DOKTORANDUSZ FÓRUM, 1999 Miskolc, november. Megerősítő tanulási módszerek alkalmazása az informatikában

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "DOKTORANDUSZ FÓRUM, 1999 Miskolc, 1999. november. Megerősítő tanulási módszerek alkalmazása az informatikában"

Átírás

1 DOKTORANDUSZ FÓRUM, 1999 Miskolc, november Megerősítő tanulási módszerek alkalmazása az informatikában STEFÁN PÉTER Miskolci Egyetem, Alkalmazott Informatikai Tanszék 3515 Miskolc-Egyetemváros 1. BEVEZETÉS Napjainkban a gépipari, informatikai rendszereink komplexitása állandó ütemben nő. Ez a növekedés több különböző tényezőnek is betudható, többek között a számítógépes szoftver, illetve hardver erőforrások fejlődésének. A bonyolultság növekedése, és ezáltal a rendszerek átláthatóságának csökkenése arra ösztönzött számos kutatót, hogy a klasszikus mérnöki problémákhoz, a zárt matematikai formulákon túl, újabb, az emberi agy probléma-leegyszerűsítő megközelítéséhez hasonló módszereket dolgozzon ki. Ezeket az emberi információ-feldolgozó módszerek modelljeit a mesterséges intelligencia, mint tudományág foglalja össze. 2. MESTERSÉGES INTELLIGENCIA MÓDSZEREK A mesterséges intelligencia több, egymástól elkülönülő területből áll. E területek egy része megpróbálja az emberi agy működését előbb modellezni, majd megpróbál olyan szerkezetet létrehozni, amely mind jobban megközelíti az agy működését. A másik, talán szerényebb megközelítés, az, amikor megpróbáljuk az emberi gondolkodásmódot, az emberi intelligencia adaptív jellemvonását gépi környezetben megvalósítani. Ebbe a kategóriába tartoznak a tanuló, osztályozó módszerek, melyeket mind műszaki, mind gazdasági területeken is sikerrel hasznának. A tanulórendszerek osztályába számos eltérő irányvonal tartozik. Megkülönböztethetünk felügyel tanuló, illetve felügyelet nélkül tanuló rendszereket. Előbbi kategóriába például

2 az egyszerűbb neuron-hálók, vagy az osztályozó algoritmusok, míg utóbbiba az önszervező hálók tartoznak. Egy másik szempont szerint megkülönböztethetünk olyan tanulóeljárásokat, melyekre az ún. kétfázisú tanulás (betanítás előbb, majd használat) a jellemző, illetve olyanokat, amelyek egyszerre képesek tanulni illetve tudásukat kamatoztatni. Ezen utóbbi eljárások egyike a megerősítő tanulás. 3. A MEGERŐSÍTŐ TANULÁS A megerősítő tanulás egyfajta átmenetet képez a felügyelt és felügyelet-nélküli módszerek között. A felügyelt rendszerek esetén a környezet instruktív visszajelzésekkel korrigálja a tanulórendszer belső struktúráját, illetve paramétereit. Ez azt jelenti, hogy a módosítás iránya a rendszeren kívülről befelé haladó; azaz a környezet megmondja, a belső állapottól kvázi függetlenül, hogy melyek a rendszer helyes, megkívánt kimeneti jellemzői. A rendszer módosítása pedig éppen az előbbi állapotok elérése felé irányul. Koncepciójában különbözik ettől az a megoldás, amikor a tanulás belülről jövő. Ez azt jelenti, hogy a rendszer maga úgy van felépítve, hogy felfedezi, feltérképezi környezetét. Más kifejezéssel élve cselekvéseket, akciókat hajt végre, amelyek hatással vannak a környezetre, és aminek következtében a környezet visszajelzést ad, hogy a választott akciókat a környezet hogyan jutalmazta. A visszacsatolt érték, a megerősítő-jel, egy skaláris szám, melynek értéktartománya rendszerint problémafüggő. Általában egy nagy pozitív szám a környezet akcióra adott jutalmát, míg a nagy negatív szám büntetését szimbolizálja. A megerősítő tanulás sematikus rajza az 1. ábrán látható. Az ábrán két objektum található: az ágens, illetve annak környezete. Az ágens feladata egy célállapot elérése, mégpedig oly módon, hogy maximalizálja a környezetétől kapott megerősítő-jelek összegét. Ezt az egyes szituációkban, megfelelően megválasztott akciókkal éri el. A cél minden szituációban olyan akciókat választani, amelyek hosszútávon biztosítják a megerősítőjelek maximumát. Az ágens számára minden lehetséges akció előtt nyitva áll a kérdés: a

3 következő lépésben választott akcióval a már eddig elért tudását kívánja hasznosítani, vagy esetleg új megoldások reményében megpróbálja azokat az akciókat választani, amelyek nem közvetlenül a legjobb válaszreakciót adják, de lehetőséget nyújtanak más (esetleg kedvezőbb visszacsatolású) állapotok kiértékelésére is. 1. ábra: Az ágens-probléma A környezet feladata egyrészt ellátni a tanuló ágenst visszacsatolási információkkal, másrészt új állapotokat biztosítani a rendszer részére. Ez utóbbi gyakran a rendszeren belül, automatikusan is végbemehet, nem szükségszerű, hogy a környezet indukálja. A környezet gyakran helyettesíthető egy metrikával, ami automatikusan szolgáltatja a megerősítő jelet az ágens számára. A metrika, az ágens számára a környezeti modellt, a környezet viselkedését jelenti. Gyakran a tanulórendszer megalkotójának kell a metrikát definiálni, és az esetek többségében ez nem egy metrika kidolgozását jelenti, hanem egy metrika-halmazét. Érdemes megemlíteni, hogy a metrika rokon fogalom az operációkutatásban használt optimum kritériummal. 4. AZ ÁGENS-RENDSZER ÉPÍTŐKÖVEI Az ágens leírására formális nyelvi eszközöket használnak. Hogy az ágens összetevőiről beszélni lehessen, először szükséges definiálni a további tárgyalás alapját képző attribútumokat. Ezek az attribútumok a tanuló-rendszer állapotai, illetve az egyes

