Valószín ségi döntéstámogató rendszerek
|
|
- Enikő Fodor
- 7 évvel ezelőtt
- Látták:
Átírás
1 Valószín ségi döntéstámogató rendszerek Antos András Antal Péter Hullám Gábor Millinghoer András Hajós Gergely Kulcsszavak: döntés, becslés, költségfüggvény, kockázat, a priori és a posteriori valószín ség, Bayesdöntés és -becslés, Bayes-statisztika, valószín ségi gráf alapú modellek, Bayes-háló, rejtett Markov modell, emberi becslési heurisztikák, valószín ségi következtetés, bayesi döntéselmélet, optimális döntés, információ értéke, többkarú rabló probléma, QUALY, költség-haszon elemzés, döntési hálók Összefoglalás: A jegyzetben ismertetjük a döntés- és becsléselmélet alapfogalmait és a leggyakoribb költségfüggvényeket. Megvizsgáljuk a Bayes-döntést, maximum a posteriori és maximum likelihood döntést és a Bayes-döntés közelítését több példán keresztül. Kitérünk a Bayes-becslésre, maximum likelihood becslésre és regressziós becslésre részletesen megvizsgálva a lineáris regresszió esetét. Ezt követ en a valószín ségi eloszlások strukturális jellemz it vizsgáljuk meg. A valószín ségi gráfos modellosztályon belül els ként az egyszer Naív Bayes-háló, Markov-lánc és rejtett Markov modell modelltípusokat foglaljuk össze, majd a Bayes-hálókat és a Markov-hálókat tekintjük át. Budapesti M szaki és Gazdaságtudományi Egyetem Semmelweis Egyetem Typotex Kiadó 2014
2 c Antos András, Antal Péter, Hullám Gábor, Millinghoer András, Hajós Gergely Creative Commons NonCommercial-NoDerivs 3.0 (CC BY-NC-ND 3.0) A szerz nevének feltüntetése mellett nem kereskedelmi céllal szabadon másolható, terjeszthet, megjelentethet és el adható, de nem módosítható. Szerkesztette: Antal Péter Szakmai lektor: Kovács András ISBN Készült a Typotex Kiadó ( gondozásában Felel s vezet : Votisky Zsuzsa Készült a TÁMOP A/1-11/ számú, Konzorcium a biotechnológia és bioinformatika aktív tanulásáért cím projekt keretében
3 Tartalomjegyzék 1. Valószín ségi becslés- és döntéselmélet Bevezetés Deníciók Gyakori költségfüggvények és tulajdonságaik Bayes-döntés Bayes-döntés ismételt meggyelés alapján Bayes-döntés közelítése Bayes-becslés Maximum likelihood becslés Regresszióbecslés; négyzetes középhiba minimalizálás Lineáris becslés Valószín ségi gráfos modellek Bevezetés Racionális bizonytalanságoktól a valószín ség szubjektív értelmezéséig Felcserélhet ségt l a bayesi modellátlagolásig A Bayes-statisztikai keretrendszer általános sémája A modell specikálása a bayesi keretben A prediktív következtetés A parametrikus következtetés és a Bayes-szabály Valószín ségi eloszlások függetlenségeinek rendszere A függetlenség és feltételes függetlenség fogalmai Egyéb valószín ségszámítási alapfogalmak A Markov-takaró, Markov-határ és közvetlen függés fogalmai A grafoid axiómák Valószín ségi gráfos modellek Bayes-hálók kutatásának áttekintése Irányított elválasztás, és egyéb gráfelméleti fogalmak Bayes-háló deníciók Markov-hálók Markov-feltételek irányítatlan gráfokban Bayes-hálók és Markov-hálók reprezentációs képessége Egyszer Bayes-hálók Naiv Bayes-hálók
