1 Neurónové siete. 1.1 Perceptrón

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "1 Neurónové siete. 1.1 Perceptrón"

Transcript

1 1 Neurónové siete Pri práci s neurónovými sie ami sa budeme drºa konvencie pouºitej v MAT- LABe, ²peciálne v toolboxe pre neurónové siete: Vstupné vektory sú vºdy st pcové. Aby sa dobre po ítal potenciál neurónu, tak váhy synapsií vstupujúcich do neurónu sú uloºené ako riadkový vektor. 1.1 Perceptrón Perceptrón s n vstupmi, vstupnými váhami w 1, w 2,..., w n a prahom ϑ budeme reprezentova ako roz²írený váhový vektor w = (w 1, w 2,..., w n, w n+1 ), kde w n+1 = ϑ. Pri výpo toch so vstupným vektorom x = (x 1,..., x n ) T budeme pouºíva roz²írený vstupný vektor (x 1,..., x n, 1) T. Naprogramujte nasledujúce funkcie: a) p=perc_create(n) vytvorí perceptrón s n vstupmi. Funkcia vráti roz²írený (n + 1)-rozmerný váhový vektor, ktorého zloºky sú náhodne inicializované. b) c=perc_recall(p,x) vráti (riadkový) vektor c výstupov perceptrónu reprezentovaného roz²íreným váhovým vektorom p s n + 1 zloºkami pre k vstupných n-rozmerných vektorov. Vstupy sú uloºené ako st pce matice x. Na výpo et výstupu perceptrónu pouºite skokovú funkciu hardlim(y), ktorá pre y 0 vracia 0 a pre y > 0 vracia 1. c) pn=perc_update(p,x,c,l) vráti perceptrón pn, ktorý vznikne úpravou perceptrónu p vzh adom ku k trénovacím vzorom reprezentovaným maticou x s k st pcami. Poºadované výstupy c sú reprezentované ako riadkový vektor s k zloºkami, ktoré majú hodnoty z mnoºiny {0, 1}. Posledný parameter l je u iaca kon²tanta. Táto funkcia implementuje jednu epochu u enia perceptrónu p na mnoºine vstupov x. d) e=perc_err(p,x,c) vráti chybu perceptrónu p na k vstupných vzoroch uloºených ako st pce matice x. Poºadované výstupy c sú reprezentované ako riadkový vektor s k zloºkami, ktoré majú hodnoty z mnoºiny {0, 1}. e) pn=perc_learn(p,x,c,l,iter) vráti perceptrón pn, ktorý vznikne po iter epochách u enia perceptrónu p. V jednej epoche sú perceptrónu postupne predkladané trénovacie vzory uloºené ako st pce matice x, c je riadkový vektor poºadovaných výstupov pre vzory x, l je u iaca kon²tanta. Pozor funkcia hardlim z Matlabu sa nezhoduje so skokovou funkciou z predná²ky! Úloha: Máme dané dva pozitívne vzory [1, 1],[1, 3] a dva negatívne vzory [2, 2], [3, 1]. Perceptrón má po iato né váhy 1,1 a prah 0 a bude u ený s u iacou kon²tantou Aké výstupy dáva tento perceptrón na trénovacích vzoroch? 2. Ukáºte ako sa mení výstup perceptrónu v prvých dvoch epochách u enia na daných trénovacích vzoroch. 1

2 3. Ko ko epoch je potrebných na to, aby sa daný perceptrón nau il správne separova pozitívne a negatívne vzory? Aké bude výsledný roz²írený váhový vektor nau eného perceptrónu. 1.2 Algoritmus zpätného ²írenia Back-Propagation Je daná vrstevnatá neurónová sie s topológiou [2,2,1], tj. sie má 2 vstupné neuróny, 2 skryté neuróny a jeden výstupný neurón. Synaptické váhy medzi vstupnou a skrytou vrstvou neurónov sú dané maticou: w_i_h = w_i_h(i,j) je váha spoja zo vstupu j do skrytého neurónu i. Tj. riadok váhovej matice zodpovedá vstupným váham jedného neurónu! Synaptické váhy medzi skrytou a výstupnou vrstvou neurónov sú dané maticou: w_h_o = w_h_o(1,i) je váha spoja zo skrytého neurónu i do výstupného neurónu. Prahy skrytých neurónov sú v matici: b_h = a prah výstupného neurónu je: b_o = Teda váhy zo vstupnej vrstvy do skrytej vrstvy s pridaným jednotkovým neurónom pre prah sú: >> w_i_hb=[w_i_h b_h] w_i_hb = Váhy zo skrytej vrstvy do výstupnej vrstvy s pridaným jednotkovým neurónom pre prah sú: >> w_h_ob=[w_h_o b_o] w_h_ob = Úlohy:

3 1. Spo ítajte výstup siete pre vzory p1=[-1; 1] a p2=[1; -1]. Pri výpo te v MATLABe môºete vyuºi funkciu logsig(x), ktorá po íta (logickú) sigmoidu 1 logsig(x) = 1 + e x. Jedná sa teda o sigmoidu so strmos ou Vzor p1=[-1; 1] je trénovací vzor, pre ktorý je poºadovaný výstup 0.9. Aká je chyba siete pre tento vzor? Ako sa zmenia váhy siete pri vykonaní jedného kroku algoritmu spätného ²írenia s parametrom u enia α = 0.2? 1.3 U enie vrstevnatej siete algoritmom spätného ²írenia v MATLABe Pozrite si stránky s nápovedou cez Help Neural Network Toolbox Backpropagation. Pouºitie vrstevnatých neurónových sietí sa skladá zo 4 krokov 1. Zostavenie trénovacích dát funkcie pre predspracovanie (normalizácia dát),... Vstupy i poºadované výstupy sú st pcové vektory: p = [ ] t = [ ]; 2. Vytvorenie siete: príkaz newff má nasledujúce parametre: (a) Matica trénovacích vzorov. (b) Matica poºadovaných výstupov. (c) riadkový vektor [i 1, i 2,..., i m ] popisujúci topológiu siete i j je po et neurónov v j-tej vrstve. Vstupná vrstva je 0-tá a jej ve kos sa ur í z prvého parametra. i m je po et neurónov v poslednej skrytej vrstve. Ve kos výstupnej vrstvy sa ur í z druhého parametra. (d) Zoznam mien prenosových funkcií pouºitých v jednotlivých vrstvách (skrytých a výstupnej). (e) Meno trénovacieho algoritmu. net=newff(p,t,[5],{'logsig','purelin'},'trainlm'); Funkcia newff má v skuto nosti e²te viacej parametrov viz nápoveda k MATLABu. Tieº je moºné vynecha implicitné hodnoty parametrov napríklad volanie newff(p,t,5) je ekvivalentné volaniu newff(p,t,5,{'tansig','purelin'},'trainlm' Potom je moºné nastavi parametre siete, alebo necha implicitné nastavenie: net.trainparam.lr = 0.05; net.trainparam.epochs = 300; net.trainparam.goal = 1e-5; 3

4 Pri vytvorení je sie automaticky inicializovaná. Uº hotovú sie je moºné znova inicializova volaním: net=init(net) Toto sa pouºíva pri opakovanom u ení siete. 3. Trénovanie siete. [net,tr]=train(net,p,t); Pred u ením siete sa mnoºina vzorov rozdelí na trénovaciu mnoºinu, valida nú mnoºinu a testovaciu mnoºinu (implicitne v pomere 60%:20%:20%). Potom sa spustí u enie siete. Automaticky sa otvorí okno, kde sa zobrazuje priebeh u enia: U enie kon í pri splnení niektorej z nasledujúcich podmienok: Bol dosiahnutý maximálny po et epoch implicitne nastavi pomocou Dá sa net.trainparam.epochs = 300 4

