A Support Vector Machine-Based Dynamic Network for Visual Speech Recognition Applications
|
|
- Zdzisław Karczewski
- 7 lat temu
- Przeglądów:
Transkrypt
1 A Support Vector Machine-Based Dynamic Network for Visual Speech Recognition Applications Na podstawie pracy autorów: Mihaela Gordan, Constantine Kotropoulos, Ioannis Pitas
2 Sens tworzenia systemu rozpoznawania mowy opartego o rozpoznawanie obrazu Argumenty przeciw Wielowymiarowość danych Wolniejsze przetwarzanie Rozpoznawanie dźwięku jest wystarczające Argumenty za Paradoksalnie obraz zawiera mniej naturalnych szumów Możliwość połączenia obydwóch technik Wykazano, że w hałaśliwym otoczeniu zwiększa różnice sygnału do szumu o 12dB. Pomaga dla dużych słowników rozpoznawanych wyrazów (jeżeli wyrazy brzmią podobnie jest szansa, że zostaną rozróżnione na podstawie obrazu)
3 Podstawy systemu Każdemu układowi warg przypisane są głoski, które reprezentuje Nie jest to przypisanie 1 na 1, ale dla małego słownika wystarcza aby rozpoznawać tylko na podstawie kształtu ust.
4 Klasy podziału metod Zbiór cech Zewnętrzny kontur warg Rozkład szarości Jasności punktów Użytego klasyfikatora Sieci neuronowe opóźnione w czasie Dynamiczne modele (active shape models) Ukryty model Markov-a (HMM) SDE PCA Definicji klas Głoski Sylaby Słowa
5 Aktualne kierunki badań Znalezienie optymalnych cech klasyfikowania Rozróżniające visemy Niezależne od osoby Zminimalizowanie kosztu operacji Głównie dla zastosowań w czasie rzeczywistym Umożliwienie łatwego łączenia z systemem dźwiękowym Niskopoziomowe (poziom cech) Wysokopoziomowe (poziom klas) Prawo Mortona-Massaro
6 Zastosowanie Support Vector Machines SVM sprawdziło się w Rozpoznawaniu wzorców Rozpoznawaniu, wykrywaniu i weryfikacji twarzy Rozpoznawaniu dźwięku Powód dla którego SVM nie zostało użyte w rozpoznawaniu visemów to: Hiperpłaszczyzna jest statycznie wyliczona Mowa jest dynamicznym procesem, zawiera wiele tymczasowych danych Samo SVM nie wystarczy, wspomaga je się algorytmami takimi jak HMM Viterbi
7 Fonemy Fonem to najmniejsza akustyczna jednostka mowy, dla języka angielskiego jest to około: samogłoskowych (lub samogłoskowo brzmiących) fonów spółgłoskowych fonów W pracy został użyty publicznie dostępny słownik wymowy z Carnegie Mellon University Początkowe wpisy CMU wyglądają tak: AA odd AA D AE at AE T AH hut HH AH T AO ought AO T AW cow K AW AY hide HH AY D B be B IY CH cheese CH IY Z D dee D IY DH thee DH IY
8 Pomysł Visemów Visem to najmniejsza widzialna jednostka mowy Koncentruje się na wyrazie ust Zawiera dynamiczne informacje (ruch ust) Np w słowie oat (/OW T/) występuje głoska OW, której visem zawiera zapis przejścia wyrazu ust z /O/ do /W/ Na szczęście większość z nich można przybliżyć przez statyczne obrazki /O/ /F/
9 Mapowanie visemów na fonemy Idealnie byłoby mieć funkcję, która danemu visemowi przypisuje odpowiadający fonem Niestety nie tylko ustami człowiek mówi, artykułuje też organami wewnętrznymi (np. /P/, /B/ i /M/) Pozostaje relacja :( Tylko jak to zrobić... Nie istnieje pełen jednoznaczny zestaw grup visemek Tworzy się table poprzez tworzenie wszystkich słów typu samogłoska-spółgłoska-samogłoska i jeżeli 75% pytanych osób rozpozna tak samo to dane visemki są w tej samej grupie Lub używa się metod z NN takich jak Average linkage hierarchical clustering i map samoorganizujących
10 Klasyka grup visemów Większość prac zgodna jest co do wyróżnienia 9-ciu najbardziej używanych grup visemów 1 /F/; /V/ 2 /TH/; /DH/ 3 /S/; /Z/ 4 /SH/; /ZH/ 5 /P/; /B/; /M/ 6 /W/ 7 /R/ 8 /G/; /K/; /N/; /T/; /D/; /Y/ 9 /L/
11 Realizacja wizualnego problemu rozpoznawania mowy Dwupoziomowy algorytm Każdej z grup visemów jest rozpoznawana przez binarny klasyfikator SVM (należy do grupy/nie należy) W tymczasowej grupie grup visemów szukamy słów, które modelowane są kratami Viterbiego Niektóre systemy akustycznego rozpoznawania mowy są podobnie modelowane oczekujemy więc, że to podejście będzie mogło współpracować.
