Intelligens Rendszerek Elmélete
|
|
- Áron Fodor
- 7 évvel ezelőtt
- Látták:
Átírás
1 Intellgens Rendszerek Elmélete Dr. Kutor László A mesterséges neuráls hálózatok alapfogalma és meghatározó eleme Logn név: re jelszó: IRE07 IRE 7/1 Neuráls hálózatok Az nformácó feldolgozás új (?) paradgmája A bológa nsprácójú nformácó feldolgozás, a soft computng egyk területe, ahol modellként az degrendszer struktúráját és működését vesszük alapul. A tudományterület a kezdet stádumban van, mégs számos alkalmazás területen az egyszerűsített modellekkel s jobb eredmények érhetőek el mnt a hagyományos algortmkus megoldásokkal. IRE 7/2
2 A neuráls hálózatok általános jellemző 1. A neuráls hálózatok nagyon egyszerű processzorokból, az un. neuronokból épülnek fel. A processzorok változtatható súlytényezőjű összeköttetések hálózatán át kommunkálnak egymással. 2. A neuráls hálózatokat nem programozzuk, hanem tanítjuk. 3. A tárolt nformácók a hálózatban elosztottan, a súlytényezők közvetítésével ábrázolódnak. 4. A neuráls hálózatok hbatűrők. Az elosztott párhuzamos tudásreprezentácó matt a súlytényezők egy részének jelentős megváltozása sem befolyásolja alapvetően a hálózat működését. 5. A hálózat működését három fő tényező határozza meg: A processzorok átvtel függvénye, a hálózat összeköttetés sémája és a tanítás módszer IRE 7/3 Az első mesterséges neuráls hálózat: a Perceptron Frank Rosenblatt (1957) Vetített nyomtatott betűk felsmerése tanítás alapján 20 x 20 fotóérzékelő Mc. Culloch-Ptts neuronok Előrecsatolt egyrétegű hálózat I 1 O 1 O 36 I 400 IRE 7/4
3 Alkalmazás példa 1/1. Masa Péter Cenr 199x IRE 7/5 Osztályozandó mnták: Alkalmazás példa 1/2. IRE 7/6
4 Alkalmazás példa 1/3. Megkülönböztetendő mnták 3 dmenzó esetén IRE 7/7 Alkalmazás példa 1/3. Megkülönböztetendő mnták: IRE 7/8
5 A megvalósított áramkör Alkalmazás példa 1/4. IRE 7/9 Alkalmazás példa 1/5. A neuráls megoldás teljesítmény mutató IRE 7/10
6 Neuráls hálózatok alapfogalma Gyakor elnevezések: Neural Networks Neuráls hálózatok NN Artfcal Neural Networks Mesterséges neuráls hálózatok ANN Artfcal Neural Systems Mesterséges neuráls rendszerek ANS Connectonst Modells Konnekconsta modellek Parallel Dstrbuted Processng Páthozamos elosztott feldolgozás PDP Neural Computers Neuronszámítógépek ANN CNN Cellular Neural Network L.O. Chua, L.Yang, T. Roska 1988 Lokáls kapcsolatok Analóg áramkörök IRE 7/11 Természetes deg hálózatok kapcsolódása IRE 7/12
7 A természetes deg hálózatok tanulsága A feldolgozás nem unverzáls! (A hálózat típusa határozza meg a működést!) A működés párhuzamos és herarchkus (hagymahéj model) Brodmann agyterületek IRE 7/13 Az emlékezés kapcsolatrendszere Natonal Geographc 2007 november IRE 7/14
8 Az agyterületek működésének MRI + PET képe Írott szöveg olvasása Szöveg kmondása Szöveg értelmezése Mark Dubn, U. of Colorado Prncples of Neural Scence E. Kandel, J. Schwartz, T. Jessel IRE 7/15 A McCulloch és Ptts formáls neuron W. Mc Culloch és W. Ptts (1943) Először tekntették az agyat számításokat végző szervnek I 1 I 2 I n-1 I n w j1 w j2 w jn S j j T O j I ngerfelvevők (bemenet) w j súlytényezők T Árvtel (Transzfer) függvény S j = n = 1 w Oj = 0 ha Sj <= 0 Oj = +1 ha Sj > 0 j I I B IRE 7/16