4 állapotok felvétele után választható akciók. A lehetséges állapotokat az állapot-halmaz, az akciókat pedig, az előbbitől függő, akcióhalmazok foglalják össze. Minden egyes állapothoz rendelhető egy akció-halmaz. Az állapotokon, illetve az akciókon kívül az ágens tartalmaz még három további függvényt. Az első a politika-függvény (policy function). Ez a függvény egyszerűbb esetben a rendszer aktuális állapotát képzi le a végrehajtandó akciók halmazára: azaz minden állapothoz hozzárendeli az ott eddig legjobbnak vélt akciót. Összetettebb esetben e függvény minden állapot-akció párhoz egy kiválasztási valószínűséget rendel. Ez a valószínűség akkor játszik szerepet, amikor nem a legkedvezőbb akciót választjuk (felderítési üzemmód esetén), és egy rossz alternatíva véletlenszerű kiválasztása nagy negatív tetszést váltana ki a környezettől. Az összetettebb politika-függvénnyel tehát súlyozzuk a lehetséges választásokat. Amikor minden állapotban a lehető legkedvezőbb akciót választjuk, azaz nem végzünk egyáltalán felderítést, mohó (greedy) algoritmusról beszélünk. A politika-függvény lehet determinisztikus, sztochasztikus, de lehet egy komplett kereső eljárás is. A második, az ágens számára szükséges elem az érték-függvény (value function). Az érték-függvény szoros kapcsolatban áll a környezet által visszaadott megerősítő-jel értékekkel. Az ágens számára minden állapotban elérhető kell, hogy legyen egy várható érték, hogy az egyes állapotokban meg tudja jósolni azt, hogy a környezet miként fogja jutalmazni egy új állapot felvételét. Illetve azt is meg kell mondani, hogy az egyes állapotokban az egyes akciók, milyen lesz a várható érték hozama. Ennek tükrében, megkülönböztethető állapot-értek (state-value) és akció-érték (action-value) függvény. Az érték függvény nemcsak azt jelöli, hogy az egyes állapotok, illetve akciók milyen várható megerősítő-jel értéket képviselnek, hanem azt is, hogy mely állapotok lesznek hosszú-távon akár sokkal jobban jutalmazva, mint bármely jelen állapotban választható akció által elért állapot. Tehát az érték-függvények funkciója az is, hogy a jól jövedelmező, de távoli, esetleg kevésbé jutalmazott állapotokat is kihangsúlyozza a jelen állapotbeli döntés számára.

5 A politika és az érték függvények céljukban is és számítási módjukban is különböznek egymástól. Míg az előbbi célja az, hogy a felfedező-ciklus esetén a véletlenszerű választást súlyozzák, utóbbi hosszabb távon befolyásolja az ágens felfedezés-felhasználás döntését. A harmadik függvény, amellyel a tanuló-rendszernek rendelkeznie kell a honoráriumfüggvény (reward function), amely állapot-akció párokat képez le a megerősítő jel lehetséges értékeinek halmazára. A metrika fogalmával analóg. A politika, illetve az érték függvények iterációs lépéseken keresztül határozhatók meg. 5. A MEGOLDHATÓ PROBLÉMÁK KÖRE A megerősítő tanulás, illetve az ágens-modell egymás segítségével definiálhatók. Megerősítő tanulási eljárásnak minden olyan eljárást nevezünk, ami az előzőekben ismertetett ágens-rendszer célja elérésének megoldásával foglalkozik. Az ágens-feladat megoldásai az alábbi csoportokba sorolhatók: dinamikus programozási eljárások (amelyek a teljes környezet ismeretét feltételezik), hőmérséklet kiegyenlítést modellező eljárások (Q-tanulás), illetve az ún. Monte Carlo eljárások (amelyek számára nem szükséges a teljes környezet ismerete). A megoldások túlnyomó többsége matematikai úton bizonyított, stabil eljárás. A megerősítő tanulás elsősorban a dinamikus feladatok megoldásában alkalmazható. Olyan környezetben, ahol például egy optimum-feladat feltételi rendszere állandó, a zárt matematikai modellek egyértelműen a leghatékonyabbak. Ellenben, ha a feltételrendszer időben változik, esetleg sztochasztikus jellegű, úgy a megerősítő tanulási módszerek, különösen nagyobb rendszer esetében, a matematikai modelleknél megvalósíthatóbbak, és jobb teljesítményt nyújtanak. 6. PÉLDA EGY MEGERŐSÍTŐ TANULÁSI ELJÁRÁSRA Jelölje S a tanuló-rendszer által felvehető állapotok halmazát, A(s) az s S állapotban választható akciókat. Legyen Q:S A [0,1] R az akció-érték függvény, π:s A a

6 politika függvény. A megerősítő tanulás egyik lehetséges algoritmusa az alábbi C-formájú algoritmus lehet: while (true) { p = véletlen szám; if (p < 0.8) {akció kiválasztása az adott politika szerint, a A} else {ennek alapján egy véletlenszeruen választott akció, a A} s új = az újonnan választott állapot felvétele (s new S); r = a környezettol kapott visszajelzett érték; hiba = r + γ*u(s new ) - Q(s,a); Q(s,a) = Q(s,a) + α*hiba; π(s) = max b A (Q(s,b)); U(s) = Q(s,π(s)); S = s új ; } 7. ÖSSZEFOGLALÁS A megerősítő tanulás egy iteratív módszer, amely a környezetével állandó kölcsönhatásban lévő, dinamikusan változó környezetbe helyezett ágens célkereső eljárását definiálja, illetve oldja meg. Az létrehozott modell keretei közé számos probléma helyezhető, mint például az Internet routing probléma, adaptív robot vezérlés, változó környezetben történő optimum-keresés, illetve logisztikai disztribúciós feladatok megoldása. 8. FELHASZNÁLT IRODALOM [1] P.STEFÁN, L.MONOSTORI, F.ERDÉLYI: Using symbolic and sub-symbolic methods for solving problems difficult to analyze, MicroCAD 99 University of Miskolc [2] Szimbolikus és szub-szimbolikus módszerek az analitikailag kezelhető problémák megoldásában, FMTÜ Kolozsvár [3] R.SUTTON, A.BARTO: Reinforcement learning

