Wydział Informatyki i Nauki o Materiałach

Slides:



Advertisements
Podobne prezentacje
Wprowadzenie do Data Miningu
Advertisements

Szymon Grabowski Katedra Informatyki Stosowanej Politechniki Łódzkiej
mgr inż. Katarzyna Kaszuba Katedra Systemów Multimedialnych WETI PG
Inteligencja Obliczeniowa Metody oparte na podobieństwie do wzorców.
WYKORZYSTANIE B-LEARNING’U W NAUCZANIU JĘZYKA SPECJALISTYCZNEGO (ANGIELSKI W TURYSTYCE) Joanna Jercha - Malinowska.
Projekt Do kariery na skrzydłach – studiuj Aviation Management Projekt współfinansowany ze ś rodków Europejskiego Funduszu Społecznego. Biuro projektu:
CLUSTERING Metody grupowania danych Plan wykładu Wprowadzenie Dziedziny zastosowania Co to jest problem klastrowania? Problem wyszukiwania optymalnych.
„Piramid Match Kernel”
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
WekaSQL Język i aplikacja przetwarzania oraz eksploracji danych.
mgr inż. Magdalena Plewa Katedra Systemów Multimedialnych WETI PG
Mgr inż. Bartłomiej Stasiak Instytut Informatyki Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej Politechnika Łódzka Data i miejsce.
mgr inż. Kuba Łopatka Katedra Systemów Multimedialnych WETI PG
Eksperymentalna ocena jakości rozpoznawania
Klasyfikacja Sformułowanie problemu Metody klasyfikacji
Języki programowania obiektowego
Linear Methods of Classification
Additive Models, Trees, and Related Methods
Mirosław ŚWIERCZ Politechnika Białostocka, Wydział Elektryczny
-Witam nazywam się Weronika Zgorzelska oraz Oliwia Kołakowska. -Witam serdecznie 1.Od kiedy pan gra w FC Barcelonie… -W FC Barcelonie gram od 13 roku.
Klasyfikacja dokumentów za pomocą sieci radialnych
Klasyfikacja dokumentów za pomocą sieci radialnych Paweł Rokoszny Emil Hornung Michał Ziober Tomasz Bilski.
FP-Growth Adam Pieśkiewicz Kamil Niezręcki Krzysztof Grześkowiak Michał Kucal
Wielowymiarowa analiza danych oparta na modelach gradacyjnych
Licencjonowanie wirtualizacji
Rozpoznawanie twarzy Wprowadzenie Algorytmy PCA ICA
European teens speak through the art. Europejscy nastolatkowie wypowiadają się poprzez sztukę.
Licencjonowanie aplikacji serwerowych
Watch and how we learned on German lessons. Rodzaje uczenia się kind of learning Piosenki ( songs ) Zadania pisemne ( written works ) Oglądanie filmu.
Detekcja twarzy w obrazach cyfrowych
Techniki eksploracji danych
Analiza dyskryminacji
Piotr Porwik Uniwersytet Śląski w Katowicach
IV EKSPLORACJA DANYCH Zadania eksploracji danych: klasyfikacja
Seminarium licencjackie Beata Kapuścińska
Ekonometryczne modele nieliniowe
SHOPPING- ROBIENIE ZAKUPÓW.
Wydział Elektroniki Kierunek: AiR Zaawansowane metody programowania Wykład 5.
 Primary School no 17  John Paul II, Chorzow, Poland  Made by Monika Winkler`s Project Group.
Rights of the child. Kliknij, aby edytować format tekstu konspektu Drugi poziom konspektu  Trzeci poziom konspektu Czwarty poziom konspektu  Piąty poziom.
Polsko-Norweski Fundusz Badań Naukowych / Polish-Norwegian Research Fund Testowanie metriksów czyli do czego jesteśmy zobowiązani zapisami aplikacji Warsztaty.
CROSSWORD: SLANG. Konkurs polega na rozwiązaniu krzyżówki. CROSSWORD: SLANG Wypełnione karty odpowiedzi prosimy składać w bibliotece CJK, lub przesyłać.
Mateusz Wawrzyniak & Michał Warzocha
Adaptacyjne Systemy Inteligentne Maciej Bielski, s4049.
Paulina Kowalczyk Dominika Struzik I LO Tadeusz Kosciuszko in Wielun POLAND.
Which of the following two restaurants do you prefer? Któr ą z tych dwóch restauracji ty by ś wybrał ?
Assessment of influence of short-lasting whole-body vibration on joint position sense and body balance – a randomised masked study Rehabilitation Department,
Od Feynmana do Google’a Rafał Demkowicz-Dobrzański,, Wydział Fizyki UW.
Metody Inteligencji Obliczeniowej
2. SCHOOL School subjects, school activities. Types of schools – vocabulary rodzaje szkół - słownictwo kindergartenprimary school lower secondary school.
Metody Analizy Danych Doświadczalnych Wykład 9 ”Estymacja parametryczna”
Important holidays and festivals in Poland. The first of January New Year’s Day New Year’s Day the day of Mary the Holy Mother of God – for Catholics.
Dzień dobry! Cześć! This project has been funded with support from the European Commission. This document reflects the views only of the authors, and.
Z ŁOŻONE SYSTEMY KLASYFIKUJĄCE DLA DANYCH Z NIEZRÓWNOWAŻONYMI LICZEBNIE KLASAMI DECYZYJNYMI Autor: inż. Tomasz Maciejewski Promotor: dr hab. inż. Jerzy.
Analiza danych genomicznych metodami statystycznymi i inteligencji obliczeniowej Wiktor Młynarski
Www,mojesilnedrzewo.pl. W dniach 15 marca – 30 kwietnia 2010.r.wytwórnia wody mineralnej Żywiec Zdrój SA wspólnie z Fundacją Nasza Ziemia i Regionalną.
Opracowanie: Katarzyna Gagan, Anna Krawczuk
Machine learning Lecture 6
Zaprojektowaliśmy nowoczesny polski inteligentny falownik i komponenty smart z myślą o KLASTRACH. Spirvent: Wynalazcy, Projektanci energoelektroniki, zaprojektowaliśmy.
Going deeper with convolutions
Fire protection in Poland and Europe
A prototype of distributed modelling environment
Running Dictation Activity to Engage Students in Reading, Writing, Listening, and Speaking.
OOn Scientific Research using Scalarm Platform for Modeling and Simulation Dzień dobry, Nazywam się Jakub Liput, jestem pracownikiem ACK Cyfronet AGH i.
Inteligencja Obliczeniowa Perceptrony
Programowanie sieciowe Laboratorium 3
zl
1) What is Linux 2) Founder and mascot of linux 3) Why Torvalds created linux ? 4) System advantages and disadvantages 5) Linux distributions 6) Basic.
Inteligentne oprogramowanie z wykorzystaniem SQL Server Data Mining
Programowanie sieciowe Laboratorium 3
Zapis prezentacji:

Wydział Informatyki i Nauki o Materiałach PIOTR PORWIK Uniwersytet Śląski Instytut INFORMATYKI Wydział Informatyki i Nauki o Materiałach Klasyfikatory zespołowe z wyborem kompetencji w rozpoznawaniu obiektów Dear Organizers. Let me thank for invitation. It is my honour to be participant of this conference and take part in this meeting. Thank a lot

AGENDA Problemy klasyfikacji danych. Uczenie klasyfikatora. Klasyfikacja (jedno i wieloklasowa). Typy klasyfikatorów (pojedyncze i zespołowe). Kompetencje klasyfikatorów. Przykład porównawczy.

Instytut Informatyki http://ii.us.edu.pl

Jak wybrać klasyfikator w uczeniu maszyn? Jak duży jest zbiór danych treningowych? Jak trenować wybrany klasyfikator? Zalety algorytmów dedykowanych. Jaki algorytm uczenia maszynowego powinien zostać wybrany dla określonego problemu klasyfikacji? NIE MA UNIWERSALNYCH KLASYFIKATORÓW! Model klasyfikatora musi by indywidualnie dobrany w zależności od problemu klasyfikacji.

Najprostsze zadanie klasyfikacji CEL: Znaleźć regułę klasyfikacji przez określenie do jakiej klasy przypisać obiekt o zarejestrowanej cesze Powyżej above Poniżej below, under

Przykład bardziej skomplikowany Separacja liniowa obiektów nie jest możliwa

Problem danych wejściowych Dane są przeważnie niekompletne (np. zbiory danych medycznych). Dane mogą być niezrównoważone (więcej pacjentów z lżejszym przebiegiem choroby niż przypadków terminalnych). Dane mogą się nakładać (overlap data) Pułapki statystyczne. Musimy uważać na we have to watch over statistical traps

Brakujące dane Brakujące dane zmniejszają jakość klasyfikacji. Komplikacje w analizie danych. Różnice klasyfikacji dla zbiorów kompletnych i zdegradowanych.

Dane niezrównoważone Dla takich danych (rysunek) klasyfikator będzie zawsze promował klasę większościową

Nakładające się dane (Overlapping data) Rzutowanie projection Ciemny dark Jasny bright

Płapki statystyczne (Francis Anscomb’s*) quartet) Różne prezentacje graficzne ale te same parametry statystyczne zmiennej x Średnia =9 Wariancja=11 zmiennej y Średna=7.50 Wariancja=4,125 Równanie regresji linowej y=3+0.5x *) Anscombe, F. J. (1973). "Graphs in Statistical Analysis". American Statistician. 27 (1): 17–21.

Klasyfikacja jednoklasowa (1) Znamy tylko obiekty jednej klasy. Nie znamy kontrprzykładów Wszystkie obiekty z poza klasy są odrzucane.

