Valószínűségi döntéstámogató rendszerek Bevezetés. Peter Antal
|
|
- Artúr Kovács
- 5 évvel ezelőtt
- Látták:
Átírás
1 Valószínűségi döntéstámogató rendszerek Bevezetés Peter Antal A.I. 2/6/2018 1
2 Információk a kurzusról Döntések a világunkban Racionális döntéstámogatás: bayesi döntéselmélet Demo
3 Honlap Tárgyfelelős és oktató Antal Péter (~peter), Időpont, helyszín Kedd, , IE.320 PÁRATLAN HETEKEN: szerda, , IE.320 A.I. 2/6/2018 3/x
4 Tankönyvek S. Russell and P. Norvig Artificial Intelligence: A Modern Approach Prentice Hall, Second Edition< MI Almanach: P.Antal et al.:valószínűségi döntéstámogató rendszerek, 2014 Szoftver BayesCube, szoftver+felhasználói kézikönyv R LearnBayes
5 Valószínűségi gráfos modellek, Bayes-hálózatok J. Pearl: Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Interference, 1988 Cowell, R.G. Dawid, A.P. Lauritzen, S.L. Spiegelhalter, D.J.: Probabilistic Expert Systems, 1999 Friedman, N. Koller, D.: Probabilistic Graphical Models, The MIT Press, 2009 Denis, Jean-Baptiste_ Scutari, Marco: Bayesian Networks With Examples in R, CRC Press, (2014) Søren Højsgaard, David Edwards, Steffen Lauritzen: Graphical Models with R, Springer, (2012) David Bellot: Learning Probabilistic Graphical Models in R, -Packt Publishing (2016) Valószínűségi következtetések és bayesi döntéselmélet A.Gelman, J.B.Carlin, H.S.Stern, D.B.Dunson, A.Vehtari, D.B. Rubin: Bayesian Data Analysis, Chapman and Hall_CRC, 2014 J.Albert: Bayesian Computation with R, 2009 Jean-Michel Marin, Christian P. Robert: Bayesian Essentials with R, Springer-Verlag New York (2014) Richard McElreath: Statistical Rethinking_ A Bayesian Course with Examples in R and Stan, Chapman and Hall_CRC (2015) Valószínűségi mintafelismerés, gépi tanulás és mesterséges intelligencia Devroye, Luc, László Györfi, and Gábor Lugosi. A probabilistic theory of pattern recognition, Springer, 2013 Christopher M. Bishop-Pattern Recognition and Machine Learning, Springer (2007).pdf Kevin P. Murphy: Machine Learning_ A Probabilistic Perspective, The MIT Press (2012) Kevin B. Korb, Ann E. Nicholson: Bayesian Artificial Intelligence, Second Edition-CRC Press, 2010 Információelmélet, statisztikai következtetés Cover, Thomas M., and Joy A. Thomas: Elements of information theory, John Wiley & Sons, T.Hastie, R.Tibshirani, J.Friedman: The Elements of Statistical Learning_ Data Mining, Inference, and Prediction, 2008 A.I. 2/6/2018 5
6 1.-2. Bevezetés és alkalmazások Bizonytalanság és optimális döntések. BayesCube, modellépítés, tanulás Egyszerű Bayes-hálók Naív Bayes-hálók, Markov láncok, Rejtett Markov Modellek Rejtett Markov Modellek alkalmazásai Valószínűségi gráf alapú modellek PDSS:1 BayesWithR1, Becslés és döntéselmélet PDSS:2, AIMA14 BayesCube, Bayesian computation with R Tudásmérnökség, Bayes-tanulás PDSS:4 BayesCube HF Bayesi következtetések PDSS:5 Bayesian computation with R Komplex döntéstámogatás, ajánló rendszerek PDSS:6:szekvenciális, PDSS:7:orvosi Bayesian computation with R 6
7 Kéthetente kis gyakorlati feladatot kell megoldani és 10 napon belüli határidőre benyújtani. A félév során 8. héten egy nagy átfogó házi feladatot adunk ki, amelyet a félév végéig kell benyújtani. A félév során 13. héten egy zárthelyi dolgozatot kell megírni. A félévközi jegy megszerzésének a feltétele a 6 kis feladatból legalább négynek és a nagy házi feladatnak határidőre, elfogadható szinten történő beadása és a zárthelyi elfogadható szinten történő teljesítése. A félévvégi jegy a félévközi kisfeladatok jegyei (30%), a nagy házi feladat jegye (30%) és a zárthelyi jegyének (40%) alapján kerül megállapításra. A kis feladatok "tömeges" pótlása/javítása nem lehetséges. A nagy házi feladat és a zárthelyi a pótlási héten pótolható. Esetleges konzultációra a páros hetek gyakorlat ideje javasolt.
