Využití strojového učení k identifikaci protein-ligand aktivních míst

Využití metod strojového učení v bioinformatice David Hoksza

Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace

NAIL072 ROZPOZNÁVÁNÍ VZORŮ

NAIL072 ROZPOZNÁVÁNÍ VZORŮ RNDr. Jana Štanclová, Ph.D. jana.stanclova@ruk.cuni.cz www.cuni.cz/~stancloj LS Zk 2/0 OSNOVA 1. Úvod do rozpoznávání vzorů 2. Bayesovská teorie rozpoznávání 3. Diskriminační

Genomické databáze. Shlukování proteinových sekvencí. Ivana Rudolfová. školitel: doc. Ing. Jaroslav Zendulka, CSc.

Genomické databáze Shlukování proteinových sekvencí Ivana Rudolfová školitel: doc. Ing. Jaroslav Zendulka, CSc. Obsah Proteiny Zdroje dat Predikce struktury proteinů Cíle disertační práce Vstupní data

Bioinformatika a výpočetní biologie KFC/BIN. I. Přehled

Bioinformatika a výpočetní biologie KFC/BIN I. Přehled RNDr. Karel Berka, Ph.D. Univerzita Palackého v Olomouci Definice bioinformatiky (Molecular) bio informatics: bioinformatics is conceptualising biology

Tento rámcový přehled je určen všem studentům zajímajícím se o aktivní vědeckou práci.

Tento rámcový přehled je určen všem studentům zajímajícím se o aktivní vědeckou práci. Konkrétní témata bakalářských a diplomových prací se odvíjejí od jednotlivých projektů uvedených dále. Ústav analytické

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

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

Hemoglobin a jemu podobní... Studijní materiál. Jan Komárek

Hemoglobin a jemu podobní... Studijní materiál Jan Komárek Bioinformatika Bioinformatika je vědní disciplína, která se zabývá metodami pro shromážďování, analýzu a vizualizaci rozsáhlých souborů biologických

NAŘÍZENÍ KOMISE (EU) /... ze dne , kterým se mění nařízení (ES) č. 847/2000, pokud jde o definici pojmu podobný léčivý přípravek

EVROPSKÁ KOMISE V Bruselu dne 29.5.2018 C(2018) 3193 final NAŘÍZENÍ KOMISE (EU) /... ze dne 29.5.2018, kterým se mění nařízení (ES) č. 847/2000, pokud jde o definici pojmu podobný léčivý přípravek (Text

ANALÝZA A KLASIFIKACE DAT

ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz LITERATURA Holčík, J.: přednáškové prezentace Holčík, J.: Analýza a klasifikace signálů.

Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)

Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.

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

Strojové učení se zaměřením na vliv vstupních dat

Strojové učení se zaměřením na vliv vstupních dat Irina Perfilieva, Petr Hurtík, Marek Vajgl Centre of excellence IT4Innovations Division of the University of Ostrava Institute for Research and Applications

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

Následující text je součástí učebních textů předmětu Bi0034 Analýza a klasifikace dat a je určen

11. Klasifikace V této kapitole se seznámíme s účelem, principy a jednotlivými metodami klasifikace dat, jež tvoří samostatnou rozsáhlou oblast analýzy dat. Klasifikace umožňuje určit, do které skupiny

Neuronové sítě (11. přednáška)

Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných

Tématické okruhy pro státní závěrečné zkoušky

Tématické okruhy pro státní závěrečné zkoušky Obor Povinný okruh Volitelný okruh (jeden ze dvou) Forenzní biologická Biochemie, pathobiochemie a Toxikologie a bioterorismus analýza genové inženýrství Kriminalistické

Katedra kybernetiky, FEL, ČVUT v Praze.

Strojové učení a dolování dat přehled Jiří Kléma Katedra kybernetiky, FEL, ČVUT v Praze http://ida.felk.cvut.cz posnova přednášek Přednáška Učitel Obsah 1. J. Kléma Úvod do předmětu, učení s a bez učitele.