9 Alapfeltevések a formáls neuron megfogalmazásakor Az degsejt működése mnden vagy semm jellegű Az degsejt ngerületbe hozásához bzonyos dőn belül néhány (legalább 2(!?)) bemenetet ngereln kell Az degrendszerben az egyetlen jelentős késleltetés a sznapszsoknál jön létre Bármely gátló sznapszs működése teljesen megakadályozza az degsejt ngerületbe kerülését Az degrendszer összeköttetés hálózata az dőben nem változk!? IRE 7/17 Logka műveletek McCulloch-Ptts neuronokkal O 1 O 1 O 1 O O 3 2 O O 2 (t) = O 1 (t-1) O 3 (t) = O 1 (t-1) O O 2 (t-1) 3 O 3 O O 2 3 O 3 (t) = O 1 (t-1) + O 2 (t-1) O O 3 (t) = O 1 (t-1) O O 2 (t-1) 1 1 O 3 3 O 3 (t) = O 1 (t-1) O 2 (t-1) 2 O 2 De Morgan!!! serkentés gátlás IRE 7/18
10 A neuráls hálózatok legfontosabb meghatározó tényező 1. A neuronok (processzorok) (neuron, artfcal neuron, node, unt, cell) 2. A hálózat topológa ( mt mvel kötünk össze, (súlytényező mátrx) 3. A tanító szabályokat alkalmazó algortmus ( súlytényezők beállítása, hangolása ) IRE 7/19 Az alap neuron (processzor) felépítése I 1 I 2 I O I n-1 w j1 w j2 wj w jn S j j T O j S j = W j n = 1 w j j I I n I B I bemenet), w j súlytényezők, T Átvtel (Transzfer) függvény IRE 7/20
11 Leggyakrabban használt átvtel függvények 1. Ugrás függvény: O j = 0 vagy -1, ha S <= 0, O j = 1 ha S > S 2. Korlátozott lneárs függvény -1 O j = 0, ha S <= 0, O j = S ha 0 <= S < 1 1 O j = 1 ha S > Szmod függvény O j = 1-1/(1+S) ha S >= 0 O j = 1/(1+e -Sj ) O j = /(1-S) ha S < S IRE 7/21-1 S S Tpkus neuráls hálózat összeköttetések 1. Előrecsatolt (rétegelt) neuráls hálózat (topológa) Bemenetek bemenet réteg rejtett réteg kmenet réteg Kmenetek súlytényező IRE 7/22
12 Az előrecsatolt hálóztok alternatív ábrázolása I 1 I 2 I I n-1 I n Súlymátrx w 11 w 12 w 1 w 21 w 22 w 2 w j1 w j2 w j w 1n w 2n w jn O 1 w m1 w m2 w m w mn O 2 O j O m súlytényező O = f (S) S = I * W Mátrx műveletek! IRE 7/23 Vsszacsatolt neuráls hálózat Rétegelt Teljesen összekötött I 1 I 2 I j k IRE 7/24 O O j O k O = I x W1+ O x W2
13 Benenő adatok A tanító adatok szerkezete Elvárt kmenő adatok célértékek Bemenetek 1-n C 1 C m n NH m c 1 c m Teszt adatok Tanító mnták 1-k IRE 7/25 Tanítás szabályok 1. Tanítás = súlytényezők (ks lépésekkel (?) való) beállítása Tanítás típusok: 1. Felügyelt (felügyeletes) tanítás 2. Felügyelet nélkül (önszerveződő) tanítás Alap tanítás szabályok: j O w j O j j O w j O j C j Hebb szabály (Donald O. Hebb) w j (t+1) = w j (t) + α* O * O j ahol α = tanítás tényező, 0 <= α <= 1 Delta szabály (Wdrow- Hoff) w j (t+1) = w j (t) + α * O * (C j O j ) ahol C j O j = Δ j IRE 7/26
14 A felügyeletes tanítás lényege, algortmusa Mottó: Addg változtatjuk a súlytényezőket, amíg a bemenő mntákra a hálózat a megfelelő-, előre kszámított válaszokat nem adja. Algortmusa: 1. Kezdet súlytényezők beállítása 2. A tanítómnta bemenet értéke alapján a hálózat kmenet értékének kszámítása. 3. A tanítómnta célértékének összehasonlítása a hálózat célértékével. 4. Szükség esetén a hálózat súlytényezőnek módosítása. 5. A tanítás folytatása mndaddg, amíg a hálózat az összes tanítómntára egy előre rögzített hbahatárnál ksebb hbával a célértéknek megfelelő kmenet értéket nem tudja előállítan. IRE 7/27
Intelligens 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
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
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
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.... 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.