5 Bola dosiahnutá chyba men²ia neº net.trainparam.goal implicitne 0. Gradient klesol pod net.trainparam.min_grad implicitne Chyba na valida nej mnoºine vzrástla v net.trainparam.max_fail po sebe idúcich epochách (implicitne 6 krát). ƒas u enia prekro il nastavenú dobu net.trainparam.time implicitne táto doba nie je obmedzená a tento parameter má hodnotu Inf. Niektoré algoritmy (napr. Levenberg-Marquardtov) majú al²ie parametre, ktorých hrani ná hodnota sa dá sledova a pouºi ako stopkritérium. Pri vy²²ie uvedenom spôsobe volania funkcie train je v druhom parametre tr vrátený výsledok u enia, z ktorého sa dá pre íta mnoho informácií o pouºitom algoritme, priebehu u enia a dosiahnutých výsledkoch: >> tr tr = trainfcn: 'trainlm' trainparam: [1x1 struct] performfcn: 'mse' performparam: [1x1 struct] dividefcn: 'dividerand' divideparam: [1x1 struct] trainind: [ ] valind: [ ] testind: [ ] stop: 'Validation stop.' num_epochs: 115 best_epoch: 109 goal: 0 states: {1x8 cell} epoch: [1x116 double] time: [1x116 double] perf: [1x116 double] vperf: [1x116 double] tperf: [1x116 double] mu: [1x116 double] gradient: [1x116 double] val_fail: [1x116 double] Av²ak tento druhý parameter sa pri volaní nemusí uvádza a je moºné pouºíva iba volanie net1=train(net,p,t); 5

6 V priebehu alebo po skon ení u enia je moºné sledova vývoj chyby siete (tla ítko Performance): a tieº stav u enia (tla ítko Training State): Grafy regresnej analýzy nau enej siete dostaneme stla ením tla ítka Regression: 6

7 4. Vybavovanie siete simulácia siete na nových dátach. Funkcia sim(net1,p). Napríklad >> p = [1;2]; >> a = sim(net1,p) a = Transformácie dát Normalizácia hodnôt vektorov môºe výrazne urýchli u enie siete. V balíku na neurónové siete sú pre takého transformáie pripravené funkcie. Naviac mnoho modelov neurónových sietí v Toolboxe robí automatické predspracovanie vstupov. Napr. newff najprv nahradí chýbajúce hodnoty vstupov (NaN), vynechajú sa kon²tantné riadky a urobí sa min-max normalizácia na interval < 1, 1 >. Je to v parametroch siete net.inputs{1}.processfcns = {'fixunknowns','removeconstantrows','mapminmax'} net.outputs{2}.processfcns = {'removeconstantrows','mapminmax'}) 7

8 2.1 Min-max ²kálovanie na interval < 1, 1 > [pn,ps] = mapminmax(p); [tn,ts] = mapminmax(t); net = train(net,pn,tn); pn, resp. tn, sú transformované vstupné vzory, resp. poºadované výstupy. ps, resp. ts, sú parametre príslu²ných transformácií, ktoré sa vyuºijú pri spätnej transformácii. Ke takto nau enú sie aplikujeme, tak jej výstup musíme patri ne transformova an = sim(net,pn); a = mapminmax(`reverse',an,ts); Ak chceme pouºi tú istú transformáciu na nové dáta pnewn = mapminmax(`apply',pnew,ps); anewn = sim(net,pnewn); anew = mapminmax(`reverse',anewn,ts); 2.2 kálovanie pod a priemeru a ²tandardnej odchýlky Funkcie [pn,ps] = mapstd(p); [tn,ts] = mapstd(t); an = sim(net,pn); a = mapstd('reverse',an,ts); pnewn = mapstd(`apply',pnew,ps); anewn = sim(net,pnewn); anew = mapstd(`reverse',anewn,ts); 2.3 Principal Component Analysis Najprv je treba dáta normalizova tak, aby mali strednú hodnotu 0 a rozptyl 1. Potom môºeme urobi PCA analýzu. [pn,ps1] = mapstd(p); [ptrans,ps2] = processpca(pn,0.02); Pri vy²²ie uvedenej transformácii sa vynechajú zloºky, ktoré prispievajú menej neº 2% k celkovému rozptylu. Ak chceme túto transformáciu pouºi na nových údajoch 8

9 pnewn = mapstd(`apply',pnew,ps1); pnewtrans = processpca(`apply',pnewn,ps2); a = sim(net,pnewtrans); Úloha: Súbor dataset1.mat obsahuje dve matice. Matica p sú vzory a matica (riadkový vektor) t sú poºadované výstupy. (Do MATLABu sa na ítajú príkazom load dataset1.) 1. Vyberte z tejto trénovacej mnoºiny polovicu vzorov a pouºite ich ako trénovaciu mnoºinu pre nau enie vrstevnatej neurónovej siete. 2. Pomocou PCA-predspracovania transformujte vstupné 3-rozmerné vektory na 2-rozmerné vektory a porovnajte rýchlos u enia a presnos nau enia príslu²ných sietí s rovnakými parametrami. Môºete sa in²pirova demo príkladom demobp1.m. Aby ste dosiahli redukciu na 2 dimenzie je treba oproti demo-príkladu z avi na presnosti! 2.4 Hopeldove siete Váhy Hopeldovej siete sa nastavujú pod a Hebbovského pravidla: W ij = [ ( x p ) T x p I ], kde I je jednotková matica. p,i j x p i xp j = p Predpokladáme, ºe zloºky vektorov sú z mnoºiny { 1, 1}. Úloha: Spo ítajte váhy Hopeldovej siete siete, ktorá sa má nau i vzory: B=[ ; ; ; ] Aký vzor vybaví táto sie pri vstupe [1; -1; -1; -1]: (i) pri synchrónnej adaptácii; (ii) pri asynchrónnej adaptácii? Spo ítajte energetickú funkciu siete pri jednotlivých krokoch vybavovania. 9

1 Algoritmus spätného šírenia Back-Propagation

1 Algoritmus spätného šírenia Back-Propagation Pri práci s neurónovými sieťami sa budeme držať konvencie použitej v MAT- LABe, špeciálne v toolboxe pre neurónové siete: Vstupné vektory sú vždy stĺpcové. Aby sa dobre počítal potenciál neurónu, tak váhy

Διαβάστε περισσότερα

Motivácia Denícia determinantu Výpo et determinantov Determinant sú inu matíc Vyuºitie determinantov. Determinanty. 14. decembra 2010.

