Mesterséges Intelligencia MI

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Mesterséges Intelligencia MI"

Átírás

1 Mesterséges Intelligencia MI Tudásbázis építése Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437,

2 A tudásbázis építése tudásbeszerzés (knowledge acquisition): tudásmérnök valódi szakértő tudásszervezés (knowledge engineering): a tudásbázis építése ontológia szervezése (ontological engineering) A jó és a rossz tudásbázis tulajdonságai - egy jó tudásreprezentációs nyelv: nagy kifejező erejű, tömör, egyértelmű, környezet-érzéketlen, hatékony - tudásbázis: letisztázott, korrekt, csak fontos relációk kompromisszum: tömörség korrektség Tudásbázis fogyasztója: az emberi olvasó és a következtető gép Gyakori hiba: - embernek értelmesnek tűnő predikátumnevek használata - értelmesek lesznek-e a következtető eljárásnak is?

3 A tudásbázis építése mire lehet szükség objektumok, relációk csoportosulások, szervezetek, halmazok, képviselők objektumok részei, struktúrái, objektumok méretei objektumok és relációk változása az időben... (valódi objektumok modellezése ágens agyában ) ágens agyában létező objektum(fogalmak) modellezése ágens agyában? (cogito ergo sum?) 3

4 Tudásszervezés (Knowledge Engineering) lépései 1. Döntsük el, miről fogunk beszélni: objektumok, tények, relációk (ontológia) házi állatok, kutyák 2. Döntsük el predikátumok, függvények és konstansok szótárát: logikai szintű nevek (amire szabad kezünk van) nagy(x), hangos(x), harapós(x), kölyke(x), 3. A tárgytartományra vonatkozó általános tudás kódolása: logikai állítások = axiómák, precíz módon, a következtetési eljárás automatizmusához 4. Specifikus problémaegyedek leírása: ha az ontológia jó, könnyű, mert a nyelv adott 5. Kérdések megfogalmazása a következtető eljárás számára, válaszok fogadása: jutalom: helyettünk már csak a gép dolgozik (formális hitelességgel) x. harapós(x) harapós(kölyke(x)) Bodri = kölyke(cézár) nagy(bodri), harapós(bodri)?

5 Általános ontológia általános ontológia többé-kevésbé minden speciális problémában jó Figyelem: Minden általánosítás alól létezik kivétel, vagy a részletesebb információ hiányában csupán az alapértelmezést tekinthetjük, vagy pedig minden általánosítás csak egy bizonyos mértékig érvényes. Bár a paradicsom piros egy hasznos szabály, van zöld, sárga és narancssárga paradicsom is. Kivételkezelés kérdése a logikában?

6 Kategóriák - több objektumnak is közös tulajdonságai vannak - kategóriák rendeződnek egy egységes taxonómikus hierarchiába Bár a világgal való kölcsönhatás az egyedi objektumok szintjén történik, a következtetések zöme a kategóriák szintjén valósul meg. Ágens: észlelések bizonyos objektum jelenlétét érzékeli érzékelt tulajdonságok objektum milyen kategóriához tartozik kategória az objektumra vonatkozó további előrejelzések elsőrendű logika: a kategóriák reprezentálása (két módja) - unáris predikátumok: paradicsom(x) - a kategória reifikálása: paradicsomok halmaza egy konstans x egy paradicsom, x Paradicsomok, eleme(x, Paradicsomok) öröklődés: jó elv a tudásbázis szervezésére és egyszerűsítésére. Ha az Élelem kategória minden egyes esete ehető és a Gyümölcs az Élelem, az Alma viszont a Gyümölcs egy alosztálya, akkor tudjuk, hogy minden alma ehető. Ezek után: x. x Paradicsomok Piros(x) Gömbölyű(x)?

7 Természetes fajták kategória: a. szigorú definíció (pl. háromszög) b. a többség un. természetes fajta nincs letisztult definíciója Paradicsomok vörös színűek, kb. gömbszerűek, kb. 5-8 cm átmérőjűek, vékony, de erős bőrrel, belül hússal, magvakkal és lével. Lehet egy kocka alakú paradicsom? Lehet sárga? Paradicsom még, ha 1 m átmérőjű? Egy ágens nem lehet biztos, hogy az általa érzékelt objektum valóban egy paradicsom (hátha kivétel).

8 Szét kell választani mindazt, ami egy kategória minden egyes egyedére igaz, attól, ami a kategória tipikus egyedeire igaz: Paradicsomok Tipikus(Paradicsomok) c. Tipikus(c) c A természetes fajtákra vonatkozó tudás többsége valóban a tipikus egyedekről szól: x. x Tipikus(Paradicsomok) Piros(x) Gömbölyű(x) Ily módon képesek vagyunk a kategóriákra vonatkozó fontos tényeket feljegyezni, anélkül, hogy pontos definíciókat kellene megadnunk.

