Strojno učenje 7 Linearne metode & SVM. Tomislav Šmuc
|
|
- Toby Ward
- 6 years ago
- Views:
Transcription
1 Srojno učenje 7 Lnearne meode & Tomslav Šmuc
2 Leraura Lnearne meode The Elemens of Sascal Learnng Hase, Tbshran, Fredman s ed - ch. 4 The Elemens of Sascal Learnng Hase, Tbshran, Fredman s ed - ch. A Tuoral on Suppor Vecor Machnes for Paern Recognon 998 Chrsopher J. C. Burges A User's Gude o Suppor Vecor Machnes, Ben-Hur & Weson T. Joachms, Learnng o Classfy Te usng Suppor Vecor Machnes. Kluer, 00. Classc Reuers daa se: hp://.davddles.com /resources /escollecons/reuers578/ Sofare: hp://.kernel-machnes.org/ 7-Apr- TS: Srojno učenje Lnearne meode &
3 Generavn dskrmnavn model Dskrmnavn Generavn Učenje lnje koja razdvaja klase Učenje modela za svaku pojednu klasu TS: Srojno učenje Lnearne meode & 7-Apr- 3
4 Dskrmnavna funkcje C Granca zmeđu klasa d.funkcja C TS: Srojno učenje Lnearne meode & 7-Apr- 4
5 Lnearne dskrmnavne meode Fsherova lnearna dskrmnanna meoda Skup N d-dmenzonalnh prmjera,, 3,..., N očaka N broj prmjera u podskupu D klase y N broj prmjera u podskupu D klase y Tražmo lnearnu funkcju od.j. : y= Koja najbolje razdvaja dvje klase. TS: Srojno učenje Lnearne meode & 7-Apr- 5
6 Fsherova lnearna dskrmnavna meoda Osnovna deja nać projekcju na lnju u d- dmenzonalnnom prosoru ako da se prmjerc razlčh klasa mogu na nkjoj lako odvoj loša projekcja dobra projekcja 7-Apr- TS: Srojno učenje Lnearne meode & 6
7 Fsherova lnearna dskrmnavna meoda Neke velčne: N D Srednja vrjednos u d-dmenzonalnom prosoru za klasu N yy y N D Srednja vrjednos za očke klase projcrane na Udaljenos zmeđu projcranh srednjh vrjednos za dvje klase 7-Apr- TS: Srojno učenje Lnearne meode & 7
8 Fsherova lnearna dskrmnavna meoda Kolko je dobra mjera separacje? Koja od os je bolja za razdvajanje klasa, l? 7-Apr- TS: Srojno učenje Lnearne meode & 8
9 Fsherova lnearna dskrmnavna meoda Kolko je dobra mjera separacje? je bolja, no: problem je šo ne uzma u obzr varjancu dsrbucje prmjera. 7-Apr- TS: Srojno učenje Lnearne meode & 9
10 Fsherova lnearna dskrmnanna meoda Ako defnramo: y projcran prmjer ~ s s y Cl y Cl y y raspršenje prmjera klase raspršenje prmjera klase Možemo raspršenje kors za normalzacju udaljenos projcranh cenara zmeđu klasa! 7-Apr- TS: Srojno učenje Lnearne meode & 0
11 Fsherova lnearna dskrmnanvna meoda Moramo normalzra korseć raspršenje klase klase! FLD dakle svod se na pronalaženje projekcje na lnju koja maksmzra J: J ~ s ~ s želmo da brojnk bude šo već a nazvnk šo manj! 7-Apr- TS: Srojno učenje Lnearne meode &
12 Fsherova lnearna dskrmnanvna meoda 7-Apr- TS: Srojno učenje Lnearne meode & Kako zraz J kao funkcju rad se zapravo o opmzacj J, - u ovsnos o! Treba eksplcno prkaza J u ovsnos o! Defnramo marce raspršenja za svaku klasu prje projekcje - za orgnalne prmjere ~ ~ s s J Cl Cl S S
13 Fsherova lnearna dskrmnanvna meoda 7-Apr- 3 TS: Srojno učenje Lnearne meode & ~ S S S Cl y W y y s Defnramo marcu raspršenja unuar klasa za svaku klasu Uz prehodnu defncju I ako korsmo: Dobvamo: S ~ Cl y Cl y Cl y Cl y s
14 Fsherova lnearna dskrmnanvna meoda 7-Apr- 4 TS: Srojno učenje Lnearne meode & S S S S S S B B s s s ~ ~ ~ W Slčno kao za klasu Dakle Ako defnramo marcu raspršenja zmeđu klasa S B kao mjeru separacje zmeđu srednjh vrjednos zmeđu klasa prje projekcje A razlka zmeđu projcranh srednjh vrjednos je:
15 Fsherova lnearna dskrmnanvna meoda Na kraju je naša funkcja clja J ~ ~ s s S S Da b je opmral, našl mamum prva dervacja po se mora zjednač s nulom d J 0 d Na koncu se o svede na problem određvanja svojsvenh vrjednos B W S B S W 7-Apr- TS: Srojno učenje Lnearne meode & 5
16 Fsherova lnearna dskrmnanvna meoda 7-Apr- 6 TS: Srojno učenje Lnearne meode & S S S W W B Ako posoj nverzna marca - nakon sređvanja: Za porebe klasfkacje - još je porebno odred grančnu vrjednos : y y y y
17 Lnearna dskrmnavna analza 7-Apr- 7 TS: Srojno učenje Lnearne meode & K klasa, X n p marca podaaka, k k c k p c p Svaka klasa se modelra kao mul-varjanna normalna dsrbucja / / k k T k e c p k p k Σ Σ LDA preposavlja da je za sve k, pa vrjed: k log log l k T l k T l k l k l k c p c p c p c p Σ Σ Lnearna dskrmnavna analza
18 Lnearna dskrmnavna analza 7-Apr- 8 TS: Srojno učenje Lnearne meode & log k k T k k T k c p Σ Σ U klasfkacj klasa se određuje prema lnearnoj dskrmnannoj funkcj : arg ma k klasa
19 Lnearna dskrmnavna analza 7-Apr- TS: Srojno učenje Lnearne meode & 9
20 Koja hper-ravnna je najbolja? 7-Apr- TS: Srojno učenje Lnearne meode & 0
21 - Suppor Vecor Machnes Meoda jezgrenh funkcja nalaz opmalnu ravnnu razdvajanja - Maksmzrajuć udaljenos zmeđu hperravnna krčnh očaka blzu ravnne razdvajanja en. decson boundary Inuvno: Ako ne posoje očke blzu površne razdvajanja, o znač da nemamo nesgurnh klasfkacjskh odluka!? 7-Apr- TS: Srojno učenje Lnearne meode &