Motivácia Denícia determinantu Výpo et determinantov Determinant sú inu matíc Vyuºitie determinantov. Determinanty. 14. decembra 2010. 14. decembra 2010 Rie²enie sústav Plocha rovnobeºníka Objem rovnobeºnostena Rie²enie sústav Príklad a 11 x 1 + a 12 x 2 = c 1 a 21 x 1 + a 22 x 2 = c 2 Dostaneme: x 1 = c 1a 22 c 2 a 12 a 11 a 22 a 12

Διαβάστε περισσότερα

Matematika Funkcia viac premenných, Parciálne derivácie

Matematika Funkcia viac premenných, Parciálne derivácie Matematika 2-01 Funkcia viac premenných, Parciálne derivácie Euklidovská metrika na množine R n všetkých usporiadaných n-íc reálnych čísel je reálna funkcia ρ: R n R n R definovaná nasledovne: Ak X = x

Διαβάστε περισσότερα

7. FUNKCIE POJEM FUNKCIE

7. FUNKCIE POJEM FUNKCIE 7. FUNKCIE POJEM FUNKCIE Funkcia f reálnej premennej je : - každé zobrazenie f v množine všetkých reálnych čísel; - množina f všetkých usporiadaných dvojíc[,y] R R pre ktorú platí: ku každému R eistuje

Διαβάστε περισσότερα

Základy automatického riadenia

Základy automatického riadenia Základy automatického riadenia Predná²ka 6 doc. Ing. Anna Jadlovská, PhD., doc. Ing. Ján Jadlovský, CSc. Katedra kybernetiky a umelej inteligencie Fakulta elektrotechniky a informatiky Technická univerzita

Διαβάστε περισσότερα

M6: Model Hydraulický systém dvoch zásobníkov kvapaliny s interakciou

M6: Model Hydraulický systém dvoch zásobníkov kvapaliny s interakciou M6: Model Hydraulický ytém dvoch záobníkov kvapaliny interakciou Úlohy:. Zotavte matematický popi modelu Hydraulický ytém. Vytvorte imulačný model v jazyku: a. Matlab b. imulink 3. Linearizujte nelineárny

Διαβάστε περισσότερα

Matematika prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad

Matematika prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad Matematika 3-13. prednáška 4 Postupnosti a rady 4.5 Funkcionálne rady - mocninové rady - Taylorov rad, MacLaurinov rad Erika Škrabul áková F BERG, TU Košice 15. 12. 2015 Erika Škrabul áková (TUKE) Taylorov

Διαβάστε περισσότερα

Moderné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ M A T E M A T I K A

Moderné vzdelávanie pre vedomostnú spoločnosť Projekt je spolufinancovaný zo zdrojov EÚ M A T E M A T I K A M A T E M A T I K A PRACOVNÝ ZOŠIT II. ROČNÍK Mgr. Agnesa Balážová Obchodná akadémia, Akademika Hronca 8, Rožňava PRACOVNÝ LIST 1 Urč typ kvadratickej rovnice : 1. x 2 3x = 0... 2. 3x 2 = - 2... 3. -4x

Διαβάστε περισσότερα

Start. Vstup r. O = 2*π*r S = π*r*r. Vystup O, S. Stop. Start. Vstup P, C V = P*C*1,19. Vystup V. Stop

Start. Vstup r. O = 2*π*r S = π*r*r. Vystup O, S. Stop. Start. Vstup P, C V = P*C*1,19. Vystup V. Stop 1) Vytvorte algoritmus (vývojový diagram) na výpočet obvodu kruhu. O=2xπxr ; S=πxrxr Vstup r O = 2*π*r S = π*r*r Vystup O, S 2) Vytvorte algoritmus (vývojový diagram) na výpočet celkovej ceny výrobku s

Διαβάστε περισσότερα

Metódy vol nej optimalizácie

Metódy vol nej optimalizácie Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/28 Motivácia k metódam vol nej optimalizácie APLIKÁCIE p. 2/28 II 1. PRÍKLAD: Lineárna regresia - metóda najmenších štvorcov Na základe dostupných

Διαβάστε περισσότερα

1.1 Min-max normalizácia na interval < A, B >

1.1 Min-max normalizácia na interval < A, B > 1 Normalizácia dát Máme vstupné dáta X = {x 1, x 2,..., x N }. 1.1 Min-max normalizácia na interval < A, B > Napíšte funkciu mmscale(x), ktorá transformuje vektor x tak, že jeho zložky lineárne namapuje

Διαβάστε περισσότερα

Priamkové plochy. Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava

Priamkové plochy. Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava Priamkové plochy Priamkové plochy Ak každým bodom plochy Φ prechádza aspoň jedna priamka, ktorá (celá) na nej leží potom plocha Φ je priamková. Santiago Calatrava Priamkové plochy rozdeľujeme na: Rozvinuteľné

Διαβάστε περισσότερα

KATEDRA DOPRAVNEJ A MANIPULAČNEJ TECHNIKY Strojnícka fakulta, Žilinská Univerzita

KATEDRA DOPRAVNEJ A MANIPULAČNEJ TECHNIKY Strojnícka fakulta, Žilinská Univerzita 132 1 Absolútna chyba: ) = - skut absolútna ochýlka: ) ' = - spr. relatívna chyba: alebo Chyby (ochýlky): M systematické, M náhoné, M hrubé. Korekcia: k = spr - = - Î' pomerná korekcia: Správna honota:

Διαβάστε περισσότερα

Obvod a obsah štvoruholníka

Obvod a obsah štvoruholníka Obvod a štvoruholníka D. Štyri body roviny z ktorých žiadne tri nie sú kolineárne (neležia na jednej priamke) tvoria jeden štvoruholník. Tie body (A, B, C, D) sú vrcholy štvoruholníka. strany štvoruholníka

Διαβάστε περισσότερα

1. Limita, spojitost a diferenciálny počet funkcie jednej premennej

1. Limita, spojitost a diferenciálny počet funkcie jednej premennej . Limita, spojitost a diferenciálny počet funkcie jednej premennej Definícia.: Hromadný bod a R množiny A R: v každom jeho okolí leží aspoň jeden bod z množiny A, ktorý je rôzny od bodu a Zadanie množiny

Διαβάστε περισσότερα

3. Striedavé prúdy. Sínusoida

3. Striedavé prúdy. Sínusoida . Striedavé prúdy VZNIK: Striedavý elektrický prúd prechádza obvodom, ktorý je pripojený na zdroj striedavého napätia. Striedavé napätie vyrába synchrónny generátor, kde na koncoch rotorového vinutia sa

Διαβάστε περισσότερα

Pevné ložiská. Voľné ložiská

Pevné ložiská. Voľné ložiská SUPPORTS D EXTREMITES DE PRECISION - SUPPORT UNIT FOR BALLSCREWS LOŽISKA PRE GULIČKOVÉ SKRUTKY A TRAPÉZOVÉ SKRUTKY Výber správnej podpory konca uličkovej skrutky či trapézovej skrutky je dôležité pre správnu

Διαβάστε περισσότερα

PRUŽNOSŤ A PEVNOSŤ PRE ŠPECIÁLNE INŽINIERSTVO

PRUŽNOSŤ A PEVNOSŤ PRE ŠPECIÁLNE INŽINIERSTVO ŽILINSKÁ UNIVERZITA V ŽILINE Fakulta špeciálneho inžinierstva Doc. Ing. Jozef KOVAČIK, CSc. Ing. Martin BENIAČ, PhD. PRUŽNOSŤ A PEVNOSŤ PRE ŠPECIÁLNE INŽINIERSTVO Druhé doplnené a upravené vydanie Určené

Διαβάστε περισσότερα

Goniometrické rovnice a nerovnice. Základné goniometrické rovnice

Goniometrické rovnice a nerovnice. Základné goniometrické rovnice Goniometrické rovnice a nerovnice Definícia: Rovnice (nerovnice) obsahujúce neznámu x alebo výrazy s neznámou x ako argumenty jednej alebo niekoľkých goniometrických funkcií nazývame goniometrickými rovnicami

Διαβάστε περισσότερα

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2012/2013 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/18

Διαβάστε περισσότερα

Prechod z 2D do 3D. Martin Florek 3. marca 2009

Prechod z 2D do 3D. Martin Florek 3. marca 2009 Počítačová grafika 2 Prechod z 2D do 3D Martin Florek florek@sccg.sk FMFI UK 3. marca 2009 Prechod z 2D do 3D Čo to znamená? Ako zobraziť? Súradnicové systémy Čo to znamená? Ako zobraziť? tretia súradnica

Διαβάστε περισσότερα

ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s

ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s P P P P ss rt çã r s t Pr r Pós r çã ê t çã st t t ê s 1 t s r s r s r s r q s t r r t çã r str ê t çã r t r r r t r s r t r 3 2 r r r 3 t r ér t r s s r t s r s r s ér t r r t t q s t s sã s s s ér t

Διαβάστε περισσότερα

Eulerovské grafy. Príklad Daný graf nie je eulerovský, ale obsahuje eulerovskú cestu (a, ab, b, bc, c, cd, d, da, a, ac, c, ce, e, ed, d, db).

