Egy csodálatos elme modellje
|
|
- Gergő Deák
- 8 évvel ezelőtt
- Látták:
Átírás
1 Egy csodálatos elme modellje A beteg és az egészséges agy információfeldolgozási struktúrái Bányai Mihály1, Vaibhav Diwadkar2, Érdi Péter1 1 RMKI, Biofizikai osztály 2 Wayne State University, Detroit, USA Simonyi-nap Budapest, október 18.
2 Kortikális makrohálózatok Agykéreg Kérgi területek Funkcionális felosztás Szenzorikus területek Motorikus területek Reprezentáció, memória, tanulás Kognitív funkciók, kognitív kontroll Interakciós hálózatok
3 A rendszer komplexitása Egyetlen idegsejt is bonyolult rendszerek összessége 1011 idegsejt, sok különböző típus Bonyolult kapcsolódási minázatok, 1015 kapcsolat Nagy variabilitás Mérési nehézségek Különböző szintek kölcsönhatása Nincs egyszerre jó tér- és időfelbontású eszköz Emberben csak neminvazív módszerek használhatók Komplex betegségek állatban nem modellezhetők jól
4 Skizofrénia Több tünetegyüttes gyűjtőneve Hallucinációk, tévképzetek, memóriaproblémák A biológiai háttér jórészt ismeretlen Egy ígéretes elmélet: szétkapcsoltsági hipotézis A memóriaformáció tudatos irányítása sérül bizonyos agyterületek közötti elégtelen kommunikáció miatt
5 Funkcionális képalkotás Makroszkopikus aktivitás mérése fmri mágneses rezonancia Háromdimenziós kép az egész agyról Jó térbeli, gyenge időbeli felbontás Áttételesen mérjük a neurális aktivitást Időben simított jel Véroxigénszint változása Kísérleti paradigmák Passzív nyugalmi állapot mérése Feladat funkcionális részhálózatok Az agyterületekhez idősorozatokat rendelhetünk
6 Statisztikai modellezés Rejtett változós generatív modellek x = f x, u, f y= x, Megfigyelt változók: y,u Véletlenszerűség bevezetése Zaj Véletlen állapotváltozók Véletlen paraméterek Modellinverzió Rejtett változók eloszlása Paraméterek eloszlása Paraméterek becslése
7 Makrohálózati modellek Az fmri-vel mért jel generatív modellje N x = A i=1 u j B x Cu j y = x, h A feladathoz tartozó funkcionális hálózat kiválasztása Agyterületek közötti kölcsönhatás dinamikája Bemenetek hatása a területek aktivitására Külvilágból érkező jelek Többi agyterületről érkező jelek Leképezés a neurális aktivitás és a mért jel között Paraméterek illesztése a mért adatra Interakciók erőssége Leképezés paraméterei
8 Bayesiánus statisztika p y, M = p y, M p M p y M F = ln p y, M q ln q q A paraméterek Maximum A Posteriori becslése Modellstruktúrák összehasonlítása Illeszkedés az adatra Ockham borotvája a kisebb komplexitás preferenciája A rendszer információelméleti szabadenergiájának minimalizálása A MAP paraméterbecslés approximációja Az illeszkedés és komplexitás egyensúlyát beállító modelljóság-mérőszám
9 A kísérlet Hely-objektum asszociáció tanulása Tanulási és visszakérdezési sorozatok egymás után Skizofrén és kontroll csoport
10 A feladatban szerepet játszó agyterületek Primer vizuális kéreg szenzoros információ forrása Szuperioparetális kéreg - helyreprezentáció Inferiotemporális kéreg - objektumreprezentáció Hippokampusz asszociatív memória formulációja Prefrontális kéreg memória kognitív kontrollja
11 A modelltér definíciója Összekötöttség Anatómiai és funkcionális adatok alapján Előrecsatolt vagy adatáramlás Visszacsatolt vagy kontroll áramlás Bemenetek a kísérleti körülmények alapján Vizsgált modellhalmazok A kontroll áramlás kapcsolatainak kombinációi A bemenetek hatásainak kombinációi
12 Modellöszehasonlítási eredmények Az egészséges csoportban egyértelmű nyerő modell Tartalmaz minden feltételezett kapcsolatot A skizofrén csoportban nincs egyértelmű nyertes, és különböző hiányos modellek a legvalószínűbbek A szétkapcsoltság nem specifikus, az egész hálózat komplexitása csökken Utalhat a csoport heterogenitására
13 Paraméterszintű összehasonlítás Az illesztett modellek paramétereinek átlagos értéke a két csoportban Eltérések Prefrontális kéreg-hippokampusz: a memória tudatos kontrollja Hippokampusz-Inferiotemporális kéreg: az objektumreprezentáció felhasználása a memórianyom kialakításában A feladat teljesítésében leginkább releváns kapcsolatok sérültek Alátámasztja a szétkapcsoltsági hipotézist
