Mesterséges Intelligencia MI
|
|
- Béla Németh
- 5 évvel ezelőtt
- Látták:
Átírás
1 Mesterséges Intelligencia MI A szükséges mintaszám krlát elemzése Pataki Béla BME I.E. 414, pataki@mit.bme.hu,
2 Mit is jelent az eredmény, ha pnts lenne (nem egy túl szigrú - alsó krlát), hgyan használhatnánk? Példa: Kétsztálys (bináris) sztályzási feladatt ldunk meg. 10 paramétert mértünk minden mintán, és a véletlen módn kiválaszttt mért és minősített (ismert sztálybasrlású) minta alapján egy egyszerű perceptrnt (eltlás paraméterrel is rendelkező lineáris eszközt) tanítttunk, amelynek minden paraméterét 8 biten ábrázltuk. A tanítás végén 100%-s pntsságt értünk el a tanítóminta halmazn. Az eszközt 500 euróért tudjuk eladni, de ha nem teljesíti a kívánt 97% pntsságt majd az új mintákn, akkr euró kártérítést kell fizetnünk. Várhatóan nyereséges lesz-e az üzlet, ha a mintaszámkrlátt elfgadjuk jó becslésként (bár rendszerint nem az)? x 0 =1 x 1 x 2 x 10 w 1 w 0 w s w k 0 k xk x 0 s és 1 y 1-1 s y
3 A Russell-Nrvig könyv n=10 bemenetű lgikai (Ble) függvény példája bár maga a könyv nagyn jó nagyn rssz példa 10 bemenetű Ble függvénynél n=10, =0,01 és =0,01 esetén: 100*(2 10 *ln(2)-ln(0.01))=100*(2 10 *ln(2)ln(100))= =70518m DE!!! összesen 1024 mintát lehet létrehzni egy knkrét 10-bemenetű Ble függvénynél!
4 Általánsan is igaz: 1 ln ln H m ahl 2 H 2 n 2 n 2 n n 1 n ln(2) ln 2 ln 2 ln m ln(2)0,69, tehát ha <0,69 (69% hiba!), akkr ln(2)/ >1. Tehát, ha a megkövetelt hibaarány kisebb 69%-nál, és a biznysságunk nagybb 0-nál (0<1-, tehát <1, azaz ln()<0), akkr az egyáltalán lehetséges 2 n mintánál mindig (!) nagybb az alsó krlát! A krlát nagyn rssz, de miért?
5 Demnstratív példa: n-dimenziós térben kétsztálys sztályzás ún. perceptrnnal j1 A véges hiptézistér méretet úgy érjük el, hgy a súlyk nem lehetnek tetszőlegesek, csak egy véges elemkészletből választhatjuk a súlykat. Ez látszólag életidegen krlátzás, de a valóságban gyakrlatilag szinte mindig ez a helyzet: a számítógépünk, ha nagy készletet biztsít is skbites ábrázlásával, valójában csak egy véges halmazból képes súlykat ábrázlni. Ugyanakkr egyes esetekben, amikr nagy sebességű számításra van szükségünk, a hardver lehetőségek kihasználására tvább krlátzzuk a használható súlykat, például csak a {-1,0,1} halmazt használjuk, más esetekben 2 hatványainak valamilyen körét. ( h) j h( x) signum( w x ) n j
6 A keresett, igazi sztályzó, amit példák alapján tanítunk: Azaz: j1 ( f ) j f ( x) signum( w x ) signum( x 2 x ) ( f) ( f) 1 2 w 2 és w 1 Ez az x 1 -x 2 síkn egy egyenes két ldala, a határ: n j 2 1 x 2x 0 x 2x
7 Legyen a hiptézishalmaz: ( h) ( h) 1, 2 1, 2,..., 6 2,1, 2,2, 2,4, 4,2, 1,2, 1,4 H w w h h h H 6 10 x : Osztály1 pntjai h5(x) h2(x) h3(x) h1(x)=f(x) : Osztály2 pntjai h4(x) h6(x) x1
8 Először vizsgáljuk meg a hiptéziseink hibáit ( mintapnttal végzett szimulációval már elég pntsan vizsgálható, elvileg gemetriai megfntláskkal pnts eredményt is kaphatnánk): hiptézis h 1 =f(x) h 2 h 3 h 4 h 5 h 6 a hiptézis hibája - (h)
9 = 1% elérendő hibaszint és 1-=98% biznysság mellett: Kvíz következik! 1 0,01 ln(6) ln(0, 02) 570,37 m Ha a krlát jól közelíti a pnts mintaszám-szükségletet: m=571 mintapnttal szimulációt végezve elvileg 200 (2%) körül kéne legyen azn esetek száma, hgy legalább 1 rssz hiptézis knzisztens az 571 pnttal, de később 1%-nál nagybbat hibázik (ez utóbbi mndjuk minden rssz hiptézisünkre teljesül). Egyet se találunk! De még m=57 mintapnt és szimuláció esetén sem találunk egyetlen rssz hiptézist se, amelyik az 57 mintával knzisztens!
