Klasifikace klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti metody klasifikace bez učitele: podoba.

Slides:



Advertisements
Podobné prezentace
Lineární klasifikátor
Advertisements

Fourierova transformace Filtrování obrazu ve frekvenční doméně
Fraktálová komprese obrazu
Problematika a metody zpracování biomed. dat z pohledu jejich klasifikace Marcel Jiřina.
Automatická fonetická segmentace pomocí UNS Registr - 36 neuronových sítí MLNN (pro každou českou hlásku jedna UNS) Trénovací množina: databáze promluv.
Topologie neuronových sítí (struktura, geometrie, architektura)
Možnosti vizualizace dat a informací v medicíně
Rozložení EEG elektrod (10-20 system)
Lineární regresní analýza Úvod od problému
Přednáška 12 Diferenciální rovnice
C) Fuzzy logika Mlhavý úvod do Fuzzy logiky Fuzzy [fazi] = mlhavý, nejasný, neostrý, rozplizlý… 1965 – Lofti Asker Zadeh Iránský elektrotechnik, působící.
DOK „Umělá inteligence“ v DOK (i jinde). NEURONOVÉ SÍTĚ.
Strojové učení I (Mitchell93) učicí množina příkladů hledáme generalizaci učicí množiny ověřujeme na testovací množině pokrytí, přesnost, F-kriterium.
20. Metody zpracování digitálních dat dálkového průzkumu
Neuronové sítě Jakub Krátký.
Shluková analýza.
Rozšíření dotazu a vývoj tématu v IR Jiří Dvorský Jan Martinovič Václav Snášel.
Obecné a centrální momenty
Novohradské statistické dny Poznámky k problematice určování počtu shluků Hana Řezanková Vysoká škola ekonomická v Praze.
IGrid index Roman Krejčík. Obsah Motivace Prokletí dimenze Míry podobnosti IGrid, IGrid+ Experimentální porovnání.
Nelineární klasifikátory
Shluková analýza.
1 Kognitivní inspirace třídění na základě závislostí atributů Jan Burian Eurfomise centrum – Kardio, Ústav informatiky AV ČR Článek je dostupný na WWW:
Hlavní charakteristiky křivky normálního rozdělení
Reprezentace klasifikátoru pomocí „diskriminant“ funkce
Vektorová kvantizace (VQ) (Vector Quantization)
Úvod do zpracování EEG signálu
DÁLKOVÝ PRŮZKUM ZEMĚ.
ISS Úlohy o podobnosti objektů, mnohorozměrné škálování Semináře ke kurzu Analytické metody výzkumu Jindřich Krejčí.
AKD VII.
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík, CSc.
2. Vybrané základní pojmy matematické statistiky
Základy matematické statistiky. Nechť je dána náhodná veličina X (“věk žadatele o hypotéku“) X je definována rozdělením pravděpodobností, s nimiž nastanou.
Normální rozdělení a ověření normality dat
Vyhledávání v multimediálních databázích Tomáš Skopal KSI MFF UK 4. Mapování a redukce dimenze 1. část – úvod + mapování vektorových sad.
Lineární integrální transformace
W i ref (t+1) = W i ref (t) + h ci (t) [X(t) - W i ref (t)], i Nc h ci (t) 0, t  proces konverguje Algoritmy a struktury neuropočítačů ASN – P3 SOM algoritmus.
Petr Junek Laboratoř DPZ, Katedra mapování a kartografie
Podobnost trajektorií Jiří Jakl Úvod - využití Rozpoznáváni ručně psaných textů GPS navigace Analýza pohybu pracovníku v budovách Predikce.
ANALÝZA A KLASIFIKACE DAT
Vyhledávání vzorů (template matching)
1 Audio retrieval Referát Vyhledávání v multimediálních databázích MFF UK 2005/06 Jan Kodym.
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Klasifikace a rozpoznávání
Praktická využití UNS V medicínských aplikacích Jan Vrba 2006.
Odhad ceny akcií Martin Dörfler, Jiří Marchalín. Původní metoda  odhad ceny akcií pomocí neuronové sítě v závislosti na minulých hodnotách kombinací.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Cenová mapa podnájmů v Praze Ondřej Kmoch Tomáš Kohan
Neuronové sítě. Vývoj NS 1943 – W. McCulloch, W. Pittse – první jednoduchý matematický model neuronu 1951 – M. Minsky - první neuropočítač Snark 1957.
Vícerozměrné statistické metody Vícerozměrné statistické rozdělení a testy, operace s vektory a maticemi Jiří Jarkovský, Simona Littnerová.
Neuronové sítě.
Klasifikace a rozpoznávání Lineární klasifikátory.
© Institut biostatistiky a analýz ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁL Ů V. ELEKTROENCEFALOGRAM ZPRACOVÁNÍ V ČASOVÉ OBLASTI.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Ověření modelů a modelování Kateřina Růžičková. Posouzení kvality modelu Ověření (verifikace) ● kvalitativní hodnocení správnosti modelu ● zda model přijatelně.
Ing. Milan Houška KOSA PEF ČZU v Praze
Metody strojového učení
Klasifikace a rozpoznávání
Neuronové sítě.
Neuronové sítě.
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT
Transkript prezentace:

Klasifikace klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti metody klasifikace bez učitele: podoba (a často ani počet) tříd není známa – shluková analýza, SOM, Kohonenovy mapy atd. metody klasifikace s učitelem – nutným doplňkovým vstupem klasifikátoru je tzv. trénovací množina – množina ukázek objektů jednotlivých klasifikačních tříd. k-NN klasifikátor, neuronové sítě, rozhodovací stromy atd.

Klasifikace objekty X(i) popsány pomocí číselných charakteristik, příznaků: pro 1D signály v časové oblasti např. různé obecné a centrální momenty (rozptyl), korelační koeficienty, spektrální analýza (výkony ve frekvenčních pásmech) apod. míra podobnosti definována často jako euklidovská vzdálenost v prostoru příznaků d(i,j) zde je to spíše „míra nepodobnosti“, i, j jsou indexy klasifikovaných objektů, N dimenze příznakového prostoru, X(i,k) hodnota k-tého příznaku i-tého objektu

Klasifikace epileptického EEG 1. krok: segmentace – rozdělení signálu na úseky, zde pro jednoduchost na úseky konstantní délky 2 sekund

Klasifikace epileptického EEG 2. krok: pro každý segment vypočítána množina příznaků segment => vektor reálných čísel příklad: –příznak 1 = průměrná absolutní první derivace –příznak 2 = rozptyl segment č. 1 => { 0,43 ; 7,51 } segment č. 2 => { 0,84 ; 38,13 } segmentpříznak 1příznak 2 10,437,51 20,8438,13

Klasifikace epileptického EEG 3. krok: trénovací množina trénovací množina = množina “ukázek” segmentů pro jednotlivé klasifikační třídy pro náš problém pouze 2 třídy –normální aktivita – třída 1 –epileptická aktivita – třída 2

Klasifikace epileptického EEG 4. krok: klasifikace máme –segmentovaný původní signál (segmenty délky 2 sekund) –vypočítané vektory příznaků pro každý segment –trénovací množinu (2 třídy) –klasifikace = nalézt pro každý segment původního signálu co nejpodobnější segment trénovací množiny a přiřadit mu tak třídu

Klasifikace epileptického EEG obarvení segmentů vstupního signálu podle příslušnosti ke klasifikační třídě (normální EEG černě, epileptické červeně)