Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM
|
|
- Włodzimierz Stasiak
- 5 lat temu
- Przeglądów:
Transkrypt
1 SVM
2 Wprowadzene Support vector machnes (maszyny wektorów wsperających, maszyny wektorów nośnych) SVM służy do: w wersj podstawowej klasyfkacj bnarnej w wersj z rozszerzenam regresj wyboru najważnejszych cech określana przypadków odstających grupowana Zalety metody SVM budowa prostych skomplkowanych model radz sobe z małą lczbą przykładów uczących radz sobe z dużą lczbą atrybutów Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 2
3 Założena Przykłady są opsane przez wektory Nech początek wektora będze w początku układu współrzędnych Nech konec wektora będze w punkce wyznaczonym przez wartośc atrybutów dla reprezentowanego przez nego przykładu Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 3
4 Rachunek wektorowy - przypomnene (1) Dodawane wektorów a = (a 1, a 2,, a n ) b = (b 1, b 2,, b n ) a + b = (a 1 + b 1, a 2 + b 2,, a n + b n ) b Odejmowane wektorów a = (a 1, a 2,, a n ) b = (b 1, b 2,, b n ) a b = (a 1 b 1, a 2 b 2,, a n b n ) -b b Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 4
5 Rachunek wektorowy - przypomnene (2) Mnożene wektora przez skalar a = (a 1, a 2,, a n ) ca = (ca 1, ca 2,, ca n ) rozcąga wektor ale ne zmena kerunku (zwrot zależy od znaku c) Długość eukldesowa a 2 = a = a a a n 2 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 5
6 Rachunek wektorowy - przypomnene (3) Iloczyn skalarny (ang. dot product) a = a 1, a 2,, a n b = (b 1, b 2,, b n ) a b = a 1 b 1 + a 2 b a n b n = n =1 a b a b = a b cos θ, gdze θ to kąt pomędzy wektoram a b. Wnosek 1: loczyn skalarny wektorów prostopadłych jest równy 0 Wnosek 2: a a = a 1 a 1 + a 2 a a n a n = a 2 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 6
7 Hperpłaszczyzna Hperpłaszczyzna w 2D to lna, a w 3D to płaszczyzna W ogólnośc do zdefnowana hperpłaszczyzny wystarczy wedza o dowolnym jej punkce P oraz o dowolnym wektorze do nej prostopadłym ω Jeżel P leży na hperpłaszczyźne, na której leży P wówczas zachodz: x = 1.5,1.75 x = 3,1 x x = ( 1.5, 0.75) ω x x = 0 ω x ω x = 0 P P ω x + b = 0 gdze b = ω x Różne b wyznaczają równoległe do sebe hperpłaszczyzny Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 7
8 SVM ogólna dea pozytywne (+) negatywne (-) neznane Idea: Znajdźmy lnę, która najlepej dzel obserwacje negatywne pozytywne Metoda: znajdźmy najszerszą ulcę, którą można wstawć pomędzy przypadk pozytywne negatywne. Jej środkem jest poszukwana przez nas lna podzału. Problem: jak znaleźć taką ulcę? Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 8
9 SVM ogólna dea pozytywne (+) negatywne (-) neznane Podstawowe pytane: po której strone środka ulcy jest nowa obserwacja? Odpowedź jest tożsama z podjęcem decyzj o przydzale do klasy pozytywnej lub negatywnej Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 9
10 SVM - wektory pozytywne (+) negatywne (-) neznane ω - dowolny wektor prostopadły do ulcy (neważna długość) v - wektor do nowej obserwacj Pytane: po której strone środka ulcy jest nowa obserwacja? Pytane: czy projekcja wektora v na wektor ω skutkuje przekroczenem środka ulcy? Projekcja to loczyn skalarny, zatem chcemy sprawdzć, czy ω v jest wększe lub równe jakejś stałej c ω v c Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 10
11 SVM pozytywne (+) negatywne (-) neznane Dla ułatwena dalszych przekształceń załóżmy, że b = c, wówczas: jeżel ω v + b 0 to przykład (+), jeżel ne to przykład (-) Problem: ne znamy zarówno ω (których może stneć wele), jak równeż b Rozwązane: Trzeba wprowadzć pewne założena/ogranczena Nech x + - dowolny ZNANY przykład (+) x - dowolny ZNANY przykład (-) Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 11