7 DOKTORANDUSZ FÓRUM, 1999 Miskolc, november Megerősítő tanulási módszerek alkalmazása az informatikában STEFÁN PÉTER Miskolci Egyetem, Alkalmazott Informatikai Tanszék 3515 Miskolc-Egyetemváros ABSTRACT Napjainkban a gépipari, informatikai rendszereink komplexitása állandó ütemben nő. A bonyolultság növekedése, és, éppen emiatt, a rendszerek átláthatóságának csökkenése arra ösztönzött számos kutatót, hogy újabb mesterséges intelligencia módszereket fejlesszen ki, illetve alkalmazzon informatikai, gazdasági, illetve műszaki problémák megoldásában. Egyik ilyen MI módszer a megerősítő tanulás, mely előnyös tulajdonságaira, illetve alkalmazási területeire a cikkben rámutatunk. FELHASZNÁLT IRODALOM [1] P.STEFÁN, L.MONOSTORI, F.ERDÉLYI: Using symbolic and sub-symbolic methods for solving problems difficult to analyze, MicroCAD 99 University of Miskolc [2] Szimbolikus és szub-szimbolikus módszerek az analitikailag kezelhető problémák megoldásában, FMTÜ Kolozsvár [3] R.SUTTON, A.BARTO: Reinforcement learning

8

A megerosítéses tanulás és a szimulált hutés kombinált használata: algoritmusok és alkalmazások

A megerosítéses tanulás és a szimulált hutés kombinált használata: algoritmusok és alkalmazások MISKOLCI EGYETEM DOKTORI (PH.D.) TÉZISFÜZETEI HATVANY JÓZSEF INFORMATIKAI TUDOMÁNYOK DOKTORI ISKOLA A megerosítéses tanulás és a szimulált hutés kombinált használata: algoritmusok és alkalmazások Készítette:

Részletesebben

OOP. Alapelvek Elek Tibor

OOP. Alapelvek Elek Tibor OOP Alapelvek Elek Tibor OOP szemlélet Az OOP szemlélete szerint: a valóságot objektumok halmazaként tekintjük. Ezen objektumok egymással kapcsolatban vannak és együttműködnek. Program készítés: Absztrakciós

Részletesebben

Bevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz)

Bevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz) Bevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz) A házi feladatokkal kapcsolatos követelményekről Kapcsolódó határidők: választás: 6. oktatási hét csütörtöki

Részletesebben

Döntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba

Döntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba I. előadás Előadó: Dr. Égertné dr. Molnár Éva Informatika Tanszék A 602 szoba Tárggyal kapcsolatos anyagok megtalálhatók: http://www.sze.hu/~egertne Konzultációs idő: (páros tan. hét) csütörtök 10-11 30

Részletesebben

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával

Részletesebben

TERMÉK FEJLESZTÉS PANDUR BÉLA TERMÉK TERVEZÉSE

TERMÉK FEJLESZTÉS PANDUR BÉLA TERMÉK TERVEZÉSE TERMÉK TERVEZÉSE A termék fogalma: Tevékenységek, vagy folyamatok eredménye /folyamat szemlélet /. (Minden terméknek értelmezhető, amely gazdasági potenciált közvetít /közgazdász szemlélet /.) Az ISO 8402

Részletesebben

Megerősítéses tanulás 2. előadás

Megerősítéses tanulás 2. előadás Megerősítéses tanulás 2. előadás 1 Technikai dolgok Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ Olvasnivaló: Sutton, Barto: Reinforcement

Részletesebben

OPERÁCIÓKUTATÁS, AZ ELFELEDETT TUDOMÁNY A LOGISZTIKÁBAN (A LOGISZTIKAI CÉL ELÉRÉSÉNEK ÉRDEKÉBEN)

OPERÁCIÓKUTATÁS, AZ ELFELEDETT TUDOMÁNY A LOGISZTIKÁBAN (A LOGISZTIKAI CÉL ELÉRÉSÉNEK ÉRDEKÉBEN) OPERÁCIÓKUTATÁS, AZ ELFELEDETT TUDOMÁNY A LOGISZTIKÁBAN (A LOGISZTIKAI CÉL ELÉRÉSÉNEK ÉRDEKÉBEN) Fábos Róbert 1 Alapvető elvárás a logisztika területeinek szereplői (termelő, szolgáltató, megrendelő, stb.)

Részletesebben

Óbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet

Óbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet 1034 Budapest, Bécsi út 96/B Tel., Fax:1/666-5544,1/666-5545 http://nik.uni-obuda.hu/imri Az 2004-ben alakult IMRI (BMF)

Részletesebben

Neurális hálózatok bemutató

Neurális hálózatok bemutató Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:

Részletesebben

Minőségérték. A modellezés céljának meghat. Rendszer elemzés. Módszer kiválasztása. Modell megfelelőség elemzés. Működés szimuláció

Minőségérték. A modellezés céljának meghat. Rendszer elemzés. Módszer kiválasztása. Modell megfelelőség elemzés. Működés szimuláció Minőségérték. Műszaki minőségérték növelésére alkalmas módszerek: Cél: a termék teljes életciklusa során az előre látható, vagy feltételezett követelmények, teljes körű és kiegyensúlyozott kielégítése.

Részletesebben

Megerősítéses tanulás 7. előadás

Megerősítéses tanulás 7. előadás Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig

Részletesebben

Gépi tanulás a gyakorlatban. Bevezetés

Gépi tanulás a gyakorlatban. Bevezetés Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis

Részletesebben

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága @ Budapest University of Technology and Economics Nagy hálózatok evolúciója Gulyás András, Heszberger Zalán High Speed Networks Laboratory Internet trendek Tisztán kivehetı tendencia: kommunikációs hálózatok

Részletesebben

"A tízezer mérföldes utazás is egyetlen lépéssel kezdődik."

