Adversarial tanítás neurális hálózatokban
|
|
- Gyöngyi Bodnár
- 4 évvel ezelőtt
- Látták:
Átírás
1 , Faculty of Information Technology Adversarial tanítás neurális hálózatokban András Horváth Budapest,
2 Neurális hálózatok Számos helyen használhatóak Önvezető autók Alpha Go Arcfelismerés
3 Neurális hálózatok Felügyelt tanulás Cat 80% Cat
4 Neurális hálózatok Felügyelt tanulás Mire van szükség: Bemenet, kimenet párokra Cat
5 Neurális hálózatok Felügyelt tanulás Mire van szükség: Bemenet, kimenet párokra Neurális hálózatra Cat
6 Neurális hálózatok Felügyelt tanulás Mire van szükség: Bemenet, kimenet párokra Neurális hálózatra Cat 80% Cat
7 Neurális hálózatok Felügyelt tanulás Mire van szükség: Bemenet, kimenet párokra Neurális hálózatra Hibafüggvényre Cat 80% Cat
8 y x d y
9 Neurális hálózatok Példa: Generáljunk arcképeket
10 Neurális hálózatok Példa: Generáljunk arcképeket d
11 Neurális hálózatok Példa: Generáljunk arcképeket d L2
12 Hiba függvény megállapítása A neurális hálózatok megmutatták, hogy egy reprezentatív adathalmaz néha jobban leírja a problémát, mint egy matematikai leírás
13 Rosszul/nehezen definiálható problémák A mélytanulás a nehezen definiálható problémák esetében teljesít igazán jól Mi az az autó? Autó-e SUV, egy sportkocsi,egy kisbusz,egy kabrió?
14 Hiba függvény megállapítása A neurális hálózatok megmutatták, hogy egy reprezentatív adathalmaz néha jobban leírja a problémát, mint egy matematikai leírás De ezen esetekben is nehéz hibafüggvényt találni Lehet L1, L2 távolságot számolni képek között Mindegyik metrika független az adat struktúrájától
15 Hiba függvény megállapítása A neurális hálózatok megmutatták, hogy egy reprezentatív adathalmaz néha jobban leírja a problémát, mint egy matematikai leírás De ezen esetekben is nehéz hibafüggvényt találni Lehet L1, L2 távolságot számolni képek között Mindegyik metrika független az adat struktűrájától Használjunk neurális hálózatot a hibafüggvény megállapításához
16 Generative adversarial networks Egy rabló-pandúr játék két neurális hálózat között Ahelyett, hogy definiálnánk a hibát, a hálózat eldönti, hogy a megoldásunk mennyire jó
17 Generative adversarial networks Egy rabló-pandúr játék két neurális hálózat között Ahelyett, hogy definiálnánk a hibát, a hálózat eldönti, hogy a megoldásunk mennyire jó Diszkriminátor: Mintákat kap a tényleges adatból és a generált adatból is Célja,hogy eldöntse,hogy melyik adat melyik halmazból érkezett Generátor: Előállítja a mintákat, ez a halózat azon része, amire szükségünk van Célja,hogy olyan mintákat állítson elő, melyek átverik a diszkriminátort Figure by Chris Olah
18 Generative adversarial networks
19 Karras, Tero, et al. "Progressive growing of gans for improved quality, stability, and variation." arxiv preprint arxiv: (2017).
20 4K Portraits of Imaginary People by Mike Tyka
21 Problémák Konvergencia problémák Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein gan. arxiv preprint arxiv: Miyato, T., Kataoka, T., Koyama, M., & Yoshida, Y. (2018). Spectral normalization for generative adversarial networks. arxiv preprint arxiv:
22 Mode collapse Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein gan. arxiv preprint arxiv: Ghosh, A., Kulharia, V., Namboodiri, V., Torr, P. H., & Dokania, P. K. (2017). Multi-agent diverse generative adversarial networks. arxiv preprint arxiv: , 1(4).
