Výsledky vyhledávání

  1. 1.
    0532915 - ARÚ 2021 CZ eng A - Abstrakt
    Pajdla, P. - Danielisová, Alžběta - Bursák, Daniel - Strnad, L. - Trubač, J.
    Difficulties tracing and interpreting patterns in compositional data of metal artefacts. Why are the more complex methods not always useful?
    26th EAA Virtual Annual Meeting. Abstract book. Prague: European Association of Archaeologists, 2020 - (Kleinová, K.). s. 469. ISBN 978-80-907270-7-6.
    [Virtual Annual Meeting of the European Association of Archaeologists /26./. 24.08.2020-30.08.2020, online]
    Grant CEP: GA ČR(CZ) GA18-20096S
    Institucionální podpora: RVO:67985912
    Klíčová slova: chemical composition * lead isotopes * provenance analysis * unsupervised learning * Iron Age
    Obor OECD: Archaeology
    https://submissions.e-a-a.org/eaa2020/repository/preview.php?Abstract=3519
    Trvalý link: http://hdl.handle.net/11104/0311290
     
     
  2. 2.
    0484893 - ÚI 2018 US eng J - Článek v odborném periodiku
    Vavrečka, Michal - Farkaš, I.
    A Multimodal Connectionist Architecture for Unsupervised Grounding of Spatial Language.
    Cognitive Computation. Roč. 6, č. 1 (2014), s. 101-112. ISSN 1866-9956. E-ISSN 1866-9964
    Klíčová slova: Multimodal representations * Self-organizing map * Spatial phrases * Symbol grounding * Unsupervised learning
    Impakt faktor: 1.440, rok: 2014
    Trvalý link: http://hdl.handle.net/11104/0280016
     
     
  3. 3.
    0405597 - UIVT-O 330977 RIV CZ eng J - Článek v odborném periodiku
    Goltsev, A. - Húsek, Dušan - Frolov, A.
    Assembly Neural Network with Nearest-Neighbor Recognition Algorithm.
    [Skládané neuronové sítě s rozpoznávacím algoritmem nejbližšího souseda.]
    Neural Network World. Roč. 15, - (2005), s. 9-22. ISSN 1210-0552
    Grant CEP: GA MŠMT 1M0567
    Grant ostatní: RFBR(RU) 02-01-00457
    Klíčová slova: assembly neural network * unsupervised learning * binary Hebbian rule * pattern recognition * texture segmentation * classification
    Kód oboru RIV: BA - Obecná matematika
    Trvalý link: http://hdl.handle.net/11104/0003470
    Název souboruStaženoVelikostKomentářVerzePřístup
    0405597.pdf4461.9 KBVydavatelský postprintpovolen
     
     
  4. 4.
    0405239 - UIVT-O 330433 CZ cze A - Abstrakt
    Burian, Jan
    Identifikace třídícího atributu při učení bez učitele na základě závislostí atributů.
    [Unsupervised Learning and the Identification of Classification Attribute using the Attribute Dependency.]
    Znalosti 2004. Sborník posterů. Ostrava: FEI VŠB, 2004 - (Snášel, V.). s. 1-4. ISBN 80-248-0456-5.
    [Znalosti 2004 /3./. 22.02.2004-25.02.2004, Brno]
    Klíčová slova: unsupervised learning * associations of atributes * classification of records
    Trvalý link: http://hdl.handle.net/11104/0125425
     
     
  5. 5.
    0405186 - UIVT-O 330317 RIV CZ eng J - Článek v odborném periodiku
    Frolov, A. A. - Sirota, A.M. - Húsek, Dušan - Muraviev, I. P.
    Binary Factorization in Hopfield-Like Neural Networks: Single-Step Approximation and Computer Simulations.
    [Binární faktorová analýza pomocí Hopfieldovy neuronové sítě: Jednokroková aproximace a počítačová simulace.]
    Neural Network World. Roč. 14, č. 2 (2004), s. 139-152. ISSN 1210-0552
    Grant CEP: GA ČR GA201/01/1192
    Grant ostatní: BARRANDE(EU) 99010-2/99053; Intellectual computer Systems(EU) Grant 2.45
    Výzkumný záměr: CEZ:AV0Z1030915
    Klíčová slova: nonlinear binary factor analysis * feature extraction * recurrent neural network * Single-Step approximation * neurodynamics simulation * attraction basins * Hebbian learning * unsupervised learning * neuroscience * brain function modeling
    Kód oboru RIV: BA - Obecná matematika
    Trvalý link: http://hdl.handle.net/11104/0003466
     