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intellgenca MI Egyszerű döntés. Tanuljuk meg! Dobroweck Tadeusz Eredcs Péter, és mások BME I.E. 437, 463-28-99 dobroweck@mt.bme.hu, http://www.mt.bme.hu/general/staff/tade Neuron doktrna: S.
RészletesebbenA neurális hálózatok alapjai
A neuráls hálózatok alapja (A Neuráls hálózatok és mszak alkalmazásak cím könyv (ld. források) alapján) 1. Bológa alapok A bológa alapok megsmerése azért fontos, mert nagyon sok egyed neuráls struktúra,
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.:
RészletesebbenTisztelt Hallgatók! Jó tanulást kívánok, üdvözlettel: Kutor László
Tisztelt Hallgatók! Az alábbi anyaga arra ó, hogy lehessen tudni, mi tartozik egy-egy kérdéshez. Ami itt olvasható, az a éghegy csúcsa. Ha alapos tudást akarnak, a éghegy alát önállóan kell hozzá gyűteniük.
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
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
RészletesebbenFogalom értelmezések I.
Fogalom értelmezések I. Intelligencia értelmezések Köznapi értelmezése: értelem, ész, felfogó képesség, értelmesség, műveltség Boring szerint: amit az intelligencia teszt mér Wechsler szerint: Az intelligencia
RészletesebbenÁllandó tartós halhatatlan, könnyő átvinni reprodukálni,(oktatni a szakértıi rendszerhasználatát kell)
90. Mi az MI program, tudásalapú rendszer, szakértıi rendszer és kapcsolatuk? MI program Olyan programok, amik a beérkezı információkat valamilyen logikus módszerrel képesek feldolgozni, még akkor is,
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
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
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
RészletesebbenCBN szerszámok éltartamának meghatározása mesterséges neurális háló segítségével
CBN szerszámok éltartamának meghatározása mesterséges neuráls háló segítségével Kemény (edzett felületek kalakításának célja az alkatrészeken: szlárdság -, keménység -, kfáradás határ növelése. Edzett
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
RészletesebbenAlgoritmusok és adatszerkezetek I. 10. előadás
Algortmusok és adatszerkezetek I. 10. előadás Dnamkus programozás Feladat: Adott P 1,P 2, P n pénzjegyekkel kfzethető-e F fornt? Megoldás: Tegyük fel, hogy F P P... P... m! 1 2 m 1 Ekkor F P P P P......,
RészletesebbenVéletlenszám generátorok. 5. előadás
Véletlenszám generátorok 5. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
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 multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
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
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,
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)
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,
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,
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
RészletesebbenVisszacsatolt (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,
Részletesebben3D-s számítógépes geometria
3D-s számítógépes geometra 11. 3D szegmentálás http://cg.t.bme.hu/portal/node/31 https://www.vk.bme.hu/kepzes/targyak/viiiav01 Dr. Várady Tamás BME, Vllamosmérnök és Informatka Kar Irányítástechnka és
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
Részletesebben1. Holtids folyamatok szabályozása
. oltds folyamatok szabályozása Az rányított folyamatok jelentés részét képezk a lassú folyamatok. Ilyenek például az par környezetben található nagy méret kemencék, desztllácós oszlopok, amelyekben valamlyen
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás 17. 3D Szegmentálás http://cg.t.bme.hu/portal/node/312 https://www.vk.bme.hu/kepzes/targyak/viiiav54 Dr. Várady Tamás, Dr. Salv Péter BME, Vllamosmérnök
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
RészletesebbenEgyenáramú szervomotor modellezése
Egyenáramú szervomotor modellezése. A gyakorlat élja: Az egyenáramú szervomotor mködését leíró modell meghatározása. A modell valdálása számításokkal és szotverejlesztéssel katalógsadatok alapján.. Elmélet
RészletesebbenMéréselmélet: 5. előadás,
5. Modellllesztés (folyt.) Méréselmélet: 5. előadás, 03.03.3. Út az adaptív elárásokhoz: (85) és (88) alapán: W P, ( ( P). Ez utóbb mndkét oldalát megszorozva az mátrxszal: W W ( ( n ). (9) Feltételezve,
RészletesebbenVirág Fausztin Asztrik. Gépi tanulás alkalmazása táblajátékokon. Eötvös Loránd Tudományegyetem Természettudományi Kar. Témavezet : Dr.
