Statisztikus tanulás az idegrendszerben
|
|
- Réka Bodnár
- 5 évvel ezelőtt
- Látták:
Átírás
1 Statisztikus tanulás az idegrendszerben ORBÁN GERGŐ
2 Hierarchikus grafikus modellek Nehéz a nemlineáris optimalizálás hierarchikus rendszerekben: Amennyiben erős függéseket tételezek fel, akkor lokális minimumokban ragad meg a tanulás Amennyiben gyenge függéseket tételezek fel, akkor a grádiensek a rétegek között egészen elenyészővé válnak és a hálózat számára nincsen szignál ami alapján tanulni tudna Statisztikus tanulás az idegrendszerben tavasz 2
3 Deep Belief Networks Decoder Top RBM 2000 T T 1 +ε RBM RBM T 2 T 3 T 4 30 Code layer ε +ε 1000 T 2 T 3 T 4 +ε +ε 4 4 +ε ε ε 1 1 RBM Encoder Pretraining Unrolling Fine-tuning Hinton & Salakhutdinov, 2006 Statisztikus tanulás az idegrendszerben tavasz 3
4 Deep Belief Networks Decoder Top RBM 2000 T T 1 +ε RBM RBM T 2 T 3 T 4 30 Code layer ε +ε 1000 T 2 T 3 T 4 +ε +ε 4 4 +ε ε ε 1 1 RBM Encoder Pretraining Unrolling Fine-tuning Hinton & Salakhutdinov, 2006 Statisztikus tanulás az idegrendszerben tavasz 3
5 Deep Belief Networks Decoder Top RBM 2000 T T 1 +ε RBM RBM T 2 T 3 T 4 30 Code layer ε +ε 1000 T 2 T 3 T 4 +ε +ε 4 4 +ε ε ε 1 1 RBM Encoder Pretraining Unrolling Fine-tuning Hinton & Salakhutdinov, 2006 Statisztikus tanulás az idegrendszerben tavasz 3
6 Deep Belief Networks Decoder Top RBM 2000 T T 1 +ε RBM RBM T 2 T 3 T 4 30 Code layer ε +ε 1000 T 2 T 3 T 4 +ε +ε 4 4 +ε ε ε 1 1 Energia függvény: Eðv, hþ 0 j X izpixels jzfeatures j X i, j b i v i j v i h j w ij X b j h j Pretraining RBM Encoder Unrolling Fine-tuning Hinton & Salakhutdinov, 2006 Aktivációs függvény: Statisztikus tanulás az idegrendszerben tavasz 3
7 Deep Belief Networks - pretraining Energia függvény: Eðv, hþ 0 j X b i v i j X izpixels jzfeatures b j h j j X i, j v i h j w ij Aktivációs függvény: Statisztikus tanulás az idegrendszerben tavasz 4
8 Deep Belief Networks - pretraining Energia függvény: Eðv, hþ 0 j X b i v i j X izpixels jzfeatures b j h j j X i, j v i h j w ij Aktivációs függvény: Kontrasztív divergencia: Dw ij 0 e bv i h j À data jbv i h j À recon Statisztikus tanulás az idegrendszerben tavasz 4
9 Deep Belief Networks - pretraining Energia függvény: Eðv, hþ 0 j X b i v i j X izpixels jzfeatures b j h j j X i, j v i h j w ij Aktivációs függvény: Kontrasztív divergencia: Dw ij 0 e bv i h j À data jbv i h j À recon Konfabuláció: a kontrasztív divergencia második tagjában a látens súlyokat is frissíteni kell a konfabulált v -knek megfelelően Statisztikus tanulás az idegrendszerben tavasz 4
10 Deep Belief Networks - greedy learning 30 Rétegről rétegre végzem a tanulást Újabb réteg hozzáadásával a tréning adat likelihoodjának alsó korlátja növekszik (ha a látensek számát nem csökkentjük) Folytonos adat esetén a legalsó rétegben Normál eloszlású neuronokat lehet használni (egység variancia esetén a látens frissítése megegyezik a bináris esettel) Top RBM RBM RBM Pretraining RBM Statisztikus tanulás az idegrendszerben tavasz 5
11 Deep Belief Networks - fine tuning Decoder Top RBM 2000 T T 1 +ε RBM RBM T 2 T 3 T 4 30 Code layer ε +ε 1000 T 2 T 3 T 4 +ε +ε 4 4 +ε ε ε 1 1 RBM Encoder Pretraining Unrolling Fine-tuning Az RBM előtréningezés jó kezdeti feltételeket ad további tréningezéshez Sztenderd back propagation algoritmussal tréningezhető innen a hálózat Statisztikus tanulás az idegrendszerben tavasz 6
12 Deep Belief Networks - tanulás Szintetikus adat: íves görbék Hálózat: (28x28) Sorok: rekonstrukció tanulás után a 6 dimenziós DBN-nel; 6D szigmoid-pca; 18D szigmoid-pca, 18D sztenderd PCA Statisztikus tanulás az idegrendszerben tavasz 7
13 Deep Belief Networks - tanulás Szintetikus adat: íves görbék Hálózat: (28x28) Sorok: rekonstrukció tanulás után a 6 dimenziós DBN-nel; 6D szigmoid-pca; 18D szigmoid-pca, 18D sztenderd PCA Természetes képek: arcok Hálózat: (25x25) Sorok: rekonstrukció tanulás után a 30D DBN-nel; rekonstrukció 30D PCA Statisztikus tanulás az idegrendszerben tavasz 7
14 Bayes inferencia Statisztikus tanulás az idegrendszerben tavasz 8