23 Szuperrezolució A bemenetünk lehet egy alacsony felbontású kép, a kimenet pedig ugyanaz a kép nagyobb felbontásban, jobb minőségben (zaj nélkül vagy akár más modalitásban) 23
24 Szuperrezolució A bemenetünk lehet egy alacsony felbontású kép, a kimenet pedig ugyanaz a kép nagyobb felbontásban, jobb minőségben (zaj nélkül vagy akár más modalitásban) 24
25 Szuperrezolució A bemenetünk lehet egy alacsony felbontású kép, a kimenet pedig ugyanaz a kép nagyobb felbontásban, jobb minőségben (zaj nélkül vagy akár más modalitásban) 25
26 Szuperrezolució A bemenetünk lehet egy alacsony felbontású kép, a kimenet pedig ugyanaz a kép nagyobb felbontásban, jobb minőségben (zaj nélkül vagy akár más modalitásban) 26
27 Szuperrezolució Orvosi CT képeken CBCT images Generated microct images 27Medical Hatvani, Janka, et al. "Deep Learning-Based Super-Resolution Applied to Dental Computed Tomography." IEEE Transactions on Radiation and Plasma Sciences (2018).
28 Info GAN Diszkriminátor: Mintákat kap a tényleges adatból és a generált adatból is Vissza kell állítania a kódvektort Célja,hogy eldöntse,hogy melyik adat melyik halmazból érkezett Generátor: Előállítja a mintákat, ez a halózat azon része, amire szükségünk van Valamint a egy kódvektort, amit bele kell kódolnia a generált adatba Célja,hogy olyan mintákat állítson elő, melyek átverik a diszkriminátort Figure by Chris Olah
29 Info GAN Diszkrét kódvektorok (0,1,2...9) Figure by Chris Olah
30 Info GAN Folytonos kódvektorok [0,1] Figure by Chris Olah
31 Adat generálással az adat belső struktúrája megérthető Berthelot et al.
32 Adversarial Samples for Neural Networks Olyanok, mint az optikai illuziók az emberi látórendszer számára Speciálisan szerkesztett bemenetek, amik a tanítóhalmazban nincsenek benne
33 Adversarial attacks Egy komplex hálózatban nagyon sok paraméteret optimalizálunk De a bemenetünk még nagyobb dimenziós A hálózat jól működik a tényleges bementere, de nem fedtünk le minden lehetséges bemenetet
34 Adversarial attacks Egy komplex hálózatban nagyon sok paraméteret optimalizálun De a bemenetünk még nagyobb dimenziós A hálózat jól működik a tényleges bementere, de nem fedtünk le minden lehetséges bemenetet Lesznek olyan pontok a bemeneti térben, amik nincsenek lefedve
35 Adversarial noise Van egy jól működő hálózatunk: Panda [Goodfellow, I. J., Shlens, J., & Szegedy, C. (2014). Explaining and harnessing adversarial examples. arxiv preprint arxiv:
36 Adversarial noise Mit kellen a bementhez adnom, hogy egy másik kimenetet kapjak:??? Az additív zajt ugyanúgy (pl SGD-vel) optimalizáljuk Panda Gibbon [Goodfellow, I. J., Shlens, J., & Szegedy, C. (2014). Explaining and harnessing adversarial examples. arxiv preprint arxiv:
37 Adversarial noise Speciális alacsony intenzitású zaj: A két kép az emberi észlelés számára azonos Panda Gibbon [Goodfellow, I. J., Shlens, J., & Szegedy, C. (2014). Explaining and harnessing adversarial examples. arxiv preprint arxiv:
38 Adversarial noise Ismerve egy hálózatot (hozzáférünk a gradienseihez) generálhatunk olyan mintákat (amik nincsenek a train halmazban), amkire a hálózat rossz választ ad
39 Adversarial noise a gyakorlatban nem működik Egy valós zaj szerencsére tönkre teszi ezt a speciális bemenetet = + Real life distortion Real life distortion + = Jiajun Lu, Hussein Sibai, Evan Fabry, and David Forsyth. No need to worry about adversarial examples in object detection in autonomous vehicles URL abs/ g Ismerve egy hálózatot (hozzáférünk a gradienseihez) generálhatunk olyan mintákat (amik nincsenek a train halmazban), amkire a hálózat rossz választ ad
