Evolúciós alapfogalmak, általános algoritmusok
|
|
- Imre Juhász
- 5 évvel ezelőtt
- Látták:
Átírás
1 MI2 előadás jegyzet Tartalom: - Evolúciós alapfogalmak, általános algoritmusok - Evolúciós stratégiák - Raj intelligencia, részecske-raj optimalizálás A jegyzetet Jelasity Márk , és dikei MI2 előadásai alapján készítette: Szécsényi Hajnalka. Evolúciós alapfogalmak, általános algoritmusok I. Evolúció Mi is az evolúció? - replikáció DNS - variáció mutáció / keresztezés - szelekció fitnesz egy egyed hány szaporodni képes utódot tud létrehozni Kérdések: - survival of the fittest - replikátorok Mi replikálódik? Nem az egyed, hanem a DNS. Csoport is replikálódhat. DNS, sejt, ökoszisztéma, (Dawkins, Csányi Vilmos (etológus)). Órai tanulás is replikáció. - komplexitás Evolúció során növekszik, bonyolódik az ökoszisztéma. Állattenyésztés! Nem megfelelő élőlények kiszelektálása. II. Mesterséges evolúció Fogalmak: optimalizálás modellezés gépi tanulás - optimalizálás A halmaz, f: A R, min f(a), a A. - modellezés A: modellek tere f: illeszkedés empirikus adatokra - tanulás A: hipotézisek tere Cél: adatok egy jó modelljének a megtalálása. Evolúciós algoritmusok: optimalizálás (minden szinten alkalmazható, és adhat is optimális eredményt, de nem garantált, hogy ad is). 9/1
2 Általános módszer: x 1 y 1,, x n y n y = ax + b f(a,b) = i (y i (ax i + b)) 2 itt például NEM célszerű alkalmazni, mert más módszer van rá Evolúciós algoritmus jó választás pl.: NPnehéz problémák, vagy az óra elején bemutatott videók (ld. honlap) esetén. Sztochasztikus hegymászó (általános evolúciós algoritmus váza): 1 veszünk egy x A véletlen változót 2 y = f(x) //kiértékeljük a változót 3 repeat until kilépés 4 x = kis ugrás x-ből 5 y = f(x ) 6 if (y < y) { x = x ; y = y } 7 end-repeat f Kis ugrás x-ből : Kis véletlen szám hozzáadása x-hez, melynek paraméterével is lehet játszani. Azaz ha közelebb vagyunk az optimumhoz, kisebb lépések kellenek, mert nagy lépéssel rosszabb eredményt kaphatunk. Az ábrán jobbról az első 2 ugrást elfogadjuk, mert kisebb értéket kapunk, de a 3-dikat nem, mert az magasabb. (Hasonló a szimulált hűtéshez, ld. később) Az evolúciós algoritmushoz felhasznált kiegészítések: + populáció: multiset + reprezentáció: halmaz elemeit kódolja DNS 1 populáció inicializálása 2 kiértékelés 3 repeat until kilépés 4 szülő választás //sokféleképp lehet: egész populáció vagy csak 1 egyed 5 új megoldások rekombinációval //általában 2 szülő felhasználásával új egyed létrehozása 6 új megoldásokon mutáció //adott keresési térben kicsit megváltoztatjuk a megoldást 7 kiértékelés 8 túlélők szelekciója //új populáció kiválasztása, elemszám visszatér a kiindulásira 9 end-repeat 9/2
3 Fő komponensek: - reprezentáció - rekombinációs operátor - mutáció - szülő választás (alkalmazzuk a szelekciót) - túlélő választás (impliciten: versenyeztetés) Ezeknek számos különböző implementálási lehetősége van, így sokféle algoritmus alakult ki: - Genetikus algoritmusok (amerikai irányzat, Michigan) általános - Evolúciós stratégiák (német irányzat, 60-as évek, Berlini Egyetem) - Genetikus programozás: kifejezetten számítógépes algoritmusok, pl. prímszámokat felismerő tenyésztés. - Szimulált hűtés: (fizikus találta ki) populáció mérete 1, a szülő kiválasztása függ a hőmérséklettől, melyet folyamatosan csökkentünk. - Tabu keresés, részecske-raj optimalizálás Terminológia, operátorok: - reprezentáció A B (kódolás / dekódolás, bijektív