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:

Studijní materiály pro bioinformatickou část ViBuChu. úloha II. Jan Komárek, Gabriel Demo

Studijní materiály pro bioinformatickou část ViBuChu úloha II Jan Komárek, Gabriel Demo Adenin Struktura DNA Thymin 5 konec 3 konec DNA tvořena dvěmi řetězci orientovanými antiparalelně (liší se orientací

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

analýzy dat v oboru Matematická biologie

INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,

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

Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy

Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování

Cvičení z matematiky jednoletý volitelný předmět

Název předmětu: Zařazení v učebním plánu: Cvičení z matematiky O8A, C4A, jednoletý volitelný předmět Cíle předmětu Obsah předmětu je zaměřen na přípravu studentů gymnázia na společnou část maturitní zkoušky

P ro te i n o vé d a ta b á ze

Proteinové databáze Osnova Základní stavební jednotky proteinů Hierarchie proteinové struktury Stanovení proteinové struktury Důležitost proteinové struktury Proteinové strukturní databáze Proteinové klasifikační

Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze

Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných

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

VÝUKA studentů celkem 3 000 (bakaláři + magistři + doktorandi); 72 profesorů, 120 docentů

založena roku 1920 centrum výuky a výzkumu rozpočet v roce 2013 cca 1,114 miliardy Kč (zhruba 1:1 státní dotace a grantové prostředky) - z toho biologie má asi 1/3 (i v dalších parametrech) VÝUKA studentů

HÝČKEJTE SVOU ALMA MATER Závěrečná zpráva

HÝČKEJTE SVOU ALMA MATER Závěrečná zpráva Řešitelé projektu: Martin Vondrák Tomáš Heger Název projektu: Molekulární kaleidoskop Typ projektu: Popularizačně-vědecká prezentace s praktickou ukázkou Řešitelské

Deriváty karboxylových kyselin, aminokyseliny, estery

Deriváty karboxylových kyselin, aminokyseliny, estery Zpracovala: Ing. Štěpánka Janstová 29.1.2012 Určeno pro 9. ročník ZŠ V/II,EU-OPVK,42/CH9/Ja Přehled a využití derivátů organických kyselin, jejich

přetrénování = 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

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

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

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 /

Institucionální akreditace - bakalářské studium informatiky

Institucionální akreditace - bakalářské studium informatiky 1. ročník pro všechny společný ZS Algoritmizace 2/1 Z+Zk 4 kredity T.Dvořák Programování 1 2/2 Z 5 kreditů Holan Principy počítačů 2/0 Zk 3 kredity

Inovace studia molekulární a buněčné biologie

Inovace studia molekulární a buněčné biologie Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. MBIO1/Molekulární biologie 1 Tento projekt je spolufinancován

Odečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý

Odečítání pozadí a sledování lidí z nehybné kamery Ondřej Šerý Plán Motivace a popis úlohy Rozdělení úlohy na tři části Detekce pohybu Detekce objektů Sledování objektů Rozbor každé z částí a nástin několika

ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ

ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM POJETÍ INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz 5. LETNÍ ŠKOLA MATEMATICKÉ BIOLOGIE ANALÝZA BIOLOGICKÝCH A KLINICKÝCH DAT V MEZIOBOROVÉM

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

Úvodem Dříve les než stromy 3 Operace s maticemi

Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter

Úvod do zpracování obrazů Petr Petyovský Miloslav Richter 1 OBSAH Motivace, prvky a základní problémy počítačového vidění, pojem scéna Terminologie, obraz, zpracování a analýza obrazu, počítačové vidění,

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

Analýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce

Analýza dat v GIS Dotazy na databáze Prostorové Atributové Překrytí Overlay Mapová algebra Vzdálenostní funkce Euklidovské vzdálenosti Oceněné vzdálenosti Funkce souvislosti Interpolační funkce Topografické

Automatické vyhledávání informace a znalosti v elektronických textových datech

Automatické vyhledávání informace a znalosti v elektronických textových datech Jan Žižka Ústav informatiky & SoNet RC PEF, Mendelova universita Brno (Text Mining) Data, informace, znalost Elektronická

Magisterský program Biomedicínské inženýrství a informatika na ČVUT FEL Praha

České vysoké učení technické v Praze Fakulta elektrotechnická Magisterský program Biomedicínské inženýrství a informatika na ČVUT FEL Praha Olga Štěpánková, Lenka Lhotská Filip Železný, Jan Havlík Katedra

Doprovodný materiál k práci s přípravným textem Biologické olympiády 2014/2015 pro soutěžící a organizátory kategorie B

Doprovodný materiál k práci s přípravným textem Biologické olympiády 2014/2015 pro soutěžící a organizátory kategorie B Níže uvedené komentáře by měly pomoci soutěžícím z kategorie B ke snazší orientaci

Klasifikace hudebních stylů

Klasifikace hudebních stylů Martin Šimonovský (mys7@seznam.cz) Rozpoznávání hudby úloha z oblasti DSP klasifikace dle hudebních stylů