8 Automated decisions Self-driving car Health care Games: chess, Watson, GO Human decisions Daily: 700; 3000; Lifetime: ~10 millions 1 billions Herbert A. Simon: Bounded rationality Rationality? Optimality? Decision theory A.I. 2/6/2018 8
9 Decision situation: Actions Outcomes Probabilities of outcomes Utilities/losses of outcomes QALY, micromort Maximum Expected Utility Principle (MEU) Best action is the one with maximum expected utility Actions a i (which experiment) Outcomes (e.g. dataset) Probabilities P(o j a i ) a o i j p U ( o j ai ) ( o j ai ) ( a i) j U( oj ai ) p( oj ai EU ) a* arg max i EU ( ai ) Utilities, costs Expected utilities U(o j ), C(a i ) EU(a i ) = P(o j a i )U(o j a i ) a i o j
10 A.I. February 6,
11 Petefészekrák nem-invazív diagnosztikája International Ovarian Tumor Analysis (IOTA, Dirk Timmerman) Antal, P., Fannes, G., Timmerman, D., Moreau, Y. and De Moor, B., Using literature and data to learn Bayesian networks as clinical models of ovarian tumors. Artificial Intelligence in medicine, 30(3), pp
12 P(Pathology=malignant E=e) 1 Evidence e 12
13 Diagnosztikai következtetés P(Diagnózis Passzív megfigyelések) Legkisebb várható veszteségű diagnózis passzív megfigyelések esetén Optimális információgyűjtés További információ hatása a következtetésre: P(Diagnózis megfigyelések, új megfigyelés) További információ hasznossága Terápiás következtetés P(Kimenetel Megfigyelés, Beavatkozás) Kontrafaktuális következtetés P(ElképzeltKimenetel Megfigyelés, Beavatkozás,Kimenetel, ElképzeltBeavatkozás) 13
14 Kérdéstípusok az orvosi döntéstámogatásban II. Obs.: What is the probability that the patient recovers if he takes the drug x. Int.:What is the probability that the patient recovers if we prescribe* the drug x. Counter.: Given that the patient had not recovered for the drug x, what would have been the probability that patient recovers if we had prescribed* the drug x, instead of x. Imagery observations and interventions: We observed X=x, but imagine that x would have been observed: denoted as X =x. We set X=x, but imagine that x would have been set: denoted as do(x =x ). What is the relation of Observational p(q=q E=e, X=x ) Interventional p(q=q E=e, do(x=x )) Counterfactual p(q =q Q=q, E=e, do(x=x), do(x =x )) *: Assume that the patient is fully compliant. 14
15 1. Adatbázistól független döntéstámogató rendszer 2. Labor általi (~orvostól független) költséghatékonysági kontroll (+/-!) 3. Orvoskontroll biztosítása (betegadatok teljessége és védelme) 4. Labormérések indításának segítése adott minta esetén 5. Labor kapacitásának automatikus figyelembevétele Data Labor Folyamatos tájékoztatás a keletkező eredményekről és következő mérendő(k)ről Finomítási lehetőség: leállás-kiterjesztés 15
16 Bayesi döntéselméleti keret. Valószínűségi gráfos modellek. Növekvő igény döntéstámogatásra. Következtétesi típusok Megfigyelési Beavatkozási Kontrafaktuális Ajánlott olvasmány: AIMA: ch13, ch16, ch18 BayesCube: omework_v2017_v1.pdf
A TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
RészletesebbenKomplex valószínűségi modellek, következtetésre, tanulásra, adatfúzióra. Bolgár Bence, Antal Péter
Komplex valószínűségi modellek, következtetésre, tanulásra, adatfúzióra Bolgár Bence, Antal Péter antal@mit.bme.hu A.I. 2/6/2018 1 Információk a kurzusról Az adat- és tudásfúziós kihívás Racionális döntéstámogatás:
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
Részletesebbenza TANTÁRGY ADATLAPJA
za TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
RészletesebbenEgészségügyi informatika és biostatisztika Döntéstámogatás
Egészségügyi informatika és biostatisztika Döntéstámogatás Antal Péter Computational Biomedicine (Combine) workgroup Department of Measurement and Information Systems, Budapest University of Technology
RészletesebbenTantárgy adatlap Szociológiai elméletek I.