12 SVM - pozytywne (+) negatywne (-) neznane Załóżmy, że ω x + + b 1 ω x + b 1 nech będze dane y równe +1 dla przykładów pozytywnych 1 dla przykładów negatywnych Pomnóżmy te nerównośc przez y, wówczas dla przykładów pozytywnych: y ω x + b y 1 negatywnych y ω x + b y ( 1) uwaga na zmanę kerunku Podstawając 1 lub -1 po prawej strone, możemy zredukować te dwa równana do jednego: y ω x + b 1 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 12
13 SVM obserwacje na krawędz pozytywne (+) negatywne (-) neznane y ω x + b 1 y ω x + b 1 0 Pytane: zawsze jest neujemne, ale kedy równe 0? Odpowedz: dla obserwacj znajdujących sę dokładne na krawędz ulcy y ω x + b 1 = 0 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 13
14 SVM szerokość ulcy pozytywne (+) negatywne (-) neznane Weźmy dwa dowolne wektory dla przykładów pozytywnego negatywnego leżących na krawędz. Na podstawe tych wektorów można wyprowadzć ogólny wzór na szerokość ulcy odejmujemy wektory wektor wynkowy rzutujemy na jednostkowy wektor prostopadły do ulcy szerokość = x + x ω ω 2 jednostkowane Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 14
15 SVM szerokość ulcy pozytywne (+) negatywne (-) neznane szerokość = x + x ω ω Problem: ne znamy x + an x, ale przypomnjmy, że y ω x + b 1 = 0 Dla x + wartość y = 1, czyl 1 ω x + + b 1 = 0 ω x + = 1 b a dla x wartość y = 1, czyl 1 ω x + b 1 = 0 ω x = 1 + b x + x ω ω Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 15
16 SVM szerokość ulcy pozytywne (+) negatywne (-) neznane Podstawając otrzymujemy: 1 b + (1 + b) ω szerokość = = 2 ω 2 ω Maksymalzowane szerokośc oznacza zatem mnmalzowane ω Dla ułatwena kolejnych przekształceń (lczena pochodnych) można założyć zatem, że mnmalzujemy wyrażene: 1 2 ω 2 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 16
17 prmal formulaton SVM sformułowane prymalne Zadane maksymalzacj szerokośc drog można wyrazć w postac problemu programowana kwadratowego, w którym jest d + 1 zmennych (ω 1,, ω d, b) oraz ogranczeń Dla przykładów x 1,, x n R d z etyketam y 1,, y n 1,1 mn ω,b 1 2 ω 2 przy ogranczenach y ω x + b 1, = 1,, n Klasyfkacja nowego elementu v następuje poprzez sprawdzene, czy ω v + b > 0 Problem w postac perwotnej można rozwązać, ale lepsze jest przejśce do sformułowana dualnego Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 17
18 SVM mnożnk Lagrange a Przypomnene: jak znaleźć ekstremum? Polczyć pochodną sprawdzć dla jakego parametru przyjmuje wartość 0 Mnożnk Lagrange a to metoda oblczana tzw. ekstremum warunkowych funkcj Mając funkcję f zbór A opsany za pomocą pewnego równana można znaleźć ekstrema funkcj f dla zboru A. Przykład: nech będze dana funkcja f x, y = x 2 y 2 warunek x 2 + y 2 1 = 0. Znajdź ekstrema warunkowe funkcj f(x, y) Metoda rozwązana polega na zbudowanu funkcj Lagrange a L x, y = x 2 y 2 + λ x 2 + y 2 1 wylczenu układu równań L x = 0 L y = 0 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 18
19 SVM mnożnk Lagrange a Wersja dla SVM Mnożnk Lagrange a L ω, b, α = 1 2 ω 2 α y ω x + b 1 To chcemy maksymalzować ogranczena ( ogranczone do wartośc 0) α 0 Uwaga: α > 0 oznacza, że aby ogranczene było równe 0, y ω x + b mus być równe 1. To oznacza natomast, że przykład skojarzony z wektorem x jest wektorem wsperającym. Mnożnk Lagrange a w SVM są zatem równe 0 dla wektorów, które ne leżą na krawężnkach drog Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 19
20 SVM transformacja do sformułowana dualnego Idea: rozwązując problem dualny (czyl wyznaczając α) otrzymujemy rozwązane problemu perwotnego max α mn ω,b L ω, b, α = 1 2 ω 2 α y ω x + b 1 α 0 L ω = ω α y x L ω = 0 ω = α y x L b = α y L b = 0 α y = 0 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 20
