VíceGenetické algoritmy. Informační a komunikační technologie ve zdravotnictví
Genetické algoritmy Informační a komunikační technologie ve zdravotnictví Přehled přednášky Úvod Historie Základní pojmy Principy genetických algoritmů Možnosti použití Související metody AI Příklad problém
VíceZákladní škola a Mateřská škola G.A.Lindnera Rožďalovice. Za vše mohou geny
Základní škola a Mateřská škola G.A.Lindnera Rožďalovice Za vše mohou geny Jméno a příjmení: Sandra Diblíčková Třída: 9.A Školní rok: 2009/2010 Garant / konzultant: Mgr. Kamila Sklenářová Datum 31.05.2010
VíceF6180 Úvod do nelineární dynamiky. F6150 Pokročilé numerické metody FX003 Plánování a vyhodnocování experimentu. F7780 Nelineární vlny a solitony
Moderní metody modelování ve fyzice jaro 2015 přednáša: D. Hemzal cvičení: F. Münz F1400 Programování F5330 Záladní numericé metody F7270 Matematicé metody zpracování měření F6180 Úvod do nelineární dynamiy
VíceIdentifikační a kontaktní údaje
Dokumentace Informačního systému Sisyfos Společná data Identifikační a kontaktní údaje Obchodní jméno Právní forma Sídlo Adresa pro písemný styk Statutární zástupce Řešitel Alef Jeseník, s.r.o. společnost
Více9 Skonto, porovnání různých forem financování
9 Sonto, porovnání různých forem financování Sonto je sráža (sleva) z ceny, terou posytuje prodávající upujícímu v případě, že upující zaplatí oamžitě (resp. během dohodnuté ráté lhůty). Výše sonta je
VíceVýukový materiál zpracovaný v rámci projektu Výuka modern
St ední pr myslová škola strojnická Olomouc, t. 17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka modern Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2 P írodov dné
VíceDeoxyribonukleová kyselina (DNA)
Genetika Dědičností rozumíme schopnost rodičů předávat své vlastnosti potomkům a zachovat tak rozličnost druhů v přírodě. Dědičností a proměnlivostí jedinců se zabývá vědní obor genetika. Základní jednotkou
VíceInovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/
Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/..00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG) Tento
VíceVYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH
VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH J. Tesař, P. Batoš Jihočesá univezita, Pedagogicá faulta, Kateda fyziy, Jeonýmova 0, 37 5 Česé Budějovice Abstat V příspěvu
VíceInovace Dlouhodobého záměru EPI, s.r.o. 2012
J:\EPI\epi_2012_2013\a35_vyzkum_DZ_publikace\dlouhodoby_zamer\inovace_dz_2012.doc - 1 - Inovace Dlouhodobého záměru EPI, s.r.o. 2012 Cíle stanovené akademické obci EPI, s.r.o. k plnění požadavků MŠMT ČR
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáša 04 Přírodovědecá faulta Katedra matematiy KMA/P506 Pravděpodobnost a statistia KMA/P507 Statistia na PC jiri.cihlar@ujep.cz Záon velých čísel Lemma Nechť náhodná veličina nabývá pouze nezáporných
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS GENEROVÁNÍ MATEMATICKÝCH
VícePavel Burda Jarmila Doležalová
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA MATEMATIKA III Pavel Burda Jarmila Doležalová Vytvořeno v rámci projetu Operačního programu Rozvoje lidsých zdrojů CZ.04.1.0/..15.1/0016 Studijní opory
VíceSledování změn obsahu volného aktivního chloru při dopravě pitné vody
Sledování změn obsahu volného aktivního chloru při dopravě pitné vody Ing. Kateřina Slavíčková, Prof. Ing. Alexander Grünald, Csc., Ing. Marek Slavíček Katedra zdravotního inženýrství, Fakulta stavební,
VíceADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE
ADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE Oktavián Strádal 1 Anotace: Článek ukazuje použití metod umělé inteligence
VíceAnalýza a zpracování signálů. 5. Z-transformace
nalýa a pracování signálů 5. Z-transformace Z-tranformace je mocný nástroj použitelný pro analýu lineárních discretetime systémů Oboustranná Z-transformace X j F j x, je omplexní číslo r e r e Oboustranná
