Paralelna implementacija metode nadziranog učenja
|
|
- Brian Henry
- 6 years ago
- Views:
Transcription
1 ZAVOD ZA ELEKTRONIČKE SUSTAVE I OBRADU INFORMACIJA FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA SVEUČILIŠTE U ZAGREBU Paralelna implementacija metode nadziranog učenja Vedrana Baličevid Maja Bellotti Mirna Bokšid Oliver Marid Maja Štimac Zagreb, siječanj 2010.
2 Sadržaj 1. UVOD Reimplementacija Slučajnih šuma Opis rada Ulazni podaci Slučajne šume Opis programa RF Procjena greške Važnost atributa Opis programa 'PROC' Paralelizacija Prikaz rezultata Primjena i konačni rezultati ZAKLJUČAK LITERATURA... 15
3 1. UVOD Algoritam Slučajnih šuma (eng. Random Forest) trenutno je jedan od najboljih poznatih algoritama za klasifikaciju (te regresijsku analizu) koji je sposoban klasificirati ogromne količine podataka s velikom točnošdu. Algoritam je izvorno napisan u programskom jeziku Fortran 77, ali ga je nažalost jako teško u potpunosti razumjeti. Stvoritelj algoritma je profesor s Berkeley-vog sveučilišta, Leo Breiman koji je jedan od začetnika područja strojnog učenja (eng. machine learning), metode rudarenja podataka ( eng.data mining) te je sudjelovao u stvaranju programa (CART Classification and Regression Trees). Osnovna ideja algoritma proizlazi iz činjenice da se koristi puno klasifikatora umjesto samo jednoga. Prilikom klasifikacije podataka, svaki klasifikator (stablo) donosi zasebno odluku o klasi (stabla glasaju za klasu). Nakon što sva stabla glasaju, podatak de biti klasificiran klasom koja dobije najviše glasova. S obzirom da su klasifikatori međusobno neovisni moguda je paralelizacija algoritma Slučajnih šuma. Metodom paralelne implementacije (PARF - PArallel Random Forest) omoguduje se izvršavanje algoritma na vedem broju računala. U ovom projektu pokušalo se na temelju opisa rada algoritma profesora Lea Breimana, implementirati Slučajne šume u programski paket Matlab. Napisani algoritam testiran je na numeričkim podacima. Rezultati su prikazani PROC (eng. Precision-Recall ) krivuljama na temelju podataka dobivenih iz Slučajnih šuma. 1
4 2. Reimplementacija Slučajnih šuma Slučajne šume, kao metoda nadziranog učenja, su prvotno napisane u Fortranu 77, nepriličnom i teškom programskom jeziku bez mogudnosti paralelne implementacije. Fortran je u to vrijeme bio logičan izbor kao široko prihvaden u matematičkim krugovima zbog svojih numeričkih i računskih prednosti u odnosu na druge programske jezike. Unatoč nedostatcima Fortrana sam algoritam RF (eng. Random Forest) je razvijen tako da je paralelna realizacija poželjna. Naime RF se sastoji od slučajnih stabala odluke (eng. decision trees) koja se generiraju nezavisno jedna o drugima. Stoga je nužna re-implementacija algoritma u nekom višem i pogodnijem programskom jeziku, koji omoguduje pokretanje istog na skupini računala (klaster). Problem se javlja zbog nerazumljivosti programskog koda pisanog u Fortranu iako je sam algoritam Slučajnih šuma ved poznat. Program je pisan vrlo strogim matematičkim stilom s nedovoljno opisnim imenima varijabli. Također programski jezik Fortran ne dozvoljava određene funkcionalnosti (npr. odgovarajude korisničko sučelje) te su neke karakteristike žrtvovane radi bržeg izvođenja i jednostavnosti programskog koda. Dodatna nepogodna stvar je nedostatak dinamičke alokacije u izvornom programu, točnije potrebno je u svakoj iteraciji izvođenja programa ručno mijenjati kod. Stoga je jasna potreba za reimplementacijom izvornog koda i poboljšanjem funkcionalnosti. Slika 1. Primjer dijela koda u programskom jeziku Fortran 77 2
5 3. Opis rada Slučajne šume su jedna od najsvestranijih danas poznatih klasifikacijskih metoda. To je metoda strojnog učenja koja je našla veliku primjenu zbog niza različitih mogudnosti koje nudi: Vrlo točna na nekim skupovima podataka Efikasna na velikim skupovima podataka Efikasna za velik broj atributa Daje procjenu koje varijable su važne za klasifikaciju Daje unutrašnju nepristranu procjenu opde greške tijekom procesa rasta šume Ima učinkovitu metodu procjene nepotpunih podataka i zadržava točnost i kada mnogo podataka nedostaje Jednom narasla šuma može se spremiti za bududu upotrebu Prototipovi daju procjenu o odnosu varijabli i klasifikacije Računa udaljenosti između parova podataka koji se mogu koristiti u klasterima, pronalaženju outlinera i daje zanimljiv prikaz podataka. Može se proširiti na neklasificirane podatke koje vodi nenadgledanom učenju Pruža eksperimentalnu metodu za otkrivanje interakcije među varijablama 3. 1 Ulazni podaci Ulazni podaci Slučajnih šuma su različiti podaci na kojima se izvršava statistička obrada. Ulazni podaci moraju biti na određeni način organizirani. Podaci su organizirani u ARFF datoteke. ARFF datoteke su ASCII tekstualne datoteke koje sadrže listu podataka koji imaju iste atribute. ARFF datoteke sastoje se od dva odvojena dijela. Prvi dio je zaglavlje, nakon kojeg slijedi dio s podacima. Zaglavlje ARFF datoteke sadrži ime relacije, listu atributa (stupci u dijelu datoteke koji sadrži podatke) i njihove tipove. Primjer standardnog zaglavlja IRIS datoteke izgleda sepallength sepalwidth petallength petalwidth class {Iris-setosa,Iris-versicolor,Iris-virginica} Zaglavlje se sastoji od deklaracije atributa i relacija. Relacija odnosa definirana je kao prva linija ARFF <relation-name> Svaki atribut u području koje pripada deklaraciji atributa ima ima svoju koja se uvijek piše u novi red i njome se definira ime atributa i tip podataka. Redoslijed kojim su zapisani atributi pokazuje poziciju stupaca u području datoteke u kojem su zapisani podaci. Format zapisa atributa je <attribute-name> <datatype> 3
6 Tip podatka koji podržava ovakva datoteka je: numerički nominal-specification string datum Nakon zaglavlja slijedi jedan razmak nakon kojeg se nalaze podaci koji su organizirani na sljededi 5.1,3.5,1.4,0.2,Iris-setosa 4.9,3.0,1.4,0.2,Iris-setosa 4.7,3.2,1.3,0.2,Iris-setosa 4.6,3.1,1.5,0.2,Iris-setosa 5.0,3.6,1.4,0.2,Iris-setosa 5.4,3.9,1.7,0.4,Iris-setosa 4.6,3.4,1.4,0.3,Iris-setosa 5.0,3.4,1.5,0.2,Iris-setosa su dijelovi datoteke koji postoje po definiciji u svakoj ARFF datoteci, dok se druge stvari u datoteci, ovisno o vrstama podataka, mijenjaju. Područje ARFF-a u kojem su zapisani podaci sadrži liniju deklaracije podataka i stvarne linije podataka. Deklaracija podataka je samo jedna linija koja označava početak dijela s U području gdje se nalaze sami podaci, svaki podatak se nalazi u novom redu. Vrijednosti atributa za svaki podatak nalaze se odvojene u stupcima. Atributi se moraju pojaviti po redoslijedu po kojem su deklarirane u zaglavlju. 3.2 Slučajne šume Ulazni podaci su organizirani u ARFF datoteke. Uz pomod programa ReadData, koji se nalazi u privitku pročitani su podaci. Ulazni parametar navedenog programa je ARFF datoteka, izlazne vrijednosti programa su: X, Class, Label, Features. Navedene izlazne vrijednosti su podaci potrebni za rad statističke metode. Slučajne šume su statistička metoda koja se temelji na gradnji stabala. Stabla se grade uz pomod izmijenjene, u Matlab ugrađene, funkcije classregtree. Slučajne šume zahtijevaju izgradnju mnoštva stabala. Da bi se iz ulaznog vektora klasificirao novi objekt, on mora prodi kroz sva stabla šume. Svako stablo vrši klasifikaciju, odnosno glasa za određeni razred. Šuma se odlučuje za određenu klasifikaciju na temelju najvedeg broja glasova. Cijela metoda počinje od izgradnje samo jednog stabla. Jedno stablo se gradi na sljededem rekurzivnom principu: DTree(Primjeri, Atributi) Kreiraj osnovni čvor stabla Ako su svi primjeri iste klase i => stablo je osnovni čvor s oznakom i 4
7 Ako su svi atributi iskorišteni => vrati osnovni čvor s oznakom najbrojnije klase Inače Dok atributi >0 Ai = Odredi atribut koji najbolje klasificira skup primjera Za svaku vrijednost vj od Ai Dodaj novu granu ispod čvora, koja korespondira s testom Ai = vj Neka su Primjeri(Ai = vj) onaj skup primjera koji zadovoljava Ai = vj Ako primjeri (Ai=vj)=0 Dodaj oznaku c = najčešda klasa u skupu Primjeri Inače za novu granu dodaj novo podstablo DTree(Primjeri(Ai=vj),Atributi-Ai) Odnosno, taj rekurzivni postupak se u osnovi se temeljni na sljededoj ideji: ako je broj podataka u setu za treniranje N, slučajnim odabirom s ponavljanjem uzorkuj iz ulaznog skupa podataka N podataka ako postoji M ulaznih varijabli m mora biti manje od M, m je konstantan tokom cijele klasifikacije. On predstavlja broj podstabala koja mogu nastati iz svakog čvora. Za svaki čvor odabire se m slučajnih varijabli. Promatraju se sva podstabla koja mogu nastati i izabire se ono koje ima najbolji split. Najbolji slit se pronalazi uz pomod Gini indexa za mjeru nečistode. Atribut s najvedim Gini indeksom je pobjednik, odnosno na njemu se radi grananje. stablo se gradi do maksimalne dubine Naravno za tokom glasanja ponekada može dodi i do pogreške, jer svako stablo ponekada može odrediti pripadnost krivoj klasi. Relativna procjena pogreške ovisi o: korelaciji bilo koja dva stabla u šumi. Povedavanjem korelacije raste učestalost pogreške snazi svakog individualnog stabla u šumi. Stablo s malom učestalošdu pogreške je bolji klasifikator. Povedavanje snage individualnog stabla povedava procjenu pogreške Smanjenjem m smanjuje se i korelacija i snaga. Povedanjem m oboje rastu. Negdje na sredini se nalazi optimalan interval za m (obično dosta širok). Korištenjem OOB vrijednosti pogreške, lako se može pronadi vrijednost m. To je jedini podesivi parametar (osim broja stabla) na koji je Slučajna šuma osjetljiva Opis programa RF Učitavaju se podaci dobiveni iz arff datoteka. Jedan od ulaznih parametara je i broj stabala. Što je vedi broj stabala statistička metoda daje bolje rezultate. Iz ulaznih podataka slučajnim odabirom s ponavljanjem uzima se dio podataka. Podaci predstavljaju podatke za treniranje, odnosno TraningSet podatke i od tih podataka se gradi stablo. Svako stablo se gradi koristedi drugačiji skup primjera. Kako su ti podaci uzimani slučajnim odabirom, dio ulaznih podataka nije korišten za izgradnju stabla. Preostali ulazni podaci su OOB (eng. out of bag) podaci. Otprilike 1/3 ulaznih podataka predstavlja OOB podatke. Nakon što je stablo izgrađeno na podacima za treniranje OOB podaci se provlače kroz stabla. Stablo za svaki pojedini OOB podatak donese odluku (glas) kojoj klasi bi taj podatak trebao pripadati. Dodijeljeni glasovi uspoređuju se s ved poznatim glasovima, odnosno ulaznim podacima. Ulazni podaci se promatraju kao točni podaci na temelju kojih se može vršiti usporedba dobivenih podataka. Ako je stablo glasalo za točno, odnosno klasa za koju je glasalo stablo je jednaka ulaznoj klasi, vrijednost u matrici za taj primjer za promatrano stablo povedava se za jedan, a ako se glas 5
8 razlikuje vrijednost se ne mijenja. Ovaj postupak se ponavlja sve dok se ne izgrade sva zadana stabla. Pri izgradnji svakog stabla ponovo se vrši glasanje, ali bitno je za primijetiti da OOB i set za treniranje pri izgradnji novog stabla nisu isti, jer se uvijek uzimaju nove slučajne vrijednosti. Glasovi svih stabala se zbrajaju u istu matricu. Konačno se dobije matrica u koju su upisane vrijednosti koliko je stabala glasalo za koju klasu. Ta matrica predstavlja izlazni podatak Slučajnih šuma. Matrica se zapisuje u datoteku glasovi.txt i kasnije se koristi za izgradnju krivulja koje grafički prikazuju uspješnosti detektora. Nakon uspješno provučenih OOB podataka kroz Slučajne šume istrenirane na setu za testiranje slijedi postupak permutacije. Za svako stablo u OOB podacima permutiramo jednu značajku, a sve ostale ostavimo nepromijenjene. Tako dobiveni OOB provučemo kroz stablo, tako da za svaki pojedini OOB podatak stablo donese odluku (glas) kojoj klasi bi taj podatak trebao pripadati. Usporedbom s točnim podatkom (kojoj klasi taj podatak zaista pripada), dobiva se podatak je li stablo donijelo ispravnu odluku ili ne, iz čega se može vidjeti važnost jedne značajke u donošenju ispravne odluke. Ovaj postupak ponavlja se za svako stablo onoliko puta koliko postoji značajki (atributa), te za sva stabla u šumi. Slika 2. Izgradnja šume Na taj način dobivena je matrica koja za svaki podatak daje broj stabala koji su glasali ispravno i broj stabala koji su glasali krivo nakon permutiranja jedne značajke. Sličnu matricu dobili smo i upravo prije permutiranja. Razlika ove dvije matrice podijeljena s brojem stabala daje RawImportanceScore - važnost koja se ispisuje u jednu od izlaznih datoteka Procjena greške Kod slučajne šume, nema potrebe za validacijom ili odvojenim testovima da bi se dobila nepristrana procjena greške. Greška se procjenjuje interno, tijekom rasta šume. Na kraju izvođenja, uzmimo da j bude klasa koja je dobila najviše glasova svaki put kada je primjer n bio OOB. Omjer broja puta kada j nije jednak pravoj klasi i prosjek svih n-ova daje OOB procjenu pogreške. Pokazalo se da je to nepristrana procjena u mnogim testovima. 6
9 Važnost atributa U svakom izgrađenom stablu, testiramo OOB primjere i brojimo broj točnih glasova. Sada slučajno permutiramo vrijednosti atributa m u OOB primjerima i ponovimo test. Oduzmimo broj točnih klasifikacija za prave i permutirane primjere. Prosjek tog broja po svim stablima u šumi je približna važnost atributa m. Očekujemo da broj točnih glasova nede mnogo razlikovati ako je atribut nebitan, dok de se za važan atribut znatno razlikovati Opis programa 'PROC' Na temelju podataka dobivenih Slučajnim šumama program PROC stvara Precision-Recall krivulje. Nastaju tri različite krivulje, po jedna PROC krivulja za svaku klasu. Za svaku klasu stvora se matrica sa i-redaka i 5 stupaca. Prvo se promatra matrica za jednu klasu, pa za drugu i na kraju za tredu. Na temelju tih matrica crtaju se krivulje. U prvom i drugom stupcu zapisani su podaci iz datoteke glasovi.txt, tj. u prvom stupcu nalazi se udio stabala koji je glasovao protiv, a u drugom stupcu udio stabala koji je glasovao za. U peti stupac matrice učitava se točnost poznata iz originalnih. Taj znak točnosti može biti True ili False, pa se u u ovisnosti o tome u matricu upisuje 1 ili 0. Tredi stupac matrice dobiva se pomodu formule stupac _ 3 stupac _1 stupac _1 stupac _ 2 (1) Prag se linerano povedava od 0 do 1. Četvrti stupac nastaje uspoređivanjem tredeg stupca i praga. Ukoliko je tredi stupac vedi od praga upisuje se jedinica, a u protivnom nula. GLASOVI 'PROTIV' GLAZOVI 'ZA' X=PROTIV/(PROTIV +ZA) X >PRAG => 1 X<PRAG => 0 TOČNOST IZ UL. MAT Tablica 1. Dio tablice korištene u programu 'P-ROC_crtanje' Precision-Recall krivulja crta se na temelju četiri parametra:. TP True positives detektor ( odluka RF-a) je rekao da je točno i bilo je točno (odluka donesena na temelju ulaznih podataka) TN True negatives detektor kaže da je netočno i njegova odluka je prema ulaznim podacima točna FP False positives detektor kaže da je točno i njegova odluka je prema ulaznim podacima netočna (bilo je netočno) FN False negatives detektor kaže da je netočno i njegova odluka je prema ulaznim podacima netočna (bilo je točno) 7
10 Formule za izračunavanje varijabli Precision i Recall su: Precision TP TP FP (2) TP Re call (3) TP FN Svakom parametru dodijeljene su kombinacije binarnih znakova dobivene usporedbom podataka dobivenih detektorom i točnih ulaznih podataka. TP = '11' FP = '10' FN = '01' TN = '00' Precision i Recall računaju se za različite pragove koji se linearno mijenjaju u intervalu *0,1+ s pomakom Svakom pragu odgovara jedna točka krivulje Paralelizacija Promatrana metoda strojnog učenja često obrađuje velike skupove podataka, koji imaju mnoštvo klasa i atributa. To znatno usporava rad Slučajnih šuma. Jedan od načina da se ipak poveda brzina rada, bez obzira na to što se i dalje obrađuje velika količina podataka je paralelizacija. To je zapravo paralelna realizacija Slučajnih šuma (eng. PArallel Random Forest). Paralelna realizacija omoguduje puno bržu implementaciju i korištenje metode jer se algoritam može paralelno izvršavati na više različitih strojeva. 8
11 4. Prikaz rezultata Izlazne datoteke funkcije PARF() služe za kasniju analizu rezultata, tj. postaju ulazni podaci funkcije PROC() koja kao svoj izlaz daje Precision-Recall krivulje. Navedene krivulje pružaju kvalitativan uvid u uspješnost statističke metode. Precision i Recall su matematički modeli koji se koriste pri statističkoj klasifikaciji. Precision za neku klasu je broj TP (eng. true positives) podijeljen sa ukupnim brojem elemenata kojima je određena pripadnost pozitivnoj klasi, tj. suma TP i FP (eng. false positives) jedinki (izraz (2)). Preciznije definirano TP predstavlja broj jedinki kojima je točno određena pripadnost pozitivnoj klasi, dok FP označava broj jedinki kojima je ta pripadnost netočno određena korištenjem određene statističke metode (u ovom slučaju to određivanje kojoj klasi pripada donosi svako pojedino stablo odluke). Recall u kontekstu statističke klasifikacije se definira kao broj TP podijeljen sa ukupnim brojem elemenata koji stvarno pripadaju pozitivnoj klasi (izraz (3)), tj. kao suma TP i FN (eng. false negatives) jedinki, gdje FN predstavlja jedinke kojima nije označena pripadnost pozitivnoj klasi, a trebala je biti. Ako je Precision rezultat jednak jedinici za neku klasu C to znači da svaki element kojem je označena pripadnost klasi C uistinu i pripada toj klasi, no to ne daje nikakvu informaciju o broju jedinki klase C koje su krivo označene. Dok rezultat Recall jednak jedinici govori da je svakoj jedinci iz klase C označena pripadnost klasi C, no ne govori ništa o broju elemenata kojima je netočno također određena pripadnost klasi C. Poznata je pojava inverzne veze parametara Precision i Recall, gdje je mogude povedati jedan od parametara na štetu drugoga. U ovom radu kao i uobičajeno navedeni parametri se ne promatraju zasebno, dapače vrijednost jednoga se uspoređuje s fiksnom vrijednošdu drugoga ili reprezentira krivuljama iz kojih se može dobiti ukupnost informacija. U problemu klasifikacije izlazni podaci se mogu prikazati sa dva tipa krivulja: P-ROC (eng. Precision-Recall Operating Characteristic) i ROC (eng. Receiver Operating Characteristic ). Slika 3. Prikaz izgleda tipične P-ROC i ROC krivulje ROC krivulja daje grafički opis odnosa TP i FP parametara (obratiti pažnju kako su koordinatne osi označene na slici 2.), dok P-ROC krivulja, kao što joj i samo ime govori, daje odnos Precision i Recall parametara. 9
12 5. Primjena i konačni rezultati Algoritam RF implementiran u MATLAB programskom jeziku je testiran na četiri seta ulaznih podataka, tj. na četiri ulazne ARFF datoteke. Podaci su pronađeni na Internetu i pripremljeni u oblik pogodan za obradu. Bitno je napomenuti da algoritam radi samo za numeričke podatke. U radu na projektu nije bilo vremena za proširivanje, no u planu je razrada algoritma kako bi bio primjenjiv pri analizi genoma (bioinformatika) gdje su podaci organizirani u obliku stringova (kombinacija slova A,T, C i G). Varijabla loadfisheriris, ogledni primjer iz MATLAB programa, je prvobitno učitana te potom pretvorena u Iris.txt datoteku, a zatim koristedi se ReadData() funkcijom pretvorena u Iris.arff datoteku na ved opisani način. Stvorena datoteka je sastavljena od 150 ulaznih podataka od kojih svaki pripada jednom od tri cvijeta : Virginica, Setosa ili Versicolor. Algoritam RF na temelju četiri značajke (polje značajki se može pronadi u datoteci), mora odlučiti o kojem cvijetu se radi s određenim postotkom sigurnosti. Funkcija PROC() najlošije rezultate vrada za prvu datoteku, no svaki put vrada malo drugačije rezultate, a razlog tome je što stabla drugačije glasaju pri svakom pokretanju. Važno je napomenuti da pokretanje programa sa vedim brojem stabala daje bolje rezultate, poradi toga su prikazani rezultati za svaku datoteku i na 100 i na 1000 stabala odluke. Na slici 4. je prikazana P-ROC krivulja za Iris.txt datoteku. Cvijet Setosa se ne vidi na grafu rezultata jer se nalazi u točki u kojoj je Precision =1 i Recall =1, tj. pokazuje savršene rezultate. Slika 4. P-ROC krivulja za datoteku Iris.txt Datoteka Wine.txt je na sličan način pretvorena u.arff skup podataka. Podaci su rezultat kemijske analize više vrsta vina proizvedenih u istoj talijanskoj regiji, ali izvedenih od tri različite sorte. Analiza je ustvrdila trinaest različitih značajki koje se u različitim postotcima javljaju u spomenuta tri tipa vina (zbog nesređenosti podataka nije poznato kojih trinaest značajki je uključeno u test). Broj ulaznih podataka raspoređenih na tri tipa vina je 178, a rezultati su prikazani na slici 5. (vidljivo je da ovako raspoređen ulazni set podataka vrada bolje rezultate nego Iris.txt datoteka). 10
13 Slika 2. P-ROC krivulja za datoteku Wine.txt Datoteka Sonar.arff je korištena u studiji sonarnih signala gdje se iskoristila statistička metoda - neuronske mreže, no u ovom radu je primijenjena na algoritam Slučajne šume. Zadada je istrenirati stabla odluke da sa što vedom preciznošdu razlučuju sonarne signale reflektirane od metalnog cilindra i one reflektirane od kamenja u obliku cilindara. Ulazni set podataka je sastavljen od 208 elemenata, a skup značajki se sastoji od šezdeset različitih jedinki koje govore o kutu refleksije sonarnog signala na temelju kojega je analizom mogude ustanoviti u koji od dva skupa podataka (klasa Rock ili Mine) spada signal. Na slici 6. je prikazan izlazni rezultat algoritma Slučajne šume. Slika 6. P-ROC krivulja za datoteku Sonar.arff Datoteka Ionosphere.arff, slično kao i prethodna, je korištena u studiji uz primjenu neuronskih mreža za detekciju radarskih signala pri povratku iz ionosfere. Dobri rezultati radara ukazuju na određeni tip strukture u ionosferi, dok loši pokazuju izostanak iste njihovi signali prolaze kroz ionosferu. Ulazna datoteka se sastoji od 351 podatka, koji se na temelju trideset i četiri 11
14 značajke koristedi algoritam Slučajne šume svrstava u dobar ili loš signal. Na slici 7. je prikazan rezultat rada algoritma. Slika 7. P-ROC krivulja za datoteku Ionosphere.arff Klasifikacija određene siluete u jedan od četiri tipa vozila (klasa: opel, saab, bus, van), koristedi set značajki izvučenih iz siluete je sljededi zadatak za algoritam Slučajnih šuma. 946 ulaznih podataka je spremljeno u datoteku Vehicle.arff, a odluka se donosi na temelju osamnaest atributa (značajki). Rezultati za 100 i 1000 stabala su priloženi na slici 8. Slika 8. P-ROC krivulja za datoteku Vehicle.arff Datoteka Segment.arff je kreirana slučajnim odabirom slikovnih elemenata (eng.pixel) iz skupa od sedam slika. Ulazni set podataka ima 2310 podataka,a broj atributa, na osnovu kojeg 12
15 algoritam donosi odluku o kojoj od sedam slika se radi, je devetnaest. Slike predstavljaju klase i to redom: Brickface, Sky, Foliage, Cement, Window, Path i Grass. Prikaz rezultata je izložen na slici 9. Slika 9. P-ROC krivulja za datoteku Segment.arff 13
16 6. ZAKLJUČAK Algoritam Slučajnih šuma pruža velike mogudnosti u analizi podataka jer omoguduje obradu podataka širokog spektra. Vrlo je pouzdan, vrijeme izvođenja je relativno kratko, paralelizacijom je omogudeno izvođenje algoritma na više računala te ima vrlo visoku preciznost. Našao je svoju primjenu u širokom rasponu područja, ali se danas možda najčešde koristi za klasifikaciju velikih skupa podataka s velikim brojem atributa kao što je u području biomedicine ljudski genom. Iako algoritam napisan u programskom paketu Matlab trenutno radi samo s numeričkim varijablama, cilj je usavršiti program kako bi radio i s kategoričkim tipom varijabli. U tom slučaju algoritam bi se mogao upotrebljavati u bioinformatici u danas vrlo popularnom području detekcije kodirajudih regija u genomu. 14
17 7. LITERATURA [1] [2] [3] [4] [5] [6] 15
18 8. PRIVITAK 8.1 Funkcija PARF : function [Label Class]=PARF(file,TreeNo) [X,Class,Label,Features] = ReadData(file); fprintf('-> podaci iz %s uèitani.\n',file); fprintf('-> Random Forest radi... ') ; [RawImportanceScore,Votes,N] = RF(X,Class,Label,Features,TreeNo); fprintf('gotov.\n'); OutputFiles(RawImportanceScore,Votes,N); fprintf('-> kreirane izlazne datoteke.\n\n'); 8.2 Funkcija za čitanje podataka ReadData function [X,Class,Label,Features]=ReadData(file) fid = fopen(file,'r'); head = fgets(fid); head = fgets(fid); % citanje atributa Features=''; for bz=1:inf head = fgets(fid); index = [0 regexpi(head, '\s*')]; feature = head(index(2)+1:index(3)); % if strcmp(feature(1:5),'class') break, if strcmp(head(index(2)+1:index(2)+5),'class') break, Features = strvcat(features,feature); index1 = [regexpi(head, '{')]; index2 = [regexpi(head, '}')]; lab = head(index1+1:index2-1); % lab = head(index+1:-3); Class = regexp(lab, ',', 'split'); % citanje podataka Label=''; head = fgets(fid); head = fgets(fid); for k=1:inf head = fgets(fid); if isnumeric(head), break, temp = regexp(head, ',', 'split'); X(k,:) = str2double(temp(1:length(temp)-1)); temp2 = char(temp(length(temp))); if strcmp(temp2(length(temp2)),native2unicode(13)) temp2 = temp2(1:length(temp2)-2); else temp2 = temp2(1:length(temp2)); 16
19 Label = strvcat(label,temp2); Label = cellstr(label); fclose(fid) 8.3 Funkcija RF : function [RawImportanceScore,Votes,N]=RF(X,Class,Label,Features,TreeNo) LabelNo = length(class); FeaturesNo = length(features(:,1)); N = length(x); Votes = zeros(n,labelno); VotesTF = zeros(n,2); Votes_perm = zeros(n, LabelNo); VotesT_perm = zeros(n, FeaturesNo); VotesF_perm = zeros(n, FeaturesNo); global RandomForest on parfor t=1:treeno r1 = randint(1,round(n),[1 N]); % slucajan odabir indeksa podataka TrSet = X(r1,:); TrSetLabel = Label(r1,:); T{t} = treefit(trset,trsetlabel,'splitmin',2,'prune','off'); % izgradimo stablo na TrainingSetu bag = zeros(1,n); % Evidencija izvucenih uzoraka bag(r1) = 1; OOBIndex = find(bag == 0); OOB = X(OOBIndex,:); % Neizvuceni uzorci OOBLabel = Label(OOBIndex,:); ResultsIndex = treeval(t{t}, OOB); ResultsName = T{t}.classname(ResultsIndex); % rezultat i-tog stabla za oob % Glasanje po klasama for l=1:length(oobindex) for k=1:labelno Votes(OOBIndex(l),k) = Votes(OOBIndex(l),k) + strcmp(resultsname(l),class{k}); % Glasanje true/false for l=1:length(oobindex) VotesTF(OOBIndex(l),1) = VotesTF(OOBIndex(l),1)+ strcmp(resultsname(l),ooblabel{l}); VotesTF(OOBIndex(l),2) = VotesTF(OOBIndex(l),2)+ 1 - strcmp(resultsname(l),ooblabel{l}); % permutiranje i glasanje 17
20 for i=1:featuresno OOB_length = length(oobindex); r2 = randint(1,oob_length,[1 OOB_length]); OOB_perm = OOB; OOB_perm(:,i) = OOB(r2,1); ResultsIndex_perm = treeval(t{t}, OOB_perm); ResultsName_perm = T{t}.classname(ResultsIndex_perm); % rezultat i- tog stabla za permutirani oob for l=1:oob_length for k=1:labelno Votes_perm(OOBIndex(l),k) = Votes_perm(OOBIndex(l),k) + strcmp(char(resultsname_perm(l)),char(class{k})); for l=1:length(oobindex) VotesT_perm(OOBIndex(l),i) = VotesT_perm(OOBIndex(l),i)+ strcmp(resultsname_perm(l),ooblabel{l}); VotesF_perm(OOBIndex(l),i) = VotesF_perm(OOBIndex(l),i)+ 1- strcmp(resultsname_perm(l),ooblabel{l}); Score = zeros(n,featuresno); for i=1:featuresno Score(:,i) = VotesTF(:,1)-VotesT_perm(:,i); RawImportanceScore = sum(abs(score))/treeno; 8.4. Funkcija PROC : function PROC(Label,Class) fid = fopen('izlazna-glasovi2.txt', 'r'); figure for ic=1:length(class) m = dlmread('izlazna-glasovi2.txt',' '); br_redova=length(m); mat = zeros(br_redova, 5); mat(:,2) = m(:,ic+1); for j=1:br_redova mat(j,1) = sum(m(j,:))-m(j,ic+1)-m(j,1); mat(:,3)=mat(:,2)./(mat(:,1)+mat(:,2)); mat(:,5) = strcmp(label,class{ic}); prag=0; precision=0; recall=0; for br=1:100 sumtp=0; sumtn=0; sumfp=0; sumfn=0; for i=1:br_redova if (prag<mat(i,3)) mat(i,4)=1; else mat(i,4)=0; if(mat(i,4)==1 && mat(i,5)==1) 18
21 sumtp=sumtp+1; if(mat(i,4)==0 && mat(i,5)==1) sumfn=sumfn+1; if(mat(i,4)==1 && mat(i,5)==0) sumfp=sumfp+1; if(mat(i,4)==0 && mat(i,5)==0) sumtn=sumtn+1; precision(br)=sumtp/(sumtp+(sumfp)); recall(br)=sumtp/(sumtp+sumfn); prag=prag+0.01; colors = {'r','b','g','c','m','y','k'}; hold on plot(recall,precision,colors{ic}) xlabel('recall'); ylabel('precision'); fclose(fid); leg(class) grid 8.5 Poziv Slučajnih šuma data={'iris.txt' 'Wine.txt' 'Sonar.txt' 'Ionosphere.txt' 'Vehicle.txt' 'Segment.txt' 'Segment2.txt'}; TreeNo=100; i=1; [Label Class] = PARF(data{i},TreeNo); PROC(Label, Class) title([data{i},', broj podataka: ', num2str(length(label)),', broj stabala: ' num2str(treeno),]) 19
SIMPLE PAST TENSE (prosto prošlo vreme) Građenje prostog prošlog vremena zavisi od toga da li je glagol koji ga gradi pravilan ili nepravilan.
SIMPLE PAST TENSE (prosto prošlo vreme) Građenje prostog prošlog vremena zavisi od toga da li je glagol koji ga gradi pravilan ili nepravilan. 1) Kod pravilnih glagola, prosto prošlo vreme se gradi tako
More informationSAS On Demand. Video: Upute za registraciju:
SAS On Demand Video: http://www.sas.com/apps/webnet/video-sharing.html?bcid=3794695462001 Upute za registraciju: 1. Registracija na stranici: https://odamid.oda.sas.com/sasodaregistration/index.html U
More informationStruktura indeksa: B-stablo. ls/swd/btree/btree.html
Struktura indeksa: B-stablo http://cis.stvincent.edu/html/tutoria ls/swd/btree/btree.html Uvod ISAM (Index-Sequential Access Method, IBM sredina 60-tih godina 20. veka) Nedostaci: sekvencijalno pretraživanje
More informationUlazne promenljive se nazivaju argumenti ili fiktivni parametri. Potprogram se poziva u okviru programa, kada se pri pozivu navode stvarni parametri.
Potprogrami su delovi programa. Često se delovi koda ponavljaju u okviru nekog programa. Logično je da se ta grupa komandi izdvoji u potprogram, i da se po želji poziva u okviru programa tamo gde je potrebno.
More informationGUI Layout Manager-i. Bojan Tomić Branislav Vidojević
GUI Layout Manager-i Bojan Tomić Branislav Vidojević Layout Manager-i ContentPane Centralni deo prozora Na njega se dodaju ostale komponente (dugmići, polja za unos...) To je objekat klase javax.swing.jpanel
More informationBiznis scenario: sekcije pk * id_sekcije * naziv. projekti pk * id_projekta * naziv ꓳ profesor fk * id_sekcije
Biznis scenario: U školi postoje četiri sekcije sportska, dramska, likovna i novinarska. Svaka sekcija ima nekoliko aktuelnih projekata. Likovna ima četiri projekta. Za projekte Pikaso, Rubens i Rembrant
More informationPort Community System
Port Community System Konferencija o jedinstvenom pomorskom sučelju i digitalizaciji u pomorskom prometu 17. Siječanj 2018. godine, Zagreb Darko Plećaš Voditelj Odsjeka IS-a 1 Sadržaj Razvoj lokalnog PCS
More informationSTABLA ODLUČIVANJA. Jelena Jovanovic. Web:
STABLA ODLUČIVANJA Jelena Jovanovic Email: jeljov@gmail.com Web: http://jelenajovanovic.net 2 Zahvalnica: Ovi slajdovi su bazirani na materijalima pripremljenim za kurs Applied Modern Statistical Learning
More informationPROJEKTNI PRORAČUN 1
PROJEKTNI PRORAČUN 1 Programski period 2014. 2020. Kategorije troškova Pojednostavlj ene opcije troškova (flat rate, lump sum) Radni paketi Pripremni troškovi, troškovi zatvaranja projekta Stope financiranja
More information4. Stabla odlučivanja
4. Stabla odlučivanja MARIJANA ZEKIĆ-SUŠAC SVEUČILIŠTE J.J. STROSSMAYERA U OSIJEKU, EKONOMSKI FAKULTET U OSIJEKU 1 Što ćete naučiti u ovom poglavlju? Što su i koje su vrste stabala odlučivanja? Kako funkcioniraju
More informationKlasterizacija. NIKOLA MILIKIĆ URL:
Klasterizacija NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info Klasterizacija Klasterizacija (eng. Clustering) spada u grupu tehnika nenadgledanog učenja i omogućava grupisanje
More informationBENCHMARKING HOSTELA
BENCHMARKING HOSTELA IZVJEŠTAJ ZA SVIBANJ. BENCHMARKING HOSTELA 1. DEFINIRANJE UZORKA Tablica 1. Struktura uzorka 1 BROJ HOSTELA BROJ KREVETA Ukupno 1016 643 1971 Regije Istra 2 227 Kvarner 4 5 245 991
More informationPodešavanje za eduroam ios
Copyright by AMRES Ovo uputstvo se odnosi na Apple mobilne uređaje: ipad, iphone, ipod Touch. Konfiguracija podrazumeva podešavanja koja se vrše na računaru i podešavanja na mobilnom uređaju. Podešavanja
More informationUpute za korištenje makronaredbi gml2dwg i gml2dgn
SVEUČILIŠTE U ZAGREBU - GEODETSKI FAKULTET UNIVERSITY OF ZAGREB - FACULTY OF GEODESY Zavod za primijenjenu geodeziju; Katedra za upravljanje prostornim informacijama Institute of Applied Geodesy; Chair
More informationIZDAVANJE SERTIFIKATA NA WINDOWS 10 PLATFORMI
IZDAVANJE SERTIFIKATA NA WINDOWS 10 PLATFORMI Za pomoć oko izdavanja sertifikata na Windows 10 operativnom sistemu možete se obratiti na e-mejl adresu esupport@eurobank.rs ili pozivom na telefonski broj
More informationCJENIK APLIKACIJE CERAMIC PRO PROIZVODA STAKLO PLASTIKA AUTO LAK KOŽA I TEKSTIL ALU FELGE SVJETLA
KOŽA I TEKSTIL ALU FELGE CJENIK APLIKACIJE CERAMIC PRO PROIZVODA Radovi prije aplikacije: Prije nanošenja Ceramic Pro premaza površina vozila na koju se nanosi mora bi dovedena u korektno stanje. Proces
More informationEduroam O Eduroam servisu edu roam Uputstvo za podešavanje Eduroam konekcije NAPOMENA: Microsoft Windows XP Change advanced settings
Eduroam O Eduroam servisu Eduroam - educational roaming je besplatan servis za pristup Internetu. Svojim korisnicima omogućava bezbedan, brz i jednostavan pristup Internetu širom sveta, bez potrebe za
More informationNejednakosti s faktorijelima
Osječki matematički list 7007, 8 87 8 Nejedakosti s faktorijelima Ilija Ilišević Sažetak Opisae su tehike kako se mogu dokazati ejedakosti koje sadrže faktorijele Spomeute tehike su ilustrirae a izu zaimljivih
More informationPriprema podataka. NIKOLA MILIKIĆ URL:
Priprema podataka NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info Normalizacija Normalizacija je svođenje vrednosti na neki opseg (obično 0-1) FishersIrisDataset.arff
More information1. Instalacija programske podrške
U ovom dokumentu opisana je instalacija PBZ USB PKI uređaja na računala korisnika PBZCOM@NET internetskog bankarstva. Uputa je podijeljena na sljedeće cjeline: 1. Instalacija programske podrške 2. Promjena
More informationThe SAS System 18:28 Saturday, March 10, Clustering Clusters by Ward's Method
The SAS System 8:28 Saturday, March 0, 208 Obs Species SepalLength SepalWidth PetalLength PetalWidth Setosa 50 33 4 2 2 Setosa 46 34 4 3 3 Setosa 46 36 0 2 4 Setosa 5 33 7 5 5 Setosa 55 35 3 2 6 Setosa
More informationKOMPARATIVNA ANALIZA PREDIKTIVNIH TEHNIKA RUDARENJA PODATAKA
SVEUČILIŠTE U SPLITU EKONOMSKI FAKULTET DIPLOMSKI RAD KOMPARATIVNA ANALIZA PREDIKTIVNIH TEHNIKA RUDARENJA PODATAKA MENTOR: STUDENT: izv.prof.dr.sc. Mario Jadrić Frane Ivanišević Split, rujan 2016 2 SAŽETAK
More informationCJENOVNIK KABLOVSKA TV DIGITALNA TV INTERNET USLUGE
CJENOVNIK KABLOVSKA TV Za zasnivanje pretplatničkog odnosa za korištenje usluga kablovske televizije potrebno je da je tehnički izvodljivo (mogude) priključenje na mrežu Kablovskih televizija HS i HKBnet
More informationUvod u relacione baze podataka
Uvod u relacione baze podataka 25. novembar 2011. godine 7. čas SQL skalarne funkcije, operatori ANY (SOME) i ALL 1. Za svakog studenta izdvojiti ime i prezime i broj različitih ispita koje je pao (ako
More informationAMRES eduroam update, CAT alat za kreiranje instalera za korisničke uređaje. Marko Eremija Sastanak administratora, Beograd,
AMRES eduroam update, CAT alat za kreiranje instalera za korisničke uređaje Marko Eremija Sastanak administratora, Beograd, 12.12.2013. Sadržaj eduroam - uvod AMRES eduroam statistika Novine u okviru eduroam
More informationPRIMJENA RAZLIČITIH METODA STROJNOG UČENJA U PROBLEMU KLASIFIKACIJE SLIKARSKIH DJELA PREMA AUTORU
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA PRIMJENA RAZLIČITIH METODA STROJNOG UČENJA U PROBLEMU KLASIFIKACIJE SLIKARSKIH DJELA PREMA AUTORU Autor: Eva Cetinić, mag. ing. Predmet: Otkrivanje
More informationMINISTRY OF THE SEA, TRANSPORT AND INFRASTRUCTURE
MINISTRY OF THE SEA, TRANSPORT AND INFRASTRUCTURE 3309 Pursuant to Article 1021 paragraph 3 subparagraph 5 of the Maritime Code ("Official Gazette" No. 181/04 and 76/07) the Minister of the Sea, Transport
More informationVrednovanje postupka semantičke segmentacije temeljenog na slučajnim šumama
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 3943 Vrednovanje postupka semantičke segmentacije temeljenog na slučajnim šumama Ivan Fabijanić Zagreb, lipanj 2015. Velika
More informationOtpremanje video snimka na YouTube
Otpremanje video snimka na YouTube Korak br. 1 priprema snimka za otpremanje Da biste mogli da otpremite video snimak na YouTube, potrebno je da imate kreiran nalog na gmailu i da video snimak bude u nekom
More informationKAPACITET USB GB. Laserska gravura. po jednoj strani. Digitalna štampa, pun kolor, po jednoj strani USB GB 8 GB 16 GB.
9.72 8.24 6.75 6.55 6.13 po 9.30 7.89 5.86 10.48 8.89 7.30 7.06 6.61 11.51 9.75 8.00 7.75 7.25 po 0.38 10.21 8.66 7.11 6.89 6.44 11.40 9.66 9.73 7.69 7.19 12.43 1 8.38 7.83 po 0.55 0.48 0.37 11.76 9.98
More informationWindows Easy Transfer
čet, 2014-04-17 12:21 - Goran Šljivić U članku o skorom isteku Windows XP podrške [1] koja prestaje 8. travnja 2014. spomenuli smo PCmover Express i PCmover Professional kao rješenja za preseljenje korisničkih
More informationint[] brojilo; // polje cjelih brojeva double[] vrijednosti; // polje realnih brojeva
Polja Polje (eng. array) Polje je imenovani uređeni skup indeksiranih vrijednosti istog tipa (niz, lista, matrica, tablica) Kod deklaracije, iza naziva tipa dolaze uglate zagrade: int[] brojilo; // polje
More informationEKSPLORATIVNA ANALIZA PODATAKA IZ SUSTAVA ZA ISPORUKU OGLASA
SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU FAKULTET ELEKTROTEHNIKE, RAČUNARSTVA I INFORMACIJSKIH TEHNOLOGIJA Sveučilišni diplomski studij računarstva EKSPLORATIVNA ANALIZA PODATAKA IZ SUSTAVA ZA ISPORUKU
More informationBušilice nove generacije. ImpactDrill
NOVITET Bušilice nove generacije ImpactDrill Nove udarne bušilice od Bosch-a EasyImpact 550 EasyImpact 570 UniversalImpact 700 UniversalImpact 800 AdvancedImpact 900 Dostupna od 01.05.2017 2 Logika iza
More informationPrimjena genetskog programiranja na problem klasifikacije podataka
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 4334 Primjena genetskog programiranja na problem klasifikacije podataka Ivan Vlašić Zagreb, lipanj 2016. Zahvaljujem se mentoru
More informationModelling Transport Demands in Maritime Passenger Traffic Modeliranje potražnje prijevoza u putničkom pomorskom prometu
Modelling Transport Demands in Maritime Passenger Traffic Modeliranje potražnje prijevoza u putničkom pomorskom prometu Drago Pupavac Polytehnic of Rijeka Rijeka e-mail: drago.pupavac@veleri.hr Veljko
More informationECONOMIC EVALUATION OF TOBACCO VARIETIES OF TOBACCO TYPE PRILEP EKONOMSKO OCJENIVANJE SORTE DUHANA TIPA PRILEP
ECONOMIC EVALUATION OF TOBACCO VARIETIES OF TOBACCO TYPE PRILEP EKONOMSKO OCJENIVANJE SORTE DUHANA TIPA PRILEP M. Mitreski, A. Korubin-Aleksoska, J. Trajkoski, R. Mavroski ABSTRACT In general every agricultural
More informationTRAJANJE AKCIJE ILI PRETHODNOG ISTEKA ZALIHA ZELENI ALAT
TRAJANJE AKCIJE 16.01.2019-28.02.2019 ILI PRETHODNOG ISTEKA ZALIHA ZELENI ALAT Akcija sa poklonima Digitally signed by pki, pki, BOSCH, EMEA, BOSCH, EMEA, R, A, radivoje.stevanovic R, A, 2019.01.15 11:41:02
More informationTutorijal za Štefice za upload slika na forum.
Tutorijal za Štefice za upload slika na forum. Postoje dvije jednostavne metode za upload slika na forum. Prva metoda: Otvoriti nova tema ili odgovori ili citiraj već prema želji. U donjem dijelu obrasca
More informationANALIZA PRIMJENE KOGENERACIJE SA ORGANSKIM RANKINOVIM CIKLUSOM NA BIOMASU U BOLNICAMA
ANALIZA PRIMJENE KOGENERACIJE SA ORGANSKIM RANKINOVIM CIKLUSOM NA BIOMASU U BOLNICAMA Nihad HARBAŠ Samra PRAŠOVIĆ Azrudin HUSIKA Sadržaj ENERGIJSKI BILANSI DIMENZIONISANJE POSTROJENJA (ORC + VRŠNI KOTLOVI)
More informationImplementacija sparsnih matrica upotrebom listi u programskom jeziku C
INFOTEH-JAHORINA Vol. 10, Ref. E-I-15, p. 461-465, March 2011. Implementacija sparsnih matrica upotrebom listi u programskom jeziku C Đulaga Hadžić, Ministarstvo obrazovanja, nauke, kulture i sporta Tuzlanskog
More informationSveučilište Jurja Dobrile u Puli Fakultet ekonomije i turizma «Dr. Mijo Mirković» SARA NIKOLAŠEVIĆ METODE I PROGRAMI ZA RUDARENJE PODATAKA
Sveučilište Jurja Dobrile u Puli Fakultet ekonomije i turizma «Dr. Mijo Mirković» SARA NIKOLAŠEVIĆ METODE I PROGRAMI ZA RUDARENJE PODATAKA Završni rad Pula, 2016. Sveučilište Jurja Dobrile u Puli Fakultet
More informationSustav za gusto označavanje prometnih znakova u video sekvencama
MSVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 1500 Sustav za gusto označavanje prometnih znakova u video sekvencama Martin Morava Zagreb, srpanj 2010 Zahvaljujem se svojem
More informationRJEŠAVANJE BUGARSKOG SOLITERA
SVEUČILIŠTE U SPLITU PRIRODOSLOVNO MATEMATIČKI FAKULTET ZAVRŠNI RAD RJEŠAVANJE BUGARSKOG SOLITERA Bože Brečić Split, rujan 2015. Sadržaj 1. Uvod... 1 1.1. Povijest bugarskog solitera... 1 1.2. Slični
More informationProgramiranje. Nastava: prof.dr.sc. Dražena Gašpar. Datum:
Programiranje Nastava: prof.dr.sc. Dražena Gašpar Datum: 21.03.2017. 1 Pripremiti za sljedeće predavanje Sljedeće predavanje: 21.03.2017. Napraviti program koji koristi sve tipove podataka, osnovne operatore
More informationIdejno rješenje: Dubrovnik Vizualni identitet kandidature Dubrovnika za Europsku prijestolnicu kulture 2020.
Idejno rješenje: Dubrovnik 2020. Vizualni identitet kandidature Dubrovnika za Europsku prijestolnicu kulture 2020. vizualni identitet kandidature dubrovnika za europsku prijestolnicu kulture 2020. visual
More informationINTEGRACIJA DODATNIH MOGUĆNOSTI U PROGRAMSKI SUSTAV MARKER
ZAVOD ZA ELEKTRONIKU, MIKROELEKTRONIKU, RAČUNALNE I INTELIGENTNE SUSTAVE FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA SVEUČILIŠTE U ZAGREBU INTEGRACIJA DODATNIH MOGUĆNOSTI U PROGRAMSKI SUSTAV MARKER Damir Bučar,
More informationDa bi se napravio izvještaj u Accessu potrebno je na izborniku Create odabrati karticu naredbi Reports.
IZVJEŠTAJI U MICROSOFT ACCESS-u (eng. reports) su dijelovi baze podataka koji omogućavaju definiranje i opisivanje načina ispisa podataka iz baze podataka na papir (ili PDF dokument). Način izrade identičan
More informationDEFINISANJE TURISTIČKE TRAŽNJE
DEFINISANJE TURISTIČKE TRAŽNJE Tražnja se može definisati kao spremnost kupaca da pri različitom nivou cena kupuju različite količine jedne robe na određenom tržištu i u određenom vremenu (Veselinović
More informationEksperimentalna evaluacija metoda za prepoznavanje prometnih znakova
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. Eksperimentalna evaluacija metoda za prepoznavanje prometnih znakova Andrea Žabčić Zagreb, siječanj 2011 Tablica sadržaja 1.
More informationRANI BOOKING TURSKA LJETO 2017
PUTNIČKA AGENCIJA FIBULA AIR TRAVEL AGENCY D.O.O. UL. FERHADIJA 24; 71000 SARAJEVO; BIH TEL:033/232523; 033/570700; E-MAIL: INFO@FIBULA.BA; FIBULA@BIH.NET.BA; WEB: WWW.FIBULA.BA SUDSKI REGISTAR: UF/I-1769/02,
More informationENR 1.4 OPIS I KLASIFIKACIJA VAZDUŠNOG PROSTORA U KOME SE PRUŽAJU ATS USLUGE ENR 1.4 ATS AIRSPACE CLASSIFICATION AND DESCRIPTION
VFR AIP Srbija / Crna Gora ENR 1.4 1 ENR 1.4 OPIS I KLASIFIKACIJA VAZDUŠNOG PROSTORA U KOME SE PRUŽAJU ATS USLUGE ENR 1.4 ATS AIRSPACE CLASSIFICATION AND DESCRIPTION 1. KLASIFIKACIJA VAZDUŠNOG PROSTORA
More informationOBJEKTNO ORIJENTISANO PROGRAMIRANJE
OBJEKTNO ORIJENTISANO PROGRAMIRANJE PREDAVANJE 3 DEFINICIJA KLASE U JAVI Miloš Kovačević Đorđe Nedeljković 1 /18 OSNOVNI KONCEPTI - Polja - Konstruktori - Metode - Parametri - Povratne vrednosti - Dodela
More informationAdvertising on the Web
Advertising on the Web On-line algoritmi Off-line algoritam: ulazni podaci su dostupni na početku, algoritam može pristupati podacima u bilo kom redosljedu, na kraju se saopštava rezultat obrade On-line
More informationKONFIGURACIJA MODEMA. ZyXEL Prestige 660RU
KONFIGURACIJA MODEMA ZyXEL Prestige 660RU Sadržaj Funkcionalnost lampica... 3 Priključci na stražnjoj strani modema... 4 Proces konfiguracije... 5 Vraćanje modema na tvorničke postavke... 5 Konfiguracija
More informationUputstvo za pravljenje i korišdenje biblioteka sa dinamičkim povezivanjem (.dll)
Uputstvo za pravljenje i korišdenje biblioteka sa dinamičkim povezivanjem (.dll) pomodu razvojnog okruženja Microsoft Visual Studio 2010 Autor: dipl.ing. Nemanja Kojić, asistent Decembar 2013. Korak 1
More informationMogudnosti za prilagođavanje
Mogudnosti za prilagođavanje Shaun Martin World Wildlife Fund, Inc. 2012 All rights reserved. Mogudnosti za prilagođavanje Za koje ste primere aktivnosti prilagođavanja čuli, pročitali, ili iskusili? Mogudnosti
More informationStatistička analiza algoritama za dinamičko upravljanje spremnikom
SVEUČILIŠTE U ZAGREBU FAKULTET ELETROTEHNIKE I RAČUNARSTVA ZAVRŠNI ZADATAK br. 1716 Statistička analiza algoritama za dinamičko upravljanje spremnikom Nikola Sekulić Zagreb, lipanj 2011. Sadržaj: 1. Uvod...
More informationTrening: Obzor financijsko izvještavanje i osnovne ugovorne obveze
Trening: Obzor 2020. - financijsko izvještavanje i osnovne ugovorne obveze Ana Ključarić, Obzor 2020. nacionalna osoba za kontakt za financijska pitanja PROGRAM DOGAĐANJA (9:30-15:00) 9:30 10:00 Registracija
More informationUticaj parametara PID regulatora i vremenskog kašnjenja na odziv i amplitudno-faznu karakteristiku sistema Simulink
LV6 Uticaj parametara PID regulatora i vremenskog kašnjenja na odziv i amplitudno-faznu karakteristiku sistema Simulink U automatizaciji objekta često koristimo upravljanje sa negativnom povratnom vezom
More informationJEDINSTVENI PORTAL POREZNE UPRAVE. Priručnik za instalaciju Google Chrome dodatka. (Opera preglednik)
JEDINSTVENI PORTAL POREZNE UPRAVE Priručnik za instalaciju Google Chrome dodatka (Opera preglednik) V1 OPERA PREGLEDNIK Opera preglednik s verzijom 32 na dalje ima tehnološke promjene zbog kojih nije moguće
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE DIPLOMSKI RAD VIKTORIJA IVANDIĆ. Zagreb, godina 2016.
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE DIPLOMSKI RAD VIKTORIJA IVANDIĆ Zagreb, godina 2016. SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Proces otkrivanja znanja primjenom
More informationSveučilište u Zagrebu Fakultet prometnih znanosti Zavod za inteligentne transportne sustave Katedra za primijenjeno računarstvo
Sveučilište u Zagrebu Fakultet prometnih znanosti Zavod za inteligentne transportne sustave Katedra za primijenjeno računarstvo Vježba: #7 Kolegij: Umjetna inteligencija Tema: Neuronske mreže - primjena
More informationSVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA. SEMINARSKI RAD U OKVIRU PREDMETA "Računalna forenzika" 2016/2017. GIF FORMAT (.
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA SEMINARSKI RAD U OKVIRU PREDMETA "Računalna forenzika" 2016/2017 GIF FORMAT (.gif) Renato-Zaneto Lukež Zagreb, siječanj 2017. Sadržaj 1. Uvod...
More information1. Uvod Metodologija neuronskih mreža. 2. Metodologija istraživanja
Dr. sc. Kata Ivić* Zvonimir Jurković, univ. bacc. oec.** Rozalija Marinković, univ. bacc. oec.** IZRADA MODELA NEURONSKIH MREŽA ZA UČESTALOST KORIŠTENJA FAKULTETSKE KNJIŽNICE SAŽETAK Neuronske mreže, kao
More informationKlasifikacija objekata na slici korištenjem superviziranog učenja
Univerzitet u Sarajevu Elektrotehnički fakultet Odsjek za telekomunikacije Klasifikacija objekata na slici korištenjem superviziranog učenja - Drugi ciklus studija - Autor: Halać Delila Mentori: Doc.dr
More informationSTRUKTURNO KABLIRANJE
STRUKTURNO KABLIRANJE Sistematski pristup kabliranju Kreiranje hijerarhijski organizirane kabelske infrastrukture Za strukturno kabliranje potrebno je ispuniti: Generalnost ožičenja Zasidenost radnog područja
More information24th International FIG Congress
Conferences and Exhibitions KiG 2010, 13 24th International FIG Congress Sydney, April 11 16, 2010 116 The largest congress of the International Federation of Surveyors (FIG) was held in Sydney, Australia,
More informationMindomo online aplikacija za izradu umnih mapa
Mindomo online aplikacija za izradu umnih mapa Mindomo je online aplikacija za izradu umnih mapa (vrsta dijagrama specifične forme koji prikazuje ideje ili razmišljanja na svojevrstan način) koja omogućuje
More informationTema 2: Uvod u sisteme za podršku odlučivanju (VEŽBE)
Tema 2: Uvod u sisteme za podršku odlučivanju (VEŽBE) SISTEMI ZA PODRŠKU ODLUČIVANJU dr Vladislav Miškovic vmiskovic@singidunum.ac.rs Fakultet za računarstvo i informatiku 2013/2014 Tema 2: Uvod u sisteme
More informationINFORMACIONI SISTEMI ZA PODRŠKU MENADŽMENTU
INFORMACIONI SISTEMI ZA PODRŠKU MENADŽMENTU OBLAST: ČVOROVI (WIDGET): SKUPOVI PODATAKA: Classification Test learners, Predictions, Confusion matrix, ROC analysis, Calibration Plot Heart disease AUTOR:
More informationPREDVIĐANJA U TURIZMU TEMELJENA NA METODI NAJMANJIH KVADRATA
PREDVIĐANJA U TURIZMU TEMELJENA NA METODI NAJMANJIH KVADRATA Datum prijave: 4.3.2013. UDK 379.8:910.4:519.2 Datum prihvaćanja: 31.5.2013. Stručni rad Prof.dr.sc. Dominika Crnjac Milić, Robert Brandalik,
More informationPE FORMAT (.EXE,.DLL)
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA RAČUNALNA FORENZIKA PE FORMAT (.EXE,.DLL) Marko Veizović Zagreb, siječanj 2017. Sadržaj 1. Uvod... 1 2. PE format... 2 2.1. EXE i DLL datoteke...
More informationDOSTAVUANJE PONUDA ZA WIMAX MONTENEGRO DOO PODGORICA
CRNA GORA (1}(02.17&r/4 Ver. O;:, fjr}/ ~ AGENCUA ZA ELEKTRONSKE KOM~~IKACUE J.O.O "\\ L\lax Montenegro" BrOJ o/-lj Podoor'ca.d:ioL 20/1g0d I POSTANSKU DEJATELNOST DOSTAVUANJE PONUDA ZA WIMAX MONTENEGRO
More informationOTVARANJE BAZE PODATAKA I IZRADA TABLICE U MICROSOFT ACCESS-u
OTVARANJE BAZE PODATAKA I IZRADA TABLICE U MICROSOFT ACCESS-u MS Access je programski alat za upravljanje bazama podataka. Pomoću Accessa se mogu obavljati dvije grupe aktivnosti: 1. izrada (projektiranje)
More information1.UVOD. Ključne reči: kriptografija, algoritmi, AES, performanse
MODELIRANJE PERFORMANSI RAZLIČITIH IMPLEMENTACIJA ALGORITMA AES POMOĆU M5' METODE MODELLING THE PERFORMANCE OF VARIOUS AES ALGORITHM IMPLEMENTATIONS USING M5' METHOD Boris Damjanović, Fakultet organizacionih
More informationDANI BRANIMIRA GUŠICA - novi prilozi poznavanju prirodoslovlja otoka Mljeta. Hotel ODISEJ, POMENA, otok Mljet, listopad 2010.