Eulerovské grafy. Príklad Daný graf nie je eulerovský, ale obsahuje eulerovskú cestu (a, ab, b, bc, c, cd, d, da, a, ac, c, ce, e, ed, d, db). Eulerovské grafy Denícia Nech G = (V, E) je graf. Uzavretý ah v G sa nazýva eulerovská kruºnica, ak obsahuje v²etky hrany G. Otvorený ah obsahujúci v²etky hrany grafu sa nazýva eulerovská cesta. Graf sa

Διαβάστε περισσότερα

MATEMATIKA. Martin Kalina

MATEMATIKA. Martin Kalina MATEMATIKA Martin Kalina Slovenská technická univerzita v Bratislave Všetky práva vyhradené. Nijaká časť textu nesmie byť použitá na ďalšie šírenie akoukoľvek formou bez predchádzajúceho súhlasu autorov

Διαβάστε περισσότερα

Spojité rozdelenia pravdepodobnosti. Pomôcka k predmetu PaŠ. RNDr. Aleš Kozubík, PhD. 26. marca Domovská stránka. Titulná strana.

Spojité rozdelenia pravdepodobnosti. Pomôcka k predmetu PaŠ. RNDr. Aleš Kozubík, PhD. 26. marca Domovská stránka. Titulná strana. Spojité rozdelenia pravdepodobnosti Pomôcka k predmetu PaŠ Strana z 7 RNDr. Aleš Kozubík, PhD. 6. marca 3 Zoznam obrázkov Rovnomerné rozdelenie Ro (a, b). Definícia.........................................

Διαβάστε περισσότερα

Ekvačná a kvantifikačná logika

Ekvačná a kvantifikačná logika a kvantifikačná 3. prednáška (6. 10. 004) Prehľad 1 1 (dokončenie) ekvačných tabliel Formula A je ekvačne dokázateľná z množiny axióm T (T i A) práve vtedy, keď existuje uzavreté tablo pre cieľ A ekvačných

Διαβάστε περισσότερα

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy

Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Jednotkový koreň (unit root), diferencovanie časového radu, unit root testy Beáta Stehlíková Časové rady, FMFI UK, 2013/2014 Jednotkový koreň(unit root),diferencovanie časového radu, unit root testy p.1/27

Διαβάστε περισσότερα

ARMA modely čast 2: moving average modely (MA)

ARMA modely čast 2: moving average modely (MA) ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2014/2015 ARMA modely časť 2: moving average modely(ma) p.1/24 V. Moving average proces prvého rádu - MA(1) ARMA modely

Διαβάστε περισσότερα

Neurónové siete Inžiniersky prístup (1. diel)

Neurónové siete Inžiniersky prístup (1. diel) Neurónové siete Inžiniersky prístup (1. diel) Peter Sinčák Katedra kybernetiky a umelej inteligencie Elektrotechnická fakulta Technická Univerzita Košice e-mail: sincak@ccsun.tuke.sk & Gabriela Andrejková

Διαβάστε περισσότερα

Komplexné čísla, Diskrétna Fourierova transformácia 1

Komplexné čísla, Diskrétna Fourierova transformácia 1 Komplexné čísla, Diskrétna Fourierova transformácia Komplexné čísla C - množina všetkých komplexných čísel komplexné číslo: z = a + bi, kde a, b R, i - imaginárna jednotka i =, t.j. i =. komplexne združené

Διαβάστε περισσότερα

8. prednáška Logické neuróny a neurónové siete

8. prednáška Logické neuróny a neurónové siete 8. prednáška Logické neuróny a neurónové siete Priesvitka Logické neuróny McCullocha a Pittsa Logické neuróny a neurónové siete boli prvý krát študované v publikácii Warrena McCullocha a Waltera Pittsa

Διαβάστε περισσότερα

Podmienenost problému a stabilita algoritmu

Podmienenost problému a stabilita algoritmu Podmienenost problému a stabilita algoritmu Ing. Gabriel Okša, CSc. Matematický ústav Slovenská akadémia vied Bratislava Stavebná fakulta STU G. Okša: Podmienenost a stabilita 1/19 Obsah 1 Vektorové a

Διαβάστε περισσότερα

MIDTERM (A) riešenia a bodovanie

MIDTERM (A) riešenia a bodovanie MIDTERM (A) riešenia a bodovanie 1. (7b) Nech vzhl adom na štandardnú karteziánsku sústavu súradníc S 1 := O, e 1, e 2 majú bod P a vektory u, v súradnice P = [0, 1], u = e 1, v = 2 e 2. Aký predpis bude

Διαβάστε περισσότερα

M8 Model "Valcová a kužeľová nádrž v sérií bez interakcie"

M8 Model Valcová a kužeľová nádrž v sérií bez interakcie M8 Model "Valcová a kužeľová nádrž v sérií bez interakcie" Úlohy: 1. Zostavte matematický popis modelu M8 2. Vytvorte simulačný model v prostredí: a) Simulink zostavte blokovú schému, pomocou rozkladu

Διαβάστε περισσότερα

,Zohrievanie vody indukčným varičom bez pokrievky,

,Zohrievanie vody indukčným varičom bez pokrievky, Farba skupiny: zelená Označenie úlohy:,zohrievanie vody indukčným varičom bez pokrievky, Úloha: Zistiť, ako závisí účinnosť zohrievania vody na indukčnom variči od priemeru použitého hrnca. Hypotéza: Účinnosť

Διαβάστε περισσότερα

Harmonizované technické špecifikácie Trieda GP - CS lv EN Pevnosť v tlaku 6 N/mm² EN Prídržnosť

Harmonizované technické špecifikácie Trieda GP - CS lv EN Pevnosť v tlaku 6 N/mm² EN Prídržnosť Baumit Prednástrek / Vorspritzer Vyhlásenie o parametroch č.: 01-BSK- Prednástrek / Vorspritzer 1. Jedinečný identifikačný kód typu a výrobku: Baumit Prednástrek / Vorspritzer 2. Typ, číslo výrobnej dávky

Διαβάστε περισσότερα

Pravdepodobnos a ²tatistika (1-INF-435) Poznámky k predná²kam. Radoslav Harman, KAM, FMFI UK

Pravdepodobnos a ²tatistika (1-INF-435) Poznámky k predná²kam. Radoslav Harman, KAM, FMFI UK Pravdepodobnos a ²tatistika (1-INF-435) Poznámky k predná²kam Radoslav Harman, KAM, FMFI UK 15. januára 2014 Obsah 1 Úvod 3 2 Axiomatická denícia pravdepodobnosti 3 2.1 Priestor udalostí..................................