12 (poziom1) Problem rozpoznawania grup visemów jako problem rozpoznawania wzorca Każdy wyraz twarzy tworzy wektor cech Każdej z grup przypisany jest klasyfikator SVM, który określa czy dany wyraz twarzy należy do tej grupy (liczba klasyfikatorów równa liczbie grup)
13 (poziom 2) Model słowa rozpoznawanego przez kratę Viterbiego Dla grupy l_k b_{l_k} prawdopodobieństwo zauważenia obserwacji o_k a_{l_k,l_{k+1}} to prawdopodobieństwo przejścia z wierzchołka z przypisaną grupą l_k do wierzchołka z przypisaną grupą l_{k+1} l indeksuje wszystkie możliwe przejścia po kracie, nas interesuje maksymalne prawdopodobieństwo (czyli jak bardzo przypomina dane słowo)
14 Drobny zgrzyt z SVM SVM zostało przewidziane do rozpoznawania dwóch klas (-1 i +1) Jako że, gęstości po obydwu stronach są wykładnicze Bayes sugeruje użycie równania Co oznacza, że prawdopodobieństwo należenia próbki do danej klasy wynosi
15 To już koniec (teorii)
16 Eksperymenty praktyczne Testy zawierają rozpoznawanie pierwszych czterech angielskich cyfr dane zaczerpnięte z małej dźwiękowo-obrazowej bazy Tulips1 mimo tak małej ilości słów testowane jest 10 fonów Aby przeprowadzić takie testy należy zdefiniować relacje visemów z fonami stworzyć sieć SVM nauczyć sieć SVM wygenerować modele słów (kraty Viterbiego)
17 W poszukiwaniu visemów Fonetyczny zapis cyfr to: One W-AH-N Two T-UW Three TH-R-IY Four F-AO-R Staramy się uzyskać klasy visemów aby: Odpowiadały jak najmniejszej ilości fonów Zawierały jak najmniej różniących się realizacji (obrazków)
18 Znalezione grupy visemów Visemy zostały ręcznie pogrupowane Indeks Notacja Opis 1 (W) okrągłe, mało otwarte usta 2 (AO) okrągłe, bardziej otwarte usta 3 (WAO) okrągłe, średnio otwarte usta 4 (AH) eliptyczne usta 5 (N) nieokrągłe, średnio otwarte usta z ząbkami 6 (T) nieokrągłe, średnio otwarte usta z ząbkami i językiem 7 (TH) nieokrągłe, średnio otwarte usta 8 (IY) podłużnie otwarte usta 9 (F) prawie zamknięte usta z górnymi ząbkami i dolną wargą przesuniętą do środka
19 Relacja visemów z fonami Również ręcznie pogrupowane Indeks visemu Odpowiadające fonemy 1, 2, 3 * /W/, /UW/, /AO/ 1, 3 * /R/ 4 /AH/ 5 /N/ 6 /T/ 7 /TH/ 8, 4 * /IY/ 9 /F/ (*) Zbiory visemów powstały ze względu na różną wymowę kilku osób
20 Implementacja SVM Została użyta biblioteka SVMLight (w C) Jako wektory danych zostały użyte znormalizowane obrazki ust pomniejszone do rozmiaru 16x16! te same obrazki z dołączonymi różnicami miedzy kolejnymi klatkami (w sumie 32x16, cechy delta) Przetestowane zostały RBF i wielomiany stopnia 1-6 Wielomian stopnia 3 został wybrany jako jądro, RBF dawało podobne rezultaty ale wymagało więcej wektorów wspomagających
21 Uczenie/Testowanie SVM Baza Tulips1 zawiera 12 osób, 48 sekwencji wideo Testy na niezależność od osoby Zostało to przetestowane w 12 przebiegach (w każdym visemki jednej z osób były testowane przeciwko pozostałym uczącym) Ręczne etykietowanie każdej klatki Ręczne łączenie grup, jeżeli odpowiadające sobie visemki dwóch danych osób były podobne Po zakończonym etykietowaniu, w zbiorze uczącym znalazły się wektory nie podlegające żadnej wątpliwości Oczywiście było to uczenie nie zbilansowane (każdy SVM uczony był jedną klasą na +1, a pozostałymi na -1)
