Tanuló ó és hibrid információs rendszerek
|
|
- Erzsébet Kozmané
- 5 évvel ezelőtt
- Látták:
Átírás
1 Tanuló ó és hbrd nformácós rendszere Horváth Gábor I S R G Méréstechna és Informácós Rendszere Tanszé 004 Horváth Gábor
2 Bevezetés Neuráls hálózato Tartalomjegzé elem neurono lasszus neuráls archtetúrá általános megözelítés a neuráls hálózato számítás épessége Tanulás paraméter becslés ellenőrzött tanulás nemellenőrzött tanulás analtus tanulás Szupport vetor gépe SVM archtetúrá statsztus tanuláselmélet A hálótervezés általános érdése általánosítás modell választás model valdácó Modulárs háló háló lneárs ombnácója szaértő egüttes Mture of Eperts MOE feladat deompozícó Hbrd rendszere szmbolus-neuráls rendszere KBANN 004 Horváth Gábor
3 Bevezetés 004 Horváth Gábor 3
4 Tanuló és hbrd nformácós rendszere Mért van szüség tanuló rendszerere? Tudásformá smeretreprezentácó Tanulás és tanuló eljáráso Tanuló rendszere Szmbolus szabálalapú rendszere Hbrd rendszere 004 Horváth Gábor 4
5 Neuráls hálózato 004 Horváth Gábor 5
6 Elem neurono lneárs ombnátor bázsfüggvén-neuron Neuráls hálózato Klasszus neuráls archtetúrá előrecsatolt vsszacsatolt Általános megözelítés regresszor nemlneárs függvéne bázsfüggvéne lneárs ombnácója A neuráls hálózato számítás épessége függvénappromácó osztálozás 004 Horváth Gábor 6
7 Neuráls hálózato A neuráls háló olan párhuzamos elosztott nformácófeldolgozó eszözö amele: azonos vag hasonló típusú loáls feldolgozást végző művelet eleme neurono processng element neuron általában rendezett topológájú nagmértében összeapcsolt rendszeréből állna rendelezne tanulás algortmussal learnng algorthm mel általában mnta alapján való tanulást jelent és az nformácófeldolgozás módját határozza meg rendelezne a megtanult nformácó felhasználását lehetővé tevő nformácó előhívás algortmussal recall algorthm. 004 Horváth Gábor 7
8 Fő jellemző omple nemlneárs nput-output leépezés adaptvtás tanulás épesség elosztott archtetúra hbatűrő épesség Neuráls hálózato párhuzamos analóg vag dgtáls VLSI megvalósítás lehetősége neurobológa analóga 004 Horváth Gábor 8
9 Az elem neuron Lneárs ombnátor nemlneárs actvácós függvénnel 0 0 Σ s T f s fs N N 004 Horváth Gábor 9
10 Tpus nemlneartáso s + s + s s s > 0 - s < _ 0 + s - s > - < _ s < _ s <- a. Atvácós függvéne b. ugrásfüggvén szaaszonént lneárs függvén 004 Horváth Gábor 0
11 Tpus nemlneartáso + s + 05 s s s - - e-ks + -Ks ; K >0 e c. Atvácós függvéne tangens hperbolusz függvén + -Ks ; K e d. logsztus függvén >0 004 Horváth Gábor
12 Bázs függvén neuron Elem neuron g Bázs függvéne g g c Pl. Gauss g e - u σ f. u N u K c + c + + N cn 004 Horváth Gábor
13 Klasszus us neuráls hálózato status háló memóra nélül előrecsatolt egrétegű háló többrétegű háló MLP RBF CMAC dnamus háló memóra vag vsszacsatolás előrecsatolt + tároló eleme vsszacsatolt loáls vsszacsatolás globáls vsszacsatolás 004 Horváth Gábor 3
14 Előrecsatolt archtetúrá Egrétegű háló: Rosenblatt perceptron 0 0 Σ s T sgns N N 004 Horváth Gábor 4
15 Előrecsatolt archtetúrá Egrétegű hálózato Bemenet 3 Kmenet M N W Tanítható paramétere súlo 004 Horváth Gábor 5
16 Előrecsatolt archtetúrá Többrétegű háló status MLP háló o o Σ f. Σ f. 3 Σ f. Σ f. Σ f. Σ f. N W W n 004 Horváth Gábor 6
17 Előrecsatolt archtetúrá Eg tanítható rétegű háló + 0 Nemlneárs ϕ ϕ X leépezés F vag ellenőrzött vag nemellenőrzött tanítású réteg ϕ M M Σ Lneárs tanítható réteg 004 Horváth Gábor 7
18 Radáls bázs függvén RBF hálózato Eg tanítható rétegű háló c σ c σ ϕ 0 + g ϕ g ϕ Radáls pl. Gauss bázs függvéne Σ c M σ M N g ϕ M M bemenet réteg rejtett réteg menet réteg 004 Horváth Gábor 8
19 Eg tanítható rétegű háló CMAC hálózat a C4 a Σ A lehetséges dszrét bemenet vetoro tere j j+ j+ j+ 3 j j+ j+ j+ 3 a asszocácós vetor súl vetor tanítható 004 Horváth Gábor 9
20 Háló hash-ódolással CMAC háló a 0 0 a z z z z + + z + + Σ Bemenet tér z C4 M - 0 M- 0 0 M a z asszocácós tömörített súl vetor vetor asszocácós vetor 004 Horváth Gábor 0
21 CMAC hálózat A CMAC bázsfüggvénene elrendezése csempézés átlapolódó lefedése u Szubdagonal ponto Eg lefedéshez tartozó bázsfüggvén tartó A fő dagonáls ponto u Kvantálás ntervallumo Bázs függvéne: véges ompat tartójú négszögletes függvéne B-splne-o 004 Horváth Gábor
22 CMAC hálózat Adott bemenetehez tartozó bázsfüggvén defnícós ponto elhelezedése u Mnden feete pont eg bázsfüggvént asszocácós bt súl a súl memórában jelöl T u [0 3] + + u [0 0] T + T u 3[6 ] 004 Horváth Gábor u A színes tartománo a megfelelő bemenete által választott bázsfüggvéneet azonosítjá
23 Előrecsatolt archtetúrá Dnamus többrétegű háló Σ f. l- l l Σ s l l f. Σ f. FIR szűrő z l Σ f. l l +... Σ f. Σ f. l -ed réteg 004 Horváth Gábor 3
24 Előrecsatolt archtetúrá Dnamus többrétegű háló eg tanítható réteg ϕ Első ϕ nemlneárs réteg FIR szűrő FIR szűrő z z Σ nemlneárs leépezés ϕ M FIR szűrő z M 004 Horváth Gábor 4
25 Vsszacsatolt archtetúrá Lateráls vsszacsatolás egrétegű háló bemenet 3 menet N 3 előrecsatoló paramétere 3 3 j lateráls összeöttetése j j 004 Horváth Gábor 5
26 Vsszacsatolt archtetúrá Loálsan vsszacsatolt háló MLP b b bemenet 3 c a c a 3 menet N M Bemenet réteg. rejtett réteg. rejtett réteg Kmenet réteg a.önvsszacsatolás b. lateráls vsszacsatolás c. rétege özött vsszacsatolás 004 Horváth Gábor 6
27 Vsszacsatolt archtetúrá Globálsan vsszacsatolt háló szevencáls háló bemenet T D L T D L - -N -M - - Több-bemenetű eg-mentű status háló menet 004 Horváth Gábor 7
28 Vsszacsatolt archtetúrá Hopfeld háló globáls vsszacsatolás 3 4 N N N 3N 44 4N N N N3 N4 NN 004 Horváth Gábor 8
29 Alapvető neurn euráls háló archtetúrá Általános megözelítés Regresszoro pllanatn bemenete status háló pllanatn és orább bemenete előrecsatolt dnamus háló Pllanatn és orább bemenete orább menete vsszacsatolt dnamus háló Bázs függvéne paramétereben nemlneárs háló paramétereben lneárs háló 004 Horváth Gábor 9
30 Regresszoro Általános megözelítés Hogan válasszu meg a φ regresszor-vetort? f ϕ orább bemenete ϕ [... N ϕ ] orább bemenete és menete ϕ [... N... M ϕ ϕ φ regressor-vectors ] orább bemenete és rendszer menete [... N d d... d M ] orább bemenete rendszer menete és modell hbá [... N d... d M ε... ε L] orább bemenete menete és hbá [... N... M ε... ε L ε... ε K ] 004 Horváth Gábor 30
31 Alapvető neurn euráls háló archtetúrá Nemlneárs dnamus modell strutúrá NFIR f... N Bemenet T D L - -N Több-bemenetű eg-mentű status háló Kmenet 004 Horváth Gábor 3
32 Alapvető neurn euráls háló archtetúrá Nemlneárs dnamus modell strutúrá f... N d... d M NARX bemenet rendszer menet d T - D L -N Több-bemenetű eg-menetű menet T D d-m d- status háló L d- 004 Horváth Gábor 3
33 Alapvető neurn euráls háló archtetúrá Nemlneárs dnamus modell strutúrá NOE f... N... M bemenet T - D L -N Több-bemenetű eg-menetű Kmenet T D -M - status háló L Horváth Gábor 33
34 Alapvető neurn euráls háló archtetúrá Nemlneárs dnamus modell strutúrá NARMAX f... N d... d M ε... ε L NJB f... N... M ε... ε L ε... ε K NSS 004 Horváth Gábor 34
35 Alapvető neurn euráls háló archtetúrá Regresszor bázs függvéne f ϕ paramétereben lneárs modell n f ϕ j j j [ K ] T n paramétereben nemlneárs modell n f ϕ j j j [ K ] T n 004 Horváth Gábor 35
36 Alapvető neurn euráls háló archtetúrá Bázs függvéne f j ϕ MLP egetlen szgmod rejtett réteggel szgmod bázs függvén n f ϕ j j j T ϕ sgm ϕ f + RBF radáls bázs függvén pl. Gauss CMAC négszögletes bázs függvén splne j sgm s + e Ks j f j ϕ j f ϕ c j [ ] ep / f ϕ c ϕ c σ j j j j j0 004 Horváth Gábor 36