Διαβάστε περισσότερα

Pavol Jozef afárik University in Ko²ice Faculty of Science. Testovanie a verikácia programov Floydova metóda Gabriela Andrejková

Pavol Jozef afárik University in Ko²ice Faculty of Science. Testovanie a verikácia programov Floydova metóda Gabriela Andrejková Pavol Jozef afárik University in Ko²ice Faculty of Science Testovanie a verikácia programov Floydova metóda Gabriela Andrejková Pri dokazovaní správnosti programov je potrebné ma ²pecikované: a) programovací

Διαβάστε περισσότερα

Základy automatického riadenia

Základy automatického riadenia Základy automatického riadenia Predná²ka 9 doc. Ing. Anna Jadlovská, PhD., doc. Ing. Ján Jadlovský, CSc. Katedra kybernetiky a umelej inteligencie Fakulta elektrotechniky a informatiky Technická univerzita

Διαβάστε περισσότερα

AerobTec Altis Micro

AerobTec Altis Micro AerobTec Altis Micro Záznamový / súťažný výškomer s telemetriou Výrobca: AerobTec, s.r.o. Pionierska 15 831 02 Bratislava www.aerobtec.com info@aerobtec.com Obsah 1.Vlastnosti... 3 2.Úvod... 3 3.Princíp

Διαβάστε περισσότερα

Cvičenie č. 4,5 Limita funkcie

Cvičenie č. 4,5 Limita funkcie Cvičenie č. 4,5 Limita funkcie Definícia ity Limita funkcie (vlastná vo vlastnom bode) Nech funkcia f je definovaná na nejakom okolí U( ) bodu. Hovoríme, že funkcia f má v bode itu rovnú A, ak ( ε > )(

Διαβάστε περισσότερα

6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH

6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH 6 APLIKÁCIE FUNKCIE DVOCH PREMENNÝCH 6. Otázky Definujte pojem produkčná funkcia. Definujte pojem marginálny produkt. 6. Produkčná funkcia a marginálny produkt Definícia 6. Ak v ekonomickom procese počet

Διαβάστε περισσότερα

Motivácia pojmu derivácia

Motivácia pojmu derivácia Derivácia funkcie Motivácia pojmu derivácia Zaujíma nás priemerná intenzita zmeny nejakej veličiny (dráhy, rastu populácie, veľkosti elektrického náboja, hmotnosti), vzhľadom na inú veličinu (čas, dĺžka)

Διαβάστε περισσότερα

Hydromechanika II. Viskózna kvapalina Povrchové napätie Kapilárne javy. Doplnkové materiály k prednáškam z Fyziky I pre EF Dušan PUDIŠ (2013)

Hydromechanika II. Viskózna kvapalina Povrchové napätie Kapilárne javy. Doplnkové materiály k prednáškam z Fyziky I pre EF Dušan PUDIŠ (2013) Hyomechanika II Viskózna kvaaina Povchové naäie Kaiáne javy Donkové maeiáy k enáškam z yziky I e E Dušan PUDIŠ (013 Lamináne vs. Tubuenné úenie Pi úení eánej kvaainy ôsobia mezi voma susenými vsvami i

Διαβάστε περισσότερα

Ako si nájs chybu? o a ako sa pýta výsledkov

Ako si nájs chybu? o a ako sa pýta výsledkov o a ako sa pýta výsledkov Katedra teoretickej fyziky a didaktitky fyziky FMFI, UK Letná ²kola FKS/TMF 29.7.2016 Keby ste sa nudili Túto prezentáciu a mnoºstvo al²ích príkladov nájdete na davinci.fmph.uniba.sk/

Διαβάστε περισσότερα

Chí kvadrát test dobrej zhody. Metódy riešenia úloh z pravdepodobnosti a štatistiky

Chí kvadrát test dobrej zhody. Metódy riešenia úloh z pravdepodobnosti a štatistiky Chí kvadrát test dobrej zhody Metódy riešenia úloh z pravdepodobnosti a štatistiky www.iam.fmph.uniba.sk/institute/stehlikova Test dobrej zhody I. Chceme overiť, či naše dáta pochádzajú z konkrétneho pravdep.

Διαβάστε περισσότερα

1. písomná práca z matematiky Skupina A

1. písomná práca z matematiky Skupina A 1. písomná práca z matematiky Skupina A 1. Vypočítajte : a) 84º 56 + 32º 38 = b) 140º 53º 24 = c) 55º 12 : 2 = 2. Vypočítajte zvyšné uhly na obrázku : β γ α = 35 12 δ a b 3. Znázornite na číselnej osi

Διαβάστε περισσότερα

x x x2 n

x x x2 n Reálne symetrické matice Skalárny súčin v R n. Pripomeniem, že pre vektory u = u, u, u, v = v, v, v R platí. dĺžka vektora u je u = u + u + u,. ak sú oba vektory nenulové a zvierajú neorientovaný uhol

Διαβάστε περισσότερα

rs r r â t át r st tíst Ó P ã t r r r â

rs r r â t át r st tíst Ó P ã t r r r â rs r r â t át r st tíst P Ó P ã t r r r â ã t r r P Ó P r sã rs r s t à r çã rs r st tíst r q s t r r t çã r r st tíst r t r ú r s r ú r â rs r r â t át r çã rs r st tíst 1 r r 1 ss rt q çã st tr sã

Διαβάστε περισσότερα

2 Chyby a neistoty merania, zápis výsledku merania

2 Chyby a neistoty merania, zápis výsledku merania 2 Chyby a neistoty merania, zápis výsledku merania Akej chyby sa môžeme dopustiť pri meraní na stopkách? Ako určíme ich presnosť? Základné pojmy: chyba merania, hrubé chyby, systematické chyby, náhodné

Διαβάστε περισσότερα

HASLIM112V, HASLIM123V, HASLIM136V HASLIM112Z, HASLIM123Z, HASLIM136Z HASLIM112S, HASLIM123S, HASLIM136S

HASLIM112V, HASLIM123V, HASLIM136V HASLIM112Z, HASLIM123Z, HASLIM136Z HASLIM112S, HASLIM123S, HASLIM136S PROUKTOVÝ LIST HKL SLIM č. sklad. karty / obj. číslo: HSLIM112V, HSLIM123V, HSLIM136V HSLIM112Z, HSLIM123Z, HSLIM136Z HSLIM112S, HSLIM123S, HSLIM136S fakturačný názov výrobku: HKL SLIMv 1,2kW HKL SLIMv

Διαβάστε περισσότερα

1. prednáška Logické neuróny a neurónové siete

1. prednáška Logické neuróny a neurónové siete . prednáška Logické neuróny a neurónové siete priesvitka: Mozog a neurónové siete Metafora ľudského mozgu hrá dôležitú úlohu v modernej informatike. Pomocou tejto metafory boli navrhnuté nové paralelné

Διαβάστε περισσότερα

Řečtina I průvodce prosincem a začátkem ledna prezenční studium

Řečtina I průvodce prosincem a začátkem ledna prezenční studium Řečtina I průvodce prosincem a začátkem ledna prezenční studium Dobson číst si Dobsona 9. až 12. lekci od 13. lekce už nečíst (minulý čas probírán na stažených slovesech velmi matoucí) Bartoň pořídit si

Διαβάστε περισσότερα

Gramatická indukcia a jej využitie

Gramatická indukcia a jej využitie a jej využitie KAI FMFI UK 29. Marec 2010 a jej využitie Prehľad Teória formálnych jazykov 1 Teória formálnych jazykov 2 3 a jej využitie Na počiatku bolo slovo. A slovo... a jej využitie Definícia (Slovo)

