Tanulás elosztott rendszerekben/1. Intelligens Elosztott Rendszerek BME-MIT, 2018
|
|
- Miklós Biró
- 5 évvel ezelőtt
- Látták:
Átírás
1 Tanulás elosztott rendszerekben/1
2 (Egyedi ágens) tanulásáról röviden Célja: javulás (feladavégzésben), adaptalódás, robusztusság (környezet) kompenzálás, hibatürés (ismerethiány, meghibasodás). Miből: példák (forrásuk a környezet), háttértudás (forrása a fejlesztő), példák minősítése (forrása a kritikus, tanár). Megközelítések: felügyelt, megerősítéses, felügyelet nélküli. Tipikus tanulási absztrakció: induktív függvénytanulás (példák alapján), ami osztályozás (döntés), vagy regresszió (approximáció). Absztrakt tanulási algoritmus: helyes függvény keresése hipotézisek terében. Absztrakt tanulási algoritmus problémái: tanulási zaj, tanulási elfogultság, tanulás komplexitása (VKH tanulás), empirikus és háttér tananyag kölcsönhatása, és nagyon sok konkrét algoritmus (tudásreprezentáció függvényében), amiből választani lehet.
3 MAS tanulás - Tények/kihivások Hipotézistér Többágenses környezetben való tanulás szintén keresés a hipotézisek terében, de most ez a tér (a többi ágens miatt) szokotlanul nagy. Emergent (Kialakuló) A kölcsönhatások bonyolúltága miatt a tanult viselkedésben bekövetkező kis változások nem megjósolható (emergent, kialakuló) változásokhoz vezethetnek a szervezet viselkedésének egészében. Játékelmélet Többágenses szervezetben több független tanulási folyamat van jelen. Mindegyik ágens tanul és adaptálódik mások által meghatározott kontextusban. Ilyen tanulás természetes módon játékelméleti modellekhez vezet, amelyek kapcsolata tanulással még nem tisztázott. Tanítók A kölcsönhatások említett komplexitása miatt nemigen esélyes felügyelt tanulásra törekedni. Többágenses rendszer együttes tanulásához nehéz megfelelő tudású kritikust találni.
4 MAS tanulás - Tények/kihivások Megerősítés Amiatt ez egyik elterjedtebb tanulási forma a többágenses megerősítéses (kooperatív és versengő) tanulás és az evolúciós számítások (cooperative/ competetive coevolution). Stacionarítás Több, parallel és konkurrens módon tanuló ágensek jelenléte az ágens környezetét nemstacionáriussá teszi, ami sérti a tradicionális (egyágenses) tanulási módszerek egyik alapvető feltételét. Dinamika A környezet mások tanulásának ütemében változik. Ha az ugyanilyen gyors, mint az ágensünk tanulása, akkor az soha nem éri el a megtanult -nak nevezhető állapotot. Érdemhozzárendelés A környezeti változások az összes ágens együttes cselekvésének hatására következnek be. Ágensünk cselekvése mennyire volt ebben meghatározó? Milyen nagy az érdeme/bűne a közösség szempontjából kifejezetten előnyös/káros környezeti állapotok elérésében?
5 MAS tanulás - Tények/kihivások Nash-egyensúly Stacionarítás nélkül az optimálisan megtanulthoz való konvergencia (példszám növekedésével) nem biztosítható. Azonban a tanulással valahová tartani kell. Nash-egynsúly egy alternatíva, de láttuk, hogy ez nemigen az optimális szociális jólét alternatívája. És mi van, ha több Nash-egyensúly van? Konvergencia A tanulás konvergenciája megtévesztő lehet és a mérnöki szempontból nem lehet egyedüli cél. Elképzelhető, hogy a konvergens tanulás a szociális jólétre nézve (hasznosságban) veszteséges, a nem konvergens tanuláshoz képest. Kommunikáció Kommunikáció egy információforrás. Információ szükséges a tanuláshoz. Azonban kommunikáció erőforrásigényes, a tanulás is. Mi van, ha egy ágens korlátosan racionális? Milyen legyen akkor a kommunikáció? Lehet tanulni kommunikáció érdekében is?
6 Tényállás Más ágensek jelenléte egy ágens környezetében érvényteleníti az egyedül tanuló ágens sikeres tanulásának alapvető matematikai feltételkörét. (Naív) Következmény Több ágenses környezetben sikeres tanulás tehát lehetetlen. Az eddigi (egyedül létező) ágens tanulási tudása (algoritmusai) eldobható. (Pragmatikus) Következmény Több ágenses környezetben sikeres tanulás sokkal nehezebb probléma (mint ). Sikeres kivitelezése feltehetően más feltételekhez van kötve, más algoritmusokhoz vezet és a sikerességet is át kell értékelni.
7 Kihívások/1 Tanulás egymásról: mivel más ágensek a környezet részei, azok modelljét meg kell tanulni a környezeti hatások hatásos jóslása érdekében (hogyan fognak válaszolni, mit lépnek, mi a szándékuk,...). Tanulás közösségről és környezetről: egy szervezet minőségileg több, mint az egyedek összege, ágens egyedek kitanulását követően meg kell tanulni a szervezetük speciális métavonásait. Tanulás változó ágens egyedekkel való kölcsönhatásból: tanulom a modelledet, de számodra én vagyok a környezeti tényező, így te tanulsz engem. Tanulás révén változom, a változó modellemet tanulva, változol hát te is. A változó modelledet tanulva annál inkább én is változom,... Régi csoporttagok felejtése csoport által: a megtanult információ érvényét veszti, ha az objektuma eltűnik, azonban ennek érzékelése egyáltalán nem triviális ott, ahol az érzékelésnek fő módja pl. a (bizonytalan) kommunikáció.
8 Kihívások/2 Tanulni Másokról mert ez kell a konfliktusok, a fölösleges kommunikáció mérsékléséhez, a tárgyalásokhoz szükséges erőforrások mérsékléséhez, az ágens tárgyalási készségének javulásához, az együttműködés optimalizálásához,... Másoktól mert érdemes, hiszen ők is intelligens, racionális egyedek, talán a környezetet másképpen, más szempontból jobban érzékelik, a tudásuk jól kiegészítheti a miénket,... Mások ellenére mert az együttműködési igény, kényszer nem mindig van jelen, a tanulásunk pedig jobb versenyhelyzetbe helyez minket, és így másokat rosszabban,... Mások segítségével mert érdekeltek lehetnek abban, hogy a csapat minden tagja hatékonyabb és ügyesebb legyen, így a közös megoldás is jobb lesz,...