14 Lassú tanulás vagy betegség? A skizofrén csoportban lassabb a tanulás A lassú tanulás nem feltétlenül skizofrénia hogy lehet megkülönböztetni? Modellek illesztése az egészséges, de lassan tanuló alanyokra A teljesítményük nem jobb, mint a skizofrén csoporté A modellek valószínűségi eloszlása az egészséges csoportéval azonos alakú
15 Összefoglalás fmri mérések skizofrén és egészséges alanyokon, asszociatív tanulási feladattal A makrohálózati interakció generatív statisztikai modelljeinek halmaza, Bayesiánus módszerekkel invertálva A modellösszehasonlítás alapján a skizofréneknél nemspecifikusan csökken az információfeldolgozó hálózat összekötöttsége A paraméterek szintjén a kognitív kontrollért és az objektumreprezentáció felhasználásáért felelős kapcsolatok sérülnek A módszer alkalmas arra, hogy különbséget tegyünk a betegség és a lassú tanulás között
16 Hivatkozások Friston K, Frith C (1995) Schizophrenia: a disconnection syndrome? Clin Neurosci Ellison-Wright I, Bullmore E (2009) Meta-analysis of diffusion tensor imaging studies in schizophrenia. Schizophr Res. 108:3-10. Farkas et al. (2008) Associative learning in deficit and nondeficit schizophrenia. Neuroreport 8:55-8. Diwadkar et al. (2008) Impaired associative learning in schizophrenia: behavioral and computational studies. Cogn Neurodyn 2: Érdi et al. (2007) Computational approach to the schizophrenia: Disconnection syndrome and dynamical pharmacology. In BIOCOMP, L.M. Ricciardi, A. Buonocore, and E. Pirozzi, eds. (Meville, NY: American Institute of Physics) Friston KJ, Harrison L, Penny WD (2003) Dynamic Causal Modelling. NeuroImage 19(4): Stephan KE, Penny WD, Daunizeau J, Moran R, Friston KJ (2009) Bayesian model selection for group studies. NeuroImage 46(3):
17 Köszönöm a figyelmet! banmi@rmki.kfki.hu
Funkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenProbabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
RészletesebbenAz idegrendszeri memória modelljei
Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú
RészletesebbenAgykérgi makrohálózatok funkcionális modellezése
Agykérgi makrohálózatok funkcionális modellezése A doktori értekezés tézisei Bányai Mihály Témavezetők: Dr. Bazsó Fülöp (MTA Wigner FKK) Dr. Strausz György (BME MIT) Budapesti Műszaki és Gazdaságtudományi
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenTermészettudományi Kutatóközpont, Magyar Tudományos Akadémia (MTA-TTK) Agyi Képalkotó Központ (AKK)
Szimultán multi-slice EPI szekvenciák: funkcionális MRI kompromisszumok nélkül? Kiss Máté, Kettinger Ádám, Hermann Petra, Gál Viktor MTA-TTK Agyi Képalkotó Központ Természettudományi Kutatóközpont, Magyar
RészletesebbenAz agyi jelek adaptív feldolgozása MENTÁ LIS FÁ R A DT S ÁG MÉRÉSE
Az agyi jelek adaptív feldolgozása MENTÁ LIS FÁ R A DT S ÁG MÉRÉSE Bevezetés I. A fáradtság lehet fizikai: a normál testi funkciók hiánya mentális: csökkent agyi aktivitás vagy kognitív funkciók. Megjelenhet
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenFunkcionális konnektivitás vizsgálata fmri-adatok alapján
Funkcionális konnektivitás vizsgálata fmri-adatok alapján Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai!! Neuroinformatika 2014. Képalkotási technikák 4 3 EEG
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenAz idegrendszeri memória modelljei
Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú
RészletesebbenStratégiák tanulása az agyban
Statisztikai tanulás az idegrendszerben, 2019. Stratégiák tanulása az agyban Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Kortárs MI thispersondoesnotexist.com
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenProbabilisztikus modellek II: Inferencia. Nagy Dávid
Probabilisztikus modellek II: Inferencia Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 előző előadás előző előadás az agy modellt épít a világról előző előadás az agy modellt épít a világról
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenZárójelentés. A vizuális figyelmi szelekció plaszticitása Azonosító: K 48949
Zárójelentés A vizuális figyelmi szelekció plaszticitása Azonosító: K 48949 Kutatásaink legfontosabb eredménye, hogy pszichofizikai, eseményhez kötött potenciálok (EKP) és funkcionális mágneses rezonancia