Διαβάστε περισσότερα

P P Ó P. r r t r r r s 1. r r ó t t ó rr r rr r rí st s t s. Pr s t P r s rr. r t r s s s é 3 ñ

P P Ó P. r r t r r r s 1. r r ó t t ó rr r rr r rí st s t s. Pr s t P r s rr. r t r s s s é 3 ñ P P Ó P r r t r r r s 1 r r ó t t ó rr r rr r rí st s t s Pr s t P r s rr r t r s s s é 3 ñ í sé 3 ñ 3 é1 r P P Ó P str r r r t é t r r r s 1 t r P r s rr 1 1 s t r r ó s r s st rr t s r t s rr s r q s

Διαβάστε περισσότερα

7 Derivácia funkcie. 7.1 Motivácia k derivácii

7 Derivácia funkcie. 7.1 Motivácia k derivácii Híc, P Pokorný, M: Matematika pre informatikov a prírodné vedy 7 Derivácia funkcie 7 Motivácia k derivácii S využitím derivácií sa stretávame veľmi často v matematike, geometrii, fyzike, či v rôznych technických

Διαβάστε περισσότερα

Úvod do lineárnej algebry. Monika Molnárová Prednášky

Úvod do lineárnej algebry. Monika Molnárová Prednášky Úvod do lineárnej algebry Monika Molnárová Prednášky 2006 Prednášky: 3 17 marca 2006 4 24 marca 2006 c RNDr Monika Molnárová, PhD Obsah 2 Sústavy lineárnych rovníc 25 21 Riešenie sústavy lineárnych rovníc

Διαβάστε περισσότερα

Transformátory 1. Obr. 1 Dvojvinuťový transformátor. Na Obr. 1 je naznačený rez dvojvinuťovým transformátorom, pre ktorý platia rovnice:

Transformátory 1. Obr. 1 Dvojvinuťový transformátor. Na Obr. 1 je naznačený rez dvojvinuťovým transformátorom, pre ktorý platia rovnice: Transformátory 1 TRANSFORÁTORY Obr. 1 Dvojvinuťový transformátor Na Obr. 1 je naznačený rez dvojvinuťovým transformátorom, pre ktorý platia rovnice: u d dt Φ Φ N i R d = Φ Φ N i R (1) dt 1 = ( 0+ 1) 1+

Διαβάστε περισσότερα

Kompilátory. Cvičenie 6: LLVM. Peter Kostolányi. 21. novembra 2017

Kompilátory. Cvičenie 6: LLVM. Peter Kostolányi. 21. novembra 2017 Kompilátory Cvičenie 6: LLVM Peter Kostolányi 21. novembra 2017 LLVM V podstate sada nástrojov pre tvorbu kompilátorov LLVM V podstate sada nástrojov pre tvorbu kompilátorov Pôvodne Low Level Virtual Machine

Διαβάστε περισσότερα

Obsah. 1.1 Reálne čísla a ich základné vlastnosti... 7 1.1.1 Komplexné čísla... 8

Obsah. 1.1 Reálne čísla a ich základné vlastnosti... 7 1.1.1 Komplexné čísla... 8 Obsah 1 Číselné obory 7 1.1 Reálne čísla a ich základné vlastnosti............................ 7 1.1.1 Komplexné čísla................................... 8 1.2 Číselné množiny.......................................

Διαβάστε περισσότερα

Maticové hry. doc. RNDr. tefan Pe²ko. 9. marca Katedra matematických metód a opera nej analýzy, FRI šu

Maticové hry. doc. RNDr. tefan Pe²ko. 9. marca Katedra matematických metód a opera nej analýzy, FRI šu Katedra matematických metód a opera nej analýzy, FRI šu 9. marca 2018 Antagonistický konikt dvoch hrá ov s kone nými priestormi stratégií modeluje maticová hra. Denícia 3.1 Kone nú hra s nulovým sú tom

Διαβάστε περισσότερα

Metódy vol nej optimalizácie

Metódy vol nej optimalizácie Metódy vol nej optimalizácie Metódy vol nej optimalizácie p. 1/52 Metódy minimalizácie funkcie jednej premennej Metódy minimalizácie funkcie jednej premennej p. 2/52 Metódy minimalizácie funkcie jednej

Διαβάστε περισσότερα

Zbierka rie²ených úloh z matematickej fyziky

Zbierka rie²ených úloh z matematickej fyziky Zbierka rie²ených úloh z matematickej fyziky Milan šukovi 22. novembra 2009 2 Obsah Komplexné ísla. Úvod.................................................................2 Úlohy...............................................................

Διαβάστε περισσότερα

Odporníky. 1. Príklad1. TESLA TR

Odporníky. 1. Príklad1. TESLA TR Odporníky Úloha cvičenia: 1.Zistite technické údaje odporníkov pomocou katalógov 2.Zistite menovitú hodnotu odporníkov označených farebným kódom Schématická značka: 1. Príklad1. TESLA TR 163 200 ±1% L

Διαβάστε περισσότερα

Podnikateľ 90 Mobilný telefón Cena 95 % 50 % 25 %

Podnikateľ 90 Mobilný telefón Cena 95 % 50 % 25 % Podnikateľ 90 Samsung S5230 Samsung C3530 Nokia C5 Samsung Shark Slider S3550 Samsung Xcover 271 T-Mobile Pulse Mini Sony Ericsson ZYLO Sony Ericsson Cedar LG GM360 Viewty Snap Nokia C3 Sony Ericsson ZYLO

Διαβάστε περισσότερα

LEM. Non-linear externalities in firm localization. Giulio Bottazzi Ugo Gragnolati * Fabio Vanni

LEM. Non-linear externalities in firm localization. Giulio Bottazzi Ugo Gragnolati * Fabio Vanni LEM WORKING PAPER SERIES Non-linear externalities in firm localization Giulio Bottazzi Ugo Gragnolati * Fabio Vanni Institute of Economics, Scuola Superiore Sant'Anna, Pisa, Italy * University of Paris

Διαβάστε περισσότερα

Súčtové vzorce. cos (α + β) = cos α.cos β sin α.sin β cos (α β) = cos α.cos β + sin α.sin β. tg (α β) = cotg (α β) =.

Súčtové vzorce. cos (α + β) = cos α.cos β sin α.sin β cos (α β) = cos α.cos β + sin α.sin β. tg (α β) = cotg (α β) =. Súčtové vzorce Súčtové vzorce sú goniometrické hodnoty súčtov a rozdielov dvoch uhlov Sem patria aj goniometrické hodnoty dvojnásobného a polovičného uhla a pridám aj súčet a rozdiel goniometrických funkcií

Διαβάστε περισσότερα

Základy automatického riadenia

Základy automatického riadenia Základy automatického riadenia Predná²ka 8 doc. Ing. Anna Jadlovská, PhD., doc. Ing. Ján Jadlovský, CSc. Katedra kybernetiky a umelej inteligencie Fakulta elektrotechniky a informatiky Technická univerzita

Διαβάστε περισσότερα

Vlastnosti regulátorov pri spätnoväzbovom riadení procesov

Vlastnosti regulátorov pri spätnoväzbovom riadení procesov Kapitola 8 Vlastnosti regulátorov pri spätnoväzbovom riadení procesov Cieľom cvičenia je sledovať vplyv P, I a D zložky PID regulátora na dynamické vlastnosti uzavretého regulačného obvodu (URO). 8. Prehľad

Διαβάστε περισσότερα

MATEMATIKA I. Základy diferenciálneho počtu. Návody k cvičeniam pre odbory VSVH a STOP. Andrea Stupňanová, Alexandra Šipošová

MATEMATIKA I. Základy diferenciálneho počtu. Návody k cvičeniam pre odbory VSVH a STOP. Andrea Stupňanová, Alexandra Šipošová MATEMATIKA I. Základy diferenciálneho počtu Návody k cvičeniam pre odbory VSVH a STOP Andrea Stupňanová, Alexandra Šipošová MATEMATIKA I. Základy diferenciálneho počtu Návody k cvičeniam pre odbory VSVH

Διαβάστε περισσότερα

Για να εμφανιστούν σωστά οι χαρακτήρες της Γραμμικής Β, πρέπει να κάνετε download και install τα fonts της Linear B που υπάρχουν στο τμήμα Downloads.

