Niezawodność biometrii tęczówki w kontekście starzenia się wzorców, chorób oka i zmian zachodzących po śmierci
|
|
- Maciej Wysocki
- 7 lat temu
- Przeglądów:
Transkrypt
1 slide 1 of 36 Niezawodność biometrii tęczówki w kontekście starzenia się wzorców, chorób oka i zmian zachodzących po śmierci Mateusz Trokielewicz Zakład Biometrii, Naukowa i Akademicka Sieć Komputerowa Instytut Automatyki i Informatyki Stosowanej, Politechnika Warszawska Biometria września 2016
2 slide 2 of 36 Wprowadzenie Biometria tęczówki a ludzka biologia Biometria tęczówki a ludzka biologia Założenie stabilności i niezmienności istotne cechy tęczówki pozostają niezwykle stabilne i nie podlegają zmianom przez okres wielu lat Safir and Flom, 1987 unikatowa dla każdego człowieka i stabilna przez wiele lat praktycznie niezmienna przez całe ludzkie życie Daugman, 1994
3 slide 3 of 36 Wprowadzenie Biometria tęczówki a ludzka biologia Czy zawsze jest to prawdą? Okoliczności związane z biologią człowieka, mogące powodować problemy: naturalne procesy starzenia - czy tęczówka jest odporna na te procesy biologiczne? stan zdrowia i procesy chorobowe obejmujące oko - jaki wpływ mają na działanie metod biometrycznych?? śmierć - czy możliwe jest rozpoznawanie tęczówki po śmierci? Jeśli te problemy rzeczywiście występują, jak im zapobiegać?
4 slide 4 of 36 Starzenie się wzorców Aspekt 1: Starzenie się wzorców tęczówki
5 slide 5 of 36 Starzenie się wzorców Sformułowanie problemu Czym jest starzenie się wzorców? Wzrost wartości błędów rozpoznania oczekiwany przy rosnącym czasie pomiędzy pozyskaniem próbek: rejestracyjnej i weryfikacyjnej/identyfikacyjnej Składowe zjawiska: biologiczne starzenie się oka i jego tkanek różnice w prezentacji próbek związane z różnym rozwarciem źrenicy, opadaniem powiek, warunkach wykonania fotografii, etc. interoperacyjność sensorów i ich starzenie się - różnice związane ze sprzętem oraz jego zużywaniem się
6 slide 6 of 36 Starzenie się wzorców Sformułowanie problemu Czym jest starzenie się wzorców? Definicja ISO/IEC reference aging - the changes in error rates with respect to a fixed reference caused by: time-related changes in the biometric characteristic, its presentation, the sensor and other components of the biometric technology
7 slide 7 of 36 Starzenie się wzorców Baza danych dotycząca starzenia Baza danych dotycząca starzenia Baza danych BioBase-Ageing-Iris (Politechnika Warszawska/NASK) obrazy 70 różnych tęczówek pobrane w odstępie do 2960 dni - ponad 8 lat
8 slide 8 of 36 Starzenie się wzorców Metodyka eksperymentów Analiza metodą regresji liniowej Metodyka Dlaczego regresja? starzenie się wzorców nie powinno być traktowane jako monotoniczny, oczekiwant spadek stopni dopasowania obrazów, ale raczej jako brak stacjonarności regresja liniowa odpowiada, czy występuje stacjonarność
9 Starzenie się wzorców Metodyka eksperymentów Analiza metodą regresji liniowej Metodyka Dlaczego regresja? starzenie się wzorców nie powinno być traktowane jako monotoniczny, oczekiwant spadek stopni dopasowania obrazów, ale raczej jako brak stacjonarności regresja liniowa odpowiada, czy występuje stacjonarność Wiele modeli regresyjnych: czas od pobrania pierwszej próbki (rejestracyjnej) wskaźniki jakości - zakłócenia w postaci powiek, rzęs i odbić, kontrast lokalny, intensywność oświetlenia, ostrość wskaźniki geometryczne - zmienność średnic tęczówki i źrenicy w obrębie pary obrazów slide 8 of 36
10 slide 9 of 36 Starzenie się wzorców Metodyka eksperymentów Analiza metodą regresji liniowej Przykładowy model
11 slide 10 of 36 Starzenie się wzorców Wyniki Starzenie się wzorców: Podsumowanie parametr czasowy jest istotny statystycznie w każdym z 29 testowanych modeli regresyjnych wpływ czasu na starzenie wzorców (0.007/rocznej zmiany w HD /8 lat) w miarę dodawania nowych zmiennych, osłabiają one model istnieje wiele wymiarów problemu starzenia wzorców, najprawdopodobniej włączając w to czynniki biologiczne
12 slide 11 of 36 Wpływ chorób oczu Aspekt II: Wpływ chorób oczu
13 slide 12 of 36 Wpływ chorób oczu Sformułowanie problemu Wpływ chorób oczu na niezawodność biometrii tęczówki 1. Problem zwłaszcza w biometrii tęczówki na masową skalę:, NEXUS/CANPASS by Canadian Border Services Agency, AADHAAR by Unique Identification Authority of India, dokumenty podróży, dowody osobiste, etc. 2. Przypadki te mogą prowadzić do fałszywych odrzuceń, a być może także do fałszywych akceptacji.