21 SVM pochodne dokonajmy prostych przekształceń zobaczmy jake są zależnośc L ω, b, α = 1 2 ω 2 α y ω x + b 1 ω = α y x L b, α = 1 2 α y x α j y j x j α y x α j y j x j y b + j j Uwaga na ndeksy L b, α = 1 2 α α j y y j x x j + y b + j =0 poneważ α y = 0 L α = 1 2 α α j y y j x x j j Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 21
22 dual formulaton SVM sformułowane dualne Dla przykładów x 1,, x n R d z etyketam y 1,, y n 1,1 max α α 1 2 przy ogranczenach j α α j y y j x x j α y = 0 α 0 Jest to równeż problem programowana kwadratowego z n zmennym (α,, α n ) 2n ogranczenam Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 22
23 SVM obserwacje L α = j α α j y y j x x j Czyl zależy tylko od loczynu skalarnego przykładów Można to rozwązać metodam teracyjnym (ne ma lokalnych ekstremów węc w nch ne utknemy ) Zauważmy, że reguła dla sformułowana perwotnego: jeżel ω v + b 0 to przykład pozytywny może zostać zastąpona (przez podstawene ω = dla sformułowana dualnego na: jeżel α y x v + b 0 to przykład pozytywny Zatem decyzja też zależy od loczynu skalarnego α y x ) Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 23
24 SVM sformułowane dualne pozytywne (+) negatywne (-) neznane α = 0 α > 0 α = 0 α > 0 Rozwązując problem dualny poznajemy wartośc α Na ch podstawe wylczamy ω, ze wzoru ω = α y x b, ze wzoru b = y k ω x k (dla dowolnego k, dla którego α k > 0) Inaczej mówąc używamy wektorów wsperających dla wyznaczena ω oraz b α = 0 α > 0 Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 24
25 SVM kernel trck wele zborów danych może ne być lnowo separowalna Rozwązane: transformacja danych wejścowych, tak by były separowalne lnowo (najczęścej transformacja do przestrzen o wększej lczbe wymarów) Każdą obserwację x należałoby zatem poddać transformacj φ co zapsujemy jako φ x Zauważmy, że maksymalzacja szerokośc drog zależy tylko od loczynu skalarnego, w docelowej przestrzen maksymalzować trzeba φ x φ x j Klasyfkacja wymaga sprawdzena nerównośc: dla postac prymalnej ω φ v + b > 0 dla postac dualnej α y φ x φ v + b 0 Najważnejsza obserwacja: w wersj dualnej ne musmy znać transformacj, musmy tylko znać funkcję (kernel functon), która dostarcza wynk loczynu skalarnego w pewnej założonej przestrzen K x, x j = φ x φ x j Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 25
26 SVM rodzaje kernel Lnowy Gausowsk Wykładnczy Welomanowy K x, x j = x x j K x, x j = e γ x 2 x j K x, x j = e γ x x j q K x, x j = p + x x j Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 26
27 SVM soft margn (1) pozytywne (+) negatywne (-) oprócz transformacj do wększej lczby wymarów można stosować przekształcena przykładów wejścowych (ale ryzyko overfttng) jeżel nadal ne można uzyskać lnowej separowalnośc możemy pozwolć na pewen błąd Trywalne podejśce: polczmy le razy sę mylmy, tj. jesteśmy po złej strone drog Inne podejśce: polczmy jak bardzo sę mylmy Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 27
28 SVM soft margn (2) pozytywne (+) negatywne (-) Trywalne podejśce: mn ω,b ω 2 + C (lczba pomyłek) C to wsp. tradeoff pomędzy szerokoścą drog a błędnym rozróżnenem klas Problem: ne rozróżnamy delkatnej mocnej pomyłk (ocena bnarna), a dodatkowo ne jest to problem programowana kwadratowego Lepsze rozwązane: mn ω,b ω 2 + C ξ lnowa zależność od welkośc pomyłk przy ogranczenach y ω x + b 1 ξ, = 1,, n gdze ξ to odległość -tego przykładu od hperpłaszczyzny Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 28
29 SVM soft margn (3) Prmal formulaton mn ω,b ω 2 + C przy ogranczenach y ω x + b 1 ξ, = 1,, n Dual formulaton max α α przy ogranczenach Parametr C 1 2 α y j ξ α α j y y j x x j = 0 0 α C Duża wartość zblża SVM do wersj hard-margn (C = ) Mała wartość dopuszcza wększy błąd Ne ma dobrej, unwersalnej wartośc Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 29