9 VIMIA313 Mesterséges intelligencia, Dobrowiecki - Eredics, BME-MIT 9

10 Mértékek (arány, intervallum, ordinális, nominális) Egyszerű kvantitatív mértékek reprezentálása könnyű: ára(a) = 10, ára(b) = 15, nagyobb(ára(b), ára(a)) Más mérték is van a gyakorlat nehéz, a desszert finom és a vers szép. A mértékek legfontosabb tulajdonsága, hogy többségben rendezettek. Az A tanár adta feladatok nehezebbek, mint azok, amiket a B tanár adott. Egy nehezebb feladatnál kevesebb pontot lehet elérni : e, f. Feladat(e) Feladat(f) Ad(A, e) Ad(B, f) (Nehézség(e) Nehézség(f)) e, f. Feladat(e) Feladat(f) (Nehézség(e) Nehézség(f)) (VárhatóEredmény(e) VárhatóEredmény(f))

11 Összetett objektumok objektumok kategóriákba rendeződnek - alkotó struktúrájuk szerint A része reláció tranzitív és reflexív. Része(Budapest, Magyarország) Része(Magyarország, KözépEurópa) Része(KözépEuropa, Európa) E tényekből, és a Része tranzitivitásából kikövetkeztethetjük, hogy Része(Budapest, Európa). x, y, z. Része(x, y) Része(y, z) Része(x, z)

12 Az idő, a tér és a változás A szituáció kalkulusnak két problémája van: - a szituációk időben pillanatnyi jellegűek - időben egyetlen egy cselekvés történik egyszerre (nem mindig elég) Eseménykalkulus egy konkrét univerzum: térbeli + időbeli dimenzió egy esemény: univerzum (téridő) egy darabja, mind időbeli, mind térbeli kiterjedéssel. részesemény: RészEsemény(AngliaiCsata, WWII) intervallum, hely Benne(NewYork, USA) folyamat, folytonos esemény, állapot, fizikai objektum folyó esemény pl. Római Birodalom tér/idő alakulása temporális logikák: a modális logikák egy változata " p" - "p a jövőben, minden pillanatban igaz lesz" " p" - "p a jövőben, valamikor igaz lesz".

13 VIMIA313 Folyó események (ld. jegyzet)

14 Szubsztanciák A természetes nyelv: ellentmondásos intuíció. Létezik-e ParadicsomLé-nek nevezhető objektum? A valóság nagy része a példányosításnak az elkülönülő objektumokra való felbontásnak látszólag ellenáll. A valóság ez a része: az anyag, ill. a dolog. Malac, vaj objektumok: - megszámlálható - nem megszámlálható - akármilyen része a vaj-objektumnak szintén vaj-objektum - sajnos nem lesz két malacunk, ha a malacot ketté szeljük x, y x Vaj Része(y, x) y Vaj (az anyag a rész mentén öröklődik, a dolog nem: következtetésnél fontos!)

15 Szubsztanciák belső tulajdonságok: inkább magához az objektum szubsztanciájához tartoznak, mint az objektum egészéhez. Ha valamit ketté vágunk, részei a belső tulajdonságukat megtartják - legyen ez sűrűség, forráspont, íz, szín, a tulajdonos azonossága, stb. külső tulajdonságok éppen az ellenkezője: olyan tulajdonságokat, mint a súlyt, hosszat, alakot, funkciót, stb. melyeket a részekre bontásnál megtartani nem lehet. Az Anyag kategória a legáltalánosabb szubsztancia kategória, egyetlen belső tulajdonsága sincs. A Dolog a diszkrét objektumok legáltalánosabb kategóriája, egyetlen külső tulajdonsága sincs. egy valós objektum lehet Anyag, de lehet Dolog is (pl. egy tó) de csinálhatunk dolgot anyagból (pl. 1 kg vaj) (ontológiai elkötelezettség)

16 CYC Doug Lenat, 1984 nagyjából máig, Columbia Desk Encyclopedia (mint az emberi tudás) kódolása kb. 20 év: 700 év ember, 70 m$, fogalom, 2 millió axióma, 6000 mikro elmélet + esemény kalkulus kidolgozása

17 Mentális objektumok és hiedelmek - egy ágens - saját hiedelmei + mások hiedelmei miért kell? Mentális objektumok: Ágens hisz B-t. Ágens tud B-t. Hiszi(Ágens, x) - vajon milyen objektum az x? x logikai állítás nem lehet. (Superman = Clark) = (Hiszi(Lujza, Repül(Superman)) Hiszi(Lujza, Repül(Clark))) Referenciális átláthatóság: egy termet a vele ekvivalens termmel szabadon helyettesíthetünk. Elmosódott kontextus Megoldás: szintaktikai elmélet, metanyelvek modális logikák (szintaktika, szemantika, bizonyítás elmélet)

18 Hiszi_Lujza( Repül(Superman) ) Hiszi-Lujza Repül(Superman) meta-nyelv modális operátor p p p Hiszi-Lujza p Hiszi-Lujza p Hiszi-Lujza p Hiszi-Lujza p p = Szép-az-idő pesszimista jól informált mérges malac túlzott optimista Min múlik valóban a modális állítás igazságértéke? Mert ezt be kell építeni a logika szemantikájába!