Eötvös Loránd Tudományegyetem Természettudomány Kar Vrág Fausztn Asztrk Gép tanulás alkalmazása táblajátékokon BSc Alkalmazott Matematkus Szakdolgozat Témavezet : Dr. Lukács András Számítástudomány Tanszék
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenSzámítógép-architektúrák II.
Várady Géza Számítógép-archtektúrák II. Pécs 2015 A tananyag a azonosító számú, A gépészet és nformatka ágazatok duáls és modulárs képzésenek kalakítása a Pécs Tudományegyetemen című projekt keretében
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,
RészletesebbenTurbulens áramlás modellezése háromszög elrendezésű csőkötegben
Turbulens áramlás modellezése háromszög elrendezésű csőkötegben Mayer Gusztáv mayer@sunserv.kfk.hu 2005. 09. 27. CFD Workshop 1 Tartalom - Vzsgált geometra Motvácó Az áramlás jellemző Saját fejlesztésű
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 elosztott rendszerek
Intellgens elosztott rendszerek VIMIAC2 Adatelőkészítés: hhetőségvzsgálat normálás stb. Patak Béla BME I.E. 414, 463-26-79 atak@mt.bme.hu, htt://www.mt.bme.hu/general/staff/atak Valamlyen dőben állandó,
Részletesebben4 Approximációs algoritmusok szorzatalakú hálózatok esetén
4 Approxmácós algortmusok szorzatalakú hálózatok esetén Az MVA-n alapuló approxmácó (Bard-Schwetzer-módszer): Beérkezés tétel: T () = 1 µ [1+ ( 1) ], =1,...,N Iterácó a következő approxmácó használatával:
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:
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
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Funkcióvezérelt modellezés Abból indulunk ki, hogy milyen feladatot valósít meg a rendszer Horace Barlow: "A
RészletesebbenSzerven belül egyenetlen dóziseloszlások és az LNT-modell
Szerven belül egyenetlen dózseloszlások és az LNT-modell Madas Balázs Gergely, Balásházy Imre MTA Energatudomány Kutatóközpont XXXVIII. Sugárvédelm Továbbképző Tanfolyam Hunguest Hotel Béke 2013. áprls
RészletesebbenElosztott rendszerek játékelméleti elemzése: tervezés és öszönzés. Toka László
adat Távközlés és Médanformatka Tanszék Budapest Műszak és Gazdaságtudomány Egyetem Eurecom Telecom Pars Elosztott rendszerek játékelmélet elemzése: tervezés és öszönzés Toka László Tézsfüzet Témavezetők:
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
RészletesebbenIndirekt térfogat-vizualizáció. Fourier térfogat-vizualizáció. Tomográfiás rekonstrukció. Radon-transzformáció. A Fourier vetítő sík tétel
Vzualzácós algortmusok csoportosítása Indrekt térfogat-vzualzácó Csébfalv Balázs Budapest Műszak és Gazdaságtudomány Egyetem Irányítástechnka és Informatka Tanszék Drekt vzualzácó: Közvetlenül a dszkrét
RészletesebbenOptikai elmozdulás érzékelő illesztése STMF4 mikrovezérlőhöz és robot helyzetérzékelése. Szakdolgozat