10 6.2. Kvíz Az ismertetett levezetés melyik pntján közelítettünk úgy, hgy az ilyen nagy eltérést eredményezett? A. A rssz hiptézisek hibája jóval nagybb, mint az előírt epsziln () B. Az expnenciális függvény elsőfkú közelítése a nagy eltérés ka C. A rssz hiptézisek számának az összes hiptézisszámmal való közelítése az k D. Csak egészen kicsi (0,01% alatti epsziln) hibákra működik a közelítés
11 Gndljuk végig, hgy az ismertetett levezetés melyik pntján közelítettünk úgy, hgy az ilyen nagy eltérést eredményezett! A következő dlg tűnhet fel: rögtön a levezetés elején azt mndtuk, hgy előírásunk szerint a jó hiptézis hibája kisebb, mint, a rssz hiptézisé nagybb, tehát pntssága kisebb, mint (1-). A knkrét példánkban az =0,01 előírt értékkel számltunk, de láttuk, hgy a rssz hiptéziseink tényleges hibája 0,63 0,75, azaz másfél nagyságrenddel nagybb, mint az általunk felállíttt krlát.
12 Mi azt mndtuk, hgy pl. 57 minta esetén annak valószínűsége, hgy az 57 pnttal mind knzisztens lesz egy rssz (nem VKH) hiptézis, kisebb, mint (1-0,01) 57 =0,564, ami természetesen igaz, ha a megengedett hiba 0,01 megfelel a valóságnak. A prbléma az, hgy még a legjbb rssz hiptézisünk hibája is 0,63 ebből a tényleges értékből számítva (1-0,63) ! Tehát ha az általunk előírt hibával számlunk, de a tényleges hiptézishiba ennél jóval nagybb, akkr az hatványzttan érvényre jut a hibaszámításnál. Meg kell jegyeznünk, hgy még 5%-s tényleges hiptézishiba esetén is jelentős az eltérés: (1-0,05) 57 =0,053, ami egy nagyságrenddel (de már csak egy nagyságrenddel!) kisebb annál, mint amivel számltunk.
13 Ehhez képest pl. a későbbi (1-) e - közelítés (különösen kis hiba esetén) nem kz már nagyságrendi váltzást: e -eps eps eps
14 Módsítsuk a hiptézisteret: n ( f ) f x signum wj x j signum x2 x1 ( h) ( h) j1 H w, w h, h,..., h 2,1, 20,11, 20,9, 40, 21, 40,19, 60, 29 ( ) ( ) ( 2 ) h1(x)=f(x) x h4(x) : Osztály1 pntjai : Osztály2 pntjai h2(x) h6(x) -10 h5(x) h3(x) x1
15 hiptézis h 1 =f(x) h 2 h 3 h 4 h 5 h 6 a hiptézis hibája - (h) ,01 ln(6) ln(0, 02) 570,37 N hiptézis h 1 =f(x) h 2 h 3 h 4 h 5 h 6 a hiptézis hibája - (h) A kísérletből hányszr vlt knzisztens mind az N=571 mintával A hiptézis jó/rssz (VKH) (=0,01 hibánál jbb-e) A mintaszám becslő képlet hány kísérletben nem biztsíttta a jó hiptézis kiválasztását? JÓ/IGAZI ROSSZ ROSSZ ROSSZ ROSSZ JÓ ,07% 0,03% 0%
16 Ebben a demnstratív esetben úgy alakult, hgy a h4 és h5 hiptézisek sha nem vltak egyszerre knzisztensek az 571 mintával, tehát összesen 73=10 esetben (0,1%) frdult elő, hgy az 571 mintával való knzisztencia valamelyik rssz hiptézisre teljesült. Ez ugyan még mindig 20-szr kisebb, mint az összefüggésben felhasznált =0,02, de már nincs több nagyságrendnyi különbség. Tanulság; a következő esetben visznylag jó a krlát: H H H szintejó rssz
Gépi tanulás. A szükséges mintaszám korlát elemzése. Pataki Béla (Bolgár Bence)
Gépi tanulás A szükséges mintaszám krlát elemzése Pataki Béla (Blgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki A Russell-Nrvig könyv n=10 bemenetű lgikai
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
RészletesebbenA biostatisztika és informatika szerepe a mindennapi orvosi gyakorlatban
A bistatisztika és infrmatika szerepe a mindennapi rvsi gyakrlatban Az rvstudmány célja (belgyógyászat tankönyvből): a betegségek megelőzése, a betegek meggyógyítása Diagnsztika, a betegségek felismerésének
RészletesebbenFIZIKA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Fizika középszint 0911 ÉRETTSÉGI VIZSGA 2009. któber 30. FIZIKA KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI ÉS KULTURÁLIS MINISZTÉRIUM A dlgzatkat az útmutató utasításai
RészletesebbenDr`avni izpitni center MATEMATIKA
Dr`avni izpitni center *P053C03M* TÉLI VIZSGAIDŐSZAK MATEMATIKA ÉRTÉKELÉSI ÚTMUTATÓ 006. február 3., hétfő SZAKMAI ÉRETTSÉGI VIZSGA RIC 006 P053-C0--3M ÚTMUTATÓ a szakmai írásbeli érettségi vizsga feladatainak
RészletesebbenMATEMATIKA C 12. évfolyam 5. modul Ismétlés a tudás anyja
MATEMATIKA C. évflyam 5. mdul Ismétlés a tudás anyja Készítette: Kvács Kárlyné Matematika C. évflyam 5. mdul: Ismétlés a tudás anyja Tanári útmutató A mdul célja Időkeret Ajánltt krsztály Mdulkapcslódási
RészletesebbenI. Adatok, adatgyűjtés
I. Adatk, adatgyűjtés Adatgyűjtés adatk minőségének értékelése. Gazdasági adatkról lesz szó! Adat: rögzített ismeret. Számszerű adatkkal fgunk fglalkzni. Általában az adatk nem teljes körűek (kmplettek).