14 Wpływ chorób oczu Sformułowanie problemu Wpływ chorób: Pytania 1. Czy choroby mają wpływ na proces rejestracji? Jeśli tak, w jaki sposób różne ich typy przekładają się na wzrost FTE?
15 Wpływ chorób oczu Sformułowanie problemu Wpływ chorób: Pytania 1. Czy choroby mają wpływ na proces rejestracji? Jeśli tak, w jaki sposób różne ich typy przekładają się na wzrost FTE? 2. Czy oczy chore, ale ze zmianami niewidocznymi gołym okiem w świetle podczerwonym, dają wyniki gorsze niż oczy zdrowe?
16 Wpływ chorób oczu Sformułowanie problemu Wpływ chorób: Pytania 1. Czy choroby mają wpływ na proces rejestracji? Jeśli tak, w jaki sposób różne ich typy przekładają się na wzrost FTE? 2. Czy oczy chore, ale ze zmianami niewidocznymi gołym okiem w świetle podczerwonym, dają wyniki gorsze niż oczy zdrowe? 3. Jakie typy widocznych zmian w oczach objętych chorobą mają największy wpływ na biometrię tęczówki?
17 Wpływ chorób oczu Sformułowanie problemu Wpływ chorób: Pytania 1. Czy choroby mają wpływ na proces rejestracji? Jeśli tak, w jaki sposób różne ich typy przekładają się na wzrost FTE? 2. Czy oczy chore, ale ze zmianami niewidocznymi gołym okiem w świetle podczerwonym, dają wyniki gorsze niż oczy zdrowe? 3. Jakie typy widocznych zmian w oczach objętych chorobą mają największy wpływ na biometrię tęczówki? 4. Jakie są przyczyny pogorszenia niezawodności?
18 Wpływ chorób oczu Dane eksperymentalne Proces zbierania danych Po lewej: IrisGuard AD100 Na górze po prawej: Canon EOS 1000D Na dole po prawej: Topcon DC3 W sumie: 2996 obrazów 230 tęczó- wek slide 14 of 36
19 Wpływ chorób oczu Dane eksperymentalne Problem klasyfikacji danych Skomplikowany przypadek: zaćma podostra jaskra irydotomia zniekształcona źrenica zrosty tylne Jak analizować?
20 Wpływ chorób oczu Klasyfikacja danych Problem klasyfikacji danych Rozwiązanie: pięć zbiorów slide 16 of 36
21 Wpływ chorób oczu Wyniki Re: Pytanie 1 Czy choroby mają wpływ na proces rejestracji? Jeśli tak, w jaki sposób różne ich typy przekładają się na wzrost FTE? FTE (%) dla trzech metod rozpoznania Pozdbiór danych MIRLIN VeriEye OSIRIS Healthy Clear Geometry Tissue Obstructions Odpowiedź: TAK (największy wpływ dla zmian geometrycznych i przysłonięć tęczówki).
22 slide 18 of 36 Wpływ chorób oczu Wyniki Re: Pytanie 2 Czy oczy chore, ale ze zmianami niewidocznymi gołym okiem w świetle podczerwonym, dają wyniki gorsze niż oczy zdrowe? Test Kolmogorova-Smirnova: wyniki porównań podzbiorów Healthy i Clear pochodzą z tego samego rozkładu p-value < 0.02 dla porównań wewnątrz- i międzyklasowych Odpowiedź: TAK (w zależności od metody).
23 slide 19 of 36 Wpływ chorób oczu Wyniki Re: Pytanie 3 Jakie są przyczyny pogorszenia niezawodności? Kolmogorov-Smirnov tests: H0: wyniki porównań podzbiorów Healthy i Geometry/Tissue/Obstructions pochodzą z tego samego rozkładu p-value < 0.02 dla porównań wewnątrz- i międzyklasowych Odpowiedź: próbki klasyfikowane jako Geometry i Obstructions mają największy (nagatywny) wpływ na niezawodność
24 Wpływ chorób oczu Wyniki Re: Pytanie 4 Jakie są przyczyny pogorszenia niezawodności? Odpowiedź: błędy segmentacji (w szczególności dla podzbiorów Geometry i Obstructions)
25 Choroby oczu: Podsumowanie 1. Chore oczy zajęte są zwykle więcej niż jednym procesem chorobwym, co czyni analizę opartą na taksonomii pojedynczej choroby niemożliwą. 2. Na dokładność biometrii tęczówki silnie wpływają choroby powodujące znieszkształcenia geometryczne i przesłonięcia tęczówki. 3. Zmiany chorobwe w oku, które są niewidoczne dla eksperta w świetle podczerwonym są w stanie pogarszać jakość rozpoznania. 4. Spadek jakości przypisać można błędom segmentacji.