Mskolc Egyetem Gépészmérnök és Informatka Kar Automatzálás és Infokommunkácós Intézet Tanszék Optka elmozdulás érzékelő llesztése STMF4 mkrovezérlőhöz és robot helyzetérzékelése Szakdolgozat Tervezésvezető:
RészletesebbenGEOFIZIKA / 4. GRAVITÁCIÓS ANOMÁLIÁK PREDIKCIÓJA, ANALITIKAI FOLYTATÁSOK MÓDSZERE, GRAVITÁCIÓS ANOMÁLIATEREK SZŰRÉSE
MSc GEOFIZIKA / 4. BMEEOAFMFT3 GRAVITÁCIÓS ANOMÁLIÁK REDIKCIÓJA, ANALITIKAI FOLYTATÁSOK MÓDSZERE, GRAVITÁCIÓS ANOMÁLIATEREK SZŰRÉSE A gravtácós aomálák predkcója Külöböző feladatok megoldása sorá - elsősorba
RészletesebbenBevezetés a programozásba. 3. Előadás Algoritmusok, tételek
Bevezetés progrmozásb 3. Elődás Algortmusok, tételek ISMÉTLÉS Specfkácó Előfeltétel: mlyen körülmények között követelünk helyes működést Utófeltétel: mt várunk kmenettől, m z összefüggés kmenet és bemenet
RészletesebbenTanuló ó és hibrid információs rendszerek
Tanuló ó és hbrd nformácós rendszere Horváth Gábor I S R G Méréstechna és Informácós Rendszere Tanszé 004 Horváth Gábor Bevezetés Neuráls hálózato Tartalomjegzé elem neurono lasszus neuráls archtetúrá
RészletesebbenKvantum-tömörítés II.
LOGO Kvantum-tömörítés II. Gyöngyös László BME Vllamosmérnök és Informatka Kar A kvantumcsatorna kapactása Kommunkácó kvantumbtekkel Klasszkus btek előnye Könnyű kezelhetőség Stabl kommunkácó Dszkrét értékek
RészletesebbenAz Informatika Elméleti Alapjai
Az Informatika Elméleti Alapjai dr. Kutor László Információ-feldolgozó paradigmák A számolás korai segédeszközei http://mobil.nik.bmf.hu/tantargyak/iea.html Felhasználónév: iea Jelszó: IEA07 IEA2/1 Az
Részletesebben1.Tartalomjegyzék 1. 1.Tartalomjegyzék
1.Tartalomjegyzék 1 1.Tartalomjegyzék 1.Tartalomjegyzék...1.Beezetés... 3.A matematka modell kálasztása...5 4.A ékony lap modell...7 5.Egy más módszer a matematka modell kálasztására...10 6.A felületet
RészletesebbenVIII. ELEKTROMOS ÁRAM FOLYADÉKOKBAN ÉS GÁZOKBAN
VIII. ELEKTROMOS ÁRAM FOLYADÉKOKBAN ÉS GÁZOKBAN Bevezetés: Folyadékok - elsősorban savak, sók, bázsok vzes oldata - áramvezetésének gen fontos gyakorlat alkalmazása vannak. Leggyakrabban az elektronkus
RészletesebbenMesterséges intelligencia Szakértői rendszerek. Mesterséges intelligencia Szakértői rendszerek
Gépgyártástechnológa Tanszék Dr. Mkó Balázs Mesterséges ntellgenca Szakértő rendszerek Technológa tervező rendszerek 2003/2004 I. BME GTT mko.balazs@freestart.hu Gábor Dénes Főskola Dr. Mkó Balázs Mesterséges
RészletesebbenIT jelű DC/DC kapcsolóüzemű tápegységcsalád
IT jelű DC/DC kapcsolóüzemű tápegységcsalád BALOGH DEZSŐ BHG BEVEZETÉS A BHG Híradástechnka Vállalat kutató és fejlesztő által kdolgozott napjankban gyártásban levő tárolt programvezérlésű elektronkus
RészletesebbenAz Informatika Elméleti Alapjai. Információ-feldolgozó paradigmák A számolás korai segédeszközei
Az Informatika Elméleti Alapjai dr. Kutor László Információ-feldolgozó paradigmák A számolás korai segédeszközei http://mobil.nik.bmf.hu/tantargyak/iea.html Felhasználónév: iea Jelszó: IEA07 IEA2/1 Az