22 Druga nucja Ako posavmo šo je moguće već razmak margnu zmeđu dvju klasa, posoj manje mogućnos zbora za funkcju razdvajanja kapace modela se smanjuje manje šanse za overfng TS: Srojno učenje Lnearne meode & 7-Apr-
23 dakle maksmzraju margnu m oko hperravnne plohe razdvajanja. en. large margn classfers Poporn vekor Usvar je funkcja odluke defnrana preko podskupa prmjera z skupa za učenje zv. Popornh vekora en. suppor vecors Problem određvanja SV: kvadran opmzacjsk problem en. quadrac programmng Ma. margna TS: Srojno učenje Lnearne meode & 7-Apr- 3
24 Separabln neseparabln problem Ako se pokaže da problem nje lnearno separablan: - Dozvoljene su greške uz penalzranje Osnovn prncp osaje: - Ploha razdvajanja u prncpu mora šo bolje razdvaja klase TS: Srojno učenje Lnearne meode & 7-Apr- 4
25 Formalzacja- određvanje maksmalne margne : normala na hperravnnu razdvajanja : prmjer očka y : klasa prmjera +/- Klasfkaor je određen funkcjom sgn T + b margna je određena sa y T + b Funkconalna margna cjelog skupa očaka je mnmum y T + b TS: Srojno učenje Lnearne meode & 7-Apr- 5
26 Pojam - geomerjske margne Udaljenos zmeđu plohe očke r Prmjer najblže ploh su poporn vekor. b Margna ρ plohe razdvajanja je šrna razdvajanja zmeđu popornh vekora supronh klasa ρ T r TS: Srojno učenje Lnearne meode & 7-Apr- 6
27 Lnearn - zvod Preposavmo da vrjed da se sve očke nalaze barem na dsanc od plohe razdvajanja Tada vrjede dva ogrančenja na skupu prmjera za učenje {,y } T + b ako je y = T + b - ako je y = - Za poporne vekore koj se nalaze na margn, ove nejednakos su jednakos; S obzrom da je udaljenos svakog prmjera od plohe razdvajanja: T b r Margna je: TS: Srojno učenje Lnearne meode & 7-Apr- 7
28 Lnearn - zvod ρ T a + b = Ploha razdvajanja T + b = 0 T b + b = - Uz ogrančenja: mn =,,n T + b = Dolazmo do vrjednos za margnu razdvajanja: T a b = ρ = a b = / T + b = 0 TS: Srojno učenje Lnearne meode & 7-Apr- 8
29 Lnearn - zvod Ovaj se problem može formulra kao kvadran opmzacjsk problem: Pronađ b ako da je maksmalna a za sve zadane {, y } mora vrjed: T + b ako je y =; T + b - ako je y = - TS: Srojno učenje Lnearne meode & 7-Apr- 9
30 Lnearn - zvod Bolja formulacja kao mnmzacjsk problem: mn = ma / Nać b - akve da je: Φ =½ T s mnmalno; A za sve {,y } vrjed : y T + b TS: Srojno učenje Lnearne meode & 7-Apr- 30
31 Rješavanje opmzacjskog problema Nađ b - akve da je: Φ =½ T - mnmalno; A za sve {,y } vrjed : y T + b Ova formulacja mnmzacja kvadrane funkcje uz lnearna ogrančenja Dobro pozna rješv problem puno vše l manje složenh algorama za nhovo rješavanje MATLAB, MATHEMATICA Usvar rješavanje se pčno rad nakon prevođenja u zv. dualn problem u kjojem se zv. Lagrange-ovm mulplkaorma α penalzra svako ogrančenje z prmarnog problema TS: Srojno učenje Lnearne meode & 7-Apr- 3
32 Rješavanje opmzacjskog problema Dualna formulacja: Nać α α N ako da je: Qα =Σα - ½ΣΣα α j y y j T j - maksmalno Te da vrjed Σα y = 0 α 0 α TS: Srojno učenje Lnearne meode & 7-Apr- 3
33 Rješenje opmzacjskog problema =Σα y b= y k - T k za blo koj k za koj je α k 0 Svak α koj je razlč od 0 zapravo znač da je aj poporn vekor. Konačno klasfkacjska funkcja ma ovaj oblk: f = Σα y T + b Rješenje je proporconalno sum umnožaka - unuarnjh produka T zmeđu nove očke prmjera svh popornh vekora! Treba zapam da je u rješavanju opmzacjskog problema akođer koršen produk T j zmeđu svh parova očaka skupa za učenje. TS: Srojno učenje Lnearne meode & 7-Apr- 33
34 Šo ako problem nje lnearno separablan? Dodajemo nove varjable ξ en. slack varables - dozvoljavanje krvh klasfkacja za eške l šumove prmjere ξ ξ TS: Srojno učenje Lnearne meode & 7-Apr- 34
35 Izvod s mekanom margnom en. Sof margn Sara formulacja: Nađ b - akve da je: Φ =½ T s mnmalno; A za sve {,y } vrjed : y T + b Nova formulacja sa ξ : Nađ b - akve da je: Φ =½ T + CΣξ - mnmalno; A za sve {,y } vrjed: y T + b ξ e da vrjed ξ 0 za sve TS: Srojno učenje Lnearne meode & 7-Apr- 35
36 Rješenje - s mekanom margnom en. Sof margn Dualn problem za s mekanom margnom : Nađ α α N ako da je Qα =Σα - ½ΣΣα α j y y j T j - maksmalno Te da vrjed Σα y = 0 0 α C α N ξ al n Lagrange-ov mulplkaor se ne nalaze u dualnoj formulacj! No, dalje vrjed: sa α >0 su poporn vekor. Rješenje dualnog problema sof margn: =Σα y b= y k - ξ k - T k gdje je k = argma α k k nje poreban kod procesa klasfkacje kao prje! f = Σα y T + b TS: Srojno učenje Lnearne meode & 7-Apr- 36
37 Klasfkacja Uz novu očku,, Odred projekcju na normalu plohe razdvajanja: dmenzje: p = + +b. To usvar znač + b = Σα y T + b Ako savmo neku grančnu mjeru >0 pouzdanos p > : => p < -: => - Inače: suzdržan TS: Srojno učenje Lnearne meode & 7-Apr- 37