37 A hálózato épessége Függvén appromácó Osztálozás Asszocácó Optmalzácó 004 Horváth Gábor 37
38 A hálózato épessége Függvénappromácó Alapvető eredmén: a neuráls hálózato eges típusa unverzáls appromátoro bzonos értelemben Kolmogorov reprezentácós tétel: bármel foltonos valós értéű N-változós függvén melet a [0] N ompat ntervallumon defnálun reprezentálható megfelelően megválasztott egváltozós függvéne és az összeadás segítségével. N N... f N φq ψ pq p q0 p 004 Horváth Gábor 38
39 A hálózato épessége Függvénappromácó Tetszőleges foltonos f : R N R függvén R N eg ompat K részhalmazán tetszőleges pontossággal özelíthető hba abszolút érté mamuma aor és csa aor ha az atvácós függvén g s nemonstans orlátos monoton növevő. Horn Cbeno Funahash Leshno Kurova stb. fˆ M N... N c g j j ; 0 j 0 ma K f... N fˆ... N < ε ε > Horváth Gábor 39
40 A hálózato épessége Függvénappromácó Tetszőleges foltonos f : R N R függvén R N eg ompat K részhalmazán tetszőleges pontossággal özelíthető L értelemben aor és csa aor ha az atvácós függvén nempolnom. Horn Cbeno Funahash Leshno Kurova etc. fˆ M N... N c g j j 0 j Horváth Gábor 40
41 Osztálozás A hálózato épessége Perceptron: lneárs szeparácó MLP: unverzáls osztálozó f j aa X j f : K { K } K ompat részhalmaza R N ne X j j K dszjun részhalmaza K na K U j X j és X j I X j üres ha j 004 Horváth Gábor 4
42 A hálózato épessége Adattömörítés dmenzó reducó lneárs háló nemlneárs háló 004 Horváth Gábor 4
43 A hálózato alalmazása Regresszó: status és dnamus rendszermodellezés szűrés nemlneárs dnamus rendszere ránítása stb. függvénappromácó Mnta asszocácó asszocácó autoasszocácó dmenzó reducó adattömörítés heteroasszocácó Mntafelsmerés laszterezés osztálozás Kombnatorus optmalzácós feladato optmalzácó 004 Horváth Gábor 43
44 Adattömörítés PCA háló Főomponens analízs Karhunen-Loeve transzformácó Φ 004 Horváth Gábor 44
45 004 Horváth Gábor 45 Adattömörítés PCA háló Adattömörítés PCA háló Karhunen-Loeve transzformácó Φ [ ] T ϕ N ϕ ϕ Φ... further Φ Φ Φ Φ ϕ ϕ T T j j T I δ N ϕ N M M ˆ ϕ { } { } + N M N M ε E E ˆ E ϕ ϕ [ ] + + N M T T N M T ε ε ˆ ϕ ϕ ϕ ϕ ϕ ϕ λ λ C [ ] + N M λ ε ˆ 0 C ϕ ϕ ϕ λ ϕ ϕ C N M N M T N M T λ λ ε ϕ ϕ ϕ ϕ R
46 MLP mnt lneárs adattömörítő háló Altér transzformácó Bemenet: A rejtett réteg menete: z z Kívánt menet Bemenet z 3 z M N W W' N Rejtett réteg Kmenet réteg M neuron a tanulás fázsban Tömörített menet N neuron 004 Horváth Gábor 46
47 Nemlneárs adattömörítés Nemlneárs feladat 004 Horváth Gábor 47
48 MLP mnt nemlneárs adattömörítő háló 5-rétegű autoasszocatív háló Bemenet: Kmenet: z a másod rejtett réteg menete 3 f f f f l l z z z f f f f l l l 3 Kívánt menet a tanítás fázsban nemlneárs lneárs nemlneárs lneárs réteg 004 Horváth Gábor 48
49 Tanulás 004 Horváth Gábor 49
50 Tanulás neuráls hálózatonál Tanulás: paraméter becslés ellenőrzött tanulás tanítóval történő tanulás nemellenőrzött tanulás tanító nélül tanulás analtus tanulás 004 Horváth Gábor 50
51 Ellenőrzött tanulás Modell paraméter becslés: d n Rendszer d f n d Krtérum függvén C d CCε Neuráls modell f M Paraméter módosító algortmus 004 Horváth Gábor 5
52 Krtérum függvén Ellenőrzött tanulás vadratus rtérum függvén: C T d C ε E d d egéb rtérum függvéne Pl. ε - érzéetlenség sávú { } E d Cε j j j ε rtérum függvén regularzácóval: büntető tag regularzácós tag hozzáadása ε d C ε λcr C Horváth Gábor 5
53 Ellenőrzött tanulás Krtérum mnmalzálás Analtus megoldás ˆ arg mn C d csa nagon egszerű eseteben pl. lneárs hálónál: Wener-Hopf egenlet Iteratív megoldás gradens eljáráso ereső eljáráso merítő eresés véletlen eresés genetus eresés 004 Horváth Gábor 53
54 Ellenőrzött tanulás Hba orrecós eljáráso perceptron szabál gradens eljáráso legmeredeebb lejtő eljárás + + µ ε + + µ Q Q I Neton Q R Levenberg-Marquardt + H C. H E onjugált gradens eljárás { T } + λω + + α g g Rg 0 f j T j 004 Horváth Gábor 54
55 Analtus megoldás Gradens eljáráso paramétereben lneárs modell. T vadratus rtérum függvén C T E d E E T T T { d } E{ d } + E{ } T T { d } p + R Wener-Hopf egenlet T R E p E{ } R p. { } 004 Horváth Gábor 55
56 Iteratív megoldás Gradens eljáráso + + µ. gradens C R a onvergenca feltétele 0 < µ < λ ma 004 Horváth Gábor 56
57 Gradens eljáráso LMS: pllanatn hbán alapuló teratív megoldás T d C ˆ ε ε pllanatn gradens Cˆ ˆ ε ε súl frssítés + + ˆ a onvergenca feltétele 0 µ + µε < µ < λ ma 004 Horváth Gábor 57
58 Példa a onvergencára Gradens eljáráso * b a c 0 a. s µ b. nag µ c. onjugált gradens legmeredeebb lejtő 004 Horváth Gábor 58 0
59 004 Horváth Gábor 59 Graden Gradens eljáráso eljáráso Egetlen neuron nemlneárs atvácós függvénnel Több-rétegű hálózat: hbavsszaterjesztés BP δ µ s ε µ sgm d s d d T sgm sgm ε s l l l l l N r l r l r l l l µδ δ µ sgm s δ δ l N r l r l r l l sgm + + +
60 MLP tanítás: BP o o 3 Σ f. Σ f. Σ f. Σ f. Σ f. Σ f. N W W f'. f'. δ W δ d n + n _ + ε n d + _ + d + _ + ε ε Π µ Π µ W frssítés W frssítés 004 Horváth Gábor 60
61 Fontos érdése MLP tervezés háló méret rétege száma rejtett neurono száma tanulás aránténező µ értée paramétere súlo ezdet értée valdácó ereszt valdácó tanulás és teszt észlet választása a tanítás módja szevencáls vag batch tanulás leállás feltétel 004 Horváth Gábor 6
62 MLP tervezés Háló méret: rejtett neurono száma Elmélet eredméne: felső orláto Gaorlat megözelítés: ét eltérő stratéga Egszerűtől összetetthez újabb neurono betatása Összetettből egszerűsítés metszés prunng regularzácó OBD OBS stb. 004 Horváth Gábor 6
63 MLP tervezés Kereszt értéelés a modell ompletás meghatározására C Torzítás bas alullleszedés Varanca túllleszedés Teszt hba Tanítás hba Modell ompletás Hálóméret Legjobb modell 004 Horváth Gábor 63
64 Strutúra választás C tanítás hba MLP tervezés Rejtett neurono számána növelése a b csöentés f cde Tanítás cluso száma 004 Horváth Gábor 64
65 Kmenet MLP tervezés Általánosítástúllleszedés Megfelelő lleszedés a tanítópontohoz Általánosítás Tanítóponto Túlleszedés Bemenet 004 Horváth Gábor 65
66 MLP tervezés Kora leállítás a túllleszedés elerülésére C Teszt hba túltanulásnál Teszt hba optmáls leállításnál Tanítás hba Optmáls leállítás Tanítás cluso száma 004 Horváth Gábor 66
67 Regularzácó parametrus büntetés C C C + λ MLP tervezés r j j j C µ µ λ sgn j C + λ r j Θ j nemparametrus büntetés C r ahol Φ C + Φ fˆ fˆ a smaság valamel mértée λ j 004 Horváth Gábor 67
68 RBF Radáls Bázs Függvén háló c c σ σ ϕ 0 + g ϕ g ϕ Σ c M σ M N g ϕ M M bemenet réteg rejtett réteg menet réteg T g c [ ] g ep c / σ g 004 Horváth Gábor 68
69 RBF tanítás Paramétereben lneárs strutúra analtus megoldás LMS Középponto paramétereben nemlneárs K-means laszterezés nemellenőrzött tanítás SVM 004 Horváth Gábor 69
70 Fontos érdése RBF tervezése háló méret rejtett neurono száma tanulás aránténező µ értée paramétere ezdet értée özépponto súlo valdácó tanító és teszt halmaz választás a tanulás módja: szevencáls vag batch tanulás leállás feltétele 004 Horváth Gábor 70
71 Dnamus neuráls strutúrá tanítása Előrecsatolt háló Időezelés temporáls BP NFIR: FIR-MLP FIR-RBF stb. NARX Vsszacsatolt háló RTRL BPTT NOE NARMAX 004 Horváth Gábor 7
72 Előrecsatolt archtetúrá NFIR: FIR-MLP a Santa Fe versen gőztese Σ f. l- l l Σ s l l f. Σ f. FIR szűrő z l Σ f. l l+... Σ f. Σ f. l -ed réteg 004 Horváth Gábor 7