30 SVM jeszcze o błędach (1) Na przykładze sformułowana prymalnego mn ω,b ω 2 + C przy ogranczenach y ω x + b 1 ξ, = 1,, n zauważmy, że ogranczene y ω x + b 1 ξ można zapsać w postac y f x 1 ξ, a po przekształcenu otrzymujemy ξ 1 y f x Poneważ ξ 0, cały problem można zapsać w postac bez ogranczeń mn ω,b ω 2 + C ξ max 0, 1 y f x Funkcja straty Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 30
31 SVM jeszcze o błędach (2) max 0, 1 y f x - jak to nterpretować? Gdy punkt jest Po właścwej strone hperpłaszczyzny poza drogą, wówczas y f x > 1. Ne zwększa to straty poneważ max da wynk równy 0. Po właścwej strone hperpłaszczyzny na krawędz drog, wówczas y f x = 1. Ne zwększa to straty poneważ max da wynk równy 0. Po newłaścwej strone hperpłaszczyzny lub na drodze, wówczas y f x < 1. Zawsze zwększa to straty poneważ max da wynk równy wększy od 1 (m wększa odległość, tym wększa wartość straty). Hnge lose functon 0/1 lose functon Strata dla klasy pozytywnej Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 31
32 SVM Jak wybrać model? Można zastosować podejśce data-drven, w którym używany jest dodatkowy etap (nested cross-valdaton) dla różnych wartość C oraz transformacj. Innym podejścem może być wykorzystane np. MDL. SVM a wele klas decyzyjnych one vs rest, one vs all dla każdej z M klas tworzony jest klasyfkator, w którym za klasę pozytywną uznaje sę m-tą klasę, a pozostałe przypadk traktowane są jako przykłady klasy negatywnej. Przy klasyfkacj wygrywa klasa, dla której wartość funkcj jest najwększa OVO - one vs one dla M klas tworzonych jest M M 1 /2 klasyfkatorów (każda klasa z każdą). Decyzja jest podejmowana przez głosowane wększoścowe. ECOC error correctng output code (następny slajd) DAGSVM tworzy klasyfkatory jak w OVO, ale naczej wygląda klasyfkacja. Tworzone jest drzewo DAG (drect acyclc graph), które przypomna bnarne drzewo decyzyjne jest używane dla szybszego elmnowana klas Weston-Watkns oraz Crammer-Snger (M-SVM) zmana defncj problemu, jeden klasyfkator Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 32
33 SVM - ECOC Class Code word f 1 f 2 f 3 f 4 f 5 f 6 f 7 C C C C codng matrx MQxS. wersze to klasy, kolumny to klasyfkatory bnarne Wartośc 1/0 oznacza, ze dla q-tej klasy s-tego klasyfkatora przykład jest pozytywny/negatywny Podczas trenowana tworzone są klasyfkatory bnarne Nowy przykład dostaje wektor wynkowy, który porównywany jest z wektoram dla klas (np. odległość Hammnga) Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 33
34 One-class SVM To ne jest problem klasyfkacyjny ne ma żadnych, z góry znanych klas Idea (ntucja): znajdź regon, który zawera wększość przykładów zbuduj model, który dla przykładów z tego regonu da wynk pozytywny, a dla pozostałych przykładów da wynk negatywny Przykłady negatywne są obserwacjam dotąd nespotykanym lub przypadkam osoblwym Zaleta: ne musmy meć w przykładach uczących pełnych danych o negatywnych przykładach (a często ch ne znamy, np. różne możlwe wady produktów mogą ne być łatwe w przewdzenu) W praktyce dodajemy dodatkowy parametr określający górną grancę na względną lczbę nowych obserwacj/przypadków osoblwych Paweł Bońsk, Instytut Informatyk, Poltechnka Poznańska 34
BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoRozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowof(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 +
Różnczkowalność pocodne Ćwczene. Znaleźć pocodne cz astkowe funkcj f(x, y) = arctg x y. Rozw azane: Wdać, że funkcj f można napsać jako f(u(x, y)) gdze f(u) = arctg(u), u(x, y) = x y. Korzystaj ac z reg
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoRUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.
