Pattern Classification
|
|
- Jadwiga Popławska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Pattern Classfcaton All materals n these sldes ere taken from Pattern Classfcaton nd ed by R. O. Duda, P. E. Hart and D. G. Stork, John Wley & Sons, 000 th the permsson of the authors and the publsher
2 Chapter 5: Lnoe funkcje dyskrymnujące Sectons Wproadzene Lnoe funkcje dyskrymnujące poerzchne decyzyjne Funkcje dyskrymnujące lnoe ze zględu na parametry
3 Wproadzene Poprzedno zakładalśmy znajomość rozkładó pradopodobeństa Obseracje z cągu uczącego były użyte do estymacj parametró tych rozkładó metoda najększej arygodnośc, maksmum a posteror Teraz zakładamy znajomość jedyne postac funkcj dyskrymnujących, podobne jak technkach neparametrycznych Lnoe funkcje dyskrymnujące są bardzo ygodne do oblczeń
4 Lnoe funkcje dyskrymnujące poerzchne decyzyjne Defncja Lnoa funkcja decyzyjna to taka, która jest lnoą kombnacją o postac: g T 0 gdze jest ektorem spółczynnkó agoych a 0 nazyamy progem Klasyfkator bnarny rozpoznający de klasy z funkcją dyskrymnującą o postac korzysta z reguły decyzyjnej: Wyberz ω jeżel g > 0 ω jeżel g < 0 Wyberz ω jeżel T > - 0 ω przecnym przyp. Jeżel g 0 ynk rozpoznaana jest neokreślony
5
6 5 Rónane g 0 defnuje poerzchnę decyzyjną separującą punkty należące do klasy ω od punktó należących do klasy ω Dla lnoej funkcj g poerzchna decyzyjna to hperpoerzchna Funkcja dyskrymnująca g daje marę odległośc od hperpoerzchn
7 6
8 p r poneaż ektor z ektorem jest spółlnoy oraz - p 7 g 0 Poneaż to W szczególnośc d T 0 0,H r g Lnoa funkcja dyskrymnująca dzel przestrzeń cech hperpoerzchną decyzyjną Orentację tej poerzchn yznacza ektor normalny a jej położene zależy od progu
9 Przypadek elu klas 8 Defnujemy c lnoych funkcj dyskrymnujących T g 0,...,c przypsujemy do klasy ω jeżel g > g j j ; Tak klasyfkator nazyamy maszyną lnoą Maszyna lnoa dzel przestrzeń cech na c obszaró decyzyjnych, przy czym g przyjmuje artość najększą dla należącego do obszaru R Dla dóch przyległych obszaró R, R j, granca mędzy nm jest fragmentem hperpłaszczyzny H j zdefnoanej jako: g g j j T 0 j0 0 j jest normalny do H j d, H j g g j j
10 9
11 Można łato pokazać, że obszary decyzyjne generoane przez maszynę lnoą są ypukłe. Nakłada to pene ogranczene na elastyczność dokładność klasyfkatora 0
12 Funkcje dyskrymnujące lnoe ze zględu na parametry Grance obszaró decyzyjnych na ogół ne są lnoe Złożony kształt granc obszaró decyzyjnych ymaga użyca slne nelnoych funkcj Najczęścej rozażana jest ogólnejsza postać lnoych funkcj dyskrymnujących: g f f N f N N gdze f, N są jednoymaroym funkcjam ektora, R n przestrzeń eukldesoa
13 Wstaając f n, otrzymujemy: g N gdze f T,,..., N, N T f,f,...,f N,f N T Ten zaps funkcj g skazuje na fakt, że każda funkcja dyskrymnująca postac może być traktoana jako lnoa N ymaroej przestrzen N > n g mantans ts non-lnearty characterstcs n R n
14 Częstym yborem funkcj g, dla których f N są elomany g T gdze jest noym ektorem parametró agoych yznaczonym na podstae orygnalnego ektora oraz f, N Kadratoe funkcje dyskrymnujące dla -ymaroej przestrzen cech: g,,..., 6 T,, 5,,, 6 T,
