Kísérletek tervezése. A gyógyszertervezés lehetségei. Hagyományos módszer. Mi a Neurális hálózat?

Save this PDF as:
 WORD  PNG  TXT  JPG

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Kísérletek tervezése. A gyógyszertervezés lehetségei. Hagyományos módszer. Mi a Neurális hálózat?"

Átírás

1 A gyógyszertervezés lehetségei Kísérletek tervezése Mesterséges neurális hálózatok alkalmazása a gyógyszertervezésben Korábbi vizsgálatok adatai Gyakorlat, szaktudás, intuíció Számítógépes programok tervezést segít, modellez rendszerek mesterséges neurális hálózatok Hagyományos módszer Elmélet kidolgozása Gyakorlat kidolgozása az elmélet igazolásához Az elmélet módosítása az elvégzett kísérletek eredményeinak alapján További kísérletek elvégzése a módosított hipotézis alapján Mi a Neurális hálózat? Modellez eszköz ami felfedi a kapcsolatokat a rendelkezésre álló adatbázis példáiban Automatikus matematikai tervez- módszer, készítmények modellezésére közvetlenül az adatokból Költségkímél eszköz az új termékek tervezéséhez Jelkapcsolat a biológiai és a mesterséges neuronok között A hagyományos módszer hátrányai A változók hatásainak korlátozott megértése Kevés információ a komponensek között létrejöv interakciókról Az elemzés hatásfoka nagyon gyenge Túl sok idt és kísérletet igényel Költséges 1

2 Mi szükséges a tervezéshez? A fehasználásra kerül anyagok elvizsgálati eredményei A végleges adag ill., a végleges gyógyszerforma ismerete A készítési paraméterek meghatározása A készítmény vizsgálati eredményei A neurális hálózatok alkalmazási területei Alakfelismerés Gazdasági-, társadalmi modellek Pénzügyi szektor Marketing modellezés Beruházások optimalizálása Távközlés Jelanalízis Adatkompresszió Környezetvédelem Idjárás-elrejelzések Biológia Ipar Min&ségellen&rzés Gyártástervezés Hibadiagnózis Több forrás adatainak kombinálása A mesterséges neurális hálózatok általános jellemzi 1. Csomópontokból és a csomók közötti kapcsolatokból áll Egy és több rejtett réteg6 neurális rendszerek a bemeneti jelek súlyozott összegét számítják az összeget a küszöbérték(ek)kel hasonlítják össze lineáris vagy nemlineáris átviteli függvénnyel végzik a tapasztalataik alapján megváltoztatják viselkedésüket 2. Három f részre osztható a csomópontok összekapcsolt hálózata a csomópontok aktivációs szabálya a csomópontok tanulási szabálya Adatmodellez rendszer Stuttgart Neural Network Simulator A rejtett neuronok számának meghatározása N hidden = N trn [ R + ( N + N )] inp out M.N. Jadid et al: Eng.Appl.Artif.Intell. 9 (1996) N hidden ( N N ) = N trn input + N output output +1 J.C. Carpenter et al: AI Expert 10 (1995)

3 A rejtett réteg csomópontszámának optimálása függ: a bemen és kimen neuronok számától a tanításra felhasznált adatok számától az elérni kívánt érték zajszintjétl a megtanítani kívánt funkció komplexicitásától a neurális hálózat típusától a rejtett csomópontok aktivációs értékétl A mesterséges neurális hálózatok alkalmazása a CRDD rendszerekben Preformulációs vizsgálatok Eljelzés és optimálás Tabletták Pelletek Mikroszférák Transzdermális készítmények a tanítási algoritmustól Az eljelzett és tényleges kioldódási értékek Model kioldódási görbék Y1 Y2 Y3 Y4 P E P E P E P E F1 47,00 47,03 74,66 74,69 92,61 92,62 103,4 103,4 F2 21,38 21,36 47,17 47,16 91,38 91,42 102,3 102,3 F3 13,81 13,81 21,61 21,61 33,95 33,94 47,49 47,48 F4 17,03 17,03 26,23 26,22 47,02 46,99 67,21 67,19 F5 14,06 14,06 21,81 21,81 32,86 32,85 49,55 49,54 F6 23,12 23,12 50,35 50,36 80,40 80,44 99,16 99,19 F7 17,02 16,66 30,08 29,81 49,79 49,87 67,44 68,76 F8 17,02 17,37 30,08 30,35 49,79 49,71 67,44 66,11 F9 14,47 14,46 26,46 26,44 42,44 42,41 62,08 62,06 F10 36,11 36,11 65,80 65,80 77,18 77,17 99,43 99,43 Eljelzett tabletta keménység az Eudragit L 100 és az ASA függvényében Eudragit L 100 mennyiségének hatása a tabletták keménységére 3