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
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 09 Rendezések
Algortmusok és adatszerkezetek gyakorlat 09 Rendezések Néhány órával ezelőtt megsmerkedtünk már a Merge Sort rendező algortmussal. A Merge Sort-ról tuduk, hogy a legrosszabb eset dőgénye O(n log n). Tetszőleges
RészletesebbenEseményvezérelt szimuláció
Hálózat szmulácós technkák (BMEVITTD094/2005) október 3. Vdács Attla Dang Dnh Trang Távközlés és Médanformatka Tanszék Budapest Mszak és Gazdaságtudomány Egyetem Eseményvezérelt szmulácó DES Dscrete-Event
RészletesebbenPhilosophiae Doctores. A sorozatban megjelent kötetek listája a kötet végén található
Phlosophae Doctores A sorozatban megjelent kötetek lstája a kötet végén található Benedek Gábor Evolúcós gazdaságok szmulácója AKADÉMIAI KIADÓ, BUDAPEST 3 Kadja az Akadéma Kadó, az 795-ben alapított Magyar
RészletesebbenInformatika Rendszerek Alapjai
Informatika Rendszerek Alapjai Dr. Kutor László Alapfogalmak Információ-feldolgozó paradigmák Analóg és digitális rendszerek jellemzői Jelek típusai Átalakítás rendszerek között http://uni-obuda.hu/users/kutor/
Részletesebben4 205 044-2012/11 Változtatások joga fenntartva. Kezelési útmutató. UltraGas kondenzációs gázkazán. Az energia megőrzése környezetünk védelme
HU 4 205 044-2012/11 Változtatások joga fenntartva Kezelés útmutató UltraGas kondenzácós gázkazán Az energa megőrzése környezetünk védelme Tartalomjegyzék UltraGas 15-1000 4 205 044 1. Kezelés útmutató
RészletesebbenNagyságrendek. Kiegészítő anyag az Algoritmuselmélet tárgyhoz. Friedl Katalin BME SZIT február 1.
Nagyságrendek Kiegészítő anyag az Algoritmuselmélet tárgyhoz (a Rónyai Ivanyos Szabó: Algoritmusok könyv mellé) Friedl Katalin BME SZIT friedl@cs.bme.hu 018. február 1. Az O, Ω, Θ jelölések Az algoritmusok
RészletesebbenI. 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.
RészletesebbenIntelligens Rendszerek Elmélete
Intelligens Rendszerek Elmélete dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ire.html felhasználónév: ire jelszó: IRE06 IRE 3/1 A technikai érzékelők csoportosítása a beépített intelligencia alapján
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
Részletesebben3515, Miskolc-Egyetemváros
Anyagmérnök udományok, 37. kötet, 1. szám (01), pp. 49 56. A-FE-SI ÖVÖZERENDSZER AUMÍNIUMAN GAZDAG SARKÁNAK FEDOGOZÁSA ESPHAD-MÓDSZERRE ESIMAION OF HE A-RIH ORNER OF HE A-FE-SI AOY SYSEM Y ESPHAD MEHOD
RészletesebbenIdeális műveleti erősítő
Ideális műveleti erősítő Az műveleti erősítő célja, hogy alap építőeleméül szolgáljon analóg matematikai műveleteket végrehajtó áramköröknek. Az ideális műveleti erősítő egy gyakorlatban nem létező áramköri
RészletesebbenIDA ELŐADÁS I. Bolgár Bence október 17.
