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

Ontológiák, 1. Kooperáció és intelligencia, BME-MIT

Ontológiák, 1. Kooperáció és intelligencia, BME-MIT Ontológiák, 1. Elmélet Mechanizmusfeltáró elmélet prediktív (jósló) modell Tartalomelmélet deskriptív (leíró) modell - ontológia objektumok, objektumok tulajdonságai objektumok közötti relációk Arisztotelész

Részletesebben

, , A

, , A MI Nagy ZH, 2011. nov. 4., 14.15-16, A és B csoport - Megoldások A/1. Milyen ágenskörnyezetrıl azt mondjuk, hogy nem hozzáférhetı? Adjon példát egy konkrét ágensre, problémára és környezetre, amire igaz

Részletesebben

Bizonytalanság. Mesterséges intelligencia április 4.

Bizonytalanság. Mesterséges intelligencia április 4. Bizonytalanság Mesterséges intelligencia 2014. április 4. Bevezetés Eddig: logika, igaz/hamis Ha nem teljes a tudás A világ nem figyelhető meg közvetlenül Részleges tudás nem reprezentálható logikai eszközökkel

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 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 Valószínűségi

Részletesebben

Diszkrét matematika I.

Diszkrét matematika I. Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 2. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Matematikai logika Diszkrét matematika I. középszint

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

VII. Keretalapú ismeretábrázolás

VII. Keretalapú ismeretábrázolás Collins és Quillian kísérlete VII. Keretalapú ismeretábrázolás Tud-e a kanári énekelni? 1.3 mp Képes-e a kanári? 1.4 mp Van-e a kanárinak bőre? 1.5 mp A kanári egy kanári? 1.0 mp A kanári egy madár? 1.2

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

Objektumorientált paradigma és a programfejlesztés

Objektumorientált paradigma és a programfejlesztés Objektumorientált paradigma és a programfejlesztés Vámossy Zoltán vamossy.zoltan@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Ficsor Lajos (Miskolci Egyetem) prezentációja alapján Objektumorientált

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

Gépi tanulás és Mintafelismerés

Gépi tanulás és Mintafelismerés Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,

Részletesebben

MAGYAR NYELVÉSZETI TÁRGYAK ISMERTETÉSE BA NYELVTECHNOLÓGIAI SZAKIRÁNY

MAGYAR NYELVÉSZETI TÁRGYAK ISMERTETÉSE BA NYELVTECHNOLÓGIAI SZAKIRÁNY MAGYAR NYELVÉSZETI TÁRGYAK ISMERTETÉSE BA NYELVTECHNOLÓGIAI SZAKIRÁNY Tantárgy neve: BBNMT00300 Fonetika 3 A tantárgy célja, hogy az egyetemi tanulmányaik kezdetén levő magyar szakos hallgatókat megismertesse

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

Méréselmélet MI BSc 1

Méréselmélet MI BSc 1 Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok

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

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

Kooperatív és Tanuló Rendszerek

Kooperatív és Tanuló Rendszerek Kooperatív és Tanuló Rendszerek 5. Logikai modellektől emocionális modellekig Dobrowiecki Tadeusz Horváth Gábor 1 Ágens modell kívánatos komponensei (informális) Hiedelmek explicit reprezentációja (logikai

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

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

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

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

RE 1. Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel!

RE 1. Relációk Függvények. A diákon megjelenő szövegek és képek csak a szerző (Kocsis Imre, DE MFK) engedélyével használhatók fel! RE 1 Relációk Függvények RE 2 Definíció: Ha A, B és ρ A B, akkor azt mondjuk, hogy ρ reláció A és B között, vagy azt, hogy ρ leképezés A-ból B-be. Ha speciálisan A=B, azaz ρ A A, akkor azt mondjuk, hogy

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

Objektumorientált paradigma és programfejlesztés Bevezető

Objektumorientált paradigma és programfejlesztés Bevezető Objektumorientált paradigma és programfejlesztés Bevezető Vámossy Zoltán vamossy.zoltan@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Ficsor Lajos (Miskolci Egyetem) prezentációja alapján