22 Tworzenie krat Viterbiego Krat jest tyle ile modeli słów Każdym model słowa to inna konfiguracja visemów Czyli, sumując powstały 3 modele słowa one 3 modele słowa two 4 modele słowa three 6 modeli słów four Np modele dla four powstały z kombinacji: Four = F-AO-R 9 1,3 1,2,3
23 Sposób obliczania wyników Do każdego z 12 wspomnianych testów, każde słowo posiada dwie wymowy. Głównym wskaźnikiem jest procentowy Stopień Rozpoznania Słowa jako średnia z 12*4*2 = 96 testów Wyniki pozostałych metod zostały zaczerpnięte z innych prac
24 SRS w zależności od osoby Osoba SVM AAM & HMM AAM -Active Appearance Model dla wewnętrznych i zewnętrznych konturów ust HMM i SVM zawiera cechy delta
25 SRS dla porównywanych metod SVM SVM+delta AAM&HMM AAM&HMM+delta HMM HMM+delta Global GlobaI PCA&HMM CA&HMM Blocked filter unblocked filter diffusion network PCA/ICA PCA/ICA Shape + intensity
26 Macierze pomyłek One Two Three Four One Two Three Four One Two Three Four One Two Three Four SVM Człowiek
27 Podsumowanie SVM uzyskuje bardzo dobre wyniki, a nie korzysta z zaawansowanego preprocesingu, czy algorytmu Testy na ludziach wykazały następujące SRS 89.93% u ludzi nie uczonych czytać z ust 95.49% u ludzi głuchoniemych Napawa optymizmem fakt, że metoda która bada szarość 512 pikseli otrzymuje wyniki lepsze/prawie lepsze niż metody które są desygnowane do rozpoznawania mowy
28 Dziękuję za uwagę (reszta dla chętnych)
29 Z jednej pracy IBMa Po co SVM jak można PCA :)
30 Czy na pewno komputer musi czytać dokładnie aby nas rozumieć Zdognie z nanjwoymszi baniadmai perzporawdzomyni na bytyrijskch uweniretasytch nie ma zenacznia kojnoleść ltier przy zpiasie dengao sołwa. Nwajżanszyeim jest, aby prieszwa i otatsnia lteria była na siwom mijsecu, ptzosałoe mgoą być w niaedziłe i w dszalym cąigu nie pwinono to sawrztać polbemórw ze zozumierniem tksetu. Dzijee się tak datgelo, ze nie czamyty wyszistkch lteir w sołwie, ale cłae sołwa od razu. Aoccdrnig to a rscheearch at Cmabrigde Uinervtisy, it deosn't mttaer in waht oredr the ltteers in a wrod are, the olny iprmoetnt tihng is taht the frist and lsat ltteer be at the rghit pclae. The rset can be a toatl mses and you can sitll raed it wouthit porbelm. Tihs is bcuseae the huamn mnid deos not raed ervey lteter by istlef, but the wrod as a wlohe.
Jak znaleźć błędy w sowich tekstach?
Jak znaleźć błędy w sowich tekstach? Koło Naukowe Systemu TEX Wydział Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza, Poznań 10 maja 2013 Aoccdrnig to a rscheearch at an Elingsh uinervtisy,
Bardziej szczegółowoTurniej ortograficzno językowy. Ortograficzna Corrida