IDA ELŐADÁS I. Bolgár Bence 2014. október 17. I. Generatív és dszkrmnatív modellek Korábban megsmerkedtünk a felügyelt tanulással (supervsed learnng). Legyen adott a D = {, y } P =1 tanító halmaz, ahol
RészletesebbenA neurális hálózatok általános jellemzői
Mesterséges neurális hálóztok II. - A felügyelt tnítás prméterei, gyorsító megoldási - Versengéses tnulás Tudáskezelés fuzzy logikávl http:/uni-obud.hu/users/kutor/ IRE 7/50/1 2012. ősz Óbudi Egyetem,
Részletesebbenegy szisztolikus példa
Automatikus párhuzamosítás egy szisztolikus példa Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus Automatikus párhuzamosítási módszer ötlet Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus
RészletesebbenKoós Dorián 9.B INFORMATIKA
9.B INFORMATIKA Számítástechnika rövid története. Az elektronikus számítógép kifejlesztése. A Neumann-elv. Információ és adat. A jel. A jelek fajtái (analóg- és digitális jel). Jelhalmazok adatmennyisége.
RészletesebbenA sokaság/minta eloszlásának jellemzése
3. előadás A sokaság/mnta eloszlásának jellemzése tpkus értékek meghatározása; az adatok különbözőségének vzsgálata, a sokaság/mnta eloszlásgörbéjének elemzése. Eloszlásjellemzők Középértékek helyzet (Me,
RészletesebbenKÖZLEKEDÉSAUTOMATIKAI ISMERETEK ÁGAZATON BELÜLI SPECIALIZÁCIÓ SZAKMAI ÉRETTSÉGI VIZSGA II. A VIZSGA LEÍRÁSA
KÖZLEKEDÉSAUTOMATIKAI ISMERETEK ÁGAZATON BELÜLI SPECIALIZÁCIÓ SZAKMAI ÉRETTSÉGI VIZSGA A vizsga részei II. A VIZSGA LEÍRÁSA Középszint Emelt szint 180 perc 15 perc 180 perc 20 perc 120 pont 30 pont 120
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
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás b Háromszöghálók - algortmusok http://cgtbmehu/portal/node/3 https://wwwvkbmehu/kepzes/targyak/viiiav54 Dr Várady Tamás, Dr Salv Péter BME, Vllamosmérnök
RészletesebbenAUTOMATIKUS KÉPFELDOLGOZÁS A HADITECHNIKÁBAN A CELLULÁRIS NEURÁLIS HÁLÓZAT
Buzási Tibor AUTOMATIKUS KÉPFELDOLGOZÁS A HADITECHNIKÁBAN A CELLULÁRIS NEURÁLIS HÁLÓZAT A következő bemutató témája a Celluláris Neurális Hálózat (CNN) technológiára épülő, a hagyományos képfeldolgozási
RészletesebbenElőadó: Nagy István (A65)
Programozható logikai áramkörök FPGA eszközök Előadó: Nagy István (A65) Ajánlott irodalom: Ajtonyi I.: Digitális rendszerek, Miskolci Egyetem, 2002. Ajtonyi I.: Vezérléstechnika II., Tankönyvkiadó, Budapest,
RészletesebbenAz Informatika Elméleti Alapjai
Az Informatika Elméleti Alapjai dr. Kutor László Törtszámok bináris ábrázolása, Az információ értelmezése és mérése http://mobil.nik.bmf.hu/tantargyak/iea.html Felhasználónév: iea Jelszó: IEA07 BMF NIK
RészletesebbenMETROLÓGIA ÉS HIBASZÁMíTÁS
METROLÓGIA ÉS HIBASZÁMíTÁS Metrológa alapfogalmak A metrológa a mérések tudománya, a mérésekkel kapcsolatos smereteket fogja össze. Méréssel egy objektum valamlyen tulajdonságáról számszerű értéket kapunk.