fv.), ahol A: keresési tér, fenotípus és B: genotípus x A (vagy x B): egyed, lehetséges megoldás és x B: kromoszóma - mutáció m: B B; a = m(a), ahol a: szülő és a : utód - rekombináció b: BB B - kilépési feltétel - CPU idő - kiértékelések száma - javulás sebessége - diverzitás: ha már minden egyed azonos, akkor az az állapot már nem fog változni any time : az algoritmus bármikor megállhat, nem számít a kilépési feltétel; kevés idővel rosszabb megoldást, több idővel jobb megoldást adva. III. Hogyan készültek a videók (ld. honlap)? GOLEM projekt - reprezentáció <pontok><csövek><neuronok><aktivátorok>, ahol pontok: koordináták csövek: melyik pontpárok vannak összekötve csővel; adott a rugalmasság is 9/3
4 - mutáció Kis változtatások alkalmazása. Aktivátort ad hozzá / vesz el, pontot ad hozzá / vesz el, Kezdésként adott 200 db semmi : 0 pont, 0 cső, generáció után már elkezdtek mozogni. 600 generáció után szimmetrikus, valósághű robotok. A projektben nincsenek szenzorok, viszont képesek oszcillációkat létrehozni, ezáltal mozogni (nincs visszacsatolás). Összehasonlítás: úszás, mozgás esetén a megtett út a kritérium, míg küzdelem esetén körmérkőzések alakítják ki a rangsort. KARL SIMS Jelenleg Hollywood-ban dolgozik. Evo lúciós stratégiák Alkalmazás: A R n és f: A R, ahol A: keresési tér. Valós, csúnya függvények optimalizálása. A függvény lehet: - sztochasztikus - nem folytonos - dinamikus: maga a függvény változik: t 1 időpillanatban egyik, t 2 -ben már egy másik - implicit: a függvény nem kiértékelhető, de 2 érték közül tudjuk, melyik a nagyobb Komponensek: - reprezentáció: A B - rekombináció (x 1,, x n ) 1) köztes: z i = (y i + x ) / 2 (z i (y 1,, y n ) 1,, z n ) 2) keverés: z i = x i vagy yi - szülő választás: véletlen - túlélő választás: legjobb utódok (μ db; feltesszük, hogy sorba rendezhetőek, és a fitnesz függvény szerint sorba rendezzük) μ: populáció mérete λ: szülők száma (μ, λ) ES. (Evolúciós Stratégia) vagy vesszős stratégia: az új μ elemű populáció a λ gyerekből van kiválasztva (a gyerekek száma egyenlő a szülőkével, mert minden szülőből egy gyerek van mutációval) (μ + λ) ES.: az új populáció a λ gyerekből és a régi, μ elemű populáció uniójából, vagyis (μ λ)-ból van kiválasztva A vesszős stratégia jobb, inkább ez használatos, főleg ha dinamikus megoldást választunk, mert gyorsabban érvényesíti az adaptációkat. [μ = 15, λ = 100; λ = 7μ] Forrás: - Egyszerű függvényekkel nagyszámú empirikus kísérlet, hogy melyik paraméterekkel kapható a legjobb eredmény 2 - Analitikusan elemezhető, egyszerű függvényeken (pl.: x ) mi az optimális beállítás 9/4
5 - Pl.: (1 + 1)-ES. sztochasztikus hegymászó mutáció x i = x i + N(0, σ), ahol N a normális eloszlás 0 várható értékkel és σ szórással [p(x) = 1 / (σ (2π))exp(-(x-a) 2 / (2σ 2 ))], ahol σ adaptív, azaz nem fixáljuk le, hanem megpróbáljuk a futás közben optimalizálni (a megoldás közelében a kisebb σ a jobb). 1) homogén (adaptív) megoldás: (x 1,, x n, σ), a keresési tér egy eleme mutáció: 1) σ = σexp(n(0, τ)) 2) x i = x i + N(0, σ ) Jobb lenne, ha minden koordinátának saját σ-ja lenne. τ 1 / n σ ε 0 Ha túl kicsi a σ, akkor nincs mutáció, ezért erre is figyelni kell. 2) heterogén adaptív megoldás: (x 1,, x n, σ 1,, σ n ) mutáció: 1) σ i = σ i exp(n(0, τ))exp(n(0, τ 0 )), ahol exp(n(0, τ))-t minden koordinátára kiszámoljuk exp(n(0, τ 0 )) globális: először kiszámoljuk, aztán csak x 2 helyettesítjük τ 0 = 1 / (2n) τ = 1 / (2 n) x 1 2) x i = x i + N(0, σ i ) A koordináta mutációja megtanulja, hogy melyik koordináták a fontosak, s ezzel nagyobb alkalmazkodást tesz lehetővé. 