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

Intelligens beágyazott rendszer üvegházak irányításában

Intelligens beágyazott rendszer üvegházak irányításában P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az

Részletesebben

A matematika nyelvér l bevezetés

A matematika nyelvér l bevezetés A matematika nyelvér l bevezetés Wettl Ferenc 2012-09-06 Wettl Ferenc () A matematika nyelvér l bevezetés 2012-09-06 1 / 19 Tartalom 1 Matematika Matematikai kijelentések 2 Logikai m veletek Állítások

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

Sémi összehasonlító nyelvészet

Sémi összehasonlító nyelvészet Sémi összehasonlító nyelvészet BMA-HEBD-303 Biró Tamás 5. A nyelvtörténeti rekonstrukció alapjai. Jelentéstan. 2016. március 30. Összehasonlító rekonstrukció: alapok A történeti rekonstrukció klasszikus

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

Bonyolult jelenség, aminek nincs jó modellje, sok empirikus adat, intelligens (ember)ágens képessége, hogy ilyen problémákkal mégis megbirkozzék.

Bonyolult jelenség, aminek nincs jó modellje, sok empirikus adat, intelligens (ember)ágens képessége, hogy ilyen problémákkal mégis megbirkozzék. Vizsga, 2015. dec. 22. B cs. B1. Hogyan jellemezhetők a tanulást igénylő feladatok? (vendégelőadás) Bonyolult jelenség, aminek nincs jó modellje, sok empirikus adat, intelligens (ember)ágens képessége,

Részletesebben

Mérés és modellezés Méréstechnika VM, GM, MM 1

Mérés és modellezés Méréstechnika VM, GM, MM 1 Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni

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

KOVÁCS BÉLA, MATEMATIKA I.

KOVÁCS BÉLA, MATEMATIKA I. KOVÁCS BÉLA, MATEmATIkA I. 4 IV. FÜGGVÉNYEk 1. LEkÉPEZÉSEk, függvények Definíció Legyen és két halmaz. Egy függvény -ből -ba egy olyan szabály, amely minden elemhez pontosan egy elemet rendel hozzá. Az

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

FRAKTÁLGEOMETRIA. Példák fraktálokra I. Czirbusz Sándor február 1. Komputeralgebra Tanszék ELTE Informatika Kar

FRAKTÁLGEOMETRIA. Példák fraktálokra I. Czirbusz Sándor február 1. Komputeralgebra Tanszék ELTE Informatika Kar Példák fraktálokra I Czirbusz Sándor czirbusz@gmail.com Komputeralgebra Tanszék ELTE Informatika Kar 2010. február 1. Vázlat 1 Mi a fraktál? 2 A konstrukció Egyszerű tulajdonságok Triadikus ábrázolás Transzlációk

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

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

Értelek, értelek... de miről beszélsz??

Értelek, értelek... de miről beszélsz?? Biró Tamás Amszterdami Egyetem, ACLC Értelek, értelek... de miről beszélsz?? A keresztény-zsidó párbeszéd a kognitív vallástudomány perspektívájából Áttekintés: kihívások, perspektívák, válaszok Kihívások

Részletesebben

Dombi József. University of Szeged Department of Informatics.

Dombi József. University of Szeged Department of Informatics. Dombi József University of Szeged Department of Informatics dombi@inf.u-szeged.hu Előadásom során rámutatok a logikai rendszerhez való ragaszkodás korlátaira. Megmutatom, hogy az új létrejött paradigmák

Részletesebben

Absztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás:

Absztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás: Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban

Részletesebben

Logika nyelvészeknek, 12. óra A típuselmélet alapjai. Lehetőség van a kvantorfogalom mellett a funktorfogalom általánosítására is.