A tízezer mérföldes utazás is egyetlen lépéssel kezdődik. "A tízezert mérföldes utazás is egyetlen lépéssel kezdődik dik." A BINB INSYS Előadók: Kornafeld Ádám SYS PROJEKT Ádám MTA SZTAKI kadam@sztaki.hu Kovács Attila ELTE IK attila@compalg.inf.elte.hu Társszerzők:

Részletesebben

Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával

Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával * Pannon Egyetem, M szaki Informatikai Kar, Számítástudomány

Részletesebben

Szakmai zárójelentés

Szakmai zárójelentés Szakmai zárójelentés A csoporttechnológia (Group Technology = GT) elvi és módszertani alapjaihoz, valamint a kapcsolódó módszerek informatikai alkalmazásaihoz kötődő kutatómunkával a Miskolci Egyetem Alkalmazott

Részletesebben

Gyakorlatias tanácsok PLA fejlesztőknek

Gyakorlatias tanácsok PLA fejlesztőknek Gyakorlatias tanácsok PLA fejlesztőknek Beszédes Nimród Attiláné Békéscsabai Regionális Képző Központ Képzési igazgatóhelyettes 2007. november 28-30. A jogszabályi háttérről 2001. évi CI. törvény 24/2004.

Részletesebben

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció

Részletesebben

C++ programozási nyelv

C++ programozási nyelv C++ programozási nyelv Gyakorlat - 13. hét Nyugat-Magyarországi Egyetem Faipari Mérnöki Kar Informatikai Intézet Soós Sándor 2004. december A C++ programozási nyelv Soós Sándor 1/10 Tartalomjegyzék Objektumok

Részletesebben

Integrált gyártórendszerek. Ágens technológia - ágens rendszer létrehozása Gyakorlat

Integrált gyártórendszerek. Ágens technológia - ágens rendszer létrehozása Gyakorlat IGYR p. 1/17 Integrált gyártórendszerek Ágens technológia - ágens rendszer létrehozása Gyakorlat Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu IGYR

Részletesebben

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik

Részletesebben

1/12. 3. gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI

1/12. 3. gyakorlat. Lineáris Programozási feladatok megoldása szimplex módszerrel. Pécsi Tudományegyetem PTI / Operációkutatás. gyakorlat Lineáris Programozási feladatok megoldása szimplex módszerrel Pécsi Tudományegyetem PTI Normál feladatok megoldása szimplex módszerrel / / Normál feladatok megoldása szimplex

Részletesebben

Példa a report dokumentumosztály használatára

Példa a report dokumentumosztály használatára Példa a report dokumentumosztály használatára Szerző neve évszám Tartalomjegyzék 1. Valószínűségszámítás 5 1.1. Események matematikai modellezése.............. 5 1.2. A valószínűség matematikai modellezése............

Részletesebben

A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel

A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel Majzik István Micskei Zoltán BME Méréstechnika és Információs Rendszerek Tanszék 1 Modell alapú fejlesztési folyamat (részlet)

Részletesebben

Rekurzió. Dr. Iványi Péter

Rekurzió. Dr. Iványi Péter Rekurzió Dr. Iványi Péter 1 Függvényhívás void f3(int a3) { printf( %d,a3); } void f2(int a2) { f3(a2); a2 = (a2+1); } void f1() { int a1 = 1; int b1; b1 = f2(a1); } 2 Függvényhívás void f3(int a3) { printf(

Részletesebben

Modell alapú tesztelés mobil környezetben

Modell alapú tesztelés mobil környezetben Modell alapú tesztelés mobil környezetben Micskei Zoltán Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék A terület behatárolása Testing is an activity performed

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek

Részletesebben

Antreter Ferenc. Termelési-logisztikai rendszerek tervezése és teljesítményének mérése

Antreter Ferenc. Termelési-logisztikai rendszerek tervezése és teljesítményének mérése Antreter Ferenc Termelési-logisztikai rendszerek tervezése és teljesítményének mérése Doktori értekezés Témavezetők: Dr. Várlaki Péter egyetemi tanár Széchenyi István Egyetem, Műszaki Tudományi Kar, Logisztikai

Részletesebben

Egyes logisztikai feladatok megoldása lineáris programozás segítségével. - bútorgyári termelési probléma - szállítási probléma

Egyes logisztikai feladatok megoldása lineáris programozás segítségével. - bútorgyári termelési probléma - szállítási probléma Egyes logisztikai feladatok megoldása lineáris programozás segítségével - bútorgyári termelési probléma - szállítási probléma Egy bútorgyár polcot, asztalt és szekrényt gyárt faforgácslapból. A kereskedelemben

Részletesebben

Mesterséges intelligencia 3. laborgyakorlat

Mesterséges intelligencia 3. laborgyakorlat Mesterséges intelligencia 3. laborgyakorlat Kétszemélyes játékok - Minimax A következő típusú játékok megoldásával foglalkozunk: (a) kétszemélyes, (b) determinisztikus, (c) zéróösszegű, (d) teljes információjú.

Részletesebben

Történet John Little (1970) (Management Science cikk)

Történet John Little (1970) (Management Science cikk) Információ menedzsment Szendrői Etelka Rendszer- és Szoftvertechnológia Tanszék szendroi@witch.pmmf.hu Vezetői információs rendszerek Döntéstámogató rendszerek (Decision Support Systems) Döntések információn

Részletesebben

angolul: greedy algorithms, románul: algoritmi greedy

angolul: greedy algorithms, románul: algoritmi greedy Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város

Részletesebben

Apor Vilmos Katolikus Iskolaközpont. Helyi tanterv. Informatika. készült. a 51/2012. (XII. 21.) EMMI rendelet 2. sz. melléklet 5-8./2.2.15.