3) 1/5 szabály (1 + 1)-ES. esetében alkalmazzák, ha 1 db közös σ paraméter (homogén) van. Ha a mutáció túl nagy, vagyis az utódok sikertelensége < 1/5, akkor σ-t csökkenteni kell, ha > 1/5, akkor növelni. G utód esetén (G = n) p: sikeres utódok aránya G-ben σ ha p = 1/5 σ = aσ ha p < 1/5 a 0,9 σ / a ha p > 1/5 Kevésbé általános, így sajnos ez a módszer nem alkalmazható mindig. 4) korrelált mutáció (adaptív) megoldás: (x 1,, x n, σ 1,, σ n, α 12, α 13,, α (n-1)n ) mutáció: σ i = σ i exp(n(0, τ))exp(n(0, τ 0 )), ahol x 2 n 2 db dimenziópárokhoz tartozó forgatás x 1 9/5
6 exp(n(0, τ)) minden dimenzióban változik exp(n(0, τ 0 )) minden dimenzióban közös α ij = α ij + N(0, β), β 5 x = x + z, z = M(N(0, σ 1 ),, N(0, σ n )) N(0, c) forgatási mátrix 2 c ii = σ i (átlóban éppen σ-k vannak) c (i j σ 2 ij ) = 1/2(σ 2 i - j )tan2αij kovariancia mátrix Hátrány: sok paraméter lassabb evolúció. Dámajáték (ES alkalmazás neurális hálók tanítására) Blondie24: es eredmény viszont, hogy megoldották a dámajátékot, azaz van olyan program, ami matematikailag bizonyíthatóan verhetetlen. Kezdőállás: A szabályok röviden: - A bábukkal átlósan lehet lépni. - Kötelező ütni (figura átugrása), ha lehet. - Több ütés is lehet egymás után. - Ha végigér egy bábu, akkor király lesz: visszafelé is léphet. A pontos szabályok megtalálhatók a neten, pl.: hu/games_rules_checkers.html A megoldás során használt m ódszerek: minimax keresés 4 mélységig, α-β vágás, valamint az állást neurális hál ó számította ki. 0: üres 1: saját korong bemenet Össze s 33-as résztábla (36 db) Bal alsó sarok... k: saját király -1 és k: hasonlóan az ellenfélre Összes 44-es résztábla (24 db) db. Teljes tábla 32 elemű vektor 91 db neuron output 10 db 9/6
7 (15+15)-ES., heterogén adaptív mutáció. Raj intelligencia, részecske-raj optimalizálás Raj intelligencia: sok komponensű rendszer, pl. ágensekből, hangyákból, madarakból, méhekből, baktériumokból, vagy ténylegesen fizikai részecskékből áll. Olyan rendszerekkel foglalkozik, melyek bizonyos intelligens viselkedést mutatnak, de nem tudnak róla. Érdekes viselkedések pl.: - legrövidebb út felderítése a hangyáknál (fészek táplálék) - bonyolult várak felépítése a termeszeknél (légkondicionálás, élelemtároló szint, ) Alkalmazás pl. P2P hálózatok. Részecske-raj optimalizálás: pl. madárcsapatok, halrajok, nyájak,, együtt mozgó dolgok modellezéséből indul ki. Ilyenek pl.: - ragadozók kikerülése (flash and fountain) - préda elejtése - hatékonyság növelése (pl. ludak V alakban repülése) BOIDS (C. Reynolds, 87.) - n madár: x 1,, x n R 2 (R 3 ) (vektorok!) - madárnak van sebessége: v 1,, v n v i x i 3 szabály, amit betartanak a madarak (k legközelebbi szomszédra vonatkozóan): - elkerülés: ne repüljenek bele a szomszédos madarakba Minden madárnak saját, személyes tere központ: van, ami taszítja a többieket, mint a mágnesek egymást. - központ: minden madár a k legközelebbi szomszéd koordinátáinak átlagába v szeretne repülni k - másolás: minden madár megfigyeli, hogy a szomszédok merre repülnek, milyen sebességgel, és azok átlagát veszi. x i (t + 1 ) = x i (t) + τv i (t + 1) v i (t + 1) = αv i (t) + (1 - α)[ α 1 v elkerülés + α 2 v központ + α 3 v másolás ] 9/7