4 iv Valószín ségi döntéstámogató rendszerek Markov-láncok és rejtett Markov modellek Parametrizáció, priorok deniálása és tudásmérnöki kérdések Oksági modellek: reprezentációk és következtetések Bevezet Bayes-hálók ekvivalencia-osztályai Oksági Bayes-hálók Az oksági értelmezés nehézségei Tisztán magasabbrend függések Intranzitív függések Simpson paradoxona Ellenérvek Bayes-hálók a Bayes-statisztikai keretben Paraméter priorok Bayes-hálókhoz Struktúra priorok Bayes-hálókhoz Meggyelés, beavatkozás, spekuláció Tudásmérnökség Bayes-háló kiterjesztések Tudásmérnökség, biasok és heurisztikák becsléseknél és döntéseknél Valószín ségi ítéletalkotás és a bayesi paradigma Statisztikák becslése Elemi események becslése Az eloszlás becslése A variancia becslése A függetlenségre vonatkozó ítéletek Heurisztikák Reprezentativitás Hozzáférhet ség Rögzítés és igazítás Torzítások a kockázat észlelésében Perspektívahatás Egyenletesség Arányosság Funkcionális referenciák A kauzalitás szerepe A valószín ségi ítéletalkotás mint összetett szabályozó rendszer A torzítások hatása és azok kezelése Összegzés Irodalomjegyzék Egzakt, optimalizációs és Monte-Carlo-következtetések VGM-ben Prediktív következtetés Bayes-hálókban A következtetési eljárások áttekintése A következtetési algoritmus A következtetés komplexitása
5 Tartalomjegyzék v 5.3. Egyszer bb egzakt következtet eljárások Következtetés felsorolással Következtetés változó eliminációval Következtetés polifákban Következtetés nem fa gráfokban A PPTC-következtetés Klikkfa konstruálása Valószín ségek terjesztése a klikkfában Következtetési esetek Közelít következtetés sztochasztikus szimulációval Mintagenerálás üres hálóból Elutasító mintavételezés Valószín ségi súlyozás A Monte-Carlo-eljárások áttekintése Fontossági mintavételezés Markov-láncok A Metropolis-Hastings-algoritmus Következtetés Bayes-hálókban Gibbs-mintavételezéssel Függelék: A következtetés komplexitása Bayes-hálókban A 3SAT probléma visszavezetése a Bayes-hálóban való következtetésre Irodalomjegyzék Döntéstámogatás: optimális döntés, szekvenciális döntések, az információ értéke Szekvenciális döntési folyamatok Optimális döntés Szekvenciális döntés Az információ értéke Megállási feladatok Titkárn probléma A Googol játék Odds algoritmus Az odds algoritmus egy folytonos kiterjesztése Többkarú rabló feladatok Alkalmazási területek Az optimális megoldás, el refele következtetés Gittins index Orvosi döntéstámogatás Egészségügyi adatok és nyilvántartó rendszerek A mesterséges intelligencia szerepe az orvosi döntéstámogatásban Tudás alapú következtet rendszerek Gépi tanulás Orvosi döntéstámogató rendszerek Személyre szabott gyógyászat
6 vi Valószín ségi döntéstámogató rendszerek 7.3. Bináris döntések kiértékelése Hasznosságelmélet Hasznosságfüggvények Hasznosságfüggvények alaptípusai QUALY Micromort Többváltozós hasznosságfüggvények A preferenciák strukturáltsága Döntési hálók Döntési hálók kialakítása és kiértékelése Döntési hálók tulajdonságai Költség-haszon elemzés A hatékonyság mérése A költség és a hatékonyság viszonya Költség-haszon elemzés mintapélda Irodalomjegyzék 163
Intelligens adatelemzés
Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az
RészletesebbenValószín ségi döntéstámogató rendszerek
Valószín ségi döntéstámogató rendszerek Antos András Antal Péter Hullám Gábor Millinghoer András Hajós Gergely Kulcsszavak: döntés, becslés, költségfüggvény, kockázat, a priori és a posteriori valószín
RészletesebbenExact inference in general Bayesian networks
Exact inference in general Bayesian networks Peter Antal antal@mit.bme.hu Overview The Probability Propagation in Trees of Cliques (a.k.a. ~in join trees) Practical inference Exercises Literature: Valószínűségi
RészletesebbenA projekt keretében elkészült tananyagok:
CAM TANKÖNYV A projekt keretében elkészült tananyagok: Anyagtechnológiák Materials technology Anyagtudomány Áramlástechnikai gépek CAD tankönyv CAD Book CAD/CAM/CAE elektronikus példatár CAM tankönyv Méréstechnika
RészletesebbenA könyv. meglétét. sgálat
Benyó Balázs Benyó Zoltán Paláncz Béla Szilágyi László Ferenci Tamás Műszaki és biológiai rendszerek elmélete A könyv interdiszciplináris jellegű, műszaki és biológiai rendszerek működésének modellezésére
Részletesebben1 Antal Péter c szerz neve, egyetem
1 Antal Péter 2 A m címe Jelölések Felhasznált jelölések x,x,x skalár, (oszlop)vektor vagy halmaz, mátrix X, x, p(x) véletlen változó X, érték x, valószín ségi tömegfüggvény/s r ségfüggvény X E X,p(X)
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés 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 Következtetés
RészletesebbenA projekt keretében elkészült tananyagok:
MÉRÉSTECHNIKA A projekt keretében elkészült tananyagok: Anyagtechnológiák Materials technology Anyagtudomány Áramlástechnikai gépek CAD tankönyv CAD Book CAD/CAM/CAE elektronikus példatár CAM tankönyv
RészletesebbenA projekt keretében elkészült tananyagok:
ANYAGTECHNOLÓGIÁK A projekt keretében elkészült tananyagok: Anyagtechnológiák Materials technology Anyagtudomány Áramlástechnikai gépek CAD tankönyv CAD Book CAD/CAM/CAE elektronikus példatár CAM tankönyv
RészletesebbenMatematikai statisztika c. tárgy oktatásának célja és tematikája
Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenLeast Squares becslés
Least Squares becslés A négyzetes hibafüggvény: i d i ( ) φx i A négyzetes hibafüggvény mellett a minimumot biztosító megoldás W=( d LS becslés A gradiens számítása és nullává tétele eredményeképp A megoldás
RészletesebbenMesterséges Intelligencia I.
Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a
RészletesebbenFOLYAMATIRÁNYÍTÁSI RENDSZEREK
Budapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Kémiai és Környezeti Folyamatmérnöki Tanszék Írta: MIZSEY PÉTER Lektorálta: BÉKÁSSYNÉ MOLNÁR ERIKA FOLYAMATIRÁNYÍTÁSI RENDSZEREK
RészletesebbenGazdasági matematika II. tanmenet
Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Szervetlen és Analitikai Kémia Tanszék
Budapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Szervetlen és Analitikai Kémia Tanszék Szerkesztette: POKOL GYÖRGY Írta: POKOL GYÖRGY, GYURCSÁNYI E. RÓBERT, SIMON ANDRÁS,
RészletesebbenBizonytalanság. 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
RészletesebbenMolekuláris biológiai technikák
Molekuláris biológiai technikák Wunderlich Lívius A Molekuláris biológiai technikák jegyzet igyekszik átfogó képet adni a jövő tudományának, a molekuláris biológiának a módszertanáról. A technikák elméleti
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
RészletesebbenProbabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
RészletesebbenÁLTALÁNOS KÉMIAI LABORATÓRIUMI GYAKORLATOK
Budapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Szervetlen és Analitikai Kémia Tanszék Szerkesztette: KOVÁCS ILONA Írta: KOVÁCS ILONA, NYULÁSZI LÁSZLÓ, FEKETE CSABA, KÖNCZÖL
RészletesebbenMesterséges 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
RészletesebbenBiotechnológia és bioinformatika formai ajánlások
Biotechnológia és bioinformatika formai ajánlások Sorozatoldal Címoldal Copyright-oldal szerz (k) lektor 10-15 kulcsszó 10 soros összefoglaló Tartalomjegyzék 0.1. Szekvenciális döntési folyamatok........................