38 Lnearn - sažeak Klasfkaor je posebno određena ploha razdvajanja en. separang hyperplane Najvažnje očke - očke z skupa za učenje koje defnraju plohu razdvajanja - poporn vekor Poporn vekor se pronalaze opmzacjskm algormma Rješavan problem je kvadran opmzacjsk problem s lnearnm ogrančenjma. U dualnoj formulacj problema rješenja poporn vekor odnosno očke z skupa za učenje se pojavljuju u skalarnm produkma: Nađ α α N ako da je Qα =Σα - ½ΣΣα α j y y j T j - maksmalno vrjed: Σα y = 0 0 α C α f = Σα y T + b TS: Srojno učenje Lnearne meode & 7-Apr- 38
39 Nelnearn Za problem koj su lnearno separabln uz razumn šum Lnearn je OK : No, šo ako o ne vrjed? 0 0 mapranje podaaka u još vše-dmenzonaln prosor? : 0 TS: Srojno učenje Lnearne meode & 7-Apr- 39
40 Nelnearn : prosor novh dmenzja arbua Osnovna deja: orgnaln prosor varjabl možemo mapra u nov-všedmenzonaln prosor - gdje će naš problem b lnearno separablan rješv Φ: φ TS: Srojno učenje Lnearne meode & 7-Apr- 40
41 Kernel rk Lnearn - skalarn produk zmeđu vekora K, j = T j Transformacja kojom svaku očku mapramo u nek nov prosor Φ: φ Sada b skalarn produk rebao zgleda drukčje: K, j = φ T φ j Kernel funkcja - funkcja koja korespondra nuarnjem produku u nekom ekspandranom prosoru novh varjabl TS: Srojno učenje Lnearne meode & 7-Apr- 4
42 Kernel rk Prmjer: orgnaln prosor -dmenzonaln vekor =[ ]; Neka je K, j = + T j, Pokažmo da vrjed K, j = φ T φ j : K, j = + T j,= + j + j j + j + j + j = = [ ] T [ j j j j j j ] = φ T φ j gdje je φ = [ ] TS: Srojno učenje Lnearne meode & 7-Apr- 4
43 Kernel Zašo? Omogućavaju prevaranje neseparablnh problema u separablne. Mapranje u bolje reprezenacjsk prosore Uobčajen kernel Lnearn Polnomjaln K,z = + T z d RBF K, j e j TS: Srojno učenje Lnearne meode & 7-Apr- 43
44 Lnearn efek razlčh vrjednos paramera C TS: Srojno učenje Lnearne meode & 7-Apr- 44
45 Odabr kernela efek Polnmn kernel C=cons. TS: Srojno učenje Lnearne meode & 7-Apr- 45
46 Odabr parameara kernela efek Gaussan kernel, C=cons. TS: Srojno učenje Lnearne meode & 7-Apr- 46
47 Odabr parameara parameara kernela fakora C RBF kernel, C=, = RBF kernel, C=0, = RBF kernel, C=00, = RBF kernel, C=, =0 RBF kernel, C=0, =0 RBF kernel, C=00, =0 TS: Srojno učenje Lnearne meode & 7-Apr- 47
48 Karakerske -a Po mnogma najbolja meoda ukupno gledajuć Popularna vrlo dobr rezula e mnng U praks mnoge druge meode rade oprlke so dobro Posoj mnogo komparacja koje o pokazuju Važno je: Razumjevanje skusvo za efekvno koršenju Odabr kernela, odabr parameara C, paramer kernela Dobro je kombnra selekcju varjabl u prak RapdMner vše varjan + vzualzacja TS: Srojno učenje Lnearne meode & 7-Apr- 48
49 Sažeak Defnranje plohe razdvajanja preko popornh vekora Poporn vekor = krčne očke prmjer najblž ploh razdvajanja Pojam kernela: Moćan ala za mapranje u vsoko-dmenzonalne prosore, kao redefnranje merka slčnos Samosaln pake sofare: Torch; Lgh; Lb RapdMner, WEKA, MATLAB, R....kernel-machnes.org 7-Apr- TS: Srojno učenje Lnearne meode & 49
Strojno učenje. Metoda potpornih vektora (SVM Support Vector Machines) Tomislav Šmuc
Strojno učenje Metoda potpornih vektora (SVM Support Vector Machines) Tomislav Šmuc Generativni i diskriminativni modeli Diskriminativni Generativni (Učenje linije koja razdvaja klase) Učenje modela za
More informationStrojno učenje. Metoda potpornih vektora (SVM Support Vector Machines) Tomislav Šmuc
Strojno učenje Metoda potpornih vektora (SVM Support Vector Machines) Tomislav Šmuc Generativni i diskriminativni modeli Diskriminativni Generativni (Učenje linije koja razdvaja klase) Učenje modela za
More informationKLASIFIKACIJA NAIVNI BAJES. NIKOLA MILIKIĆ URL:
KLASIFIKACIJA NAIVNI BAJES NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info ŠTA JE KLASIFIKACIJA? Zadatak određivanja klase kojoj neka instanca pripada instanca je opisana
More informationEKSPERIMENTALNA EVALUACIJA UTJECAJA ODABIRA ZNAČAJKI NA REZULTATE RASPOZNAVANJA PROMETNIH ZNAKOVA
VEUČILIŠE U ZAGREBU FAKULE ELEKROEHIKE I RAČUARVA DIPLOMKI RAD br. 35 EKPERIMEALA EVALUACIJA UJECAJA ODABIRA ZAČAJKI A REZULAE RAPOZAVAJA PROMEIH ZAKOVA Ivana učć Zagreb, lpanj 0. Zahvala Zahvaljuje se
More informationHeuristika i generalizacija Heronove formule u dva smjera
MAT-KOL (Banja Luka) XXIII ()(07), 49-60 http://www.mvbl.org/dmbl/dmbl.htm DOI: 0.75/МК70049S ISSN 0354-6969 (o) ISSN 986-588 (o) Heurstka generalzacja Heronove formule u dva smjera Petar Svrčevć Zagreb,
More informationDETEKCIJA I RASPOZNAVANJE PROMETNIH ZNAKOVA U VIDEO SNIMCI
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA Igor Bonač Ivan Kovaček Ivan Kusalć DETEKCIJA I RASPOZNAVANJE PROMETNIH ZNAKOVA U VIDEO SNIMCI Zagreb, 2010 Ovaj rad zrađen je u Zavodu za elektronku,
More informationFajl koji je korišćen može se naći na