15 Bayes inferencia Statisztikus tanulás az idegrendszerben tavasz 8
16 Bayes inferencia szituáció / környezet objektumok objektum elhelyezkedése méret, hely, helyzet, világítás objektum tulajdonságai élek, felületi mintázatok generatív modell inferencia/felismerés stimulus Statisztikus tanulás az idegrendszerben tavasz 8
17 Bayes inferencia szituáció / környezet objektumok objektum elhelyezkedése méret, hely, helyzet, világítás objektum tulajdonságai élek, felületi mintázatok generatív modell inferencia/felismerés stimulus Statisztikus tanulás az idegrendszerben tavasz 8
18 Bayes inferencia szituáció / környezet objektumok objektum elhelyezkedése méret, hely, helyzet, világítás objektum tulajdonságai élek, felületi mintázatok generatív modell inferencia/felismerés Eddig arra koncentráltunk, hogy mi a legvalószínűbb aktivitás stimulus Statisztikus tanulás az idegrendszerben tavasz 8
19 Bayes inferencia szituáció / környezet objektumok objektum elhelyezkedése méret, hely, helyzet, világítás objektum tulajdonságai élek, felületi mintázatok generatív modell inferencia/felismerés Eddig arra koncentráltunk, hogy mi a legvalószínűbb aktivitás Ez a maximum a posteriori becslés (MAP) stimulus Statisztikus tanulás az idegrendszerben tavasz 8
20 Bayes inferencia Miért érdekes a poszterior eloszlás? Statisztikus tanulás az idegrendszerben tavasz 9
21 Bayes inferencia Miért érdekes a poszterior eloszlás? stimulus perception action Statisztikus tanulás az idegrendszerben tavasz 9
22 Bayes inferencia Miért érdekes a poszterior eloszlás? stimulus perception action Statisztikus tanulás az idegrendszerben tavasz 9
23 Bayes inferencia Miért érdekes a poszterior eloszlás? stimulus perception action inference Statisztikus tanulás az idegrendszerben tavasz 9
24 Bayes inferencia Miért érdekes a poszterior eloszlás? stimulus perception action inference decision making Statisztikus tanulás az idegrendszerben tavasz 9
25 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok Statisztikus tanulás az idegrendszerben tavasz 10
26 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response orientation Statisztikus tanulás az idegrendszerben tavasz 10
27 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response orientation Statisztikus tanulás az idegrendszerben tavasz 10
28 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response orientation Statisztikus tanulás az idegrendszerben tavasz 10
29 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response a neuronok azonban zajosak: az átlag körül az átlaggal arányos variabilitás van jelen orientation Statisztikus tanulás az idegrendszerben tavasz 10
30 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response a neuronok azonban zajosak: az átlag körül az átlaggal arányos variabilitás van jelen orientation cél: orientáció becslése Statisztikus tanulás az idegrendszerben tavasz 10
31 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response a neuronok azonban zajosak: az átlag körül az átlaggal arányos variabilitás van jelen orientation megfigyelt változók: cél: orientáció becslése Statisztikus tanulás az idegrendszerben tavasz 10
32 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response a neuronok azonban zajosak: az átlag körül az átlaggal arányos variabilitás van jelen orientation cél: orientáció becslése megfigyelt változók: nem megfigyelt változó: Statisztikus tanulás az idegrendszerben tavasz 10
33 Bayes inferencia neuronhálózatokkal: PPC V1 orientáció-szelektív neuronok mean response a neuronok azonban zajosak: az átlag körül az átlaggal arányos variabilitás van jelen orientation cél: orientáció becslése megfigyelt változók: nem megfigyelt változó: Bayes: Statisztikus tanulás az idegrendszerben tavasz 10
34 Probabilistic Population Codes Statisztikus tanulás az idegrendszerben tavasz 11
35 Probabilistic Population Codes Neurális zaj varianciája arányos az átlagos aktivitással: Poisson zaj Statisztikus tanulás az idegrendszerben tavasz 11