8 Részecske-raj optimalizálás - n db részecske x 1,, x n sebesség v 1,, v n memória y 1,, y n y i = min(f(x i (t))), t = 0, 1, - algoritmus 1 inicializálás 2 3 repeat for i = 1 to n 4 y g = min(y j ), j Szomszéd 5 if (f(x i ) < f(y i )) y i = x i 6 v i := v i + c 1 [y i - x i ] + c 2 [y g - x i ] [c1, c 2 [0, 2]] 7 xi := x i + vi 8 end-for 9 until kilépés Sebesség összetevői: - régi sebesség: felfedező magatartás, lendület - szociális tag: globális optimum, mindenkinek afelé kell tartani közös pont felé - saját lokális optimum konvergálnak Ha nem lenne a szociális tag, akkor a részecskéknek nem lenne egymással kapcsolatuk, így a saját maguk által talált optimum körül végeznének véletlen mozgást. Ha pedig a lokális nem lenne, csak a globális, akkor mindenki gyorsan megtalálna egy közös pontot. A saját környezet felderítésének szükségessége miatt tehát szükség van a lokális optimumra is. Szomszédsági struktúra: 1) Globális : hasznos, ha csak egy optimum van tudja meg mindenki és siessen oda. Viszont nem jó, ha több lokális optimum van, mert nem talál meg új területet, hanem az elsőként megtaláltnál leragad. 9/8
9 2) Lokális ( kör ): szomszédsági gráf 2 szomszéd van csak, így a globális optimum lassan, lineárisan terjed. 1) 2) exploitation (kiaknázás) hatékony kevésbé hatékony exploration (felfedezés) kevésbé hatékony hatékony Ennek megfelelője evolúciós algoritmusokban a szelekciós nyomás. Szintén any time. Az algoritmus javítása: 1) Sebesség korlát (gondot jelent a vég nélküli sebességnövekedés) v i = (v i1,, v in ) v ij δ[xmax,j x min,j ], δ (0,1) adott keresési tér korlátjai Hatások: - A sebesség eléri a maximumot minden dimenzióban a részecskék a doboz falán mászkálnak - Egyik dimenzióban levágok értékeket, a másikban nem irány drasztikusan megváltozhat durva 2) Lendület (inercia) faktor hozzáadása v i = wv i + c 1 (y i - x i ) + c 2 (y g - x i ), ahol w 1; lendület faktor: sebességnövekedés változtatható 3) hűtés technikák Minél kisebb a w, annál inkább lokális lesz a keresés, és megszűnik a felfedezés. Fuzzy: olyan utasítások rendszere, mintha azok természetes nyelven lennének megfogalmazva, pl.: ha y g kicsi és w kicsi akkor közepesen növeljük w-t az aláhúzott egységeket egy-egy 0-1 közötti függvény határozza meg populáció méret (n) 30 (hasraütésszerű érték, amivel el lehet indulni) c 1 és c 2 : (0,2) (uniform, egyenletes eloszlás) Differenciál-evolúció: populáció: x 1,, x n x i -re keresztezés: v (mutáció eredménye) = x i + F(x r1 x r2 ) + λ(y g - x i ), ahol λ 0,9, F 0,8 v y g x i x r1 x r2 u (keresztezés eredménye): x i és v keresztezése CR valószínűséggel x i elemei, 1 CR valószínűséggel v elemei ha f(u) < f(x i ) u felülírja x i -t 9/9
Számítógépes 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
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal
Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa:
RészletesebbenGenetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
RészletesebbenAlgoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás
Algoritmusok Tervezése 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás Biológiai háttér (nagyvonalúan) A sejt genetikai információit hordozó DNS általában kromoszómának nevezett makromolekulákba van
RészletesebbenEvolúciós algoritmusok
Evolúciós algoritmusok Evolúció, mint kereső rendszer A problémára adható néhány lehetséges választ, azaz a problématér több egyedét tároljuk egyszerre. Ez a populáció. Kezdetben egy többnyire véletlen
RészletesebbenTartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...
RészletesebbenKéprekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
RészletesebbenDr. habil. Maróti György
infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
RészletesebbenMesterséges Intelligencia I. (I602, IB602)
Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos
RészletesebbenUniversität M Mis is k k olol cic, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudfts o w máis n s yen i scha Kar, ften,
8. Előadás Speciális optimalizációs eljárások Genetikus algoritmusok OPTIMALIZÁLÁSI ELJÁRÁSOK Gradiens alapú módszerek Véletlent használó módszerek Kimerítő keresésen alapuló módszerek Direkt módszerek
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
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
RészletesebbenHidraulikus hálózatok robusztusságának növelése
Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás
RészletesebbenGenetikus algoritmusok az L- rendszereken alapuló. Werner Ágnes
Genetikus algoritmusok az L- rendszereken alapuló növénymodellezésben Werner Ágnes Motiváció: Procedurális modellek a növénymodellezésben: sok tervezési munka a felhasználónak ismerni kell az eljárás részleteit
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 9. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
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
RészletesebbenEvolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet
Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói
Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus
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)
RészletesebbenA genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere
A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia
RészletesebbenInformatikai Rendszerek Tervezése
Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.- 5. kurzus 1 Informatikai Rendszerek Tervezése 4. Előadás: Genetikus algoritmusok Illyés László 1 Tartalom Bevezető A kanonikus genetikus
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
RészletesebbenMesterséges Intelligencia I.
Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a
RészletesebbenMonte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
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.:
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
RészletesebbenEvolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet
Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy
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
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
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
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =
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
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
RészletesebbenAltruizmus. Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között?
Altruizmus Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között? Altruizmus rokonok között A legtöbb másolat az adott génről vagy az egyed
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenMatematikai geodéziai számítások 5.
Matematikai geodéziai számítások 5 Hibaterjedési feladatok Dr Bácsatyai László Matematikai geodéziai számítások 5: Hibaterjedési feladatok Dr Bácsatyai László Lektor: Dr Benedek Judit Ez a modul a TÁMOP
RészletesebbenDiszkrét Matematika MSc hallgatók számára. 4. Előadás
Diszkrét Matematika MSc hallgatók számára 4. Előadás Előadó: Hajnal Péter Jegyzetelő: Szarvák Gábor 2012. február 28. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét
RészletesebbenMegerősítéses tanulás 9. előadás
Megerősítéses tanulás 9. előadás 1 Backgammon (vagy Ostábla) 2 3 TD-Gammon 0.0 TD() tanulás (azaz időbeli differencia-módszer felelősségnyomokkal) függvényapproximátor: neuronháló 40 rejtett (belső) neuron
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/6 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 46/6 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenGROVER-algoritmus. Sinkovicz Péter. ELTE, MSc II dec.15.
ELTE, MSc II. 2011.dec.15. Áttekintés Feladat Algoritmus Kvantum keresési algoritmus áttekintése Input: N = 2 n elemű tömb, Ψ 1 = 0 1 kezdőállapot, f x0 (x) orákulum függvény. Output: x 0 keresett elem
RészletesebbenAltruizmus. Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között?
Altruizmus Altruizmus: a viselkedés az adott egyed fitneszét csökkenti, de másik egyed(ek)ét növeli. Lehet-e önző egyedek között? Altruizmus rokonok között A legtöbb másolat az adott génről vagy az egyed
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenTermészetes szelekció és adaptáció
Természetes szelekció és adaptáció Amiről szó lesz öröklődő és variábilis fenotípus természetes szelekció adaptáció evolúció 2. Természetes szelekció Miért fontos a természetes szelekció (TSZ)? 1. C.R.
RészletesebbenKiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.
