Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.

Slides:



Advertisements
Hasonló előadás
IP vagy Analóg Videó Megfigyelő rendszer
Advertisements

Meteorológiai Előrejelzés Adatbányászati Támogatással Putnoki Gyula GTK ISZAM II.évf. Társszerzők: az ISZAM-os Meteor-team TDK-konferencia 2007 Gödöllő.
Rendszertervezés GIMP.
Tanfolyam megszervezése Képzés módszerei SZTE JGYPK Felnőttképzési Intézet 2009/2010. I. félév Szeged.
Rendszerfejlesztés.
Út a beszédértéstől a szövegértésen keresztül a matematikai problémák megoldásáig Előadó: Horváth Judit.
M IKROSZKOPIKUS MÉRETŰ PARTIKULUMOK MORFOLÓGIAI PARAMÉTEREINEK MÉRÉSE Készítette: Pálfalvi József Konzulens: Eördögh Imre (MTA MFA) Tanszéki konzulens:
1 / / 13 Bevezető Forgalmi dugók okozta problémák: - Feszültség - Sietség - Szabálytalan közlekedés → baleseti források Megoldás: A jó megoldások.
Az ERP bevezetés „művészete” – avagy hogyan csináljuk mi.
Foltkeresés tüdő röntgen képeken
Önálló Laboratórium II. Készítette: Varga Róbert
Minimálisan szükséges jelenlét: 2-3 nap/hét, legalább 2 hónap
Digitális képanalízis
1 BME TTT E-levél felolvasó esettanulmány Beszédinformációs rendszerek előadás Németh Géza, Zainkó Csaba [nemeth, Beszédkutatási laboratórium.
SAS Enterprise Miner 2. gyakorlat
Bevezetés a gépi tanulásba február 16.. Mesterséges Intelligencia „A számítógépes tudományok egy ága, amely az intelligens viselkedés automatizálásával.
Gépi tanulási módszerek
Szintaktikai elemzés március 1.. Gépi tanulás Osztályozási feladat: Adott egyedek egy halmaza és azok osztályba tartozási függvénye (tanító halmaz),
Ez a dokumentum az Európai Unió pénzügyi támogatásával valósult meg. A dokumentum tartalmáért teljes mértékben Szegedi Tudományegyetem vállalja a felelősséget,
Intelligens ébresztő óra Számítógépes látás projekt 2011.
SZÁMÍTÓGÉP ARCHITEKTÚRÁK
A projekttervezés első lépései
Image Processing Toolbox múltkor: képek megjelenítése, betöltése, alapvető manipulációk Image Processing TB: további funkciók.
Vámossy Zoltán 2004 (H. Niemann: Pattern Analysis and Understanding, Springer, 1990) DIP + CV Bevezető II.
Copyright © 2012, SAS Institute Inc. All rights reserved. STATISZTIKA ÉS VIZUALIZÁCIÓ - ÚJ LEHETŐSÉGEK A STATISZTIKAI ADATOK MEGJELENÍTÉSÉRE ÉS FELTÁRÁSÁRA.
Önálló labor beszámoló
Kovács Dániel László Kovács Dániel László BME-VIK, Méréstechnika és Információs Rendszerek Tanszék Önálló laboratórium.
Diagnosztika intelligens eszközökkel
Intelligens Felderítő Robotok
Textúra elemzés szupport vektor géppel
Intelligens felderítő robotok Készítette: Györke Péter Intelligens rendszerek MSC szakirány Konzulens: Kovács Dániel László Méréstechnika és Információs.
Szabó Péter Szenzor rendszer PC oldali grafikus kezelő felületének tervezése és megvalósítása Önálló laboratórium beszámoló Intelligens rendszerek BSc.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Ritka események kezelése intelligens adatfeldolgozás segítségével.
Ismétlő struktúrák.
Gépi tanulás Tanuló ágens, döntési fák, általános logikai leirások tanulása.
Önálló labor munka Csillag Kristóf 2005/2006. őszi félév Téma: „Argument Mapping (és hasonló) technológiákon alapuló döntéstámogató rendszerek vizsgálata”
IKT ÉS ISKOLAFEJLESZTÉS
Képfeldolgozási módszerek alkalmazása kajszimagok morfológiai tulajdonságainak leírására Felföldi J. 1, Hermán R. 2, Pedryc A. 2, Firtha F. 1 1 Budapesti.
Többváltozós adatelemzés
Kötvényárazási hibák intelligens javítóalgoritmusának tervezése és fejlesztése GELLÉN ÁGNES IUFQ58.
Belami beszámoló – Doménadaptációs alkalmazások. Problémafelvetés Felügyelt tanulás elvégzéséhez gyakran kevés jelölt adat áll rendelkezésre  doménadaptáció.
Rendszám Felismerő Rendszer Fajt Péter Vácz István
KINECT© szenzor intelligens terekben
KINECT© alapú ambiens intelligencia AAL alkalmazásokban
Mammográfiás képek együttes vizsgálata (Mikrokalcifikációk)
MI 2003/ Mi lenne a b legjobb választása? Statisztikai eljárásoknál az un. Fisher féle lineáris diszkriminancia függvény adja a legjobb szétválasztási.
Városi Rendészeti Program. Mi a Városi Rendészeti Program célja?  Az Önkormányzat Közterület felügyeletének munkáját segítse azáltal, hogy egy közös.
Információs rendszer fejlesztése 4. előadás
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS Persa György.
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Bevezetés az Office programozásába
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)
2. Operációs rendszerek.
Bolognai Folyamat a az európai és a hazai mérnökképzésben Jobbágy Ákos BME november 17.
Bevezetés a méréskiértékelésbe (BMETE80ME19)
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Spike Sorting Solutions Csercsa Richárd Magony Andor.
.NET FRAMEWORK Röviden Krizsán Zoltán 1.0. Tulajdonságok I Rövidebb fejlesztés 20 támogatott nyelv (nyílt specifikáció) 20 támogatott nyelv (nyílt specifikáció)
TIOK IKT – tesztelés 1. osztály Pap Ágnes. A csoport bemutatása 6-7 éves korosztályon teszteltem a tananyagot. /12 fő,előképzettség nélkül,tagozat nincs,de.
Gépi tanulási módszerek
PwC Informatikai kockázatkezelés a gyakorlatban Hétpecsét Információbiztonsági Fórum március 22. Előadó: Viola Gábor, CISA.
1.Kanonikus felügyelt tanulási feladat definíciója (5p) 1.Input, output (1p) 2.Paraméterek (1p) 3.Hipotézisfüggvény (1p) 4.Hibafüggvény/költségfüggvény.
GEOINFORMATIKA LINUX ALATT Dolleschall János. A LINUX ● A Linux operációs rendszer Linus Torvalds finn programozó nevéhez fűződik ● december 28-án.
Radványi Mihály - Doktorizom! -.
Mesterséges intelligencia
A mesterséges neuronhálók alapjai
3. osztályban.
Szűcs Imre - Dr. Pitlik László (OTKA T049013)
Bevezetés a mély tanulásba
GÉPI TANULÁSI ALAPFOGALMAK
Előadás másolata:

Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.

Kiindulás, célok IMAN („black box”)  adat csere nehéz Körvonal elemzési algoritmusok használhatók Célszoftver fejlesztése IMAN funkciók (képfeldolgozás, felismerés, osztályozás, interaktív felület) megvalósítása

Célszoftver képességei 1. Paraméterezhető képfeldolgozás (makró) 2. Objektum felismerés, böngészés, szűrés 3. Osztályozás: betanítás, alkalmazás (visszajelzéssel) 4. Adatok kimentése, betöltése bármelyik fázisban 5. Moduláris megvalósítás: komponensek cserélhetők

Architektúra

Demo I.

Demo II.

Osztályozás (célok, kérdések) 4 osztály: ellipszis, összetett, csepp alakú, egyéb (zaj) Rendelkezésre állnak morfológiai paraméterek (terület, kerület, konvexitás… stb.) Osztályozott, ellipszissel illesztett nyomok Milyen tanuló algoritmust használjunk? Hogyan használjuk? Előszűrés heurisztika alapján?

Tanuló algoritmusok Felügyelt tanítás Előszűrés: ellipszisek leválasztása  probléma dimenziója csökken: 3 osztály Felmerülő (tesztelt) algoritmusok: 1.Neurális háló 2.Döntési fa 3.k-NN klaszterezés (k-Nearest Neighbor) 4.SVM (Support Vector Machine) Mindegyik algoritmust az algoritmusra jellemző módon kell használni. Pl. SVM-nél 2 menetben osztályozunk. De: tesztadatok azonosak

Tesztelési eredmények (teszthalmazon, legjobb konfigurációk) k-NN használhatatlan Döntési fa nem pontos (de legalább szép) Neurális háló, SVM használható

Konklúzió, kitekintés