36 Probabilistic Population Codes Neurális zaj varianciája arányos az átlagos aktivitással: Poisson zaj Likelihood alakja: Statisztikus tanulás az idegrendszerben tavasz 11
37 Probabilistic Population Codes Neurális zaj varianciája arányos az átlagos aktivitással: Poisson zaj Likelihood alakja: a Activity g b Preferred stimulus Statisztikus tanulás az idegrendszerben tavasz 11
38 Probabilistic Population Codes Neurális zaj varianciája arányos az átlagos aktivitással: Poisson zaj Likelihood alakja: a Activity g Inferencia P(s r) σ b Preferred stimulus Stimulus Statisztikus tanulás az idegrendszerben tavasz 11
39 Probabilistic Population Codes Neurális zaj varianciája arányos az átlagos aktivitással: Poisson zaj Likelihood alakja: a Activity g Inferencia P(s r) σ b Preferred stimulus Stimulus ha a stimulus-eloszlás Gauss, akkor az aktivitás-intenzítás arányos a precizióval Statisztikus tanulás az idegrendszerben tavasz 11
40 Probabilistic Population Codes Neurális zaj varianciája arányos az átlagos aktivitással: Poisson zaj Likelihood alakja: a Activity g Inferencia P(s r) σ b Preferred stimulus Stimulus ha a stimulus-eloszlás Gauss, akkor az aktivitás-intenzítás arányos a precizióval Statisztikus tanulás az idegrendszerben tavasz 11
41 PPC: Multiszenzoros integráció C 1 C 2 Activity Activity P(r 1 s) S Preferred stimulus Preferred stimulus P(r 2 s) g 1 g S σ 2 = Kg σ 2 = Kg 2 2 P(r 1 + r 2 s) Activity Preferred stimulus S σ 2 = Kg 3 = K (g 1 + g 2 ) = + σ 2 3 g 3 = g 1 + g 2 1 σ 2 2 Statisztikus tanulás az idegrendszerben tavasz 12
42 PPC: Multiszenzoros integráció C 1 C 2 Activity Activity P(r 1 s) S Preferred stimulus Preferred stimulus P(r 2 s) g 1 g S σ 2 = Kg σ 2 = Kg 2 2 P(r 1 + r 2 s) Activity Preferred stimulus S σ 2 = Kg 3 = K (g 1 + g 2 ) = + σ 2 3 g 3 = g 1 + g 2 1 σ 2 2 Statisztikus tanulás az idegrendszerben tavasz 12
43 PPC: Multiszenzoros integráció C 1 C 2 Activity Activity P(r 1 s) S Preferred stimulus Preferred stimulus P(r 2 s) g 1 g S σ 2 = Kg σ 2 = Kg 2 2 P(r 1 + r 2 s) Activity Preferred stimulus S σ 2 = Kg 3 = K (g 1 + g 2 ) = + σ 2 3 g 3 = g 1 + g 2 1 σ 2 2 pðsjc 1 ; c 2 Þ / pðc 1 jsþpðc 2 jsþpðsþ. prior is flat and the likelihood Statisztikus tanulás az idegrendszerben tavasz 12
44 PPC: Multiszenzoros integráció C 1 C 2 Activity Activity P(r 1 s) S Preferred stimulus Preferred stimulus P(r 2 s) g 1 g S σ 2 = Kg σ 2 = Kg 2 2 P(r 1 + r 2 s) Activity Preferred stimulus S σ 2 = Kg 3 = K (g 1 + g 2 ) = + σ 2 3 g 3 = g 1 + g 2 1 σ 2 2 pðsjc 1 ; c 2 Þ / pðc 1 jsþpðc 2 jsþpðsþ. prior is flat and the likelihood 1 s 2 3 ¼ 1 s s 2 2 m 3 ¼ s2 2 s 2 1 +s2 2 m 1 + s2 1 s 2 1 +s2 2 m 2 Statisztikus tanulás az idegrendszerben tavasz 12
45 STATISTICALLY OPTIMAL INTERNAL MODELS? prior knowledge about the visual world percept visual stimulus 13
46 STATISTICALLY OPTIMAL INTERNAL MODELS? prior knowledge about the visual world y objects, features percept visual stimulus 13
47 STATISTICALLY OPTIMAL INTERNAL MODELS? P (y) prior knowledge about the visual world y objects, features percept visual stimulus 13
48 STATISTICALLY OPTIMAL INTERNAL MODELS? P (y) prior knowledge about the visual world y objects, features percept P (x y) x visual stimulus 13
49 STATISTICALLY OPTIMAL INTERNAL MODELS? P (y) prior knowledge about the visual world y objects, features y percept P (x y) x visual stimulus 13
50 STATISTICALLY OPTIMAL INTERNAL MODELS? prior knowledge about the visual world P (y) P (y) y objects, features P (x y) y percept P (x y) x visual stimulus 13
51 STATISTICALLY OPTIMAL INTERNAL MODELS? P (y) prior knowledge about the visual world P (y) P (y x) / P (x y)p (y) y objects, features P (x y) y percept P (x y) x visual stimulus 13
52 STATISTICALLY OPTIMAL INTERNAL MODELS? P (y) prior knowledge about the visual world P (y) P (y x) / P (x y)p (y) y objects, features P (x y) y percept P (x y) x visual stimulus HO DO E KNO IF AN INTERNAL MODEL IS OPTIMAL? P (y x) P (x) dx = P (y) 13