4 Eljelzett és mért ASA kioldódás az optimált összetételbl A mesterséges neurális hálózatok fbb tulajdonságai Képes egyszerre több változót kezelni Megfelel tanítás után funkcionális kapcsolatokat talál az egyes változók között Költségkímél eszköz Nem szükséges a bels mechanizmus ismerete a használathoz Eljelz és formula optimizáló Új adatokkal könnyen feltölthet Mire van szükségünk? Pellet tervezés Bemen paraméterek Kimen paraméterek hatóanyag dezintegráns töltanyag kötanyag glidáns lubrikáns stb. részecskeméret folyási tulajdonság szilárdság kopási veszteség dezintegrációs id kioldódás mértéke stb. Összetétel megtervezése A tervezési módszer kiválasztása Central composite Face centered Box-Behnken Simplex Equiradial Random Simplex centroid Simplex Lattice Hybrid 4

5 Az elvégzend& kísérletek részletezése A Neurális hálózat paraméterezése Az ellen&rz& paraméterek beállítása Összetétel Diclof EraTab Vitac Mannit Kukem Aerosil Sacch Kollidon g g g g g g g g P P P P P P A vizsgálat eredményei A vizsgálat eredményei Dissolution investigation 120,00 Heap mass investigation of pellet Investigation of friability of pellet samples samples , Disintegration (%) Mass (g) Disintegration investigation of pellet samples P 1 P 2 P 3 P 4 P 5 P 6 Flowing time (s) Friability (%) Flowing time investigation of pellet samples 1 Dissolved amount (%) 80,00 P 1 60,00 P 2 P 3 40,00 P 4 P 5 20,00 P 6 0, Time (min) 5

6 A legjobb és a legrosszabb minta kiválasztása Hvol. Hmass Flow. Angrep. Friab. Disint P P P P P P D.t. 1 D.t. 3 D.t. 5 D.t. 10 D.t. 20 D.t. 30 D.t. 45 D.t. 60 P P P P P P Az anyagok fontosságának meghatározása Diclof EraTab Vitac Mannit Kukem Aerosil Sacch Kollidon g g g g g g g g P P P P P P Új minta keresése Tulajdonságok elrejelzése Anyag és módszer Mag tervezése Granulátum: Tervezési mód: Hybrid design Készítés: Hatóanyag: Dilthiazem HCl (Dilt) Töltanyag: Vivapur 101 (V101) Dezintegráns: Era-Tab (Era-T) Kötanyag: Pharmacoat 603 (P603) Freund CF-360 granulator Dilt Era-T V101 P603 Min. Max. Min. Max. Min. Max. Min. Max. 100 g 500 g 300 g 500 g 100 g 500 g 10 g 40 g 6

7 Tervezett összetételek Granulátum készítés Dilt Era-T V101 P603 (g) (g) (g) (g) MST MST MST MST MST MST MST Készítési paraméterek Vizsgált tulajdonságok Liqu. add. Rotor Temp ml/min rpm C MST MST MST MST MST MST MST S6r6ség Kerekdedség Szilárdság Kop. veszt. (N) (%) MST-1 1,649 1,19 0,751 0,15 MST-2 1,753 1,17 0,747 0,12 MST-3 1,583 1,29 0,729 0,18 MST-4 1,651 1,16 0,746 0,23 MST-5 1,678 1,25 0,757 0,31 MST-6 1,731 1,22 0,781 0,17 MST-7 1,939 1,19 0,731 0,19 Granulátumok alakja Granulátumok keresztmetszete 7

8 Neurális hálózat paraméterezése Tanítási paraméterek beállítása Neurális hálózat szerkezete Ellen&rzési paraméterek SErEség el&rejelzése Keménység el&rejelzése 8