RUCH OBROTOWY Można opsać ruch obrotowy ze stałym przyspeszenem ε poprzez analogę do ruchu postępowego jednostajne zmennego. Ruch postępowy a const. v v at s s v t at Ruch obrotowy const. t t t Dla ruchu
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoliniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.
=DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoMECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko
MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu
Bardziej szczegółowoRóżniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k
Różnczkowalność, pochodne, ekstremum funkcj Ćwczene 1 Polczyć pochodn a kerunkow a funkcj: 1 1 1 x 1 x 2 x k ϕ(x 1,, x k ) x 2 1 x 2 2 x 2 k x k 1 1 x k 1 2 x k 1 w dowolnym punkce p [x 1, x 2,, x k T
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoKwantowa natura promieniowania elektromagnetycznego
Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoPODSTAWY RACHUNKU WEKTOROWEGO
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Skalar Definicja Skalar wielkość fizyczna (lub geometryczna)
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoModel ASAD. ceny i płace mogą ulegać zmianom (w odróżnieniu od poprzednio omawianych modeli)
Model odstawowe założena modelu: ceny płace mogą ulegać zmanom (w odróżnenu od poprzedno omawanych model) punktem odnesena analzy jest obserwacja pozomu produkcj cen (a ne stopy procentowej jak w modelu
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoSVM: Maszyny Wektorów Podpieraja cych
SVM 1 / 24 SVM: Maszyny Wektorów Podpieraja cych Nguyen Hung Son Outline SVM 2 / 24 1 Wprowadzenie 2 Brak liniowej separowalności danych Nieznaczna nieseparowalność Zmiana przetrzeń atrybutów 3 Implementacja
Bardziej szczegółowo4. OPTYMALIZACJA WIELOKRYTERIALNA
Wybrane zagadnena badań operacyjnych dr nż. Zbgnew Tarapata Wykład nr 4: Optymalzacja welokryteralna 4. OPTYMLIZCJ WIELORYTERIL Decyzje nwestycyjne mają często charakter złożony. Zdarza sę, że przy wyborze
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowo7. Wykład VII: Warunki Kuhna-Tuckera
Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n
Bardziej szczegółowoNowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 2 Potencjał membranowy u wyznaczany jest klasyczne: gdze: w waga -tego wejśca neuronu b ba
Nowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 1 Ćwczene 2: Perceptron WYMAGANIA 1. Sztuczne sec neuronowe budowa oraz ops matematyczny perceptronu (funkcje przejśca perceptronu), uczene perceptronu
Bardziej szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
Bardziej szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowo8. Optymalizacja decyzji inwestycyjnych
dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 15. ANALIZA DANYCH WYKRYWANIE OBSERWACJI ODSTAJĄCYCH, UZUPEŁNIANIE BRAKUJĄCYCH DANYCH Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska WYKRYWANIE
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania
Montoroane Dagnostka Sstemach Steroana Katedra Inżner Sstemó Steroana Dr nż. Mchał Grochosk Montoroane Dagnostka Sstemach Steroana na studach II stopna specjalnośc: Sstem Steroana Podejmoana Deczj Maszn
Bardziej szczegółowoMinister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.
Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego
Bardziej szczegółowoProgramowanie liniowe
Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.