A tantárgy kódja: 7SO30NAKL3M A tantárgy megnevezése (magyarul): A tantárgy neve (angolul): Sociological Theories I. A tanóra száma (Előadás + szeminárium + gyakorlat + egyéb): 2+2 óra előadás hetente
RészletesebbenValószín ségi döntéstámogató rendszerek
Valószín ségi döntéstámogató rendszerek Antos András Antal Péter Hullám Gábor Millinghoer András Hajós Gergely Kulcsszavak: döntés, becslés, költségfüggvény, kockázat, a priori és a posteriori valószín
RészletesebbenDigitális technika VIMIAA01
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VILLAMOSMÉRNÖKI ÉS INFORMATIKAI KAR MÉRÉSTECHNIKA ÉS INFORMÁCIÓS RENDSZEREK TANSZÉK Digitális technika VIMIAA01 1. hét Órarendi részletek 3 előadás kurzus,
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
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
RészletesebbenEgészségügyi mérnöki mesterszak hallgatói adatainak elemzése. Computational Biomedicine (Combine) workgroup
Egészségügyi mérnöki mesterszak hallgatói adatainak elemzése Antal Péter Computational Biomedicine (Combine) workgroup Department of Measurement and Information Systems Budapest University of Technology
RészletesebbenExact inference in general Bayesian networks
Exact inference in general Bayesian networks Peter Antal antal@mit.bme.hu Overview The Probability Propagation in Trees of Cliques (a.k.a. ~in join trees) Practical inference Exercises Literature: Valószínűségi
RészletesebbenDöntéshozatal a klinikai gyakorlatban. Fülep Zoltán Bács-Kiskun Megyei Kórház, Szegedi Egyetem Általános Orvostudományi Kar Oktató Kórháza Kecskemét
Döntéshozatal a klinikai gyakorlatban Fülep Zoltán Bács-Kiskun Megyei Kórház, Szegedi Egyetem Általános Orvostudományi Kar Oktató Kórháza Kecskemét Cogito ergo sum René Descartes Immanuel Kant A klinikai
RészletesebbenDigitális technika VIMIAA02
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VILLAMOSMÉRNÖKI ÉS INFORMATIKAI KAR MÉRÉSTECHNIKA ÉS INFORMÁCIÓS RENDSZEREK TANSZÉK Digitális technika VIMIAA02 HIRDETMÉNY 1. hét HIRDETMÉNY Órarendi részletek
RészletesebbenBiomarkerek hálózatától a klinikai döntéstámogatásig
Biomarkerek hálózatától a klinikai döntéstámogatásig Antal Péter dr. 1 Reiter József 2 Mátyus Péter dr. 3, 4 1 Budapesti Műszaki és Gazdaságtudományi Egyetem, Méréstechnika és Információs Rendszerek Tanszék,
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 : mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók / Keretrendszerek
Részletesebbené ö é Ö é ü é é ö ö ö ü é é ö ú ö é é é Ő ö é ü é ö é é ü é é ü é é é ű é ö é é é é é é é ö ö í é ü é ö ü ö ö é í é é é ö ü é é é é ü ö é é é é é é é é é é é é é é é ö é Í ö í ö é Í í ö é Í é í é é é é
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș-Bolyai Tudományegyetem 1.2 Kar Történelem és Filozófia Kar 1.3 Intézet Magyar Történeti Intézet 1.4 Szakterület Kulturális
RészletesebbenTeljesen elosztott adatbányászat alprojekt
Teljesen elosztott adatbányászat alprojekt Hegedűs István, Ormándi Róbert, Jelasity Márk Big Data jelenség Big Data jelenség Exponenciális növekedés a(z): okos eszközök használatában, és a szenzor- és
RészletesebbenBSc Témalaboratórum (BME VIMIAL00) Előzetes tájékoztató előadás 2018 ősz. Dr. Ráth István
BSc Témalaboratórum (BME VIMIAL00) Előzetes tájékoztató előadás 2018 ősz Dr. Ráth István rath@mit.bme.hu Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 1
RészletesebbenValószínűségi modellek
Statisztikai tanulás az idegrendszerben, 2015. Valószínűségi modellek Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Hogyan kezeljük formálisan a bizonytalan
RészletesebbenBevezetés a kvantum-informatikába és kommunikációba 2015/2016 tavasz
Bevezetés a kvantum-informatikába és kommunikációba 2015/2016 tavasz Kvantumkapuk, áramkörök 2016. március 3. A kvantummechanika posztulátumai (1-2) 1. Állapotleírás Zárt fizikai rendszer aktuális állapota
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/364
/364 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 200/20 Az Előadások Témái 2/364 : mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
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
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
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.
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
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.
RészletesebbenCsima Judit április 9.
Osztályozókról még pár dolog Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. április 9. Csima Judit Osztályozókról még pár dolog 1 / 19 SVM (support vector machine) ez is egy
RészletesebbenSZOFTVEREK A SORBANÁLLÁSI ELMÉLET OKTATÁSÁBAN
SZOFTVEREK A SORBANÁLLÁSI ELMÉLET OKTATÁSÁBAN Almási Béla, almasi@math.klte.hu Sztrik János, jsztrik@math.klte.hu KLTE Matematikai és Informatikai Intézet Abstract This paper gives a short review on software
RészletesebbenAKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA
AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Eletrotechnikai és Elektronikai Tanszék, Miskolci Egyetem
RészletesebbenA rosszindulatú daganatos halálozás változása 1975 és 2001 között Magyarországon
A rosszindulatú daganatos halálozás változása és között Eredeti közlemény Gaudi István 1,2, Kásler Miklós 2 1 MTA Számítástechnikai és Automatizálási Kutató Intézete, Budapest 2 Országos Onkológiai Intézet,
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
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Hypothesis Testing. Petra Petrovics.