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,
RészletesebbenMérési hibák 2006.10.04. 1
Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség
RészletesebbenIntelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
RészletesebbenSARKÍTOTT FÉNNYEL A VIKINGEK NYOMÁBAN AZ ÉSZAKI-SARKVIDÉKEN A polarimetrikus viking navigáció légköroptikai feltételeinek kísérleti vizsgálata
neutrncsillagk száma 8 7 6 5 4 3 2 1 ( dm/ dt ) 10 = 1 0 0 200 400 600 800 1000 1 n (s ) 10. ábra. A milliszekundums neutrncsillagk frekvencia szerinti elszlásának összehasnlítása Glendenning és Weber
Részletesebben[1000 ; 0] 7 [1000 ; 3000]
Gépi tanulás (vimim36) Gyakorló feladatok 04 tavaszi félév Ahol lehet, ott konkrét számértékeket várok nem puszta egyenleteket. (Azok egy részét amúgyis megadom.). Egy bináris osztályozási feladatra tanított
RészletesebbenAz országos kompetenciamérések feldolgozásának tapasztalatai Hajdú-Bihar Megyében
Az rszágs kmpetenciamérések feldlgzásának tapasztalatai Hajdú-Bihar Megyében 2006-tól 2008-ig terjedő időszak Ungvári Jánsné dr. HBM-i PSZ és PSZSZI, Debrecen Országs kmpetenciamérések jgszabályi háttere
RészletesebbenA HÁLÓ KÖZÖSSÉG MISSZIÓJA A KÁRPÁT-MEDENCÉBEN
A HÁLÓ KÖZÖSSÉG MISSZIÓJA A KÁRPÁT-MEDENCÉBEN (meghirdetett cím) Szeibert András előadása Tkajban, 2013. augusztus 16-án, 15:00-kr a Bkr tábrban Az alábbi írás az tt elhangzttakkal 90%-ban azns, mert egyrészt
RészletesebbenVerzió 1.2 2009.11.27. CompLex Officium Felhasználói kézikönyv
Verzió 1.2 2009.11.27. CmpLex Officium Felhasználói kézikönyv CmpLex Officium felhasználói kézikönyv Tartalmjegyzék 1 Bevezetés... 3 1.1 Rendszerkövetelmények... 3 1.2 Fgalmtár... 3 2 Officium lehetőségek...
RészletesebbenL E V E G Ő M U N K A C S O P O R T
L E V E G Ő M U N K A C S O P O R T S T R A T É G I A 2 0 1 2 15 Budapest, 2012. május 24. IFUA Nnprfit Partner Közhasznú Nnprfit Kft. H-1119 Budapest Fehérvári út 79. A prjekt megvalósulását az IFUA Hrváth
RészletesebbenGépi tanulás. Féligellenőrzött tanulás. Pataki Béla (Bolgár Bence)
Gépi tanulás Féligellenőrzött tanulás Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Féligellenőrzött tanulás Mindig kevés az adat, de
RészletesebbenOsteodenzitometriás szûrõvizsgálat eredményeinek értékelése
Ostedenzitmetriás szûrõvizsgálat eredményeinek értékelése Simnkay Lászlóné fõnõvér Vas megyei Markusvszky Kórház, Szmbathely A vizsgálat célja: Az steprsis gyakriságának és súlysságának felmérése. Vizsgálati
Részletesebben620. témaszámú nemzetközi könyvvizsgálati standard A könyvvizsgáló által igénybe vett szakértő munkájának felhasználása
620. témaszámú nemzetközi könyvvizsgálati standard A könyvvizsgáló által igénybe vett szakértő munkájának felhasználása A könyvvizsgáló által igénybevett szakértő munkája megfelelőségének értékelése 12.
RészletesebbenKiadói díjbeszedésű hírlapok előfizetői állományának adatcseréje
Magyar Psta Zrt. Hírlap Igazgatóság Budapest, XIII. Dunavirág u. 2-6. Pstacím: 1540 Budapest Telefn: (06-1) 487-1100 Fax: (06-1) 355-7584 Kiadói díjbeszedésű hírlapk előfizetői állmányának adatcseréje
RészletesebbenBILIÁRD TIPPEK Sorozat I. RÉSZ: Játszd a biliárd 8-as játékot a VERSENYSZABÁLYOK szerint!
BILIÁRD TIPPEK Srzat I. RÉSZ: Játszd a biliárd 8-as játékt a VERSENYSZABÁLYOK szerint! Ezt a srzatt azért indítttuk, hgy Nektek, a biliárd iránt érdeklıdıknek segíthessünk a játék jbb megismerésében és
RészletesebbenLUDA SZILVIA. sikerül egységnyi anyagból nagyobb értéket létrehozni, gyorsabban nő a GDP, mint az anyagfelhasználás.
A GAZDASÁGI NÖVEKEDÉS ÉS A PAPÍRFELHASZNÁLÁS ALAKULÁSA NÉHÁNY OECD ORSZÁG PÉLDÁJÁN KERESZTÜL Bevezetés LUDA SZILVIA A tanulmány az ök-hatéknyság fgalmának értelmezését bemutatva, felhívja a figyelmet annak
RészletesebbenPanini A150.676 V3/0211
Panini A150.676 V3/0211 H 1. Általáns infrmáció 184 1.1 Használati útmutatóval kapcslats infrmációk 184 1.2 A szimbólumk magyarázata 184 1.3 A gyártó felelőssége és a garancia 185 1.4 Szerzői jg védelme
RészletesebbenEsztergom Város integrált településfejlesztési stratégiája
Esztergm Várs integrált településfejlesztési stratégiája II. STRATÉGIA KDOP-6.2.1/K-13-2014-0002 Közép-Dunántúli Operatív Prgram Fenntartható településfejlesztés a kis- és középvárskban Integrált Településfejlesztési
RészletesebbenKurzuseredmények statisztikai adatokkal
Kurzuseredmények statisztikai adatkkal Riprtelemző segédlet Az alábbi táblázat röviden bemutatja az e-mailben megküldött, Kurzuseredmények statisztikai adatkkal nevű, Excel frmátumú riprt szlpait. A magyarázat
RészletesebbenPéldák. Ismert a római számok halmaza, amely intuitív szintaxissal rendelkezik, hiszen pl.
A 10. óra vázlata: Példák Ismert a római számk halmaza, amely intuitív szintaxissal rendelkezik, hiszen pl. IIV-t VX-et vagy IIII-t nem fgadjuk el római számnak (habár v.ö. tarkk-kártya vagy némely óra
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenL E A D E R 2007-2013.
L E A D E R 2007-2013. M E G H Í V Ó A BAKONYÉRT HELYI KÖZÖSSÉG gyűlésére 2007. któber 4. csütörtök 16 óra Zirc Vársháza (Március 15. tér 1.) (Határzatképtelenség esetén a megismételt gyűlés a meghívóban
RészletesebbenBETEGELÉGEDETTSÉGI FELMÉRÉS
BETEGELÉGEDETTSÉGI FELMÉRÉS VÍZÖNTŐ GYÓGYSZERTÁR Pilisvörösvár A kérdőív elérhető: a Vízöntő Gyógyszertárban nyitva tartási időben (2085 Pilisvörösvár Fő u. 69/a), n-line és nymtatható frmában a http://www.vizntgygyszertar.cm/erdekldknek/betegelegedettsegifelmeres/
RészletesebbenHidrosztatikai problémák
Hidrsztatikai prblémák 11 hidrsztatikai nymással kapcslats gndlatmenetek Szájával lefelé frdíttt, vízzel telt mérőhengert kiemelünk egy nagybb kád vízből Kössünk rugós erőmérőt a mérőhengerre, s annál
RészletesebbenMélyhúzás lemezanyagai és minősítési módszereik. Oktatási segédlet.
ÓBUDAI EGYETEM Bánki Dnát Gépész és Biztnságtechnikai Mérnöki Kar Anyagtudmányi- és Gyártástechnlógiai Intézet Mélyhúzás lemezanyagai és minősítési módszereik Oktatási segédlet. Összeállíttta: dr. Hrváth
RészletesebbenA 2016-os tervekről is röviden egypár szót ejtenék
XIII. évflyam 1. szám www.hmkigazda.cm Terjeszti: belterületen a Dbber Lapterjesztő Kft., külterületen a Magyar Psta 016. Január Szerkesztő: Hrváth Péter Nymdai munkák: Lapcm Lapkiadó és Nymdaipari Kft.
RészletesebbenKerékpárosokra vonatkozó legfontosabb ismeretek 3. rész Oldal 1
ı 15. Irányjelzés A kerékpársnak is, jeleznie kell minden irányváltztatási szándékát, mégpedig balra kanyardva bal, jbbra kanyardva jbb kézzel. Az irányjelzést az irányváltztatás előtt megfelelő távlságban
RészletesebbenAz anyagok mágneses tulajdonságainak leírásához (a klasszikus fizika szintjén) az alábbi összefüggésekre van szükségünk. M m. forg
4. MÁGNESES JELENSÉGEK ANYAGBAN (Mágneses mmentum, Mágnesezettség, Mágneses térerősség, Mágneses szuszceptibilitás, Relatív és Abszlút permeabilitás, Lenztörvény, Diamágnesesség, Paramágnesesség, Curie-törvény,
RészletesebbenKurzus- és tananyageredmények
Kurzus- és tananyageredmények Riprtelemző segédlet Az alábbi táblázat röviden bemutatja az e-mailben megküldött, Kurzus- és tananyageredmények nevű, Excel frmátumú riprt szlpait. A magyarázat segítséget
RészletesebbenKutatási gyorsjelentés Zugló közbiztonságának megítélése. "Egy jó szó Zuglóban" 2013. április
Kutatási gyrsjelentés Zugló közbiztnságának megítélése "Egy jó szó Zuglóban" 2013. április 1 Bevezető, módszertani kérdések A Strategplis Kft. telefns kérdőíves közvélemény-kutatást végzett a Budapest