     
  6. 6.
    0390803 - ÚI 2013 RIV PT eng C - Konferenční příspěvek (zahraniční konf.)
    Húsek, Dušan - Frolov, A. A. - Polyakov, P.Y. - Řezanková, H. - Snášel, V.
    Application of Neural Network Boolean Factor Analysis Procedure to Automatic Conference Papers Categorization.
    Bulletin of the International Statistical Institute. Lisabon: Instituto Nacional de Estatística, 2008 - (Gomes, M.; Pinto Martins, J.; Silva, J.), s. 3739-3742. ISBN 978-972-673-992-0.
    [ISI 2007. Session of the International Statistical Institute /56./. Lisboa (PT), 22.08.2007-29.08.2007]
    Grant CEP: GA AV ČR 1ET100300414
    Grant ostatní: RFBR(RU) 05-07-90049
    Výzkumný záměr: CEZ:AV0Z10300504
    Klíčová slova: Boolean factor analysis * document classification * automatic concepts search * unsupervised learning * neural network
    Kód oboru RIV: BB - Aplikovaná statistika, operační výzkum
    Trvalý link: http://hdl.handle.net/11104/0219634
    Název souboruStaženoVelikostKomentářVerzePřístup
    0390803.pdf2600.5 KBAutorský preprintpovolen
     
     
  7. 7.
    0360031 - ÚI 2012 RIV RU rus J - Článek v odborném periodiku
    Frolov, A. A. - Húsek, Dušan - Polyakov, P.Y.
    Bulevskij faktornyj analiz na osnove attraktornoj nejronnoj seti i nekotoryje ego priloženija.
    [Bulev factorial analysis by means of attractor neural network and its some appendices.]
    Nejrokomp'jutery: razrabotka, primenenie. -, č. 1 (2011), s. 25-46. ISSN 1999-8554
    Grant CEP: GA ČR GAP202/10/0262; GA ČR GA205/09/1079
    Výzkumný záměr: CEZ:AV0Z10300504
    Klíčová slova: Boolean factor analysis * recurrent neural network * Hopfield-like neural network * associative memory * unsupervised learning
    Kód oboru RIV: IN - Informatika
    http://www.radiotec.ru/catalog.php?cat=jr7&art=8576
    Trvalý link: http://hdl.handle.net/11104/0197681
     
     
  8. 8.
    0334976 - ÚI 2010 RIV NL eng J - Článek v odborném periodiku
    Frolov, A. A. - Húsek, Dušan - Muraviev, I. P. - Polyakov, P.Y.
    Origin and Elimination of Two Global Spurious Attractors in Hopfield-Like Neural Network Performing Boolean Factor Analysis.
    [Původ a odstranění dvou globálních lživých atraktorů v booleovském faktorovém analyzátoru založeném na Hopfieldově neuronové síti.]
    Neurocomputing. Roč. 73, č. 7-9 (2010), s. 1394-1404. ISSN 0925-2312. E-ISSN 1872-8286
    Grant CEP: GA ČR GA205/09/1079; GA MŠMT(CZ) 1M0567
    Výzkumný záměr: CEZ:AV0Z10300504
    Klíčová slova: Boolean factor analysis * Hopfield neural Network * unsupervised learning * dimension reduction * data mining
    Kód oboru RIV: IN - Informatika
    Impakt faktor: 1.429, rok: 2010
    Trvalý link: http://hdl.handle.net/11104/0179576
     
     
  9. 9.
    0321649 - ÚI 2010 RIV US eng J - Článek v odborném periodiku
    Frolov, A. A. - Húsek, Dušan - Polyakov, P.Y.
    Recurrent Neural Network Based Boolean Factor Analysis and its Application to Word Clustering.
    [Booleovská faktorová analýza založená na rekurentní neuronové síti a její aplikace na shlukování slov.]
    IEEE Transactions on Neural Networks. Roč. 20, č. 7 (2009), s. 1073-1086. ISSN 1045-9227
    Grant CEP: GA MŠMT(CZ) 1M0567
    Výzkumný záměr: CEZ:AV0Z10300504
    Klíčová slova: recurrent neural network * Hopfield-like neural network * associative memory * unsupervised learning * neural network architecture * neural network application * statistics * Boolean factor analysis * concepts search * information retrieval
    Kód oboru RIV: BB - Aplikovaná statistika, operační výzkum
    Impakt faktor: 2.889, rok: 2009
    Trvalý link: http://hdl.handle.net/11104/0170122
     
     
  10. 10.
    0103370 - UIVT-O 20040111 CZ cze K - Konferenční příspěvek (tuzemská konf.)
    Burian, Jan
    Kognitivní inspirace pro třídění na základě závislosti atributů.
    [Cognitive Inspiration for Unsupervised Learning Using the Attribute Dependency.]
    Doktorandský den '04. Praha: MATFYZPRESS, 2004 - (Hakl, F.), s. 180-186. ISBN 80-86732-30-4.
    [Doktorandský den '04. Paseky nad Jizerou (CZ), 29.09.2004-01.10.2004]
    Výzkumný záměr: CEZ:AV0Z1030915
    Klíčová slova: unsupervised learning * attribute dependendcy * classification of records
    Kód oboru RIV: BA - Obecná matematika
    Trvalý link: http://hdl.handle.net/11104/0010679
     
     

  Tyto stránky využívají soubory cookies, které usnadňují jejich prohlížení. Další informace o tom jak používáme cookies.