26 slide 22 of 36 Rozpoznawanie tęczówki po śmierci Aspekt III: Rozpoznawanie tęczówki po śmierci
27 Rozpoznawanie tęczówki po śmierci W literaturze Kilka stwierdzeń i opinii 1. Soon after death, the pupil dilates considerably, and the cornea becomes cloudy. - J. Daugman (2001) 2. the iris (...) decays only a few minutes after death - Szczepański, Misztal, Saeed (2014) 3. the notion of stealing someone s iris after death is scientifically impossible. The iris is a muscle; it completely relaxes after death and results in a fully dilated pupil with no visible iris at all. A dead person simply does not have a usable iris! - IrisGuard 4. after death, a person s iris features will vanish along with pupil s dilation - IriTech (2015)
28 Rozpoznawanie tęczówki po śmierci Sformułowanie problemu Rozpoznawanie tęczówki po śmierci Korzyść dla kryminalistyki, problem w zarządzaniu tożsamością? 1. Nowe zastosowanie: kryminalistyka potencjalnie szybka i dokładna alternatywa dla odcisku palca, kartoteki dentystycznej i DNA w przypadku ofiar wypadków, przestępstw, na polu bitwy? 2. Problem: obawy społeczne Will someone be able to steal my iris after I die, and use it to gain access to my identity? [Science Focus, 2009]
29 Rozpoznawanie tęczówki po śmierci Medically speaking Co dzieje się z oczami po śmierci? Aspekty medyczne 1. spadek przejrzystości rogówki na skutek autolizy (samodestrukcji) komórek spowodowanej niedotlenieniem, zakwaszeniem i brakiem nawilżenia 2. powolny zanik tkanki powoduje jednocześnie marszczenie powierzchni rogówki 3. źrenice są średnio zwężone (mid-dilated), reagujące na stymulację chemiczną (do kilku godzin od śmierci), ale nie świetlną 4. utrata sprężystości gałki ocznej i jej zapadanie się do wnętrza oczodołu (skutek powolnej, ale postępującej utraty ciśnienia wewnątrzgałkowego)
30 slide 26 of 36 Rozpoznawanie tęczówki po śmierci Dane eksperymentalne Rozkład czasów akwizycji próbek
31 Rozpoznawanie tęczówki po śmierci Dane eksperymentalne Ocena wizualna danych - kilka spostrzeżeń (1/3) tęczówka wygląda inaczej w świetle widzialnym i w bliskiej podczerwieni - różnice są tym mocniej widoczne, im mniej przezierna jest rogówka slide 27 of 36
32 slide 28 of 36 Rozpoznawanie tęczówki po śmierci Dane eksperymentalne Ocena wizualna danych - kilka spostrzeżeń (2/3) w niektórych przypadkach występuje zjawisko zapadania się gałki ocznej do wnętrza oczodołu, powodując znaczną zmianę wyglądu tęczówki można temu do pewnego stopnia przeciwdziałać stosując ucisk na gałkę oczną rozmiar i kształt źrenicy zmieniają się, ale są to zmiany niewielkie, często przykrywane przez inne zjawiska, a czasem nie występujące wcale
33 slide 29 of 36 Rozpoznawanie tęczówki po śmierci Dane eksperymentalne Ocena wizualna danych - kilka spostrzeżeń (3/3) wraz z upływem czasu od śmierci na rógówce pojawiają się coraz wyraźniej zaznaczone zmarszczki Segmentacja metodą OSIRIS dla próbek pozyskanych 5, 95 i 407 godzin po śmierci.