9 Kopási veszteség el&rejelzése Kerekdedség el&rejelzése Minták, ill. paraméterek keresése Irányított keresés Összefoglalás Szükséges a felhasznált anyagok tulajdonságaink ismerete A végleges gyógyszerforma ill., a készítmény adagja ismert kell legyen az elvizsgálatokhoz Lehetség szerint az optimális készítési paraméterek meghatározása Gyakorlatilag bármilyen készítmény fejlesztésénél felhasználható A mesterséges neurális hálózatok alkalmazásának jelentsége Képes egyszerre több változót kezelni Megfelel tanítás után funkcionális kapcsolatokat talál az egyes változók között Költségkímél eszköz Nem szükséges a bels mechanizmus ismerete a használathoz Eljelz és formula optimizáló Új adatokkal könnyen feltölthet 9

10 A mesterséges neurális rendszerek korlátai Nem képes a természetes neurális rendszert utánozni (jelenleg) Nagyszámú adatra és Hosszú computer idre volt/van szüksége Egy tapasztalt, képzett kutató intuíciója néha hamarabb eredményt hoz Nincs univerzális program minden problémához A témához kapcsolódó vagy az irodalomban is megemlített és/vagy alkalmazott szoftverek NeuralWorks Predict NeuroSolutions Neuroshell Neural GeneHunter Statistica Neural Networks Stuttgart Neural Network Simulator Stella Stavex Expert System SAS Lab Matlab Neural Networks Toolbox MindModel NNModel EasyNN Köszönöm a türelmet! Kellemes, Békés Ünnepeket és sikerekben gazdag, Boldog Új Évet kívánok! 10

Neurális hálózatok bemutató

Neurális 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.:

Részletesebben

Hibadetektáló rendszer légtechnikai berendezések számára

Hibadetektáló rendszer légtechnikai berendezések számára Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő

Részletesebben

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

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

Részletesebben

Kovács Ernő 1, Füvesi Viktor 2

Kovács Ernő 1, Füvesi Viktor 2 Kovács Ernő 1, Füvesi Viktor 2 1 Miskolci Egyetem, Elektrotechnikai - Elektronikai Tanszék 2 Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet 1 HU-3515 Miskolc-Egyetemváros 2 HU-3515 Miskolc-Egyetemváros,

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

I. LABOR -Mesterséges neuron

I. LABOR -Mesterséges neuron I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens 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

Részletesebben

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának

Részletesebben

Témaválasztás, kutatási kérdések, kutatásmódszertan

Témaválasztás, kutatási kérdések, kutatásmódszertan Témaválasztás, kutatási kérdések, kutatásmódszertan Dr. Dernóczy-Polyák Adrienn PhD egyetemi adjunktus, MMT dernoczy@sze.hu A projekt címe: Széchenyi István Egyetem minőségi kutatói utánpótlás nevelésének

Részletesebben

Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás

Mesterséges 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

Részletesebben

Intelligens Rendszerek Elmélete

Intelligens 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

Részletesebben

Hogyan lesz adatbányából aranybánya?

Hogyan lesz adatbányából aranybánya? Hogyan lesz adatbányából aranybánya? Szolgáltatások kapacitástervezése a Budapest Banknál Németh Balázs Budapest Bank Fehér Péter - Corvinno Visontai Balázs - KFKI Tartalom 1. Szolgáltatás életciklus 2.

Részletesebben

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció

Részletesebben

Mély neuronhálók alkalmazása és optimalizálása

Mély neuronhálók alkalmazása és optimalizálása magyar nyelv beszédfelismerési feladatokhoz 2015. január 10. Konzulens: Dr. Mihajlik Péter A megvalósítandó feladatok Irodalomkutatás Nyílt kutatási eszközök keresése, beszédfelismer rendszerek tervezése

Részletesebben

NEURÁLIS HÁLÓZATOK 1. eloadás 1

NEURÁLIS 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,

Részletesebben

Modellkiválasztás és struktúrák tanulása

Modellkiválasztás és struktúrák tanulása Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális

Részletesebben

Számítógépes döntéstámogatás. Genetikus algoritmusok

Számítógépes döntéstámogatás. Genetikus algoritmusok BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as

Részletesebben

KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM

KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM Kernel módszerek idősor előrejelzés Mérési útmutató Készítette: Engedy István (engedy@mit.bme.hu) Méréstechnika és Információs Rendszerek Tanszék Budapesti Műszaki