Apor Vilmos Katolikus Iskolaközpont. Helyi tanterv. Informatika. készült. a 51/2012. (XII. 21.) EMMI rendelet 2. sz. melléklet 5-8./2.2.15. 1 Apor Vilmos Katolikus Iskolaközpont Helyi tanterv Informatika készült a 51/2012. (XII. 21.) EMMI rendelet 2. sz. melléklet 5-8./2.2.15. alapján 5-8. évfolyam 2 5-8. évfolyam Az informatika tantárgy ismeretkörei,

Részletesebben

közötti együttműködések (például: közös, több tantárgyat átfogó feladatok), továbbá az aktív részvétel a kulturális, társadalmi és/vagy szakmai

közötti együttműködések (például: közös, több tantárgyat átfogó feladatok), továbbá az aktív részvétel a kulturális, társadalmi és/vagy szakmai Informatika Az informatika tantárgy ismeretkörei, fejlesztési területei hozzájárulnak ahhoz, hogy a tanuló az információs társadalom aktív tagjává válhasson. Az informatikai eszközök használata olyan eszköztudást

Részletesebben

Mesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek

Mesterséges 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

Részletesebben

A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere

A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű optimálásának általános és robosztus módszere A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia

Részletesebben

Logaritmikus erősítő tanulmányozása

Logaritmikus erősítő tanulmányozása 13. fejezet A műveleti erősítők Logaritmikus erősítő tanulmányozása A műveleti erősítő olyan elektronikus áramkör, amely a két bemenete közötti potenciálkülönbséget igen nagy mértékben fölerősíti. A műveleti

Részletesebben

STRATÉGIAALKOTÁS, ÜZLETI TERVEZÉS A VÁLLALKOZÁS KREATÍV RÉSZE

STRATÉGIAALKOTÁS, ÜZLETI TERVEZÉS A VÁLLALKOZÁS KREATÍV RÉSZE STRATÉGIAALKOTÁS, ÜZLETI TERVEZÉS A VÁLLALKOZÁS KREATÍV RÉSZE Mi az üzleti tervezés A józan ész diadala az önámítás felett A tervezés tisztán matematika Nagy számok törvénye Egy egész szám felírható néhány

Részletesebben

Az informatika tantárgy fejlesztési feladatait a Nemzeti alaptanterv hat részterületen írja elő, melyek szervesen kapcsolódnak egymáshoz.

Az informatika tantárgy fejlesztési feladatait a Nemzeti alaptanterv hat részterületen írja elő, melyek szervesen kapcsolódnak egymáshoz. INFORMATIKA Az informatika tantárgy ismeretkörei, fejlesztési területei hozzájárulnak ahhoz, hogy a tanuló az információs társadalom aktív tagjává válhasson. Az informatikai eszközök használata olyan eszköztudást

Részletesebben

INFORMATIKA. 6 évfolyamos osztály

INFORMATIKA. 6 évfolyamos osztály INFORMATIKA Az informatika tantárgy ismeretkörei, fejlesztési területei hozzájárulnak ahhoz, hogy a tanuló az információs társadalom aktív tagjává válhasson. Az informatikai eszközök használata olyan eszköztudást

Részletesebben

Mesterséges Intelligencia I. (I602, IB602)

Mesterséges Intelligencia I. (I602, IB602) Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos

Részletesebben

Doktori Ertekez es J osvai J anos Sz echenyi Istv an Egyetem, M uszaki Tudom anyi Kar 2012

Doktori Ertekez es J osvai J anos Sz echenyi Istv an Egyetem, M uszaki Tudom anyi Kar 2012 Doktori Értekezés Jósvai János Széchenyi István Egyetem, Műszaki Tudományi Kar 2012 Jósvai János Proaktív termelésütemezési, logisztikai módszerek és ipari alkalmazásaik doktori értekezés Témavezetők:

Részletesebben

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2015/2016-2. Szegedi Tudományegyetem Informatikai Tanszékcsoport

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2015/2016-2. Szegedi Tudományegyetem Informatikai Tanszékcsoport Operációkutatás I. 2015/2016-2. Szegedi Tudományegyetem Informatikai Tanszékcsoport Számítógépes Optimalizálás Tanszék 6. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát

Részletesebben

Költségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr.

Költségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr. Gépgyártástechnológia Tsz Költségbecslési módszerek a szerszámgyártásban Szerszámgyártók Magyarországi Szövetsége 2003. december 11. 1 2 CEE-Product Groups Tartalom 1. Költségbecslési módszerek 2. MoldCoster

Részletesebben

INFORMATIKA OKTATÁS A KLTE-N 1

INFORMATIKA OKTATÁS A KLTE-N 1 INFORMATIKA OKTATÁS A KLTE-N 1 Juhász István, pici@math.klte.hu KLTE, Matematikai és Informatikai Intézet, Információ Technológia Tanszék Abstract The Institute of Mathematics and Informatics of Kossuth

Részletesebben

Modellkiválasztás és struktúrák tanulása

Modellkiválasztás 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

Részletesebben

Döntési fák. (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART ))

Döntési fák. (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART )) Döntési fák (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART )) Rekurzív osztályozó módszer, Klasszifikációs és regressziós fák folytonos, kategóriás, illetve túlélés adatok

Részletesebben

Szkriptnyelvek. 1. UNIX shell

Szkriptnyelvek. 1. UNIX shell Szkriptnyelvek 1. UNIX shell Szkriptek futtatása Parancsértelmez ő shell script neve paraméterek shell script neve paraméterek Ebben az esetben a szkript tartalmazza a parancsértelmezőt: #!/bin/bash Szkriptek

Részletesebben

A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel

A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel A modellellenőrzés érdekes alkalmazása: Tesztgenerálás modellellenőrzővel Majzik István Micskei Zoltán BME Méréstechnika és Információs Rendszerek Tanszék 1 Modell alapú fejlesztési folyamat (részlet)

Részletesebben

2. A példahalmazban n = 3 negatív és p = 3 pozitív példa van, azaz a példahalmazt képviselő döntési fa információtartalma: I = I(1/2, 1/2) = 1 bit.