53 STATISTICALLY OPTIMAL INTERNAL MODELS? P (y) prior knowledge about the visual world P (y) P (y x) / P (x y)p (y) y objects, features P (x y) y percept P (x y) x visual stimulus HO DO E KNO IF AN INTERNAL MODEL IS OPTIMAL? average inferences prior expectations P (y x) P (x) dx = P (y) for natural Z stimulus ensemble P (x) = P (y)p (x y) dy 13
54 APPLICATION TO VISUAL CORTEX latent variables (visual cortex) y observed variables (retina) x y 1 y 2... y N x 1 x 2... x M parameters (synaptic efficacies, etc) P (y x) P (x) dx =P (y) 14
55 APPLICATION TO VISUAL CORTEX latent variables (visual cortex) y observed variables (retina) x y 1 y 2... y N x 1 x 2... x M parameters (synaptic efficacies, etc) P (y x) P (x) dx =P (y) evoked activity 14
56 APPLICATION TO VISUAL CORTEX latent variables (visual cortex) y observed variables (retina) x y 1 y 2... y N x 1 x 2... x M parameters (synaptic efficacies, etc) P (y x) P (x) dx =P (y) evoked activity spontaneous activity 14
57 APPLICATION TO VISUAL CORTEX latent variables (visual cortex) y observed variables (retina) x y 1 y 2... y N x 1 x 2... x M parameters (synaptic efficacies, etc) P (y x) P (x) dx =P (y) evoked activity stimulus ensemble spontaneous activity 14
58 APPLICATION TO VISUAL CORTEX latent variables (visual cortex) y observed variables (retina) x y 1 y 2... y N x 1 x 2... x M parameters (synaptic efficacies, etc) P (y x) P (x) dx =P (y)? evoked activity stimulus ensemble spontaneous activity 14
59 APPLICATION TO VISUAL CORTEX latent variables (visual cortex) y observed variables (retina) x y 1 y 2... y N x 1 x 2... x M parameters (synaptic efficacies, etc) KL divergence P (y x) P (x) dx =P (y)? evoked activity stimulus ensemble spontaneous activity 14
60 RECORDINGS 15
61 RECORDINGS awake behaving ferrets 15
62 RECORDINGS awake behaving ferrets aged P29 (eye opening) P151 (mature visual system) 15
63 RECORDINGS awake behaving ferrets aged P29 (eye opening) P151 (mature visual system) multi-unit recordings from layers 2/3 of V1 15
64 RECORDINGS awake behaving ferrets aged P29 (eye opening) P151 (mature visual system) multi-unit recordings from layers 2/3 of V1 16 electrodes with 200 µm spacing 15
65 RECORDINGS awake behaving ferrets aged P29 (eye opening) P151 (mature visual system) multi-unit recordings from layers 2/3 of V1 16 electrodes with 200 µm spacing conditions spontaneous darkness S(y) =P(y) 15
66 RECORDINGS awake behaving ferrets aged P29 (eye opening) P151 (mature visual system) multi-unit recordings from layers 2/3 of V1 16 electrodes with 200 µm spacing conditions spontaneous darkness S(y) =P(y) evoked natural image movies M(y) = P (y x) P movie (x) dx 15
67 RECORDINGS awake behaving ferrets aged P29 (eye opening) P151 (mature visual system) multi-unit recordings from layers 2/3 of V1 16 electrodes with 200 µm spacing conditions spontaneous darkness S(y) =P(y) evoked natural image movies M(y) = P (y x) P movie (x) dx dynamic block noise N(y) = P (y x) P noise (x) dx 15
68 RECORDINGS awake behaving ferrets aged P29 (eye opening) P151 (mature visual system) multi-unit recordings from layers 2/3 of V1 16 electrodes with 200 µm spacing conditions spontaneous darkness S(y) =P(y) evoked natural image movies M(y) = P (y x) P movie (x) dx dynamic block noise N(y) = P (y x) P noise (x) dx drifting full-field gratings G(y) = P (y x) P grating (x) dx 15
69 DATA ANALYSIS electrodes #16 # time (s) 16
70 DATA ANALYSIS electrodes #16 # time (s) electrodes discretisation and binarisation y ms time 16
71 DATA ANALYSIS electrodes #16 # time (s) discretisation and binarisation y P(y) collecting histograms electrodes ms time y 16
72 DATA ANALYSIS electrodes #16 # time (s) discretisation and binarisation y P(y) collecting histograms electrodes ms time implicit marginalisation rather than explicitly computing P evoked (y) = P (y x) P stim (x) dx y we collect evoked activity under each condition without regard to the actual ongoing stimulus 16