73 FIR-MLP tervezés FIR-MLP tanítás: temporáls bacpropagaton ε ε l l j menet réteg rejtett réteg j + + M M µδ δ j T M f s m M m m l l l l l m j [ ] δ δ +... M δ + m ε l l s j m ε l s l L L L + + µ ε f ' s j j m j j m ε L j ε l l s j l s l j 004 Horváth Gábor 73
74 300 Idősor modellezés lezés Santa Fe versen Horváth Gábor 74
75 300 Idősor modellezés lezés Santa Fe versen Horváth Gábor 75
76 Idősor modellezés lezés Santa Fe versen NFIR modell válasza temporáls BP-vel tanítva 004 Horváth Gábor 76
77 Reurzív háló Archtetúra bemenet N M előrecsatolt status háló W + + menet + M z - z - z - z Horváth Gábor 77
78 Reurzív háló tanítása Tanítás: valós dejű reurzív tanítás RTRL ε u j j l + + µ ε f s + j l B j l ε f j ; l C ha A ha B j s l r B lr l ε µ r j l ε j ; + δ u l j r lr + δ r B j 0 ε j - l C l C l u εl j l j d f C ε ε l l j egébént 004 Horváth Gábor 78
79 Reurzív háló tanítása Tanítás: bacpropagaton through tme BPTT dőbel terítés 3 PE 3 4 PE PE PE PE PE 3 4 PE PE PE PE PE a. b. 004 Horváth Gábor 79
80 Dnamus neuráls strutúrá tanítása Kombnált lneárs dnamus és nemlneárs status archtetúrá előrecsatolt archtetúrá ε v ε H z j j j j j l v l v l j 004 Horváth Gábor 80
81 Dnamus neuráls strutúrá tanítása a. vsszacsatolt archtetúrá b. a. b. ε ε N v N v N u j j j j v v H z j N v j + + H z j j 004 Horváth Gábor 8
82 Dnamus rendszer modellezés Példa: eg dszrét dejű rendszer modellezése f [ u ] + ahol 3 u u + 0.3u 0. u f 4 tanító jel: egenletes eloszlású véletlen ét eltérő ampltúdóval 004 Horváth Gábor 8
83 Dnamus rendszer modellezés A gerjesztés szerepe: s gerjesztőjel Modell menet Rendszer menet Hba Horváth Gábor 83
84 Dnamus rendszer modellezés A gerjesztés szerepe: nag gerjesztőjel Modell menet Rendszer menet Hba Horváth Gábor 84
85 004 Horváth Gábor 85 Zajos adato hatása ezelése Zajos adato hatása ezelése EIV Errors-n-Varables ] [ n p Rendszer ] [ n m * * ] [ n m [] [] M M ] [ M M ] [ M M ] [ σ M M ] [ σ ] [ ] [ M M σ n * + n * + M n M n ] [ M n M n ] [
86 004 Horváth Gábor 86 EIV EIV Az LS és az EIV rtérum függvén EIV tanítás N j NN f j f e N M W W W σ η + NN f e f e M σ σ η W N NN LS f N C * * W + N u NN EIV f N M C σ σ W W NN f f e
87 EIV Példa 004 Horváth Gábor 87
88 EIV Példa Horváth Gábor 88
89 Nemellenőrzött tanítás Hebb tanulás η Versengő tanulás Bemenet * Kmenet M N W T T 004 Horváth Gábor 89
90 Nemellenőrzött tanítású háló Önszervező háló Hebb szabál Versengő tanítás laszterezés hasonlóság detecó adattömörítés PCA KLT 004 Horváth Gábor 90
91 Szupport vetor gépe SVM 004 Horváth Gábor 9
92 Szupport vetor gépe Szupport vetor gépe SVM osztálozásra SVM regresszóra LS SVM Rdge regresson Statsztus tanuláselmélet alapja 004 Horváth Gábor 9
93 Új megözelítés Szupport vetor gépe Azon érdésere s ad választ melere a lasszus megözelítés nem háló méret általánosító épesség 004 Horváth Gábor 93
94 Szupport vetor gépe Osztálozás Tartalé Optmáls hpersí Klasszus neuráls tanulás Szupport Vetor Gép 004 Horváth Gábor 94
95 Szupport vetor gépe Lneársan szeparálható étosztálos feladat { } P X d + X d d elválasztó hpersí T + b 0 T + b + f X and T + b f X T + b d Optmáls hpersí 004 Horváth Gábor 95
96 004 Horváth Gábor 96 Szupport vetor gépe Szupport vetor gépe mn mn mn mn } ; { } ; { } ; { } ; { b b b d b d b T T ρ b b d T + d b d Geometra nterpretácó
97 004 Horváth Gábor 97 Szupport vetor gépe Szupport vetor gépe Krtérum függvén Lagrange függvén feltételes optmalzácós feladat feltétele duáls feladat szupport vetoro optmáls hpersí Φ + P T d b b J } ] {[ α α 0 P d J α P d α 0 P d b J α } ma{ ma + P P P j j j j d d W α α α α α α 0 : > α 0 P α d P d 0 α mn ma α α b J b
98 004 Horváth Gábor 98 Szupport vetor gépe Szupport vetor gépe Bztonság sávba eső adato szeparáló hpersí rtérum függvén gengítő változó Lagrange függvén szupport vetoro optmáls hpersí P b d T... ] [ + ξ + P C ξ ξ Φ P T P b d C b J } ] [ { ξ β ξ α ξ ξ β α 0 α C : > 0 α P d 0 α Optmáls hpersí
99 004 Horváth Gábor 99 Szupport vetor gépe Szupport vetor gépe Nemlneárs szeparálás jellemző tér szeparáló hpersí döntés felület magfüggvén Mercer feltétele másodlagos duáls függvén 0 + b T ϕ 0 0 P M j j j P d K d ϕ ϕ α α j T j K ϕ ϕ 0 0 M j j j ϕ P P P j j j j K d d W α α α α
100 Jellemző tér bemenet tér jellemző tér M j 0 ϕ j j T ϕ [... ] T 0 M ϕ [ ϕ ϕ... ϕ ] T 0 M 004 Horváth Gábor 00
101 Szupport vetor gépe Magfüggvéne SVM célra Polnom RBF K K T d + d... ep σ MLP csa bzonos β o és β mellett K T tanh β + β 0 CMAC... B-splnes 004 Horváth Gábor 0
102 004 Horváth Gábor 0 Szupport vetor gépe Szupport vetor gépe Példa: polnom bázs- és magfüggvén bázs függvéne magfüggvén K T ] [ ϕ
103 004 Horváth Gábor 03 Szupport vetor regresszó SVR Szupport vetor regresszó SVR egébént 0 ha ε f d ε f d f d C α α α ε ε ε Cε ξ
104 Szupport vetor regresszó SVR d T ϕ ξ T ϕ ε + ξ T d 0 ε + ξ M j j 0 Feltétele: Mnmalzálandó: ϕ... P j P Φ ξξ + C ξ + ξ ξ Horváth Gábor 04
105 004 Horváth Gábor 05 Szupport vetor regresszó SVR Szupport vetor regresszó SVR Lagrange függvén duáls feladat feltétele szupport vetoro megoldás [ ] [ ] ξ γ ξ γ ξ ε α ξ ε α ξ ξ ξ ξ P T P T P T P d d C J γ γ α α ϕ ϕ P ϕ α α C α γ C α γ α α : j P P j j j P P K W + α α α α α α ε α α α α 0 P α α 0 C α 0 C α
106 Szupport vetor regresszó SVR 004 Horváth Gábor 06
107 Szupport vetor regresszó SVR 004 Horváth Gábor 07
108 Szupport vetor regresszó SVR 004 Horváth Gábor 08
109 Szupport vetor regresszó SVR 004 Horváth Gábor 09
110 Főbb előnö Szupport vetor gépe felső orlátot ad az általánosítás hbára automatus modell strutúra meghatározás Főbb hátráno nehézsége vadratus programozás a duáls feladathoz hperparamétere megválasztása 004 Horváth Gábor 0
111 SVM versons Klasszus Vapn SVM LS SVM osztálozás Φ T ξξ + C e P regresszó Φ T ξξ + C e P egenlőség feltétel T d [ + b] e... P T + b + e P d ϕ... nncs vadratus optmalzálásra szüség 004 Horváth Gábor
112 004 Horváth Gábor LS SVM LS SVM Lagrange egenlet A derváltaból származó egenlete { } P T P T d e b e b L ; α e ϕ α γ P d e b L P e e L b L L T P P ϕ ϕ α γ α α α
113 004 Horváth Gábor 3 LS SVM LS SVM Az eredmén lneárs egenletrendszer Regresszó Osztálozás ahol a válasz + d α I Ω 0 0 b T γ r r + α I Ω d d r 0 0 b T γ j j j K d d Ω j T j j K ϕ ϕ Ω + N b K α + N b K d α
114 Rdge regresson Hasonló az LS-SVM-hez de nem alalmaz bas tagot Az eredménént apott lneárs egenletrendszer + d Ω γ I α A rdge regresson megfelel a pl. CMAC-na ahol a ernel függvéne a másodrendű B-splneo. 004 Horváth Gábor 4
115 004 Horváth Gábor 5 Kernel CMAC rdge regresson Kernel CMAC rdge regresson A lasszus CMAC analtus megoldása Kerneles változat rtérum függvén Lagrange függvén a derváláso eredméneént apott összefüggése T e d + a P T... a u d A * T AA T A A d T T T T AA A u a u a u * + P T e J mn γ e + P T d e J L a e α e α + P d e L P e e L L T P u a α e α e a 0 α e α γ α α
116 004 Horváth Gábor 6 Kernel CMAC Kernel CMAC d I AA A u a d I K A u a α u K u u a u a u a u + + γ γ α α T T T T T T P P T T K Az eredmén
117 Statsztus tanuláselmélet Cél: ocázatmnmalzálást eredménező megoldás eresése [ d f ] p d ddd R Nehézsége: smeretlen a valószínűségsűrűség függvén Tapasztalat ocázat határozható meg R [ L ] d f l emp L l optmáls érté Kérdés: aszmptotus onzsztenca * Remp L R * L R emp R 0 hen L R 0 hen L * L R * L 004 Horváth Gábor 7
118 Statsztus tanuláselmélet A tapasztalat ocázat aszmptotus onzsztencája Várható ocázat R L Mn RR 0 Tapasztalat ocázat R 0 L L 004 Horváth Gábor 8