15 Dla obrazó R n, najogólnejsza postać kadratoych funkcj dyskrymnujących jest następująca: g n j j n n j n n Lczba elementó po praej strone yrażena jest róna: l N n n n n n n Jest to całkota lczba sobodnych parametró agoych, przykładoo: Dla n, ektor Dla n 0, ektor ma 0 ymaró ma 65 ymaró
16 5 W przypadku funkcj dyskrymnujących będących elomanam m-tego rzędu, typoa f ma postać: f e gdze e,... e m,..., m m n oraz e to 0 lub. Jest to eloman, którego rząd jest z przedzału od 0 do m. Aby unknąć potórzeń ymagamy, aby m g m n n n m m,... m m g m m gdze g 0 n jest najogólnejszą funkcją dyskrymnującą postac elomanu rzędu m
17 Przykład : Nech n m, to óczas: Przykład : Nech n m, to óczas: g gdze g g g g g 6
18 7 Najczęścej użyaną kadratoą funkcją dyskrymnującą można reprezentoać jako n-ymaroą poerzchnę kadratoą : g T A T b c gdze macerz A a j, ektor b b, b,, b n T c, zależą od ag, j, z rónana Jeżel A jest dodatno określona to funkcja dyskrymnująca jest hperelpsodą z osam skeroanym kerunkach zgodnych z ektoram łasnym macerzy A W szczególnośc: jeżel A I n macerz jednostkoa, to funkcja dyskrymnująca jest n-ymaroą hpersferą
19 8 Jeżel A jest ujemne określona, to funkcja dyskrymnująca opsuje hperhperbolodę Wnosek: macerz A pełn determnuje kształt charakterystykę funkcj dyskrymnującej
20 Przykładoy problem: Rozażmy -ymaroą przestrzeń funkcję dyskrymnującą postac elomanu trzecego rzędu 9. Ile elementó zaera yrażene reprezentujące funkcję dyskrymnującą jeżel tylko sześcenna lnoa funkcja chodzą skład yrażena?. Przedsta ogólne yrażene opsujące funkcję dyskrymnującą postac elomany -tego rzędu dla -ymaroej przestrzen obrazó. Nech R będze orygnalną przestrzeną obrazó a funkcja dyskrymnująca zązana z klasam ω ω ma postać: g dla której g > 0 jeżel ω g < 0 jeżel ω a Zapsz g jako g T A T b c b Wyznacz klasy następujących obrazó:,,,,0,0, 0,/,0
21 0 Macerze dodatno określone. Kadratoa macerz A jest dodatno określona jeżel T A>0 dla szystkch nezeroych ektoró kolumnoych.. Kadratoa macerz A jest ujemne określona jeżel T A < 0 dla szystkch nezeroych.. Kadratoa macerz A jest dodatno pół-określona jeżel T A 0.. Kadratoa macerz A jest ujemne pół-określona jeżel T A 0 dla szystkch. Poyższe arunk trudno jest spradzać bezpośredno na podstae defncj. W praktyce potrzebne są arunk mnej ymagające oblczenoo.
22 Bardzej przydatne praktyce są następujące łasnośc, zachodzące óczas gdy macerz A jest symetryczna. -ty mnor głóny macerzy A to macerz A utorzona z perszych erszy kolumn macerzy A. Np., perszy głóny mnor macerzy A jest macerzą A a, drug mnor głóny jest macerzą: A a a a a tak dalej
23 Macerz A jest dodatno określona jeżel szystke jej głóne mnory A, A,, A n mają yznacznk ększe od zera Jeżel te yznacznk są nezeroe a znak kolejnych yznacznkó mają przecne znak, począszy od deta <0, to macerz A jest ujemne określona Jeżel szystke te yznacznk są neujemne, to macerz jest dodatno pół-określona Jeżel znak kolejnych yznacznkó mają przecne znak, począszy od deta 0, to macerz jest ujemne pół-określona
24 Dla przykładu, rozażmy macerz symetryczną o ymarach : A a a a a Macerz jest dodatno określona, jeżel: a deta a > 0 b deta a a a a > 0 Macerz jest ujemne określona, jeżel: a deta a < 0 b deta a a a a > 0 Macerz jest dodatno pół-określona, jeżel: a deta a 0 b deta a a a a 0 Macerz jest ujemne pół-określona, jeżel: a deta a 0 b deta a a a a 0.