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
RészletesebbenLoss Distribution Approach
Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenFELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
Részletesebben3/29/12. Biomatematika 2. előadás. Biostatisztika = Biometria = Orvosi statisztika. Néhány egyszerű definíció:
Biostatisztika = Biometria = Orvosi statisztika Biomatematika 2. előadás Néhány egyszerű definíció: A statisztika olyan tudomány, amely a tömegjelenségekkel kapcsolatos tapasztalati törvényeket megfigyelések
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenIntelligens beágyazott rendszer üvegházak irányításában
P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az
RészletesebbenIntelligens adatelemzés
Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenAz fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika
Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika Autokorreláció white noise Autokorreláció: a függvény önnmagával számított korrelációja különböző
RészletesebbenMérés és modellezés 1
Mérés és modellezés 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni kell
RészletesebbenMérés és modellezés Méréstechnika VM, GM, MM 1
Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni
RészletesebbenIntelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenTanulás az idegrendszerben
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Funkcióvezérelt modellezés Abból indulunk ki, hogy milyen feladatot valósít meg a rendszer Horace Barlow: "A
RészletesebbenGONDOLKODÁS ÉS NYELV
GONDOLKODÁS ÉS NYELV GONDOLKODÁS A. Propozicionális B. Képzeleti Propozicionális gondolkodás Propozíció kijelentés, amely egy tényállásra vonatkozik, meghatározott viszonyban összekombinált fogalmakból
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenProbabilisztikus modellek V: Struktúra tanulás. Nagy Dávid
Probabilisztikus modellek V: Struktúra tanulás Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 volt szó a normatív megközelítésről ezen belül a probabilisztikus modellekről láttatok példákat az
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
RészletesebbenKettőnél több csoport vizsgálata. Makara B. Gábor
Kettőnél több csoport vizsgálata Makara B. Gábor Három gyógytápszer elemzéséből az alábbi energia tartalom adatok származtak (kilokalória/adag egységben) Három gyógytápszer elemzésébô A B C 30 5 00 10
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenTanulás Boltzmann gépekkel. Reiz Andrea
Tanulás Boltzmann gépekkel Reiz Andrea Tanulás Boltzmann gépekkel Boltzmann gép Boltzmann gép felépítése Boltzmann gép energiája Energia minimalizálás Szimulált kifűtés Tanulás Boltzmann gép Tanulóalgoritmus
RészletesebbenA kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9
A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9 Név: Pitlik László Mérés dátuma: 2014.12.04. Mérőtársak neve: Menkó Orsolya Adatsorok: M24120411 Halmy Réka M14120412 Sárosi
RészletesebbenZáróvizsgatételek Kognitív Tanulmányok mesterszak, Filozófia:
Záróvizsgatételek Kognitív Tanulmányok mesterszak, 2018 Filozófia: 1. Mi a kapcsolat az agyak a tartályban gondolatkísérlet és a szkepszis problémája között Wright, Crispin (1992) On Putnam's Proof That
RészletesebbenBevezetés a kognitív idegtudományba
Bevezetés a kognitív idegtudományba Kéri Szabolcs Kognitív Idegtudomány kurzus, Semmelweis Egyetem Budapest, 2009 Created by Neevia Personal Converter trial version http://www.neevia.com Created by Neevia
RészletesebbenBiológiai rendszerek modellellenőrzése bayesi megközelítésben
Biológiai rendszerek modellellenőrzése bayesi megközelítésben Gál Tamás Zoltán Szoftver verifikáció és validáció kiselőadás, 2013. ősz Forrás: Sumit K. Jha et al.: A Bayesian Approach to Model Checking
RészletesebbenA kutyafélék összehasonlító neurobiológiája- Szenzoros képességek
A kutyafélék összehasonlító neurobiológiája- Szenzoros képességek Miért vizsgáljuk a szenzoros képességeket? Anatómiai-morfológiai különbségek Hubel és Wiesel Tapasztalat Összehasonlító vizsgálatok Kivel?