9 Kihívások/3 Tanulás tárgyalás közepette Tárgyalás egyik fő célja a lehetséges konfliktusok detektálása, mert egy és ugyanannak a problémának mások által más a javasolt megoldása, egy javasolt részmegoldás értékelése (javasló és elfogadó) eltérő, stb, Tanulás tárgyalásból tárgyalás közben tárgyalás végeztével Tanulás tárgyalásból-hoz feltétlenül szükséges egy stabil ágensközösség - ugyanazok az ágensek több tárgyalásban is részt vesznek, - bizonyos ágenstípusok halmaza állandó ( stacionárius szervezet, különben lehetetlen MAS tanulni). Ágens mit tartson meg a tárgyalás végeztével? - a beérkező információ permanens megtartása eredeti formájában, - a beérkező információ ideiglenes tárolása, kompilálása és beintegrálása, - a beérkező információ törlése, miután az ágens azt felhasználta. (processzállás és komplexitás terhe)
10 A tanulási problémák fajtái Team-tanulás (egy tanuló) Homogén team-tanulás keresési tér nagy Heterogén team-tanulás külön specialisták Hibrid team-tanulás osztagokra bontás Konkurrens tanulás (több tanuló) Teljesen kooperatív szcenáriók Általános összegű játékok Versengő tanulás Team-tanulás problémái Team-társ modellje hiedelmek, preferenciák, képességek Bayes-i frissítése mások tanulása érzékenység kezdeti hiedelmekre, eredményben rosszabb is lehet, mint modell nélkül fontos: felfedezni másik kooperatív v. versengő-e? direkt/indirekt kölcsönösség elve (reciprocity)
11 Konkurrens tanulás problémái Érdemhozzárendelés globális megerősítés, lokális megerősítés, u saját + (1- ) u jólét, Wonderful Life Utility (team haszna nélkülem), leszámoltatás helyett átlagolás feladatszekvenciák felett, senkinek nem érdeke, de közérdek Tanulás dinamikája attraktorok, trajéktóriák, tanulás hibája a tanulási, változási, visszatartási ráták függvényében, Nash-egyensúly kooperatív esetben hasznosságok korreláltak, mozgás globális NE felé lehetséges, más esetben koordinálás NE GE kérdéses, inkább NE Tanulás és kommunikáció kapcsolata Direkt kommunikáció (érzékelhető, dekódolható változás a környezetben) (megosztott tárak, jeladás, üzenetváltás) (koordinálás, megosztás) (nyeresség, költség) (sávszélesség, hálózati késés) (broadcast, narrowcast) (keresési tér mérete) (figyelembe vétele tanuló algoritmusokban) Indirekt kommunikáció (ferromonok, nyomok, pózok, )
12 Konkurrens tanulás problémái Felskálázhatóság Keresési tér mérete: nagy, heterogén, erősen kölcsönható MAS tanulása gyakorlatilag lehetetlen: egyedi tanulók tipizálása, heterogenitás mérséklése, viselkedési komplexitás mérséklése, viselkedések, hasznosságok dekomponálása (pl. Q(s, a1, a2, a3, a4) = Q(s, a1, a2) + Q(s, a3, a4)) Adaptivítás dinamikája és Nash-egyensúlyok mások: a célállapot elmozdulása, konvergencia mihez? racionális NE optimális jólét, NE koordinálás? racionalitás igénye másodlagos a team optimális viselkedéséhez képest, kooperatív team kontextusban racionálisan félni mások elutasításától valóban irracionális Problémadekompozició viselkedések csoportosítása, rétegezett tanulás: először elemi viselkedés, majd egyre bonyolúltabb, megerősítés-formálás: először egyszerűbb viselkedés előnyben részesítése, majd bonyolúltabb, az előbbire alapozva, koordinálási gráf: közös Q értékek részleges dekomponálása (ld. előbb) Ellenség modellezése ellenség-e? viselkedéseinek statisztikája?
13 A tanuló algoritmus formális célja (a beállás elvi feltételei), ill. a tanuló algoritmus sikeres elvégzése révén (a formális cél elérésével) elért MAS hatás nagyon lehet nem ugyanaz.
14 Néhány konkrét MAS hatás Erősen strukturált kooperatív szervezetben, közös feladatmegoldás felé haladva, jóindulatú konfliktusok jelentkeznek. Itt a tanulás célja = a fölösleges kommunikáció mérséklése, azáltal a hatékonyságnövekedés. Alapvetően kooperatív, de laza, nem strukturált szervezetben, induktív tanuló ágensek. Itt a tanulás célja = mások segítségével az egyéni tanulógörbét megjavítani. Alapvetően kooperatív, laza, nem strukturált szervezetben tanuló ágensek. Itt a tanulás célja = koordinálást megtanulni együttműködés fokozása érdekében. Erősen strukturált hierarchikus és kooperatív szervezetben, ami, mint szervezet veszélyes környezetben ténykedik. Itt a tanulás célja = egyéni, csoportos, szervezeti hatékonyság növelése szervezeti célok elérése érdekében. Alapvetően versengő szervezetben. Itt a tanulás célja = mások minél jobb kitanulása a minél hatékony visszavágás érdekében.