Turniej ortograficzno językowy Ortograficzna Corrida Regulamin 1. W konkursie biorą udział 3-osobowe drużyny z każdej klasy. 2. Każda drużyna odpowiada na pytania w kolejnych etapach konkursu. W pierwszym
Bardziej szczegółowoMATERIAŁY SZKOLENIOWE SPA DLA MÓZGU, CZYLI TRENING PAMIĘCI DLA SENIORÓW
MATERIAŁY SZKOLENIOWE SPA DLA MÓZGU, CZYLI TRENING PAMIĘCI DLA SENIORÓW Przygotowała i opracowała: Agnieszka Forzpańczyk Agnieszka Forzpańczyk: - specjalista d/s szkoleń - trener rozwoju osobistego - trener
Bardziej szczegółowoGotowi. szkoły? www.logosuczyibawi.pl BIULETYN LOGOS 2013
ISSN 2299-2820 BIULETYN LOGOS 2013 www.logosuczyibawi.pl Gotowi do szkoły? Okres przedszkolny to niezwykły czas dla malucha. Dziecko w tym wieku dysponuje ogromnym potencjałem do bezstresowego i mimowolnego
Bardziej szczegółowoNAWIĄZYWANIE I UTRZYMYWANIE KONTAKTÓW MIĘDZYLUDZKICH Higienistka Stomatologiczna. dr STEFAN M. MARCINKIEWICZ
NAWIĄZYWANIE I UTRZYMYWANIE KONTAKTÓW MIĘDZYLUDZKICH Higienistka Stomatologiczna dr STEFAN M. MARCINKIEWICZ Nauczycielski system oceniania Nauczycielski system oceniania został opracowany zgodnie z Rozporządzeniem
Bardziej szczegółowoGotowi. szkoły? BIULETYN AKADEMII NAUKI nr 2/2013
ISSN 2299-2820 BIULETYN AKADEMII NAUKI nr 2/2013 www.akademianauki.pl Gotowi do szkoły? Okres przedszkolny to niezwykły czas dla malucha. Dziecko w tym wieku dysponuje ogromnym potencjałem do bezstresowego
Bardziej szczegółowoGOTOWI SZKOŁY? www.torun.akn.pl BIULETYN AKADEMII NAUKI. nr 2/2013
ISSN 2299-2820 BIULETYN AKADEMII NAUKI nr 2/2013 www.torun.akn.pl GOTOWI DO Okres przedszkolny to niezwykły czas dla malucha. Dziecko w tym wieku dysponuje ogromnym potencjałem do bezstresowego i mimowolnego
Bardziej szczegółowoDlaczego indywidualizacji nie da się wyminąć?
Dlaczego indywidualizacji nie da się wyminąć? Każdy z nas jest inny niepowtarzalność naszych umysłów i naszej wrażliwości Katarzyna Wojtkowska Spis treści Część I Indywidualizacja nauczania w świetle raportów:
Bardziej szczegółowoGOTOWI SZKOŁY? BIULETYN AKADEMII NAUKI 09/2013
ISSN 2299-2820 BIULETYN AKADEMII NAUKI 09/2013 www.akademiaciechanow.pl GOTOWI DO SZKOŁY? Okres przedszkolny to niezwykły czas dla malucha. Dziecko w tym wieku dysponuje ogromnym potencjałem do bezstresowego
Bardziej szczegółowoPójdzie w górę czy w dół?! Czyli jak okiełznać emocje w czasie inwestowania
Pójdzie w górę czy w dół?! Czyli jak okiełznać emocje w czasie inwestowania O mnie Personal and Business Coach, specjalista ds. komunikacji, trader Pomagam odnoszącym sukcesy inwestorom giełdowym oraz
Bardziej szczegółowoGotowi do szkoły? www.facebook.com/akademianaukiwroclaw BIULETYN AKADEMII NAUKI. www.wroclaw.akademianauki.pl
ISSN 2299-2820 BIULETYN AKADEMII NAUKI www.wroclaw.akademianauki.pl Gotowi do szkoły? Okres przedszkolny to niezwykły czas dla malucha. Dziecko w tym wieku dysponuje ogromnym potencjałem do bezstresowego
Bardziej szczegółowoJak rozwijać umiejętność czytania ze zrozumieniem nie tylko na lekcjach języka polskiego?