34 slide 30 of 36 Rozpoznawanie tęczówki po śmierci Eksperymenty i wyniki Metodyka eksperymentów - analiza krótkookresowa Metody rozpoznawania tęczówki: VeriEye, OSIRIS, Neurotechnology, IriCore Wykonanie wszystkich możliwych porównań wewnątrzsesyjnych w trzech scenariuszach: * (Sesja 1 vs Sesja 1) * (Sesja 2 vs Sesja 2) * (Sesja 3 vs Sesja 3) Wykonanie wszystkich możliwych porównań międzysesyjnych w dwóch scenariuszach: * (Sesja 2 vs Sesja 1) * (Sesja 3 vs Sesja 1)
35 slide 31 of 36 Rozpoznawanie tęczówki po śmierci Eksperymenty i wyniki Analiza krótkookresowa - porównania wewnątrzsesyjne
36 slide 32 of 36 Rozpoznawanie tęczówki po śmierci Eksperymenty i wyniki Analiza krótkookresowa - porównania międzysesyjne
37 slide 33 of 36 Rozpoznawanie tęczówki po śmierci Eksperymenty i wyniki Metodyka eksperymentów - analiza długookresowa metody rozpoznawania tęczówki: VeriEye, OSIRIS, Neurotechnology, IriCore wykonanie porównań wewnątrzklasowych w odniesieniu do próbek pozyskanych podczas pierwszej sesji pomiarowej
38 slide 34 of 36 Rozpoznawanie tęczówki po śmierci Eksperymenty i wyniki Wyniki - analiza długookresowa
39 slide 35 of 36 Rozpoznawanie tęczówki po śmierci Conclusions Podsumowanie rozpoznawanie tęczówki post-mortem jest możliwe błąd zrównoważony EER przy porównywaniu próbek pozyskanych do 60 godzin od śmierci (ponad 2 dni) z próbkami pozyskanymi w kilka godzin po śmierci może wynosić 13% (mało!) powyższa metoda (IriCore) umożliwia ponadto bezbłędne rozpoznanie na opisywanym zbiorze danych dla próbek pobranych w 1 sesji pomiarowej (kilka godzin po śmierci) po śmierci oko stopniowo traci zdolność do funkcjonowania jako identyfikator biometryczny, ale dynamika tych zmian jest dużo niższa, niż się dotąd przypuszczało w niemal 17 dni po śmierci nadal można spodziewać się poprawnych dopasowań (choć nielicznych)
40 slide 36 of 36 Rozpoznawanie tęczówki po śmierci Conclusions Niezawodność biometrii tęczówki w kontekście starzenia się wzorców, chorób oka i zmian zachodzących po śmierci Mateusz Trokielewicz Zakład Biometrii, Naukowa i Akademicka Sieć Komputerowa Instytut Automatyki i Informatyki Stosowanej, Politechnika Warszawska Biometria września 2016
MobiBits: Multimodalna baza danych zebrana za pomocą urządzeń mobilnych
slide 1 of 23 MobiBits: Multimodalna baza danych zebrana za pomocą urządzeń mobilnych Autorzy: Katarzyna Roszczewska, Ewelina Bartuzi, Radosław Białobrzeski, Mateusz Trokielewicz Seminarium Zespołu Biometrii
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoMateriały dydaktyczne: Maciej Krzymowski. Biometryka
Biometryka Biometryka Nauka o mierzalnych cechach fizycznych lub behawioralnych organizmów Ŝywych, z greckiego: "bios" = Ŝywy "metron" = mierzyć. Biometria Zespół metod słuŝących do sprawdzania toŝsamości
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka, IAiIS PW, 23 lutego 2015, 1/30 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2015 c Adam Czajka, IAiIS PW, 23 lutego 2015, 2/30
Bardziej szczegółowoBIOMETRIA WYKŁAD 8: BŁĘDY SYSTEMOW BIOMETRYCZNYCH
BIOMETRIA WYKŁAD 8: BŁĘDY SYSTEMOW BIOMETRYCZNYCH KAŻDY SYSTEM BIOMETRYCZNY BĘDZIE POPEŁNIAŁ BŁĘDY.możliwe tylko do oszacowania teoretycznego Błąd popełniany jest wtedy kiedy fałszywa hipoteza zostaje
Bardziej szczegółowoAutomatyka i Robotyka, V rok. promotor: dr Adrian Horzyk. Kraków, 3 czerwca System automatycznego rozpoznawania
Automatyka i Robotyka, V rok Kraków, 3 czerwca 2009 promotor: dr Adrian Horzyk 1 2 i problemy 3 4 Technologie 5 Wyniki 6 Podział biometrii 7 cech opisujących parametry ludzi - A. K. Jain uniwersalność
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoIdentyfikacja człowieka metody kryminalistyczne i biologiczne - ogólnie
Identyfikacja człowieka metody kryminalistyczne i biologiczne - ogólnie Problematyka identyfikacji osób jest przedmiotem zainteresowania kryminalistyki, która jako nauka praktyczna opracowuje: - zasady
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka, IAiIS PW, wersja: 31 października 2015, 1/19 Biometryczna Identyfikacja Tożsamości Adam Czajka na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr zimowy 2015/16