119 Statsztus tanuláselmélet A onzsztenca és a gors onvergenca szüséges és elégséges feltétele: véges Vapn-Cservonens VC dmenzó VC dmenzó: Eg függvénhalmaz VC dmenzója h ha létez legalább eg esetben h olan mnta mel szeparálható mnden lehetséges módon ét osztálba sorolható a függvénhalmaz elemevel de egetlen esetben sem létez h+ mnta mel uganezen függvénhalmaz elemevel szeparálható volna. 004 Horváth Gábor 9
120 Modell ompletás VC dmenzó Illusztrácó lneárs szeparácó nemlneárs szeparácó 004 Horváth Gábor 0
121 Általánosítás hba Az általánosítás hba orlátja osztálozás R Remp + járuléos tag h h r m n ; mn + r a mntapontoat magába foglaló hpergömb sugara m eg felső orlát : m regresszó R R emp c ε h 004 Horváth Gábor
122 Strutúráls ocázat mnmal alzálása Általánosítás hba Kompromsszum az appromácó mnősége és az appromáló függvén ompletása özött 004 Horváth Gábor
123 A hálózattervezés általános érdése összefoglalás 004 Horváth Gábor 3
124 Neuráls hálózato tervezése Modell választás neuráls archtetúra választás pl. bázs függvén választás regresszor választás modell foszám választás háló méter választás rétege száma neurono száma Modell paraméter becslés analtus összefüggés tanulás Modell valdácó rtérumo ereszt értéelés 004 Horváth Gábor 4
125 Modell választás A probléma megfogalmazása az optmáls pataméterszám meghatározása a rejtett neurono optmáls számána meghatározása amel ahhoz szüséges hog a mntá által reprezentált rendszert özelíthessü Krtérumfüggvén veszteségfüggvén ocázat tapasztalat ocázat 004 Horváth Gábor 5
126 Modell választás Status vag dnamus Dnamus modell osztálo regresszor választás bázsfüggvén választás Háló méret rétege száma rejtett neurono száma modell foszám 004 Horváth Gábor 6
127 Archtetúra választás A modell mérete Modell választás Modell ompletás modell foszám Általánosítás Mt lehet állítan a megtanított háló általánosítás hbájáról? öölszabál analtus eredméne a VC dmenzón alapuló felső orláto 004 Horváth Gábor 7
128 Elmélet eredméne osztálozásra Modell választás M processzáló elem P tanító pont W súl T teszt pont P ε T ε tanító pontot helesen osztáloz teszt pontot helesen osztáloz 0 < ε 8 regresszóra P W O log ε M ε C MN O f + O log P M P R f fˆ d A N M rejtett neuron N bemenet dmenzója P tanító pont C f a függvén regulartása 004 Horváth Gábor 8
129 Modell választás valdácó Statsztus módszere Kereszt értéelés eghagásos -hagásos Krtérumo: hbatag+büntető tag AIC MDL NIC stb. Statsztus tanuláselmélet VC dmenzó 004 Horváth Gábor 9
130 Modell választás valdácó Kereszt értéelés újramntavételezés A mntaészlet T felbontása tanító észletre P és teszt észletre Q? Nag hálónál a háló paraméterene száma m nag Nagméretű adathalmazra ereszt értéelésre Ha T < 30m Q T m T > 30m nncs szüség a ora leállítás a ereszt értéelés alapján javítja a megoldás általánosító épességét 004 Horváth Gábor 30
131 Modell választás valdácó Kereszt értéelés -hagásos a háló általánosító-épességéne meghatározásához az összes tanítópontot felhasználju a ezdet hálót az összes ponttal tanítju a tanító halmazból választun mntát a hálót újra tanítju a maradé mntával az előzetesen megtanított pontból ndítva értéelés a -elemű teszt észlettel smételjü az eljárást de az előzőtől ülönböző mnta hagása után az értéelése eredménet átlagolju 004 Horváth Gábor 3
132 004 Horváth Gábor 3 Modell választás valdácó Modell választás valdácó Neuráls modell választás NIC Feladat: a paramétere optmáls számána meghatározása a tejtett eleme optmáls számána meghatározása Veszteségfüggvén: a háló menete és a ívánt válasz özött ülönbség Ha van addtív zaj Kocázat függvén a veszteség várható értée ahol p a valód de smeretlen sűrűségfüggvén A tapasztalat sűrűségfüggvén használható: p* Θ Θ f l ξ ξ + Θ + Θ vag specálsan f f ξ var + Θ Θ f l d d p l p R Θ Θ Θ Θ Θ P P f P l P p R
133 Modell választás valdácó Neuráls modell választás NIC Paraméter becslés gradens eljárással A paramétere aszmptotus tulajdonsága meghatározható Az aszmptotus tulajdonságo alapján az eges modelle értéelhető So parametrus neuráls modell M onstruálható eze herarchus rendbe állítható ahol M paraméter m vetora Θ R és m <m <m 3 am azt jelent hog M K M M Horváth Gábor 33
134 Modell választás valdácó Neuráls modell választás NIC Az átlagos ocázat mel a valód eloszlás függvéne fejezhető mnt a tapasztalat ocázat plusz eg büntető tag. NIC p G Q * * ~ ~ P * ~ ~ * p p Θ + tr G Θ Q Θ R Θ var [ l Θ ] ~ p ~ Θ E [ l Θ ] p ~ 004 Horváth Gábor 34
135 VC elmélet Modell választás valdácó S az appromáló függvéne halmaza S eleme egmásbaágazott részhalmazo S véges VC dmenzóval h S S S Rendezés ompletás szernt h h h A pror nformácó alapján S specfálható For a gven data set the optmal model estmaton: selecton of an element of the set model selecton estmatng the model from ths subset tranng the model there s an upper bound on the predcton rs th a gven confdence level 004 Horváth Gábor 35
136 Modell választás valdácó Gaorlat alalmazhatóság túl pesszmsta eloszlásfüggetlen eredméne túl evés tanító mnta nem reprezentatív mntá 004 Horváth Gábor 36
137 Modell foszám dnamus feladat NARX modell NOE modell f [... n... m ] Lpschtz szám Lpschtz hánados p n n q n q / p q j j Horváth Gábor 37
138 Modell foszám dnamus feladat Lpschtz hánados általános nemlneárs bemenet - menet relácó f. foltonos síma többváltozós függvén f [... n ] orlátos derválta Lpschtz hánados q j j j ' f f M... n 0 q j L érzéenség analízs f f f ' ' + + K + n f + f + K n + f ' n n 004 Horváth Gábor 38
139 Modell foszám dnamus feladat Lpschtz szám q n j + + K+ n nm q n j ; + + K K + n q n+ j n+ q n p n n q n q / p ad legnagobb Lpchtz hánados a q p 0.0N L 0. 0N n j j; j... N özött optmáls n mellett n+ n q q n n q >> q 004 Horváth Gábor 39
140 Neuráls hálózato Mért alalmazun neuráls hálózatoat? Egéb függvénappromácós eszözö: a dmenzó áta Pl. N-dmenzós feladatnál M-ed rendű polnom mellett a szabad paramétere száma N M szernt nő. Neuráls háló MLP az appromálandó függvéntől függő bázs függvéneet használna. Az adaptív bázs függvénészlet lehetővé tesz a szabad paramétere számána csöentését. Neuronhálóra az mplct regularzácó jellemző nem nag az érzéenségü a túlparametrzálásra Paramétere értééne meghatározása mntá alapján tanulással 004 Horváth Gábor 40
141 Modulárs háló 004 Horváth Gábor 4
142 Hálóegüttes Modulárs háló háló lneárs ombnácója Szaértő everé Mture of eperts azonos elven műödő szaértő pl. neuráls háló Különböző paradgmá egüttese pl. neuráls háló + szmbólus megözelítés Hbrd megoldáso szaértő rendszere neuráls háló 004 Horváth Gábor 4
143 Egüttműödő háló Háló egüttes osztálozás/regresszó motvácó heursztus ülönböző szaértő egészítő tudás matemata pontos és ülönböző 004 Horváth Gábor 43
144 Hálóegüttes Matemata gazolás Az eredő menet M α α j 0 j j Különbözőség Eged hba a ε j j [ ] α j [ ] d j Egüttes eredő hba ε [ d α ] Feltétele Μ j α j 004 Horváth Gábor 44
145 Hálóegüttes Matemata gazolás Súlozott hba ε M α α j 0 ε j j Súlozott ülönbözőség a Eredő hba Várhatóérté épzés ε α α Megoldás: pontos és ülönböző háló egüttese 004 Horváth Gábor 45 M j 0 a j j [ d α ] ε α a α E ε α f d E ε α f d A a α f d E E A
146 Hálóegüttes Hogan aphatun pontos és ülönböző hálóat eltérő strutúrá: pl. MLP RBF CCN stb. eltérő méret eltérő ompletás rejtett rétege száma eltérő számú rejtett neuron ülönböző nemlneárs függvéne stb. eltérő tanulás stratéga: batch tanítás szevencáls tanítás eltérő tanítás algortmus BP CG véletlen eresésstb. mntasorrend eltérő tanító észlet ülönböző tanítás paramétere ülönböző ezdet értée eltérő leállás feltétele 004 Horváth Gábor 46