15 Erősen strukturált kooperatív szervezet egy tervezői team Single Function Agents SiFA Architektúra funkció, pl. Elemzés, Kritika, Értékelés, Becslés, Szelekció, Javaslat, cél, mire van közvetlen hatással (objektum, feladat része) szempont, funkció alkalmazása a célra, de milyen perspektívából Ágens tudása: tervezői (l. architektúra) konfliktusfeloldó konfliktusok detektálása, osztályozása, feloldása kommunikációs beszédaktusok szerkesztése és interpretálása lokális tár Koordinálás - globális tár (BB) design board = tervezés specifikációja, aktuális megoldás, javaslatok és döntések. Opportunista ütemezés egy ágens működésbe lép, ha (látja, hogy): a feladatának előfeltételei teljesülnek, az eredményeire igény jelentkezett. Kommunikáció (BA) felkérés egy alternatíva elfogadására, jelentés, hogy egy kényszer (nem) teljesül, kérdés a preferenciákra vonatkozólag, javaslat, javaslat (javasolt paraméterérték) elutasítása, Intelligens Elosztott... Rendszerek BME-MIT, 2018
16 Ágens tipusok Szelektor Becslő Értékelő Kritikus Dicsérő Javasló alternatívák között választ, preferenciák és kényszerek szerint hiányos információ miatt paramétereket becsül tervezési célok és szempontok alapján paramétereket értékel problémákat (kényszersérülés), gyenge döntéseket azonosít pozitív megjegyzéseket tesz, miért fontos? kritikák, kontextusok alapján alternatív megoldásokat ajánl Konfliktusok: eltérő funkciókból adódóan (néhány példa) Becslő - Szelektor/Javasló - nem becsülhető a kevés információ miatt Értékelő Becslő - az értékelés nem megbízható a rossz becslés miatt Szelektor Szelektor - eltérő preferenciák eltérő választáshoz vezetnek Kritikus Becslő/Értékelő - alacsony kvalitású munkát nem fogad el stb. Konfliktus típusok Kevés információ egy ágens kimenetében, mint ami szükséges lenne, Információ kvalitása nem elegendő az átvevő ágens szempontjai szerint: Szegényes processzálási modell(je az ágensnek) Eltérő preferenciák Sérült kényszerek
17 Konfliktusok feloldása Információ kibővítése ( kommunikáció) Megegyezés bizonyos értékek kérdésében ( kommunikáció) Információ kvalitásának emelése Átállás jobb processzálási módszerekre Konfliktusok érzékelése - Globális megoldástárban Szelektor konfliktusok - Szelektor nem tudja a preferált értékét megválasztani más ágens választásai miatt tárgyalás inicializálása Kritikus konfliktusok - Kritikus ellenőrzi a számon tartott kényszereket, sérülés esetén kinyomozza, melyik paraméter (ágens) a ludas tárgyalás inicializálása Dicsérő szerepe - állásfoglalása nyomást jelenthet konfliktusfeloldásban, ki inkább vonja vissza a javaslatát,... stb. SIFA tanulás A ágens B ágens leírását tanulja 1. fázis: Egyedi kölcsönhatás B -vel esetképzés (tanulás tárgyalásból) esetindex = B döntése mögött húzódó tervezői igények esettartalom = B konkrét válasza (minden eset = egy tanulópélda) 2. fázis: Esetek integrálása a B eddig megtanult modelljébe (tanulás tárgyalás végeztével), leképzés: különböző tervezési feltételek B opciói/ preferenciái
18 Tanulás hatása, célja: tárgyalás intenzitásának mérséklése későbbiekben MAS hatás: tanulás során mérséklődik a kommunikáció (kevesebb konfliktus) egyre nehezebben tanul, mert kevesebb a példa - Kritikusok jelenléte: Szelektor tanulja a Kritikusokat, abból adódóan kevésbé tárja fel a preferenciáit a további kölcsönhatásokban, Szelektor-ról való tanulás nem lesz pontos Mozgócél probléma: A tanul B -ről, B tanul A -ról, meg másokról. A tanul implicit módon C -ról, B által, abból, amit a B tanult a C -ról. MAS hatás: Tanulással a kölcsönhatások mértéke 2/3-ra csökkent (konkrét szimulációk, rugótervezés speciálstái)
19 Koaktív tanulás Coacting (pszichológia) egyedi szereplés, az ugyanilyen feladattal küszködő mások közepette. Tanulók aktív kölcsönhatása, de minden tanuló önmagáért tanul, nem csoporteredményről van itt szó. Tanulás eltérő példahalmazokon kommunikáció példák, közlés a hallgató érdekében, megítélés firtatása példák megítélése Tanulás azonos példahalmazon kommunikáció példák megítélése fontos: kritikus példák cseréje kritikus példák minősítése majdnem, mint a felügyelt tanulás (egymás részére)
20 Kísérlet: osztályozástanulás - IBL Instance-Based Learning egy új eset osztályozása (jóslása) = tárolt, az új esetre leginkább hasonlító esetek osztályozása alapján távolság definíciója? hány szomszéd? súlyozás (opcionális)? új eset eltárolása? IB1 minden megfigyelt eset tárolása (zajvédett, memória!) IB2 csak a rosszul osztályozott esetek tárolása (zajérzékeny, memória ok) IB3 minden rosszul osztályozott eset tárolása, korrekt/nem korrekt osztályozók adminisztrálása (szignifikancia teszt), rossz jóslók elhagyása (nem zajérzékeny, memória ok) (Ágens: igazmondó, jóhiszemű, kooperatív, jóindulatú, hasonló (azonos) tudáskezelés, hasonló (azonos) probléma megoldó készség)
21 Ua. a tanítóhalmaz, eltérő magántanulási stratégiák IB1 S -S +S +S vizsgált eset osztályozó példa S store, NS no store, P pass, G - get (ask for), D - drop IB2 S +NS -S +NS IB1 S -S +S +S IB2 nem tárolja az IB1 által sem jól osztályozott példát, IB2 NS +NS -S +NS IB2 javul. IB2 a példát nagy eséllyel zajnak hiszi IB1 S -S +SP +S Ha IB2 rosszul osztályoz, amikor IB1 helyesen, IB2 NS +NS -S +NS IB2 eltárolja az IB1 által átadott osztályozó példát. További javulás, egyes problémákon jobb, mint IB IB1 S -SD +SP +SP IB1 eldobja a rossz eredményt (IB2 másképpen IB2 -NS +NS -SD +NS osztályoz) adó osztályozó példát. Ha mindketten jól működnek, IB1 átadja a leginkább hasonló tárolt példát, amit az osztályozásnál használt, és azt az IB2 eltárolja. IB2 eldobja az osztályozó példáját, ha rosszul működik, és átveszi az IB1-ét. Legjobb jóslási képesség zajos eredményeken. Megnőtt tár IB1 S -SD +SP +NSP Helyes osztályozás esetén az új példát nem tárolják. IB2 NS +NS -SD +NS IB1 nem jobb, de tár kevesebb. IB2 jobb, mint egy független IB2, majdnem IB3 hatékonysági szinten.