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Szerves Kémia és Technológia Tanszék
Budapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Szerves Kémia és Technológia Tanszék Szerkesztette: FAIGL FERENC Írta: FAIGL FERENC, SZEGHY LAJOS, KOVÁCS ERVIN, MÁTRAVÖLGYI
RészletesebbenGépi 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,
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenKauzális modellek. Randall Munroe
Kauzális modellek Randall Munroe A kauzalitás reprezentációi Determinisztikus Sztochasztikus Feltételes valószínűség < > hipergráf Irányított gráf: több ok, egy okozat < > Bayes-háló Cirkuláris kauzalitás
RészletesebbenMesterséges 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
RészletesebbenProbabilisztikus modellek II: Inferencia. Nagy Dávid
Probabilisztikus modellek II: Inferencia Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 előző előadás előző előadás az agy modellt épít a világról előző előadás az agy modellt épít a világról
RészletesebbenKlinikai kémia. Laboratóriumi diagnosztika. Szerkesztette: Szarka András. Írta: Budapesti Műszaki és Gazdaságtudományi Egyetem Semmelweis Egyetem
Klinikai kémia Laboratóriumi diagnosztika Szerkesztette: Szarka András Írta: Szarka András (1-8, 11-15. fejezet) Keszler Gergely (9, 10. fejezet) Budapesti Műszaki és Gazdaságtudományi Egyetem Semmelweis
RészletesebbenTÁMOP-4.1.2-08/2/A/KMR-2009-0045 Jegyzetek és példatárak a matematika egyetemi oktatásához
A TYPOTEX KIADÓ A TÁMOP PROJEKTEKBEN TÁMOP-4.1.2-08/2/A/KMR-2009-0045 Jegyzetek és példatárak a matematika egyetemi oktatásához Németh Kinga Typotex Kiadó kiadói projektmenedzser RÉSZVÉTEL TÁMOP PROJEKTEKBEN
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenValószínűségi hálók. Mesterséges Intelligencia - MI. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Mesterséges Intelligencia - MI Valószínűségi hálók Előadó: Hullám Gábor Pataki Béla Előadás anyaga: Dobrowiecki
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 206/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenMIKROÖKONÓMIA I. Készítette: Kőhegyi Gergely, Horn Dániel. Szakmai felelős: Kőhegyi Gergely. 2010. június
MIKROÖKONÓMIA I. B Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenTóth János - Simon L. Péter - Csikja Rudolf. Differenciálegyenletek feladatgyűjtemény
Tóth János - Simon L. Péter - Csikja Rudolf Differenciálegyenletek feladatgyűjtemény 2011 Támogatás: Készült a TÁMOP 4.1.2.A/1 11/1 2011 0064 számú, a Természettudományos (matematika és fizika) képzés
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
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés 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
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenTeljesítmény Mérés. Tóth Zsolt. Miskolci Egyetem. Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés / 20
Teljesítmény Mérés Tóth Zsolt Miskolci Egyetem 2013 Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés 2013 1 / 20 Tartalomjegyzék 1 Bevezetés 2 Visual Studio Kód metrikák Performance Explorer Tóth Zsolt
RészletesebbenProbabilisztikus modellek. Nagy Dávid
Probabilisztikus modellek Nagy Dávid Statisztikai tanulás az idegrendszerben, 2016 valószínűségi kalkulus jelölések jelölések valószínűségi változók megfázás köhögés valószínűség 1 0 0.01 1 1 0.04 0 0
RészletesebbenTartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...
RészletesebbenA projekt címe: Egységesített Jármű- és mobilgépek képzés- és tananyagfejlesztés
FÖLDMUNKAGÉPEK A projekt címe: Egységesített Jármű- és mobilgépek képzés- és tananyagfejlesztés A megvalósítás érdekében létrehozott konzorcium résztvevői: KECSKEMÉTI FŐISKOLA BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI
RészletesebbenBizonytalanságok melletti következtetés
Bizonytalanságok melletti következtetés Mesterséges Intelligencia I. Valószínűségi alapfogalmak (ismétlés) A, B,C események esetén a priori valószínűség: feltételes (a posteiori) valószínűség: Bayes-formula
RészletesebbenBizonytalan tudás kezelése
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Bizonytalan tudás kezelése Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz Valószínűségi