2. A példahalmazban n = 3 negatív és p = 3 pozitív példa van, azaz a példahalmazt képviselő döntési fa információtartalma: I = I(1/2, 1/2) = 1 bit. Példa 1. Döntési fa számítása/1 1. Legyen a felhasználandó példahalmaz: Példa sz. Nagy(x) Fekete(x) Ugat(x) JóKutya(x) X1 Igen Igen Igen Nem X2 Igen Igen Nem Igen X3 Nem Nem Igen Nem X4 Nem Igen Igen Igen

Részletesebben

Projekt siker és felelősség

Projekt siker és felelősség Projekt siker és felelősség dr. Prónay Gábor 10. Távközlési és Informatikai Projekt Menedzsment Fórum 2007. április 5. AZ ELŐADÁS CÉLJA figyelem felhívás a siker kritériumok összetettségére, az elmúlt

Részletesebben

NP-teljesség röviden

NP-teljesség röviden NP-teljesség röviden Bucsay Balázs earthquake[at]rycon[dot]hu http://rycon.hu 1 Turing gépek 1/3 Mi a turing gép? 1. Definíció. [Turing gép] Egy Turing-gép formálisan egy M = (K, Σ, δ, s) rendezett négyessel

Részletesebben

INFORMATIKA 1-4. évfolyam

INFORMATIKA 1-4. évfolyam INFORMATIKA 1-4. évfolyam Célok - A számítógépes munkaszabályainak és a legfontosabb balesetvédelmi előírások megismerése. - A számítógép és perifériáinak kezelési tudnivalóinak megismerése. - Az életkoruknak

Részletesebben

3D számítógépes geometria és alakzatrekonstrukció

3D számítógépes geometria és alakzatrekonstrukció 3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.

Részletesebben

IK Algoritmusok és Alkalmazásaik Tsz, TTK Operációkutatás Tsz. A LEMON C++ gráf optimalizálási könyvtár használata

IK Algoritmusok és Alkalmazásaik Tsz, TTK Operációkutatás Tsz. A LEMON C++ gráf optimalizálási könyvtár használata IKP-9010 Számítógépes számelmélet 1. EA IK Komputeralgebra Tsz. IKP-9011 Számítógépes számelmélet 2. EA IK Komputeralgebra Tsz. IKP-9021 Java technológiák IK Prog. Nyelv és Ford.programok Tsz. IKP-9030

Részletesebben

OTKA Zárójelentés 2006-2010. Publikációk 2009-2010.

OTKA Zárójelentés 2006-2010. Publikációk 2009-2010. OTKA Zárójelentés 2006-2010. Publikációk 2009-2010. ZÁRÓJELENTÉS szakmai beszámoló OTKA-azonosító: 63591 Típus: K Szakmai jelentés: 2010. 04. 02. Vezető kutató: Illés Béla Kutatóhely: Anyagmozgatási és

Részletesebben

PHP5 Új generáció (2. rész)

PHP5 Új generáció (2. rész) PHP5 Új generáció (2. rész)...avagy hogyan használjuk okosan az osztályokat és objektumokat PHP 5-ben. Cikksorozatom elõzõ részében képet kaphattunk arról, hogy valójában mik is azok az objektumok, milyen

Részletesebben

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data.

The 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

Részletesebben

KÖZGAZDASÁGTAN GAZDASÁGI INFORMATIKUSOKNAK. Elérhetőség

KÖZGAZDASÁGTAN GAZDASÁGI INFORMATIKUSOKNAK. Elérhetőség KÖZGAZDASÁGTAN GAZDASÁGI INFORMATIKUSOKNAK Oktatók Csongrádi Gyöngyi Kiss Gabriella Dr. Nagy András Elérhetőség Hivatalos honlap http://www.bgf.hu/pszk /szervezetiegysegeink/oktatasiszervezetiegysegek

Részletesebben

értékel függvény: rátermettségi függvény (tness function)

értékel függvény: rátermettségi függvény (tness function) Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket

Részletesebben

IV. A munkaköri leírás és elemzése

IV. A munkaköri leírás és elemzése BBTE, Politika-, Közigazgatás- és Kommunikációtudományi kar, Szatmárnémeti egyetemi kirendeltség IV. A munkaköri leírás és elemzése Emberi Erőforrás Menedzsment 2012 Október 20 Gál Márk PhD Közigazgatási

Részletesebben

A DIPLOMAMUNKA FORMAI KÖVETELMÉNYEI JAVASLAT

A DIPLOMAMUNKA FORMAI KÖVETELMÉNYEI JAVASLAT A DIPLOMAMUNKA FORMAI KÖVETELMÉNYEI JAVASLAT A diplomamunka kötelező részei (bekötési sorrendben) 1. Fedőlap - Bal felső sarokban a kiíró tanszék megnevezése (ha két tanszékkel együttműködve dolgozzuk

Részletesebben

Az informatika tantárgy fejlesztési feladatait a Nemzeti alaptanterv hat részterületen írja elő, melyek szervesen kapcsolódnak egymáshoz.

Az informatika tantárgy fejlesztési feladatait a Nemzeti alaptanterv hat részterületen írja elő, melyek szervesen kapcsolódnak egymáshoz. INFORMATIKA Az informatika tantárgy ismeretkörei, fejlesztési területei hozzájárulnak ahhoz, hogy a tanuló az információs társadalom aktív tagjává válhasson. Az informatikai eszközök használata olyan eszköztudást

Részletesebben

Java II. I A Java programozási nyelv alapelemei

Java II. I A Java programozási nyelv alapelemei Java2 / 1 Java II. I A Java programozási nyelv alapelemei Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2009. 02. 09. Java II.: Alapelemek JAVA2 / 1 A Java formalizmusa A C, illetve

Részletesebben

Mechatronika oktatásával kapcsolatban felmerülő kérdések

Mechatronika oktatásával kapcsolatban felmerülő kérdések Mechatronika oktatásával kapcsolatban felmerülő kérdések Az emberi tudásnak megvannak a határai, de nem tudjuk, hol (Konrad Lorenz) Célom ezzel a tanulmánnyal a mechatronika, mint interdiszciplináris tudomány

Részletesebben

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs

Részletesebben

Inczédy György Középiskola, Szakiskola és Kollégium Nyíregyháza, Árok u. 53. TANMENET. Informatika szakmacsoport

Inczédy György Középiskola, Szakiskola és Kollégium Nyíregyháza, Árok u. 53. TANMENET. Informatika szakmacsoport TANMENET Informatika szakmacsoport Programozási gyakorlatok III. tantárgy 12. évfolyam A osztály 2013/2014 tanév Heti óraszám: Éves óraszám: 3 óra 96 óra Készítette: Szikszai Gusztáv tanár Ellenőrizte:.