RészletesebbenEGT FINANSZÍROZÁSI MECHANIZMUS 2009-2014 ENERGIAHATÉKONYSÁG PROGRAMTERÜLET BESZÁLLÍTÓI WORK-SHOP EMLÉKEZTETŐ
EGT FINANSZÍROZÁSI MECHANIZMUS 2009-2014 ENERGIAHATÉKONYSÁG PROGRAMTERÜLET BESZÁLLÍTÓI WORK-SHOP EMLÉKEZTETŐ Dátum és időpnt: 2013. június 25. 10:00 Helyszín: NFÜ tárgyalója RÉSZTVEVŐK Meghívtt vendégek
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
RészletesebbenLiPo akkumulátorok kezelése: LiPo akkumulátorok előnyei a NiMh-val szemben:
LiP akkumulátrk kezelése: LiP akkumulátrk előnyei a NiMh-val szemben: Azns teljesítménynél lényegesen kisebb súly Megfelelő kezelés esetén hsszabb élettartam Kiegyensúlyzttabb feszültséggörbe (értsd: míg
RészletesebbenKözlekedési Tagozat. A Tagozat együttműködést kezdeményező megkereséssel fordult a Közlekedéstudományi Egyesület felé. A megkeresésre pozitív válasz
Közlekedési Tagzat A Közlekedési Tagzat 2002. március havi küldöttgyűlésén megújíttta a Tagzat Elnökségének és Minősítő Bizttságának összetételét. Az újjáválaszttt, illetve új tagkból álló elnökség éves
RészletesebbenPeltier-elemek vizsgálata
Peltier-elemek vizsgálata Mérés helyszíne: Vegyész labor Mérés időpontja: 2012.02.20. 17:00-20:00 Mérés végrehatói: Budai Csaba Sánta Botond I. Seebeck együttható közvetlen kimérése Az adott P-N átmenetre
RészletesebbenNAGYERDEI TEREP MARATON FÉL MARATON ÉS NEGYED MARATON. Ahol a futó és a futás van a középpontban
VERSENYKIÍRÁS NAGYERDEI TEREP MARATON FÉL MARATON ÉS NEGYED MARATON Ahl a futó és a futás van a középpntban 1. A verseny időpntja: 2016. április 24. vasárnap 2. Rendező: Szín-Kép Reklám és Grafikai Stúdió,
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
RészletesebbenAlapvető formázási műveletek a Word 2003 programban
Frmázás Nagy Balázs Tamás Alapvető frmázási műveletek a Wrd 2003 prgramban Frmázás A begépelt, nyers szövege egyes részeit frmázzuk. A frmázás mindig a kijelölt szövegrészre vnatkzik. A szöveg frmájának,
RészletesebbenBIOMATEMATIKA ELŐADÁS
BIOMATEMATIKA ELŐADÁS 3. Hibaszámítás, lineáris regresszió Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Hibaszámítás Hibák fajtái, definíciók Abszolút, relatív, öröklött
RészletesebbenA SZŐKE TISZA pusztulása és a jogi felelősség kérdése
3. számú melléklet A SZŐKE TISZA pusztulása és a jgi felelősség kérdése Furcsa mód épp a laikus civil közösség hivatkztt internetes közösségi ldalain kmmentelők részéről vetődött fel több alkalmmal is
Részletesebben1. Alapfogalmak Információ o o
http://fariblghu.wrdpress.cm/2011/12/31/final-exam-tpics-it/ 1. Alapfgalmak Infrmáció Adat http://fariblghu.wrdpress.cm az infrmatika nem definiált alapfgalma körülírással megfgalmazva: lyan tény, közlés,
RészletesebbenNormális eloszlás tesztje
Valószínűség, pontbecslés, konfidenciaintervallum Normális eloszlás tesztje Kolmogorov-Szmirnov vagy Wilk-Shapiro próba. R-funkció: shapiro.test(vektor) balra ferde eloszlás jobbra ferde eloszlás balra
RészletesebbenKÍNÁBÓL MEGRENDELT ÉS ELŐRE
EASTINFO SZOLGÁLTATÓ ÉS KERESKEDELMI KFT. AZ ÖN PARTNERE KÍNÁBAN KÍNÁBÓL MEGRENDELT ÉS ELŐRE KIFIZETETT ÁRU MINŐSÉGHIBA MIATTI KÁRTÉRÍTÉSI ELJÁRÁSA ESETTANULMÁNY 2006/01 Budapesti Irda: Budapest H-1146
Részletesebben2006. március, - Solymár, Waldorf képzés. GRAVITÁCIÓ LEVITÁCIÓ A közösségekre ható gyógyító és megbetegítő erőkről
GRAVITÁCIÓ LEVITÁCIÓ A közösségekre ható gyógyító és megbetegítő erőkről Mint tudjuk, Rudlf Steiner a társadalm fejlődésével kapcslats minden reményét a Waldrf mzgalmba helyezte és úgy gndlta, hgy egyetlen
RészletesebbenVelem községi Önkormányzat 2010. évi költségvetési koncepciója
E L Ő T E R J E S Z T É S Velem községi Önkrmányzat Képviselő-testületének 2009. nvember 27-ei testületi ülésére Tárgy: Előterjesztő: Összeállíttta: Melléklet: Velem községi Önkrmányzat 2010. évi költségvetési
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenNagyságrendek. Kiegészítő anyag az Algoritmuselmélet tárgyhoz. Friedl Katalin BME SZIT február 1.