Machine learning Tumačenje matrice konfuzije i podataka Fajl koji je korišćen može se naći na http://www.technologyforge.net/datasets/. Fajl se odnosi na pečurke (Edible mushrooms). Svaka instanca je definisana
More informationPRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU
MAT KOL Banja Luka) ISSN 0354 6969 p) ISSN 1986 58 o) Vol. XXI )015) 105 115 http://www.imvibl.org/dmbl/dmbl.htm PRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU Bernadin Ibrahimpašić 1 Senka Ibrahimpašić
More informationUpravljački prometni sustavi
Upravljačk prometn sustav Predvđanje prometnh parametara Izv. prof. dr. sc. Nko Jelušć Doc. dr. sc. Edouard Ivanjko Upravljačk prometn sustav :: Predvđanje prometnh parametara 2017 Ivanjko, Jelušć Sadržaj
More informationFIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA
FIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA KOZMIČKI SAT ranog svemira Ekstra zračenje u mjerenju CMB Usporedba s rezultatima LEP-a Usporedba CMB i neutrina Vj.: Pozadinsko zračenje neutrina
More informationSupport Vector Machines. Vibhav Gogate The University of Texas at dallas
Support Vector Machnes Vbhav Gogate he Unversty of exas at dallas What We have Learned So Far? 1. Decson rees. Naïve Bayes 3. Lnear Regresson 4. Logstc Regresson 5. Perceptron 6. Neural networks 7. K-Nearest
More informationSupport Vector Machines
CS 2750: Machne Learnng Support Vector Machnes Prof. Adrana Kovashka Unversty of Pttsburgh February 17, 2016 Announcement Homework 2 deadlne s now 2/29 We ll have covered everythng you need today or at
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationLecture 11 SVM cont
Lecure SVM con. 0 008 Wha we have done so far We have esalshed ha we wan o fnd a lnear decson oundary whose margn s he larges We know how o measure he margn of a lnear decson oundary Tha s: he mnmum geomerc
More informationLecture 3: Dual problems and Kernels
Lecture 3: Dual problems and Kernels C4B Machne Learnng Hlary 211 A. Zsserman Prmal and dual forms Lnear separablty revsted Feature mappng Kernels for SVMs Kernel trck requrements radal bass functons SVM
More informationWhich Separator? Spring 1
Whch Separator? 6.034 - Sprng 1 Whch Separator? Mamze the margn to closest ponts 6.034 - Sprng Whch Separator? Mamze the margn to closest ponts 6.034 - Sprng 3 Margn of a pont " # y (w $ + b) proportonal
More informationO homomorfizam-homogenim geometrijama ranga 2
UNIVERZITET U NOVOM SADU PRIRODN0-MATEMATIČKI FAKULTET DEPARTMAN ZA MATEMATIKU I INFORMATIKU Eva Jungael O homomorfzam-homogenm geometrjama ranga 2 -završn rad- Nov Sad, oktoar 2009 Predgovor Za strukturu
More informationAn introduction to Support Vector Machine
An nroducon o Suppor Vecor Machne 報告者 : 黃立德 References: Smon Haykn, "Neural Neworks: a comprehensve foundaon, second edon, 999, Chaper 2,6 Nello Chrsann, John Shawe-Tayer, An Inroducon o Suppor Vecor Machnes,
More informationLinear, threshold units. Linear Discriminant Functions and Support Vector Machines. Biometrics CSE 190 Lecture 11. X i : inputs W i : weights
Linear Discriminant Functions and Support Vector Machines Linear, threshold units CSE19, Winter 11 Biometrics CSE 19 Lecture 11 1 X i : inputs W i : weights θ : threshold 3 4 5 1 6 7 Courtesy of University
More informationChapter 6 Support vector machine. Séparateurs à vaste marge
Chapter 6 Support vector machne Séparateurs à vaste marge Méthode de classfcaton bnare par apprentssage Introdute par Vladmr Vapnk en 1995 Repose sur l exstence d un classfcateur lnéare Apprentssage supervsé
More informationSupport Vector Machines
Separatng boundary, defned by w Support Vector Machnes CISC 5800 Professor Danel Leeds Separatng hyperplane splts class 0 and class 1 Plane s defned by lne w perpendcular to plan Is data pont x n class
More informationRješavanje simultanih jednadžbi kao ekonometrijskog modela pomoću programskog paketa EViews
Rješavanje smultanh jednadžb kao ekonometrjskog modela pomoću programskog paketa EVews Sažetak - U ovom radu se analzra rješavanje sustava smultanh jednadžb kao ekonometrjskog modela. Između razlčh mogućnost
More information1. Kolokvij - DODATAK
. Kolokvj - DODATAK FAKULTET ZA MENADŽMENT U TURIZMU I UGOSTITELJSTVU U OPATIJI EKONOMETRIJA 6. TEMATSKA JEDINICA Opaja, 3. ŠESTA TEMATSKA JEDINICA VIŠESTRUKI LINEARNI REGRESIJSKI MODEL: OCJENJIVANJE PARAMETARA
More informationSafet Penjić, mr sc Filozofski fakultet u Zenici
Safe Penjć, mr sc Flozofs faule u Zenc Uloga speralnh projeora u rješavanju ssema homogenh dferencjalnh jednačna sa onsannm oefcjenma jedna zanmljva prmjena u bologj Sažea Za podprosore, prosora ažemo
More informationPerceptron Revisited: Linear Separators. Support Vector Machines
Support Vector Machines Perceptron Revisited: Linear Separators Binary classification can be viewed as the task of separating classes in feature space: w T x + b > 0 w T x + b = 0 w T x + b < 0 Department