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka, IAiIS PW, 23 lutego 2015, 1/19 Adam Czajka na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2015 c Adam Czajka, IAiIS PW, 23 lutego 2015, 2/19 c Adam
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka, IAiIS PW, wersja: 18 czerwca 2015, 1/49 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2015 c Adam Czajka, IAiIS PW, wersja:
Bardziej szczegółowoR-PEARSONA Zależność liniowa
R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoKrzysztof Ślot Biometria Łódź, ul. Wólczańska 211/215, bud. B9 tel
Krzysztof Ślot Biometria 9-924 Łódź, ul. Wólczańska 211/215, bud. B9 tel. 42 636 65 www.eletel.p.lodz.pl, ie@p.lodz.pl Wprowadzenie Biometria Analiza rejestrowanych zachowań i cech osobniczych (np. w celu
Bardziej szczegółowoSYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY. Autorzy: M. Lewicka, K. Stańczyk
SYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY Autorzy: M. Lewicka, K. Stańczyk Kraków 2008 Cel pracy projekt i implementacja systemu rozpoznawania twarzy, który na podstawie
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie drugie Podstawowe przekształcenia obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami obrazu wykonywanymi
Bardziej szczegółoworozpoznawania odcisków palców
w algorytmie rozpoznawania odcisków palców Politechnika Łódzka Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej 24 października 2008 Plan prezentacji 1 Wstęp 2 3 Metoda badań Wyniki badań
Bardziej szczegółowoBIOMETRIA. Napisz coś na klawiaturze, a powiem Ci. Wojciech Wodo Katedra Informatyki Wydział Podstawowych Problemów Techniki. Wrocław, r.
Wojciech Wodo Katedra Informatyki Wydział Podstawowych Problemów Techniki wojciech.wodo@pwr.edu.pl BIOMETRIA Napisz coś na klawiaturze, a powiem Ci czy jesteś tym, za kogo się podajesz Wrocław, 28.04.2016
Bardziej szczegółowoOd biometrii do bezpiecznej. biometrii
Od biometrii do bezpiecznej Łukasz Stasiak biometrii Pracownia Biometrii Naukowa i Akademicka Sieć Komputerowa NASK Instytut Automatyki i Informatyki Stosowanej Politechnika Warszawska 2 Po co biometria?
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka IAiIS PW 3 czerwca 2014 1/49 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2014 c Adam Czajka IAiIS PW 3 czerwca 2014 2/49 Problem
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoWykład 8. Testowanie w JEE 5.0 (1) Autor: Zofia Kruczkiewicz. Zofia Kruczkiewicz
Wykład 8 Testowanie w JEE 5.0 (1) Autor: 1. Rola testowania w tworzeniu oprogramowania Kluczową rolę w powstawaniu oprogramowania stanowi proces usuwania błędów w kolejnych fazach rozwoju oprogramowania
Bardziej szczegółowoRegresja wielokrotna. PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Regresja wielokrotna Model dla zależności liniowej: Y=a+b 1 X 1 +b 2 X 2 +...+b n X n Cząstkowe współczynniki regresji wielokrotnej: b 1,..., b n Zmienne niezależne (przyczynowe): X 1,..., X n Zmienna
Bardziej szczegółowoMetody badawcze Marta Więckowska
Metody badawcze Marta Więckowska Badania wizualne pozwalają zrozumieć proces postrzegania oraz obserwować jakie czynniki wpływają na postrzeganie obrazu. Czynniki wpływające na postrzeganie obrazu to:
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoSposób wykorzystywania świadectw wzorcowania do ustalania okresów między wzorcowaniami
EuroLab 2010 Warszawa 3.03.2010 r. Sposób wykorzystywania świadectw wzorcowania do ustalania okresów między wzorcowaniami Ryszard Malesa Polskie Centrum Akredytacji Kierownik Działu Akredytacji Laboratoriów
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoHARMONIZACJA DANYCH PRZESTRZENNYCH JERZY GAŹDZICKI
HARMONIZACJA DANYCH PRZESTRZENNYCH JERZY GAŹDZICKI PODSTAWOWE POJĘCIA (1) 1. Dane przestrzenne (dane geoprzestrzenne) dane bezpośrednio lub pośrednio odniesione do określonego położenia lub obszaru geograficznego
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA. dr inż. Aleksander Astel
ZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA dr inż. Aleksander Astel Gdańsk, 22.12.2004 CHEMOMETRIA dziedzina nauki i techniki zajmująca się wydobywaniem użytecznej informacji z wielowymiarowych
Bardziej szczegółowoBiometria w projektach rządowych
