Pinned Repositories
APP2
Predstavme si GPSku, ktorá jednoducho celý deň nahráva polohové dáta. Typický turista sa dovezie na začiatok turistickej značky (napr. autom), potom si urobí túru, a potom sa zasa odvezie domov, pričom v medzičase si urobí niekoľko prestávok, kedy stojí (pri státí sa obvykle prejavujú všetky chyby GPS meraní, preto to v zázname vyzerá, ako keby turista poskakoval okolo jedného miesta ako žaba). Našou úlohou je zistiť, v ktorých časoch sa turista viezol, v ktorých sa pohyboval pešo a v ktorých stál. Za max. 10 bodov: Navrhnite riešenie založené na HMM, vrátane modelu, spôsobu trénovania a spôsobu inferencie. Podrobne riešenie popíšte a zdôvodnite, prečo si myslíte, že by mohlo fungovať. Za ďalších 50 bodov: Implementujte svoje riešenie, aplikujte ho na dáta z http://compbio.fmph.uniba.sk/vyuka/gm/assignments/gpsdata.zip a pokúste sa vyhodnotiť jeho úspešnosť. Na prezentáciu dát odporúčame Google Earth (ide o skutočné dáta namerané GPSkou). V takom prípade odovzdajte text popisujúci vaše riešenie a uložte všetky ďalšie materiály, zdrojáky a pod. na web, pričom odovzdáte linku.
autograd
deeplearning4j
Deep Learning for Java, Scala & Clojure on Hadoop & Spark With GPUs - From Skymind
ed_twitter
Entity Disambiguation using Embeddings
Neuronove-siete
FMPH skuska z neuronovych sieti 2016
ontology
Simple ontology about companies with REST endpoints.
proprio-haptic-prediction
Bachelor Thesis: Biologically inspired predictive model of proprioceptive body representations
qrnn
sympy
A computer algebra system written in pure Python
Twitter_ED
Twitter dataset for entity disambiguation
lej-la's Repositories
lej-la/APP2
Predstavme si GPSku, ktorá jednoducho celý deň nahráva polohové dáta. Typický turista sa dovezie na začiatok turistickej značky (napr. autom), potom si urobí túru, a potom sa zasa odvezie domov, pričom v medzičase si urobí niekoľko prestávok, kedy stojí (pri státí sa obvykle prejavujú všetky chyby GPS meraní, preto to v zázname vyzerá, ako keby turista poskakoval okolo jedného miesta ako žaba). Našou úlohou je zistiť, v ktorých časoch sa turista viezol, v ktorých sa pohyboval pešo a v ktorých stál. Za max. 10 bodov: Navrhnite riešenie založené na HMM, vrátane modelu, spôsobu trénovania a spôsobu inferencie. Podrobne riešenie popíšte a zdôvodnite, prečo si myslíte, že by mohlo fungovať. Za ďalších 50 bodov: Implementujte svoje riešenie, aplikujte ho na dáta z http://compbio.fmph.uniba.sk/vyuka/gm/assignments/gpsdata.zip a pokúste sa vyhodnotiť jeho úspešnosť. Na prezentáciu dát odporúčame Google Earth (ide o skutočné dáta namerané GPSkou). V takom prípade odovzdajte text popisujúci vaše riešenie a uložte všetky ďalšie materiály, zdrojáky a pod. na web, pričom odovzdáte linku.
lej-la/autograd
lej-la/deeplearning4j
Deep Learning for Java, Scala & Clojure on Hadoop & Spark With GPUs - From Skymind
lej-la/ed_twitter
Entity Disambiguation using Embeddings
lej-la/Neuronove-siete
FMPH skuska z neuronovych sieti 2016
lej-la/ontology
Simple ontology about companies with REST endpoints.
lej-la/proprio-haptic-prediction
Bachelor Thesis: Biologically inspired predictive model of proprioceptive body representations
lej-la/qrnn
lej-la/sympy
A computer algebra system written in pure Python
lej-la/Twitter_ED
Twitter dataset for entity disambiguation