Jak rozwijać umiejętność czytania ze zrozumieniem nie tylko na lekcjach języka polskiego? szkoła podstawowa Mariola Rink-Przybylska CEN w Koszalinie Koszalin, 2016 r. Czytanie to medium na wszystkich przedmiotach
Bardziej szczegółowoZ naszej Szkoły Gazetka Szkolna ZSLiMS w Karpaczu www.liceum.karpacz.pl
K W A R T A L N I K * 1 / 2 0 1 2 Z naszej Szkoły Gazetka Szkolna ZSLiMS w Karpaczu www.liceum.karpacz.pl Działo się: Wycieczki szkolne Ognisko klasowe w internacie Dzień Edukacji Narodowej Kurs baristyczny
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 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 szczegółowoBiblioteka jako miejsce pracy z postawą wobec niepełnosprawności i choroby przewlekłej przez literaturę, film i żywą książkę
Biblioteka jako miejsce pracy z postawą wobec niepełnosprawności i choroby przewlekłej przez literaturę, film i żywą książkę Postawa: uwewnętrzniona przez jednostkę, wyuczona skłonność (akt woli przejawiający
Bardziej szczegółowoG TOWI SZKOŁY? Akademia BIULETYN AKADEMII NAUKI
ISSN 2299-2820 BIULETYN AKADEMII NAUKI www.akn.pl Akademia www.facebook.com/akademiadziecka G TOWI D SZKOŁY? Okres przedszkolny to niezwykły czas dla malucha. Dziecko w tym wieku dysponuje ogromnym potencjałem
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 szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoJednostka modułowa 325402 O1.04 Nawiązywanie i utrzymywanie kontaktów społecznych. Dr Stefan M. Marcinkiewicz
Jednostka modułowa 325402 O1.04 Nawiązywanie i utrzymywanie kontaktów społecznych Dr Stefan M. Marcinkiewicz NSO - oceny ze sprawdzianów Ocena Wykonanie zadao; % celujący 100 bardzo dobry 91-99 dobry 81-90
Bardziej szczegółowoKATEDRA SYSTEMÓW MULTIMEDIALNYCH. Inteligentne systemy decyzyjne. Ćwiczenie nr 12:
KATEDRA SYSTEMÓW MULTIMEDIALNYCH Inteligentne systemy decyzyjne Ćwiczenie nr 12: Rozpoznawanie mowy z wykorzystaniem ukrytych modeli Markowa i pakietu HTK Opracowanie: mgr inż. Kuba Łopatka 1. Wprowadzenie
Bardziej szczegółowoCzym jest HTK HMMs ASR
HTK 138 Czym jest HTK Zbiór programów implementujących Niejawne Łańcuchy Markowa - Hidden Markov Models (HMMs) ASR, synteza mowa, rozpoznawanie liter, badania nad sekwencjami DNA Analiza mowy, wyćwiczenie
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335 Wykład 10 Mapa cech Kohonena i jej modyfikacje - uczenie sieci samoorganizujących się - kwantowanie wektorowe
Bardziej szczegółowo0 + 0 = 0, = 1, = 1, = 0.
5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,
Bardziej szczegółowoAutomatyczne rozpoznawanie mowy. Autor: mgr inż. Piotr Bratoszewski
Automatyczne rozpoznawanie mowy Autor: mgr inż. Piotr Bratoszewski Rys historyczny 1930-1950 pierwsze systemy Automatycznego rozpoznawania mowy (ang. Automatic Speech Recognition ASR), metody holistyczne;
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowoA Zadanie
where a, b, and c are binary (boolean) attributes. A Zadanie 1 2 3 4 5 6 7 8 9 10 Punkty a (maks) (2) (2) (2) (2) (4) F(6) (8) T (8) (12) (12) (40) Nazwisko i Imiȩ: c Uwaga: ta część zostanie wypełniona
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 szczegółowogigantem! Twój Przedszkolak jest DZieci przychodzą na świat każde Z własną, niepowtarzalną iskierką. Anne POWELL BIULETYN AKADEMII NAUKI 01/2012
ISSN 2299-2820 BIULETYN AKADEMII NAUKI 01/2012 www.akademiaciechanow.pl Twój Przedszkolak jest gigantem! DZieci przychodzą na świat każde Z własną, niepowtarzalną iskierką. Anne POWELL Mózg przedszkolaka
Bardziej szczegółowoSystem wspomagania harmonogramowania przedsięwzięć budowlanych
System wspomagania harmonogramowania przedsięwzięć budowlanych Wojciech Bożejko 1 Zdzisław Hejducki 2 Mariusz Uchroński 1 Mieczysław Wodecki 3 1 Instytut Informatyki, Automatyki i Robotyki Politechnika
Bardziej szczegółowoPodstawy automatycznego rozpoznawania mowy. Autor: mgr inż. Piotr Bratoszewski
Podstawy automatycznego rozpoznawania mowy Autor: mgr inż. Piotr Bratoszewski Rys historyczny 1930-1950 pierwsze systemy Automatycznego rozpoznawania mowy (ang. Automatic Speech Recognition ASR), metody
Bardziej szczegółowoRozpoznawanie mowy za pomocą HTK
Kinga Frydrych Wydział Inżynierii Mechanicznej i Robotyki Inżynieria Akustyczna, rok III, 2013/2014 Sprawozdanie z ćwiczeń laboratoryjnych z Technologii mowy Rozpoznawanie mowy za pomocą HTK 1. Opis gramatyki
Bardziej szczegółowoProblem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowogigantem! Twój Przedszkolak jest DZieci przychodzą na świat każde Z własną, niepowtarzalną iskierką. Anne POWELL BIULETYN AKADEMII NAUKI 01/2012
BIULETYN AKADEMII NAUKI 01/2012 www.akademianauki.pl Twój Przedszkolak jest gigantem! DZieci przychodzą na świat każde Z własną, niepowtarzalną iskierką. Anne POWELL Mózg przedszkolaka jest niezwykły.