Biometria w projektach rządowych Tomasz Mielnicki Government Programs Konferencja Biometria 2012 Instytut Maszyn Matematycznych 13.12.2012 Biometria dwa cele Identyfikacja porównanie wzorca cechy biometrycznej
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoBarbara Polaczek-Krupa. Zastosowanie analizy grubości siatkówki w okolicy plamki jako nowej metody w diagnostyce jaskry pierwotnej otwartego kąta
Barbara Polaczek-Krupa Zastosowanie analizy grubości siatkówki w okolicy plamki jako nowej metody w diagnostyce jaskry pierwotnej otwartego kąta Praca doktorska Praca finansowana w ramach projektu CMKP
Bardziej szczegółowoAutomatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści
Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy
Bardziej szczegółowoDynamiczny DNS dla usług typu Neostrada przykład konfiguracji
W usłudze Neostrada TP czy Net24 (Netia) router otrzymuje jeden publiczny adres IP, który zapewnia globalną osiągalność routera z dowolnego miejsca w Internecie. Niestety adres ten ulega losowej wymianie
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka IAiIS PW 25 lutego 2014 1/18 Adam Czajka na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2014 c Adam Czajka IAiIS PW 25 lutego 2014 2/18 Komunikacja
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka IAiIS PW 25 lutego / 4 marca 2014 1/46 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2014 c Adam Czajka IAiIS PW 25 lutego /
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka IAiIS PW 27 maja 2014 1/37 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2014 c Adam Czajka IAiIS PW 27 maja 2014 2/37 Budowa
Bardziej szczegółowoGlaucoma-profi laxis 2015
bezpłatny zestaw pomiarów: pomiar ciśnienia wewnątrzgałkowego metodą bezkontaktową pachymetria (mierzenie grubości rogówki) autorefraktometria (komputerowy pomiar wad widzenia) Glaucoma-profi laxis 2015
Bardziej szczegółowoBadania marketingowe. - Konspekt wykładowy
Badania marketingowe - Konspekt wykładowy Badania marketingowe w logistyce Zakres materiału do egzaminu: 1. Wprowadzenie do przedmiotu - istota, przesłanki oraz użyteczność badań marketingowych 2. Informacja
Bardziej szczegółowoANALIZA METROLOGICZNA WYNIKÓW BADAŃ NA PRZYKŁADZIE ŁOŻYSK ŚLIZGOWYCH
PROBLEMY NIEKONWENCJONALNYCH UKŁADÓW ŁOŻYSKOWYCH Łódź 09-10 maja 1995 roku Jadwiga Janowska(Politechnika Warszawska) ANALIZA METROLOGICZNA WYNIKÓW BADAŃ NA PRZYKŁADZIE ŁOŻYSK ŚLIZGOWYCH SŁOWA KLUCZOWE
Bardziej szczegółowoPoszczególne kroki wymagane przez normę ISO 7816-11 celem weryfikacji tożsamości użytkownika
Poszczególne kroki wymagane przez normę ISO 7816-11 celem weryfikacji tożsamości użytkownika Klasyfikacja metod weryfikacji biometrycznej: 1. Statyczna: wymaga prezentacji cech fizjologicznych osoby autoryzowanej
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoTypowe komunikaty FDS
Typowe komunikaty FDS Wstęp Zdarza się, że podczas pracy w programie PyroSim pojawia się problem z uruchomieniem symulacji. Najczęściej wynika to z niedociągnięć lub nieprzestrzegania pewnych zasad przez
Bardziej szczegółowoTemat: Budowa i działanie narządu wzroku.
Temat: Budowa i działanie narządu wzroku. Oko jest narządem wzroku. Umożliwia ono rozróżnianie barw i widzenie przedmiotów znajdujących się w różnych odległościach. Oko jest umiejscowione w kostnym oczodole.
Bardziej szczegółowoKiSB KiSB KiSB
: Kryminalistyka i Systemy Bezpieczeństwa, I rok Metody uczenia się i studiowania 1 Podstawy ekonomii 1 BHP i pierwsza pomoc 1 Ochrona własności intelektualnej 1 Wybrane zagadnienia prawa karnego i prawa
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoJAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE
JAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE 1 Dokładność i poprawność Dr hab. inż. Piotr KONIECZKA Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska ul. G. Narutowicza 11/12 80-233 GDAŃSK e-mail:
Bardziej szczegółowoProjektowanie systemów pomiarowych. 02 Dokładność pomiarów
Projektowanie systemów pomiarowych 02 Dokładność pomiarów 1 www.technidyneblog.com 2 Jak dokładnie wykonaliśmy pomiar? Czy duża / wysoka dokładność jest zawsze konieczna? www.sparkfun.com 3 Błąd pomiaru.