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenKapcsolatok kialakulása és fennmaradása klaszterek tudáshálózataiban
Kapcsolatok kialakulása és fennmaradása klaszterek tudáshálózataiban Juhász Sándor 1,2 Lengyel Balázs 1,3 1 Hungarian Academy of Sciences, Agglomeration and Social Networks Lendület Research Group 2 University
RészletesebbenKözhasznúsági jelentés
1/6 Közhasznúsági jelentés 2012 Magyar Kognitív Tudományi Alapítvány 1025 Budapest, Csalán u. 55. Tel.: +36 30 282 8982 http://www.makog.hu 2/6 A jelen közhasznúsági jelentés részei Bevezető: Általános
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet
RészletesebbenKÍSÉRLET, MÉRÉS, MŰSZERES MÉRÉS
KÍSÉRLET, MÉRÉS, MŰSZERES MÉRÉS Kísérlet, mérés, modellalkotás Modell: olyan fizikai vagy szellemi (tudati) alkotás, amely egy adott jelenség lefolyását vagy egy rendszer viselkedését részben vagy egészen
RészletesebbenEmberi légzésvizsgálat (Spirometria)
Emberi légzésvizsgálat (Spirometria) Légzési térfogatok meghatározása és összehasonlítása Állati Struktúra és Funkció II. gyakorlat A mérést és kiértékelést végezték:.. Gyakorlatvezető:. Időpont: 1. kísérleti
Részletesebbeny ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
RészletesebbenEtológia Alap, BSc. A viselkedés mechanizmusa
Etológia Alap, BSc A viselkedés mechanizmusa 16.15-17.45 Miklósi Ádám Dóka Antal Pongrácz Péter 2017 Tudományos kutatás: A korai anyai környezet hatása a későbbi viselkedésre Újszülött-inkubátorok Nagyobb
RészletesebbenAz fmri klinikai alkalmazásai
Szentágothai TK - Semmelweis Egyetem MR Kutatóközpont Az fmri klinikai alkalmazásai Kozák Lajos Rudolf lkozak@mrkk.sote.hu Szentágothai Tudásközpont - Semmelweis Egyetem MR Kutatóközpont MRI B0 Mágneses
RészletesebbenTARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
RészletesebbenHosszú távú vizsgálat jobban kimutatja a társulási szabályok változásait a másodlagos szukcesszió során, mint a tér-idő helyettesítés módszere
Hosszú távú vizsgálat jobban kimutatja a társulási szabályok változásait a másodlagos szukcesszió során, mint a tér-idő helyettesítés módszere Anikó Csecserits, Melinda Halassy, Barbara Lhotsky, Tamás
RészletesebbenVisszacsatolt (mély) neurális hálózatok
Visszacsatolt (mély) neurális hálózatok Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Sima előrecsatolt neurális hálózat Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Pl.: kép feliratozás,
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenNyelv. Kognitív Idegtudomány kurzus, Semmelweis Egyetem Budapest, 2009. Created by Neevia Personal Converter trial version
Nyelv Kéri Szabolcs Kognitív Idegtudomány kurzus, Semmelweis Egyetem Budapest, 2009 Created by Neevia Personal Converter trial version http://www.neevia.com Created by Neevia Personal Converter trial version
RészletesebbenMérési struktúrák
Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenBevezetés, tudnivalók, ökonometriai alapok
Orlovits Zsanett orlovits@kgt.bme.hu BME GTK Közgazdaságtan Tanszék 2019. február 6. Adminisztratív ügyek BMEGT30A107, BMEGT35A016 - Ökonometria kurzusok Honlap: http://kgt.bme.hu/tantargyak/bsc oldalon
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
RészletesebbenBEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció
RészletesebbenSegítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
RészletesebbenMesterséges Intelligencia I.
Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
Részletesebben-Két fő korlát: - asztrogliák rendkívüli morfológiája -Ca szignálok értelmezési nehézségei
Nature reviewes 2015 - ellentmondás: az asztrociták relatív lassú és térben elkent Ca 2+ hullámokkal kommunikálnak a gyors és pontos neuronális körökkel - minőségi ugrás kell a kísérleti és analitikai
RészletesebbenAz ISO 27001-es tanúsításunk tapasztalatai
Az ISO 27001-es tanúsításunk tapasztalatai Bartek Lehel Zalaszám Informatika Kft. 2012. május 11. Az ISO 27000-es szabványsorozat az adatbiztonság a védelmi rendszer olyan, a védekező számára kielégítő
RészletesebbenLátórendszer modellezése
Statisztikai tanulás az idegrendszerben, 2015. Látórendszer modellezése Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ A látórendszer felépítése Prediktálhatóság
RészletesebbenTerületi statisztikai elemzések
Területi statisztikai elemzések KOTOSZ Balázs, SZTE, kotosz@eco.u-szeged.hu Módszertani dilemmák a statisztikában 2016. november 18. Budapest Apropó Miért különleges a területi adatok elemzése? A számításokhoz
RészletesebbenCARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens
CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi
RészletesebbenA MIDAS_HU eredményeinek elemzése, továbbfejlesztési javaslatok HORVÁTH GYULA 2015. MÁJUS 28.