Více1 Předmět úpravy. veškerého nabytého množství obnovitelného
Strana 2610 Sbírka zákonů č. 145 / 2016 145 VYHLÁŠKA ze dne 29. dubna 2016 o vykazování elektřiny a tepla z podporovaných zdrojů a k provedení některých dalších ustanovení zákona o podporovaných zdrojích
VíceMěření indukčností cívek
7..00 Ṫeorie eletromagneticého pole Měření indučností cíve.......... Petr Česá, studijní supina 05 Letní semestr 000/00 . Měření indučností cíve Měření vlastní a vzájemné indučnosti válcových cíve ZAÁNÍ
VíceS v a z c h o v a t e l ů k o n í K i n s k ý c h
ZBARVENÍ A DĚDIČNOST BARVY U KINSKÉHO KONĚ Prof. Ing. Václav Jakubec, DrSc., Česká zemědělská univerzita, Praha, Česká republika Dr. Monika Reissmann, Humboldt-Universität zu Berlin, Německo Ing. Josef
VíceTHE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ
Jan CHOCHOLÁČ 1 THE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ BIO NOTE Jan CHOCHOLÁČ Asistent na Katedře dopravního managementu, maretingu
VíceEVA VOLNÁ MARTIN KOTYRBA MICHAL JANOŠEK VÁCLAV KOCIAN
Doc. RNDr. PaedDr. Eva Volná, PhD. RNDr. Martin Kotyrba, Ph.D. RNDr. Michal Janošek, Ph.D. Mgr. Václav Kocian UMÌLÁ INTELIGENCE Rozpoznávání vzorù v dynamických datech Praha 2014 Anotace: Cílem knihy je
VíceZáklady sálavého vytápění Přednáška 8
Faulta strojní Ústav techniy prostředí Zálady sálavého vytápění Přednáša 8 Plynové sálavé vytápění 2.část Ing. Ondřej Hojer, Ph.D. Obsah 4. Plynové sálavé vytápění 4.1 Světlé zářiče cv. 4 4.2 Tmavé vysooteplotní
VíceGEOGRAFICKÉ INFORMAČNÍ SYSTÉMY 6
UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY 6 Lubomír Vašek Zlín 2013 Obsah... 3 1. Základní pojmy... 3 2. Princip rastrové reprezentace... 3 2.1 Užívané
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VícePříklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka
Náhodná veličina Náhodnou veličinou nazýváme veličinu, terá s určitými p-stmi nabývá reálných hodnot jednoznačně přiřazených výsledům příslušných náhodných pousů Náhodné veličiny obvyle dělíme na dva záladní
VíceShluková analýza, Hierarchické, Nehierarchické, Optimum, Dodatek. Učení bez učitele
1 Obsah přednášy 1. Shluová analýza 2. Podobnost objetů 3. Hierarchicé shluování 4. Nehierarchicé shluování 5. Optimální počet shluů 6. Další metody 2 Učení bez učitele není dána výstupní lasifiace (veličina
VíceNeural Networks Studio
Neural Networks Studio SPŠ Jiří Hýbek a VOŠ Písek, 2. ročník březen 2009 Prohlašuji tímto, že jsem práci vypracoval samostatně a uvedl v seznamu literatury veškerou použitou literaturu a další informační
VíceGenetické algoritmy a jejich praktické využití
Genetické algoritmy a jejich praktické využití Pavel Šturc PB016 Úvod do umělé inteligence 21.12.2012 Osnova Vznik a účel GA Princip fungování GA Praktické využití Budoucnost GA Vznik a účel GA Darwinova
VícePREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION
PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION Lucie Váňová 1 Anotace: Článek pojednává o předpovídání délky kolony v křižovatce. Tato úloha je řešena v programu
VíceANOTACE vytvořených/inovovaných materiálů
ANOTACE vytvořených/inovovaných materiálů Číslo projektu Číslo a název šablony klíčové aktivity Tematická oblast Formát Druh učebního materiálu Druh interaktivity CZ.1.07/1.5.00/34.0722 III/2 Inovace a
VíceŠKOLNÍ VZDĚLÁVACÍ PROGRAM
Vyučovací předmět : Období ročník : Učební texty : Přírodopis 3. období 9. ročník Danuše Kvasničková, Ekologický přírodopis pro 9. ročník ZŠ a nižší ročníky víceletých gymnázií, nakl. Fortuna Praha 1998
VíceSPOTŘEBITELSKÝ KOŠ CONSUMER BASKET. Martin Souček
SPOTŘEBITELSKÝ KOŠ CONSUMER BASKET Martin Souček Abstrakt: Práce se zabývá spotřebitelským košem a jeho vztahem k marketingu. Snaží se popsat vzájemné souvislosti a význam spotřebitelského koše pro marketing