Bardziej szczegółowoKrakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/2015
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu WydziałZdrowia i Nauk Medycznych obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/201 Kierunek studiów: Ratownictwo
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoMetodologia badań psychologicznych
Metodologia badań psychologicznych Lucyna Golińska SPOŁECZNA AKADEMIA NAUK Psychologia jako nauka empiryczna Wprowadzenie pojęć Wykład 5 Cele badań naukowych 1. Opis- (funkcja deskryptywna) procedura definiowania
Bardziej szczegółowoBezpieczeństwo 2.0 w mbanku
Bezpieczeństwo 2.0 w mbanku Przełomowa weryfikacja behawioralna 12 grudnia 2018 r., Warszawa Misja: edukacja Od trzech lat prowadzimy kampanię społeczną Uważni w sieci na temat cyberzagrożeń Regularnie
Bardziej szczegółowoPROVEN BY TIME. www.wasko.pl
PROVEN BY TIME www.wasko.pl Biometria jako metoda uwierzytelniania Dominik Pudykiewicz Departament Systemów Bezpieczeństwa WASKO S.A. Biometria jako metoda uwierzytelniania Agenda Uwierzytelnianie jako
Bardziej szczegółowoJAKOŚĆ DANYCH Z PERSPEKTYWY SYSTEMÓW WSPOMAGANIA DECYZJI KLINICZNYCH. Dr hab. inż. Szymon Wilk Politechnika Poznańska Instytut Informatyki
JAKOŚĆ DANYCH Z PERSPEKTYWY SYSTEMÓW WSPOMAGANIA DECYZJI KLINICZNYCH Dr hab. inż. Szymon Wilk Politechnika Poznańska Instytut Informatyki Warszawa, 28.11.2011 Konferencja ekspercka dotycząca e-zdrowia
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoGrupa: Elektrotechnika, sem 3, wersja z dn. 03.11.2015 Technika Świetlna Laboratorium
6-965 Poznań tel. (-61) 6652688 fax (-61) 6652389 Grupa: Elektrotechnika, sem 3, wersja z dn. 3.11.2 Technika Świetlna Laboratorium Ćwiczenie nr 3 Temat: BADANIE POLA WIDZENIA Opracowanie wykonano na podstawie:
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne Czyli jak bardzo jesteśmy pewni że parametr oceniony na podstawie próbki jest
Bardziej szczegółowoOprogramowanie PTS w wersji 3.3
Oprogramowanie PTS w wersji 3.3 Przegląd Główne punkty oprogramowania PTS 3.3 EyeSee - zapis obrazu podglądu oka ZETA i ZETA Fast nowe algorytmy szacowania czułości pola widzenia DPA - Analiza progresji
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU obraz dr inż. Jacek Naruniec Analiza Składowych Niezależnych (ICA) Independent Component Analysis Dąży do wyznaczenia zmiennych niezależnych z obserwacji Problem opiera
Bardziej szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 1/33 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr zimowy 2015/16 c Adam Czajka, IAiIS PW, wersja:
Bardziej szczegółowoAlgorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed
Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Zakres pracy Przegląd stanu wiedzy w dziedzinie biometrii, ze szczególnym naciskiem
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoFormułowanie i zastosowanie pryncypiów architektury korporacyjnej w organizacjach publicznych
Monografie i Opracowania 557 Andrzej Sobczak Formułowanie i zastosowanie pryncypiów architektury korporacyjnej w organizacjach publicznych Warszawa 2008 Szkoła Główna Handlowa w Warszawie Wstęp 9 Zdefiniowanie
Bardziej szczegółowoAnaliza sygnałów biologicznych
Analiza sygnałów biologicznych Paweł Strumiłło Zakład Elektroniki Medycznej Instytut Elektroniki PŁ Co to jest sygnał? Funkcja czasu x(t) przenosząca informację o stanie lub działaniu układu (systemu),
Bardziej szczegółowo2.5 Dzielenie się wiedzą
2.5 Dzielenie się wiedzą 2.5.1 Baza wiedzy zespołu Tworzenie bazy wiedzy w OneNote, zapoznanie się z przykładowymi bazami wiedzy, stworzenie struktury bazy wiedzy, zdefiniowanie własnych tagów, stworzenie
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowoBIOMETRIA CECHY BIOMETRYCZNE: TĘCZÓWKA
BIOMETRIA CECHY BIOMETRYCZNE: TĘCZÓWKA Tęczówka Nieprzezroczysta tarczka stanowiąca przednią częśd błony naczyniówkowej oka. W centrum zawiera otwór zwany źrenicą. Działa jak przysłona (reguluje dopływ
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Analiza składników podstawowych - wprowadzenie (Principal Components Analysis