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Logikai Emberi ágens tudás és problémái gépi reprezentálása 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

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Logikai ágens ügyesebben 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 Mit tudunk már?

Részletesebben

Ismeretalapú modellezés XI. Leíró logikák

Ismeretalapú modellezés XI. Leíró logikák XI. Leíró logikák 1 eddig volt nyílt internetes rendszerekben miért van szükség ismeretalapú re ontológia készítés kérdései ontológiák jellemzői milyen ontológiák vannak most jön mai internetes ontológiák

Részletesebben

matematikus-informatikus szemével

matematikus-informatikus szemével Ontológiák egy matematikus-informatikus szemével Szeredi Péter Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti Tanszék ➀ Mi az ontológia, mire jó, hogyan csináljuk?

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Valószínűségi hálók - alapok Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade A szükséges

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Problémamegoldás kereséssel lokális információval 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

Részletesebben

Filozófiai alapok. Varasdi Károly és Simonyi András. 2007. október 17.

Filozófiai alapok. Varasdi Károly és Simonyi András. 2007. október 17. Filozófiai alapok Varasdi Károly és Simonyi András 2007. október 17. Arbor Porphyrii (234 309) Petrus Ramus (1515 1572) John F. Sowa rendszere SUMO csúcskategóriák DOLCE csúcskategóriák Szóhasználat Univerzálé

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

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

Logikai ágensek. Gyenge Csilla

Logikai ágensek. Gyenge Csilla Logikai ágensek Gyenge Csilla Tartalom Bevezetés az ágensek világába Az ágens szó eredete Az ágensekről általánosan A logikai ágens Átfogó ismertetés A Wumpus világ Reprezentáció, következtetés Ítélet-logika

Részletesebben

Leíró Logikai Programozás

Leíró Logikai Programozás DLP I.-1 Leíró Logikai Programozás Szeredi Péter szeredi@cs.bme.hu Lukácsy Gergely lukacsy@cs.bme.hu BME Számítástudományi és Információelméleti Tanszék 2006. október 17. Leíró Logika+ Logikai Programozás

Részletesebben

FRAKTÁLGEOMETRIA. Metrikus terek, szeparábilitás, kompaktság. Czirbusz Sándor czirbusz@gmail.com. Komputeralgebra Tanszék ELTE Informatika Kar

FRAKTÁLGEOMETRIA. Metrikus terek, szeparábilitás, kompaktság. Czirbusz Sándor czirbusz@gmail.com. Komputeralgebra Tanszék ELTE Informatika Kar Metrikus terek, szeparábilitás, kompaktság Czirbusz Sándor czirbusz@gmail.com Komputeralgebra Tanszék ELTE Informatika Kar 2010. március 7. Vázlat 1 Szeparábilitás Definíciók A szeparábilitás ekvivalens

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Bizonytalan tudás és kezelése 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 Milyen matematikát

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

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Logikai Logikai ágens ágens cselekvésben ügyesebben - szituációkalkulustól tervkészítésig Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu,

Részletesebben

Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit.

Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 2. A VALÓS SZÁMOK 2.1 A valós számok aximómarendszere Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 1.Testaxiómák R-ben két művelet van értelmezve, az

Részletesebben

2. Logika gyakorlat Függvények és a teljes indukció

2. Logika gyakorlat Függvények és a teljes indukció 2. Logika gyakorlat Függvények és a teljes indukció Folláth János Debreceni Egyetem - Informatika Kar 2012/13. I. félév Áttekintés 1 Függvények Relációk Halmazok 2 Természetes számok Formulák Definíció

Részletesebben

ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az eredmény. A kérdés a következő: Mikor mondhatjuk azt, hogy bizonyos események közül

ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az eredmény. A kérdés a következő: Mikor mondhatjuk azt, hogy bizonyos események közül A Borel Cantelli lemma és annak általánosítása. A valószínűségszámítás egyik fontos eredménye a Borel Cantelli lemma. Először informálisan ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Problémamegoldás kereséssel általános problémák 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

Részletesebben

Az Országos kompetenciamérés (OKM) tartalmi kerete. a 20/2012. (VIII. 31.) EMMI rendelet 3. melléklete alapján

Az Országos kompetenciamérés (OKM) tartalmi kerete. a 20/2012. (VIII. 31.) EMMI rendelet 3. melléklete alapján Az Országos kompetenciamérés (OKM) tartalmi kerete a 20/2012. (VIII. 31.) EMMI rendelet 3. melléklete alapján Az OKM tartalmi keret Célja: definiálja azokat a tényezőket és szempontrendszereket, amelyek