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceRURGenetika zápočtový program Programování II
RURGenetika zápočtový program Programování II Rudolf Rosa cvičící: Doc. RNDr. Pavel Töpfer, CSc. Obsah Specifikace...1 Původní specifikace...1 Upravená specifikace...2 Program...3 třída Populace...4 Datové
VíceZesouladení ( sjednocení ) poznatků genetiky a evolucionistických teorií
Obecná genetika Zesouladení ( sjednocení ) poznatků genetiky a evolucionistických teorií Ing. Roman Longauer, CSc. Ústav zakládání a pěstění lesů, LDF MENDELU Brno Tento projekt je spolufinancován Evropským
VíceUživatelem řízená navigace v univerzitním informačním systému
Hana Netrefová 1 Uživatelem řízená navigace v univerzitním informačním systému Hana Netrefová Abstrakt S vývojem počítačově orientovaných informačních systémů je stále větší důraz kladen na jejich uživatelskou
VíceKlasifikace a rozpoznávání. Umělé neuronové sítě a Support Vector Machines
Klasifiace a rozpoznávání Umělé neuronové sítě a Support Vector Machines x 1 x 2 w 1 w 2 Lineární lasifiátory a y = f ( w T x+b) Σ f(.) y b Nevýhoda: pouze lineární rozhodovací hranice Možné řešení: Použít
VíceInovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/
Inovace studia molekulární a buněčné biologie reg. č. CZ.1.07/2.2.00/07.0354 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky Populační genetika (KBB/PG)
VícePOKYNY. k vyplnění přiznání k dani z příjmů právnických osob
POKYNY k vyplnění přiznání k dani z příjmů právnických osob Všeobecně 1) Poplatníky daně z příjmů právnických osob (dále v těchto pokynech jen daň ) jsou osoby, které nejsou fyzickými osobami ( 17 zákona
VíceVYUŽITÍ FORMÁLNÍ ADEKVACE PROVOZNÍ PÁKY V ŘÍZENÍ PODNIKU USING OF FORMAL ADEQUACY OF OPERATING LEVERAGE IN MANAGEMENT
VYUŽIÍ FORMÁLNÍ ADEKVACE PROVOZNÍ PÁKY V ŘÍZENÍ PODNIKU USING OF FORMAL ADEQUACY OF OPERAING LEVERAGE IN MANAGEMEN František Střeleček, Radek Zdeněk Abstrakt: Příspěvek se zabývá využitím provozní páky
VíceZÁVAZNÉ POKYNY PRO VYPRACOVÁNÍ BAKALÁŘSKÉ, DIPLOMOVÉ A DISERTAČNÍ PRÁCE
ZÁVAZNÉ POKYNY PRO VYPRACOVÁNÍ BAKALÁŘSKÉ, DIPLOMOVÉ A DISERTAČNÍ PRÁCE Bakalářskou/diplomovou prací se ověřují vědomosti a dovednosti, které student získal během studia a jeho schopnosti využívat je při
VícePopulační genetika II
Populační genetika II 4. Mechanismy měnící frekvence alel v populaci Genetický draft (genetické svezení se) Genetický draft = zvýšení frekvence alely díky genetické vazbě s výhodnou mutací. Selekční vymetení
VíceMULTIKRITERIÁLNÍ ROZHODOVÁNÍ VEKTOROVÁ OPTIMALIZACE
OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ část druhá Přednáša 5 PŘEDNÁŠKA 5 MULTIKRITERIÁLNÍ ROZHODOVÁNÍ VEKTOROVÁ OPTIMALIZACE OPTIMALIZACE A ROZHODOVÁNÍ V DOPRAVĚ část druhá Přednáša 5 Multiriteriální rozhodování
VíceVzdělávací materiál. vytvořený v projektu OP VK CZ.1.07/1.5.00/34.0211. Anotace. Transformátory transformace napětí VY_32_INOVACE_F0219.
Vzdělávací materiál vytvořený v projektu OP VK Název školy: Gymnázium, Zábřeh, náměstí Osvobození 20 Číslo projektu: Název projektu: Číslo a název klíčové aktivity: CZ.1.07/1.5.00/34.0211 Zlepšení podmínek
VíceGenetický polymorfismus
Genetický polymorfismus Za geneticky polymorfní je považován znak s nejméně dvěma geneticky podmíněnými variantami v jedné populaci, které se nachází v takových frekvencích, že i zřídkavá má frekvenci
VíceVLIV NEURČITOSTI, NEJASNOSTI, NEJISTOTY A SLOŽITOSTI NA ROZHODOVÁNÍ ORGANIZACÍ
VLIV NEURČITOSTI, NEJASNOSTI, NEJISTOTY A SLOŽITOSTI NA ROZHODOVÁNÍ ORGANIZACÍ Tomáš Kořínek Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav systémového inženýrství a informatiky Abstract: The
VíceModel byl např. publikován v závěrečné výzkumné zprávě z tohoto projektu.