Aplikovaná bioinformatika

Aplikovaná bioinformatika Číslo aktivity: 2.V Název klíčové aktivity: Na realizaci se podílí: Implementace nových předmětů do daného studijního programu doc. RNDr. Michaela Wimmerová, Ph.D., Mgr. Josef

VÝBĚROVÁ ŘÍZENÍ CENTRUM REGIONU HANÁ PROJEKT EXCELENTNÍ VÝZKUM (OP VVV)

VÝBĚROVÁ ŘÍZENÍ CENTRUM REGIONU HANÁ PROJEKT EXCELENTNÍ VÝZKUM (OP VVV) Oddělení biofyziky - absolvování magisterského studia v oboru biofyzika, biochemie nebo v biologickém oboru - prezenční Ph.D. studium

Výroční konference ELIXIR CZ

Výroční konference ELIXIR CZ 2.11.2016 Praha 2016 Výroční konference ELIXIR CZ Konformační prostor DNA Bohdan Schneider za Jiří Černý 1, Paulína Božíková 1, Iva Nečasová 1, Petr Čech 2, Daniel Svozil 2,

Nový bakalářský studijní obor Biomedicínská informatika na Fakultě biomedicínského inženýrství v Kladně

Fakulta biomedicínského inženýrství České vysoké učení technické v Praze Nový bakalářský studijní obor Biomedicínská informatika na Fakultě biomedicínského inženýrství v Kladně Zoltán Szabó Katedra biomedicínské

Informatika a výpočetní technika 1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1 kr. Povinné předměty pro obor IVT

1. roč./1. sem. 1. roč./2. sem. 2. roč./3. sem. 1+0 Zk 2. roč./4. sem. Semestrální Semestrální 460-4064/01 460-4067/01 460-4095/01 460-4096/01 460-4065/01 470-4405/01 Povinně volitelné předměty pro obor

IBM SPSS Decision Trees

IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích

Úvod do molekulové dynamiky simulace proteinů. Eva Fadrná evaf@chemi.muni.cz

Úvod do molekulové dynamiky simulace proteinů Eva Fadrná evaf@chemi.muni.cz Molekulová mechanika = metoda silového pole = force field Energie vypočtená řešením Schrodingerovy rovnice Energie vypočtená

Klasifikace a rozpoznávání. Lineární klasifikátory

Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber

Strojové učení Marta Vomlelová

Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer

SOFTWAROVÉ INŽENÝRSTVÍ

SOFTWAROVÉ INŽENÝRSTVÍ Plán a odhady projeku Ing. Ondřej Macek 2013/14 ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Příprava plánu projektu 3 Motivace k plánování Průběh projektu Bolest Dobré plánování Špatné

Zpětnovazební učení Michaela Walterová Jednoocí slepým,

Zpětnovazební učení Michaela Walterová Jednoocí slepým, 17. 4. 2019 V minulých dílech jste viděli Tři paradigmata strojového učení: 1) Učení s učitelem (supervised learning) Trénovací data: vstup a požadovaný

SYNTETICKÉ OLIGONUKLEOTIDY

Oddělení funkční genomiky a proteomiky Přírodovědecká fakulta Masarykovy university SYNTETICKÉ OLIGONUKLEOTIDY Hana Konečná CENTRÁLNÍ LABORATOŘ Masarykovy Univerzity v Brně ODDĚLENÍ FUNKČNÍ GENOMIKY A

Uživatelská podpora v prostředí WWW

Uživatelská podpora v prostředí WWW Jiří Jelínek Katedra managementu informací Fakulta managementu Jindřichův Hradec Vysoká škola ekonomická Praha Úvod WWW obsáhlost obsahová i formátová pestrost dokumenty,

Jak 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

Získávání znalostí z dat

Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace

1. Data mining. Strojové učení. Základní úlohy.

1... Základní úlohy. Učení s učitelem a bez učitele. Petr Pošík Katedra kybernetiky ČVUT FEL P. Pošík c 2010 Aplikace umělé inteligence 1 / 36 Obsah P. Pošík c 2010 Aplikace umělé inteligence 2 / 36 Co

6. 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

Sociální síť informatiků v regionech České republiky

SoSIReČR Sociální síť informatiků v regionech České republiky Martin Nečaský, Ph.D. Katedra softwarového inženýrství MFF UK Systémová Integrace 2010 Strategie projektu Vize Sociální síť IT profesionálů

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

Studium enzymatické reakce metodami výpočetní chemie

Studium enzymatické reakce metodami výpočetní chemie 2. kolo Petr Kulhánek, Zora Střelcová kulhanek@chemi.muni.cz CEITEC - Středoevropský technologický institut Masarykova univerzita, Kamenice 5, 625 00