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Vuko Vukčevć, Mhael Lobrovć Teorjsko numerčk prstup problemu lamnarnog grančnog sloja oko ravne ploče Zagreb, 2011. Ovaj rad zrađen je na Katedr
More informationSUPPORT VECTOR MACHINE
SUPPORT VECTOR MACHINE Mainly based on https://nlp.stanford.edu/ir-book/pdf/15svm.pdf 1 Overview SVM is a huge topic Integration of MMDS, IIR, and Andrew Moore s slides here Our foci: Geometric intuition
More informationTEORIJA SKUPOVA Zadaci
TEORIJA SKUPOVA Zadai LOGIKA 1 I. godina 1. Zapišite simbolima: ( x nije element skupa S (b) d je član skupa S () F je podskup slupa S (d) Skup S sadrži skup R 2. Neka je S { x;2x 6} = = i neka je b =
More informationKernel Methods and SVMs Extension
Kernel Methods and SVMs Extenson The purpose of ths document s to revew materal covered n Machne Learnng 1 Supervsed Learnng regardng support vector machnes (SVMs). Ths document also provdes a general
More informationSupport Vector Machines
/14/018 Separatng boundary, defned by w Support Vector Machnes CISC 5800 Professor Danel Leeds Separatng hyperplane splts class 0 and class 1 Plane s defned by lne w perpendcular to plan Is data pont x
More informationSupport Vector Machines II. CAP 5610: Machine Learning Instructor: Guo-Jun QI
Support Vector Machines II CAP 5610: Machine Learning Instructor: Guo-Jun QI 1 Outline Linear SVM hard margin Linear SVM soft margin Non-linear SVM Application Linear Support Vector Machine An optimization
More informationZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA. Šefket Arslanagić, Sarajevo, BiH
MAT-KOL (Banja Luka) XXIII ()(7), -7 http://wwwimviblorg/dmbl/dmblhtm DOI: 75/МК7A ISSN 5-6969 (o) ISSN 986-588 (o) ZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA Šefket Arslanagić,
More informationNatural Language Processing and Information Retrieval
Natural Language Processng and Informaton Retreval Support Vector Machnes Alessandro Moschtt Department of nformaton and communcaton technology Unversty of Trento Emal: moschtt@ds.untn.t Summary Support
More informationLinear Classification, SVMs and Nearest Neighbors
1 CSE 473 Lecture 25 (Chapter 18) Lnear Classfcaton, SVMs and Nearest Neghbors CSE AI faculty + Chrs Bshop, Dan Klen, Stuart Russell, Andrew Moore Motvaton: Face Detecton How do we buld a classfer to dstngush
More informationCS 3710: Visual Recognition Classification and Detection. Adriana Kovashka Department of Computer Science January 13, 2015
CS 3710: Vsual Recognton Classfcaton and Detecton Adrana Kovashka Department of Computer Scence January 13, 2015 Plan for Today Vsual recognton bascs part 2: Classfcaton and detecton Adrana s research
More informationAdvanced Machine Learning & Perception
Advanced Machne Learnng & Percepon Insrucor: Tony Jebara SVM Feaure & Kernel Selecon SVM Eensons Feaure Selecon (Flerng and Wrappng) SVM Feaure Selecon SVM Kernel Selecon SVM Eensons Classfcaon Feaure/Kernel
More informationTEORIJE IZBORA U UVJETIMA NEIZVJESNOSTI
Perca Vojnć, mag. Asstentca Odjel za ekonomju poslovnu ekonomju Sveučlšte u Dubrovnku E-mal: perca.vojnc@undu.hr TEORIJE IZBORA U UVJETIMA NEIZVJESNOSTI UDK / UDC: 330.131.7 JEL klasfkacja / JEL classfcaton:
More informationMiroslav Josipović. Množenje vektora i struktura 3D euklidskog prostora
Mroslav Jospovć Množenje vektora struktura D eukldskog prostora I naljut se Bog na ljudsk rod dade m da govore razlčtm jezcma da jedn druge ne razumju Vrus Svjetska zdravstvena organzacja je objavla postojanje
More informationUmjetne neuronske mreže
. Motvacja Umjetne neuronske mreže Automatzranu obradu odataka danas uglavnom rade dgtalna računala. Iak, još je uvjek daleko vše odataka čja obrada nje automatzrana. Te odatke obrađuju žvčan sustav žvh
More informationCHAPTER 10: LINEAR DISCRIMINATION
CHAPER : LINEAR DISCRIMINAION Dscrmnan-based Classfcaon 3 In classfcaon h K classes (C,C,, C k ) We defned dscrmnan funcon g j (), j=,,,k hen gven an es eample, e chose (predced) s class label as C f g
More informationEkonometrija 6. Ekonometrija, Osnovne studije. Predavač: Aleksandra Nojković
Ekonometrja 6 Ekonometrja, Osnovne studje Predavač: Aleksandra Nojkovć Struktura predavanja Klasčn všestruk lnearn regreson model-posebne teme: Multkolnearnost - pojam posledce - metod otkrvanja otklanjanja
More informationGeometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice
Osječki matematički list 6(2006), 79 84 79 Geometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice Zlatko Udovičić Sažetak. Geometrijski smisao rješenja sustava od dvije linearne
More informationZEYNEP CAN. 1 Introduction. KoG Z. Can, Ö. Gelişgen, R. Kaya: On the Metrics Induced by Icosidodecahedron...