DANI BRANIMIRA GUŠICA - novi prilozi poznavanju prirodoslovlja otoka Mljeta Hotel ODISEJ, POMENA, otok Mljet, 03. - 07. listopad 2010. ZBORNIK SAŽETAKA Geološki lokalitet i poucne staze u Nacionalnom parku
More informationPOSTUPAK OPTIMIZIRANJA IZBORA OGLASA NA TEMELJU STABALA ODLUČIVANJA
SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU ELEKTROTEHNIČKI FAKULTET Diplomski studij računarstva POSTUPAK OPTIMIZIRANJA IZBORA OGLASA NA TEMELJU STABALA ODLUČIVANJA Diplomski rad Dominik Babić Osijek,
More informationAUTOMATSKO RASPOZNAVANJE OSMJEHA IZ SLIKE LICA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 3873 AUTOMATSKO RASPOZNAVANJE OSMJEHA IZ SLIKE LICA Dario Jaić Zagreb, svibanj 2015. Sadržaj Popis kratica... ii Popis slika...
More informationMašinsko učenje Uvod. Bojan Furlan УНИВЕРЗИТЕТ У БЕОГРАДУ ЕЛЕКТРОТЕХНИЧКИ ФАКУЛТЕТ
Mašinsko učenje Uvod Bojan Furlan УНИВЕРЗИТЕТ У БЕОГРАДУ ЕЛЕКТРОТЕХНИЧКИ ФАКУЛТЕТ Šta je to mašinsko učenje? Disciplina koja omogućava računarima da uče bez eksplicitnog programiranja (Arthur Samuel 1959).
More informationDETEKCIJA LJUDI NA ZRAČNIM SLIKAMA UPOTREBOM KONVOLUCIJSKIH NEURONSKIH MREŽA
S V E U ČILIŠTE U SPLITU FAKULTET ELEKTROTEHNIKE, STROJARSTVA I BRODOGRADNJE POSLIJEDIPLOMSKI DOKTORSKI STUDIJ ELEKTROTEHNIKE I INFORMACIJSKE TEHNOLOGIJE KVALIFIKACIJSKI ISPIT DETEKCIJA LJUDI NA ZRAČNIM
More informationTRENING I RAZVOJ VEŽBE 4 JELENA ANĐELKOVIĆ LABROVIĆ
TRENING I RAZVOJ VEŽBE 4 JELENA ANĐELKOVIĆ LABROVIĆ DIZAJN TRENINGA Model trening procesa FAZA DIZAJNA CILJEVI TRENINGA Vrste ciljeva treninga 1. Ciljevi učesnika u treningu 2. Ciljevi učenja Opisuju željene
More informationPROGRAMSKI SUSTAV ZA RASPOZNAVANJE TISKANOG TEKSTA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 858 PROGRAMSKI SUSTAV ZA RASPOZNAVANJE TISKANOG TEKSTA Mladen Jurković Zagreb, lipanj 2009. Mladen Jurković, 0036428019 Sadržaj
More informationMEĐIMURSKO VELEUČILIŠTE U ČAKOVCU RAČUNARSTVO ROBERT PRAŠNIČKI
MEĐIMURSKO VELEUČILIŠTE U ČAKOVCU RAČUNARSTVO ROBERT PRAŠNIČKI IZRADA MOBILNE I WEB APLIKACIJE ZA GENERIRANJE QR KODA UPOTREBOM PYTHON PROGRAMSKOG JEZIKA ZAVRŠNI RAD ČAKOVEC, 2014. MEĐIMURSKO VELEUČILIŠTE
More informationINFORMACIONI SISTEMI ZA PODRŠKU MENADŽMENTU
INFORMACIONI SISTEMI ZA PODRŠKU MENADŽMENTU TEMA: CRISP-DM metodologija u Data Mining alatu Orange AUTOR: Baketarić Lidija 202/07 2011, Beograd Sadržaj: CRISP DM metodologija u Data Mining alatu Orange...
More informationTestiranje koda - JUnit. Bojan Tomić
Testiranje koda - JUnit Bojan Tomić Testiranje programa Dinamička provera ponašanja programa izvođenjem konačnog broja testova i upoređivanjem sa očekivanim ponašanjem programa Programska mana ( software
More informationSTRUČNA PRAKSA B-PRO TEMA 13
MAŠINSKI FAKULTET U BEOGRADU Katedra za proizvodno mašinstvo STRUČNA PRAKSA B-PRO TEMA 13 MONTAŽA I SISTEM KVALITETA MONTAŽA Kratak opis montže i ispitivanja gotovog proizvoda. Dati izgled i sadržaj tehnološkog
More informationIZRADA TEHNIČKE DOKUMENTACIJE
1 Zaglavlje (JUS M.A0.040) Šta je zaglavlje? - Posebno uokvireni deo koji služi za upisivanje podataka potrebnih za označavanje, razvrstavanje i upotrebu crteža Mesto zaglavlja: donji desni ugao raspoložive
More informationUpravljanje kvalitetom usluga. doc.dr.sc. Ines Dužević
Upravljanje kvalitetom usluga doc.dr.sc. Ines Dužević Specifičnosti usluga Odnos prema korisnicima U prosjeku, lojalan korisnik vrijedi deset puta više nego što je vrijedio u trenutku prve kupnje. Koncept
More informationJavaScript podrska u radu sa greskama
JavaScript podrska u radu sa greskama Svaki od pregledaca ima svoj podrazumevani naci reagovanja na greske, Firefox i Chrome upisuju greske u log datoteku, dok recimo Internet Explorer i Opera generisu
More informationIZDAVAČ / Publisher Sveučilište u Zadru / University of Zadar Mihovila Pavlinovića 1, Zadar, Hrvatska
IZDAVAČ / Publisher Sveučilište u Zadru / University of Zadar Mihovila Pavlinovića 1, 23000 Zadar, Hrvatska POVJERENSTVO ZA IZDAVAČKU DJELATNOST / Publishing Committee Josip Faričić (predsjednik) GLAVNA
More informationSVEUČILIŠTE U RIJECI TEHNIČKI FAKULTET
SVEUČILIŠTE U RIJECI TEHNIČKI FAKULTET Sveučilišni diplomski studij računarstva Diplomski rad ANALIZA MODELA PREDVIĐANJA TRENDOVA KRETANJA CIJENA VRIJEDNOSNIH PAPIRA Rijeka, rujan2015 Marko Kujundţić 0069047935
More informationObrada podataka poslanih preko web formi
Obrada podataka poslanih preko web formi Kreiranje forme na web stranici Forme omogućuju komunikaciju korisnika i sustava (web stranice ili aplikacije). Sadrže HTML elemente za upis ili odabir (polja za
More informationRekonstrukcija filogenetskog stabla metodom maksimalne uštede uz razgranajograniči
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br.4190 Rekonstrukcija filogenetskog stabla metodom maksimalne uštede uz razgranajograniči optimizaciju Ana Marija Selak Zagreb,
More informationMeđimursko veleučilište u Čakovcu. Stručni studij računarstva. Anteja Vuk Maček
Stručni studij računarstva Anteja Vuk Maček Modeliranje neuro-fuzzy sustava za klasifikaciju kandidata pomoću ANFIS-a Završni rad br. 24-RAČ-R-23 Čakovec, 24 Stručni studij računarstva Anteja Vuk Maček
More informationINSTALIRANJE SOFTVERSKOG SISTEMA SURVEY
INSTALIRANJE SOFTVERSKOG SISTEMA SURVEY Softverski sistem Survey za geodeziju, digitalnu topografiju i projektovanje u niskogradnji instalira se na sledeći način: 1. Instalirati grafičko okruženje pod
More informationСТРУКТУРА СТАНДАРДА СИСТЕМАМЕНАЏМЕНТАКВАЛИТЕТОМ
1 СТРУКТУРА СТАНДАРДА СИСТЕМАМЕНАЏМЕНТАКВАЛИТЕТОМ 2 ПРИНЦИПИ МЕНАЏМЕНТА КВАЛИТЕТОМ 3 ПРИНЦИПИ МЕНАЏМЕНТА КВАЛИТЕТОМ 4 ПРИНЦИПИ МЕНАЏМЕНТА КВАЛИТЕТОМ Edwards Deming Не морате то чинити, преживљавање фирми
More informationCRNA GORA
HOTEL PARK 4* POLOŽAJ: uz more u Boki kotorskoj, 12 km od Herceg-Novog. SADRŽAJI: 252 sobe, recepcija, bar, restoran, besplatno parkiralište, unutarnji i vanjski bazen s terasom za sunčanje, fitnes i SPA
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Voditelj rada: Prof.dr.sc. Dorian Marjanović Ante Čamber Zagreb, FSB Sveuč
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Ante Čamber Zagreb, 2008. SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Voditelj rada: Prof.dr.sc. Dorian Marjanović
More informationKABUPLAST, AGROPLAST, AGROSIL 2500
KABUPLAST, AGROPLAST, AGROSIL 2500 kabuplast - dvoslojne rebraste cijevi iz polietilena visoke gustoće (PEHD) za kabelsku zaštitu - proizvedene u skladu sa ÖVE/ÖNORM EN 61386-24:2011 - stijenka izvana
More information