Moderní nástroje pro zobrazování biologicky významných molekul pro zajištění zdraví. René Kizek

Moderní nástroje pro zobrazování biologicky významných molekul pro zajištění zdraví René Kizek 12.04.2013 Fluorescence je fyzikálně chemický děj, který je typem luminiscence. Luminiscence se dále dělí

StatSoft Úvod do neuronových sítí

StatSoft Úvod do neuronových sítí Vzhledem k vzrůstající popularitě neuronových sítí jsme se rozhodli Vám je v tomto článku představit a říci si něco o jejich využití. Co si tedy představit pod pojmem

č ů š ň č č Ú č č č Ú ů Ú č ž ú š š ý č ú ó ó ž č ý ý ý č ž č ý ž ý č ý ž ž č ý ý ý ž ý ý ý ý š ý š ů ů č č ý ž č ý ů š ž ý Ú Ú úč š ů ž ů ů Úč ž č ý č š ý ů č š ý ý ý ů č č ž ů š ů ů š ý ý ů ů č č ž ú

Á Ě Í Ě Á Á ó č ž č ž č Í š úč é úč š ž č é ů č é č é é ů č ů č č ů é Ž š ů ů š č é Ž č é Ž č Í ž Ž Ž é é Ů é Ř ů ť š é é č é é é š č č é č č č č š č š é č é č ů č č š ú é č é š é Ž Ž é é ú č č é ů č š

úč úč ž ů ž Č Č č č ů ž úč č úč ť Ň č ú Ý č č Ú Ú ť ú č ď ů ž š úč ž úč úč ž ť ď ť ď ž ú č č úč š ž Ů č č ú úč ž ů ť úč ž ž ž Ů č ž ú č Š úč č Úč Č Č š ď š Š š Ó Ó ž ůč ú Ď ť ž ů ů č ů Č ů ž úč Ý č ž úč

Kybernetika a umělá inteligence, cvičení 10/11

Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu

Dynamické procesy & Pokročilé aplikace NMR. chemická výměna, translační difuze, gradientní pulsy, potlačení rozpouštědla, NMR proteinů

Dynamické procesy & Pokročilé aplikace NMR chemická výměna, translační difuze, gradientní pulsy, potlačení rozpouštědla, NMR proteinů Chemická výměna jakýkoli proces při kterém dané jádro mění svůj stav

Autor: Jan Hošek

Úvod STC Závěr Autor: Jan Hošek Školitel: RNDr. Radim Řehůřek Fakulta jaderná a fyzikálně inženýrzká České vysoké učení technické v Praze 25. 5. 2009 Osnova Úvod STC Závěr 1 Úvod Motivace Ukázka technologie

Biochemie Ch52 volitelný předmět pro 4. ročník

Biochemie Ch52 volitelný předmět pro 4. ročník Charakteristika vyučovacího předmětu Vyučovací předmět vychází ze vzdělávací oblasti Člověk a příroda, vzdělávacího oboru Chemie. Mezipředmětové přesahy a

OPVK CZ.1.07/2.2.00/

OPVK CZ.1.07/2.2.00/28.0184 Základní principy vývoje nových léčiv OCH/ZPVNL Mgr. Radim Nencka, Ph.D. ZS 2012/2013 První kroky k objevu léčiva Nobelova cena za chemii 2013 Martin Karplus Michael Levitt

Standard studijního programu Bioinformatika

Standard studijního Bioinformatika A. Specifika a obsah studijního : Typ Navazující magisterský Oblast/oblasti vzdělávání Chemie Základní tematické okruhy Chemické disciplíny: zejména biochemie a chemická

ÚVOD DO MATEMATICKÉ BIOLOGIE I.

ÚVOD DO MATEMATICKÉ BIOLOGIE I. setkání třetí prof. Ing. Jiří Holčík, CSc. UKB, pav.a29, RECETOX, dv.č.112 holcik@iba.muni.cz POJĎME SI HRÁT SE SLOVY MATEMATIKA INFORMATIKA BIOLOGIE MEDICÍNA? BIOMEDICÍNA??

