RPZ
Z OI wiki
(Rozdíly mezi verzemi)
(→Zkoušky) |
m (→Studijní materiály) |
||
| (Nejsou zobrazeny 2 mezilehlé verze.) | |||
| Řádka 27: | Řádka 27: | ||
* [http://cmp.felk.cvut.cz/cmp/courses/recognition/Exam-questions/ Příklady z minulých testů a zkoušek] | * [http://cmp.felk.cvut.cz/cmp/courses/recognition/Exam-questions/ Příklady z minulých testů a zkoušek] | ||
* [http://cmp.felk.cvut.cz/cmp/courses/recognition/zapis_prednasky/ zápisky z přednášek z roku 2001] | * [http://cmp.felk.cvut.cz/cmp/courses/recognition/zapis_prednasky/ zápisky z přednášek z roku 2001] | ||
| + | * [http://www.nature.com/nbt/journal/v26/n8/full/nbt1406.html Hezké vysvětlení EM algoritmu] | ||
== Zkoušky == | == Zkoušky == | ||
[http://oi.hanx.cz/files/RPZ/rpz_zkouska_2014.15.01.jpg zkouska 16.1.2014] | [http://oi.hanx.cz/files/RPZ/rpz_zkouska_2014.15.01.jpg zkouska 16.1.2014] | ||
| + | |||
| + | |||
| + | = Řešení = | ||
| + | 1.) [http://oi.hanx.cz/files/RPZ/test2014_1_MLE.jpg první příklad MLE] | ||
| + | |||
| + | 2.) [http://oi.hanx.cz/files/RPZ/test2014_2%20_Neyman-P.jpg druhý příklad Neyman-Pearson] | ||
| + | |||
| + | 3.) (citace spoluzaka) řešení je jednoduché - váha třetího vyjde nula hned v prvním kroku > alfa bude nekonečno > po normalizaci bude váha 1 a ostatních 0, protože ten třetí je ve skutečnosti od začátku silný klasifikátor (prof. Matas si hrál na poslední chvíli se zadáním a udělal z toho takhle vtipný příklad) | ||
| + | |||
| + | 4.) popsat vyhody nevyhody neuronovych siti a srovnani - cim vic kecu kolem, tim asi lepe | ||
Aktuální verze z 9. 2. 2017, 19:46
|
| |||||||||||||||||||||||||||||||||||||||||||||||||||
Info o předmětu
- Přednášející: prof. Ing. Jiří Matas, Ph.D.
- Cvičící:
Pravidla předmětu
Studijní materiály
- Oficiální stránka předmětu
- Příklady z minulých testů a zkoušek
- zápisky z přednášek z roku 2001
- Hezké vysvětlení EM algoritmu
Zkoušky
Řešení
2.) druhý příklad Neyman-Pearson
3.) (citace spoluzaka) řešení je jednoduché - váha třetího vyjde nula hned v prvním kroku > alfa bude nekonečno > po normalizaci bude váha 1 a ostatních 0, protože ten třetí je ve skutečnosti od začátku silný klasifikátor (prof. Matas si hrál na poslední chvíli se zadáním a udělal z toho takhle vtipný příklad)
4.) popsat vyhody nevyhody neuronovych siti a srovnani - cim vic kecu kolem, tim asi lepe