Bardziej szczegółowodr Mariusz Grządziel 15,29 kwietnia 2014 Przestrzeń R k R k = R R... R k razy Elementy R k wektory;
Wykłady 8 i 9 Pojęcia przestrzeni wektorowej i macierzy Układy równań liniowych Elementy algebry macierzy dodawanie, odejmowanie, mnożenie macierzy; macierz odwrotna dr Mariusz Grządziel 15,29 kwietnia
Bardziej szczegółowoP 1, P 2 - wektory sił wewnętrznych w punktach powierzchni F wokół punktu A
TEORI STNU NPRĘŻENI. WEKTOR NPRĘŻENI r x P P P P, P - wektory sł wewnętrznych w unktach owerzchn wokół unktu P P r, P - suma sł wewnętrznych na owerzchn P P P P średna gęstość sł wewnętrznych na owerzchn
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoEgzamin poprawkowy z Analizy II 11 września 2013
Egzamn poprawkowy z nalzy II 11 wrześna 13 Uwag organzacyjne: każde zadane rozwązujemy na osobnej kartce Każde zadane należy podpsać menem nazwskem własnym oraz prowadzącego ćwczena Na wszelk wypadek prosmy
Bardziej szczegółowoStatystyka Inżynierska
Statystyka Inżynerska dr hab. nż. Jacek Tarasuk AGH, WFIS 013 Wykład DYSKRETNE I CIĄGŁE ROZKŁADY JEDNOWYMIAROWE Zmenna losowa, Funkcja rozkładu, Funkcja gęstośc, Dystrybuanta, Charakterystyk zmennej, Funkcje
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoV. TERMODYNAMIKA KLASYCZNA
46. ERMODYNAMIKA KLASYCZNA. ERMODYNAMIKA KLASYCZNA ermodynamka jako nauka powstała w XIX w. Prawa termodynamk są wynkem obserwacj welu rzeczywstych procesów- są to prawa fenomenologczne modelu rzeczywstośc..
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoRÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH
Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume
Bardziej szczegółowoModel ISLM. Inwestycje - w modelu ISLM przyjmujemy, że inwestycje przyjmują postać funkcji liniowej:
dr Bartłomej Rokck Ćwczena z Makroekonom I Model ISLM Podstawowe założena modelu: penądz odgrywa ważną rolę przy determnowanu pozomu dochodu zatrudnena nwestycje ne mają charakteru autonomcznego, a ch
Bardziej szczegółowo1. Wstęp. Grupa: Elektrotechnika, wersja z dn Studia stacjonarne, II stopień, sem.1 Laboratorium Techniki Świetlnej
Grupa: Elektrotechnka, wersja z dn. 0.03.011 Studa stacjonarne, stopeń, sem.1 Laboratorum Technk Śwetlnej Ćwczene nr 6 Temat: Porównane parametrów fotometrycznych Ŝarówek dod śwecących o ukerunkowanym
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoRachunek wektorowy - wprowadzenie. dr inż. Romuald Kędzierski
Rachunek wektorowy - wprowadzenie dr inż. Romuald Kędzierski Graficzne przedstawianie wielkości wektorowych Długość wektora jest miarą jego wartości Linia prosta wyznaczająca kierunek działania wektora
Bardziej szczegółowoWykład Turbina parowa kondensacyjna
Wykład 9 Maszyny ceplne turbna parowa Entropa Równane Claususa-Clapeyrona granca równowag az Dośwadczena W. Domnk Wydzał Fzyk UW ermodynamka 08/09 /5 urbna parowa kondensacyjna W. Domnk Wydzał Fzyk UW
Bardziej szczegółowoPODSTAWY MATEMATYCZNE
PODSTAWY MATEMATYCZNE ALGEBRA WEKTORÓW I TENSORÓW Baza ortonormalna w E 3 : e 1, e 2, e 3 ( e, e ) j j 1 f j 0 f j Każdy wektor w E 3 może być wyrażony jako lnowa kombnacja wersorów bazowych a a e a e
Bardziej szczegółowoInstrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne
Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk
Bardziej szczegółowoUCZENIE MASZYNOWE III - SVM. mgr inż. Adam Kupryjanow
UCZENIE MASZYNOWE III - SVM mgr inż. Adam Kupryjanow Plan wykładu Wprowadzenie LSVM dane separowalne liniowo SVM dane nieseparowalne liniowo Nieliniowy SVM Kernel trick Przykłady zastosowań Historia 1992
Bardziej szczegółowoGeometria w R 3. Iloczyn skalarny wektorów
Geometria w R 3 Andrzej Musielak Str 1 Geometria w R 3 Działania na wektorach Wektory w R 3 możemy w naturalny sposób dodawać i odejmować, np.: [2, 3, 1] + [ 1, 2, 1] = [1, 5, 2] [2, 3, 1] [ 1, 2, 1] =
Bardziej szczegółowoCo to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem.