Nagyságrendek Kiegészítő anyag az Algoritmuselmélet tárgyhoz (a Rónyai Ivanyos Szabó: Algoritmusok könyv mellé) Friedl Katalin BME SZIT friedl@cs.bme.hu 018. február 1. Az O, Ω, Θ jelölések Az algoritmusok
RészletesebbenDr. Fóriánné Horváth Margit A bankári biztosítékok
Dr. Fóriánné Hrváth Margit A bankári biztsítékk A garanciaintézmények kezességvállalása a pénzügyi válságban Biztsítékk helye szerepe a hitelezésben A bankk a kölcsönügyleteik mögé állíttt biztsítékkkal
RészletesebbenMatematika C 10. osztály 8. modul Terv és valóság
Matematika C 10. sztály 8. mdul Terv és valóság Készítette: Kvács Kárlyné Matematika C 10. évflyam 8. mdul: Terv és valóság Tanári útmutató 2 A mdul célja Időkeret Ajánltt krsztály Mdulkapcslódási pntk
RészletesebbenMEGBÍZÁS TÍPUSOK LIMITÁRAS MEGBÍZÁS (LIMIT VAGY LIMIT ORDER)
MEGBÍZÁS TÍPUSOK LIMITÁRAS MEGBÍZÁS (LIMIT VAGY LIMIT ORDER) A limitáras megbízás leírása Limitáras megbízás esetén egy előre meghatárztt árflyamt adunk meg, és megbízásunk csak ezen a limitárn vagy annál
Részletesebben10XONE Szoftver és szolgáltatási szerződés Általános Szerződési Feltételek (ÁSzF) 3.3. 10XONE V3.3 SZERZŐDÉS
10XONE Sftware and Services Agreement General Terms and Cnditins V3.3 Szftver és Szlgáltatási Szerződés Általáns Szerződési Feltételek V3.3 Jelen Szftver és Szlgáltatási szerződés (tvábbiakban Szerződés
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
RészletesebbenDiszkréten mintavételezett függvények
Diszkréten mintavételezett függvények A függvény (jel) értéke csak rögzített pontokban ismert, de köztes pontokban is meg akarjuk becsülni időben mintavételezett jel pixelekből álló műholdkép rácson futtatott
RészletesebbenHIBAJEGYZÉK az Alapvető fizikai kémiai mérések, és a kísérleti adatok feldolgozása
HIBAJEGYZÉK az Alapvető fzka kéma mérések, és a kísérlet adatk feldlgzása címü jegyzethez 2008-070 Általáns hba, hgy a ktevőben lévő negatív (-) előjelek mndenhnnan eltűntek a nymtatás srán!!! 2. Fejezet
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
RészletesebbenNagy Frigyes Kant Alapítás: 1734 Hannver állam területe brit-alsószász persználunió Hatalmas anyagi ráfrdítás Oktatási privilégiumk, állami támgatással (ösztöndíjak) Tantárgyak Kutatás (Göttingeni Királyi
RészletesebbenHOGYAN TUDUNK KIALAKÍTANI OLYAN ÉRTÉKESÍTÉSI OUTSOURCING RENDSZERT, AMELY VALÓBAN EREDMÉNYEKET HOZ ÉS CSÖKKENTI KÖLTSÉGEINKET?
HOGYAN TUDUNK KIALAKÍTANI OLYAN ÉRTÉKESÍTÉSI OUTSOURCING RENDSZERT, AMELY VALÓBAN EREDMÉNYEKET HOZ ÉS CSÖKKENTI KÖLTSÉGEINKET? Kiinduló pnt A gyakrlat azt mutatja, hgy ma már bármely iparágban, bármely
RészletesebbenA nyilvános tér, művészet és társadalom viszonyrendszere
Oktató: Fleischer Tamás Kurzus: Várs, közlekedés, társadalm A nyilváns tér, művészet és társadalm visznyrendszere Árvay Orslya Szcilógia III. Dlgzatmmal a 2003. március 3-i, A vársi köztérről, a vársi
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
RészletesebbenMATEMATIKA C 12. évfolyam 3. modul A mi terünk
MTEMTIK C 1. évflyam. mdul mi terünk Készítette: Kvács Kárlyné Matematika C 1. évflyam. mdul: mi terünk Tanári útmutató mdul célja Időkeret jánltt krsztály Mdulkapcslódási pntk térfgat- és felszínszámítási
RészletesebbenA nem finanszírozott szakrendelések kötelesek-e vizitdíjat beszedni?
A nem finanszírztt szakrendelések kötelesek-e vizitdíjat beszedni? A nem finanszírztt egészségügyi szlgáltató nem is kérhet vizitdíjat, kórházi napidíjat az általa nyújttt ellátáskért, mivel ezekért a
RészletesebbenÖsszehasonlító fogyasztásmérési módszer városi, elővárosi és távolsági autóbuszokhoz
1. A mérés célja és általáns leírása Az alábbiakban részletezett összehasnlító fgyasztásmérési eljárás autóbuszk üzemanyag fgyasztásának a valós körülményeket (terhelés, ingadzó sebességprfil) reprezentáló
RészletesebbenHydro-Probe Orbiter Használati útmutató
Hydr-Prbe Orbiter Használati útmutató ORB 1 mdell - statikus beépítés Ez a dkumentáció a standard érzékelőkábeles ORB 1 mdellhez készült FORGÓTÁNYÉROS KEVERŐKBEN TÖRTÉNŐ STATIKUS BEÉPÍTÉSHEZ VAGY SZÁLLÍTÓSZALAG-ALKALMAZÁSOKHOZ.