Logika nyelvészeknek, 12. óra A típuselmélet alapjai. Lehetőség van a kvantorfogalom mellett a funktorfogalom általánosítására is. Logika nyelvészeknek, 12. óra A típuselmélet alapjai Lehetőség van a kvantorfogalom mellett a funktorfogalom általánosítására is. Az L 1 elsőrendű nyelvben csak bizonyos típusú funktoraink voltak: ami

Részletesebben

Az egyenlőtlenség mindkét oldalát szorozzuk meg 4 16-al:

Az egyenlőtlenség mindkét oldalát szorozzuk meg 4 16-al: Bevezető matematika kémikusoknak., 04. ősz. feladatlap. Ábrázoljuk számegyenesen a következő egyenlőtlenségek megoldáshalmazát! (a) x 5 < 3 5 x < 3 x 5 < (d) 5 x

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

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1 Halmazok 1 Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 2 A fejezet legfontosabb elemei Halmaz megadási módjai Halmazok közti műveletek (metszet,

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

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

Metrikus terek, többváltozós függvények

Metrikus terek, többváltozós függvények Metrikus terek, többváltozós függvények 2003.10.15 Készítette: Dr. Toledo Rodolfo és Dr. Blahota István 1. Metrikus terek, metrika tulajdonságai 1.1. A valós, komplex, racionális, természetes és egész

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

Kvantitatív kutatás mire figyeljünk? Majláth Melinda PhD Tartalom. Kutatási kérdés kérdőív kérdés. Kutatási kérdés kérdőív kérdés

Kvantitatív kutatás mire figyeljünk? Majláth Melinda PhD Tartalom. Kutatási kérdés kérdőív kérdés. Kutatási kérdés kérdőív kérdés Kvantitatív kutatás mire figyeljünk?. Tartalom Kutatási kérdés Mintaválasztás Kérdésfeltevés Elemzés Jánossy Ferenc Szakkollégium- TDK felkészítő előadások sorozat, 2016. február Óbudai Egyetem Mintavétel

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

4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre

4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre 4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre Az értékelő függvény létezése (folytatás) p. 1/8 4.2. Tétel: Legyen gyenge rendezés az X halmazon. Legyen továbbá B X, amelyre

Részletesebben

Problémamegoldás kereséssel. Mesterséges intelligencia március 7.

Problémamegoldás kereséssel. Mesterséges intelligencia március 7. Problémamegoldás kereséssel Mesterséges intelligencia 2014. március 7. Bevezetés Problémamegoldó ágens Kívánt állapotba vezető cselekvéseket keres Probléma megfogalmazása Megoldás megfogalmazása Keresési

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

Programozás III. - NGB_IN001_3

Programozás III. - NGB_IN001_3 Programozás III. - az objektumorientált programozásba Varjasi Norbert Széchenyi István Egyetem Informatika Tanszék Programozás III. - 1. el adás institution-log Tartalom 1 El adások és gyakorlatok Zárthelyi

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

Termék modell. Definíció:

Termék modell. Definíció: Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,

Részletesebben

Ágens technológiák. Starkné dr. Werner Ágnes Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék

Ágens technológiák. Starkné dr. Werner Ágnes Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék Ágens technológiák Starkné dr. Werner Ágnes Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék Áttekintés Ágensek és multi-ágens rendszerek Definíciók Típusaik Környezeteik

Részletesebben

9. Trigonometria. I. Nulladik ZH-ban láttuk: 1. Tegye nagyság szerint növekvő sorrendbe az alábbi értékeket! Megoldás:

9. Trigonometria. I. Nulladik ZH-ban láttuk: 1. Tegye nagyság szerint növekvő sorrendbe az alábbi értékeket! Megoldás: 9. Trigonometria I. Nulladik ZH-ban láttuk: 1. Tegye nagyság szerint növekvő sorrendbe az alábbi értékeket! x = cos 150 ; y = sin 5 ; z = tg ( 60 ) (A) z < x < y (B) x < y < z (C) y < x < z (D) z < y

Részletesebben

Algoritmuselmélet. 2-3 fák. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 8.