40 Matrica alapú adversarial attacks Nagy intenzitású, de kis területre koncentrált támadások: ( k l C d =N I+ St i ( x i,y i,wi,h i ) + St j ( x j,y j,w j,h j ) i=1 j=1 ) A paraméterek a matricák poziciói és méretei Eykholt, K., Evtimov, I., Fernandes, E., Li, B., Song, D., Kohno, T.,... & Tramer, F. (2017). Note on Attacking Object Detectors with Adversarial Stickers. arxiv preprint arxiv:
41 Sticker based adversarial attacks Nagy intenzitású, de kis területre koncentrált támadások: ( k l C d =N I+ St i ( x i,y i,wi,h i ) + St j ( x j,y j,w j,h j ) i=1 j=1 ) A paraméterek a matricák poziciói és méretei Ezek a támadások kellően robosztusak ahhoz, hogy valós applikációkban is használjuk őket Nem szükséges hozzájuk a hálózat ismerete (elég a hálózat válasza) Evtimov, I., Eykholt, K., Fernandes, E., Kohno, T., Li, B., Prakash, A.,... & Song, D. (2017). Robust physical-world attacks on machine learning models. arxiv preprint arxiv:
42 Sticker based adversarial attacks Evtimov, I., Eykholt, K., Fernandes, E., Kohno, T., Li, B., Prakash, A.,... & Song, D. (2017). Robust physical-world attacks on machine learning models. arxiv preprint arxiv:
43 Hálózat döntésének azonosítása Kitakarással azonosíthtjuk, hogy a bemenet egy része mennyire vesz részt a döntésben Zeiler, M. D., & Fergus, R. (2014, September). Visualizing and understanding convolutional networks. In European conference on computer vision (pp ). Springer, Cham.
44 Hálózat döntésének azonosítása Kitakarással azonosíthtjuk, hogy a bemenet egy része mennyire vesz részt a döntésben Meglehetősen számításigényes Backward lépéssel készíthetnük egy saliency map-et a fontos pixelek-ről Zeiler, M. D., & Fergus, R. (2014, September). Visualizing and understanding convolutional networks. In European conference on computer vision (pp ). Springer, Cham.
45 Konzisztencia alapú detekció Eredeti kimenet: Stop Sign Letakart kimenet: Stop Sign Kismértékű változás Horváth András, Csanád Egervári: Detection of sticker based adversarial attacks, ICDIP 2018
46 Konzisztencia alapú detekció Eredeti kimenet: Stop Sign Letakart kimenet: Speed Limit Sign Jelentős változás, inkonzisztens detekció Horváth András, Csanád Egervári: Detection of sticker based adversarial attacks, ICDIP 2018
47 Konzisztencia alapú detekció Más adathalmazokon is hasonlóan hanszálható a módszer
48 Nemlinearitások Sigmoid ReLU ReLU a leggyakrabban használt és általában legjobban teljesítő hálózat
49 Regularizáció Regularizáció a súlyokat kontrollálja: Egy neuron aktovációja a bemenet és a súlyok szorzata Attól, hogy a súlyok eloszlása megfelelő, az aktivációk eloszlása még tetszőleges lehet
50 Háló aktivitások Egy hálózat megtanulhatja, hogy autók detekciójához fontosak a kerek minták
51 Háló aktivitások Egy hálózat megtanulhatja, hogy autók detekciójához fontosak a kerek minták A hálózatunkban lehetnek olyan minták, amin egy-egy feature rendkívül felülreprezentált Egy korlátos válasz a neuronok esetében sokat segíthet a tanítás során
52 Aktivációk egy tanítás során CIFAR10-n batch normalizációt használva
53 Feature-ök megváltozása matrica alapú támadásoknál A matrica alapú támadások nagy intenzitást váltanak ki kis területen Aktivációk az eredeti bemeneten Aktivációk a támadott mintán
54 Korlátos nemlinearitás tanulható korláttal Bounded leaky Relu
55 GAN A: Zebra B: Ló Image credit:
56 Cycle Consistent GAN A: Zebra B: Ló Image credit:
57 Cycle Consistent GAN
58 Cycle Consistent GAN
59 Original Transformed
60 Cycle Consistent GAN
61 Cycle Consistent GAN
62 Adat annotálás Sokszor elég nehéz adatot gyűjteni Felcimkézett adatot pedig még nehezebb
63 Adat annotálás Sokszor elég nehéz adatot gyűjteni Felcimkézett adatot pedig még nehezebb Az emberek néhány mintából és egész jól tanulnak meg általános jellemzőket