73 DATA ANALYSIS electrodes #16 # time (s) discretisation and binarisation y P(y) collecting histograms comparing histograms electrodes ms time implicit marginalisation rather than explicitly computing y KL[P 1 (y) P 2 (y)] P evoked (y) = P (y x) P stim (x) dx we collect evoked activity under each condition without regard to the actual ongoing stimulus 16
74 DEVELOPMENTAL CHANGES P29 S(y) 17
75 DEVELOPMENTAL CHANGES P29 P129 S(y) S(y) M(y) 17
76 DEVELOPMENTAL CHANGES P29 M S(y) *$$ S )$$ + &$$ ρ=-0.70, p<0.005 P129 :;36<=/.>.5?9 %$$ #$$!$$ ++ S(y) ($$ $!"!#$ %%!%& '#!"! (!"!(&(,-./01/ M(y) 17
77 SPATIAL CORRELATIONS destroying spatial dependencies: P(y) = 16 i=1 P(y i ) 18
78 SPATIAL CORRELATIONS destroying spatial dependencies: P(y) = 16 i=1 P(y i ) within-condition correlations M M S S 9:25;<.-=-4>8 (!$$ ($$$ '$$ )$$ %$$!$$ * ** * * * ** ** ρ = 0.73 p < ρ = p < $!"!#$ %%!%& '#!"! (!"!(&( +,-./
79 SPATIAL CORRELATIONS destroying spatial dependencies: P(y) = 16 i=1 P(y i ) within-condition correlations importance of correlations for match between conditions M M M S M S S S 9:25;<.-=-4>8 (!$$ ($$$ '$$ )$$ %$$!$$ * ** * * * ** ** ρ = 0.73 p < ρ = p < :25;<.-=-4>8 (!$$ ($$$ '$$ )$$ %$$!$$ * * ** ρ = 0.34 p > 0.2 ρ = p < $!"!#$ %%!%& '#!"! (!"!(&( +,-./ $!"!#$ %%!%& '#!"! (!"!(&( +,-./
80 TEMPORAL CORRELATIONS state-transition distributions: P(y t+ y t ) 19
81 TEMPORAL CORRELATIONS state-transition distributions: P(y t+ y t ) control: P(y t+ y t )=P(y) 19
82 TEMPORAL CORRELATIONS state-transition distributions: control: P(y t+ y t ) P(y t+ y t )=P(y) M M S S %&$ τ = 2 msec 8914:;-,<,3=7 %$$ #&$ #$$!&$!$$ (&$ )) ) )) ρ = 0.03 p > 0.9 ($$ &$ ρ = p < $!"!#$ %%!%& '#!"! (!"!(&( *+,-./-/01/23145/6,7 19
83 TEMPORAL CORRELATIONS state-transition distributions: control: P(y t+ y t ) P(y t+ y t )=P(y) M M S M M S S S %&$ τ = 2 msec 350 P :;-,<,3=7 %$$ #&$ #$$!&$!$$ (&$ ($$ &$ )) ) )) ρ = 0.03 p > 0.9 ρ = p < KL (bits/sec) $!"!#$ %%!%& '#!"! (!"!(&( *+,-./-/01/23145/6, ! (msec) 19
84 NON-NATURAL STIMULUS ENSEMBLES 20
85 NON-NATURAL STIMULUS ENSEMBLES N M G S *$$ )$$ :;36<=/.>.5?9 &$$ %$$ #$$!$$ ($$ ++ + $!"!#$ %%!%& '#!"! (!"!(&(,-./01/
86 NON-NATURAL STIMULUS ENSEMBLES N M G P29-30 S 0.2 :;36<=/.>.5?9 *$$ )$$ &$$ %$$ #$$!$$ ($$ ++ + MDS dim 2 (a.u.) spont act. gratings evoked movie evoked noise evoked $!"!#$ %%!%& '#!"! (!"!(&(,-./01/ MDS dim 1 (a.u.) 20
87 NON-NATURAL STIMULUS ENSEMBLES N M G P44-45 S 0.2 :;36<=/.>.5?9 *$$ )$$ &$$ %$$ #$$!$$ ($$ ++ + MDS dim 2 (a.u.) spont act. gratings evoked movie evoked noise evoked $!"!#$ %%!%& '#!"! (!"!(&(,-./01/ MDS dim 1 (a.u.) 20
88 NON-NATURAL STIMULUS ENSEMBLES N M G P83-92 S 0.2 :;36<=/.>.5?9 *$$ )$$ &$$ %$$ #$$!$$ ($$ ++ + MDS dim 2 (a.u.) spont act. gratings evoked movie evoked noise evoked $!"!#$ %%!%& '#!"! (!"!(&(,-./01/ MDS dim 1 (a.u.) 20
89 NON-NATURAL STIMULUS ENSEMBLES N M G P S 0.2 :;36<=/.>.5?9 *$$ )$$ &$$ %$$ #$$!$$ ($$ ++ + MDS dim 2 (a.u.) spont act. gratings evoked movie evoked noise evoked $!"!#$ %%!%& '#!"! (!"!(&(,-./01/ MDS dim 1 (a.u.) 20
Probabilisztikus 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
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
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
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
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
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenAz idegrendszeri memória modelljei
Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenAz idegrendszeri memória modelljei
Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú
RészletesebbenInferencia valószínűségi modellekben
Statisztikai tanulás az idegrendszerben, 2016. Inferencia valószínűségi modellekben Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Inferencia valószínűségi modellekben
RészletesebbenPrincipal Component Analysis
Principal Component Analysis Principal Component Analysis Principal Component Analysis Definíció Ortogonális transzformáció, amely az adatokat egy új koordinátarendszerbe transzformálja úgy, hogy a koordináták
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,
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
RészletesebbenSTATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS TÖRÖK BALÁZS
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS TÖRÖK BALÁZS - 2018.03.05. elméleti Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer
RészletesebbenStatistical Inference
Petra Petrovics Statistical Inference 1 st lecture Descriptive Statistics Inferential - it is concerned only with collecting and describing data Population - it is used when tentative conclusions about
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenVisszacsatolt (mély) neurális hálózatok
Visszacsatolt (mély) neurális hálózatok Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Sima előrecsatolt neurális hálózat Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Pl.: kép feliratozás,
RészletesebbenSTATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN BAYES-I VISELKEDÉS BAYES-I VISELKEDÉS ISMÉTLÉS A rendelkezésre álló információ sosem elégséges, a világ mindig többértelmű BAYES-I VISELKEDÉS ISMÉTLÉS A rendelkezésre
RészletesebbenLátórendszer modellezése
Statisztikai tanulás az idegrendszerben, 2015. Látórendszer modellezése Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ A látórendszer felépítése Prediktálhatóság
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
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:
RészletesebbenFunkcionális konnektivitás vizsgálata fmri-adatok alapján
Funkcionális konnektivitás vizsgálata fmri-adatok alapján Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai!! Neuroinformatika 2014. Képalkotási technikák 4 3 EEG
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,
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 324/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók 2. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók 2. Előadó: Hullám Gábor Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki
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)
RészletesebbenBiometria az orvosi gyakorlatban. Regresszió Túlélésanalízis
SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió
RészletesebbenNeurális hálózatok elméleti alapjai TULICS MIKLÓS GÁBRIEL
Neurális hálózatok elméleti alapjai TULICS MIKLÓS GÁBRIEL TULICS@TMIT.BME.HU Példa X (tanult órák száma, aludt órák száma) y (dolgozaton elért pontszám) (5, 8) 80 (3, 5) 78 (5, 1) 82 (10, 2) 93 (4, 4)
RészletesebbenTanulás az idegrendszerben
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Funkcióvezérelt modellezés Abból indulunk ki, hogy milyen feladatot valósít meg a rendszer Horace Barlow: "A
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
RészletesebbenStratégiák tanulása az agyban
Statisztikai tanulás az idegrendszerben, 2019. Stratégiák tanulása az agyban Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Kortárs MI thispersondoesnotexist.com
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenGeokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka
Geokémia gyakorlat 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek Geológus szakirány (BSc) Dr. Lukács Réka MTA-ELTE Vulkanológiai Kutatócsoport e-mail: reka.harangi@gmail.com ALAPFOGALMAK:
RészletesebbenCluster Analysis. Potyó László
Cluster Analysis Potyó László What is Cluster Analysis? Cluster: a collection of data objects Similar to one another within the same cluster Dissimilar to the objects in other clusters Cluster analysis
RészletesebbenPerformance Modeling of Intelligent Car Parking Systems
Performance Modeling of Intelligent Car Parking Systems Károly Farkas Gábor Horváth András Mészáros Miklós Telek Technical University of Budapest, Hungary EPEW 2014, Florence, Italy Outline Intelligent
RészletesebbenAdatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
RészletesebbenGood-Turing lefedés. Lang Zsolt
Good-Turing lefedés Lang Zsolt 2017.03.24. Bevezetés Fajok közösségét vizsgáljuk. Sok faj van, az egyedek száma gyakorlatilag végtelen. Az egyedekből véletlen mintát veszünk. Kérdés, a mintában van-e,
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.