1 Wektory Co to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem. 1.1 Dodawanie wektorów graficzne i algebraiczne. Graficzne - metoda równoległoboku. Sprowadzamy wektory
Bardziej szczegółowoEkonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.
mę, nazwsko, nr ndeksu: Ekonometra egzamn 1//19 1. Egzamn trwa 9 mnut.. Rozwązywane zadań należy rozpocząć po ogłoszenu początku egzamnu a skończyć wraz z ogłoszenem końca egzamnu. Złamane tej zasady skutkuje
Bardziej szczegółowoGrupa: Elektrotechnika, wersja z dn Studia stacjonarne, II stopień, sem.1 Laboratorium Techniki Świetlnej
ul.potrowo 3a http://lumen.ee.put.poznan.pl Grupa: Elektrotechnka, wersja z dn. 29.03.2016 Studa stacjonarne, stopeń, sem.1 Laboratorum Technk Śwetlnej Ćwczene nr 6 Temat: Badane parametrów fotometrycznych
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoPrzykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania
Przykład.. Beka dwukrotne statyczne newyznaczana o stałej sztywnośc zgnana Poecene: korzystając z metody sł sporządzć wykresy sł przekrojowych da ponŝszej bek. Wyznaczyć ugęce oraz wzgędną zmanę kąta w
Bardziej szczegółowoINDUKCJA ELEKTROMAGNETYCZNA. - Prąd powstający w wyniku indukcji elektro-magnetycznej.
INDUKCJA ELEKTROMAGNETYCZNA Indukcja - elektromagnetyczna Powstawane prądu elektrycznego w zamknętym, przewodzącym obwodze na skutek zmany strumena ndukcj magnetycznej przez powerzchnę ogranczoną tym obwodem.
Bardziej szczegółowoWyznaczanie długości fali światła metodą pierścieni Newtona
013 Katedra Fzyk SGGW Ćwczene 368 Nazwsko... Data... Nr na lśce... Imę... Wydzał... Dzeń tyg.... Ćwczene 368: Godzna.... Wyznaczane długośc fal śwatła metodą perścen Newtona Cechowane podzałk okularu pomarowego
Bardziej szczegółowoPodstawy robotyki. Wykład II. Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska
Podstawy robotyki Wykład II Ruch ciała sztywnego w przestrzeni euklidesowej Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska Preliminaria matematyczne
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 11
Stansław Cchock Natala Nehrebecka Wykład 11 1 1. Testowane hpotez łącznych 2. Testy dagnostyczne Testowane prawdłowośc formy funkcyjnej: test RESET Testowane normalnośc składnków losowych: test Jarque-Berra
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobeństwo geometryczne Przykład: Przestrzeń zdarzeń elementarnych określona jest przez zestaw punktów (x, y) na płaszczyźne wypełna wnętrze kwadratu [0 x ; 0 y ]. Znajdź p-stwo, że dowolny punkt
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład
Bardziej szczegółowoPOLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRYCZNY SIECI NEURONOWE SVM W ZASTOSOWANIU DO KLASYFIKACJI OBRAZÓW KOMÓREK SZPIKU KOSTNEGO
POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRYCZNY Instytut Elektrotechnk Teoretycznej Systemów Informacyjno Pomarowych mgr nż. Tomasz Markewcz SIECI NEURONOWE SVM W ZASTOSOWANIU DO KLASYFIKACJI OBRAZÓW KOMÓREK
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada. Zajęcia 3
Stansław Cchock Natala Nehrebecka Katarzyna Rosak-Lada Zajęca 3 1. Dobrod dopasowana równana regresj. Współczynnk determnacj R 2 Dekompozycja warancj zmennej zależnej Współczynnk determnacj R 2 2. Zmenne
Bardziej szczegółowoAnaliza Matematyczna MAEW101 MAP1067
1 Analiza Matematyczna MAEW101 MAP1067 Wydział Elektroniki Przykłady do Listy Zadań nr 14 Funkcje wielu zmiennych. Płaszczyzna styczna. Ekstrema Opracowanie: dr hab. Agnieszka Jurlewicz Przykłady do zadania
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowo7. Maszyny wektorów podpierajacych SVMs
Algorytmy rozpoznawania obrazów 7. Maszyny wektorów podpierajacych SVMs dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Maszyny wektorów podpierajacych - SVMs Maszyny wektorów podpierających (ang.
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoPrzykład 3.2. Rama wolnopodparta
rzykład ama wonopodparta oecene: Korzystając ze wzoru axwea-ohra wyznaczyć wektor przemeszczena w punkce w ponższym układze oszukwać będzemy składowych (ponowej pozomej) wektora przemeszczena punktu, poneważ
Bardziej szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowo