トランプの認識

このサンプル アプリケーションでは、画像処理技術を介してトランプの認識を示しています。システムはランクと一意に認識されるスーツのトランプの標準的なデッキを認識する機能があります。トランプの認識文字切り出し、アフィン変換、エッジ検出、テンプレートに一致する必要があります。回転と拡大縮小の堅牢なトランプの認識と見なされます

 

 

隠れマルコフ モデル

隠れマルコフ モデル (Hmm) とマルコフ シーケンス分類子を使用して離散観測のシーケンスを認識する方法を示します。

 

 

ランダム サンプル コンセンサス (RANSAC)

Robust linear regression estimation with RANSAC.

ロバスト回帰データにおける外れ値の負の影響を回避する、線形回帰を収まるように RANSAC を使用する方法を示します。

 

スマート バイオ

スマート生物生命科学アプリケーションの作成を簡略化する目的とした共通のバイオインフォマティクス関数のアプリケーションです。

コア アプリケーションの DNA、RNA および蛋白質シーケンスのアセンブリとファイル パーサーや一般的なファイルの種類のフォーマッタ、NCBI ブラストとの比較のための標準的なアルゴリズムなどのよく使用される web サービスへのコネクタの範囲を実装します。サンプル ツールとコード スニペットも含まれています。

バイオインフォマティクスのワークフロー デザイナーと実行エンジン。

 

スマート バイオは、デザイナーのさまざまなコンポーネントを一緒に接続することによって視覚的にプログラムを作成し、デザイナーでは、GUI またはコマンド ライン ツールからも実行できる XML ファイルに保存することができます。

 

それは 2 つの部分があります。

  1. WF アクティビティの定義済みアクティビティとコアのセットへのアクセスを提供する GUI デザイナー。作成、編集およびワークフロー XML ベースのファイルに保存することができます。
  2. 永続化 WF を取ることができる入力と出力の機能を提供する実行コンソール ベース ランナー。

 

 

様々 な活動、左側にツールボックスからドラッグできます。プロパティを画面の右下にプロパティ エクスプ ローラーで変更し、各アクティビティを選択できます。

 

 

部分的な最小二乗 (PLS)

合わせて部分的な最小二乗法を使用する方法を示します、(複数・多変量) 高次元データから線形回帰モデル。

 

線形およびロジスティック回帰分析

サンプル アプリケーションを作成してロジスティック回帰モデルをフィッティングです。また比較のために、複数の線形回帰モデルを適合しカイ二乗検定を実行し、ロジスティック回帰係数のための Wald の統計を計算します。

 

受信機のオペレーティング特性 (ROC) 曲線

作成し、テストまたは分類プロセスからの結果の指定されたセットから受信者動作特性曲線を視覚化する方法を示すサンプル アプリケーションです。

 

Cox の比例ハザード

回帰と予測データの時間非難の Cox の比例ハザード モデルを用いた生存分析を実行する方法。

 

通常ベイズ分類

何が通常ベイズ分類器です。

通常ベイズ分類器は単純ベイズ分類器としても知られています。

ウィキペディアによると

純真なベイズの助数詞は強い (純真な) 独立仮定のもとでのベイズの定理の適用に基づく単純な確率的分類子を扱うベイズ統計の用語です。基になる確率モデルのより説明的な言葉「独立した機能モデル」となります。

純真なベイズの助数詞は簡単に言えば、クラスの特定の機能の存在 (か不在) は他の機能の存在 (か不在) に関連するいないと見なされます。たとえば、それは赤、ラウンド、約 4 径"の場合、アップルに、フルーツを考え。にもかかわらず、これらの機能は、他の機能の存在に依存する、純真なベイズの助数詞は独立していないこのフルーツがりんごである確率に貢献するこれらのプロパティのすべてを考慮します。

確率モデルの正確な性質に応じて純真なベイズ分類器教師あり学習の設定で非常に効率的に訓練することができます。多くの実用的なアプリケーションで naïve Bayes モデルのパラメーター推定最尤; メソッドを使用します。つまり、1 つベイズ確率を信じること、または任意のベイズの方法を使用しても naïve Bayes モデルと共に使用することができます。

素朴なデザイン、どうやら過簡略化の前提にもかかわらず純真なベイズ分類器しばしば動作はるかに良い多くの複雑な現実世界の状況で予想よりも。近年, ベイズ分類問題を慎重に分析いくつか純真なベイズ分類器の外見上不合理な効果の理論的根拠があることを示しています。[1] 純真なベイズの助数詞の利点必要がある少量の訓練データ分類のために必要なパラメーター (手段および変数の差異) を推定します。独立変数と見なされます、ため各変数差異クラス決定する必要があると全体の共分散行列ではありません。

NormalBayes.png

 

K 最近傍

K 最近傍識別は何ですか

ウィキペディアによれば、

パターン認識における k 最近傍アルゴリズム (K-NN) は特徴空間内の最も近いトレーニング サンプルに基づくオブジェクトを分類するための方法です。k NN は、インスタンス ベースの学習、または、関数がローカルで近似だけすべての計算は分類まで延期怠惰な学習の種類です。回帰のため使用することもできます。

 

KNearest.png

 

SVM (サポートベクター マシン

サポート ベクトル マシンは何ですか

ウィキペディアによれば、

サポート ベクトル マシン (Svm) は関連の教師付き学習分類や回帰で使用されるメソッドです。入力データを表示する n 次元空間におけるベクトルの 2 つのセットとして、SVM そのスペースを 2 つのデータ セット間のマージンを最大にする 1 つの分離超平面を構築します。マージンを計算する 2 つの平行凸が構築されている、1 つである分離超平面のそれぞれの側に「プッシュ」に対して 2 つのデータ セット。直感的に、良い分離は一般に大きいマージン分類子の汎化誤差が低いので、両方のクラスの近隣の datapoints への最大の距離を持っている超平面によって達成されます。

SVM.png

期待値最大化

何に最大化分類

ウィキペディアによれば、

期待値最大化 (EM) アルゴリズムは気付かれていない潜在変数モデルの依存を確率論的モデルのパラメーターの最尤推定値を見つけるための統計情報に使用されます。EM は交互に潜在変数の分布の現在の見積もりに関して対数尤度の期待値を計算する期待 (E) ステップと予想される対数尤度を最大にするパラメーターを計算する (M) の最大化のステップを実行する E ステップが見つかりましたが、反復法です。これらのパラメーターは、次の E ステップの潜在変数の分布を決定する使用されます。

 

ExpectationMaximization.png

 

バックプロパゲーション型ニューラル ネットワークのシミュレーション

これは単純なバックプロパゲーション型ニューラル ネットワークのシミュレーション


pic4.png

pic5.png

 

指紋検証

 

指紋認識は最近活発な研究領域です。指紋認識システムにおいて重要なコンポーネントは、指紋照合アルゴリズムです。問題ドメインによると指紋照合アルゴリズムは 2 つのカテゴリに分類される: 指紋検証アルゴリズムと指紋識別のアルゴリズム。指紋検証アルゴリズムの目的かどうか、2 つの指紋は同じ指から来るかどうかを決定することです。その一方で、指紋同定アルゴリズムは同じ指から指紋を探してデータベース クエリ指紋を検索します。

このデモでは、指紋の認識と同定を示しています。

当社のパートナー

itresearches Discover our Technology Demonstrations : http://t.co/Bm1s6kIFub http://t.co/9JcATBDbUc

私たちと連絡を入手 !

ニュースレター

Address

Address:
34 New House, 67-68 Hatton Garden, London, England, EC1N 8JY, City of London
Toll(UK):
+448000786364
Fax(UK) :
+448458520997

About Us

IT Researches ltd is an information technology company & International computer research centre offering a wide variety of 'AI Powered™' IT services for companies and researchers worldwide .

Connet With Us