147 Háló lnel neárs ombnácója Rögzített egüttható 0 NN NN α α α 0 Σ M α α j 0 j j α M M NN M 004 Horváth Gábor 47
148 Háló lnel neárs ombnácója Optmáls egüttható számítása α... M M α α 0 feltétel j Μ κ j α egszerű átlag bemenettől függően eg háló optmáls értée feltétele nélül Wener-Hopf egenlet * R α P [ T ] P E d R E [ ] 004 Horváth Gábor 48
149 Szaértő egüttes Mture of Eperts MOE Σ µ Kapuzó hálózat g g g M µ. szaértő µ Μ. szaértő M. szaértő 004 Horváth Gábor 49
150 Mture of Eperts MOE Eredő menet: az eges menete súlozott összege M µ g µ µ f Θ g g M Θ az -ed szaértő paramétere Kapuzó háló menete: softma függvén T v g M e j ξ e ξ a apuzó háló -ed paramétere j ξ T v 004 Horváth Gábor 50
151 Mture of Eperts MOE Valószínűség nterpretácó µ Θ ] g P v E[ a valószínűség model a valód paramétereel P Θ g v P Θ a pror valószínűség g 0 0 v P v 004 Horváth Gábor 5
152 Mture of Eperts MOE Tanítás Tanító adato X l l { } L l A menet előállításána valószínűsége adott bement mellett l l l l l P Θ P v P Θ L L l l l l l P Θ P Θ P v P Θ l l A log lelhood függvén mamum lelhood becslés l l l L Θ log P v P Θ l 004 Horváth Gábor 5
153 Tanítás Mture of Eperts MOE Gradens eljárás α Θ 0 v and A szaértő paramétervetora α Θ 0 Θ L l l µ Θ + Θ + η h µ Θ A apuzó hálózat paramétervetora l L l l l l v + v + η h g 004 Horváth Gábor 53
154 004 Horváth Gábor 54 Mture of Eperts MOE Mture of Eperts MOE Tanítás A pror valószínűség A posteror valószínűség j j l l l j l l l l P g P g h Θ Θ l l l P g g v v
155 Tanítás Mture of Eperts MOE EM Epectaton Mamzaton algortmus Általános teratív eljárás a mamum lelhood becslés feladat megoldására Rejtett változó bevezetése log lelhood függvén defnálása Két lépés: A rejtett változó szernt várható érté épzés A log lelhood függvén mamumána eresése 004 Horváth Gábor 55
156 EM Epectaton Mamzaton Egszerű példa: Gauss eloszlás várható értééne becslése f µ f µ Megfgelés 004 Horváth Gábor 56
157 004 Horváth Gábor 57 EM EM algortm algortmus us Egszerű példa: Gauss eloszlás várható értééne becslése Az eges megfgelésehez rendelt rejtett változó l z l zl lelhood függvén Log lelhood függvén Adott a rejtett változó várható értée f and 0 X l l l z z f 0 and X l l l z z l z l l l l f z f f µ µ µ Π log log l l l l f z z f µ µ L l z µ és µ [ ] j j l l l f f z E µ µ µ µ [ ] j j l l l f f z E µ µ µ µ
158 004 Horváth Gábor 58 Mture of Eperts MOE Mture of Eperts MOE Egszerű példa: Gauss eloszlás várható értééne becslése A log lelhood függvén várható értée ahol A várható értée becslő log ]log [ ] [ l j j l l l l f f f f z E E µ µ µ µ µ µ L ] ep[ σ µ πσ µ µ l f log log σ µ πσ µ p l f L l l L l l l z E z E ] [ ] [ ˆµ
159 Feladat deompozíc có A deompozícó és a tanulás vszona tanulás előtt deompozícó részfeladatora bontás deompozícó a tanulás során automatus feladat deompozícó Probléma tér deompozícója bemenet tér bemenet laszterezés bemenet tartománo defnálása menet tér ívánt válasz 004 Horváth Gábor 59
160 Feladat deompozíc có Részfeladatora bontás K-osztálos osztálozás K ét-osztálos feladatra bontás durva deompozícó Komple ét-osztálos feladat egszerűbb ét-osztálos feladatora bontás fnomabb deompozícó Integrálás modul ombnácó 004 Horváth Gábor 60
161 Feladat deompozíc có Példa: eg 3-osztálos feladat 004 Horváth Gábor 6
162 3 osztál Feladat deompozíc có osztál osztál 004 Horváth Gábor 6
163 3 osztál Feladat deompozíc có osztál osztál classes 004 Horváth Gábor 63
164 3 osztál Feladat deompozíc có osztál osztál 004 Horváth Gábor 64
165 Feladat deompozíc có M MIN C Bemenet M 3 MIN C M 3 MIN C 3 INV 004 Horváth Gábor 65
166 Kétosztálos feladat felbontása részfeladatora Feladat deompozíc có 004 Horváth Gábor 66
167 Feladat deompozíc có M M M M AND AND OR 004 Horváth Gábor 67
168 Feladat deompozíc có M MIN Bemenet M MAX C M MIN M 004 Horváth Gábor 68
169 Feladat deompozíc có Tanító észlet deompozícója: Eredet tanító észlet { } L l l l Τ AK étosztálos feladat tanítópontja Τ L { }.. K l l. l l ε ε f f l l C C az ed osztál ed vételével az összes osztál A étosztálos feladat felosztása K- egszerűbb étosztálos feladatra [K-/] Τ j { } { } L L j ε ε j... K és j l l l l 004 Horváth Gábor 69
170 Feladat deompozíc có Eg gaorlat példa: ránítószám felsmerés Jellemző Éldetetálás Normalzálás mátr nput bemenet number horzontáls dagonáls \ vertáls Krsch maszo dagonáls / 004 Horváth Gábor 70
171 Feladat deompozíc có ránítószám felsmerésézírásos arater felsmerés modulárs megoldás 0 AND apu MIN operátor 45 K*K-/ neuron 56+ bemenet 004 Horváth Gábor 7
172 SVM-e everée A hperparaméter választás SVM-nél Különböző SVM-e eltérő hperparamétereel ülönböző szgma A bemenet tér szoft felbontása 004 Horváth Gábor 7
173 Egéb modulárs archtetúrá 004 Horváth Gábor 73
174 Hbrd háló 004 Horváth Gábor 74
175 Hbrd háló Magarázat alapú és megfgelés mntáon alapuló rendszere Doman smeret és mntában meglévő smeret egüttes felhasználása A ét rendszer előnene egesítése Magarázat generálás Létező hbrd archtetúrá EBNN KBANN 004 Horváth Gábor 75
176 Doman smeret Előn: evés adat szüséges elmélet mellett néha egetleneg példa s elég Hátrán: teljes és orret doman elméletet tételez fel nem 'tudás sznten' tanul lénegében csa átfogalmaz a nduló elmélet hbát nem épes javítan a doman elmélete 'töréene' lehetne nem jellemző a 'foozatos romlás a doman elmélet határán a rendszer teljesítő épessége hrtelen roml a doman elmélet túl bonolult lehet gaorlat célora dő/memóra orláto a doman elméletet valane meg ell fogalmazn. 004 Horváth Gábor 76
177 Mntában lévő smeret Előnö ld. neuronhálóról szóló rész Hátráno álorrelácó a példában pl. Japánban mnden feete hajú mnden ember feete hajú a vételes eseteet nem vag nem ellő mértében reprezentáljá a mntá az osztálozás szempontjából léneges vonáso örnezetfüggőe aármel objetum elvleg végtelen so ülönféle attrbútummal írható le a léneg vonáso szűréséhez tudás ell lénegtelen vonáso a példá leírásában negatívan befolásolhatjá az osztálozást tanulás egszerűbb ha ezdet prmtív tulajdonságoból bonolultabb összetettebb tulajdonságoat épezhetün. 004 Horváth Gábor 77
178 Tovább hátráno lassú tanulás Tanulás mntából a háló ezdet paraméterene megválasztása nagban befolásolhatja a tanult oncepcóat háló topológa megválasztásána nehézsége tanulás után eg háló nem más mnt eg 'feete doboz nncs magarázat. 004 Horváth Gábor 78
179 Tudásalapú neuronháló KBANN A KBANN archtetúra 004 Horváth Gábor 79
180 Tudásalapú neuronháló KBANN Lépése Knduló szabálo Horn lóz átírása Kezdet háló strutúra meghatározása Kezdet súlo megállapítása Háló bővítése neuronoal és összeöttetéseel Tanítás mntáal ereszt entrópa alapján Szabálo nerése a megtanított hálóból Subset NofM 004 Horváth Gábor 80
181 Á t í r á s Tudásalapú neuronháló KBANN Szabálo átírása Knduló szabálo Átírt szabálo 004 Horváth Gábor 8
182 Tudásalapú neuronháló KBANN Szabálo és a háló megfeleltetése Tudásbázs Neuráls háló Kapcsolato: vastag vonala Háló összeöttetése súlo vastag vonala 004 Horváth Gábor 8
183 Tudásalapú neuronháló KBANN Tudásalapú neuronháló KBANN Eg egszerű példa 004 Horváth Gábor 83
184 Tudásalapú neuronháló KBANN Szabálo hálóvá neuronná onvertálása onjuntív szabál dszjuntív szabál 004 Horváth Gábor 84