Részletesebben

A KÖZTAURUSZ ÉS AZ ONTOLÓGIÁK CSÚCSFOGALMAI

A KÖZTAURUSZ ÉS AZ ONTOLÓGIÁK CSÚCSFOGALMAI A KÖZTAURUSZ ÉS AZ ONTOLÓGIÁK CSÚCSFOGALMAI Ungváry Rudolf Országos Széchényi Könyvtár Források Köztaurusz. Az Országos Széchényi Könyyvtárés a közművelődési könyvtárak egyetemes tezaurusza. 200-. Lexikai

Részletesebben

Temporális adatbázisok. Kunok Balázs szakdolgozata alapján

Temporális adatbázisok. Kunok Balázs szakdolgozata alapján Temporális adatbázisok Kunok Balázs szakdolgozata alapján Miért? Döntéshozatalok körülményeinek meghatározása. Nem csak az a lényeges, hogy hogyan változott az adat, hanem az is, hogy miért. Adatok helyreállíthatók

Részletesebben

Temporális logikák és modell ellenırzés

Temporális logikák és modell ellenırzés Temporális logikák és modell ellenırzés Temporális logikák Modális logika: kijelentések különböző módjainak tanulmányozására vezették be (eredetileg filozófusok). Ilyen módok: esetleg, mindig, szükségszerűen,

Részletesebben

Algoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 12.

Algoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 12. Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 12. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet

Részletesebben

A valós számok halmaza

A valós számok halmaza VA 1 A valós számok halmaza VA 2 A valós számok halmazának axiómarendszere és alapvető tulajdonságai Definíció Az R halmazt a valós számok halmazának nevezzük, ha teljesíti a következő axiómarendszerben

Részletesebben

Logikai programozás ADMINISZTRATÍV KÉRDÉSEK KÖVETELMÉNYRENDSZER FŐBB PONTOK NÉHÁNY BIZTATÓ SZÓ

Logikai programozás ADMINISZTRATÍV KÉRDÉSEK KÖVETELMÉNYRENDSZER FŐBB PONTOK NÉHÁNY BIZTATÓ SZÓ Logikai programozás ADMINISZTRATÍV KÉRDÉSEK Bármilyen kérdéssel (akár tananyag, akár nem), örömmel, bánattal: achs.agnes@gmail.com (Ha két napon belül nem válaszolok, akkor kérek egy figyelmeztető levelet.

Részletesebben

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség.

1. tétel. Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. 1. tétel Valószínűségszámítás vizsga Frissült: 2013. január 19. Valószínűségi mező, véletlen tömegjelenség. A valószínűségszámítás tárgya: véletlen tömegjelenségek vizsgálata. véletlen: a kísérlet kimenetelét

Részletesebben

Dr. Jelasity Márk. Mesterséges Intelligencia I. Előadás Jegyzet (2008. október 6) Készítette: Filkus Dominik Martin

Dr. Jelasity Márk. Mesterséges Intelligencia I. Előadás Jegyzet (2008. október 6) Készítette: Filkus Dominik Martin Dr. Jelasity Márk Mesterséges Intelligencia I Előadás Jegyzet (2008. október 6) Készítette: Filkus Dominik Martin Elsőrendű logika -Ítéletkalkulus : Az elsőrendű logika egy speciális esete, itt csak nullad

Részletesebben

Ungváry Rudolf: Tezauruszok mint kisvilágok. Kapcsoltság a fogalmak között

Ungváry Rudolf: Tezauruszok mint kisvilágok. Kapcsoltság a fogalmak között Ungváry Rudolf: Tezauruszok mint kisvilágok. Kapcsoltság a fogalmak között A tezaurusz (IKNY-i szótár) fogalmak hálózataként is vizsgálható - nem véletlenszerű, hanem skálafüggetlen hálózatok (Barabási)

Részletesebben

Hatékony keresés a szemantikus világhálón

Hatékony keresés a szemantikus világhálón Hatékony keresés a szemantikus világhálón Lukácsy Gergely Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Magyarországi Web Konferencia 2008 W3C szekció Lukácsy

Részletesebben

egyenlőtlenségnek kell teljesülnie.

egyenlőtlenségnek kell teljesülnie. MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval

Részletesebben

Számítógéppel segített folyamatmodellezés p. 1/20

Számítógéppel segített folyamatmodellezés p. 1/20 Számítógéppel segített folyamatmodellezés Piglerné Lakner Rozália Számítástudomány Alkalmazása Tanszék Pannon Egyetem Számítógéppel segített folyamatmodellezés p. 1/20 Tartalom Modellező rendszerektől

Részletesebben

A szemantikus világháló oktatása

A szemantikus világháló oktatása A szemantikus világháló oktatása Szeredi Péter Lukácsy Gergely Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti Tanszék ➀ A szemantikus világháló... c. tárgy ➁ A tananyag

Részletesebben

A matematika nyelvéről bevezetés

A matematika nyelvéről bevezetés A matematika nyelvéről bevezetés Wettl Ferenc 2006. szeptember 19. Wettl Ferenc () A matematika nyelvéről bevezetés 2006. szeptember 19. 1 / 17 Tartalom 1 Matematika Kijelentő mondatok Matematikai kijelentések

Részletesebben

Skalárszorzat, norma, szög, távolság. Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2005.