Részletesebben

C++ programozási nyelv

C++ programozási nyelv C++ programozási nyelv Gyakorlat - 8. hét Nyugat-Magyarországi Egyetem Faipari Mérnöki Kar Informatikai Intézet Soós Sándor 2004. november A C++ programozási nyelv Soós Sándor 1/12 Tartalomjegyzék Miért

Részletesebben

Közgazdaságtan 1. ELTE TáTK Közgazdaságtudományi Tanszék. 3. hét A KERESLETELMÉLET ALAPJAI. HASZNOSSÁG, PREFERENCIÁK

Közgazdaságtan 1. ELTE TáTK Közgazdaságtudományi Tanszék. 3. hét A KERESLETELMÉLET ALAPJAI. HASZNOSSÁG, PREFERENCIÁK KÖZGAZDASÁGTAN I. ELTE TáTK Közgazdaságtudományi Tanszék Közgazdaságtan 1. A KERESLETELMÉLET ALAPJAI. HASZNOSSÁG, PREFERENCIÁK Bíró Anikó, K hegyi Gergely, Major Klára Szakmai felel s: K hegyi Gergely

Részletesebben

KÖSZÖNTJÜK HALLGATÓINKAT!

KÖSZÖNTJÜK HALLGATÓINKAT! 2010. november 10. KÖSZÖNTJÜK HALLGATÓINKAT! Önök Dr. Horváth Zoltán Módszerek, amelyek megváltoztatják a világot A számítógépes szimuláció és optimalizáció jelentősége c. előadását hallhatják! 1 Módszerek,

Részletesebben

Informatika. 3. Az informatika felhasználási területei és gazdasági hatásai

Informatika. 3. Az informatika felhasználási területei és gazdasági hatásai Informatika 1. Hírek, információk, adatok. Kommunikáció. Definiálja a következő fogalmakat: Információ Hír Adat Kommunikáció Ismertesse a kommunikáció modelljét. 2. A számítástechnika története az ENIAC-ig

Részletesebben

ELITE YOUTH. fejlesztése az utánpótlás futballban. Készítette: Szalai László MLSZ Edzőképző Központ Igazgató

ELITE YOUTH. fejlesztése az utánpótlás futballban. Készítette: Szalai László MLSZ Edzőképző Központ Igazgató fejlesztése az utánpótlás futballban Készítette: Szalai László MLSZ Edzőképző Központ Igazgató az utánpótlás futballban a személyiségtulajdonságok, gondolati- és gyakorlati-cselekvéses képességek sajátos

Részletesebben

Általános algoritmustervezési módszerek

Általános algoritmustervezési módszerek Általános algoritmustervezési módszerek Ebben a részben arra mutatunk példát, hogy miként használhatóak olyan általános algoritmustervezési módszerek mint a dinamikus programozás és a korlátozás és szétválasztás

Részletesebben

XVI. FIATAL MŰSZAKIAK TUDOMÁNYOS ÜLÉSSZAKA

XVI. FIATAL MŰSZAKIAK TUDOMÁNYOS ÜLÉSSZAKA XVI. FIATAL ŰSZAKIAK TUDOÁNYOS ÜLÉSSZAKA Kolozsvár, 2011. március 24 25. ANYAGTUDOÁNYI GYAKORLAT-ODULOK A GÉPÉSZ- ÉS CHATRONIKAI ÉRNÖK KÉPZÉSBN BAGYINSZKI Gyula, BITAY nikő Abstract The material science

Részletesebben

Komponensek keresése a megerősítéses tanulásban

Komponensek keresése a megerősítéses tanulásban Eötvös Loránd Tudományegyetem Informatikai Kar Komponensek keresése a megerősítéses tanulásban Doktori értekezés Takács Bálint témavezető: Dr. habil. Lőrincz András tudományos főmunkatárs ELTE Információs

Részletesebben

MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010

MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010 MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010 KONFERENCIA ELŐADÁSAI Nyíregyháza, 2010. május 19. Szerkesztette: Edited by Pokorádi László Kiadja: Debreceni Akadémiai Bizottság Műszaki Szakbizottsága

Részletesebben

DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS

DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS Műszaki Földtudományi Közlemények, 83. kötet, 1. szám (2012), pp. 271 276. HULLADÉKOK TEHERBÍRÁSÁNAK MEGHATÁROZÁSA CPT-EREDMÉNYEK ALAPJÁN DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST

Részletesebben

XV. FIATAL MŰSZAKIAK TUDOMÁNYOS ÜLÉSSZAKA

XV. FIATAL MŰSZAKIAK TUDOMÁNYOS ÜLÉSSZAKA XV. FIATAL MŰSZAKIAK TUDOMÁNYOS ÜLÉSSZAKA Kolozsvár, 2010. március 25-26. ÍVHEGESZTŐ ROBOT ALKALMAZÁSTECHNIKAI JELLEMZŐI BAGYINSZKI Gyula, BITAY Enikő Abstract The arc welding is the important joining

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI 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,

Részletesebben

SZAKIRÁNYOK A MISKOLCI EGYETEM MÛSZAKI INFORMATIKAI SZAKÁN

SZAKIRÁNYOK A MISKOLCI EGYETEM MÛSZAKI INFORMATIKAI SZAKÁN SZAKIRÁNYOK A MISKOLCI EGYETEM MÛSZAKI INFORMATIKAI SZAKÁN Dr. Vadász Dénes, vadasz@iit.uni-miskolc.hu Miskolci Egyetem, Informatikai Intézet, Általános Informatikai Tanszék Abstract Our recently established

Részletesebben

Szenzorcsatolt robot: A szenzorcsatolás lépései:

Szenzorcsatolt robot: A szenzorcsatolás lépései: 1. Mi a szenzorcsatolt robot, hogyan épül fel? Ismertesse a szenzorcsatolás lépéseit röviden az Egységes szenzorplatform architektúra segítségével. Mikor beszélünk szenzorfúzióról? Milyen módszereket használhatunk?