RészletesebbenKézikönyv és útmutató Átlátható webelemzés ShopRenter áruházaknak
Kézikönyv és útmutató Átlátható webelemzés ShpRenter áruházaknak Ki ne szeretne megalapztt üzleti döntéseket hzni? Tartalm Bevezetés... 2 Főldal... 3 Termék ptimalizálás... 4 Kategória ptimalizálás...
RészletesebbenA fogyasztói tudatosság növelése. az elektronikus hírközlési piacon
A fgyasztói tudatsság növelése az elektrnikus hírközlési piacn A Nemzeti Hírközlési Hatóság szakmai tájékztató anyaga 2008. szeptember A fgyasztók körébe meghatárzás szerint valamennyien beletartzunk,
Részletesebbeni-m- Megbízhatósági vizsgálatok Weibull-eloszláson alapuló mintavételi eljárásai és tervei /(f)=f'(0 = Hí F(f) =
k BALOGH ALBERT-DR. DUKÁTI FERENC Megbízhatósági vizsgálatk Weibull-elszlásn alapuló mintavételi eljárásai és tervei ETO 51926: 62-192: 621.3.019.S A megbízhatósági vizsgálatk mintavételi terveinek elkészítésekr
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenAl-Mg-Si háromalkotós egyensúlyi fázisdiagram közelítő számítása
l--si háromalkotós egyensúlyi fázisdiagram közelítő számítása evezetés Farkas János 1, Dr. Roósz ndrás 1 doktorandusz, tanszékvezető egyetemi tanár Miskolci Egyetem nyag- és Kohómérnöki Kar Fémtani Tanszék
RészletesebbenMéréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ)
Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ) KÉSZÍTETTE: DR. FÜVESI VIKTOR 2016. 10. Mai témáink o A hiba fogalma o Méréshatár és mérési tartomány M é r é s i h i b a o A hiba megadása o A hiba
RészletesebbenTestépítés. Kovács Zoltán (Nyíregyházi Főiskola Debreceni Egyetem) zeus.nyf.hu/ kovacsz. 2004. július 7.
Testépítés Kvács Zltán (Nyíregyházi Főiskla Debreceni Egyetem) zeus.nyf.hu/ kvacsz 2004. július 7. A címlapn látható csillagtest, a nagy ikzi-ddekaéder mdelljének elkészítésére a KöMaL 1981. évi nvemberi
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenTájékoztató a 2015. évi pedagógiai-szakmai ellenőrzés (tanfelügyelet) és pedagógusminősítések szakértői feladataival kapcsolatban
Tájékztató a 2015. évi pedagógiai-szakmai ellenőrzés (tanfelügyelet) és pedagógusminősítések szakértői feladataival kapcslatban Budapest, 2015. szeptember 21. 1 A 2015. év szeptemberében megkezdődött minősítésekkel
Részletesebben17. tétel: Egybevágósági transzformációk. Szimmetrikus sokszögek.
17. tétel: Egybevágósági transzfrmációk. Szimmetrikus skszögek. Gemetriai transzfrmáció: Olyan függvény, melynek értelmezési tartmánya és értékkészlete is egy-egy pnthalmaz (vagyis pntkhz rendel pntkat).
RészletesebbenEURÓPAI BIZOTTSÁG KKK FŐIGAZGATÓSÁG KÖZÖS KUTATÓKÖZPONT Fejlett technológiai tanulmányok intézete
EURÓPAI BIZOTTSÁG KKK FŐIGAZGATÓSÁG KÖZÖS KUTATÓKÖZPONT Fejlett technlógiai tanulmányk intézete A környezetszennyezés integrált megelőzése és csökkentése (IPPC) Referenciadkumentum a plimerek gyártása
Részletesebbenü ő ő ü ő ő ö ö ő ö í ü ő í ö ö í ő ö ő ű ú ő í ü ő ö ő Í ö ö ő ö ö ő ő ö ő í Í í ü ö ő í ü ü ú ü ö ö ő ü ő ö ő í ü ő í ö ö ő ő ő í í ő í ő ő Á Ó Í í í ő ű ú ő í í ő ő Í ő í ő í í Í í ő í ő í ő ő íí ő
RészletesebbenÉ Ü ö Ü ú Ú ű Ó Ó ű ö Ó Ó ú ű Ü Ö Ó Ó ö Ó Ő ű Ó Ó ú Ü Ü Ó Ó Ó Ü Ó Í Í ö ö ö ö ö ú ú ö ű ú ö ö ö ú ö ú ű ö ö ű ö ö ö ű ö ö ö ú ö ö ú ö ö ö ö ö ú ö ö ö ö ú ö ú ö ö ö ö ö ö ú ö ö ö ö Í ö Ö ö ú ö ö ö ö Ó Í
RészletesebbenÍ Ő É Ó É é Ö Á Á Á Ó é Ó é ö é Ö ű ö é ö ű ö é ö é é é é é é é é é é é é é é é é é é ü é é é Í é é é é ü é ö ü é ü é é ö ö é ú é é ü é é ü é é ü é ü é é é ú é Ó é é ú é ü é é ö é ö é Á Á Á Ó é Ó Í é ö