Restrikce veřejných výdajových programů a výdajových aktivit veřejných služeb Prof. PhDr. František Ochrana,DrSc.,katedra veřejných financí, VŠE v Praze Referát je součástí výstupu z výzkumného projektu
VíceMendelistická genetika
Mendelistická genetika Základní pracovní metodou je křížení křížení = vzájemné oplozování organizmů s různými genotypy Základní pojmy Gen úsek DNA se specifickou funkcí. Strukturní gen úsek DNA nesoucí
VíceWeb based dynamic modeling by means of PHP and JavaScript part II
Web based dynamic modeling by means of PHP and JavaScript part II Jan Válek, Petr Sládek Pedagogická fakulta Masarykova Univerzita Poříčí 7, 603 00 Brno Úvodem Rozvoj ICT s sebou nese: Zásadní ovlivnění
VíceBarevné formy zebřiček a jejich genetika - část II. příklady
Barevné formy zebřiček a jejich genetika - část II. příklady Tyto příklady se váží k předchozímu článku o obecných zákonitostech genetiky. K napsaní těchto detailů mne inspiroval jeden dotaz, který určuje
Více3.1.4 Trojúhelník. Předpoklady: 3103. Každé tři různé body neležící v přímce určují trojúhelník. C. Co to je, víme. Jak ho definovat?
3..4 Trojúhelní Předpolady: 303 Každé tři různé body neležící v přímce určují trojúhelní. o to je, víme. Ja ho definovat? Př. : Definuj trojúhelní jao průni polorovin. Trojúhelní je průni polorovin, a.
VíceEvropský 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
VíceVliv vzdělanostní úrovně na kriminalitu obyvatelstva
Ing. Erika Urbánková, PhD. Katedra ekonomických teorií Provozně ekonomická fakulta Česká zemědělská univerzita Mgr. František Hřebík, Ph.D. prorektor pro zahraniční styky a vnější vztahy Katedra managementu
VíceJAKÉ UŽITKY A NÁKLADY SOUVISEJÍ SE VZNIKEM NOVÉ OBCE. VÝSLEDKY DOTAZNÍKOVÉHO ŠETŘENÍ
JAKÉ UŽITKY A NÁKLADY SOUVISEJÍ SE VZNIKEM NOVÉ OBCE. VÝSLEDKY DOTAZNÍKOVÉHO ŠETŘENÍ Jahoda Robert; Škrobáčková Hana ABSTRACT The main aim of this article is to describe the attitudes toward ways of financing
VíceKey words Solar radiation; spatial insolation; stereoinsolation sensor; phytoclimate; microclimate of plant stands
NOVÁ METODA MĚŘENÍ STEREOINSOLACE POMOCÍ SPECIÁLNÍHO TERMOELEKTRICKÉHO SNÍMAČE NEW METHOD OF SPATIAL INSOLATION MEASUREMENT BY MEANS OF SPECIAL THERMOELECTRIC SENSOR Klabzuba Jiří, Kožnarová Věra Česká
Víceití 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
VíceSPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR
EVOLUČNÍ NÁVRH A OPTIMALIZACE APLIKAČNĚ SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR Miloš Minařík DVI4, 2. ročník, prezenční studium Školitel: Lukáš Sekanina Fakulta informačních technologií, Vysoké učení
VíceModelování a simulace regulátorů a čidel
Modeloání a simulace regulátorů a čidel. Modeloání a simulace PI regulátoru Přenos PI regulátoru je yjádřen následujícím ztahem F( p) = ( + p ) p V Simulinu je tento blo obsažen nihoně prů. Bohužel použití
VíceJak se matematika poučila v biologii
Jak se matematika poučila v biologii René Kalus IT4Innovations, VŠB TUO Role matematiky v (nejen) přírodních vědách Matematika inspirující a sloužící jazyk pro komunikaci s přírodou V 4 3 r 3 Matematika
VíceDědičnost a pohlaví. KBI/GENE Mgr. Zbyněk Houdek
Dědičnost a pohlaví KBI/GENE Mgr. Zbyněk Houdek Dědičnost pohlavně vázaná Gonozomy se v evoluci vytvořily z autozomů, proto obsahují nejen geny řídící vznik pohlavních rozdílů i další jiné geny. V těchto
VíceGramatická evoluce a softwarový projekt AGE
Gramatická evoluce a softwarový projekt AGE Adam Nohejl Matematicko-fyzikální fakulta Univerzita Karlova v Praze http://nohejl.name/ 4. 4. 2010 Poznámka: Prezentace založené na variantách těchto slajdů
Více