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
Bardziej szczegółowoPODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA
PODSTAWOWE ANALIZY I WIZUALIZACJA Z WYKORZYSTANIEM MAP W STATISTICA Krzysztof Suwada, StatSoft Polska Sp. z o.o. Wstęp Wiele różnych analiz dotyczy danych opisujących wielkości charakterystyczne bądź silnie
Bardziej szczegółowoBaza danych. Program: Access 2007
Baza danych Program: Access 2007 Bazę danych składa się z czterech typów obiektów: tabela, formularz, kwerenda i raport (do czego, który służy, poszukaj w podręczniku i nie bądź za bardzo leniw) Pracę
Bardziej szczegółowoKurs Chemometrii Poznań 28 listopad 2006
Komisja Nauk Chemicznych Polskiej Akademii Nauk Oddział w Poznaniu Wydział Technologii Chemicznej Politechniki Poznańskiej w Poznaniu GlaxoSmithKline Pharmaceuticals S.A. w Poznaniu Stowarzyszenie ISPE
Bardziej szczegółowoPrzekształcenia punktowe
Przekształcenia punktowe Przekształcenia punktowe realizowane sa w taki sposób, że wymagane operacje wykonuje sie na poszczególnych pojedynczych punktach źródłowego obrazu, otrzymujac w efekcie pojedyncze
Bardziej szczegółowoAkupunktura Trudności w projektowaniu badań klinicznych
Akupunktura Trudności w projektowaniu badań klinicznych AKUPUNKTURA TRUDNOŚCI W PROJEKTOWANIU BADAŃ KLINICZNYCH Bartosz Chmielnicki słowa kluczowe: Akupunktura, metodologia, medycyna oparta na faktach,
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoAutomatyzacja procesu kontroli danych z lotniczego skanowania laserowego
Instytut Badawczy Leśnictwa www.ibles.pl Automatyzacja procesu kontroli danych z lotniczego skanowania laserowego Bartłomiej Kraszewski, Żaneta Piasecka, Rafał Sadkowski, Krzysztof Stereńczak Zakład Zarządzania
Bardziej szczegółowoModelowanie związków encji. Oracle Designer: Diagramy związków encji. Encja (1)
Modelowanie związków encji Oracle Designer: Modelowanie związków encji Technika określania potrzeb informacyjnych organizacji. Modelowanie związków encji ma na celu: dostarczenie dokładnego modelu potrzeb
Bardziej szczegółowoTworzenie modeli ciała ludzkiego dla potrzeb modelowania pola elektromagnetycznego. Bartosz Sawicki, Politechnika Warszawska
Tworzenie modeli ciała ludzkiego dla potrzeb modelowania pola elektromagnetycznego Wprowadzenie Cel: wirtualny człowiek Motywacja: problemy z rzeczywistymi pomiarami wizualizacja wewnętrznej budowy zrozumienie
Bardziej szczegółowoSterowanie procesem i jego zdolność. Zbigniew Wiśniewski
Sterowanie procesem i jego zdolność Zbigniew Wiśniewski Wybór cech do kart kontrolnych Zaleca się aby w pierwszej kolejności były brane pod uwagę cechy dotyczące funkcjonowania wyrobu lub świadczenia usługi
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoMODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ
Jarosław MAŃKOWSKI * Andrzej ŻABICKI * Piotr ŻACH * MODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ 1. WSTĘP W analizach MES dużych konstrukcji wykonywanych na skalę
Bardziej szczegółowo28 Choroby infekcyjne
28 Choroby infekcyjne Ludzki wirus upośledzenia odporności (HIV)/zespół nabytego upośledzenia odporności (AIDS) Retinopatia związana z ludzkim wirusem upośledzenia odporności Retinopatia HIV to rodzaj
Bardziej szczegółowoWykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.
Wykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.. KEITHLEY. Practical Solutions for Accurate. Test & Measurement. Training materials, www.keithley.com;. Janusz Piotrowski: Procedury
Bardziej szczegółowoPorównywanie populacji
3 Porównywanie populacji 2 Porównywanie populacji Tendencja centralna Jednostki (w grupie) według pewnej zmiennej porównuje się w ten sposób, że dokonuje się komparacji ich wartości, osiągniętych w tej
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoSPIS TREŚCI CZĘŚĆ I : PRZEZNACZENIE, PROCES I PODSTAWY METODOLOGICZNE BADAŃ MARKETINGOWYCH...17
SPIS TREŚCI WSTĘP..13 CZĘŚĆ I : PRZEZNACZENIE, PROCES I PODSTAWY METODOLOGICZNE BADAŃ MARKETINGOWYCH...17 1. TREŚĆ, PRZEZNACZENIE I PROCES BADAŃ MARKETINGOWYCH....19 1.1. Dlaczego badania marketingowe
Bardziej szczegółowo