22 Ua. a stratégia (IB2), de eltérő tanítóhalmazok A NS SG +NS +NS A csak akkor kérdez B-től az ő eredményét, ha neki nem B S +NS -S +NS sikerült. Ha B helyesen osztályozza az A tanító példáját, A megkéri (get) és eltárolja a B osztályozó példáját. Ha B szerint sem korrekt a példa, akkor A eldobja azt (feltehetően zajos). Zajos adatokon A jobb, mint B, fele annyi példát tárolva. Ez nem más, mint a véleménykikérés, segítségnyújtás B részéről A NS SG +NS +NSG A minden esetben kérdez rá a B-re, és eltárolja B S +NS -S +NS a B osztályozó példáját, ha az korrektül osztályoz. A további javulása (pozitív döntések megerősítése) A SP SP +NS +NS Mindkét együtt cselekvő minden rosszul osztályozott B SP +NS SP +NS példáját másnak elküldi. Így mindenki azonos szinten integrálja magába a közösség tudását tanult tudás megosztása.
23 MAS hatások Egy adott M példaszám N db ágensre oszlik el, ami független tanulás esetén az egy-egy ágensnek a tanulási görbéjét ellapítaná, mivel egyegy ágens a tanuláshoz nem M, hanem M/N példát használ fel. Az együttműködés révén az egyedi (M/N példából tanuló) ágensnek tanulási görbéje az M példából önállóan tanuló ágens tanulási görbével lesz azonos (ugyanolyan meredek), az együttműködés tehát a példahiányt képest pótolni, valahogy úgy, mintha egy nyers háttértudást jelentene az ágensnek.
24 Egy szervezet ellenséges környezetben, ill. más szervezetek ellen
25 Kiindulás - katasztrófa-elhárítás Természeti katasztrófák és az információs technológia tapasztalata (1995-ös Kobe-i földrengés, 6 ezer áldozat, a város 1/5-e megsemmisült): 1. A feltételezett felskálázhatóság nem volt elegendő, 2. Szükségsegítség központok (Emergency Response center) és dolgozói sérülnek/ megsemmisülnek, 3. Kommunikációs kiesések, zavarok, 4. Lakosság és önkéntesek információs elszigeteltsége, 5. Nem elegendő támogatás a döntéshozatalhoz. Dinamikus, ellenséges (nem kooperatív), valós-idejű környezet, korlátozott kommunikációval
26 Tanulás valós-idejű stratégiai csapatmunkában PTS Periodic Team Synchronization Autonóm működés kommunikáció kiesése esetén, mégis cselekvés a közös (csapat) cél felé. (katasztrófaelhárítás, futball, korházmenedzsment, több űrhajó misszió, keresés/mentés (SAR), csatatéri műveletek, hálózati csomag routing, stb.), Időszakos koordinálás, korlátlan, zavartalan kommunikációval (off-line), majd dinamikus, valós-idejű (on-line) működés. Nem megbízható kommunikáció (on-line) üzenet érkezése valamilyen valószínűséggel, üzenetvétel csak bizonyos időközönként, kommunikációfüggőség költsége (ha üzenetvétel nélkül nem tud cselekedni) (ha üzenetvétel miatt nem tud cselekedni) Ágens felépítése és tudása (az alap architektúra egy változata) világállapota, belső állapot, belső viselkedés (kognitív), külső viselkedés (kommunikációs + fizikai), öltözői taktikai megbeszélés (LRA - Locker- Room Agreement), amikor a csapat képes elszigetelten szinkronizálni.
27 Csapat struktúra rugalmas ágensszerepek + szerepcsere protokollok csapatformációk szerephalmazokkal többlépéses, többágenses tervek meghatározott körülményekhez set-plays Szerep (viselkedés) specifikálása: merev, rugalmas (autonómia) Kommunikáció (kihívások): egyedi csatorna, alacsony sávszélesség, megbízhatatlan kommunikáció, azonosítás: melyik üzenet melyik ágensnek szól, aktív zavarás ellenséges ágensek részéről, álruhás üzenetek, LRA kódolási megállapodások Üzenettípusok: üzenet címzettje: egyedi ágens, team része, egész team válasz: nem szükséges, szükséges Csapatkoordinálás: LRA + ami átjön az üzenetekből valós időben Kihívások: LRA megbeszélések reprezentációja és végrehajtása; Hogyan állapítjuk a szerepváltás és formációváltás legjobb időpontját; Hogyan biztosítjuk, hogy minden ágens azonos formációt vesz fel; Hogyan biztosítjuk, hogy egy formáció minden szerepe aktív.
28 Mérközések RoboCup-XX, CMUnited-97 formáció: (vége felé, ha győz) (vége felé, ha veszít) negyeddöntő (29 csapat, AT Humboldt), össz: CMUnited-98: bajnok (34 csapat), össz: 66-0 CMUnited-99: bajnok (37 csapat):
29 RoboCup-Rescue típ. projektek Tanulható csapattevékenység kiterjesztése heterogén szerepkörű, kritikus folyamatokkal teli környezetben célokat megvalósító ágensekre. Szimulációk (RobotCup-Rescue Simulation) célja: 1. A szükséges információ begyűjtése, akkumulálása, továbbítása, szelektálása, elemzése, összegzése, szétküldése. 2. Megfelelő döntéstámogatás. 3. Rendszer-elosztottság megnövelt megbízhatóság és robusztusság érdekében. 4. Folyamatos cselekvés biztosítása normális körülményektől a szükségállapotig.