185 004 Horváth Gábor 85 Tudásalapú neuronháló KBANN Tudásalapú neuronháló KBANN Rátanítás mntáal Krtérumfüggvén: eresztetrópa A gardens meghatározása vags + P j j j j j d d E ln ln ahol s s E E ln ln d d E + d d E d d s E
186 Tudásalapú neuronháló KBANN Szabálo nerése: Subset eljárás 004 Horváth Gábor 86
187 Tudásalapú neuronháló KBANN Szabálo nerése NofM 004 Horváth Gábor 87
188 Tudásalapú neuronháló KBANN Módosított változato TopGen Újabb szabálo beépítésére alalmas hálóterjesztés ReGent Genetus algortmuso alalmazásával fnomított KBANN A genetus operátoro a szabálora műödne Új szabálo létrehozása FsKBANN Végesállapotó rendszere reurzív háló 004 Horváth Gábor 88
189 Irodalom C. M. Bshop: "Neural Netors for Pattern Recognton" Clarendon Press Oford 995. C. J. C. Burges: "A Tutoral on Support Vector Machnes for Pattern Recognton" Knoledge Dscover and Data Mnng 998. pp V. Cherass and F. Muler: Learnng from Data John Wle & Sons N.Y J. Van Gorp J. Schouens and R. Pntelon: "Learnng neural netors th nos nputs usng the errors-n-varables approach" IEEE Trans. on Neural Netors Vol.. No. pp S. Han: "Neural Netors A Comprehensve Foundaton" Prentce Hall Ne Jerse 999. He X. Asada H: A Ne Method for Identfng Orders of Input-Output Models for Nonlnear Dnamc Sstems Proc. of the Amercan Control Conference 993. San Francsco CA. USA. pp J. Hertz - A. Krogh and R. G. Palmer: Introducton to the Theor of Neural Computatons Addson-Wesle Publshng Co. 99. G. Horváth ed.: "Neuráls hálózato és műsza alalmazása" Műegetem Kadó Budapest 998. Noboru Murata Shuj Yoshzaa and Shun-Ich Amar Netor Informaton Crteron - Determnng the Number of Hdden Unts for an Artfcal neural netor Model IEEE Trans. on Neural Netors Vol. 5. No. 6. pp J. Rssanen: Modelng b Shortest Data Descrpton Automatca Vol. 4. pp J. Smola B. Schölopf: "A Tutoral on Support Vector Regresson" NeuroCOLT Techncal Report Seres NC-TR J. Smola B. Schölopf: Learnng th KernelsÁ MIT Press 00 Mohamad H. Hassoun: Fundamentals of Artfcal Neural Netors The MIT Press 995 ebcm: J.A.K. Suens: Nonlnear Modellng and Support Vector Machnes Proc. of the IEEE Instrumentaton and Measurement Technolog Conference Budapest 00 Vol. I. pp V. Vapn: "The Nature of Statstcal Learnng Theor" Sprnger N.Y G.G. Toell és J. W. Shavl: Koledge-Based Artfcal Neurla Netors Artfcal Intellgence Vol Horváth Gábor 89
Mesterséges Intelligencia MI
Mesterséges Intellgenca MI Egyszerű döntés. Tanuljuk meg! Dobroweck Tadeusz Eredcs Péter, és mások BME I.E. 437, 463-28-99 dobroweck@mt.bme.hu, http://www.mt.bme.hu/general/staff/tade Neuron doktrna: S.
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
RészletesebbenIntelligens Rendszerek Elmélete
Intellgens Rendszerek Elmélete Dr. Kutor László A mesterséges neuráls hálózatok alapfogalma és meghatározó eleme http://mobl.nk.bmf.hu/tantargyak/re.html Logn név: re jelszó: IRE07 IRE 7/1 Neuráls hálózatok
RészletesebbenÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA Készült a TÁMOP-4..-08//A/KMR-009-004pálázat projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudomán Tanszékén az ELTE Közgazdaságtudomán Tanszék az MTA Közgazdaságtudomán Intézet
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.:
RészletesebbenA neurális hálózatok alapjai
A neuráls hálózatok alapja (A Neuráls hálózatok és mszak alkalmazásak cím könyv (ld. források) alapján) 1. Bológa alapok A bológa alapok megsmerése azért fontos, mert nagyon sok egyed neuráls struktúra,
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenOLS regresszió - ismétlés Mikroökonometria, 1. hét Bíró Anikó A tantárgy tartalma
OLS regresszó - smétlés Mroöonometra,. hét Bíró Anó A tantárg tartalma Leggaorbb mroöonometra problémá és azo ezeléséne megsmerése Egén vag vállalat adato Keresztmetszet és panel elemzés Vállalat, pacelemzés
RészletesebbenNemlineáris függvények illesztésének néhány kérdése
Mûhel Tóth Zoltán docens, Károl Róbert Főskola E-mal: zol@karolrobert.hu Nemlneárs függvének llesztésének néhán kérdése A nemlneárs regresszós és trendfüggvének llesztésekor számos esetben alkalmazzuk
RészletesebbenTanítóval történ ellenrzött tanulás (Supervised Learning)
anítóval történ ellenrzött tanulás (Supervsed Learnng Bevezetés Az ellenrzött tanulás esetén mndg van nformácón a rendszer ívánt válaszáról A tanítóval történ tanításnál összetartozó be- és menet mntapáro
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Korreláció-számítás. 1. előadás. Döntéselőkészítés módszertana. Dr.
Korrelácó-számítás 1. előadás Döntéselőkészítés módszertana Dr. Varga Beatr Két változó között kapcsolat Függetlenség: Az X smérv szernt hovatartozás smerete nem ad semmlen többletnformácót az Y szernt
RészletesebbenIDA ELŐADÁS I. Bolgár Bence október 17.
IDA ELŐADÁS I. Bolgár Bence 2014. október 17. I. Generatív és dszkrmnatív modellek Korábban megsmerkedtünk a felügyelt tanulással (supervsed learnng). Legyen adott a D = {, y } P =1 tanító halmaz, ahol
RészletesebbenHatékonyságvizsgálat az egészségügyben Relatív hatékonyságvizsgálat (DEA) alkalmazása a mozgásszervi rehabilitációs osztályokon
Hatéonyságvzsgálat az egészségügyben Relatív hatéonyságvzsgálat (DEA) alalmazása a mozgásszerv rehabltácós osztályoon DÉNES RITA - Kolta Tamás - Uzony-Kecsés Judt Menedzsment és Vállalatgazdaságtan Tanszé
Részletesebben7. Kétváltozós függvények
Matematika segédanag 7. Kétváltozós függvének 7.. Alapfogalmak Az A és B halmazok A B-vel jelölt Descartes-szorzatán azt a halmazt értjük, melnek elemei mindazon a, b) rendezett párok, amelekre a A és
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
Részletesebben3D Számítógépes Geometria II.
3D Számítógépes Geometra II. 8. n-olalú ézer felülete ttp://cg.t.bme.u/portal/3geo2 ttps://www.v.bme.u/epzes/targya/viiiav6 Dr. Váray Tamás Dr. Salv Péter ME Vllamosmérnö és Informata Kar Irányítástecna
RészletesebbenHatárérték. Wettl Ferenc el adása alapján és Wettl Ferenc el adása alapján Határérték és
2015.09.28. és 2015.09.30. 2015.09.28. és 2015.09.30. 1 / Tartalom 1 A valós függvén fogalma 2 A határérték fogalma a végtelenben véges pontban Végtelen határértékek 3 A határértékek kiszámítása A rend
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h.
Mesterséges Intelligencia Elektronikus Almanach Neurális hálózatokh 1 BME 1990: Miért neurális hálók? - az érdeklıdésünk terébe kerül a neurális hálózatok témakör - fıbb okok: - adaptív rendszerek - felismerési
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék ÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETRIA ÖKONOMETRIA Készült a TÁMOP-4.1.-08//A/KMR-009-0041pálázat projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudomán Tanszékén az ELTE Közgazdaságtudomán Tanszék, az MTA Közgazdaságtudomán
RészletesebbenMatematika OKTV I. kategória 2017/2018 második forduló szakgimnázium-szakközépiskola
O k t a t á s i H i v a t a l A 017/018. tanévi Országos Középiskolai Tanulmáni Versen második forduló MATEMATIKA I. KATEGÓRIA (SZAKGIMNÁZIUM, SZAKKÖZÉPISKOLA) Javítási-értékelési útmutató 1. Adja meg
RészletesebbenI. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
RészletesebbenDiszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (
FELADATOK A LEKÉPEZÉSEK, PERMUTÁCIÓK TÉMAKÖRHÖZ Diszkrét Matematika 4. LEKÉPEZÉSEK Értelmezési tartomány és értékkészlet meghatározása : Összefoglaló feladatgyűjtemény matematikából ( zöld könyv ): XIII.