Skalárszorzat, norma, szög, távolság. Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2005. 1 Diszkrét matematika II., 4. el adás Skalárszorzat, norma, szög, távolság Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2005. március 1 A téma jelent sége

Részletesebben

Kaposi Ambrus. University of Nottingham Functional Programming Lab. Hackerspace Budapest 2015. január 6.

Kaposi Ambrus. University of Nottingham Functional Programming Lab. Hackerspace Budapest 2015. január 6. Bizonyítás és programozás Kaposi Ambrus University of Nottingham Functional Programming Lab Hackerspace Budapest 2015. január 6. Bizonyítás, érvelés Példa: sáros a csizmám ha vizes a föld, esett az eső

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

ÉLETPÁLYA- ÉPÍTÉS MATEMATIKA TANÁRI ÚTMUTATÓ KOMPETENCIATERÜLET B. 6. évfolyam

ÉLETPÁLYA- ÉPÍTÉS MATEMATIKA TANÁRI ÚTMUTATÓ KOMPETENCIATERÜLET B. 6. évfolyam ÉLETPÁLYA- ÉPÍTÉS KOMPETENCIATERÜLET B MATEMATIKA TANÁRI ÚTMUTATÓ 6. évfolyam A kiadvány az Educatio Kht. kompetenciafejlesztő oktatási program kerettanterve alapján készült. A kiadvány a Nemzeti Fejlesztési

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

Széchenyi István Egyetem. Programozás III. Varjasi Norbert varjasin@sze.hu

Széchenyi István Egyetem. Programozás III. Varjasi Norbert varjasin@sze.hu Programozás III. Varjasi Norbert varjasin@sze.hu 1 A java virtuális gép (JVM) Képzeletbei, ideális számítógép. Szoftveresen megvalósított működési környezet. (az op. rendszer egy folyamata). Feladata:

Részletesebben

ONTOLÓGIA és TUDÁSREPREZENTÁCIÓ

ONTOLÓGIA és TUDÁSREPREZENTÁCIÓ ONTOLÓGIA és TUDÁSREPREZENTÁCIÓ Szıts Miklós Alkalmazott Logikai Laboratórium szots@all.hu ONTOLÓGIA mi az? a formal specification of a shared conceptualization a logical theory which gives an explicit,

Részletesebben

15. LINEÁRIS EGYENLETRENDSZEREK

15. LINEÁRIS EGYENLETRENDSZEREK 15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a

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

A területfejlesztés új szemléletű irányai a fenntartható fejlődés érdekében. Kaleta Jánosné

A területfejlesztés új szemléletű irányai a fenntartható fejlődés érdekében. Kaleta Jánosné A területfejlesztés új szemléletű irányai a fenntartható fejlődés érdekében Kaleta Jánosné Címválasztás oka Aktualitása Internet A területfejlesztés nélkül elképzelhetetlen a jövő fejlesztés, eddigi gyakorlat

Részletesebben

Adatbázis rendszerek 6.. 6. 1.1. Definíciók:

Adatbázis rendszerek 6.. 6. 1.1. Definíciók: Adatbázis Rendszerek Budapesti Műszaki és Gazdaságtudományi Egyetem Fotogrammetria és Térinformatika 6.1. Egyed relációs modell lényegi jellemzői 6.2. Egyed relációs ábrázolás 6.3. Az egyedtípus 6.4. A

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Alaszkai Malamut Az alaszkai malamut és a szibériai husky összehasonlítása

Alaszkai Malamut Az alaszkai malamut és a szibériai husky összehasonlítása Alaszkai Malamut Az alaszkai malamut és a szibériai husky összehasonlítása (Forrás: Az Amerikai Alaszkai Malamut Klub bírói oktatóanyaga) Összeállította: W. Willhauck Fordította: Romoda Csilla Fajta eredete:

Részletesebben

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1.