Για να εμφανιστούν σωστά οι χαρακτήρες της Γραμμικής Β, πρέπει να κάνετε download και install τα fonts της Linear B που υπάρχουν στο τμήμα Downloads. Για να εμφανιστούν σωστά οι χαρακτήρες της Γραμμικής Β, πρέπει να κάνετε download και install τα fonts της Linear B που υπάρχουν στο τμήμα Downloads. Η μυκηναϊκή Γραμμική Β γραφή ονομάστηκε έτσι από τον

Διαβάστε περισσότερα

ARMA modely čast 2: moving average modely (MA)

ARMA modely čast 2: moving average modely (MA) ARMA modely čast 2: moving average modely (MA) Beáta Stehlíková Časové rady, FMFI UK, 2011/2012 ARMA modely časť 2: moving average modely(ma) p.1/25 V. Moving average proces prvého rádu - MA(1) ARMA modely

Διαβάστε περισσότερα

Sarò signor io sol. α α. œ œ. œ œ œ œ µ œ œ. > Bass 2. Domenico Micheli. Canzon, ottava stanza. Soprano 1. Soprano 2. Alto 1

Sarò signor io sol. α α. œ œ. œ œ œ œ µ œ œ. > Bass 2. Domenico Micheli. Canzon, ottava stanza. Soprano 1. Soprano 2. Alto 1 Sarò signor io sol Canzon, ottava stanza Domenico Micheli Soprano Soprano 2 Alto Alto 2 Α Α Sa rò si gnor io sol del mio pen sie io sol Sa rò si gnor io sol del mio pen sie io µ Tenor Α Tenor 2 Α Sa rò

Διαβάστε περισσότερα

Δίκτυα Perceptron. Κυριακίδης Ιωάννης 2013

Δίκτυα Perceptron. Κυριακίδης Ιωάννης 2013 Δίκτυα Perceptron Κυριακίδης Ιωάννης 2013 Αρχιτεκτονική του δικτύου Το δίκτυο Perceptron είναι το πρώτο νευρωνικό δίκτυο το οποίο θα κατασκευάσουμε και στη συνέχεια θα εκπαιδεύσουμε προκειμένου να το χρησιμοποιήσουμε

Διαβάστε περισσότερα

Meren virsi Eino Leino

Meren virsi Eino Leino œ_ œ _ q = 72 Meren virsi Eino Leino Toivo Kuua o. 11/2 (1909) c c F c Kun ne F iu L? c œ J J J J œ_ œ_ nœ_ Min ne rien nät, vie ri vä vir ta? Kun ne c c F c Kun ne F iu L? c œ J J J J œ_ œ_ nœ_ Min ne

Διαβάστε περισσότερα

Funkcie - základné pojmy

Funkcie - základné pojmy Funkcie - základné pojmy DEFINÍCIA FUNKCIE Nech A, B sú dve neprázdne číselné množiny. Ak každému prvku x A je priradený najviac jeden prvok y B, tak hovoríme, že je daná funkcia z množiny A do množiny

Διαβάστε περισσότερα

UČEBNÉ TEXTY. Pracovný zošit č.2. Moderné vzdelávanie pre vedomostnú spoločnosť Elektrotechnické merania. Ing. Alžbeta Kršňáková

UČEBNÉ TEXTY. Pracovný zošit č.2. Moderné vzdelávanie pre vedomostnú spoločnosť Elektrotechnické merania. Ing. Alžbeta Kršňáková Stredná priemyselná škola dopravná, Sokolská 911/94, 960 01 Zvolen Kód ITMS projektu: 26110130667 Názov projektu: Zvyšovanie flexibility absolventov v oblasti dopravy UČEBNÉ TEXTY Pracovný zošit č.2 Vzdelávacia

Διαβάστε περισσότερα

Reálna funkcia reálnej premennej

Reálna funkcia reálnej premennej (ÚMV/MAN3a/10) RNDr. Ivan Mojsej, PhD ivan.mojsej@upjs.sk 18.10.2012 Úvod V každodennom živote, hlavne pri skúmaní prírodných javov, procesov sa stretávame so závislosťou veľkosti niektorých veličín od

Διαβάστε περισσότερα

Numerické metódy matematiky I

Numerické metódy matematiky I Prednáška č. 7 Numerické metódy matematiky I Riešenie sústav lineárnych rovníc ( pokračovanie ) Prednáška č. 7 OBSAH 1. Metóda singulárneho rozkladu (SVD) Úvod SVD štvorcovej matice SVD pre menej rovníc

Διαβάστε περισσότερα

Backpropagation Multilayer Feedforward Δίκτυα. Κυριακίδης Ιωάννης 2013

Backpropagation Multilayer Feedforward Δίκτυα. Κυριακίδης Ιωάννης 2013 Backpropagation Multilayer Feedforward Δίκτυα Κυριακίδης Ιωάννης 2013 Εισαγωγή Τα νευρωνικά δίκτυα Perceptron που εξετάσαμε μέχρι τώρα είχαν το μειονέκτημα ότι δεν μπορούσαν να αντιμετωπίσουν προβλήματα

Διαβάστε περισσότερα

Základy automatického riadenia

Základy automatického riadenia Základy automatického riadenia Prednáška 1 doc. Ing. Anna Jadlovská, PhD., doc. Ing. Ján Jadlovský, CSc. Katedra kybernetiky a umelej inteligencie Fakulta elektrotechniky a informatiky Technická univerzita

Διαβάστε περισσότερα

6 Limita funkcie. 6.1 Myšlienka limity, interval bez bodu

6 Limita funkcie. 6.1 Myšlienka limity, interval bez bodu 6 Limita funkcie 6 Myšlienka ity, interval bez bodu Intuitívna myšlienka ity je prirodzená, ale definovať presne pojem ity je značne obtiažne Nech f je funkcia a nech a je reálne číslo Čo znamená zápis

Διαβάστε περισσότερα

Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej transformácie,

Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej transformácie, Kapitola Riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie Cieľom cvičenia je zvládnuť riešenie diferenciálnych rovníc pomocou Laplaceovej tranformácie, keď charakteritická rovnica má rôzne

Διαβάστε περισσότερα

DIPLOMOVÁ PRÁCE. Monika Jakubcová Míry ecience portfolia vzhledem k stochastické dominanci

DIPLOMOVÁ PRÁCE. Monika Jakubcová Míry ecience portfolia vzhledem k stochastické dominanci Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Monika Jakubcová Míry ecience portfolia vzhledem k stochastické dominanci Katedra pravd podobnosti a matematické statistiky Vedoucí

Διαβάστε περισσότερα

Q π (/) ^ ^ ^ Η φ. <f) c>o. ^ ο. ö ê ω Q. Ο. o 'c. _o _) o U 03. ,,, ω ^ ^ -g'^ ο 0) f ο. Ε. ιη ο Φ. ο 0) κ. ο 03.,Ο. g 2< οο"" ο φ.