Hypothesis Testing Petra Petrovics PhD Student Inference from the Sample to the Population Estimation Hypothesis Testing Estimation: how can we determine the value of an unknown parameter of a population
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 206/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenPletykaalapú gépi tanulás teljesen elosztott környezetben
Pletykaalapú gépi tanulás teljesen elosztott környezetben Hegedűs István Jelasity Márk témavezető Szegedi Tudományegyetem MTA-SZTE Mesterséges Intelligencia Kutatócsopot Motiváció Az adat adatközpontokban
RészletesebbenZáróvizsgatételek Kognitív Tanulmányok mesterszak, Filozófia:
Záróvizsgatételek Kognitív Tanulmányok mesterszak, 2018 Filozófia: 1. Mi a kapcsolat az agyak a tartályban gondolatkísérlet és a szkepszis problémája között Wright, Crispin (1992) On Putnam's Proof That
RészletesebbenVI. Magyar Földrajzi Konferencia 524-529
Van Leeuwen Boudewijn Tobak Zalán Szatmári József 1 BELVÍZ OSZTÁLYOZÁS HAGYOMÁNYOS MÓDSZERREL ÉS MESTERSÉGES NEURÁLIS HÁLÓVAL BEVEZETÉS Magyarország, különösen pedig az Alföld váltakozva szenved aszályos
RészletesebbenInformatikai rendszerek fejlesztése
Informatikai rendszerek fejlesztése Dr. Csetényi Arthur Előadás: hétfő 8:00 9:20 Fogadóóra: hétfő 9:30 11:00 (Sóház, fszt. 02) E-mail: csetenyi at uni-corvinus dot hu Informatikai rendszerek fejlesztése
RészletesebbenOTKA nyilvántartási szám: T047198 ZÁRÓJELENTÉS
MESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A FOLYAMATMODELLEZÉSBEN című OTKA pályázatról 2004. jan. 01 2007. dec. 31. (Vezető kutató: Piglerné dr. Lakner Rozália) A mesterséges intelligencia eszközök
RészletesebbenSzámítógépes Hálózatok ősz 2006
Számítógépes Hálózatok ősz 2006 1. Bevezetés, Internet, Referenciamodellek 1 Organizáció Web-oldal http://people.inf.elte.hu/lukovszki/courses/nwi/ Előadás Szerda, 14:00-15:30 óra, hely: Mogyoródi terem
RészletesebbenOrganizáció. Számítógépes Hálózatok ősz 2006. Tartalom. Vizsga. Web-oldal http://people.inf.elte.hu/lukovszki/courses/nwi/
Organizáció Számítógépes Hálózatok ősz 2006 1. Bevezetés, Internet, Referenciamodellek Web-oldal http://people.inf.elte.hu/lukovszki/courses/nwi/ Előadás Szerda, 14:00-15:30 óra, hely: Mogyoródi terem
RészletesebbenMit mond a XXI. század emberének a statisztika?
Mit mond a XXI. század emberének a statisztika? Rudas Tamás Magyar Tudományos Akadémia Társadalomtudományi Kutatóközpont Eötvös Loránd Tudományegyetem Statisztika Tanszék Nehéz a jövőbe látni Változik
Részletesebbenö É ü ő ő É Á ö ö Á ö ö ö Í ú Í ö ű ö ö ő ú ő ú ú ő ü ő ö Á ú Í É ü ö ü ö ö ő ö ő ö ő ő ö ő ö ő ö ö úö Í ö ü ő ü ö ő ö ű ö ő ü ű Í ö É ő Ó É Í Í É Á ú Í Ú Í Íö Í Á É ö ú Á Á Á Í Ú Á ű É ö ÍÉ É É É Ü Í
RészletesebbenA gép az ember tükre, avagy hogyan (ne) adjuk át saját előítéleteinket a mesterséges értelemnek