64 Adat annotálás Sokszor elég nehéz adatot gyűjteni Felcimkézett adatot pedig még nehezebb Az emberek néhány mintából és egész jól tanulnak meg általános jellemzőket különböző domain-ek közti kapcsolat
65 Szimulációk Szimulált adat előállítása általában nagyságrendekkel egyszerűbb, mint valós adat gyűjtése, cimkézése Playing for benchmarks, Vladlev Klotun et Al, 65
66 Szimulációk Szimulált adat előállítása általában nagyságrendekkel egyszerűbb, mint valós adat gyűjtése, cimkézése A szimulált adat (még,ha nagyon jó minőségű is), sosem lesz olyan, mint a valós Playing for benchmarks, Vladlev Klotun et Al, 66
67 Domain adaptation Tegyük fel, hogy van kismennyiségű, felcimkézetlen adatunk: cél-domain Cél domain 67
68 Domain adaptation Tegyük fel, hogy van kismennyiségű, felcimkézetlen adatunk: cél-domain Van egy ehhez hasonló, szimulált adathalmazunk nagyszámú, jelölt adattal Cél domain Forrás domain 68
69 Domain Adversarial Neural Networks Vegyünk egy hagyományos osztályozót (Feature extractor + Label predictor) 69
70 Domain Adversarial Neural Networks Vegyünk egy hagyományos osztályozót (Feature extractor + Label predictor) Betanítjuk a szimulált domain-en...s egész jól működik 70
71 Domain Adversarial Neural Networks Vegyünk egy hagyományos osztályozót (Feature extractor + Label predictor) Kipróbáljuk a valós adaton. 71
72 Domain Adversarial Neural Networks Vegyünk egy hagyományos osztályozót (Feature extractor + Label predictor) Kipróbáljuk a valós adaton.borzalmasan teljesít 72
73 Domain adaptation A két domain a megtanult reprezentációban akár teljesen eltérő is lehet source domain target domain 73
74 Domain adaptation A két domain a megtanult reprezentációban akár teljesen eltérő is lehet source domain target domain 74
75 Domain Adversarial neural Networks Vegyünk egy hagyományos osztályozót (Feature extractor + Label predictor) Adjunk hozzá egy osztályozót domain classifier, aminek azt kell eldöntenie, hogy a tanító adat melyik domain-ből jött A Feature extractor-t és a domain classifier-t egymás ellen taníthatjuk Ajakan, Hana, et al. "Domain-Adversarial Neural Networks." arxiv: Machine Learning (2014). 75
76 Domain Adversarial neural Networks Vegyünk egy hagyományos osztályozót (Feature extractor + Label predictor) Adjunk hozzá egy osztályozót domain classifier, aminek azt kell eldöntenie, hogy a tanító adat melyik domain-ből jött A Feature extractor-t és a domain classifier-t egymás ellen taníthatjuk 1. lépés: betanítjuk az osztályozót a forrás domain-en Kimenet: Auto Nem auto Ajakan, Hana, et al. "Domain-Adversarial Neural Networks." arxiv: Machine Learning (2014). 76
77 Domain Adversarial neural Networks Vegyünk egy hagyományos osztályozót (Feature extractor + Label predictor) Adjunk hozzá egy osztályozót domain classifier, aminek azt kell eldöntenie, hogy a tanító adat melyik domain-ből jött A Feature extractor-t és a domain classifier-t egymás ellen taníthatjuk 2. lépés:valós és szimulált képeken tanítjuk a domain classifier-t Kimenet: Source domain Target Domain Ajakan, Hana, et al. "Domain-Adversarial Neural Networks." arxiv: Machine Learning (2014). 77
78 CyCADA simulations CyCADA: Cycle-Consistent Adversarial Domain Adaptation Judy Hoffman, Eric Tzeng, Taesung Park, Jun-Yan Zhu, Phillip Isola, Kate Saenko, Alexei A. Efros, Trevor Darrell 78
79 Semi parametric image synthesis Kép generálás egy megadott feltétel alapján Qi, X., Chen, Q., Jia, J., & Koltun, V. (2018). Semi-parametric Image Synthesis. arxiv preprint 79
Visszacsatolt (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,
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,
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
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
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
RészletesebbenHadházi Dániel.