Részletesebben3D-s számítógépes geometria
3D-s számítógépes geometra 11. 3D szegmentálás http://cg.t.bme.hu/portal/node/31 https://www.vk.bme.hu/kepzes/targyak/viiiav01 Dr. Várady Tamás BME, Vllamosmérnök és Informatka Kar Irányítástechnka és
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás b Háromszöghálók - algortmusok http://cgtbmehu/portal/node/3 https://wwwvkbmehu/kepzes/targyak/viiiav54 Dr Várady Tamás, Dr Salv Péter BME, Vllamosmérnök
RészletesebbenRelációk. Vázlat. Példák direkt szorzatra
8.. 7. elácók elácó matematka fogalma zükséges fogalom: drekt szorzat Halmazok Descartes drekt szorzata: Legenek D D D n adott doman halmazok. D D D n : = { d d d n d k D k k n } A drekt szorzat tehát
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás 17. 3D Szegmentálás http://cg.t.bme.hu/portal/node/312 https://www.vk.bme.hu/kepzes/targyak/viiiav54 Dr. Várady Tamás, Dr. Salv Péter BME, Vllamosmérnök
RészletesebbenVázlat. Relációk. Példák direkt szorzatra
7..9. Vázlat elácók a. elácó fogalma b. Tulajdonsága: refleív szmmetrkus/antszmmetrkus tranztív c. Ekvvalenca relácók rzleges/parcáls rrendez relácók felsmere d. elácók reprezentálása elácó matematka fogalma
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...
RészletesebbenIntelligens orvosi műszerek VIMIA023
Intelligens orvosi műszerek VIMIA023 Neurális hálók (Dobrowiecki Tadeusz anyagának átdolgozásával) 2017 ősz http://www.mit.bme.hu/oktatas/targyak/vimia023 dr. Pataki Béla pataki@mit.bme.hu (463-)2679 A
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenKétváltozós függvények ábrázolása síkmetszetek képzése által
Kétváltozós függvének ábrázolása síkmetszetek képzése által ) Ábrázoljuk a z + felületet! Az [,] síkkal párhuzamos síkokkal z c) képzett metszetek körök: + c, tehát a felület z tengelű forgásfelület; Az
RészletesebbenNeurális hálózatok.... a gyakorlatban
Neurális hálózatok... a gyakorlatban Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13.
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
RészletesebbenAnalízis I. zárthelyi dolgozat javítókulcs, Informatika I okt. 19. A csoport
Analízis I. zártheli dolgozat javítókulcs, Informatika I. 0. okt. 9. Elméleti kérdések A csoport. Hogan számíthatjuk ki két trigonometrikus alakban megadott komple szám szorzatát más alakba való átváltás
RészletesebbenÖKONOMETRIA. Készítette: Elek Péter, Bíró Anikó. Szakmai felelős: Elek Péter június
ÖKONOMETIA Készült a TÁMOP-4.1.-08//A/KM-009-0041pályázat projet eretébe Tartalomfejlesztés az ELTE TáTK Közgazdaságtudomáy Taszéé az ELTE Közgazdaságtudomáy Taszé az MTA Közgazdaságtudomáy Itézet és a
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
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
RészletesebbenSzabadsugár. A fenti feltételekkel a folyadék áramlását leíró mozgásegyenlet és a kontinuitási egyenlet az alábbi egyszerű alakú: (1) .
Szabadsugár Tekintsük az alábbi ábrán látható b magasságú résből kiáramló U sebességű sugarat. A résből kiáramló és a függőleges fal melletti térben lévő foladék azonos. A rajz síkjára merőleges iránban
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenNeurális hálózatok. Nem ellenőrzött tanulás. Pataki Béla. BME I.E. 414,
Neurális hálózato Nem ellenőrzött tanulás Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai Nem ellenőrzött tanulás (Klaszterezés ) Az eseteet szoásos módon
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenORTOGONÁLIS GÖRBEVONALÚ KOORDINÁTAHÁLÓZAT LÉTREHOZÁSA TETSZŐLEGES PEREMPONTOKKAL ADOTT MERIDIÁNCSATORNÁK ESETÉN. Könözsy László Ph.D.
ORTOGONÁLIS GÖRBEVONALÚ KOORDINÁTAHÁLÓZAT LÉTREHOZÁSA TETSZŐLEGES PEREMPONTOKKAL ADOTT MERIDIÁNCSATORNÁK ESETÉN. BEVEZTÉS Könözsy László Ph.D. hallgató Msolc Egyetem, Áramlás- És Hőtechna Gépe Tanszée
RészletesebbenMechanizmusok vegyes dinamikájának elemzése
echanzmuso vegyes dnamáána elemzése ntonya Csaba ranslvana Egyetem, nyagsmeret Kar, Brassó. Bevezetés Komple mechanzmuso nemata és dnama mozgásvszonyana elemzése nélülözhetetlen a termétervezés első szaaszaban.
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
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)
RészletesebbenGazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Regresszió-számítás. 2. előadás. Kvantitatív statisztikai módszerek. Dr.
Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Regresszó-számítás. előadás Kvanttatív statsztka módszerek Dr. Varga Beatr Gazdaságtudomán Kar Gazdaságelmélet és Módszertan Intézet Korrelácós
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
RészletesebbenKvantum-tömörítés II.
LOGO Kvantum-tömörítés II. Gyöngyös László BME Vllamosmérnök és Informatka Kar A kvantumcsatorna kapactása Kommunkácó kvantumbtekkel Klasszkus btek előnye Könnyű kezelhetőség Stabl kommunkácó Dszkrét értékek
RészletesebbenCBN szerszámok éltartamának meghatározása mesterséges neurális háló segítségével
CBN szerszámok éltartamának meghatározása mesterséges neuráls háló segítségével Kemény (edzett felületek kalakításának célja az alkatrészeken: szlárdság -, keménység -, kfáradás határ növelése. Edzett
RészletesebbenMegoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ
Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.
RészletesebbenÖtvözetek mágneses tulajdonságú fázisainak vizsgálata a hiperbolikus modell alkalmazásával
AGY 4, Kecskemét Ötvözetek mágneses tulajdonságú fázsanak vzsgálata a hperbolkus modell alkalmazásával Dr. Mészáros István egyetem docens Budapest Műszak és Gazdaságtudomány Egyetem Anyagtudomány és Technológa
RészletesebbenInverz függvények Inverz függvények / 26
Inverz függvének 2015.10.14. Inverz függvének 2015.10.14. 1 / 26 Tartalom 1 Az inverz függvén fogalma 2 Szig. monoton függvének inverze 3 Az inverz függvén tulajdonságai 4 Elemi függvének inverzei 5 Összefoglalás
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés alazatreonstró nyomtatás 9. Szabadformáú felülete smtása http://g.t.bme.h/portal/node/3 https://www..bme.h/epzes/targya/viiiav54 Dr. Várady Tamás Dr. Sal éter BME Vllamosmérnö
RészletesebbenSzilárdtestek elektronszerkezete feladatok
Szilárdtestek elektronszerkezete feladatok Csősz Gábor 8. január.. feladat A feladatban az alábbi mátriot kell diagonizálni. ε B,F,G (k) V V H = V ε B,F,G (k) V V V ε B,F,G (k) Kihasználva a rács szimmetriáját
RészletesebbenOsztályozási feladatok képdiagnosztikában. Orvosi képdiagnosztikai 2017 ősz
Osztályozási feladatok képdiagnosztikában Orvosi képdiagnosztikai 2017 ősz Osztályozás Szeparáló felületet keresünk Leképezéseket tanulunk meg azok mintáiból A tanuláshoz használt minták a tanító minták
RészletesebbenGépi tanulás Gregorics Tibor Mesterséges intelligencia
Gépi tanulás Tanulás fogalma Egy algoritmus akkor tanul, ha egy feladat megoldása során olyan változások következnek be a működésében, hogy később ugyanazt a feladatot vagy ahhoz hasonló más feladatokat
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
Részletesebben9. évfolyam Javítóvizsga felkészülést segítő feladatok
Halmazok: 9. évfolam Javítóvizsga felkészülést segítő feladatok. Adott két halmaz. A : a ; a : páros és B : ;;8;0;;;8;0;. Add meg a következő halmazműveleteket az elemek felsorolásával és készíts Venn
RészletesebbenStatisztika feladatok
Statsztka ok Informatka Tudományok Doktor Iskola Bzonyítandó, hogy: azaz 1 Tekntsük az alább statsztkákat: Igazoljuk, hogy torzítatlan statsztkák! Melyk a leghatásosabb közöttük? (Ez az együttes eloszlásfüggvényük.)
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
RészletesebbenMéréselmélet: 5. előadás,
5. Modellllesztés (folyt.) Méréselmélet: 5. előadás, 03.03.3. Út az adaptív elárásokhoz: (85) és (88) alapán: W P, ( ( P). Ez utóbb mndkét oldalát megszorozva az mátrxszal: W W ( ( n ). (9) Feltételezve,
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
Részletesebben2.2.36. AZ IONKONCENTRÁCIÓ POTENCIOMETRIÁS MEGHATÁROZÁSA IONSZELEKTÍV ELEKTRÓDOK ALKALMAZÁSÁVAL
01/2008:20236 javított 8.3 2.2.36. AZ IONKONCENRÁCIÓ POENCIOMERIÁ MEGHAÁROZÁA IONZELEKÍ ELEKRÓDOK ALKALMAZÁÁAL Az onszeletív eletród potencálja (E) és a megfelelő on atvtásána (a ) logartmusa özött deáls
RészletesebbenMérnöki alapok 5. előadás
Mérnök alapok 5. előadás Készítette: dr. Várad Sándor Budapest Műszak és Gazdaságtudomán Egetem Gépészmérnök Kar Hdrodnamka Rendszerek Tanszék, Budapest, Műegetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9
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
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenA CSOPORT 4 PONTOS: 1. A
A CSOPORT 4 PONTOS:. A szám: pí= 3,459265, becslése: 3,4626 abszolút hiba: A szám és a becslés özti ülönbség abszolút értée Pl.: 0.000033 Relatív hiba: Az abszolút hiba osztva a szám abszolút értéével
RészletesebbenKalman-féle rendszermodell Méréselmélet PE MIK MI, VI BSc 1
alman-féle rendszermodell.4.. Méréselmélet PE MI MI, VI BSc álmán Rudolf Rudolf Emil alman was born in Budapest, Hungar, on Ma 9, 93. He received the bachelor's degree (S.B.) and the master's degree (S.M.)