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok. http://uni-obuda.hu/users/koczyl/statisztika1. Statisztika I. 4. előadás Mintavétel http://uni-obuda.hu/users/koczyl/statisztika1.htm Kóczy Á. László KGK-VMI koczy.laszlo@kgk.uni-obuda.hu Sokaság és minta Alap- és mintasokaság A mintasokaság az a részsokaság,

Részletesebben

Vas Réka Franciska. Tudásfelmérést támogató oktatási ontológia szerepe és alkalmazási lehetőségei

Vas Réka Franciska. Tudásfelmérést támogató oktatási ontológia szerepe és alkalmazási lehetőségei Vas Réka Franciska Tudásfelmérést támogató oktatási ontológia szerepe és alkalmazási lehetőségei Információrendszerek Tanszék Témavezető: Dr. Gábor András Vas Réka Franciska Budapesti Corvinus Egyetem

Részletesebben

Csercsik Dávid ITK PPKE. Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21

Csercsik Dávid ITK PPKE. Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21 Játékelmélet és hálózati alkalmazásai 4. ea Csercsik Dávid ITK PPKE Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21 1 Nash bargaining 2 Kooperatív játékok TU CFF játékok tulajdonságai

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

KOVÁCS BÉLA, MATEMATIKA I.

KOVÁCS BÉLA, MATEMATIKA I. KOVÁCS BÉLA, MATEmATIkA I. 3 III. MEGFELELTETÉSEk, RELÁCIÓk 1. BEVEZETÉS Emlékeztetünk arra, hogy az rendezett párok halmazát az és halmazok Descartes-féle szorzatának nevezzük. Más szóval az és halmazok

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

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének 6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük

Részletesebben

Örökölt adattárháztól a CMDB-ig

Örökölt adattárháztól a CMDB-ig Örökölt adattárháztól a CMDB-ig Engel László, Ferrinfo Zrt. Bartók Nagy János, ICON Zrt. Ferrinfo bemutatás a Dunaferr csoport informatikai szolgáltatója 3500 felhasználó mintegy 30 üzleti partner 2 telephely

Részletesebben

CAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés

CAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés CAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés Farkas Zsolt Budapesti Műszaki és Gazdaságtudományi Egyetem, Gép- és Terméktervezés Tanszék 1/ 14 Tartalom -Sajátosság alapú tervezés:

Részletesebben

DISZKRÉT MATEMATIKA RENDEZETT HALMAZOKKAL KAPCSOLATOS PÉLDÁK. Rendezett halmaz. (a, b) R a R b 1. Reflexív 2. Antiszimmetrikus 3.

DISZKRÉT MATEMATIKA RENDEZETT HALMAZOKKAL KAPCSOLATOS PÉLDÁK. Rendezett halmaz. (a, b) R a R b 1. Reflexív 2. Antiszimmetrikus 3. Rendezett halmaz R A x A rendezési reláció A-n, ha R Másképpen: (a, b) R a R b 1. Reflexív 2. Antiszimmetrikus 3. Tranzitív arb for (a, b) R. 1. a A ara 2. a,b A (arb bra a = b 3. a,b,c A (arb brc arc

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

ü 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

Részletesebben

É 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

Részletesebben

Í 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

Részletesebben

ö 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

Részletesebben

ő 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

Részletesebben

ö 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

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

Interaktív, grafikus környezet. Magasszintû alkalmazási nyelv (KAL) Integrált grafikus interface könyvtár. Intelligens kapcsolat más szoftverekkel

Interaktív, grafikus környezet. Magasszintû alkalmazási nyelv (KAL) Integrált grafikus interface könyvtár. Intelligens kapcsolat más szoftverekkel Készítette: Szabó Gábor, 1996 Az Az IntelliCorp IntelliCorp stratégiája: stratégiája: Kifinomult, Kifinomult, objektum-orientált objektum-orientált környezetet környezetet biztosít biztosít tervezéséhez,

Részletesebben

Diszkrét matematika I. gyakorlat

Diszkrét matematika I. gyakorlat Vizsgafeladatok megoldása 2012. december 5. Tartalom Teljes feladatsor #1 1 Teljes feladatsor #1 2 Teljes feladatsor #2 3 Teljes feladatsor #3 4 Teljes feladatsor #4 5 Válogatott feladatok 6 Végső bölcsesség

Részletesebben

Magas szintű adatmodellek Egyed/kapcsolat modell I.

Magas szintű adatmodellek Egyed/kapcsolat modell I. Magas szintű adatmodellek Egyed/kapcsolat modell I. Ullman-Widom: Adatbázisrendszerek. Alapvetés. 4.fejezet Magas szintű adatmodellek (4.1-4.3.fej.) (köv.héten folyt.köv. 4.4-4.6.fej.) Az adatbázis modellezés

Részletesebben

Programozás alapjai Bevezetés

Programozás alapjai Bevezetés Programozás alapjai Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Programozás alapjai Bevezetés SWF1 / 1 Tartalom A gépi kódú programozás és hátrányai A magas szintÿ programozási nyelv fogalma

Részletesebben

Mesterséges intelligencia, 7. előadás 2008. október 13. Készítette: Masa Tibor (KPM V.)