30 USAR (Urban Search And Rescue) Arenas Test Arenas for Autonomous Mobile Robots Kooperáció és intelligencia, BME-MIT
31 Specific robotic capabilities: Negotiate compromised and collapsed structures Locate victims and ascertain their conditions Produce practical sensor maps of the environment Establish communications with victims Deliver fluids, nourishment, medicines Emplace sensors to identify/monitor hazards Mark or identify best paths to victims
32 arena Follow me, Clean up, Move to the LOCATION, find a person, and guide it to the exit. stb. EGPSR Endurance General Purpose Service Robot Test
13. Tanulás elosztott rendszerekben/1. Intelligens Elosztott Rendszerek BME-MIT, 2017
13. Tanulás elosztott rendszerekben/1 (Egyedi ágens) tanulásáról röviden Célja: javulás (feladavégzésben), adaptalódás, robusztusság (környezet), kompenzálás, hibatürés (ismerethiány, meghibasodás) Miből:
RészletesebbenKooperáció és intelligencia
Kooperáció és intelligencia Tanulás többágenses szervezetekben/1 Erősen strukturált kooperatív szervezet (együtt tervezünk) Modell: a közösség - egyszerű ágensekben gazdag közösség, ahol egy-egy ágens
RészletesebbenTanulás elosztott rendszerekben/2
Tanulás elosztott rendszerekben/2 Egy szervezet ellenséges természetes környezetben, ill. más szervezetek ellen Kiindulás - katasztrófa-elhárítás Természeti katasztrófák és az információs technológia tapasztalata
RészletesebbenKooperáció és intelligencia
Kooperáció és intelligencia Tanulás többágenses szervezetekben - bevezető Tanulás elosztott információ-intenzív és kooperatív környezetekben (CIS Cooperativ Information Systems) Hagyományos Gépi Tanulás
Részletesebben1. Informatikai trendek, ágensek, többágenses rendszerek. Intelligens Elosztott Rendszerek BME-MIT, 2018
1. Informatikai trendek, ágensek, többágenses rendszerek A számítástechnika történetének 5 nagy trendje mindenütt jelenlévő (ubiquity) összekapcsolt (interconnection) intelligens delegált (delegation)
RészletesebbenIntelligens Elosztott Rendszerek. Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével
Intelligens Elosztott Rendszerek Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével A mai előadás tartalma Mi is egy rendszer? Mit jelent elosztottnak lenni?
RészletesebbenTanulás elosztott rendszerekben/3
Tanulás elosztott rendszerekben/3 MARL Multi Agent Reinforcement Learning Többágenses megerősítéses tanulás Kezdjük egy ágenssel. Legyenek a környezeti állapotai s-ek, cselekvései a-k, az ágens cselekvéseit
RészletesebbenTörténet John Little (1970) (Management Science cikk)
Információ menedzsment Szendrői Etelka Rendszer- és Szoftvertechnológia Tanszék szendroi@witch.pmmf.hu Vezetői információs rendszerek Döntéstámogató rendszerek (Decision Support Systems) Döntések információn
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek
Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek
RészletesebbenElektronikus Almanach
Mesterséges Intelligencia Elektronikus Almanach Mesterséges intelligencia modern megközel zelítésben 1 Miért éppen ez a könyv? Egy kis történelem BME: 1998-1999 - MI lekerül alapképzés szintjére, hallgatói
RészletesebbenHálózati réteg. WSN topológia. Útvonalválasztás.
Hálózati réteg WSN topológia. Útvonalválasztás. Tartalom Hálózati réteg WSN topológia Útvonalválasztás 2015. tavasz Szenzorhálózatok és alkalmazásaik (VITMMA09) - Okos város villamosmérnöki MSc mellékspecializáció,
RészletesebbenA SIKER KOVÁCSA, VAGY A KUDARC KÓDJA?
A SIKER KOVÁCSA, VAGY A KUDARC KÓDJA? A döntéshozatali tudatosság hiányosságai és lehetőségei a projekt menedzsmentben Török L. Gábor PhD Sikeres és sikertelen projektek arányai PMI nemzetközi felmérés
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
RészletesebbenGONDOLKODÁS ÉS NYELV
GONDOLKODÁS ÉS NYELV GONDOLKODÁS A. Propozicionális B. Képzeleti Propozicionális gondolkodás Propozíció kijelentés, amely egy tényállásra vonatkozik, meghatározott viszonyban összekombinált fogalmakból
RészletesebbenJason platform. Intelligens Elosztott Rendszerek BME-MIT, 2018
Jason platform BDI ágensek programozási nyelvei AgentSpeak(L) Ágens viselkedése: hiedelmi állapot saját modellje, környezet modellje, más ágensek modellje kívánalmak kívánatos hiedelmi állapotok szándékok
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Keresés ellenséges környezetben Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Ellenség
RészletesebbenBokor Péter. DECOS Nemzeti Nap október 15. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék
Beépített diagnosztika Bokor Péter Tartalom 1. Elosztott diagnosztika: a feladat 2. A diagnosztika kihívása 3. A tagság mint diagnosztika 4. A DECOS diagnosztikai szolgáltatások 5. Kapcsolódó feladatok:
RészletesebbenÁgensek bevezető áttekintés:
Ágensek bevezető áttekintés: 1. Racionális ágens megközelítés - racionális cselekvés = bizonyos hiedelmeket feltételezve, adott célok elérésére irányul - a cél = a környezet (környezeti feltételek) egy
RészletesebbenDunaújvárosi Főiskola Informatikai Intézet. Intelligens ágensek. Dr. Seebauer Márta. főiskolai tanár
Dunaújvárosi Főiskola Informatikai Intézet Intelligens ágensek Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu Ágens Ágens (agent) bármi lehet, amit úgy tekinthetünk, hogy érzékelők (sensors)
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
RészletesebbenUniversität M Mis is k k olol ci c, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudft o sw máis n s yen i scha Kar, ften,
6. Előadás Piaci stratégiai cselekvések leírása játékelméleti modellek segítségével 1994: Neumann János és Oskar Morgenstern Theory of Games and Economic Behavior. A játékelmélet segítségével egzakt matematikai
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
RészletesebbenMonoton Engedmény Protokoll N-M multilaterális tárgyalás
Tárgyalások/2 Monoton Engedmény Protokoll N-M multilaterális tárgyalás Fordulók 1. Minden ágens előáll a javaslatával k. Mindegyik ágens vagy ragaszkodik a javaslatához, vagy engedményt tesz. Ismétlés
RészletesebbenÚj típusú döntési fa építés és annak alkalmazása többtényezős döntés területén
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával
RészletesebbenMegerősítéses tanulás 2. előadás
Megerősítéses tanulás 2. előadás 1 Technikai dolgok Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ Olvasnivaló: Sutton, Barto: Reinforcement
RészletesebbenV. Kétszemélyes játékok
Teljes információjú, véges, zéró összegű kétszemélyes játékok V. Kétszemélyes játékok Két játékos lép felváltva adott szabályok szerint. Mindkét játékos ismeri a maga és az ellenfele összes választási
RészletesebbenIndikátorok projekt modellhelyszínein. Domokos Tamás szeptember 13.