A MIDAS_HU eredményeinek elemzése, továbbfejlesztési javaslatok HORVÁTH GYULA 2015. MÁJUS 28. 1 A projekt céljai Az Unió ajánlatkérése és az ONYF pályázata a következő célokat tűzte ki: Preparation of
RészletesebbenStatisztika I. 8. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes
RészletesebbenA légkördinamikai modellek klimatológiai adatigénye Szentimrey Tamás
A légkördinamikai modellek klimatológiai adatigénye Szentimrey Tamás Országos Meteorológiai Szolgálat Az adatigény teljesítének alapvető eszköze: Statisztikai klimatológia! (dicsérni jöttem, nem temetni)
RészletesebbenOsztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton
Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenMarkov modellek 2015.03.19.
Markov modellek 2015.03.19. Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést
RészletesebbenA fizikai világ modelljének felfedezése az agyban. Orbán Gergő. CSNL Lendület Labor MTA Wigner Fizikai Kutatóközpont.
A fizikai világ modelljének felfedezése az agyban CSNL Lendület Labor MTA Wigner Fizikai Kutatóközpont Lendület program Idegsejtek: Az idegrendszer építőkövei Érzékelés, döntés, végrehajtás 3 Agy vs. Környezet
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenA központi idegrendszer funkcionális anatómiája
A központi idegrendszer funkcionális anatómiája Nyakas Csaba Az előadás anyaga kizárólag tanulmányi célra használható (1) Az idegrendszer szerveződése Agykéreg Bazális ganglionok Kisagy Agytörzs Gerincvelő
RészletesebbenA távérzékelt felvételek tematikus kiértékelésének lépései
A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenAz első teljesítményértékelési jelentés ( )
Az első teljesítményértékelési jelentés (2013-2015) Gyenes Péter gyenes.peter@aeek.hu mertek.aeek.hu META ülés. 2017.05.31. Rendszermodelltől a jelentésig Végső célok Köztes célok Egyéb területek További
RészletesebbenKauzális modellek. Randall Munroe
Kauzális modellek Randall Munroe A kauzalitás reprezentációi Determinisztikus Sztochasztikus Feltételes valószínűség < > hipergráf Irányított gráf: több ok, egy okozat < > Bayes-háló Cirkuláris kauzalitás
RészletesebbenA digitális korszak kihívásai és módszerei az egyetemi oktatásban
Csapó Benő http://www.staff.u-szeged.hu/~csapo A digitális korszak kihívásai és módszerei az egyetemi oktatásban Interdiszciplináris és komplex megközelítésű digitális tananyagfejlesztés a természettudományi
RészletesebbenTranszportfolyamatok a biológiai rendszerekben
A nyugalmi potenciál jelentősége Transzportfolyamatok a biológiai rendszerekben Transzportfolyamatok a sejt nyugalmi állapotában a sejt homeosztázisának (sejttérfogat, ph) fenntartása ingerlékenység érzékelés
Részletesebbeny ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell
Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.
RészletesebbenAz emberi érzőműködés. A látás, a hallás, a hőmérséklet és a tapintás érzékelésének vizsgálata
Az emberi érzőműködés A látás, a hallás, a hőmérséklet és a tapintás érzékelésének vizsgálata Állati Struktúra és Funkció II. gyakorlat A mérést és kiértékelést végezték:............ Gyakorlatvezető:...
RészletesebbenTöbbgénes jellegek. 1. Klasszikus (poligénes) mennyiségi jellegek. 2.Szinte minden jelleg több gén irányítása alatt áll
Többgénes jellegek Többgénes jellegek 1. 1. Klasszikus (poligénes) mennyiségi jellegek Multifaktoriális jellegek: több gén és a környezet által meghatározott jellegek 2.Szinte minden jelleg több gén irányítása
RészletesebbenOrvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN
Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
Részletesebben