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.
RészletesebbenKódolás az idegrendszerben
Kódolás az idegrendszerben Ujfalussy Balázs Budapest Compumputational Neuroscience Group Dept. Biophysics, MTA KFKI RMKI Idegrendszeri modellezés ELTE, 2011. március 21. Ujfalussy Balázs (Budapest CNS
RészletesebbenKauzális modellek. Randall Munroe
Kauzális modellek Randall Munroe A kauzalitás reprezentációi Determinisztikus Sztochasztikus Feltételes valószínűség < > hipergráf Irányított gráf: több ok, egy okozat < > Bayes-háló Cirkuláris kauzalitás
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,
RészletesebbenEgy csodálatos elme modellje
Egy csodálatos elme modellje A beteg és az egészséges agy információfeldolgozási struktúrái Bányai Mihály1, Vaibhav Diwadkar2, Érdi Péter1 1 RMKI, Biofizikai osztály 2 Wayne State University, Detroit,
RészletesebbenComputer Architecture
Computer Architecture Locality-aware programming 2016. április 27. Budapest Gábor Horváth associate professor BUTE Department of Telecommunications ghorvath@hit.bme.hu Számítógép Architektúrák Horváth
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2016 valószínűségi kalkulus jelölések jelölések valószínűségi változók megfázás köhögés valószínűség 1 0 0.01 1 1 0.04 0 0
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
RészletesebbenSergyán Szabolcs szeptember 21.
Éldetektálás Sergyán Szabolcs Budapesti Műszaki Főiskola Neumann János Informatikai Kar 2009. szeptember 21. Sergyán Sz. (BMF NIK) Éldetektálás 2009. szeptember 21. 1 / 28 Mit nevezünk élnek? Intuitív
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
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Nonparametric Tests. Petra Petrovics.
Nonparametric Tests Petra Petrovics PhD Student Hypothesis Testing Parametric Tests Mean o a population Population proportion Population Standard Deviation Nonparametric Tests Test or Independence Analysis
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2017 elméleti Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer
RészletesebbenVálasztási modellek 3
Választási modellek 3 Prileszky István Doktori Iskola 2018 http://www.sze.hu/~prile Forrás: A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models Prepared For U.S. Department
RészletesebbenMatematikai statisztika I. témakör: Valószínűségszámítási ismétlés
Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák
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
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:
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.
Correlation & Linear Regression in SPSS Petra Petrovics PhD Student Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise
Részletesebbenfluoreszcenciás mikroszkóp képeken
Élősejt szegmentálása gráfvágás segítségével fluoreszcenciás mikroszkóp képeken Leskó Milán 1, Kató Zoltán 1, Nagy Antal 1, Gombos Imre 2, Török Zsolt 2, ifj. Vígh László 2, Vígh László 2 1 Képfeldolgozás
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok 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 A szükséges
RészletesebbenAz fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika
Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika Autokorreláció white noise Autokorreláció: a függvény önnmagával számított korrelációja különböző
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
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
RészletesebbenProbabilisztikus modellek V: Struktúra tanulás. Nagy Dávid
Probabilisztikus modellek V: Struktúra tanulás Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 volt szó a normatív megközelítésről ezen belül a probabilisztikus modellekről láttatok példákat az
RészletesebbenSzepesvári Csaba. 2005 ápr. 11
Gépi tanulás III. Szepesvári Csaba MTA SZTAKI 2005 ápr. 11 Szepesvári Csaba (SZTAKI) Gépi tanulás III. 2005 ápr. 11 1 / 37 1 Döntési fák 2 Felügyelet nélküli tanulás Klaszter-anaĺızis EM algoritmus Gauss
RészletesebbenGazdasági matematika II. vizsgadolgozat, megoldással,
Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak
RészletesebbenStandardizálás, transzformációk
Standardizálás, transzformációk A transzformációk ugynúgy mennek, mint egyváltozós esetben. Itt még fontosabbak a linearitás miatt. Standardizálás átskálázás. Centrálás: kivonjuk minden változó átlagát,
RészletesebbenA vitorlázás versenyszabályai a 2013-2016. évekre angol-magyar nyelvű kiadásának változási és hibajegyzéke
A vitorlázás versenyszabályai a 2013-2016. évekre angol-magyar nyelvű kiadásának változási és hibajegyzéke A dokumentum A vitorlázás versenyszabályai a 2013-2016. évekre angol-magyar nyelvű kiadásában
RészletesebbenFuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában
Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának
RészletesebbenStatisztika elméleti összefoglaló