25 Ćczene : Spradź, czy ponższe macerze są dodatno-, ujemne- określone, dodatno-, ujemne- pół-określone lub ne należą do żadnej z tych grup. 8 A A A A d c b a
26 Rozązana ćczena : 5 A >0 A 8 7 >0 postve defnte A - A A - A 8 >0 A >0 A <0 A jest dodatno określona A jest ujemne pół-określona A jest ujemne określona A ne należy do żadnej z grup
27 Ćczene : 6 Nech A. Wyznacz grance obszaró decyzyjnych odpoadających macerzy A g T A T b c przypadku, gdy b T, c -. Roząż deta-λi 0 określ kształt charakterystykę grancy obszaró decyzyjnych oddzelających de klasy ω ω. Przypsz klasy następującym punktom: T 0, - T,
28 Rozązane ćczena :.. Ostatne rónane opsuje lnę prostą spółlnoą z ektorem:,,, g otrzymujemy 0 oraz Dla - - :, -λ - λ T V, 7
29 Dla λ oraz -λλ -λ 0, otrzymujemy: Ostatne rónane opsuje lnę prostą spółlnoą z ektorem: V, Elpsa będąca grancą obszaró decyzyjnych ma de ose spółlnoe odpoedno z ektoram V V T. X 0, - T g0, - - < 0 ω X, T g, 8 > 0 ω
Pattern 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
Temat: Operacje elementarne na wierszach macierzy
Temat: Operacje elementarne na erszach macerzy Anna Rajfura Anna Rajfura Operacje elementarne na erszach macerzy n j m n A Typy operacj elementarnych. Zamana mejscam erszy oraz j, ozn.: j. Mnożene ersza
MECHANIKA BUDOWLI 13
1 Oga Kopacz, Adam Łodygos, Krzysztof ymper, chał Płotoa, Wocech Pałos Konsutace nauoe: prof. dr hab. JERZY RAKOWSKI Poznań 00/00 ECHANIKA BUDOWLI 1 Ugęca bee drgaących. Wzory transformacyne bee o cągłym
Pattern 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
Zaawansowane 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,
Zaawansowane 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
Metoda Rónic Skoczonych
Metoda Rónc Skoczonych Cz Belka na sprystym podłou Komendy Matlaba UWAGA! Aby przeproadz praktyczne czena z ykorzystanem polece Matlaba, naley nada artoc lczboe szystkm parametrom ystpujcym komendach,
Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci
Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy
Monitorowanie 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
Pokazać, 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
f(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
OPTYMALIZACJA PARAMETRÓW DYSKRETYZACJI W SYSTEMACH DIAGNOSTYKI OBRAZOWEJ
Walenty OWIECZKO Maran GILEWSKI OPTYMALIZACJA PARAMETRÓW DYSKRETYZACJI W SYSTEMACH DIAGNOSTYKI OBRAZOWEJ STRESZCZENIE W artykule przedstaono model analzy, pozalający dokonać optymalzacj parametró dyskretyzacj
1. Definicje podstawowe. Rys Profile prędkości w rurze. A przepływ laminarny, B - przepływ burzliwy. Liczba Reynoldsa
. Defncje odstaoe Rys... Profle rędkośc rurze. rzeły lamnarny, B - rzeły burzly. Lczba Reynoldsa D Re [m /s] - sółczynnk lekośc knematycznej Re 3 - rzeły lamnarny Re - rzeły burzly Średna rędkość masoa
WPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Wyrównanie spostrzeżeń pośrednich. Spostrzeżenia jednakowo dokładne
Wyrónane spostrzeżeń pośrednch Szukay : X, Y, Z, T (elkośc pradze) Merzyy L, L, L,L n (spostrzeżena erzone bezpośredno pośrednczą yznaczenu x, y, z, t ) Spostrzeżena jednakoo dokładne Wyrónane polega na:
Ciepło topnienia lodu
Cepło topnena lodu CELE SPIS TREŚCI Obseracja procesu ymany energ toarzyszącego zmane stanu skupena - topnenu. Pomary zman temperatury ody trakce topnena proadzonej do nej znanej masy lodu. Uzyskane dane
p 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
5. 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
Zestaw 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 :
Diagonalizacja 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
Statystyka 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
Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.
Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer
Sztuczne 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
Klasyfkator 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
Wstęp 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
Badanie 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.
8. MOC W OBWODZIE PRĄDU SINUSOIDALNEGO
OBWODY I SYGNAŁY 8. MOC W OBWODZIE PRĄD SINSOIDALNEGO 8.. MOC CHWILOWA Jeśl na zacskach dójnka SLS ystępje napęcoe ymszene harmonczne, to prąd zmena sę róneż snsodalne z tą samą plsacją Nech () t m sn
Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2007/08 Podstawowe fakty Równane Ax = b, x, b R N, A R N N (1) ma jednoznaczne
Konstrukcja gier sprawiedliwych i niesprawiedliwych poprzez. określanie prawdopodobieństwa.
Fundacja Centrum Edukacj Obyatelskej, ul. Noakoskego 10, 00-666 Warszaa, e-mal: ceo@ceo.org.l; Akadema ucznoska, Tel. 22 825 04 96, e-mal: au@ceo.org.l; ęcej nformacj:.akademaucznoska.l 1 Konstrukcja ger
UCHWAŁA NR 279/XVIII/2011 Rady Miasta Płocka z dnia 29 grudnia 2011 roku
UCHWAŁA NR 279/XVIII/2011 Rady Masta Płocka z dna 29 grudna 2011 roku sprae ustalena Regulamnu przyznaana przekazyana stypendó mejskch dla ucznó szkół proadzonych lub dotoanych przez Masto Płock zameldoanych
Metoda Różnic Skończonych
Metody Oblczenoe, P.E.Srokosz Metoda Różnc Skończonych Część Belka na srężystym odłożu x L K SIŁY NĄCE Kontynuacja Zadana Wyznaczyć sły tnące belce na srężystym odłożu arunkach odarca jak na rysunku oyżej.
Metody 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
Projekt 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:
Modele rozmyte 1. Model Mamdaniego
Modele rozmte Cel torzena noch model: dążene do uzskana coraz ększej dokładnośc, maroośc lub uproszczena struktur. Model Mamdanego Np.: -^ + R: JEŻELI jest to jest B R: JEŻELI jest to jest B R: JEŻELI
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
V. 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
Mikroekonometria 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
7. 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.
2. PRAKTYCZ A REALIZACJA PRZEMIA Y ADIABATYCZ EJ
. PRAKTYCZ A REALIZACJA PRZEMIA Y ADIABATYCZ EJ. Wroadzene Przemana jest adabatyczna, jeśl dla każdych dóch stanó l, leżących na tej rzemane Q - 0. Z tej defncj ynka, że aby zrealzoać yżej ymenony roces,
STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW
STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW Źródło Kompresja Kanał transmsj sek wdeo 60 Mbt 2 mn muzyk (44 00 próbek/sek, 6 btów/próbkę) 84 Mbt Dekompresja Odborca. Metody bezstratne 2. Metody stratne 2 Kodowane
Prawdopodobieństwo 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 =
SYSTEMY 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
Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Stanisław 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
Maszyna wektorów nośnych (Support vector machine)
Maszyna ektoró nośnych (Suort vector machne) Przygotoał: Dr nż. Wocech Artchocz Katedra Hydrotechnk PG Zma 04/5 Zadane. Dane są da zbory unktó A B (dane tabelach onże). Znadź ektory seraące narysu herłaszczyzny
Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem
Katedra Ietycj Faoych Zarządzaa yzykem Aalza Zarządzae Portfelem cz. Dr Katarzya Kuzak Co to jet portfel? Portfel grupa aktyó (trumetó faoych, aktyó rzeczoych), które zotały yelekcjooae, którym ależy zarządzać
Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM
SVM 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
Pojęcia. 1. pole powierzchni (object specific area) [F] Suma pól pikseli w wyróżnionym obiekcie/profilu.
Pojęca 1. pole poerzchn (object specfc area) [] uma pól pksel yróżnonym obekce/proflu.. pole poerzchn całego obektu (total object specfc area) [ t ] uma pół pksel yróżnonym obekce po ypełnenu dzur. 3.