A gép az ember tükre, avagy hogyan (ne) adjuk át saját előítéleteinket a mesterséges értelemnek Varjú Zoltán 2018.05.22. HWSW Meetup ML Engineering Rules of Machine Learning #1 Don t be afraid to launch
RészletesebbenProbabilisztikus modellek II: Inferencia. Nagy Dávid
Probabilisztikus modellek II: Inferencia Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 előző előadás előző előadás az agy modellt épít a világról előző előadás az agy modellt épít a világról
RészletesebbenTANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS
TANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS 1 ALAPADATOK 1.1 Tantárgy neve TÉRINFORMATIKAI ELEMZÉSEK 1.2 Azonosító (tantárgykód) BMEEOFTA-J1 1.3 A tantárgy jellege kontaktórás tanegység 1.4 Óraszámok típus előadás
RészletesebbenA CAN mint ipari kommunikációs protokoll CAN as industrial communication protocol
A CAN mint ipari kommunikációs protokoll CAN as industrial communication protocol Attila FODOR 1), Dénes FODOR Dr. 1), Károly Bíró Dr. 2), Loránd Szabó Dr. 2) 1) Pannon Egyetem, H-8200 Veszprém Egyetem
RészletesebbenÁ É Á É Ü É é í ü ü ü é é ö é é é é ö é ó ó é é í ó é é é é ü é ó ó éó ó ó é é é é é é é í ó Ü ö ö ű é ű í é ó é ó é ü é í ü é ü ü é é í ö ö é ü é í ü ü é é é ü ö é ó ó ö í ó é é ü ö é ö í é é é é ü é
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 146/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenTANTÁRGY ADATLAP és tantárgykövetelmények Cím:
TANTÁRGY ADATLAP és tantárgykövetelmények Cím: ACÉLSZERKEZETEK Tárgykód: PMKSTNE050 Heti óraszám 1 : 2 ea, 2 / 1 gy, 0 lab Kreditpont: 4 / 4 / 3 / 2 Szak(ok)/ típus 2 : Építőmérnök BSc / Gépészmérnök BSc.,
RészletesebbenA DIGITÁLIS KÉPFELDOLGOZÁS OKTATÁSÁNAK EREDMÉNYEI ÉS NÉHÁNY AKTUÁLIS KÉRDÉSE A DEBRECENI EGYETEMEN
A DIGITÁLIS KÉPFELDOLGOZÁS OKTATÁSÁNAK EREDMÉNYEI ÉS NÉHÁNY AKTUÁLIS KÉRDÉSE A DEBRECENI EGYETEMEN CURRENT QUESTIONS AND RESULTS ABOUT THE EDUCATION OF DIGITAL IMAGE PROCESSING AT THE UNIVERSITY OF DEBRECEN
RészletesebbenA bemeneti feszültség 10 V és 20 V között van. 1. ábra A fuzzy tagsági függvény
BÁRKÁNYI PÁL: FUZZY MODELL MATEMATIKAI HÁTTERE SPECIÁLIS KATONAI RENDSZEREKRE ALKALMAZVA A katonai rendszerek műszaki megbízhatóságának vizsgálatai során, több matematikai módszert alkalmazhatunk, mint
RészletesebbenEladni könnyedén? Oracle Sales Cloud. Horváth Tünde Principal Sales Consultant 2014. március 23.
Eladni könnyedén? Oracle Sales Cloud Horváth Tünde Principal Sales Consultant 2014. március 23. Oracle Confidential Internal/Restricted/Highly Restricted Safe Harbor Statement The following is intended
RészletesebbenMIBEN SEGÍT A RENDSZERSZEMLÉLETŰ KONFIGURÁCIÓELEMZÉS AZ ALKOTÁSOK PSZICHOLÓGIAI ELEMZÉSE SORÁN?
Psychologia Hungarica Caroliensis, 2013, 1, 1, 108-113. DOI: 10.12663/PsyHung.1.2013.1.1.5 MIBEN SEGÍT A RENDSZERSZEMLÉLETŰ KONFIGURÁCIÓELEMZÉS AZ ALKOTÁSOK PSZICHOLÓGIAI ELEMZÉSE SORÁN? A hétlépéses képelemzési
RészletesebbenUNIX operációs rendszer bemutatása. A UNIX története, fejlesztésének céljai.