1 Statisztika elméleti összefoglaló Tel.: 0/453-91-78 1. Tartalomjegyzék 1. Tartalomjegyzék.... Becsléselmélet... 3 3. Intervallumbecslések... 5 4. Hipotézisvizsgálat... 8 5. Regresszió-számítás... 11
RészletesebbenNagy adathalmazok labor
1 Nagy adathalmazok labor 2018-2019 őszi félév 2018.09.19 1. Döntési fák 2. Naive Bayes 3. Logisztikus regresszió 2 Féléves terv o Kiértékelés: cross-validation, bias-variance trade-off o Supervised learning
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
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
RészletesebbenTovábblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,
Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések
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
RészletesebbenDecision where Process Based OpRisk Management. made the difference. Norbert Kozma Head of Operational Risk Control. Erste Bank Hungary
Decision where Process Based OpRisk Management made the difference Norbert Kozma Head of Operational Risk Control Erste Bank Hungary About Erste Group 2010. 09. 30. 2 Erste Bank Hungary Erste Group entered
RészletesebbenSTATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba
Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum
RészletesebbenSzéchenyi István Egyetem www.sze.hu/~herno
Oldal: 1/6 A feladat során megismerkedünk a C# és a LabVIEW összekapcsolásának egy lehetőségével, pontosabban nagyon egyszerű C#- ban írt kódból fordítunk DLL-t, amit meghívunk LabVIEW-ból. Az eljárás
RészletesebbenCorrelation & Linear Regression in SPSS
Correlation & Linear Regression in SPSS Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise 1 - Correlation File / Open
RészletesebbenAdatmodellez es, f uggv enyilleszt es m arcius 12.
Adatmodellezés, függvényillesztés 2018. március 12. Adatmodellezés Fizikai törvény: Egy elmélet, valamilyen idea a világról Matematikai összefüggéseket adunk a mennyiségek között Az összefüggések konstansokat,
RészletesebbenMérnökgeodéziai hálózatok feldolgozása
Mérnökgeodéziai hálózatok feldolgozása dr. Siki Zoltán siki@agt.bme.hu XIV. Földmérő Találkozó Gyergyószentmiklós 2013.05.09-12. Mérnökgeodéziai hálózatok nagy relatív pontosságú hálózatok (1/100 000,
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
RészletesebbenÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18)
ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18) Előadó: Lakat Károly, L.K. Quality Bt. 2017 szeptember 27 EOQ MNB Szakbizottsági ülés Minitab 18 újdonságai Session ablak megújítása
RészletesebbenLineáris regressziós modellek 1
Lineáris regressziós modellek 1 Ispány Márton és Jeszenszky Péter 2016. szeptember 19. 1 Az ábrák C.M. Bishop: Pattern Recognition and Machine Learning c. könyvéből származnak. Tartalom Bevezető példák
RészletesebbenMeteorológiai ensemble elırejelzések hidrológiai célú alkalmazásai
Meteorológiai ensemble elırejelzések hidrológiai célú alkalmazásai Országos Vízjelzı Szolgálat CSÍK András Országos Vízjelzı Szolgálat Budapest, 214. február 27. Ensemble elırejelzések elınye Determinisztikus
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
RészletesebbenMozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)
TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát
RészletesebbenCorrelation & Linear Regression in SPSS
Petra Petrovics Correlation & Linear Regression in SPSS 4 th seminar Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation
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
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2019 elméleti Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer
RészletesebbenNemlineáris anyagviselkedés peridinamikus modellezése
Nemlineáris anyagviselkedés peridinamikus modellezése Ladányi Gábor, PhD hallgató ladanyi@uniduna.hu Témvezető: Dr. Gonda Viktor Kutatási beszámoló 2018.06.22. Tartalom Bevezetés Motiváció A peridinamikus
RészletesebbenKonvolúciós neurális hálózatok (CNN)
Konvolúciós neurális hálózatok (CNN) Konvolúció Jelfeldolgozásban: Diszkrét jelek esetén diszkrét konvolúció: Képfeldolgozásban 2D konvolúció (szűrők): Konvolúciós neurális hálózat Konvolúciós réteg Kép,
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
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2017 házi feladatok tdk valószínűségi kalkulus jelölések jelölések valószínűségi változók megfázás köhögés valószínűség 1 0
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.05. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)
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 )
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
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
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
RészletesebbenEEG mérések hardveres és szoftveres validációja
EEG mérések hardveres és szoftveres validációja Kovács Annamária EAR1LJ Szoftver verifikáció és validáció 2015-12-10 Az elektroenkefalográfiáról (EEG) Az EEG olyan pszichofiziológiai mérési eljárás, mely
Részletesebben