Jednoklasowa klasyfikacja (2)

Klasyfikacja dwuklasowa (binarna) Znamy kontrprzykłady One-vs-rest: {a} vs {not a} {b} vs {not b}

Klasyfikacja wieloklasowa Ta technika może być zredukowana do klasyfikacji binarnej: The one-vs.-rest (OvR) The one-vs-all ( OvA) The one-against-all (OAA) Wiele algorytmów tego typu było rozwijanych na bazie sieci neuronowych, drzew decyzyjnych, klasyfikatorów k-NN, naiwnego klasyfikatora Bayesa, maszyn wektorów nośnych. Te techniki należą do algorytmów adaptacyjnych. different names of the same technique

Zespoły klasyfikatorów Zespół składa się z pojedynczych heterogenicznych lub homogenicznych klasyfikatorów. Zalety: Można użyć różnych podzbiorów treningowych dla różnych klasyfikatorów pojedynczych. Można użyć różnych metod uczenia klasyfikatora Głosowanie na podstawie funkcji wsparcia pojedynczych klasyfikatorów

Zespół klasyfikatorów (2) Reguła decyzyjna: M klasyfikatorów i ich funkcji wsparcia

Zespół klasyfikatorów (3) Zalety: Każdy indywidualny klasyfikator w zespole jest uczony indywidualne na podstawie różnych przykładów. Każdy klasyfikator w zespole może być uczony na podstawie różnych podzbiorów cech rozpoznawanego obiektu. W zespole klasyfikatorów mogą kooperować takie same lub róże klasyfikatory bazowe. Nie ma ograniczeń co do liczby klasyfikatorów w zespole, chociaż za duża ich liczba może zmniejszyć kompetencję klasyfikatorów składowych. Classier ensemble can works in parallel and distributed computer architecture and final decision is formed as combination of the networked decision. Mentioned strategy reduce computation time, especially for big data and in classifier's learning mode when model is not yet known. Machine learning strategies are often heuristic search algorithms with predefined evaluation functions. It means that these algorithms could work with different initial points. For each initial point it can be considered as a multi local search which should increases likelihood of optimal solution achievement.

Jakość klasyfikacji Określenie jakości klasyfikatora ze zbiorem treningowym jest możliwa do określenia wyłącznie na podstawie eksperymentów. gdzie: - Zbiór treningowy - Zbiór testowy, oraz

Testowanie jakości klasyfikatora The two sets: Training dataset Validation dataset re-substitution method, holdout method, leave-one-out-method, cross-validation method, rotation method, bootstrap method, smoothing method,

Jak dobierać klasyfikatory w zespole (komitecie)? (1) Komitet klasyfikatorów osiąga wysoki współczynnik rozpoznawania obiektów, kiedy każdy z klasyfikatorów składowych popełnia mało błędów , a każdy z niech ma róże zakresy kompetencji

Jak dobierać klasyfikatory w zespole (komitecie)? (2) Jeśli klasyfikatory składowe popełniają mało błędów, ale nie są zróżnicowane – nic nie wnoszą do komitetu.

Jak dobierać klasyfikatory w zespole (komitecie)? (3) Jeśli klasyfikatory składowe są różne ale mają słabe kompetencje obniżają jakośś klasyfikacji zespołu

Przykłady z biometrii i medycyny Dynamiczna weryfikacja podpisów1,2) Rozpoznawanie osób na podstawie analizy tywarzy3) System medyczny – stopnie włóknienia wątroby4) 1) Porwik P. ,Doroz R. ,Orczyk T.The k-NN classifier and self-adaptive Hotelling data reduction technique in handwritten signatures recognition. Pattern Analysis and Applications. Volume 18(4), 2015, pp. 983-1001. 2) Doroz R., Porwik P., Orczyk T. Dynamic signature verification method based on association of features with similarity measures. Neurocomputing. Vol. 171, pp. 921-931, 2016 3) Wrobel K., Doroz R., Porwik P., Naruniec J., Kowalski M., Using a Probabilistic Neural Network for lip-based biometric verification. Engineering Applications of Artificial Intelligence. Vol. 64, pp. 112-127, 2017. 4) Porwik P., Orczyk T., Lewandowski M., Cholewa M., Feature projection k-NN classifier model for imbalanced and incomplete medical data. Biocybernetics and Biomedical Engineering. Vol. 36(4), pp. 644-656, 2016

Wykorzystanie kompetencji klasyfikatorów

Wykorzystanie kompetencji klasyfikatorów

Wykorzystanie kompetencji klasyfikatorów. Przykład

Dziękuję !

Signature recognition

Signature recognition

Signature recognition match

Hotelling’s data reduction

Results (1)

Results (2)

Lip-based recognition (1)

Lip-based recognition (2) Dopasowac to fitted, matched

Lip-based recognition (3) Beard, moustache

Lip-based recognition (4)

Results

Recognition of liver disease stages (1) Medical data are mostly complicated and noised: are incomplete, are imbalanced, measurements are often not normalized/ in different scales because of different techniques and standards of data analysis in medical laboratories.

Recognition of liver disease stages (2) Measured medical patient’s parameters

Liver data classification K classes M objects N features f

Data visualization

Liver fibrosis recognition. Results SFA single feature accuracy SFCS single feature class separation