Az Operációs Rendszerek III. c. tantárgy tematikája és követelményei a SZE Informatika és Műszaki tanári szakos hallgatói számára, a 2005/2006. tanév I. félévére Tematika: UNIX UNIX operációs rendszer
RészletesebbenD é n e s T a m á s matematikus-kriptográfus
D é n e s T a m á s matematikus-kriptográfus e-mail: tdenest@freemail.hu Gondolatok a társadalomkutatás módszertanáról és oktatásáról (Társadalom-holográfia) 1. Elméleti elızmények A társadalomkutatás
RészletesebbenEnsemble Kalman Filters Part 1: The basics
Ensemble Kalman Filters Part 1: The basics Peter Jan van Leeuwen Data Assimilation Research Centre DARC University of Reading p.j.vanleeuwen@reading.ac.uk Model: 10 9 unknowns P[u(x1),u(x2),T(x3),.. Observations:
RészletesebbenGenome 373: Hidden Markov Models I. Doug Fowler
Genome 373: Hidden Markov Models I Doug Fowler Review From Gene Prediction I transcriptional start site G open reading frame transcriptional termination site promoter 5 untranslated region 3 untranslated
RészletesebbenSZAKMAI BESZÁMOLÓ EVK SZAKKOLLÉGIUM. BESZÁMOLÓ: A 2014/2015 A Pallas Athéné Domus Scientiae Alapítvány pályázatára 2014/2015-ÖS TANÉV
SZAKMAI BESZÁMOLÓ EVK SZAKKOLLÉGIUM BESZÁMOLÓ: A 2014/2015 A Pallas Athéné Domus Scientiae Alapítvány pályázatára 2014/2015-ÖS TANÉV 1 Tőzsdekurzus A kurzus fókuszában - az elméleti bevezetőt követően
RészletesebbenA modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében. Dicse Jenő üzletfejlesztési igazgató
A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében Dicse Jenő üzletfejlesztési igazgató How to apply modern e-learning to improve the training of firefighters Jenő Dicse Director of
RészletesebbenTANTÁRGYI ÚTMUTATÓ a
Számvitel Intézeti Tanszék /fax: 383-8480 Budapest 72. Pf.: 35. 1426 III. évfolyam Pénzügy és Számvitel Szak, Számvitel szakirány TANTÁRGYI ÚTMUTATÓ a Számviteli sajátosságok tantárgy tanulmányozásához
RészletesebbenProbabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
RészletesebbenDigitális technika VIMIAA02
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VILLAMOSMÉRNÖKI ÉS INFORMATIKAI KAR MÉRÉSTECHNIKA ÉS INFORMÁCIÓS RENDSZEREK TANSZÉK Digitális technika VIMIAA02 HIRDETMÉNY 13. hét Oktatási hírek HF2 statisztika:
RészletesebbenInformatika szigorlati témakörök gazdasági informatika egyetemi képzés hallgatói részére
Informatika szigorlati témakörök gazdasági informatika egyetemi képzés hallgatói részére Az Informatika szigorlat alapvetően az IR-fejlesztés, valamint az OO-fejlesztés c. tantárgyi blokkok, valamint az
RészletesebbenA tantárgyelem kódja: SZDE0304G
A mérföldkő megnevezése: Szakdolgozat készítése gyógytornászoknak A tantárgy megnevezése: Szakdolgozat készítése gyógytornászoknak A tantárgyelem megnevezése: Szakdolgozat készítése gyógytornászoknak 2
RészletesebbenAngol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel
Angol Középfokú Nyelvvizsgázók Bibliája: Nyelvtani összefoglalás, 30 kidolgozott szóbeli tétel, esszé és minta levelek + rendhagyó igék jelentéssel Timea Farkas Click here if your download doesn"t start
RészletesebbenA képfeldolgozás matematikája I.
1 A képfeldolgozás matematikája I. Bevezetés Dr. Fazekas Attila Attila.Fazekas@inf.unideb.hu Polányi Mihály: A személyes tudás A sikeres kommunikáció kedvéért az üzenet feladója 2 Polányi Mihály: A személyes
RészletesebbenElőrenéző és paraméter tanuló algoritmusok on-line klaszterezési problémákra
Szegedi Tudományegyetem Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszék Dr. Németh Tamás Előrenéző és paraméter tanuló algoritmusok on-line klaszterezési problémákra SZTE TTIK, Móra Kollégium,
RészletesebbenOn The Number Of Slim Semimodular Lattices
On The Number Of Slim Semimodular Lattices Gábor Czédli, Tamás Dékány, László Ozsvárt, Nóra Szakács, Balázs Udvari Bolyai Institute, University of Szeged Conference on Universal Algebra and Lattice Theory
Részletesebbenö ó Ö ő ü ú Á Ö Í Á Á ő ö ő í ő ó ő ö ö ö ő ő ő ö ö Ö Á Á ö ő ő ő ö ő ö ő ö ó í í ó ó ő ő ő ő ö ö ö Ö ó ő ü Ö ó ö Ö Ö Á Ö ö í í ó ó ő ö ü ű ö ő ő ű ő ő í ö ö ö ő í ó ü í ö ű ü ó í ö ó ő ő ő ü í ó í ó í
RészletesebbenAPÁKGYERMEKGONDOZÁSI SZABADSÁGON-AVAGY EGY NEM HAGYOMÁNYOS ÉLETHELYZET MEGÍTÉLÉSE A FÉRFIAKSZEMSZÖGÉBŐL
APÁKGYERMEKGODOZÁSI SZABADSÁGO-AVAGY EGY EM HAGYOMÁYOS ÉLETHELYZET MEGÍTÉLÉSE A FÉRFIAKSZEMSZÖGÉBŐL PROF: HABIL BECSIK ADREA 1 - DR. JUHÁSZ TÍMEA 2 Összefoglalás: em mondhatjuk, hogy ma még sok férfi megy
RészletesebbenBizonytalanságok melletti következtetés
Bizonytalanságok melletti következtetés Mesterséges Intelligencia I. Valószínűségi alapfogalmak (ismétlés) A, B,C események esetén a priori valószínűség: feltételes (a posteiori) valószínűség: Bayes-formula
RészletesebbenÁ Ö É Ó Á É Ó Ü É Ó Ó ü é é ú ö é ü é ú é é é ú é é ü ü í é Ö é ö é ö é é í é ü ü ö ő Ö í í í é í ú ö é í é é ö í é é í é ü ű é ö é é ü é é ú ú é Ö é ü ú é ü ü é ö ö é ú ö ú é í í ö é í é éí é í é é é
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nonparametric Tests
Nonparametric Tests Petra Petrovics Hypothesis Testing Parametric Tests Mean of a population Population proportion Population Standard Deviation Nonparametric Tests Test for Independence Analysis of Variance
RészletesebbenUser Comfort & Acquisition Models
2014. szeptember 24. User Comfort & Acquisition Models Jan Luprich, Alexi Anna / EBSCO Tartalmi igények Az elérhető tartalmak folyamatosan bővülnek Közel 600,000 cím 1,000 vezető kiadótól Új kiadók: tavalyi
RészletesebbenALKALMAZOTT TÉRINFORMATIKA 2.