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Szervetlen és Analitikai Kémia Tanszék
Budapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Szervetlen és Analitikai Kémia Tanszék Szerkesztette: BENKŐ ZOLTÁN Írta: BENKŐ ZOLTÁN, KŐMÍVESNÉ TAMÁS IBOLYA, STANKOVICS
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenInferencia valószínűségi modellekben
Statisztikai tanulás az idegrendszerben, 2016. Inferencia valószínűségi modellekben Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Inferencia valószínűségi modellekben
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenA Markowitz modell: kvadratikus programozás
A Markowitz modell: kvadratikus programozás Harry Markowitz 1990-ben kapott Közgazdasági Nobel díjat a portfolió optimalizálási modelljéért. Ld. http://en.wikipedia.org/wiki/harry_markowitz Ennek a legegyszer
RészletesebbenA statisztika oktatásáról konkrétan
A világ statisztikája a statisztika világa ünnepi konferencia Esztergom, 2010.október 15. A statisztika oktatásáról konkrétan Dr. Varga Beatrix PhD. egyetemi docens MISKOLCI EGYETEM Üzleti Statisztika
RészletesebbenINTELLIGENS ADATELEMZÉS
Írta: FOGARASSYNÉ VATHY ÁGNES STARKNÉ WERNER ÁGNES INTELLIGENS ADATELEMZÉS Egyetemi tananyag 2011 COPYRIGHT: 2011 2016, Dr. Fogarassyné Dr. Vathy Ágnes, Pannon Egyetem Műszaki Informatikai Kar Matematika
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
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,
RészletesebbenMérés és modellezés 1
Mérés és modellezés 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni kell
RészletesebbenPREDIKTÍV ANALITIKÁVAL A KORAI ISKOLAELHAGYÓK SZÁMÁNAK CSÖKKENTÉSÉÉRT
PREDIKTÍV ANALITIKÁVAL A KORAI ISKOLAELHAGYÓK SZÁMÁNAK CSÖKKENTÉSÉÉRT Horváth Ádám Divízióvezető Digitális Jólét Nonprofit Kft. Digitális Pedagógiai Módszertani Központ Nagy István EFOP-3.2.15-VEKOP-17-2017-00001
RészletesebbenGazdasági matematika II. Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdálkodási és menedzsment, pénzügy és számvitel szakok távoktatás tagozat Gazdasági matematika II. Tantárgyi útmutató 2016/17 tanév II. félév 1/6 A KURZUS ALAPADATAI Tárgy
RészletesebbenTöbbváltozós lineáris regresszió 3.
Többváltozós lineáris regresszió 3. Orlovits Zsanett 2018. október 10. Alapok Kérdés: hogyan szerepeltethetünk egy minőségi (nominális) tulajdonságot (pl. férfi/nő, egészséges/beteg, szezonális hatások,
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenVEZETŐI SZÁMVITEL elmélet, módszertan
VEZETŐI SZÁMVITEL elmélet, módszertan 2016 Szerzők: Dr. Kardos Barbara Dr. Sisa Krisztina Andrea Dr. Szekeres Bernadett Dr. Veress Attila Lektor: Dr. Siklósi Ágnes ISBN 978 963 638 511 8 Kiadja a SALDO
RészletesebbenMŰSZAKI ÁBRÁZOLÁS II.
MŰSZAKI ÁBRÁZOLÁS II. A projekt címe: Egységesített Jármű- és mobilgépek képzés- és tananyagfejlesztés A megvalósítás érdekében létrehozott konzorcium résztvevői: KECSKEMÉTI FŐISKOLA BUDAPESTI MŰSZAKI
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
Részletesebben1 Antal Péter c szerz neve, egyetem
1 Antal Péter 2 A m címe Jelölések Felhasznált jelölések x,x,x skalár, (oszlop)vektor vagy halmaz, mátrix X, x, p(x) véletlen változó X, érték x, valószín sgéi tömegfüggvény/s r ségfüggvény X E X,p(X)
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
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
RészletesebbenBayesi relevancia és hatáserősség mértékek. PhD tézisfüzet. Hullám Gábor. Dr. Strausz György, PhD (BME)
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Bayesi relevancia és hatáserősség mértékek Hullám Gábor Témavezető: Dr. Strausz György, PhD (BME) Budapest,
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot oldottuk meg korábban,
RészletesebbenLégiforgalmi irányítás szektorizációs tool munkaterhelés alapú megközelítése Számel Bence Domonkos. Unrestricted
Légiforgalmi irányítás szektorizációs tool munkaterhelés alapú megközelítése Számel Bence Domonkos Unrestricted A döntéstámogató eszköz rendeltetése A légiforgalmi irányítás biztonságának és hatékonyságának
RészletesebbenSzámítógép-rendszerek fontos jellemzői (Hardver és Szoftver):
B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