RészletesebbenIdősor előrejelzés. Szórádi Júlia, BSc konzulens: Dr. Horváth Gábor. Önálló laboratórium (BMEVIMIA362) II. félév
Idősor előrejelzés Szórádi Júlia, BSc konzulens: Dr. Horváth Gábor Önálló laboratórium (BMEVIMIA362) 2010-11 II. félév IDŐSOR ELŐREJELZÉS Az idősor előrejelzés számos területen alapvető fontosságú feladat,
RészletesebbenGépi tanulás a gyakorlatban SVM
Gépi tanulás a gyakorlatban SVM Klasszifikáció Feladat: előre meghatározott csoportok elkülönítése egymástól Osztályokat elkülönítő felület Osztályokhoz rendelt döntési függvények Klasszifikáció Feladat:
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenA végeselem programrendszer általános felépítése (ismétlés)
SZÉCHENYI ISTVÁN EGYETEM ALKALMAZOTT MECHANIKA TANSZÉK 1. MECHANIKA-VÉGESELEM MÓDSZER ELŐADÁS (kdolgozta: Szüle Veronka eg. ts.) IX. előadás A végeselem rogramrendszer általános feléítése (smétlés) A végeselem
Részletesebben) ( s 2 2. ^t = (n x 1)s n (s x+s y ) x +(n y 1)s y n x+n y. +n y 2 n x. n y df = n x + n y 2. n x. s x. + s 2. df = d kritikus.
Kétmtás t-próba ^t ȳ ( s +( s + + df + vag ha, aor ^t ȳ (s +s Welch-próba ^d ȳ s + s ( s + s df ( s ( s + d rtus t s (α, +t s (α, s + s Kofdecatervallum ét mta átlagáa ülöbségére SE s ( + s ( ±t (α,df
RészletesebbenKOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM
KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM Kernel módszerek idősor előrejelzés Mérési útmutató Készítette: Engedy István (engedy@mit.bme.hu) Méréstechnika és Információs Rendszerek Tanszék Budapesti Műszaki
RészletesebbenTöbbváltozós analízis gyakorlat, megoldások
Többváltozós analízis gakorlat, megoldások Általános iskolai matematikatanár szak 7/8. őszi félév. Differenciál- és integrálszámítás alkalmazásai. Határozzuk meg az alábbi differenciálegenletek összes,
RészletesebbenMakroszkopikus emisszió modell validálása és irányítási célfüggvényként való alkalmazásának vizsgálata
Maroszopus emsszó modell valdálása és rányítás célfüggvényént való alalmazásána vzsgálata Csós Alfréd Témavezető: Varga István Közleedés és járműrányítás worshop BME 2011 ISBN 978-963-420-975-1 Bevezetés
RészletesebbenHíradástechikai jelfeldolgozás
Híradásechka jelfeldolgozás 6. Előadás 05. 05. 07. észsávú és ranszformácós kódolás 05. május 8. Budapes Dr. Gaál József docens BME Hálóza endszerek és SzolgálaásokTanszék gaal@h.bme.hu észsávú kódolás
RészletesebbenAz f függvénynek van határértéke az x = 2 pontban és ez a határérték 3-mal egyenl½o lim f(x) = 3.
0-06, II. félév. FELADATLAP Eredmének. Van határértéke, illetve foltonos az f függvén az alábbi pontokban? (a) = Az f függvénnek van határértéke az = pontban és ez a határérték -mal egenl½o f() =.! Az
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
RészletesebbenFILMHANG RESTAURÁLÁS: A NEMLINEÁRIS KOMPENZÁLÁS
FILMHANG RESTAURÁLÁS: A NEMLINEÁRIS KOMPENZÁLÁS EGY GYAKORLATI ALKALMAZÁSA Bakó Tamás, dr. Dabócz Tamás Budapest Mszak és gazdaságtudomány Egyetem, Méréstechnka és Informácós Rendszerek Tanszék e-mal:
RészletesebbenFuzzy Rendszerek és Genetikus Algoritmusok
Fuzzy endszere és Genetus lgortmuso Előadás vázlat előadás Felhasznált Irodalom: Összeállította: armat István Ph.D., egyetem adjuntus ózsa Pál: neárs algebra és alalmazása. Budapest, 99. [] Sajátérté-eladat
RészletesebbenA multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
RészletesebbenFluktuáló terű transzverz Ising-lánc dinamikája
2016. szeptember 8. Phys. Rev. B 93, 134305 Modell H(t) = 1 2 L 1 σi x σi+1 x h(t) 2 i=1 h(t)-fluktuáló mágneses tér. Hogyan terjednek jelek a zajos rendszerben? L σi z, i=1 Zajok típusai 1 fehér zaj 2
RészletesebbenIntelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
RészletesebbenVéletlenszám generátorok. 6. előadás
Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
RészletesebbenIdeális eset: Ehhez képesti k
Kisfeszülts ltségű hálózato veszteségeine tudásalap salapú modellezése Dr. Dán András, aisz Dávid BME Villamos Energetia Tsz. Villamos Műve és Környezet Csoport Nagy stván, Libor József, Szemerei Ádám
RészletesebbenElemi függvények. Nevezetes függvények. 1. A hatványfüggvény
Elemi függvének Tétel: Ha az = ϕ() függvén az = f () függvén inverze, akkor = ϕ() függvén grafikonja az = f () függvén képéből az = egenesre való tükrözéssel nerhető. Tétel: Minden szigorúan monoton függvénnek
Részletesebben10. Alakzatok és minták detektálása
0. Alakzatok és mnták detektálása Kató Zoltán Képfeldolgozás és Számítógépes Grafka tanszék SZTE http://www.nf.u-szeged.hu/~kato/teachng/ 2 Hough transzformácó Éldetektálás során csak élpontok halmazát
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenOrszágos Középiskolai Tanulmányi Verseny 2012/2013 Matematika I. kategória (SZAKKÖZÉPISKOLA) Döntő Megoldások
Országos Középiskolai Tanulmáni Versen / Matematika I kategória (SZAKKÖZÉPISKOLA) Döntő Megoldások Eg papírlapra felírtuk a pozitív egész számokat n -től n -ig Azt vettük észre hog a felírt páros számok
RészletesebbenTeljes függvényvizsgálat példafeladatok
Teljes függvénvizsgálat példafeladatok Végezz teljes függvénvizsgálatot az alábbi függvéneken! Az esetenként vázlatos megoldásokat a következő oldalakon találod, de javaslom, hog először önállóan láss
Részletesebbene (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:
Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:
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
RészletesebbenY 10. S x. 1. ábra. A rúd keresztmetszete.
zilárdságtan mintafeladatok: tehetetlenségi tenzor meghatározása, a tehetetlenségi tenzor főtengelproblémájának megoldása két mintafeladaton keresztül Először is oldjuk meg a gakorlatokon is elhangzott
RészletesebbenÍrja át a következő komplex számokat trigonometrikus alakba: 1+i, 2i, -1-i, -2, 3 Végezze el a műveletet: = 2. gyakorlat Sajátérték - sajátvektor 13 6
Építész Kar Gakorló feladatok gakorlat Számítsa ki az alábbi komple számok összegét, különbségét, szorzatát, hánadosát: a/ z = i z = i b/ z = i z = - 7i c/ z = i z = i d/ z = i z = i e/ z = i z = i Írja
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
Részletesebben5. előadás - Regressziószámítás
5. előadás - Regressziószámítás 2016. október 3. 5. előadás 1 / 18 Kétváltozós eset A modell: Y i = α + βx i + u i, i = 1,..., T, ahol X i független u i -től minden i esetén, (u i ) pedig i.i.d. sorozat
RészletesebbenLászló István, Fizika A2 (Budapest, 2013) Előadás
László István, Fizika A (Budapest, 13) 1 14.A Maxwell-egenletek. Az elektromágneses hullámok Tartalmi kiemelés 1.Maxwell általánosította Ampère törvénét bevezetve az eltolási áramot. szerint ha a térben
RészletesebbenTanult nem paraméteres próbák, és hogy milyen probléma megoldására szolgálnak.
8. GYAKORLAT STATISZTIKAI PRÓBÁK ISMÉTLÉS: Tanult nem paraméteres próbák, és hogy mlyen probléma megoldására szolgálnak. Név Illeszkedésvzsgálat Χ próbával Illeszkedésvzsgálat grafkus úton Gauss papírral
RészletesebbenMAGYARÁZAT A MATEMATIKA NULLADIK ZÁRTHELYI MINTAFELADATSOR FELADATAIHOZ 2010.
MAGYARÁZAT A MATEMATIKA NULLADIK ZÁRTHELYI MINTAFELADATSOR FELADATAIHOZ 00.. Tetszőleges, nem negatív szám esetén, Göktelenítsük a nevezőt: (B). Menni a 0 kifejezés értéke? (D) 0 0 0 0 0000 400 0. 5 Felhasznált
Részletesebben