Indikátorok és értékelés a TÁMOP T 5.4.1. projekt modellhelyszínein Domokos Tamás 2011. szeptember 13. Az értékelés különböző típusait és főbb kérdései Az értékelés típusa A fejlesztési folyamat értékelése
RészletesebbenIntelligens Rendszerek Elmélete IRE 4/32/1
Intelligens Rendszerek Elmélete 4 IRE 4/32/1 Problémamegoldás kereséssel http://nik.uni-obuda.hu/mobil IRE 4/32/2 Egyszerű lények intelligenciája? http://www.youtube.com/watch?v=tlo2n3ymcxw&nr=1 IRE 4/32/3
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
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
RészletesebbenIntelligens ágensek Mesterséges Intelligencia rendszertechnikai gyökerei
Intelligens ágensek Mesterséges Intelligencia rendszertechnikai gyökerei Dobrowiecki Tadeusz Mérés és Információs Rendszerek Tanszék Habilitációs előadás BME-VIK, október 2013 1/37 oldal 1. Lehet-e intelligens
RészletesebbenIntelligens ágensek. Mesterséges intelligencia február 28.
Intelligens ágensek Mesterséges intelligencia 2014. február 28. Ágens = cselekvő Bevezetés Érzékelői segítségével érzékeli a környezetet Beavatkozói/akciói segítségével megváltoztatja azt Érzékelési sorozat:
RészletesebbenNagy bonyolultságú rendszerek fejlesztőeszközei
Nagy bonyolultságú rendszerek fejlesztőeszközei Balogh András balogh@optxware.com A cég A BME spin-off-ja A Hibatűrő Rendszerek Kutatócsoport tagjai alapították Tisztán magánkézben Szakmai háttér Hibatűrő
RészletesebbenDivényi Dániel, BME-VET Konzulens: Dr. Dán András 57. MEE Vándorgyűlés, szeptember
Divényi Dániel, BME-VET Konzulens: Dr. Dán András 57. MEE Vándorgyűlés, 2010. szeptember Tartalom Probléma ismertetése A létrehozott modell Ágenstechnológia általában Az alkalmazott modell részletes ismertetése
RészletesebbenI. CRM elmélete és gyakorlata. II. Stratégiai elemek. III. Strukturális megoldások
Transzformáció -CRM Értékesítési stratégiák I. CRM elmélete és gyakorlata II. Stratégiai elemek III. Strukturális megoldások 1 Customer Relationship Management egy filozófia Értékesítés Ügyfél Marketing
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 1-2. Előadás Dr. Kulcsár Gyula egyetemi docens A tantárgy tematikája 1.
RészletesebbenFókuszban az együttműködés. Intelligens Elosztott Rendszerek BME-MIT, 2018
Fókuszban az együttműködés Együttműködés = megosztás + kommunikáció Mit lehet megosztani: információ, tudás, adat, eredmény, konklúzió, hipotézis, ilyen megosztásból általában homogén közösségek ( tudásban
RészletesebbenMENEDZSMENT ALAPJAI Bevezetés
MENEDZSMENT ALAPJAI Bevezetés Dr. Gyökér Irén egyetemi docens 2012 ősz Jegyzetek, diasorok - ÜTI honlap http://www.uti.bme.hu/cgibin/hallgato/tantargyak.cgi?detail=true&tantargy_id=15035 Folyamatos számonkérés:
RészletesebbenProgramozási módszertan. A gépi tanulás alapmódszerei
SZDT-12 p. 1/24 Programozási módszertan A gépi tanulás alapmódszerei Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu SZDT-12 p. 2/24 Ágensek Az új
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
RészletesebbenVerifikáció és validáció Általános bevezető
Verifikáció és validáció Általános bevezető Általános Verifikáció és validáció verification and validation - V&V: ellenőrző és elemző folyamatok amelyek biztosítják, hogy a szoftver megfelel a specifikációjának
RészletesebbenValószínűségi modellellenőrzés Markov döntési folyamatokkal
Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
RészletesebbenVálogatott fejezetek a közlekedésgazdaságtanból
Válogatott fejezetek a közlekedésgazdaságtanból 2. Választási modellek Levelező tagozat 2015 ősz Készítette: Prileszky István http://www.sze.hu/~prile Fogalmak Választási modellek célja: annak megjósolása,
RészletesebbenTSIMMIS egy lekérdezés centrikus megközelítés. TSIMMIS célok, technikák, megoldások TSIMMIS korlátai További lehetségek
TSIMMIS egy lekérdezés centrikus megközelítés TSIMMIS célok, technikák, megoldások TSIMMIS korlátai További lehetségek 1 Információk heterogén információs forrásokban érhetk el WWW Társalgás Jegyzet papírok
RészletesebbenGondolatok a PM módszertan korlátairól, lehetőségeiről amit a felsővezetőknek tudniuk kell! dr. Prónay Gábor
Gondolatok a PM módszertan korlátairól, lehetőségeiről amit a felsővezetőknek tudniuk kell! dr. Prónay Gábor 5. Távközlési és Informatikai Projekt Menedzsment Fórum 2002. április 18. AZ ELŐADÁS CÉLJA néhány
RészletesebbenEgészségfejlesztés a színtereken CSELEKVÉSI TERV
Egészségfejlesztés a színtereken CSELEKVÉSI TERV Az egészségterv (irányított célzott változás) Egy dokumentum (öt fejezet) Egy ciklikus működési mód adott színtérben élők egészségét hivatott támogatni,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Ágensek Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade intelligens rendszer = egy ágens
RészletesebbenFolyamatok. 6. előadás
Folyamatok 6. előadás Folyamatok Folyamat kezelése, ütemezése folyamattábla új folyamat létrehozása átkpcsolás folyamatok elválasztása egymástól átlátszó Szál szálkezelő rendszer szálak védése egymástól
RészletesebbenKooperáció és intelligencia kis HF-ok/ Kooperáció és intelligencia, Dobrowiecki T., BME-MIT 1
Kooperáció és intelligencia kis HF-ok/ 2015 Kooperáció és intelligencia, Dobrowiecki T., BME-MIT 1 Kis HF-1: Elosztott következtetés (modell-keresés) 3 db. logikailag következtető (KA1..3) ágens dolgozik
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
RészletesebbenRasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001)