Kiválasztás A változó szerint Egymintás t-próba Mann-Whitney U-test paraméteres nem-paraméteres Varianciaanalízis De melyiket válasszam? Kétmintás t-próba Fontos, hogy mindig a kérdésnek és a változónak
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
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,
Részletesebben11. Előadás. 1. Lineáris egyenlőség feltételek melletti minimalizálás
Optimalizálási eljárások MSc hallgatók számára 11. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2011. április 27. 1. Lineáris egyenlőség feltételek melletti minimalizálás Múlt héten nem szerepeltek
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
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés 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 Következtetés
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenNyerni jó. 7.-8. évfolyam
Boronkay György Műszaki Középiskola és Gimnázium 2600 Vác, Németh László u. 4-6. : 27-317 - 077 /fax: 27-315 - 093 WEB: http://boronkay.vac.hu e-mail: boronkay@vac.hu Levelező Matematika Szakkör Nyerni
RészletesebbenHÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla
HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL OLÁH Béla A TERMELÉSÜTEMEZÉS MEGFOGALMAZÁSA Flow shop: adott n számú termék, melyeken m számú
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,
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
RészletesebbenBevezetés a hipotézisvizsgálatokba
Bevezetés a hipotézisvizsgálatokba Nullhipotézis: pl. az átlag egy adott µ becslése : M ( x -µ ) = 0 Alternatív hipotézis: : M ( x -µ ) 0 Szignifikancia: - teljes bizonyosság csak teljes enumerációra -
RészletesebbenMesterséges Intelligencia alapjai
Mesterséges Intelligencia alapjai Evolúciós algoritmusok - neurális hálózatok Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / Budapest
RészletesebbenTeljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István
Teljesen elosztott adatbányászat pletyka algoritmusokkal Jelasity Márk Ormándi Róbert, Hegedűs István Motiváció Nagyméretű hálózatos elosztott alkalmazások az Interneten egyre fontosabbak Fájlcserélő rendszerek
RészletesebbenElemi statisztika. >> =weiszd= << december 20. Szerintem nincs sok szükségünk erre... [visszajelzés esetén azt is belerakom] x x = n
Elemi statisztika >> =weiszd=
RészletesebbenKeresések Gregorics Tibor Mesterséges intelligencia
Keresések ADAT := kezdeti érték while terminálási feltétel(adat) loop SELECT SZ FROM alkalmazható szabályok ADAT := SZ(ADAT) endloop KR vezérlési szintjei vezérlési stratégia általános modellfüggő heurisztikus
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
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
RészletesebbenEvolúciós algoritmusok bevezetés
Előadás-jegyzet készítette Kelemen Zslt Mesterséges Intelligencia II. (2008), Jelasity Márk 1. és 3. előadása Evlúciós algritmusk bevezetés Vetítések egyszerű evlúciós kísérletekkel kapcslatban Evlúció
RészletesebbenForgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
Részletesebben4. Előadás: Erős dualitás
Optimalizálási eljárások/operációkutatás MSc hallgatók számára 4. Előadás: Erős dualitás Előadó: Hajnal Péter 2018. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét d
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)
RészletesebbenOptimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben
Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára Analízis R d -ben Gyakorlatvezetõ: Hajnal Péter 2012. február 8 1. Konvex függvények Definíció. f : D R konvex, ha dom(f) := D R n konvex és tetszőleges
RészletesebbenÉrdekes informatika feladatok
A keres,kkel és adatbázissal ellátott lengyel honlap számos díjat kapott: Spirit of Delphi '98, Delphi Community Award, Poland on the Internet, Golden Bagel Award stb. Az itt megtalálható komponenseket
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 8. előadás
Algoritmizálás, adatmodellezés tanítása 8. előadás Elágazás és korlátozás A backtrack alkalmas-e optimális megoldás keresésére? Van költség, és a legkisebb költségű megoldást szeretnénk előállítani. Van
RészletesebbenDiverzifikáció Markowitz-modell MAD modell CAPM modell 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 11. Előadás Portfólió probléma Portfólió probléma Portfólió probléma Adott részvények (kötvények,tevékenységek,
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,
Részletesebben17. előadás: Vektorok a térben
17. előadás: Vektorok a térben Szabó Szilárd A vektor fogalma A mai előadásban n 1 tetszőleges egész szám lehet, de az egyszerűség kedvéért a képletek az n = 2 esetben szerepelnek. Vektorok: rendezett
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenRobotika. Kinematika. Magyar Attila
Robotika Kinematika Magyar Attila amagyar@almos.vein.hu Miről lesz szó? Bevezetés Merev test pozíciója és orientációja Rotáció Euler szögek Homogén transzformációk Direkt kinematika Nyílt kinematikai lánc
Részletesebbenangolul: greedy algorithms, románul: algoritmi greedy
Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város
RészletesebbenBánsághi Anna 2014 Bánsághi Anna 1 of 68
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 3. ELŐADÁS - PROGRAMOZÁSI TÉTELEK 2014 Bánsághi Anna 1 of 68 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív
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
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
Részletesebben