KoG 19 015 Z. Can Ö. Gelişgen R. Kaya: On the Metrics Induced by Icosidodecahedron... Original scientific paper Accepted 11. 5. 015. ZEYNEP CAN ÖZCAN GELIŞGEN RÜSTEM KAYA On the Metrics Induced by Icosidodecahedron
More informationCROSS ENTROPY METHOD FOR MULTICLASS SUPPORT VECTOR MACHINE
CROSS ENTROPY METHOD FOR MULTICLASS SUPPORT VECTOR MACHINE Bud Sanosa Deparmen of Indusral Engneerng Insu Teknolog Sepuluh Nopember (ITS) Surabaya ITS Campus Sukollo, Surabaya 60 Indonesa bud_s@e.s.ac.d
More informationAlgoritam za množenje ulančanih matrica. Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek
Algoritam za množenje ulančanih matrica Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek O problemu (1) Neka je A 1, A 2,, A n niz ulančanih matrica duljine n N, gdje su dimenzije matrice
More informationBayes rule for a classification problem INF Discriminant functions for the normal density. Euclidean distance. Mahalanobis distance
INF 43 3.. Repeon Anne Solberg (anne@f.uo.no Bayes rule for a classfcaon problem Suppose we have J, =,...J classes. s he class label for a pxel, and x s he observed feaure vecor. We can use Bayes rule
More informationCS145: INTRODUCTION TO DATA MINING
CS145: INTRODUCTION TO DATA MINING 5: Vector Data: Support Vector Machine Instructor: Yizhou Sun yzsun@cs.ucla.edu October 18, 2017 Homework 1 Announcements Due end of the day of this Thursday (11:59pm)
More informationA L A BA M A L A W R E V IE W
A L A BA M A L A W R E V IE W Volume 52 Fall 2000 Number 1 B E F O R E D I S A B I L I T Y C I V I L R I G HT S : C I V I L W A R P E N S I O N S A N D TH E P O L I T I C S O F D I S A B I L I T Y I N
More informationImage classification. Given the bag-of-features representations of images from different classes, how do we learn a model for distinguishing i them?
Image classfcaton Gven te bag-of-features representatons of mages from dfferent classes ow do we learn a model for dstngusng tem? Classfers Learn a decson rule assgnng bag-offeatures representatons of
More informationCS434a/541a: Pattern Recognition Prof. Olga Veksler. Lecture 4
CS434a/54a: Paern Recognon Prof. Olga Veksler Lecure 4 Oulne Normal Random Varable Properes Dscrmnan funcons Why Normal Random Varables? Analycally racable Works well when observaon comes form a corruped
More informationMachine Learning. What is a good Decision Boundary? Support Vector Machines
Machne Learnng 0-70/5 70/5-78 78 Sprng 200 Support Vector Machnes Erc Xng Lecture 7 March 5 200 Readng: Chap. 6&7 C.B book and lsted papers Erc Xng @ CMU 2006-200 What s a good Decson Boundar? Consder
More informationKristin P. Bennett. Rensselaer Polytechnic Institute
Support Vector Machnes and Other Kernel Methods Krstn P. Bennett Mathematcal Scences Department Rensselaer Polytechnc Insttute Support Vector Machnes (SVM) A methodology for nference based on Statstcal
More information24. Balkanska matematiqka olimpijada
4. Balkanska matematika olimpijada Rodos, Gka 8. apil 007 1. U konveksnom etvoouglu ABCD vaжi AB = BC = CD, dijagonale AC i BD su azliite duжine i seku se u taki E. Dokazati da je AE = DE ako i samo ako
More informationC o r p o r a t e l i f e i n A n c i e n t I n d i a e x p r e s s e d i t s e l f
C H A P T E R I G E N E S I S A N D GROWTH OF G U IL D S C o r p o r a t e l i f e i n A n c i e n t I n d i a e x p r e s s e d i t s e l f i n a v a r i e t y o f f o r m s - s o c i a l, r e l i g i
More informationScripture quotations marked cev are from the Contemporary English Version, Copyright 1991, 1992, 1995 by American Bible Society. Used by permission.
N Ra: E K B Da a a B a a, a-a- a aa, a a. T, a a. 2009 Ba P, I. ISBN 978-1-60260-296-0. N a a a a a, a,. C a a a Ba P, a 500 a a aa a. W, : F K B Da, Ba P, I. U. S a a a a K Ja V B. S a a a a N K Ja V.
More informationSupport Vector Machines
Support Vector Machnes Konstantn Tretyakov (kt@ut.ee) MTAT.03.227 Machne Learnng So far Supervsed machne learnng Lnear models Least squares regresson Fsher s dscrmnant, Perceptron, Logstc model Non-lnear
More informationNAPREDNI FIZIČKI PRAKTIKUM 1 studij Matematika i fizika; smjer nastavnički MJERENJE MALIH OTPORA
NAPREDNI FIZIČKI PRAKTIKUM 1 studij Matematika i fizika; smjer nastavnički MJERENJE MALIH OTPORA studij Matematika i fizika; smjer nastavnički NFP 1 1 ZADACI 1. Mjerenjem geometrijskih dimenzija i otpora
More informationStrojno učenje 3 (II dio) Struktura metoda/algoritama strojnog učenja. Tomislav Šmuc
Strojno učenje 3 (II dio) Struktura metoda/algoritama strojnog učenja Tomislav Šmuc PMF, Zagreb, 2013 Sastavnice (nadziranog) problema učenja Osnovni pojmovi Ulazni vektor varijabli (engl. attributes,
More informationRed veze za benzen. Slika 1.