Játékelmélet szociológusoknak J-1 Bevezetés a játékelméletbe szociológusok számára Ajánlott irodalom: Mészáros József: Játékelmélet (Gondolat, 2003) Filep László: Játékelmélet (Filum, 2001) Csontos László
RészletesebbenKooperatív és Tanuló Rendszerek. 1. Ágensek és szervezetek. Dobrowiecki Tadeusz Horváth Gábor
Kooperatív és Tanuló Rendszerek 1. Ágensek és szervezetek Dobrowiecki Tadeusz Horváth Gábor Racionális ágens paradigma MI: racionális gépi ágensek létrehozása és tanulmányozása racionális cselekvés hiedelmek
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
RészletesebbenMesterséges Intelligencia (MI)
Mesterséges Intelligencia (MI) Intelligens ágensek Dobrowiecki Tadeusz Antal Péter, Bolgár Bence, Engedy István, Eredics Péter, Strausz György és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
Részletesebbenidőpont? ütemterv számonkérés segédanyagok
időpont? ütemterv számonkérés segédanyagok 1. Bevezetés Végeselem-módszer Számítógépek alkalmazása a szerkezettervezésben: 1. a geometria megadása, tervkészítés, 2. műszaki számítások: - analitikus számítások
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenEricsson CoordCom. Integrált segélyhíváskezelés, tevékenységirányítás. <Name> Kovács László
Ericsson CoordCom Integrált segélyhíváskezelés, tevékenységirányítás Kovács László Ericsson Mo. ágazati igazgató Mobil: +36 30 9411 161 E-mail: laszlo.kovacs@ericsson.com 2009-04-09 1 Integrált
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
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
RészletesebbenTudásalapú információ integráció
Tudásalapú információ integráció (A Szemantikus Web megközelítés és a másik irány) Tanszéki értekezlet, 2008. május 14. 1 Miért van szükségünk ilyesmire? WWW: (Alkalmazások) Keresés a weben (pl. összehasonlítás
RészletesebbenTOGAF elemei a gyakorlatban
TOGAF elemei a gyakorlatban Vinczellér Gábor 2009.06.0406 04 8 éves szakmai tapasztalat Bemutatkozás IT Support, Programozó, jelenleg Projektvezető, Termékfejlesztési Üzletág Vezető Tanácsadási és Szoftverfejlesztési
RészletesebbenEmber-gép rendszerek megbízhatóságának pszichológiai vizsgálata. A Rasmussen modell.
Ember-gép rendszerek megbízhatóságának pszichológiai vizsgálata. A Rasmussen modell. A bonyolult rendszerek működtetésének biztonsága egyre pontosabb, naprakész gondolati, beavatkozási sémákat igényel
RészletesebbenVirtuális vállalatok működése gyorsan változó, bizonytalansággal terhelt környezetben
Virtuális vállalatok működése gyorsan változó, bizonytalansággal terhelt környezetben Virtuális vállalat 2012/13 1. félév 7. Előadás Dr. Kulcsár Gyula Rendszer (System) Elem, kölcsönhatás, struktúra, határ,
RészletesebbenMultimédia anyagok szerkesztése kurzus hatékonyságnövelése web alapú projekt módszer alkalmazásával
Multimédia anyagok szerkesztése kurzus hatékonyságnövelése web alapú projekt módszer alkalmazásával Béres Ilona Heller Farkas Főiskola Turcsányi-Szabó Márta ELTE-IK Média és Oktatásinformatika Tanszék
RészletesebbenA villamos energia ellátás javítása érdekében tett intézkedések az ELMŰ-ÉMÁSZ Társaságcsoportnál
A villamos energia ellátás javítása érdekében tett intézkedések az ELMŰ-ÉMÁSZ Társaságcsoportnál Igények és lehetőségek új egyensúlya 61. MEE Vándorgyűlés Debrecen 2014.09.10-12 Csank András 1. OLDAL Igények
RészletesebbenObjektum orientált programozás Bevezetés
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
Részletesebben7. 1. A formatív értékelés és lehetséges módjai (szóbeli, feladatlapos, számítógépes) az oktatásban. - valamilyen jelenségről, ill.
7. 1. A formatív értékelés és lehetséges módjai (szóbeli, feladatlapos, számítógépes) az oktatásban Pedagógiai értékelés fogalma: Az értékelés során értéket állapítunk meg: közvetlenül: közvetve: - valamilyen
RészletesebbenPTE PMMIK, SzKK Smart City Technologies, BimSolutions.hu 1
BEMUTATKOZÁS Diploma (2009) Építészirodai munka, tervezési gyakorlat VICO vcs, (vce), pl, trainer (2010) PhD tanulmányok + oktatás Kutatócsoport + saját projektek (2014) BimSolutions.hu 1 BIM FELHASZNÁLÁSI
RészletesebbenTisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága
@ Budapest University of Technology and Economics Nagy hálózatok evolúciója Gulyás András, Heszberger Zalán High Speed Networks Laboratory Internet trendek Tisztán kivehetı tendencia: kommunikációs hálózatok
RészletesebbenAbsztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás:
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
RészletesebbenPozícióinformáció. Sikeres helyfüggő szolgáltatások mobilra
Distributed Systems A hely nem elég MTA SZTAKI Elosztott Rendszerek Osztály - Mátételki Péter matetelki@sztaki.hu Mihez nem elég a hely? Sikeres helyfüggő szolgáltatások mobilra Navigáció (hely + térkép
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenModell alapú tesztelés mobil környezetben
Modell alapú tesztelés mobil környezetben Micskei Zoltán Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék A terület behatárolása Testing is an activity performed
RészletesebbenAlapszintű formalizmusok
Alapszintű formalizmusok dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék 1 Mit szeretnénk elérni? Informális tervek Informális követelmények Formális modell Formalizált követelmények
RészletesebbenA hallgató neve:. MENTORTANÁR SEGÉDANYAG ÉS FELADATMEGOLDÓ FÜZET SZERKESZTİ:
A hallgató neve:. MENTORTANÁR SEGÉDANYAG ÉS FELADATMEGOLDÓ FÜZET SZERKESZTİ: AZ ELMÉLETI ÉS GYAKORLATI PEDAGÓGIAI TUDÁS FELTÁRÁSÁNAK NÉHÁNY MÓDSZERE 1. INTERJÚ Szóbeli kikérdezésen alapuló vizsgálati módszer.
RészletesebbenÖsszefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenProjektmenedzsment státusz autóipari beszállító cégeknél tréning tapasztalatok alapján herczeg.ivan@pmakademia.hu mobil: +36-20-485-02-80
Projektmenedzsment státusz autóipari beszállító cégeknél tréning tapasztalatok alapján herczeg.ivan@pmakademia.hu mobil: +36-20-485-02-80 Herczeg Iván Mesteroktató Semmelweis Egyetem. Szervező mérnök First
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
RészletesebbenMegerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
RészletesebbenFolyamatoptimalizálás: a felhőalapú modernizáció kiindulópontja. Bertók Botond Pannon Egyetem, Műszaki Informatikai Kar
Folyamatoptimalizálás: a felhőalapú modernizáció kiindulópontja Bertók Botond Pannon Egyetem, Műszaki Informatikai Kar Tartalom Felhőalapú szolgáltatások Kihívások Módszertan Kutatás Projektek 2 Felső
RészletesebbenIII. Az állati kommunikáció
III. Az állati kommunikáció I. Kommunikáció a fajtestvérekkel I. Kommunikáció a fajtestvérekkel 1. Bevezetés I. Kommunikáció a fajtestvérekkel 1. Bevezetés beszélgető állatok? I. Kommunikáció a fajtestvérekkel
Részletesebben30 MB INFORMATIKAI PROJEKTELLENŐR
INFORMATIKAI PROJEKTELLENŐR 30 MB DOMBORA SÁNDOR BEVEZETÉS (INFORMATIKA, INFORMATIAKI FÜGGŐSÉG, INFORMATIKAI PROJEKTEK, MÉRNÖKI ÉS INFORMATIKAI FELADATOK TALÁKOZÁSA, TECHNOLÓGIÁK) 2016. 09. 17. MMK- Informatikai
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 8. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
Részletesebben6. Ágensszervezetek. Intelligens Elosztott Rendszerek BME-MIT, 2018
6. Ágensszervezetek Szervezet szerepek + relációk + tekintélystruktúrák egy szervezet mindig valamilyen célt szolgál - konkrét célok:.. - absztrakt célok: valamilyen jellegű komplexitás csökkenése (munka,
RészletesebbenInformáció menedzsment
Információ menedzsment Szendrői Etelka Rendszer- és Szoftvertechnológiai Tanszék szendroi@witch.pmmf.hu Infrastruktúra-menedzsment Informatikai szolgáltatások menedzsmentje Konfigurációkezelés Gyorssegélyszolgálat
Részletesebbenour future our clients + our values Szeptember 16. MEE vándorgyűlés 2010
MEE vándorgyűlés 2010 our clients + our values our future Az átviteli hálózati munkairányítási és eszközgazdálkodási rendszer megvalósítása 2010. Szeptember 16. A WAM projekt és azon belül az Eszközgazdálkodás
Részletesebben2. A példahalmazban n = 3 negatív és p = 3 pozitív példa van, azaz a példahalmazt képviselő döntési fa információtartalma: I = I(1/2, 1/2) = 1 bit.
Példa 1. Döntési fa számítása/1 1. Legyen a felhasználandó példahalmaz: Példa sz. Nagy(x) Fekete(x) Ugat(x) JóKutya(x) X1 Igen Igen Igen Nem X2 Igen Igen Nem Igen X3 Nem Nem Igen Nem X4 Nem Igen Igen Igen
Részletesebbenpszichológiai háttere
Matematikai módszertani műhely az Eszterházy Károly Egyetem Matematikai és Informatikai Intézetében 3. Dienes-nap - Dienes módszer megjelenése a Komplex Alapprogramban 2017. Szeptember 29. Eger A Dienesmódszer
RészletesebbenA Morra játék Módosított Morra Blöff és alullicitálás mint racionális stratégiák
A Morra játék Módosított Morra Blöff és alullicitálás mint racionális stratégiák Előadás felépítése Morra játék háttere, fajtái Módosított Morra Egyszerűsítési stratégiák Blöff és alullicitálás Mi az Morra?
RészletesebbenA szoftver-folyamat. Szoftver életciklus modellek. Szoftver-technológia I. Irodalom
A szoftver-folyamat Szoftver életciklus modellek Irodalom Ian Sommerville: Software Engineering, 7th e. chapter 4. Roger S. Pressman: Software Engineering, 5th e. chapter 2. 2 A szoftver-folyamat Szoftver
RészletesebbenLukovich Gábor Logisztikai rendszerfejlesztő
Lukovich Gábor Logisztikai rendszerfejlesztő Intra-logisztikai rendszerek Lay-out tervezése/fejlesztése Logisztikai informatikai rendszerek tervezése Egymással kölcsönhatásban lévő részfeladatok rendszere
RészletesebbenVezetői információs rendszerek
Vezetői információs rendszerek Kiadott anyag: Vállalat és információk Elekes Edit, 2015. E-mail: elekes.edit@eng.unideb.hu Anyagok: eng.unideb.hu/userdir/vezetoi_inf_rd 1 A vállalat, mint információs rendszer
RészletesebbenAz oktatás stratégiái
Az oktatás stratégiái Pedagógia I. Neveléselméleti és didaktikai alapok NBÁA-003 Falus Iván (2003): Az oktatás stratégiái és módszerei. In: Falus Iván (szerk.): Didaktika. Elméleti alapok a tanítás tanulásához.
RészletesebbenTanulás elosztott rendszerekben/2. Intelligens Elosztott Rendszerek BME-MIT, 2018
Tanulás elosztott rendszerekben/2 Rétegezett tanulás (Layered Learning) Közvetlen bemeneti adat kimenet függvény tanulása nem megy - hierarchiadekompozíció, taszk feltörése rétegekre, - más-más koncepció
RészletesebbenTartószerkezetek modellezése
Tartószerkezetek modellezése 5. elıadás Tervezési folyamat Szerkezetek mérete, modellje Végeselem-módszer elve, alkalmazhatósága Tervezési folyamat, együttmőködés más szakágakkal: mérnök építész mőszaki
RészletesebbenKétszemélyes játékok Gregorics Tibor Mesterséges intelligencia
Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri
Részletesebben- Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban
I. Intelligens tervezőrendszerek - Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban Adat = struktúrálatlan tények, amelyek tárolhatók,
Részletesebben