Részletesebbenö í Ö Ó ü í ü ö Ö ö ü ü ö ö ö ö Ö ü ö ö Ö ü Ű Ö ö ü ú ű ö ö í ö ö í ü ö ö í í ö Á É ö Ö í ö Ö ü ö Ö ö ö ö ö ö ü í ü ö í ü ö ö ö Ö ü ö í ü í ö ö ö Ö ü ö Ö í í ö Ö ü ö Ö í ü ö Á É ö Ö í ü ö í ö ű ö ö ű ö
Részletesebbenő ő ű í ó ú í ó í ó Á Á Á É ű ő ó ó ő ó ő Á É ó Á É ú Á É É Á ó Á Á Á Á Á É É ó Á É í É É í É ú ú ú ó ó Ö ú É ú ó ő ú ó í É É É É Ö Ö É Á É É É Ő Ó É ő ó ó í ő ú ő ő ű í ó ú Ő Ö ú É ú ú ő ő É É ő ő ő ő
Részletesebbenö é é ü Ő Ö é ü ö é é ü é é ó é ü ü é é é é é í é ü é é é é é é ö é é ö ö é ü ö ö é ü í é ü ü é é é ü é ö é é é ó é é é é é ü ö é é ü ú ö é é é é ö é é ö é é ó é ó é é í é é ó é é ó é é í ó é é ü ü é ó
RészletesebbenKurzus eredményei meghívásokkal
Kurzus eredményei meghíváskkal Riprtelemző segédlet Az alábbi táblázat röviden bemutatja az e-mailben megküldött Kurzus eredményei meghíváskkal nevű, Excel frmátumú riprt szlpait. A magyarázat segítséget
RészletesebbenR. Durand és R. Limagne - Barlangász Balesetek Megelőzése
R. Durand és R. Limagne - Barlangász Balesetek Megelőzése A balesetek megelőzése azn lépések együttese, amelyek alkalmasak a balesetek meghiúsítására, a kiváltó kk kiküszöbölésével. I. A MEGELŐZÉS ALAPVETŐ
RészletesebbenKÖRNYEZETI HATÁSTANULMÁNY HIÁNYPÓTLÁS MVM PAKS II. ZRT. ÚJ ATOMERŐMŰVI BLOKKOK LÉTESÍTÉSE A PAKSI TELEPHELYEN
Új atmerőművi blkkk létesítése a paksi telephelyen MVM PAKS II. ZRT. ÚJ ATOMERŐMŰVI BLOKKOK LÉTESÍTÉSE A PAKSI TELEPHELYEN KÖRNYEZETI HATÁSTANULMÁNY HIÁNYPÓTLÁS BAG/2435-3/2015. ügyiratszámú végzés alapján
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenMesterséges neurális hálók
Dunaúvársi Főiskla Inrmatikai Intézet Mesterséges neurális hálók Dr. Seebauer Márta őisklai tanár seebauer.marta@szgti.bm.hu Szimblikus és nem-szimblikus MI Szimblikus tudáseldlgzás. Tudásbeszerzés 2.
RészletesebbenMODERN, BIZTONSÁGOS BUDAPESTET!
PÁRBESZÉD A VÁROSSAL A VÁROSÉRT MODERN, BIZTONSÁGOS BUDAPESTET! VITAINDÍTÓ Tartalm Helyzet...3 Budapest mára leállt...3 Budapestet újra kell indítani...4 Élhető mindennapk javuló élet és környezet mindenek
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
RészletesebbenAktív idõskor Generációk egészsége
MEGHÍVÓ Az Egészséges Vársk Magyarrszági Szövetsége XXIV. Szimpóziuma Aktív idõskr Generációk egészsége Zalaegerszeg, 2012. nvember 6-7-8. Tisztelt Hölgyeim és Uraim! Kedves Vendégeink! Zalaegerszeg Megyei
RészletesebbenAdatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
RészletesebbenGauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
RészletesebbenMÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI
MÉRÉSI EREDMÉYEK POTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI. A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk
RészletesebbenALKALMASSÁGI ÉS MEGFELELÉSI KÉRDŐÍV Természetes személyek részére A 2007.évi CXXXVIII. törvény alapján
ALKALMASSÁGI ÉS MEGFELELÉSI KÉRDŐÍV Természetes személyek részére A 2007.évi CXXXVIII. törvény alapján 1 Jelen kérdőív a befektetési vállalkzáskról és az árutőzsdei szlgáltatókról, valamint az általuk
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenALKALMASSÁGI ÉS MEGFELELÉSI KÉRDŐÍV Jogi személyek és jogi személyiséggel nem rendelkező személyek részére A 2007.évi CXXXVIII.
ALKALMASSÁGI ÉS MEGFELELÉSI KÉRDŐÍV Jgi személyek és jgi személyiséggel nem rendelkező személyek részére A 2007.évi CXXXVIII. törvény alapján 1 Jelen kérdőív a befektetési vállalkzáskról és az árutőzsdei
Részletesebben