Red veze za benzen Benzen C 6 H 6 je aromatično ciklično jedinjenje. Njegove dve rezonantne forme (ili Kekuléove structure), prema teoriji valentne veze (VB) prikazuju se uobičajeno kao na slici 1 a),
More information( ) [ ] MAP Decision Rule
Announcemens Bayes Decson Theory wh Normal Dsrbuons HW0 due oday HW o be assgned soon Proec descrpon posed Bomercs CSE 90 Lecure 4 CSE90, Sprng 04 CSE90, Sprng 04 Key Probables 4 ω class label X feaure
More informationOsobine metode rezolucije: zaustavlja se, pouzdanost i kompletnost. Iskazna logika 4
Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia novembar 2012 Rezolucija 1 Metod rezolucije je postupak za dokazivanje da li je neka iskazna (ili
More informationUvod u planiranje i analizu pokusa
Uvod u planranje analzu pokusa Uvod u planranje analzu pokusa 1. Uvod u statstčku analzu Statstka - znanost koja daje potporu pr donošenju odluka zaključaka u slučaju kada je prsutna varjablnost. Inženjersk
More informationSupport Vector Machines
Support Vector Machnes Konstantn Tretyakov (kt@ut.ee) MTAT.03.227 Machne Learnng So far So far Supervsed machne learnng Lnear models Non-lnear models Unsupervsed machne learnng Generc scaffoldng So far
More informationFunkcijske jednadºbe
MEMO pripreme 2015. Marin Petkovi, 9. 6. 2015. Funkcijske jednadºbe Uvod i osnovne ideje U ovom predavanju obradit emo neke poznate funkcijske jednadºbe i osnovne ideje rje²avanja takvih jednadºbi. Uobi
More informationIntroduction to Boosting
Inroducon o Boosng Cynha Rudn PACM, Prnceon Unversy Advsors Ingrd Daubeches and Rober Schapre Say you have a daabase of news arcles, +, +, -, -, +, +, -, -, +, +, -, -, +, +, -, + where arcles are labeled
More informationSupport Vector Machine & Its Applications
Support Vector Machine & Its Applications A portion (1/3) of the slides are taken from Prof. Andrew Moore s SVM tutorial at http://www.cs.cmu.edu/~awm/tutorials Mingyue Tan The University of British Columbia
More informationSVMs: Duality and Kernel Trick. SVMs as quadratic programs
/8/9 SVMs: Dualt and Kernel rck Machne Learnng - 6 Geoff Gordon MroslavDudík [[[partl ased on sldes of Zv-Bar Joseph] http://.cs.cmu.edu/~ggordon/6/ Novemer 8 9 SVMs as quadratc programs o optmzaton prolems:
More informationIntro to Visual Recognition
CS 2770: Computer Vson Intro to Vsual Recognton Prof. Adrana Kovashka Unversty of Pttsburgh February 13, 2018 Plan for today What s recognton? a.k.a. classfcaton, categorzaton Support vector machnes Separable
More informationZoran Popović ORIGINALNI NAUČNI RADOVI / SCIENTIFIC PAPERS. Klasifikacija prema JEL: D50, D52, C60, E25
ORIGINALNI NAUČNI RADOVI / SCIENTIFIC PAPERS Zoran Popovć DOI:0.98/EKA0773036P Isptvanje Paretoove optmalnost u modelu opšte ekonomske ravnoteže sa tržštem sredstava PARETO S OPTIMUM IN MODELS OF GENERAL
More informationUvod u relacione baze podataka
Uvod u relacione baze podataka Ana Spasić 2. čas 1 Mala studentska baza dosije (indeks, ime, prezime, datum rodjenja, mesto rodjenja, datum upisa) predmet (id predmeta, sifra, naziv, bodovi) ispitni rok
More informationSlika 1. Slika 2. Da ne bismo stalno izbacivali elemente iz skupa, mi ćemo napraviti još jedan niz markirano, gde će
Permutacije Zadatak. U vreći se nalazi n loptica različitih boja. Iz vreće izvlačimo redom jednu po jednu lopticu i stavljamo jednu pored druge. Koliko različitih redosleda boja možemo da dobijemo? Primer
More informationStrojno učenje 3 (I dio) Evaluacija modela. Tomislav Šmuc
Strojno učenje 3 (I dio) Evaluacija modela Tomislav Šmuc Pregled i. Greške (stvarna; T - na osnovu uzorka primjera) ii. Resampling metode procjene greške iii. Usporedba modela ili algoritama (na istim
More informationSPH SIMULACIJA POISEULLEOVOG STRUJANJA PRI NISKIM REYNOLDSOVIM BROJEVIMA
Vuko, VUKČEVIĆ, Sveučlšte u Zagrebu, Fakultet strojarstva brodogradnje, Zagreb Andreja, WERER, Sveučlšte u Zagrebu, Fakultet strojarstva brodogradnje, Zagreb asta, DEGIULI, Sveučlšte u Zagrebu, Fakultet
More informationMathcad sa algoritmima
P R I M J E R I P R I M J E R I Mathcad sa algoritmima NAREDBE - elementarne obrade - sekvence Primjer 1 Napraviti algoritam za sabiranje dva broja. NAREDBE - elementarne obrade - sekvence Primjer 1 POČETAK
More informationDecepcijski i teški optimizacijski problemi za genetske algoritme
Decepcjsk tešk optmzacjsk problem za genetske algortme Stjepan Pcek Rng Datacom d.o.o. Trg J. J. Strossmayera 5, Zagreb 10000 stjepan@rng.hr Sažetak Genetsk algortm (GA) predstavljaju robusnu adaptvnu
More informationKarakterizacija problema zadovoljenja uslova širine 1
UNIVERZITET U NOVOM SADU PRIRODNO-MATEMATIČKI FAKULTET DEPARTMAN ZA MATEMATIKU I INFORMATIKU Aleksandar Prokić Karakterizacija problema zadovoljenja uslova širine 1 -master rad- Mentor: dr Petar Marković
More informationFACIAL IMAGE FEATURE EXTRACTION USING SUPPORT VECTOR MACHINES
FACIAL IMAGE FEATURE EXTRACTION USING SUPPORT VECTOR MACHINES H. Abrsham Moghaddam K. N. Toos Unversy of Technology, P.O. Box 635-355, Tehran, Iran moghadam@saba.knu.ac.r M. Ghayoum Islamc Azad Unversy,
More informationUmjetne neuronske mreže
Umjetne neuronske mreže Umjetna ntelgencja Matko Bošnjak, 2010. Uvod Automatzrana obrada podataka pogodna za zvršavanje na računalu Neautomatzrane obrade podataka zvršavaju žvčan sustav procesranje prrodnoga
More informationClustering (Bishop ch 9)
Cluserng (Bshop ch 9) Reference: Daa Mnng by Margare Dunham (a slde source) 1 Cluserng Cluserng s unsupervsed learnng, here are no class labels Wan o fnd groups of smlar nsances Ofen use a dsance measure
More informationKsenija Doroslovački KOMBINATORIKA INTERPRETIRANA FUNKCIJAMA I NJIHOVIM OSOBINAMA MASTER RAD. NOVI SAD jun 2008
1 Ksenija Doroslovački KOMBINATORIKA INTERPRETIRANA FUNKCIJAMA I NJIHOVIM OSOBINAMA MASTER RAD NOVI SAD jun 2008 2 Sadržaj 1 UVOD 5 2 FUNKCIJE 11 3 KLASIČNI KOMBINATORNI OBJEKTI 17 4 NEKI NEKLASIČNI KOMBINATORNI
More informationZadatci sa ciklusima. Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva.