Bardziej szczegółowoSPOTKANIE 2: Wprowadzenie cz. I
Wrocław University of Technology SPOTKANIE 2: Wprowadzenie cz. I Piotr Klukowski Studenckie Koło Naukowe Estymator piotr.klukowski@pwr.edu.pl 17.10.2016 UCZENIE MASZYNOWE 2/27 UCZENIE MASZYNOWE = Konstruowanie
Bardziej szczegółowoWprowadzenie do programu RapidMiner Studio 7.6, część 4 Michał Bereta
Wprowadzenie do programu RapidMiner Studio 7.6, część 4 Michał Bereta www.michalbereta.pl W tej części: Zachowanie wytrenowanego modelu w celu późniejszego użytku Filtrowanie danych (brakujące etykiety
Bardziej szczegółowoAKUSTYKA MOWY. Podstawy rozpoznawania mowy część I
AKUSTYKA MOWY Podstawy rozpoznawania mowy część I PLAN WYKŁADU Część I Podstawowe pojęcia z dziedziny rozpoznawania mowy Algorytmy, parametry i podejścia do rozpoznawania mowy Przykłady istniejących bibliotek
Bardziej szczegółowoKlasyfikacja LDA + walidacja
Klasyfikacja LDA + walidacja Dr hab. Izabela Rejer Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Plan wykładu 1. Klasyfikator 2. LDA 3. Klasyfikacja wieloklasowa 4. Walidacja
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowomądrewww.akademianauki.eu dziecko #11
ISSN 2299-3398 BIULETYN AKADEMII NAUKI mądrewww.akademianauki.eu dziecko #11 wrzesień 2012 TwOJE DZIECKO jest gigantem! Dzieci przychodzą na świat każde z własną, niepowtarzalną iskierką. Anne Powell Mózg
Bardziej szczegółowokomputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Bardziej szczegółowoi ruchów użytkownika komputera za i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Promotor: dr Adrian Horzyk
System śledzenia oczu, twarzy i ruchów użytkownika komputera za pośrednictwem kamery internetowej i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Mirosław ł Słysz Promotor:
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.
mgr inż. Magdalena Deckert Poznań, 30.11.2010r. Metody przyrostowego uczenia się ze strumieni danych. Plan prezentacji Wstęp Concept drift i typy zmian Algorytmy przyrostowego uczenia się ze strumieni
Bardziej szczegółowoKorpusy mowy i narzędzia do ich przetwarzania
Korpusy mowy i narzędzia do ich przetwarzania Danijel Korzinek, Krzysztof Marasek Polsko-Japońska Akademia Technik Komputerowych Katedra Multimediów kmarasek@pjwstk.edu.pl danijel@pjwstk.edu.pl 2015-05-18
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
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 szczegółowoMATLAB Neural Network Toolbox przegląd
MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoKonstrukcja biortogonalnych baz dyskryminacyjnych dla problemu klasyfikacji sygnałów. Wit Jakuczun
Konstrukcja biortogonalnych baz dyskryminacyjnych dla problemu klasyfikacji sygnałów Politechnika Warszawska Strona 1 Podstawowe definicje Politechnika Warszawska Strona 2 Podstawowe definicje Zbiór treningowy
Bardziej szczegółowoROZPOZNAWANIE SYGNAŁÓW FONICZNYCH
Przetwarzanie dźwięków i obrazów ROZPOZNAWANIE SYGNAŁÓW FONICZNYCH mgr inż. Kuba Łopatka, p. 628 klopatka@sound.eti.pg.gda.pl Plan wykładu 1. Wprowadzenie 2. Zasada rozpoznawania sygnałów 3. Parametryzacja
Bardziej szczegółowoOmówienie różnych metod rozpoznawania mowy
Omówienie różnych metod rozpoznawania mowy Na podstawie artykułu: Comparative study of automatic speech recognition techniques Beniamin Sawicki Wydział Inżynierii Mechanicznej i Robotyki Inżynieria Akustyczna
Bardziej szczegółowoWykrywanie twarzy na zdjęciach przy pomocy kaskad
Wykrywanie twarzy na zdjęciach przy pomocy kaskad Analiza i przetwarzanie obrazów Sebastian Lipnicki Informatyka Stosowana,WFIIS Spis treści 1. Wstęp... 3 2. Struktura i funkcjonalnośd... 4 3. Wyniki...