Hadházi Dániel hadhazi@mit.bme.hu Orvosi képdiagnosztika: Szerepe napjaink orvoslásában Képszegmentálás orvosi kontextusban Elvárások az adekvát szegmentálásokkal szemben Verifikáció és validáció lehetséges
RészletesebbenPIXEL SZINTŰ SZEGMENTÁLÁS CNN-EL
PIXEL SZINTŰ SZEGMENTÁLÁS CNN-EL Csúszóablakos szegmentálás Szegmentálás direkt osztályozással Kisméretű ablakkal kivágott kép alapján megítéli az adott pixel környezetének a típusát Nagyon lassú, nehezen
RészletesebbenKihívások és trendek mesterséges intelligencia alapú rendszerek tesztelésében
Kihívások és trendek mesterséges intelligencia alapú rendszerek tesztelésében Majzik István BME VIK Méréstechnika és Információs Rendszerek Tanszék IIR Szoftvertesztelés 2019 konferencia Budapest, 2019.
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
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
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
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
RészletesebbenGoogle Summer of Code Project
Neuronhálózatok a részecskefizikában Bagoly Attila ELTE TTK Fizikus MSc, 2. évfolyam Integrating Machine Learning in Jupyter Notebooks Google Summer of Code Project 2016.10.10 Bagoly Attila (ELTE) Machine
RészletesebbenA kibontakozó új hajtóerő a mesterséges intelligencia
5. Magyar Jövő Internet Konferencia» Okos város a célkeresztben «A kibontakozó új hajtóerő a mesterséges intelligencia Dr. Szűcs Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai
RészletesebbenDeep Learning a gyakorlatban Python és LUA alapon Tanítás: alap tippek és trükkök
Gyires-Tóth Bálint Deep Learning a gyakorlatban Python és LUA alapon Tanítás: alap tippek és trükkök http://smartlab.tmit.bme.hu Deep Learning Híradó Hírek az elmúlt 168 órából Deep Learning Híradó Google
RészletesebbenAKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA
AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Eletrotechnikai és Elektronikai Tanszék, Miskolci Egyetem
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,
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
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
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
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
RészletesebbenFELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
RészletesebbenIntelligens orvosi műszerek VIMIA023
Intelligens orvosi műszerek VIMIA023 Neurális hálók (Dobrowiecki Tadeusz anyagának átdolgozásával) 2017 ősz http://www.mit.bme.hu/oktatas/targyak/vimia023 dr. Pataki Béla pataki@mit.bme.hu (463-)2679 A
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)
RészletesebbenNeurális hálózatok.... a gyakorlatban
Neurális hálózatok... a gyakorlatban Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13.
RészletesebbenIntelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
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)
RészletesebbenTeljesen elosztott adatbányászat alprojekt
Teljesen elosztott adatbányászat alprojekt Hegedűs István, Ormándi Róbert, Jelasity Márk Big Data jelenség Big Data jelenség Exponenciális növekedés a(z): okos eszközök használatában, és a szenzor- és
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
Részletesebben2. Gyakorlat Khoros Cantata
2. Gyakorlat Khoros Cantata Ismerkedés a Khoros Cantata-val: A Khoros Cantata egy képfeldolgozó műveletsorok készítésére szolgáló program. A műveleteket csővezetékszerűen lehet egymás után kötni. A műveleteket
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
RészletesebbenA bemeneti feszültség 10 V és 20 V között van. 1. ábra A fuzzy tagsági függvény
BÁRKÁNYI PÁL: FUZZY MODELL MATEMATIKAI HÁTTERE SPECIÁLIS KATONAI RENDSZEREKRE ALKALMAZVA A katonai rendszerek műszaki megbízhatóságának vizsgálatai során, több matematikai módszert alkalmazhatunk, mint
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,
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenGépi 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
RészletesebbenIntelligens Rendszerek Elmélete
Intelligens Rendszerek Elmélete Dr. Kutor László : Mesterséges neurális hálózatok felügyelt tanítása hiba visszateresztő Back error Propagation algoritmussal Versengéses tanulás http://mobil.nik.bmf.hu/tantargyak/ire.html
RészletesebbenTanulás 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
RészletesebbenKódverifikáció gépi tanulással
Kódverifikáció gépi tanulással Szoftver verifikáció és validáció kiselőadás Hidasi Balázs 2013. 12. 12. Áttekintés Gépi tanuló módszerek áttekintése Kódverifikáció Motiváció Néhány megközelítés Fault Invariant
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
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 20/2011 Az Előadások Témái 226/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus
RészletesebbenKörkép a lakossági felhasználók fogyasztásának készülékszintű becsléséről (NILM)
Körkép a lakossági felhasználók fogyasztásának készülékszintű becsléséről (NILM) MEE Vándorgyűlés, Siófok, 2015. szeptember 17. Dr. Raisz Dávid, docens, csoportvezető Dr. Divényi Dániel, adjunktus Villamos
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
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
RészletesebbenOsztályozási feladatok képdiagnosztikában. Orvosi képdiagnosztikai 2017 ősz
Osztályozási feladatok képdiagnosztikában Orvosi képdiagnosztikai 2017 ősz Osztályozás Szeparáló felületet keresünk Leképezéseket tanulunk meg azok mintáiból A tanuláshoz használt minták a tanító minták
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.
RészletesebbenE x μ x μ K I. és 1. osztály. pontokként), valamint a bayesi döntést megvalósító szeparáló görbét (kék egyenes)
6-7 ősz. gyakorlat Feladatok.) Adjon meg azt a perceptronon implementált Bayes-i klasszifikátort, amely kétdimenziós a bemeneti tér felett szeparálja a Gauss eloszlású mintákat! Rajzolja le a bemeneti
RészletesebbenKONVOLÚCIÓS NEURONHÁLÓK. A tananyag az EFOP pályázat támogatásával készült.
KONVOLÚCIÓS NEURONHÁLÓK A tananyag az EFOP-3.5.1-16-2017-00004 pályázat támogatásával készült. 1. motiváció A klasszikus neuronháló struktúra a fully connected háló Két réteg között minden neuron kapcsolódik
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
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.
RészletesebbenNEURÁLIS HÁLÓZATOK 1. eloadás 1
NEURÁLIS HÁLÓZATOKH 1. eloadás 1 Biológiai elozmények nyek: az agy Az agy az idegrendszerunk egyik legfontosabb része: - képes adatokat tárolni, - gyorsan és hatékonyan mukodik, - nagy a megbízhatósága,
RészletesebbenGépi tanulás a Rapidminer programmal. Stubendek Attila
Gépi tanulás a Rapidminer programmal Stubendek Attila Rapidminer letöltése Google: download rapidminer Rendszer kiválasztása (iskolai gépeken Other Systems java) Kicsomagolás lib/rapidminer.jar elindítása
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 -hálók 306/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenBIZONYTALAN 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?
