1 Rozpoznávač jeté vařečky s HMM Honza Černocký

Slides:



Advertisements
Podobné prezentace
Normalizace Řada analytiků se mylně domnívá, že pro každý objekt existuje jedno jediné univerzálně použitelné nejlepší řešení bez ohledu na řešený problém.
Advertisements

Fakulta životního prostředí Katedra informatiky a geoinformatiky
Třídění dat OA a VOŠ Příbram. Třídění  rozdělení jednotek souboru do takových skupin, aby co nejlépe vynikly charakteristické vlastnosti zkoumaných jevů.
MARKOVSKÉ ŘETĚZCE.
Síťová analýza RNDr. Jiří Dvořák, CSc.
3. PRINCIP MAXIMÁLNÍ VĚROHODNOSTI
Optimalizační úlohy i pro nadané žáky základních škol
Základy informatiky přednášky Efektivní kódy.
Náhodná veličina.
Jemný úvod do detekce klíčových slov Honza Černocký Fakulta informačních technologií VUT v Brně ZRE poslední přednes,
Každý z nábojů na povrchu tvoří uzavřenou proudovou smyčku.
STANOVENÍ NEJISTOT PŘI VÝPOŠTU KONTAMINACE ZASAŽENÉHO ÚZEMÍ
Matematický aparát v teorii informace Základy teorie pravděpodobnosti
Ovládáme králíčka Petříka
Počítačová grafika III – Multiple Importance Sampling Jaroslav Křivánek, MFF UK
Náhodný jev A E na statistickém experimentu E - je určen vybranou množinou výsledků experimentu: výsledku experimentu lze přiřadit číslo, náhodnou proměnnou.
Výpočet neznámé veličiny z vybraných fyzikálních vzorců
Formátování tabulek n postupné formátování tabulek n automatické formátování tabulek Vypracovala: Veronika Nováková, 4. B 2.
Gravitační síla a hmotnost tělesa
Matematické metody v ekonomice a řízení II 4. Metoda PERT
Vybraná rozdělení spojité náhodné veličiny
Další spojitá rozdělení pravděpodobnosti
Ekonomické modelování Analýza podnikových procesů Statistická simulace je vhodný nástroj pro analýzu stochastických podnikových procesů (výrobní, obchodní,
Formální modely výpočtu Tomáš Vaníček Katedra inženýrské informatiky Stavební fakulta ČVUT Thákurova 7, Praha 6 Dejvice, b407
Klasifikace klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti metody klasifikace bez učitele: podoba.
P-těžké, np-těžké a np-úplné problémy
Srovnání Petriho sítí a HDA David Ježek. Vícedimensionální automaty Klasické automaty –nemají metodu jak vyjádřit „pravou“ souběžnost událostí A, B 0.
* Přímá úměrnost Matematika – 7. ročník *
SIGNÁLY A SOUSTAVY V MATEMATICKÉ BIOLOGII
Mlhavost Fuzzy logika, fuzzy množiny, fuzzy čísla
Časová analýza stochastických sítí - PERT
Základy matematické statistiky. Nechť je dána náhodná veličina X (“věk žadatele o hypotéku“) X je definována rozdělením pravděpodobností, s nimiž nastanou.
Náhodný vektor Litschmannová, 2007.
Normální rozdělení a ověření normality dat
Monte Carlo simulace Experimentální fyzika I/3. Princip metody Problémy které nelze řešit analyticky je možné modelovat na základě statistického chování.
Distribuční funkce diskrétní náhodná proměnná spojitá náhodná proměnná
Optimalizace versus simulace 8.přednáška. Obecně o optimalizaci  Maximalizovat nebo minimalizovat omezujících podmínkách.  Maximalizovat nebo minimalizovat.
MorČe morfologické značkování češtiny
(Popis náhodné veličiny)
Radim Farana Podklady pro výuku
BioTech 2011, Strážná. O čem to bude? Stochastické simulace Diferenciální rovnice (ODR) Automaty.
Základy kvantové mechaniky
Poissonovo rozdělení diskrétní náhodné veličiny
Podmíněná pravděpodobnost: Bayesův teorém
IV. KVAZISTACIONÁRNÍ STAVY a RELACE E.t   TUNELOVÁNÍ Z RESONANČNÍCH STAVŮ (-ROZPAD)
Náhodná veličina. Nechť (, , P) je pravděpodobnostní prostor:
Míra konfliktu pozorování ● Pozorování ● BT=y, UT=no, Sc=y ● Vyjde Pr(0.12,0.88), ● ale nakolik věříme našim pozorováním a tím i výsledku? ● Kladná míra.
ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN Rovnoměrné rozdělení R(a,b) rozdělení s konstantní hustotou pravděpodobnosti v intervalu (a,b) a  x  b distribuční.
Možnosti biostatistiky RNDr. Karel Hrach, Ph.D. Ústav zdravotnických studií UJEP Biomedicínský výzkum s podporou evropských zdrojů v nemocnicích ( )
Složitost algoritmu Vybrané problémy: Při analýze složitosti jednotlivých algoritmů často narazíme na problém, jakým způsobem vzít v úvahu velikost vstupu.
1 Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Mgr. Vladimír Mikulík. Slezské gymnázium, Opava, příspěvková organizace. Vzdělávací materiál.
Testování hypotéz Otestujte,… Ověřte,… Prokažte,… že střední věk (tj.  ) …činí 40 let (= 40) …je alespoň 40 let (≥ 40)
Simulace podnikových procesů
Užití poměru (graficky)
VÍCEKRITERIÁLNÍ ROZHODOVÁNÍ I.
Příprava dat před analýzou
Induktivní statistika
Číslicová technika.
Animovaná hodina fyziky na téma: hustota látky
Animovaná hodina fyziky na téma: hustota látky
Základy zpracování geologických dat Rozdělení pravděpodobnosti
Užití poměru (graficky)
Střední škola obchodně technická s. r. o.
Metody a techniky výzkumu II.
Statistika a výpočetní technika
ANALÝZA A KLASIFIKACE DAT
Rozdělení pravděpodobnosti
Poissonovo rozdělení diskrétní náhodné veličiny
Induktivní statistika
* Přímá úměrnost Matematika – 7. ročník *
Transkript prezentace:

1 Rozpoznávač jeté vařečky s HMM Honza Černocký

2 Úkol Rozpoznat jetou vařečku od jiného kuchyňského náčiní.

3 Analýza problému Na data je potřeba se nejprve podívat a určit, čím se asi tak taková vařečka odlišuje od jiných.

4 Parametrizace Segmentace Feature extraction pomocí šířky a jasu Možnost 1: Diskrétní symboly –SÚ je „světlá úzká“ –PÚ je „polotmavá úzká“ –TŠ je „tmavá a široká“ Možnost dvě –Spojité hodnoty obou veličin.

5 Jak rozpoznat jetou vařečku I. Tvrdé srovnání se sekvencí symbolů Vařečka je přesně sekvence symbolů [SÚ SÚ SÚ SÚ SÚ SÚ SÚ PÚ PÚ TŠ TŠ] Odpověď je ANO / NE Problém: rozpozná to pouze vařečky této délky.

6 Jak rozpoznat jetou vařečku II. Konečný stavový automat Stavový automat přijme nebo nepřijme vstupní sekvenci symbolů. Dokáže vařečky různé délky. Problém: rozpozná bez problémů i pahýlek vařečky.. SÚ PÚ TŠ

7 Jak rozpoznat jetou vařečku III. Stochastický konečný stavový automat (Markovův model) Stavový automat násobí pravděpodobnosti, dá nám likelihood „vyslání“ sekvence symbolů modelem: 0.7x0.7x0.7x0.7x0.7x0.7x0.3x0.6x0.6x0.6x0.4x0.3x0.7 Slušná vařečka bude mít vysokou likelihood. Problém: pokud se v jediném symbolu spleteme (třeba smítko na vařečce), máme smůlu. SÚ PÚ TŠ

8 The ultimate solution Skrytý Markovův model Každý stav si pro každý vektor určí, jak je pravděpodobné, že je vstupní vektor „jeho“ – tak, že pro něj vyhodnotí funkci hustoty rozdělení pravděpodobnosti. V tomto příkladu jsme určili stavy ručně – budou podle nás representovat SÚ, PÚ a TŠ Běžně si toto ale dělají HMM při trénování SAMY !!! Funkce Hustoty Rozdělení Pravděpodobnosti Pro SÚ Funkce Hustoty Rozdělení Pravděpodobnosti Pro PÚ Funkce Hustoty Rozdělení Pravděpodobnosti Pro TŠ

9 Početní cvičení - images