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoMetody probabilistyczne klasyfikatory bayesowskie
Konwersatorium Matematyczne Metody Ekonomii narzędzia matematyczne w eksploracji danych First Prev Next Last Go Back Full Screen Close Quit Metody probabilistyczne klasyfikatory bayesowskie Wykład 8 Marcin
Bardziej szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 2 κ-nn i Naive Bayes autorzy: M. Zięba, J.M. Tomczak, A. Gonczarek, S. Zaręba, J. Kaczmar Cel zadania Celem zadania jest implementacja klasyfikatorów
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoWykrywanie twarzy ludzkich na kolorowych obrazach ze złożonym tłem
Wykrywanie ludzkich na kolorowych obrazach ze złożonym tłem Lech Baczyński www.baczynski.com Na podstawie artykułu panów: Yanjiang Wang, Baozong Yuan i in. Do czego przydatne jest wykrywanie (detekcja)?
Bardziej szczegółowoProgramowanie dynamiczne
Programowanie dynamiczne Patryk Żywica 5 maja 2008 1 Spis treści 1 Problem wydawania reszty 3 1.1 Sformułowanie problemu...................... 3 1.2 Algorytm.............................. 3 1.2.1 Prosty
Bardziej szczegółowoKlasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,
Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoOpenAI Gym. Adam Szczepaniak, Kamil Walkowiak
OpenAI Gym Adam Szczepaniak, Kamil Walkowiak Plan prezentacji Programowanie agentowe Uczenie przez wzmacnianie i problemy związane z rozwojem algorytmów Charakterystyka OpenAI Gym Biblioteka gym Podsumowanie
Bardziej szczegółowo4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...
Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowoLUDOWIEC MÓWI... A Polska winna trwać wiecznie Wincenty Witos. Zapraszamy. B i u l e t y n I n f o r m a c y j n y Data wydania: Maj 2012
B i u l e t y n I n f o r m a c y j n y 2 0 1 2 A Polska winna trwać wiecznie Wincenty Witos Rok 2012, numer 15 LUDOWIEC MÓWI... Data wydania: Maj 2012 Dziękujemy za każdy głos, list i mail. Piszcie do
Bardziej szczegółowoRok 2012, numer 11 LUDOWIEC MÓWI... A Polska winna trwać wiecznie Wincenty Witos
B i u l e t y n I n f o r m a c y j n y 2 0 1 2 A Polska winna trwać wiecznie Wincenty Witos Rok 2012, numer 11 LUDOWIEC MÓWI... Data wydania: Kwiecień 2012 Dziękujemy za każdy głos, list i e - mail. Piszcie
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoRozpoznawanie obrazów na przykładzie rozpoznawania twarzy
Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy Wykorzystane materiały: Zadanie W dalszej części prezentacji będzie omawiane zagadnienie rozpoznawania twarzy Problem ten można jednak uogólnić
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
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 szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoText mining w programie RapidMiner Michał Bereta www.michalbereta.pl
Text mining w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Aby skorzystać z możliwości RapidMinera w zakresie analizy tekstu, należy zainstalować Text Mining Extension. Wybierz: 1 Po
Bardziej szczegółowoOpisy efektów kształcenia dla modułu
Karta modułu - Technologia mowy 1 / 5 Nazwa modułu: Technologia mowy Rocznik: 2012/2013 Kod: RIA-1-504-s Punkty ECTS: 7 Wydział: Inżynierii Mechanicznej i Robotyki Poziom studiów: Studia I stopnia Specjalność:
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z JĘZYKA ANGIELSKIEGO DO KLASY 1 SZKOŁY PODSTAWOWEJ PODRĘCZNIK New English Adventure 1
WYMAGANIA EDUKACYJNE Z JĘZYKA ANGIELSKIEGO DO KLASY 1 SZKOŁY PODSTAWOWEJ PODRĘCZNIK New English Adventure 1 Nadrzędnym celem nauczania języka obcego jest wytworzenie kompetencji językowej i komunikacyjnej,
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /14
Matematyka dyskretna Andrzej Łachwa, UJ, 2012 andrzej.lachwa@uj.edu.pl 2/14 Funkcji podłogi z logarytmu można użyć do wyliczenia liczby cyfr liczby naturalnej k (k>0): w układzie dziesiętnym log 10 (k)
Bardziej szczegółowoLaboratorium 11. Regresja SVM.