Algoritmuselmélet. 2-3 fák. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 8. Algoritmuselmélet 2-3 fák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 8. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet 8. előadás

Részletesebben

10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK

10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK MATEMATIK A 9. évfolyam 10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK KÉSZÍTETTE: CSÁKVÁRI ÁGNES Matematika A 9. évfolyam. 10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK Tanári útmutató 2 MODULLEÍRÁS A modul

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

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =

Részletesebben

1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont)

1. tétel. 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója 7 cm. Mekkora a háromszög átfogója? (4 pont) 1. tétel 1. Egy derékszögű háromszög egyik szöge 50, a szög melletti befogója cm. Mekkora a háromszög átfogója? (4 pont). Adott az ábrán két vektor. Rajzolja meg a b, a b és az a b vektorokat! (6 pont)

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

alak méret szín név fajta mennyiség

alak méret szín név fajta mennyiség A Kartonpapírból 3 síkidomot vágunk ki. Mindegyiknek más az alakja (háromszög, négyzet vagy kör), más a mérete (kicsi, közepes vagy nagy) és más a színe (fehér, kék vagy sárga). Az alábbi állítások segítségével

Részletesebben

A relációelmélet alapjai

A relációelmélet alapjai A relációelmélet alapjai A reláció latin eredet szó, jelentése kapcsolat. A reláció, két vagy több nem feltétlenül különböz halmaz elemei közötti viszonyt, kapcsolatot fejez ki. A reláció értelmezése gráffal

Részletesebben

I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI

I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI 1 A digitális áramkörökre is érvényesek a villamosságtanból ismert Ohm törvény és a Kirchhoff törvények, de az elemzés és a tervezés rendszerint nem ezekre épül.

Részletesebben

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések

Számítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu

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

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

Analízis előadás és gyakorlat vázlat

Analízis előadás és gyakorlat vázlat Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)

Részletesebben

BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai

BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai BOOLE ALGEBRA Logika: A konjunkció és diszjunkció tulajdonságai 1.a. A B B A 2.a. (A B) C A (B C) 3.a. A (A B) A 4.a. I A I 5.a. A (B C) (A B) (A C) 6.a. A A I 1.b. A B B A 2.b. (A B) C A (B C) 3.b. A

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

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

Kiterjesztések sek szemantikája

Kiterjesztések sek szemantikája Kiterjesztések sek szemantikája Példa D Integer = {..., -1,0,1,... }; D Boolean = { true, false } D T1... T n T = D T 1... D Tn D T Az összes függvf ggvény halmaza, amelyek a D T1,..., D Tn halmazokból

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

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

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

Java VIII. Az interfacei. és az instanceof operátor. Az interfészről általában. Interfészek JAVA-ban. Krizsán Zoltán

Java VIII. Az interfacei. és az instanceof operátor. Az interfészről általában. Interfészek JAVA-ban. Krizsán Zoltán Java VIII. Az interfacei és az instanceof operátor Krizsán Zoltán Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2005. 10. 24. Java VIII.: Interface JAVA8 / 1 Az interfészről általában

Részletesebben

Összeállította Horváth László egyetemi tanár

Összeállította Horváth László egyetemi tanár Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011

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

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

[GVMGS11MNC] Gazdaságstatisztika

[GVMGS11MNC] Gazdaságstatisztika [GVMGS11MNC] Gazdaságstatisztika 1. előadás Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet Óbudai Egyetem Oktatók Előadó Kóczy Á. László (koczy.laszlo@kgk.uni-obuda.hu)

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

Függvények. Programozás alapjai C nyelv 7. gyakorlat. LNKO függvény. Függvények(2) LNKO függvény (2) LNKO függvény (3)

Függvények. Programozás alapjai C nyelv 7. gyakorlat. LNKO függvény. Függvények(2) LNKO függvény (2) LNKO függvény (3) Programozás alapjai C nyelv 7. gyakorlat Szeberényi Imre BME IIT Függvények C program egymás mellé rendelt függvényekből áll. A függvény (alprogram) jó absztrakciós eszköz a programok

Részletesebben