Részletesebben

MYCIN. Szakértői rendszer

MYCIN. Szakértői rendszer MYCIN Szakértői rendszer Általában mycin: gombafajból nyert antibiotikum (görög) Pl: kanamycin, tobramycin, streptomycin, stb Általában szakértői rendszer vér fertőzéseinek, gyógykezeléseknek meghatározását

Részletesebben

A Markowitz modell: kvadratikus programozás

A Markowitz modell: kvadratikus programozás A Markowitz modell: kvadratikus programozás Harry Markowitz 1990-ben kapott Közgazdasági Nobel díjat a portfolió optimalizálási modelljéért. Ld. http://en.wikipedia.org/wiki/harry_markowitz Ennek a legegyszer

Részletesebben

SZTE Gyakorló Gimnázium és Általános Iskola. Beiskolázási tájékoztató. 2016/2017-es tanév

SZTE Gyakorló Gimnázium és Általános Iskola. Beiskolázási tájékoztató. 2016/2017-es tanév SZTE Gyakorló Gimnázium és Általános Iskola Beiskolázási tájékoztató 2016/2017-es tanév Általános információk Az iskola neve: SZTE Gyakorló Gimnázium és Általános Iskola Az iskola címe: 6722 Szeged, Szentháromság

Részletesebben

BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK

BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK Szakértői rendszerek, 14. hét, 2008 Tartalom 1 Bevezető 2 Fuzzy történelem A fuzzy logika kialakulása Alkalmazások Fuzzy logikát követ-e a világ?

Részletesebben

Élet az 50 éves gimnáziumban. Szikszó, 2015

Élet az 50 éves gimnáziumban. Szikszó, 2015 Élet az 50 éves gimnáziumban Szikszó, 2015 Köszöntünk mindenkit! Alapelvek Szabad iskolaválasztás a tanuló részéről A középfokú iskolák igazgatói törvényben biztosított döntési jogának érvényesülése Informatikai

Részletesebben

Oktatási segédlet 2014

Oktatási segédlet 2014 Oktatási segédlet 2014 A kutatás a TÁMOP 4.2.4.A/2-11-1-2012- 0001 azonosító számú Nemzeti Kiválóság Program Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése

Részletesebben

Szenzorokra épülő adaptív rendszermodell

Szenzorokra épülő adaptív rendszermodell Szenzorokra épülő adaptív rendszermodell Dr. Jaskó Szilárd Pannon Egyetem TÁMOP-4.2.2.C-11/1/KONV-2012-0004 Nemzeti kutatóközpont fejlett infokommunikációs technológiák kidolgozására és piaci bevezetésére

Részletesebben

A meteorológia az időjárás tudománya

A meteorológia az időjárás tudománya Ismerd meg! A meteorológia az időjárás tudománya A meteorológia a légkörben végbemenő folyamatok, jelenségek vizsgálatával foglalkozó tudomány, amelyen belül különös hangsúlyt fektetnek az időjárási és

Részletesebben

Gépjármű fekete doboz az útvonalrekonstrukció új eszközei

Gépjármű fekete doboz az útvonalrekonstrukció új eszközei Gépjármű fekete doboz az útvonalrekonstrukció új eszközei Dr. Melegh Gábor Budapesti Műszaki Egyetem Gépjárművek Tanszék H-1111 Budapest Stoczek u. 6 melegh@auto.bme.hu Dr. Szalay Zsolt Inventure Autóelektronikai

Részletesebben

MÉLYFÚRÁSI GEOFIZIKAI ADATOK ÉRTELMEZÉSÉNEK MODERN INVERZIÓS MÓDSZEREI

MÉLYFÚRÁSI GEOFIZIKAI ADATOK ÉRTELMEZÉSÉNEK MODERN INVERZIÓS MÓDSZEREI MIKOVINY SÁMUEL FÖLDTUDOMÁNYI DOKTORI ISKOLA Doktori értekezés tézisei MÉLYFÚRÁSI GEOFIZIKAI ADATOK ÉRTELMEZÉSÉNEK MODERN INVERZIÓS MÓDSZEREI Írta: SZABÓ NORBERT PÉTER Tudományos vezető: DR. DOBRÓKA MIHÁLY

Részletesebben

SZÁMÍTÁSOK A TÁBLÁZATBAN

SZÁMÍTÁSOK A TÁBLÁZATBAN SZÁMÍTÁSOK A TÁBLÁZATBAN Az Excelben az egyszerű adatok bevitelén kívül számításokat is végezhetünk. Ezeket a cellákba beírt képletek segítségével oldjuk meg. A képlet: olyan egyenlet, amely a munkalapon

Részletesebben

Objektum Orientált Szoftverfejlesztés (jegyzet)

Objektum Orientált Szoftverfejlesztés (jegyzet) Objektum Orientált Szoftverfejlesztés (jegyzet) 1. Kialakulás Kísérletek a szoftverkrízisből való kilábalásra: 1.1 Strukturált programozás Ötlet (E. W. Dijkstra): 1. Elkészítendő programot elgondolhatjuk

Részletesebben

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás

Részletesebben

Felügyeleti elvárások és tapasztalatok a befektetési tevékenység ellenőrzésével kapcsolatban

Felügyeleti elvárások és tapasztalatok a befektetési tevékenység ellenőrzésével kapcsolatban Felügyeleti elvárások és tapasztalatok a befektetési tevékenység ellenőrzésével kapcsolatban Dr. Váczi Imre osztályvezető Biztosításfelügyeleti főosztály 2005. május 24. Befektetések ellenőrzése 2004.

Részletesebben

Kézikönyv Sarzs (LOT) kezelés - alapok

Kézikönyv Sarzs (LOT) kezelés - alapok Kézikönyv Sarzs (LOT) kezelés - alapok 1 4 Tartalomjegyzék 2 ÁRUCIKK - ÜRES... 10 3 ÁRUCIKK - MEGJELENÍTÉS [10035 BE_S_ANYAG SARZSOS ALAPANYAG]... 12 4 ÁRUCIKK - VÁLTOZTATÁS [10035 BE_S_ANYAG SARZSOS ALAPANYAG]13

Részletesebben

NÖVÉNYÉLETTAN. Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010

NÖVÉNYÉLETTAN. Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010 NÖVÉNYÉLETTAN Az Agrármérnöki MSc szak tananyagfejlesztése TÁMOP-4.1.2-08/1/A-2009-0010 Sejtfal szintézis és megnyúlás Környezeti tényezők hatása a növények növekedésére és fejlődésére Előadás áttekintése

Részletesebben