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,
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenOptikai karakterfelismerés
Optikai karakterfelismerés Az optikai karakterfelismerés feladata A különböző formátumú dokumentumok kezelésének egyik speciális esete, amikor a kezelendő dokumentumok még nem állnak rendelkezésre elektronikus
RészletesebbenSztereó kamerarendszerre alapozott gyalogos felismerés Kornis János*, Szabó Zsolt**
Sztereó kamerarendszerre alapozott gyalogos felismerés Kornis János*, Szabó Zsolt** *PhD, okleveles villamosmérnök, Budapesti Műszaki és Gazdaságtudományi Egyetem Fizika Tanszék, kornis@phy.bme.hu **fizikus
RészletesebbenModellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék
Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:
RészletesebbenKétdimenziós mesterséges festési eljárások. Hatások és alkalmazások
Pannon Egyetem Informatikai Tudományok Doktori Iskola Tézisfüzet Kétdimenziós mesterséges festési eljárások. Hatások és alkalmazások Kovács Levente Képfeldolgozás és Neuroszámítógépek Tanszék Témavezet
Részletesebben2. Elméleti összefoglaló
2. Elméleti összefoglaló 2.1 A D/A konverterek [1] A D/A konverter feladata, hogy a bemenetére érkező egész számmal arányos analóg feszültséget vagy áramot állítson elő a kimenetén. A működéséhez szükséges
RészletesebbenValószínűségi modellellenőrzés Markov döntési folyamatokkal
Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
RészletesebbenA RADARJELEK DETEKTÁLÁSA NEURÁLIS HÁLÓZAT ALKALMAZÁSÁVAL
A RADARJELEK DETEKTÁLÁSA NEURÁLIS HÁLÓZAT ALKALMAZÁSÁVAL Dr. Ludányi Lajos mk. alezredes egyetemi adjunktus Zrínyi Miklós Nemzetvédelmi Egyetem Vezetés- és Szervezéstudományi Kar Fedélzeti Rendszerek Tanszék
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
RészletesebbenA neurális hálózatok tanításának alapjai II.: Módszerek a túltanulás elkerülésére. Szoldán Péter
>ready to transmit A neurális hálózatok tanításának alapjai II.: Módszerek a túltanulás elkerülésére Szoldán Péter A hálózatnak nincs kontextusa Képzeljék el, hogy amióta megszülettek, semmit mást nem
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
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
RészletesebbenBevezetés a neurális számításokba Analóg processzortömbök,
Pannon Egyetem Villamosmérnöki és Információs Tanszék Bevezetés a neurális számításokba Analóg processzortömbök, neurális hálózatok Előadó: dr. Tömördi Katalin Neurális áramkörök (ismétlés) A neurális
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
Részletesebben8. Pontmegfeleltetések
8. Pontmegfeleltetések Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/) 2 Példa: panoráma kép készítés 1. Jellemzőpontok detektálása mindkét
RészletesebbenSzámításelmélet. Második előadás
Számításelmélet Második előadás Többszalagos Turing-gép Turing-gép k (konstans) számú szalaggal A szalagok mindegyike rendelkezik egy független író / olvasó fejjel A bemenet az első szalagra kerül, a többi
RészletesebbenBiológiai és mesterséges neurális hálózatok
Biológiai és mesterséges neurális hálózatok Szegedy Balázs 2018. október 10. Hasonlóságok és külömbségek A mesterséges neurális hálózatok története 1957-ben kezdődött: perceptron (Frank Rosenblatt). 400
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,
RészletesebbenA/D és D/A átalakítók gyakorlat
Budapesti Műszaki és Gazdaságtudományi Egyetem A/D és D/A átalakítók gyakorlat Takács Gábor Elektronikus Eszközök Tanszéke (BME) 2013. február 27. ebook ready Tartalom 1 A/D átalakítás alapjai (feladatok)
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
RészletesebbenA KLT (Kanade Lucas Tomasi) Feature Tracker Működése (jellegzetes pontok választása és követése)
A KL (Kanade Lucas omasi) Feature racker Működése (jellegzetes pontok választása és követése) Készítette: Hajder Levente 008.11.18. 1. Feladat A rendelkezésre álló videó egy adott képkockájából minél több
RészletesebbenSAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával
SAT probléma kielégíthetőségének vizsgálata masszív parallel mesterséges neurális hálózat alkalmazásával Tajti Tibor, Bíró Csaba, Kusper Gábor {gkusper, birocs, tajti}@aries.ektf.hu Eszterházy Károly Főiskola
RészletesebbenDeep learning. bevezetés
Deep learning bevezetés Egy kis történelem - a kezdetek 1957 - Frank Rosenblatt: Perceptron A perceptron algoritmus első implementációja a Mark I Perceptron gép 20 20 pixeles képet adó kamerához volt kötve
RészletesebbenValósidejű objektumkövetés mély tanulás segítségével
SZAKDOLGOZAT FELADAT Münczberg Tamás szigorló mérnök informatikus hallgató részére Valósidejű objektumkövetés mély tanulás segítségével A gépi tanulás új módszerei az intelligens érzékelés számos területét
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
RészletesebbenSAR AUTOFÓKUSZ ALGORITMUSOK VIZSGÁLATA ÉS GYAKORLATI ALKALMAZÁSA 2
Szüllő Ádám 1 SAR AUTOFÓKUSZ ALGORITMUSOK VIZSGÁLATA ÉS GYAKORLATI ALKALMAZÁSA A szintetikus apertúrájú radar (SAR) elven alapuló mikrohullámú képalkotási módszer matematikailag egy holografikus jelfeldolgozási
RészletesebbenP-gráf alapú workflow modellezés fuzzy kiterjesztéssel
P-gráf alapú workflow modellezés fuzzy kiterjesztéssel Doktori (PhD) értekezés Tick József témavezető: Dr. Kovács Zoltán Pannon Egyetem Műszaki Informatikai Kar Informatikai Tudományok Doktori Iskola 2007.