Q π (/) ^ ^ ^ Η φ. <f) c>o. ^ ο. ö ê ω Q. Ο. o 'c. _o _) o U 03. ,,, ω ^ ^ -g'^ ο 0) f ο. Ε. ιη ο Φ. ο 0) κ. ο 03.,Ο. g 2< οο ο φ. II 4»» «i p û»7'' s V -Ζ G -7 y 1 X s? ' (/) Ζ L. - =! i- Ζ ) Η f) " i L. Û - 1 1 Ι û ( - " - ' t - ' t/î " ι-8. Ι -. : wî ' j 1 Τ J en " il-' - - ö ê., t= ' -; '9 ',,, ) Τ '.,/,. - ϊζ L - (- - s.1 ai

Διαβάστε περισσότερα

Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi

Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi Hľadanie, skúmanie a hodnotenie súvislosti medzi znakmi Typy súvislostí javov a vecí: nepodstatné - vonkajšia súvislosť nevyplýva z vnútornej potreby (javy spoločne vznikajú, majú zhodný priebeh, alebo

Διαβάστε περισσότερα

Riešenie sústavy lineárnych rovníc. Priame metódy.

Riešenie sústavy lineárnych rovníc. Priame metódy. Riešenie sústavy lineárnych rovníc. Priame metódy. Ing. Gabriel Okša, CSc. Matematický ústav Slovenská akadémia vied Bratislava Stavebná fakulta STU G. Okša: Priame metódy 1/16 Obsah 1 Základy 2 Systémy

Διαβάστε περισσότερα

METÓDY VNÚTORNÉHO BODU VO FINANƒNÝCH MODELOCH DIPLOMOVÁ PRÁCA

METÓDY VNÚTORNÉHO BODU VO FINANƒNÝCH MODELOCH DIPLOMOVÁ PRÁCA Fakulta matematiky, fyziky a informatiky Univerzity Komenského v Bratislave Katedra aplikovanej matematiky a ²tatistiky METÓDY VNÚTORNÉHO BODU VO FINANƒNÝCH MODELOCH DIPLOMOVÁ PRÁCA 2006 Václav Kolátor

Διαβάστε περισσότερα

Nekone ný antagonistický konikt

Nekone ný antagonistický konikt Katedra matematických metód, FRI šu 12. apríl 2012 V al²om výklade sa obmedzíme na také hry dvoch hrá ov H 0, v ktorých sú priestory stratégií hrá ov nekone né mnoºiny. Takýto prístup je výhodný aj v pripadoch

Διαβάστε περισσότερα

Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti rozvodu tepla

Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti rozvodu tepla Rozsah hodnotenia a spôsob výpočtu energetickej účinnosti príloha č. 7 k vyhláške č. 428/2010 Názov prevádzkovateľa verejného : Spravbytkomfort a.s. Prešov Adresa: IČO: Volgogradská 88, 080 01 Prešov 31718523

Διαβάστε περισσότερα

Α.Τ.Ε.Ι ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΠΟΛΥΜΕΣΩΝ ΕΡΓΑΣΤΗΡΙΟ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ 4

Α.Τ.Ε.Ι ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΠΟΛΥΜΕΣΩΝ ΕΡΓΑΣΤΗΡΙΟ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ 4 Α.Τ.Ε.Ι ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΠΟΛΥΜΕΣΩΝ ΕΡΓΑΣΤΗΡΙΟ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ 4 ΤΟ ΔΙΚΤΥΟ PERCEPTRON I. Αρχιτεκτονική του δικτύου Το δίκτυο Perceptron είναι το πρώτο νευρωνικό δίκτυο το οποίο

Διαβάστε περισσότερα

VLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR. Michal Zajac. 3 T b 1 = T b 2 = = = 2b

VLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR. Michal Zajac. 3 T b 1 = T b 2 = = = 2b VLASTNÉ ČÍSLA A JORDANOV KANONICKÝ TVAR Michal Zajac Vlastné čísla a vlastné vektory Pripomeňme najprv, že lineárny operátor T : L L je vzhl adom na bázu B = {b 1, b 2,, b n } lineárneho priestoru L určený

Διαβάστε περισσότερα

Siete jednosmerného prúdu alebo 77 odporných príkladov

Siete jednosmerného prúdu alebo 77 odporných príkladov Siete jednosmerného prúdu alebo 77 odporných príkladov Juraj Tekel Katedra teoretickej fyziky a didaktiky fyziky FMFI UK Mlynska Dolina 842 48 Bratislava juraj(a)tekel(b)gmail(c)com http://fks.sk/~juro/phys_materials.html

Διαβάστε περισσότερα

UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY

UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY, FYZIKY A INFORMATIKY NOVÁ METÓDA KONJUGOVANÝCH GRADIENTOV BAKALÁRSKA PRÁCA 2012 Marián PITONIAK UNIVERZITA KOMENSKÉHO V BRATISLAVE FAKULTA MATEMATIKY,

Διαβάστε περισσότερα

Japanese Fuzzy String Matching in Cooking Recipes

Japanese Fuzzy String Matching in Cooking Recipes 1 Japanese Fuzzy String Matching in Cooking Recipes Michiko Yasukawa 1 In this paper, we propose Japanese fuzzy string matching in cooking recipes. Cooking recipes contain spelling variants for recipe

Διαβάστε περισσότερα

Matematika 2. časť: Funkcia viac premenných Letný semester 2013/2014

Matematika 2. časť: Funkcia viac premenných Letný semester 2013/2014 Matematika 2 časť: Funkcia viac premenných Letný semester 2013/2014 RNDr. Jana Pócsová, PhD. Ústav riadenia a informatizácie výrobných procesov Fakulta BERG Technická univerzita v Košiciach e-mail: jana.pocsova@tuke.sk

Διαβάστε περισσότερα

Numerické metódy Zbierka úloh

Numerické metódy Zbierka úloh Blanka Baculíková Ivan Daňo Numerické metódy Zbierka úloh Strana 1 z 37 Predhovor 3 1 Nelineárne rovnice 4 2 Sústavy lineárnych rovníc 7 3 Sústavy nelineárnych rovníc 1 4 Interpolačné polynómy 14 5 Aproximácia

Διαβάστε περισσότερα

Základy matematickej štatistiky

Základy matematickej štatistiky 1. Náhodný výber, výberové momenty a odhad parametrov Katedra Matematických metód Fakulta Riadenia a Informatiky Žilinská Univerzita v Žiline 6. mája 2015 1 Náhodný výber 2 Výberové momenty 3 Odhady parametrov

Διαβάστε περισσότερα

Kódovanie a dekódovanie

Kódovanie a dekódovanie Kódovanie a deovanie 1 Je daná množina B={0,1,2} Zostrojte množinu B* všetkých možných slov dĺžky dva 2 Je daná zdrojová abeceda A={α,β,ϕ,τ} Navrhnite príklady aspoň dvoch prostých ovaní týchto zdrojových

Διαβάστε περισσότερα

Úvod do lineárnej algebry

Úvod do lineárnej algebry Katedra matematiky Fakulta elektrotechniky a informatiky Technická Univerzita v Košiciach Úvod do lineárnej algebry Monika Molnárová, Helena Myšková 005 RECENZOVALI: RNDr. Štefan Schrötter, CSc. RNDr.

Διαβάστε περισσότερα