XXX 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
MRS I MES W ANALIZIE BELEK O ZMIENNYM PRZEKROJU
Zeszyty Naukoe WInf Vol 6, Nr, 007 Paulna Obara, Waldemar zanec Katedra Mecank Budol Poltecnka Śętokrzyska MR I ME W ANALIZIE BELEK O ZMIENNYM PRZEKROJU treszczene W pracy rozażanom został poddany pręt,
TERMODYNAMIKA PROCESOWA I TECHNICZNA
TERMODYNAMIKA PROCESOWA I TECHNICZNA Wyład VII Roztory Defncje onencje Welośc meszana Roztory dealne Welośc cząstoe Rónana stanu dla roztoró Rónoaga fazoa Praa Raoulta Henry ego Prof. Anton Kozoł, Wydzał
Procedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Karta (sylabus) modułu/przedmiotu
Karta (sylabus) modułu/przedmotu Budoncto (Naza kerunku studó) Studa I Stopna Przedmot: Budoncto przemysłoe Industral buldng engneerng Rok: III Semestr: 6 MK_4 Rodzaje zajęć lczba godzn: Studa stacjonarne
Wykład 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
Notatki do wykładu Geometria Różniczkowa I
Notatk do wykładu Geometra Różnczkowa I Katarzyna Grabowska, KMMF 14 grudna 2013 1 Całkowane form różnczkowych 1.1 Twerdzene Stokes a W dalszym cągu E oznaczać będze półprzestrzeń w R n, tzn. zbór E =
Stanisław 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
STATYSTYKA 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
I. 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
dy dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
2012-10-11. 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
KINEMATYKA MANIPULATORÓW
KIEMK MIULOÓW WOWDEIE. Manpulator obot można podzelć na zęść terująą mehanzną. Część mehanzna nazywana jet manpulatorem. punktu wdzena Mehank ta zęść jet najbardzej ntereująa. Manpulator zaadnzo można
Stanisław 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
Statystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Kier. MTR Programowanie w MATLABie Laboratorium Ćw. 12
Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy
) 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 =
Funkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
1.12. CAŁKA MOHRA Geometryczna postać całki MOHRA. Rys. 1
.. CAŁA OHRA Całka OHRA yraża ziązek między przemieszczeniem (ydłużeniem, ugięciem, obrotem) a obciążeniem (siłą, momentem, obciążeniem ciągłym). Służy ona do yznaczania przemieszczeń statycznie yznaczanych
EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.
Joaa Ceślak, aula Bawej ESTREA FUNCJI ESTREA FUNCJI JEDNEJ ZIENNEJ Otoczeem puktu R jest każdy przedzał postac,+, gdze >. Sąsedztwem puktu jest każdy zbór postac,,+, gdze >. Nech R, : R oraz ech. De. ówmy,
Uchwała Nr 279/XVIII/2011 Rady Miasta Płocka z dnia 29 grudnia 2011 roku
Uchała Nr 279/XVIII/2011 Rady Masta Płocka z dna 29 grudna 2011 roku sprae ustalena Regulamnu przyznaana przekazyana stypendó mejskch dla ucznó szkół proadzonych lub dotoanych przez Masto Płock zameldoanych
RUCH 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
ALGEBRY 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
OGÓLNE PODSTAWY SPEKTROSKOPII
WYKŁAD 8 OGÓLNE PODSTAWY SPEKTROSKOPII E E0 sn( ωt kx) ; k π ; ω πν ; λ T ν E (m c 4 p c ) / E +, dla fotonu m 0 p c p hk Rozkład energ w stane równowag: ROZKŁAD BOLTZMANA!!!!! P(E) e E / kt N E N E/
Egzamin 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
liniowym 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
ELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany
Wykład II ELEKTROCHEMIA Wykład II b Nadnapęce Równane Buttlera-Volmera Równana Tafela Równowaga dynamczna prąd wymany Jeśl układ jest rozwarty przez elektrolzer ne płyne prąd, to ne oznacza wcale, że na
Stanisław 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