RészletesebbenNeurális hálózatok. Nem ellenőrzött tanulás. Pataki Béla. BME I.E. 414,
Neurális hálózato Nem ellenőrzött tanulás Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai Nem ellenőrzött tanulás (Klaszterezés ) Az eseteet szoásos módon
RészletesebbenSIM-02 Univerzális kardiológiai szimulátor
SIM-02 Univerzális kardiológiai szimulátor Farkas László és Tóth Péter, Labtech Kft. Az EKG szerepe napjainkban A hazai és nemzetközi kutatások az elmúlt időben arra hívták fel a figyelmet, hogy a szív-
RészletesebbenII. LABOR Tanulás, Perceptron, Adaline
II. LABOR Tanulás, Perceptron, Adaline A dolgozat célja a tanító algoritmusok osztályozása, a tanító és tesztel halmaz szerepe a neuronhálók tanításában, a Perceptron és ADALINE feldolgozó elemek struktúrája,
Részletesebben10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
RészletesebbenFüggvények ábrázolása
Függvények ábrázolása Matematikai függvényeket analitikusan nem tudunk a matlabban megadni (tudunk, de ilyet még nem tanulunk). Ahhoz, hogy egy függvényt ábrázoljuk, hasonlóan kell eljárni, mint a házi
RészletesebbenGépi tanulás Gregorics Tibor Mesterséges intelligencia
Gépi tanulás Tanulás fogalma Egy algoritmus akkor tanul, ha egy feladat megoldása során olyan változások következnek be a működésében, hogy később ugyanazt a feladatot vagy ahhoz hasonló más feladatokat
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
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 262/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenNEURONHÁLÓS HANGTÖMÖRÍTÉS. Áfra Attila Tamás
NEURONHÁLÓS HANGTÖMÖRÍTÉS Áfra Attila Tamás Tartalom Bevezetés Prediktív kódolás Neuronhálós prediktív modell Eredmények Források Bevezetés Digitális hanghullámok Pulzus kód moduláció Hangtömörítés Veszteségmentes
RészletesebbenCARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens
CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi
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
RészletesebbenCsapadékmaximum-függvények változása
Csapadékmaximum-függvények változása (Techniques and methods for climate change adaptation for cities /2013-1-HU1-LEO05-09613/) Dr. Buzás Kálmán, Dr. Honti Márk, Varga Laura Elavult mértékadó tervezési
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
RészletesebbenIrányítási struktúrák összehasonlító vizsgálata. Tóth László Richárd. Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola
Doktori (PhD) értekezés tézisei Irányítási struktúrák összehasonlító vizsgálata Tóth László Richárd Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola Témavezetők: Dr. Szeifert Ferenc Dr.
RészletesebbenTisztán 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
RészletesebbenSzabó Attila Dániel. Valósidejű intrúder felismerés UAV környezetben
Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Automatizálási és Alkalmozott Informatikai Tanszék Szabó Attila Dániel Valósidejű intrúder felismerés UAV környezetben
RészletesebbenAlter Róbert Báró Csaba Sensor Technologies Kft
Közúti forgalomelemzés kamerával e_traffic Alter Róbert Báró Csaba Sensor Technologies Kft Előadás témái Cégbemutató Videó analitikai eljárások Forgalomszámláló eszközök összehasonlítása e_traffic forgalomelemző
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
Részletesebben