Zadatci sa ciklusima Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva. StrToIntDef(tekst,broj) - funkcija kojom se tekst pretvara u ceo broj s tim da je uvedena automatska kontrola
More informationRecap: the SVM problem
Machne Learnng 0-70/5-78 78 Fall 0 Advanced topcs n Ma-Margn Margn Learnng Erc Xng Lecture 0 Noveber 0 Erc Xng @ CMU 006-00 Recap: the SVM proble We solve the follong constraned opt proble: a s.t. J 0
More information17 Support Vector Machines
17 We now dscuss an nfluental and effectve classfcaton algorthm called (SVMs). In addton to ther successes n many classfcaton problems, SVMs are responsble for ntroducng and/or popularzng several mportant
More informationSveučilište J. J. Strossmayera u Osijeku Odjel za matematiku DIOFANTSKE JEDNADŽBE
Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Violeta Ivšić DIOFANTSKE JEDNADŽBE Završni rad Osijek, 2016. Sveučilište J. J. Strossmayera u Osijeku Odjel za matematiku Violeta Ivšić DIOFANTSKE
More informationCS249: ADVANCED DATA MINING
CS249: ADVANCED DATA MINING Support Vector Machine and Neural Network Instructor: Yizhou Sun yzsun@cs.ucla.edu April 24, 2017 Homework 1 Announcements Due end of the day of this Friday (11:59pm) Reminder
More informationIskazna logika 1. Matematička logika u računarstvu. oktobar 2012
Matematička logika u računarstvu Department of Mathematics and Informatics, Faculty of Science,, Serbia oktobar 2012 Iskazi, istinitost, veznici Intuitivno, iskaz je rečenica koja je ima tačno jednu jednu
More informationNeke klase maksimalnih hiperklonova
UNIVERZITET U NOVOM SDU PRIRODNO-MTEMTIČKI FKULTET DERRTMN Z MTEMTIKU I INFORMTIKU Jelena Čolić Neke klase maksimalnih hiperklonova - završni rad - MENTOR: Prof. dr Rozalija Madaras-Siladi Novi Sad, 2012.
More informationANALYSIS OF THE RELIABILITY OF THE "ALTERNATOR- ALTERNATOR BELT" SYSTEM
I. Mavrin, D. Kovacevic, B. Makovic: Analysis of the Reliability of the "Alternator- Alternator Belt" System IVAN MAVRIN, D.Sc. DRAZEN KOVACEVIC, B.Eng. BRANKO MAKOVIC, B.Eng. Fakultet prometnih znanosti,
More informationRegularized Multiple-Criteria Linear Programming Via Second Order Cone Programming Formulations
Regularzed Mulple-Crera Lnear Programmng Va Second Order Cone Programmng Formulaons Zhquan Q Research Cener on Fcous Economy & Daa Scence Chnese Academy of Scences Bejng 0090 Chna qzhquan@gucas.ac.cn Yngje
More information1 Konveksni skupovi i konveksne funkcije
Nediferencijabilna optimizacija 1 Odjel za matematiku Sveučilište J. J. Strossmayera u Osijeku Nediferencijabilna optimizacija Poslijediplomski doktorski studij matematike 1 Konveksni skupovi i konveksne funkcije
More informationUvod u analizu (M3-02) 05., 07. i 12. XI dr Nenad Teofanov. principle) ili Dirihleov princip (engl. Dirichlet box principle).
Uvod u analizu (M-0) 0., 07. i. XI 0. dr Nenad Teofanov. Kardinalni broj skupa R U ovom predavanju se razmatra veličina skupa realnih brojeva. Jasno, taj skup ima beskonačno mnogo elemenata. Pokazaće se,
More informationSoftware Process Models there are many process model s in th e li t e ra t u re, s om e a r e prescriptions and some are descriptions you need to mode
Unit 2 : Software Process O b j ec t i ve This unit introduces software systems engineering through a discussion of software processes and their principal characteristics. In order to achieve the desireable
More informationAIR CURTAINS VAZDU[NE ZAVESE V H
AIR CURTAINS V 15.000 H 21.000 KLIMA Co. 2 KLIMA Co. Flow and system stress should be known factors in air flow. The flow is gas quantity flowing through the system during given time unit and is measured
More informationAPPLICATION OF THOMAS-FERMI MODEL TO FULLERENE MOLECULE AND NANOTUBE UDC 547. Yuri Kornyushin
FACTA UNIVERSITATIS Series: Physics, Chemistry and Technology Vol. 5, N o 1, 2007, pp. 11-18 DOI: 10.2298/FUPCT0701011K APPLICATION OF THOMAS-FERMI MODEL TO FULLERENE MOLECULE AND NANOTUBE UDC 547 Yuri
More informationSVM Tutorial: Classification, Regression, and Ranking
SVM Tutoral: Classfcaton, Regresson, and Rankng Hwanjo Yu and Sungchul Km 1Introducton Support Vector Machnes(SVMs) have been extensvely researched nthedatamnng and machne learnng communtes for the last
More informationPattern Classification (III) & Pattern Verification
Preare by Prof. Hu Jang CSE638 --4 CSE638 3. Seech & Language Processng o.5 Paern Classfcaon III & Paern Verfcaon Prof. Hu Jang Dearmen of Comuer Scence an Engneerng York Unversy Moel Parameer Esmaon Maxmum
More informationCyclical Surfaces Created by a Conical Helix
Professional paper Accepted 23.11.2007. TATIANA OLEJNÍKOVÁ Cyclical Surfaces Created by a Conical Helix Cyclical Surfaces Created by a Conical Helix ABSTRACT The paper describes cyclical surfaces created
More informationO aksiomu izbora, cipelama i čarapama
O aksiomu izbora, cipelama i čarapama Aksiom izbora može se izreći u raznim ekvivalentnim formama. Dokazi ekvivalencije aksioma izbora npr. sa Zornovom lemom, ili pak sa Zermelovim teoremom o dobrom uredaju,
More informationDiscriminative classifier: Logistic Regression. CS534-Machine Learning
Dscrmnatve classfer: Logstc Regresson CS534-Machne Learnng 2 Logstc Regresson Gven tranng set D stc regresson learns the condtonal dstrbuton We ll assume onl to classes and a parametrc form for here s
More information