Mesterséges intelligencia, 7. előadás 2008. október 13. Készítette: Masa Tibor (KPM V.) Mesterséges intelligencia, 7. előadás 2008. október 13. Készítette: Masa Tibor (KPM V.) Bizonytalanságkezelés: Az eddig vizsgáltakhoz képest teljesen más világ. A korábbi problémák nagy része logikai,

Részletesebben

OPTIKAI CSALÓDÁSOK. Vajon valóban eltolódik a vékony egyenes? A kávéházi fal. Úgy látjuk, mintha a vízszintesek elgörbülnének

OPTIKAI CSALÓDÁSOK. Vajon valóban eltolódik a vékony egyenes? A kávéházi fal. Úgy látjuk, mintha a vízszintesek elgörbülnének OPTIKAI CSALÓDÁSOK Mint azt tudjuk a látás mechanizmusában a szem által felvett információt az agy alakítja át. Azt hogy valójában mit is látunk, nagy szerepe van a tapasztalatoknak, az emlékeknek.az agy

Részletesebben

IV. Matematikai tehetségnap 2013. szeptember 28. IV. osztály

IV. Matematikai tehetségnap 2013. szeptember 28. IV. osztály IV. osztály 1. feladat. Ha leejtünk egy labdát, akkor az feleakkora magasságra pattan fel, mint ahonnan leejtettük. Milyen magasról ejtettük le a labdát, ha ötödször 10 cm magasra pattant fel? 2. feladat.

Részletesebben

MATEMATIKA ÉRETTSÉGI 2008. május 06. KÖZÉPSZINT I.

MATEMATIKA ÉRETTSÉGI 2008. május 06. KÖZÉPSZINT I. 1) Adja meg a Például: 1 ; 8 8 M 1 ; 10 5 MATEMATIKA ÉRETTSÉGI 008. május 06. KÖZÉPSZINT I. nyílt intervallum két különböző elemét! ( pont) ( pont) ) Egy 7-tagú társaságban mindenki mindenkivel egyszer

Részletesebben

Abszolútértékes egyenlôtlenségek

Abszolútértékes egyenlôtlenségek Abszolútértékes egyenlôtlenségek 575. a) $, $ ; b) < - vagy $, # - vagy > 4. 5 576. a) =, =- 6, 5 =, =-, 7 =, 4 = 5; b) nincs megoldás;! c), = - ; d) =-. Abszolútértékes egyenlôtlenségek 577. a) - # #,

Részletesebben

A Jövő Internet elméleti alapjai. Vaszil György Debreceni Egyetem, Informatikai Kar

A Jövő Internet elméleti alapjai. Vaszil György Debreceni Egyetem, Informatikai Kar A Jövő Internet elméleti alapjai Vaszil György Debreceni Egyetem, Informatikai Kar Kutatási témák Bizalmas adatok védelme, kriptográfiai protokollok DE IK Számítógéptudományi Tsz., MTA Atomki Informatikai

Részletesebben

Excel 2010 függvények

Excel 2010 függvények Molnár Mátyás Excel 2010 függvények Csak a lényeg érthetően! Tartalomjegyzék FÜGGVÉNYHASZNÁLAT ALAPJAI 1 FÜGGVÉNYEK BEVITELE 1 HIBAÉRTÉKEK KEZELÉSE 4 A VARÁZSLATOS AUTOSZUM GOMB 6 SZÁMÍTÁSOK A REJTETT

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

Dr. Péczely László Zoltán. A Grastyán örökség: A játék neurobiológiája

Dr. Péczely László Zoltán. A Grastyán örökség: A játék neurobiológiája Dr. Péczely László Zoltán A Grastyán örökség: A játék neurobiológiája A motiváció A motiváció az idegrendszer aspeficikus aktiváltsági állapota, melyet a külső szenzoros információk, és a szervezet belső

Részletesebben

M. 33. Határozza meg az összes olyan kétjegyű szám összegét, amelyek 4-gyel osztva maradékul 3-at adnak!

M. 33. Határozza meg az összes olyan kétjegyű szám összegét, amelyek 4-gyel osztva maradékul 3-at adnak! Magyar Ifjúság 6 V SOROZATOK a) Három szám összege 76 E három számot tekinthetjük egy mértani sorozat három egymás után következő elemének vagy pedig egy számtani sorozat első, negyedik és hatodik elemének

Részletesebben

Halmazok; a matematikai logika elemei 1.1. A halmaz fogalma; jelölések

Halmazok; a matematikai logika elemei 1.1. A halmaz fogalma; jelölések 1 Halmazok; a matematikai logika elemei 1.1. A halmaz fogalma; jelölések A matematikában alapfogalmaknak tekintjük azokat a fogalmakat, amelyeket nem határozunk meg, nem definiálunk más fogalmak segítségével

