navigation
hledat
Rozdíly
Zde můžete vidět rozdíly mezi vybranou verzí a aktuální verzí dané stránky.
|
statnice:komise [2018/06/26 11:43] bucicdmi |
statnice:komise [2025/01/03 18:23] (aktuální) |
||
|---|---|---|---|
| Řádek 56: | Řádek 56: | ||
| Rekap. - diplomka A (posudky A/B), spolecna A, oborova B - celkově A | Rekap. - diplomka A (posudky A/B), spolecna A, oborova B - celkově A | ||
| + | ---- | ||
| + | ** 20.6.2018** - Jiri Klema(Predseda), Jan Drchal(Mistopredseda), Natalia Zukovec,Branislav Bosansky, Iveta Mrazova(externista) | ||
| + | |||
| + | Obhajoba - ako pisali uz predo mnou, vacsina komise moc nedavala pozor, na zaver sa akurat tak pytal Klema na pouzite statisticke techniky vyuzite pri vyhodnocovani vysledku a ake vyhody mal nas pristup oproti inym statistickym postupom pouzitim v nasej domene (Attribute estimation from image), pripadne ake su slabosti/nevyhody. Vrelo odporucam si prezentaciu do predu nacvicit, ide to potom lahsie. | ||
| + | |||
| + | ** Spolecna TAL(Zukovec) ** Definovat NP a NPC, polynomialni redukce, Cookova veta a jeji zneni. Bezny postup, ked im nebolo nieco jasne tak sa doptali a velmi docenili, ked to clovek rovno nakreslil na tabulu. | ||
| + | |||
| + | ** Oborova SAN (Mrazova) ** Clustering, rozne techniky a ich nevyhody, specialne popsat K-means,spectral clustering,hierachical clustering, t-SNE, SOM, PCA. Pri tejto otazke chcem pozdravit autora otazok, dat SOM na statnice fakt nie je cool :) (ked uz, tak tomu venovat trochu viac ako doslova 2 slidy). Pri k-means chceli vediet ako sa prepocitavaju centroidi, problem s inicializaciou, ake vzdialenostne funkce mozme pouzit, ako urcit k (nebolo treba vediet priamo techniky, len stacilo povedat,ze dajake existuju na zaklade ktorych mozme vyhodnotit homogennost/kvalitu clustrov), ze to dokonverguje, ale nemusi optimalne -> problem s outliermi. Spectral clustering a t-SNE preco potrebujeme a ako sa da vyuzit/ ake vyhody oproti beznemu k-means. Pri t-SNE chcli Kullerback divergenci. Pak hierarchical clustering len zakladne, ze vysledkom je dendogram, ako vyzera a ako to mozme vytvorit (pristup aglomerative vs divisive). Pak to zacalo byt funny, lebo vcelku dlho sa zastavili na SOM. Ako su definovane neurony, ako si pamataju polohu v priestore, ako vyuzivaju topologiu priestoru, ako funguju jednotlive neurony a ako vedia jeden o druhom, aku maju vyhodu SOM oproti inym technikam, nakreslit co sa deje pri spracovani jednotlivych bodov, ako ich interpretovat. Mal som pocit,ze SOM bolo zakladom otazky a asi to najdolezitejsie pre nich ale to bude asi tym, ze pani Mrazova vyucije neuronky na matfyze :) ale celkovo bola velmi mila, cloveka naviedla a snazila sa pomoct. Vystupovala velmi priatelsky. PCA uz len spomenut kedy sa da vyuzit, zaklad,ze je to odstranenie sumu z covariance matrix, dobre pre high-dimensional data, najprv PCA a pak dajaky clustering ako napr. k-means. | ||
| + | |||
| + | Vysledok: C | ||
| + | |||
| + | |||
| ---- | ---- | ||
