„Orvosi képdiagnosztika-Diagnosztika módszerei” változatai közötti eltérés
A VIK Wikiből
aNincs szerkesztési összefoglaló |
aNincs szerkesztési összefoglaló |
||
2. sor: | 2. sor: | ||
== Jegyzetek == | == Jegyzetek == | ||
* [http://home.mit.bme.hu/~horvath/KD/2016osz/Osztalyozas%20kepdiagnosztikanal.pdf Osztályozás képdiagnosztikánál diák 2016] ( nehezen érhető) | * [http://home.mit.bme.hu/~horvath/KD/2016osz/Osztalyozas%20kepdiagnosztikanal.pdf Osztályozás képdiagnosztikánál diák 2016] (nehezen érhető) | ||
* [https://en.wikipedia.org/wiki/Kernel_Fisher_discriminant_analysis Kernel discriminant analysis wikipedia] | * [https://en.wikipedia.org/wiki/Kernel_Fisher_discriminant_analysis Kernel discriminant analysis wikipedia] | ||
* [https://en.wikipedia.org/wiki/Conjugate_gradient_method Conjugate gradient method wikipedia] | * [https://en.wikipedia.org/wiki/Conjugate_gradient_method Conjugate gradient method wikipedia] (egy fokkol jobb, mint a dia, de továbbra is nehezen érthető) | ||
* [http://www.inf.u-szeged.hu/~kgelle/sites/default/files/upload/12_konjugalt_gradiens.pdf Konjugált gradiens módszer jegyzet] (részletes, könnyen érthető) | |||
== Összefoglaló == | == Összefoglaló == | ||
A lap jelenlegi, 2016. december 20., 21:29-kori változata
Az Orvosi képdiagnosztika tárgy egyik témaköre.
Jegyzetek
- Osztályozás képdiagnosztikánál diák 2016 (nehezen érhető)
- Kernel discriminant analysis wikipedia
- Conjugate gradient method wikipedia (egy fokkol jobb, mint a dia, de továbbra is nehezen érthető)
- Konjugált gradiens módszer jegyzet (részletes, könnyen érthető)
Összefoglaló
TODO
Ellenőzrő kérdések (2016)
Definiálja a kétosztályos osztályozás problémáját. Mit nevezünk veszteségfüggvénynek? Mit mond ki a tapasztalati kockázat minimalizálásának az elve? Hogyan alkalmazzuk ezt az elvet gyakorlati problémamegoldás során? Mit nevezünk VC dimenziónak? Egy N dimenziós pontokat lineárisan szeparáló függvénykészletnek mi a VC dimenziója?
[TODO]
Csoportosítsa a nemlineáris szeparálást lehetővé tevő osztályozókat! Mondjon konkrét példákat is az osztályozókra, illetve nevezzen meg olyan eljárásokat, módszereket, mely alkalmas lehet ilyen osztályozók tanírására.
[TODO]
Mi a lineáris diszkrimináns analízis (LDA)? Értelmezze az osztályozás kritériumfüggvényét! Hogyan alkalmazható a Fischer diszkrimináns analízis nemlineárisan szeparábilis problémák esetén? Egy lineáris osztályozási probléma esetén mit jelent, ha a probléma alul- és mit ha túlhatározott? Mit jelent a probléma kondícionáltsága?
[TODO]
Milyen szélsőérték keresési módszereket ismer? Mi különbözteti meg egymástól az elsőrendű, illetve a másodrendű módszereket? Mi a Levenberg-Marquardt és mi a konjugált gradiens módszer alapötlete?
[TODO]
Mi az SVM célfüggvénye? Mi az abban alkalmazott regularizáció geometriai interpretációja? Milyen optimalizáló eljárással tanítható az SVM? Mi a kernel trükk?
[TODO]
Milyen osztályozási problémák esetén kényszerülünk jellemzők definiálására, kiválasztására? Hogyan automatizálható ez a probléma? Milyen eljárásokat ismer jellemzők kiválasztására? Miért szükséges az irreleváns jellemzők osztályozás előtti eliminálása?
[TODO]
Mi a mély neurális hálók felépítésének általános ismérvei? Mit nevezünk konvolúciós rétegnek? Milyen súlymódosító eljárással taníthatóak ezek az osztályozók? Alkalmazási szempontokat figyelembe véve hasonlítsa össze a mély neurális hálókat a klasszikus MLP osztályozókkal! Milyen előnyökkel és milyen hátrányokkal rendelkeznek ezek az eljárások (egymáshoz viszonyítva)?
[TODO]
Mit nevezünk orvosi döntéstámogató (CAD) rendszernek? Milyen kritériumoknak támaszthatóak egy CAD-del szemben?
[TODO]
1. félév (tavasz) | |
---|---|
2. félév (ősz) | |
Egyéb | |
Szakirányok |