Részletesebben

A hálózattervezés alapvető ismeretei

A hálózattervezés alapvető ismeretei A hálózattervezés alapvető ismeretei Infokommunikációs hálózatok tervezése és üzemeltetése 2011 2011 Sipos Attila ügyvivő szakértő BME Híradástechnikai Tanszék siposa@hit.bme.hu A terv általános meghatározásai

Részletesebben

Többváltozós adatelemzési módszerek alkalmazása gyártási folyamatok monitoringjára és optimalizálásra

Többváltozós adatelemzési módszerek alkalmazása gyártási folyamatok monitoringjára és optimalizálásra Többváltozós adatelemzési módszerek alkalmazása gyártási folyamatok monitoringjára és optimalizálásra Heinold László AIB-Vincotte Hungary Kft. 1 A többváltozós megközelítés A többváltozós megközelítés

Részletesebben

Mérés és modellezés 1

Mérés 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

Részletesebben

Forgalmi modellezés BMEKOKUM209

Forgalmi 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

Részletesebben

Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására

Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására VÉGZŐS KONFERENCIA 2009 2009. május 20, Budapest Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására Hidasi Balázs hidasi@tmit.bme.hu Konzulens: Gáspár-Papanek Csaba Budapesti

Részletesebben

Bevonás. Az előadás felépítése

Bevonás. Az előadás felépítése Bevonás Az előadás felépítése 1. A bevonandó anyagok jellemzése /fizikai paraméterek, méret/. Eljárástani paraméterek 3. Bevonó anyagok / összehasonlítások 4. Bevonási hibák 1 Fizikai jellemzők Bevonandó

Részletesebben

Bevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz)

Bevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz) Bevezetés a kvantum informatikába és kommunikációba Féléves házi feladat (2013/2014. tavasz) A házi feladatokkal kapcsolatos követelményekről Kapcsolódó határidők: választás: 6. oktatási hét csütörtöki

Részletesebben

Összefoglalás és gyakorlás

Összefoglalás és gyakorlás Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)

Részletesebben

Fotódokumentáció. Projektazonosító: KMOP-1.1.1-08/1-2008-0049

Fotódokumentáció. Projektazonosító: KMOP-1.1.1-08/1-2008-0049 Fotódokumentáció Projektazonosító: KMOP-1.1.1-08/1-2008-0049 Laborkísérletekhez használt reaktorrendszer előkészítése A laborkísérletek elvégzéséhez szükséges volt egy kisméretű FCR (food chain reactor

Részletesebben

Korrodált acélszerkezetek vizsgálata

Korrodált acélszerkezetek vizsgálata Korrodált acélszerkezetek vizsgálata 1. Szerkezeti példák és laboratóriumi alapkutatás Oszvald Katalin Témavezető : Dr. Dunai László Budapest, 2009.12.08. 1 Általános célkitűzések Korrózió miatt károsodott

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

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9

Tartalomjegyzék. 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...

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

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált

Részletesebben

SZIMULÁCIÓ ÉS MODELLEZÉS AZ ANSYS ALKALMAZÁSÁVAL

SZIMULÁCIÓ ÉS MODELLEZÉS AZ ANSYS ALKALMAZÁSÁVAL SZIMULÁCIÓ ÉS MODELLEZÉS AZ ANSYS ALKALMAZÁSÁVAL MAGYAR TUDOMÁNY NAPJA KONFERENCIA 2010 GÁBOR DÉNES FŐISKOLA CSUKA ANTAL TARTALOM A KÍSÉRLET ÉS MÉRÉS JELENTŐSÉGE A MÉRNÖKI GYAKORLATBAN, MECHANIKAI FESZÜLTSÉG

Részletesebben

Intelligens technikák k a

Intelligens technikák k a Intelligens technikák k a döntéstámogatásban Döntések fuzzy környezetben Starkné Dr. Werner Ágnes 1 Példa: Alternatívák: a 1,a 2,a 3 Kritériumok: k 1,k 2, k 3,k 4 Az alternatívák értékelését az egyes kritériumok

Részletesebben

Név KP Blokk neve KP. Logisztika I. 6 LOG 12 Dr. Kovács Zoltán Logisztika II. 6 Logisztika Dr. Kovács Zoltán