RészletesebbenMŰSZAKI TUDOMÁNYI DOKTORI ISKOLA. Napkollektorok üzemi jellemzőinek modellezése
MŰSZAKI TUDOMÁNYI DOKTORI ISKOLA Napkollektorok üzem jellemzőnek modellezése Doktor (PhD) értekezés tézse Péter Szabó István Gödöllő 015 A doktor skola megnevezése: Műszak Tudomány Doktor Iskola tudományága:
RészletesebbenA bankközi jutalék (MIF) elő- és utóélete a bankkártyapiacon. A bankközi jutalék létező és nem létező versenyhatásai a Visa és a Mastercard ügyek
BARA ZOLTÁN A bankköz utalék (MIF) elő- és utóélete a bankkártyapacon. A bankköz utalék létező és nem létező versenyhatása a Vsa és a Mastercard ügyek Absztrakt Az előadás 1 rövden átteknt a két bankkártyatársasággal
RészletesebbenAUTOMATIKAI ÉS ELEKTRONIKAI ISMERETEK ÁGAZATON BELÜLI SPECIALIZÁCIÓ SZAKMAI ÉRETTSÉGI VIZSGA II. A VIZSGA LEÍRÁSA
AUTOMATIKAI ÉS ELEKTRONIKAI ISMERETEK ÁGAZATON BELÜLI SPECIALIZÁCIÓ SZAKMAI ÉRETTSÉGI VIZSGA A vizsga részei II. A VIZSGA LEÍRÁSA Középszint Emelt szint Írásbeli vizsga Szóbeli vizsga Írásbeli vizsga Szóbeli
RészletesebbenPeriodikus figyelésű készletezési modell megoldása általános feltételek mellett
Tanulmánytár Ellátás/elosztás logsztka BME OMIKK LOGISZTIKA 9. k. 4. sz. 2004. júlus augusztus. p. 47 52. Tanulmánytár Ellátás/elosztás logsztka Perodkus fgyelésű készletezés modell megoldása általános
RészletesebbenSzámítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 7.
Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 7. előadás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs
RészletesebbenForgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
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
RészletesebbenAlgoritmuselmélet 12. előadás
Algoritmuselmélet 12. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Április 9. ALGORITMUSELMÉLET 12. ELŐADÁS 1 Turing-gépek
RészletesebbenStatisztikai eljárások a mintafelismerésben és a gépi tanulásban
Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Varga Domonkos (I.évf. PhD hallgató) 2014 május A prezentáció felépítése 1) Alapfogalmak 2) A gépi tanulás, mintafelismerés alkalmazási
RészletesebbenVéletlenszám generátorok. 6. előadás
Véletlenszám generátorok 6. előadás Véletlenszerű változók, valószínűség véletlen, véletlen változók valószínűség fogalma egy adott esemény bekövetkezésének esélye értékét 0 és között adjuk meg az összes
RészletesebbenRégió alapú szegmentálás. Digitális képelemzés alapvető algoritmusai. 2. példa: Elfogadható eredmények. 1. példa: Jó eredmények. Csetverikov Dmitrij
Régó alapú szegmentálás Dgtáls képelemzés alapvető algortmusa Csetverkov Dmtrj Eötvös Lóránd Egyetem, Budapest csetverkov@sztak.hu http://vson.sztak.hu Informatka Kar 1 Küszöbölés példá és elemzése Küszöbölés
RészletesebbenHálózati réteg. WSN topológia. Útvonalválasztás.
Hálózati réteg WSN topológia. Útvonalválasztás. Tartalom Hálózati réteg WSN topológia Útvonalválasztás 2015. tavasz Szenzorhálózatok és alkalmazásaik (VITMMA09) - Okos város villamosmérnöki MSc mellékspecializáció,
RészletesebbenLeica DISTOTMD510. X310 The original laser distance meter. The original laser distance meter
TM Leca DISTO Leca DISTOTMD510 X10 The orgnal laser dstance meter The orgnal laser dstance meter Tartalomjegyzék A műszer beállítása - - - - - - - - - - - - - - - - - - - - - - - - - 2 Bevezetés - - -
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
Részletesebben