Różniczkowalność, 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
LABORATORIUM INŻYNIERII CHEMICZNEJ, PROCESOWEJ I BIOPROCESOWEJ. Ćwiczenie nr 7
KAEDRA INŻYNIERII CHEMICZNEJ I PROCESOWEJ INSRUKCJE DO ĆWICZEŃ LABORAORYJNYCH LABORAORIUM INŻYNIERII CHEMICZNEJ, PROCESOWEJ I BIOPROCESOWEJ Skaloanie zężki Osoba odpoiedzialna: Piotr Rybarczyk Gdańsk,
Algebra z geometrią 2012/2013
Algebra geometrą 22/2 Egamn psemn, 24 VI 2 r. Instrukcje: Każde adane jest a punktów. Praca nad rowąanam mus bć absolutne samodelna. Jakakolwek forma komunkacj kmkolwek poa plnującm egamn jest całkowce
Rozwiązywanie 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
METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki
Metody Planowana Eksperymentów Rozdzał 1. Strona 1 z 14 METODY PLANOWANIA EKSPERYMENTÓW dr hab. nż. Marusz B. Bogack Marusz.Bogack@put.poznan.pl www.fct.put.poznan.pl/cv23.htm Marusz B. Bogack 1 Metody
Parametry zmiennej losowej
Eonometra Ćwczena Powtórzene wadomośc ze statysty SS EK Defncja Zmenną losową X nazywamy funcję odwzorowującą przestrzeń zdarzeń elementarnych w zbór lczb rzeczywstych, taą że przecwobraz dowolnego zboru
System 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
2 Rachunek macierzowy, metoda eliminacji Gaussa-Jordana Wprowadzenie teoretyczne Zadania... 13
Spis treści Podstaoe struktury algebraiczne Grupa, pierścień, ciało Grupy permutacji 4 3 Pierścień ielomianó, algorytm Euklidesa, najiększy spólny dzielnik 6 4 Zadania 7 Rachunek macierzoy, metoda eliminacji
Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 2 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min
Fukca warogodośc Nech będze daa próba losowa prosta o lczebośc z rozkładu f (x;. Fukcą warogodośc dla próby x azywamy welkość: ( x; f ( x ; L Twerdzee (Cramera-Rao: Mmala wartość warac m dowolego eobcążoego
Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.)
Kolokwum z Optymalzacj II Ścśle tajne przed godz 4 : 00 8 grudna 05) Proszę uważne przeczytać treść zadań Na ocenę bardzo duży wpływ będze mała czytelność rozwązań poprawność uzasadnena każdej odpowedz
NOWOCZESNE METODY BADAŃ DIAGNOSTYCZNYCH MASZYN GÓRNICZYCH Z WYKORZYSTANIEM PROGRAMU DIAGNOPRZEM
Zeszyty Problemoe Maszyny Elektryczne Nr 2/2013 (99) 139 Zygmunt Szymańsk Poltechnka Śląska, Glce NOWOCZESNE METODY BADAŃ DIAGNOSTYCZNYCH MASZYN GÓRNICZYCH Z WYKORZYSTANIEM PROGRAMU DIAGNOPRZEM MODERN
SZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Analiza 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
Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
WikiWS 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
Proste modele ze złożonym zachowaniem czyli o chaosie
Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok
Ćwiczenie nr 2 WYZNACZANIE GĘSTOŚCI CIAŁ STAŁYCH Instrukcja dla studenta
Analza nepenośc poaroych eksperyentach fzycznych dla specjalnośc Bofzyka oleklarna Ćczene nr WYZNACZANIE GĘSTOŚCI CIAŁ STAŁYCH Instrkcja dla stdenta I WSTĘP W ćczen WAHADŁO MATEMATYCZNE badalśy pły przypadkoych
8. 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.
Podprzestrzenie macierzowe
Podprzestrzee macerzowe werdzee: Dla dwóch macerzy A B o tych samych wymarach zachodz: ( ) ( ) wersz a) R A R B A ~ B Dowód: wersz a) A ~ B stee P taka że PA B 3 0 A 4 3 0 0 E A B 0 0 0 E B 3 6 4 0 0 0
Diagnostyka 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
ZAJĘCIA X. Zasada największej wiarygodności
ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na
Sztuczne sieci neuronowe
Sztuczne sec neuronoe model konekconstyczny 2 Plan ykładu Geneza modelu konekconstycznego Głóne cechy Model sztucznego neuronu Archtektury sec neuronoych Proces uczena sę sec Uczene poedynczego neuronu