Részletesebben1. A szoftver funkcionalitásai: modellszerkesztés
1. A szoftver funkcionalitásai: modellszerkesztés A BayesCube szoftver segítségével a felhasználó valószínűségi csomópontokból álló Bayes-hálókat, majd az akció- és hasznosságcsomópontok bevezetésével
RészletesebbenKosztyán Zsolt Tibor Katona Attila Imre
Kockázatalapú többváltozós szabályozó kártya kidolgozása a mérési bizonytalanság figyelembe vételével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és ködtetése konvergencia
Részletesebben10. 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
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté 2016. szeptember 14. Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot
RészletesebbenRejtett Markov Modellek
Rejtett Markov Modellek Felkészülés A beágyazott információs rendszerek egyik fı kihívása a bizonytalan mérések, megfigyelések integrálása. Ennek gyakori alapesete, ha egy ismeretlen, akár folyamatosan
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenValószínűségi modellellenőrzés Markov döntési folyamatokkal
Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
RészletesebbenA vasúti er sáramú szimuláció és szerepe a vasúti fejlesztések m szaki tartalmának meghatározásában
A vasúti er sáramú szimuláció és szerepe a vasúti fejlesztések m szaki tartalmának meghatározásában Rónai András Fejlesztési és Beruházási F igazgatóság, M szaki El készítés 2015.11.18. Rónai András (FBF)
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
RészletesebbenIpari parkok fejlődési lehetőségei:
Ipari parkok fejlődési lehetőségei: regionális gazdaságfejlesztés, innovációs folyamatok és klaszterek Szerkesztette: Buzás Norbert és Lengyel Imre JATEPress, Szeged 2002 Szerkesztette: Buzás Norbert Lengyel
RészletesebbenValószín ségszámítás. Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes 2018/2019.
Valószín ségszámítás Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes agnes@cs.elte.hu 2018/2019. szi félév A valószín ségszámítás kurzus céljai a statisztika megalapozása: a véletlen
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
RészletesebbenMérés 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
RészletesebbenSztochasztikus következtetés szenzorhálózatokban: Gibbs mintavételezés Bayes hálózatokban
Sztochasztikus következtetés szenzorhálózatokban: Gibbs mintavételezés Bayes hálózatokban A mérés háttere: A beágyazott információs rendszerek egyik fı kihívása a bizonytalan mérések, megfigyelések integrálása,
RészletesebbenTANTÁRGYI PROGRAM Matematikai alapok II. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok II. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Tantárgy jellege/típusa:
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenKÖZGAZDASÁGTAN I. Készítette: Bíró Anikó, K hegyi Gergely, Major Klára. Szakmai felel s: K hegyi Gergely. 2010. június
KÖZGAZDASÁGTAN I. Készült a TÁMOP-4.1.2-08/2/a/KMR-2009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenOnline algoritmusok. Algoritmusok és bonyolultságuk. Horváth Bálint március 30. Horváth Bálint Online algoritmusok március 30.
Online algoritmusok Algoritmusok és bonyolultságuk Horváth Bálint 2018. március 30. Horváth Bálint Online algoritmusok 2018. március 30. 1 / 28 Motiváció Gyakran el fordul, hogy a bemenetet csak részenként
RészletesebbenIntelligens adatelemzés
Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az
RészletesebbenKockázatalapú fenntartás-tervezés Fuzzy logika alkalmazásával. ELMŰ Hálózat Bálint Zsolt 2017/11/20
Kockázatalapú fenntartás-tervezés Fuzzy logika alkalmazásával Miért kell erről beszélni? A hálózat ELMŰ Nyrt. 4 050 km 2 Supply area 15 501 km 2 10 645 GWh Energy supplied 6 113 GWh 965 GWh / 9,1% Grid
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenVEGYIPARI MŰVELETEK II. Anyagátadó műveletek és kémiai reaktorok
Budapesti Műszaki és Gazdaságtudományi Egyetem Vegyészmérnöki és Biomérnöki Kar Kémiai és Környezeti Folyamatmérnöki Tanszék Szerkesztette: SIMÁNDI BÉLA Írta: CSÉFALVAY EDIT, DEÁK ANDRÁS, FARKAS TIVADAR,
RészletesebbenParametrikus tervezés
2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók
Részletesebben