ALKALMAZOTT TÉRINFORMATIKA 2. FÖLDRAJZ ALAPSZAK (NAPPALI MUNKAREND) TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ MISKOLCI EGYETEM MŰSZAKI FÖLDTUDOMÁNYI KAR FÖLDRAJZ-GEOINFORMATIKA INTÉZET Miskolc, 2018 TARTALOMJEGYZÉK
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika Kar 1.3 Intézet Magyar Matematika és Informatika Intézet 1.4
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeş-Bolyai Tudományegyetem, Kolozsvár 1.2 Kar Pszichológia és Neveléstudományok Kar 1.3 Intézet Alkalmazott Pszichológia Intézet
RészletesebbenPál Judit - Vörös András. Budapesti Corvinus Egyetem. Kapcsolatháló- és Oktatáskutató Központ. 2011. március 1.
Pál Judit - Vörös András Budapesti Corvinus Egyetem Kapcsolatháló- és Oktatáskutató Központ 2011. március 1. Definíció: A kapcsolatháló-elemzés az egyének viselkedését tanulmányozza mikro szinten, és az
RészletesebbenA TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș-Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika 1.3 Intézet Magyar Matematika és Informatika 1.4 Szakterület
RészletesebbenHŐTRANSZPORT ANYAGMÉRNÖKI ÉS KOHÓMÉRNÖKI MESTERKÉPZÉSI SZAK ENERGETIKA SZAKIRÁNY TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
HŐTRANSZPORT ANYAGMÉRNÖKI ÉS KOHÓMÉRNÖKI MESTERKÉPZÉSI SZAK ENERGETIKA SZAKIRÁNY TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ MISKOLCI EGYETEM MŰSZAKI ANYAGTUDOMÁNYI KAR TÜZELÉSTANI ÉS HŐENERGIA INTÉZETI TANSZÉK Miskolc,
RészletesebbenSZÁMÍTÓGÉPES KÉMIA ALAPJAI VEGYÉSZMÉRNÖK BSc. NAPPALI TÖRZSANYAG
SZÁMÍTÓGÉPES KÉMIA ALAPJAI VEGYÉSZMÉRNÖK BSc. NAPPALI TÖRZSANYAG TANTÁRGYI MISKOLCI EGYETEM MŰSZAKI ANYAGTUDOMÁNYI KAR KÉMIAI INTÉZET Miskolc, 2019/20. tanév I. félév 1 Tartalomjegyzék 1. Tantárgyleírás
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
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenKarbantartási játék. Dr. Kovács Zoltán, egyetemi tanár, Pannon Egyetem Kovács Viktor, PhD hallgató, Budapest Műszaki és Gazdaságtudományi Egyetem
Karbantartási játék Dr. Kovács Zoltán, egyetemi tanár, Pannon Egyetem Kovács Viktor, PhD hallgató, Budapest Műszaki és Gazdaságtudományi Egyetem 1. Bevezetés A játékoknak komoly szerepük van az oktatásban.
RészletesebbenDIGITALIZÁCIÓ KINEK MI? AVAGY A KIKERÜLHETETLEN ÖSVÉNY A SIKERES VERSENYKÉPESSÉG ÉRDEKÉBEN.