Részletesebben

S atisztika 2. előadás

S atisztika 2. előadás Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás

Részletesebben

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában

Fuzzy 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

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek

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

Minta 1. MATEMATIKA KÖZÉPSZINTŰ ÍRÁSBELI FELADATSOR. I. rész

Minta 1. MATEMATIKA KÖZÉPSZINTŰ ÍRÁSBELI FELADATSOR. I. rész 1. MATEMATIKA KÖZÉPSZINTŰ ÍRÁSBELI FELADATSOR I. rész A feladatok megoldására 45 perc fordítható, az idő leteltével a munkát be kell fejeznie. A feladatok megoldási sorrendje tetszőleges. A feladatok megoldásához

Részletesebben

Adatbázis-kezelés. alapfogalmak

Adatbázis-kezelés. alapfogalmak Adatbázis-kezelés alapfogalmak Témakörök Alapfogalmak Adatmodellek Relációalgebra Normalizálás VÉGE Adatbázis-kezelő rendszer Database Management System - DBMS Integrált programcsomag, melynek funkciói:

Részletesebben

Akusztikai tervezés a geometriai akusztika módszereivel

Akusztikai tervezés a geometriai akusztika módszereivel Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika

Részletesebben

Absztrakció a szoftvertervezésben az Alloy specifikációs nyelv segítségével

Absztrakció a szoftvertervezésben az Alloy specifikációs nyelv segítségével Absztrakció a szoftvertervezésben az Alloy specifikációs nyelv segítségével Németh L. Zoltán Számítástudomány Alapjai Tanszék SZTE, Informatikai Tanszékcsoport 2009. szeptember 15. Tartalom Röviden a formális

Részletesebben

Már megismert fogalmak áttekintése

Már megismert fogalmak áttekintése Interfészek szenasi.sandor@nik.bmf.hu PPT 2007/2008 tavasz http://nik.bmf.hu/ppt 1 Témakörök Polimorfizmus áttekintése Interfészek Interfészek kiterjesztése Eseménykezelési módszerek 2 Már megismert fogalmak

Részletesebben

13. Oldja meg a valós számpárok halmazán a következ egyenletrendszert!

13. Oldja meg a valós számpárok halmazán a következ egyenletrendszert! A 13. Oldja meg a valós számpárok halmazán a következ egyenletrendszert! x y 600 x 10 y 5 600 12 pont írásbeli vizsga, II. összetev 4 / 20 2008. október 21. 14. a) Fogalmazza meg, hogy az f : R R, f x

Részletesebben

Tuesday, 22 November 11

Tuesday, 22 November 11 Hogyan befolyásolta az írás a társadalmakat? Humánetológiai perspektívák Csányi Vilmos MTA A Humán viselkedési komplexum három dimenziója I. Szociális viselkedésformák II. Szinkronizációs viselkedési mechanizmusok

Részletesebben

Mesterséges Intelligencia (Artificial Intelligence)

Mesterséges Intelligencia (Artificial Intelligence) Mesterséges Intelligencia (Artificial Intelligence) Bevezetés (ágens típusok, környezet tulajdonságai) Ágens: Környezetébe ágyazott (érzékelések, beavatkozások) autonóm rendszer (minimum válasz). [Bármi

Részletesebben

Adatbázis, adatbázis-kezelő

Adatbázis, adatbázis-kezelő Adatbázisok I. rész Adatbázis, adatbázis-kezelő Adatbázis: Nagy adathalmaz Közvetlenül elérhető háttértárolón (pl. merevlemez) Jól szervezett Osztott Adatbázis-kezelő szoftver hozzáadás, lekérdezés, módosítás,

Részletesebben

Készítette: Ernyei Kitti. Halmazok

Készítette: Ernyei Kitti. Halmazok Halmazok Jelölések: A halmazok jele általában nyomtatott nagybetű: A, B, C Az x eleme az A halmaznak: Az x nem eleme az A halmaznak: Az A halmaz az a, b, c elemekből áll: A halmazban egy elemet csak egyszer

Részletesebben

Transzformátor rezgés mérés. A BME Villamos Energetika Tanszéken

Transzformátor rezgés mérés. A BME Villamos Energetika Tanszéken Transzformátor rezgés mérés A BME Villamos Energetika Tanszéken A valóság egyszerűsítése, modellezés. A mérés tervszerűen végrehajtott tevékenység, ezért a bonyolult valóságos rendszert először egyszerűsítik.

Részletesebben

Az érzelmek logikája 1.

Az érzelmek logikája 1. Mérő László egyetemi tanár ELTE Gazdaságpszichológiai Szakcsoport Az érzelmek logikája 1. BME VIK, 2012 tavasz mero.laszlo@ppk.elte.hu Utam a pszichológiához (23) (35) Matematika Mesterséges intelligencia

Részletesebben

Statisztika I. 2. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 2. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 2. előadás Előadó: Dr. Ertsey Imre Statisztikai sorok Meghatározott szempontok szerint kiválasztott két vagy több logikailag összetartozó statisztikai adat, statisztikai sort képez. általában

Részletesebben