Jak bude zítra? Skoro jako dneska. Dan Lessner

Jak bude zítra? Skoro jako dneska. Dan Lessner Osnova O čem budu mluvit Motivace, popis problému Vhodná data Použitá architektura sítě Zajímavá zjištění Kde je zakopaný pes? Tady Co teď s tím Další zajímavá

DOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ

DOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ Úvod a oblasti aplikací Martin Plchút plchut@e-globals.net DEFINICE A POJMY Netriviální extrakce implicitních, ch, dříve d neznámých a potenciáln lně užitečných informací z

STRATEGICKÉ ŘÍZENÍ LIDSKÝCH ZDROJŮ

STRATEGICKÉ ŘÍZENÍ LIDSKÝCH ZDROJŮ Vzdělávání & Rozvoj Plánování & Nábor & Výběr Kariérový růst Firemní strategie STRATEGIE ŘÍZENÍ LIDSKÝCH ZDROJŮ Firemní výsledky FF UK 18. DUBEN 2016 Odměňování Řízení

Principy počítačů I Perspektivní technologie, měření výkonnosti a spolehlivost

Principy počítačů I Perspektivní technologie, měření výkonnosti a spolehlivost snímek 1 Principy počítačů Část XI Perspektivní technologie, měření výkonnosti a spolehlivost 1 snímek 2 1 cm 1 µm 50 nm 1

Počítačová chemie. výpočetně náročné simulace chemických a biomolekulárních systémů. Zora Střelcová

Počítačová chemie výpočetně náročné simulace chemických a biomolekulárních systémů Zora Střelcová Národní centrum pro výzkum biomolekul, Masarykova univerzita, Kotlářská 2, 611 37 Brno, Česká Republika

Studijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie

Studijní program Matematika Obor Pravděpodobnost, matematická statistika a ekonometrie Doporučené průběhy studia pro rok 2014/15 24. září 2014 Vysvětlivky: Tento dokument obsahuje několik alternativních

LABORATOŘ KOVŮ A KOROZE VZDĚLÁVÁNÍ ODBORNÉ KURZY A SEMINÁŘE

ODBORNÉ KURZY A SEMINÁŘE Vysoké učení technické v Brně Fakulta chemická Purkyňova 464/118 612 00 Brno wasserbauer@fch.vutbr.cz Využijte bohaté know-how odborných pracovníků Laboratoře kovů a koroze při

ZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14

ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 7.4 13/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 13 0:40 Implementace Umělá inteligence (UI) Umělá inteligence

Vícerozměrné statistické metody

Vícerozměrné statistické metody Shluková analýza Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Typy shlukových analýz Shluková analýza: cíle a postupy Shluková analýza se snaží o

Nanotechnologie jako součást výuky fyziky

Nanotechnologie jako součást výuky fyziky Lucie Kolářová Oddělení didaktiky fyziky Školitel: Doc. Jiří Tuček Katedra exprimentální fyziky Přírodovědecká fakulta Univerzity Palackého v Olomouci Vítejte

Fakulta chemicko-technologická

Fakulta chemicko-technologická Katedra analytické chemie Katedra anorganické technologie

Pravděpodobně skoro správné. PAC učení 1

Pravděpodobně skoro správné (PAC) učení PAC učení 1 Výpočetní teorie strojového učení Věta o ošklivém kačátku. Nechť E je klasifikovaná trénovací množina pro koncept K, který tvoří podmnožinu konečného

Základy genomiky. I. Úvod do bioinformatiky. Jan Hejátko

Základy genomiky I. Úvod do bioinformatiky Jan Hejátko Masarykova univerzita, Oddělení funkční genomiky a proteomiky Laboratoř molekulární fyziologie rostlin Základy genomiky I. Zdrojová literatura ke

RADIOIMUNOANALÝZA (RADIOIMMUNOASSAY) Převzato: sciencephoto.com Test krve hepatitis virus

RADIOIMUNOANALÝZA (RADIOIMMUNOASSAY) Převzato: sciencephoto.com Test krve hepatitis virus RADIOIMUNOANALÝZA Stanovení látek, proti kterým lze připravit protilátky ng (10-9 g) až pg (10-12 g) ve složitých

Služby pro predikci struktury proteinů. Josef Pihera

Služby pro predikci struktury proteinů Josef Pihera Struktura proteinů Primární sekvence aminokyselin Sekundární stáčení a spojování vodíkovými vazbami Supersekundární struktura přechod, opakovaná geometrická

Kvantová informatika pro komunikace v budoucnosti

Kvantová informatika pro komunikace v budoucnosti Antonín Černoch Regionální centrum pokročilých technologií a materiálů Společná laboratoř optiky University Palackého a Fyzikálního ústavu Akademie věd

Algoritmy pro shlukování prostorových dat

Algoritmy pro shlukování prostorových dat Marta Žambochová Katedra matematiky a informatiky Fakulta sociálně ekonomická Univerzita J. E. Purkyně v Ústí nad Labem ROBUST 21. 26. leden 2018 Rybník - Hostouň