Laboratorium 11 Regresja SVM. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk Dalej>. 3. Z
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 szczegółowoPrzygotowywanie materiałów dla uczniów i pracowników [6] Magdalena Ziemnicka
dla uczniów i pracowników [6] Magdalena Ziemnicka Magdalena Ziemnicka 2013 1 SPIS TREŚCI Cele i zadania modułu 3 Wprowadzenie 4 Tekst i czytanie 5 Dla kogo 6 Dlaczego powinniśmy dostosowywać materiały
Bardziej szczegółowoSieć przesyłająca żetony CP (counter propagation)
Sieci neuropodobne IX, specyficzne architektury 1 Sieć przesyłająca żetony CP (counter propagation) warstwa Kohonena: wektory wejściowe są unormowane jednostki mają unormowane wektory wag jednostki są
Bardziej szczegółowoInterpretacja gestów dłoni w sekwencji obrazów cyfrowych. autor: Karol Czapnik opiekun: prof. dr hab. Włodzimierz Kasprzak
Interpretacja gestów dłoni w sekwencji obrazów cyfrowych autor: Karol Czapnik opiekun: prof. dr hab. Włodzimierz Kasprzak Plan prezentacji Cel pracy magisterskiej Zastosowanie pracy Założenia projektowe
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoPRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKA ANGIELSKIEGO I ETAP EDUKACYJNY KLASY I-III
PRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKA ANGIELSKIEGO I ETAP EDUKACYJNY KLASY I-III ROK SZKOLNY 2018/2019 Podczas nauki języka angielskiego na I etapie edukacyjnym nauczyciel stopniowo rozwija u uczniów
Bardziej szczegółowoNOWA EDUKACJA. Czytanie. Nie ma czegoś takiego jak kłopoty z czytaniem. Są natomiast kłopoty z nauczycielami i szkołami.
www.akademianauki.pl NOWA EDUKACJA BIULETYN AKADEMII NAUKI Być rodzicem... Rola rodzica wymaga dzisiaj niezwykłej intuicji, wiedzy i cierpliwości. Często nie wiemy, jak reagować na zachowania dziecka.
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania
Bardziej szczegółowoINŻYNIERIA BEZPIECZEŃSTWA LABORATORIUM NR 2 ALGORYTM XOR ŁAMANIE ALGORYTMU XOR
INŻYNIERIA BEZPIECZEŃSTWA LABORATORIUM NR 2 ALGORYTM XOR ŁAMANIE ALGORYTMU XOR 1. Algorytm XOR Operacja XOR to inaczej alternatywa wykluczająca, oznaczona symbolem ^ w języku C i symbolem w matematyce.
Bardziej szczegółowoAUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI
AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI Tomasz Huczek Promotor: dr Adrian Horzyk Cel pracy Zasadniczym celem pracy było stworzenie systemu
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 szczegółowoRozglądanie się w przestrzeni Iris czyli kręcenie (głową/płaszczyzną) w czterech wymiarach
Rozglądanie się w przestrzeni Iris czyli kręcenie (głową/płaszczyzną) w czterech wymiarach maja, 7 Rozglądanie się w D Plan Klasyka z brodą: zbiór danych Iris analiza składowych głównych (PCA), czyli redukcja
Bardziej szczegółowoKlasyfikacja obiektów Drzewa decyzyjne (drzewa klasyfikacyjne)
Klasyfikacja obiektów Drzewa decyzyjne (drzewa klasyfikacyjne) Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski Klasyfikacja i predykcja. Odkrywaniem reguł klasyfikacji nazywamy proces znajdowania
Bardziej szczegółowoKLUCZ PUNKTOWANIA ODPOWIEDZI
Egzamin maturalny maj 009 MATEMATYKA POZIOM ROZSZERZONY KLUCZ PUNKTOWANIA ODPOWIEDZI Zadanie. a) Wiadomości i rozumienie Matematyka poziom rozszerzony Wykorzystanie pojęcia wartości argumentu i wartości
Bardziej szczegółowoKompresja Kodowanie arytmetyczne. Dariusz Sobczuk
Kompresja Kodowanie arytmetyczne Dariusz Sobczuk Kodowanie arytmetyczne (lata 1960-te) Pierwsze prace w tym kierunku sięgają początków lat 60-tych XX wieku Pierwszy algorytm Eliasa nie został opublikowany
Bardziej szczegółowoMetody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów
Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej
Bardziej szczegółowoOntogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę
Norbert Jankowski Ontogeniczne sieci neuronowe O sieciach zmieniających swoją strukturę Warszawa 2003 Opracowanie książki było wspierane stypendium Uniwersytetu Mikołaja Kopernika Spis treści Wprowadzenie
Bardziej szczegółowoAutomatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010
Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie
Bardziej szczegółowo