DIGITALIZÁCIÓ KINEK MI? AVAGY A KIKERÜLHETETLEN ÖSVÉNY A SIKERES VERSENYKÉPESSÉG ÉRDEKÉBEN. Magyari Péter 20+y multi janicsár & Digital CX Transf. Coach Safe Harbor Statement This presentation is intended
RészletesebbenAz új és azóta visszavont minimumfeltétel rendszer anomáliáiról
Az új és azóta visszavont minimumfeltétel rendszer anomáliáiról Halmosné Mészáros Magdolna, Békés Megyei Képviselô-testület Pándy Kálmán Kórháza, Gyula A minimumfeltétel rendszer az elmúlt több mint 10
RészletesebbenICT ÉS BP RENDSZEREK HATÉKONY TELJESÍTMÉNY SZIMULÁCIÓJA DR. MUKA LÁSZLÓ
ICT ÉS BP RENDSZEREK HATÉKONY TELJESÍTMÉNY SZIMULÁCIÓJA DR. MUKA LÁSZLÓ 1 TARTALOM 1.1 A MODELLEZÉS ÉS SZIMULÁCIÓ META-SZINTŰ HATÉKONYSÁGÁNAK JAVÍTÁSA A. Az SMM definiálása, a Jackson Keys módszer kiterjesztése
RészletesebbenA TÉRINFORMATIKA OKTATÁSA ÉS ALKALMAZÁSI LEHETÕSÉGEI
A TÉRINFORMATIKA OKTATÁSA ÉS ALKALMAZÁSI LEHETÕSÉGEI Katona Endre, katona@inf.u-szeged.hu JATE, Alkalmazott Informatikai Tanszék Abstract Geographer students learn how to apply GIS, but for programmer
RészletesebbenPiackutatás, marketingelemzés, szegmentálás, megcélzás, pozicionálás
Piackutatás, marketingelemzés, szegmentálás, megcélzás, pozicionálás Mi a marketing? Piacelemzés A piacelemzés beazonosítja a piacot ahhoz, hogy pozicionálni tudják a saját üzletüket, ahhoz, hogy részesedjenek
RészletesebbenKLINIKAI ÉS EGÉSZSÉG- GAZDASÁGTANI EVIDENCIÁK A VASTAGBÉLSZŰRÉSBEN
Vastagbélszűrési disszeminációs workshop Szeged, 2015. május 12. KLINIKAI ÉS EGÉSZSÉG- GAZDASÁGTANI EVIDENCIÁK A VASTAGBÉLSZŰRÉSBEN Prof. Dr. Boncz Imre PTE ETK Egészségbiztosítási Intézet AZ ELŐADÁS TÉMÁJA
RészletesebbenKommunikatív nyelvi tesztek kritériumai 1
Katona Lucia Kommunikatív nyelvi tesztek kritériumai 1 1. Bevezetés Ez a tanulmány arra a nyelvvizsgáztatásban döntő jelentőségű kérdésre igyekszik válaszolni, hogy az idegennyelv-tudás mérésekor mit és
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás 2 Múltbeli események Tudás A világ tanult szabályosságai Tudatosság? A konkrét megfigyelésből kikövetkeztetett információ Döntéshozás Érzékelés Izomvezérlés How to build a decision
RészletesebbenA kémiai kutatás alapjai 1. - személyes konzultáció I VEGYÉSZMÉRNÖK BSc. NAPPALI képzés
A kémiai kutatás alapjai 1. - személyes konzultáció I VEGYÉSZMÉRNÖK BSc. NAPPALI képzés TANTÁRGYI MISKOLCI EGYETEM MŰSZAKI ANYAGTUDOMÁNYI KAR KÉMIAI INTÉZET Miskolc, 2019/20. tanév I. félév 1 Tartalomjegyzék
RészletesebbenÜ Éü É ü í í Í ö Ü Ú ú Ó í ő í Ö ű ö Ó ú Ű ü í Ó ö Ó Ü Ó Ó í í ú í Ü Ü ő Ú Ó Ó í ú É ÉÉ É Á Ü Ü Ü Ú ő í Ő Ó Ü ő ö ü ő ü ö ú ő ő ő ü ö ő ű ö ő ü ő ő ü ú ü ő ü ü Í ü Í Á Ö Í É Ú ö Í Á Ö í É ö í ő ő í ö ü
Részletesebbenú Ú Ö É ú ü í í ü í í í í ü Ú í ű í ú ü ü í í ü ü í ü ü ú Í í ű í ü ü Ü í í ü í ú ű ú ú í í ü ú í ü É ü Ö í í ü ú ű í í ü í ű í í Í Ö í í ü Ö ú É Í í í í ü ű ü ű ü ü ü ü í í í í ú í ü í ú É ü ü ü ü í ü
Részletesebbenó ó ú ú ó ó ó ü ó ü Á Á ü É ó ü ü ü ú ü ó ó ü ó ü ó ó ú ú ú ü Ü ú ú ó ó ü ó ü ü Ü ü ú ó Ü ü ű ű ü ó ü ű ü ó ú ó ú ú ú ó ú ü ü ű ó ú ó ó ü ó ó ó ó ú ó ü ó ó ü ü ó ü ü Ü ü ó ü ü ü ó Ü ó ű ü ó ü ü ü ú ó ü
Részletesebben