Név KP Blokk neve KP. Logisztika I. 6 LOG 12 Dr. Kovács Zoltán Logisztika II. 6 Logisztika Dr. Kovács Zoltán Név KP Blokk neve KP Felelıs vizsgáztató Kombinatorikus módszerek és algoritmusok 5 MAT 10 Dr. Tuza Zsolt Diszkrét és folytonos dinamikai rendszerek matematikai alapjai 5 Matematika Dr. Hartung Ferenc

Részletesebben

Információk. Ismétlés II. Ismétlés. Ismétlés III. A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin. Algoritmus. Algoritmus ábrázolása

Információk. Ismétlés II. Ismétlés. Ismétlés III. A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin. Algoritmus. Algoritmus ábrázolása 1 Információk 2 A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin Elérhetőség mesko.katalin@tfk.kefo.hu Fogadóóra: szerda 9:50-10:35 Számonkérés időpontok Április 25. 9 00 Május 17. 9 00 Június

Részletesebben

Bevezetés a neurális számításokba Analóg processzortömbök,

Bevezetés 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

Részletesebben

MIKE URBAN WATER DISTRIBUTION

MIKE URBAN WATER DISTRIBUTION MIKE URBAN VÍZELOSZTÓ HÁLÓZAT Az eredeti MIKE URBAN WATER DISTRIBUTION alapján a fordítás az UWEX projekt keretén belül készült: LEONARDO DA VINCI Transfer of innovation Tempus No.: 09/0128-L/4006 Urban

Részletesebben

A villamos hálózatok tréningszimulátoros modellezése. 62. MEE Vándorgyűlés Siófok, Dr. Kovács Attila

A villamos hálózatok tréningszimulátoros modellezése. 62. MEE Vándorgyűlés Siófok, Dr. Kovács Attila A villamos hálózatok tréningszimulátoros modellezése 62. MEE Vándorgyűlés Siófok, 2015.09.17. Dr. Kovács Attila NTS: a villamos hálózatok tréningszimulátora GG Főelosztó Elosztó Átviteli Mikro-grid hálózat

Részletesebben

egy szisztolikus példa

egy szisztolikus példa Automatikus párhuzamosítás egy szisztolikus példa Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus Automatikus párhuzamosítási módszer ötlet Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus

Részletesebben

Haszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11.

Haszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11. Haszongépj pjármű fékrendszer intelligens vezérl rlése Németh Huba Knorr-Bremse Kutatási és s Fejlesztési si Központ, Budapest 2004. November 17. Knorr-Bremse 19.11.2004 Huba Németh 1 Tartalom Motiváció

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =

Részletesebben

KÖSZÖNTJÜK HALLGATÓINKAT!

KÖSZÖNTJÜK HALLGATÓINKAT! 2010. november 10. KÖSZÖNTJÜK HALLGATÓINKAT! Önök Dr. Horváth Zoltán Módszerek, amelyek megváltoztatják a világot A számítógépes szimuláció és optimalizáció jelentősége c. előadását hallhatják! 1 Módszerek,

Részletesebben

A könyv. meglétét. sgálat

A 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

Részletesebben

TERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI. 1. Bevezetés

TERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI. 1. Bevezetés TERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI Dr. Goda Tibor egyetemi docens Gép- és Terméktervezés Tanszék 1. Bevezetés 1.1. A végeselem módszer alapjai - diszkretizáció, - szerkezet felbontása kicsi szabályos elemekre

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

Világítástechnika. mesterfokon. Csak világosan! Webs Világítástechnikai Kft.

Világítástechnika. mesterfokon. Csak világosan! Webs Világítástechnikai Kft. Világítástechnika mesterfokon Csak világosan! Webs Világítástechnikai Kft. Egyedi igényekre szabott tervezés 2 A Webs Világítástechnikai Kft. komplex és egyedi megoldásokat kínál a kül-, és beltéri díszvilágítás,

Részletesebben

SAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával

SAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával SAT probléma kielégíthetőségének vizsgálata masszív parallel mesterséges neurális hálózat alkalmazásával Tajti Tibor, Bíró Csaba, Kusper Gábor {gkusper, birocs, tajti}@aries.ektf.hu Eszterházy Károly Főiskola

Részletesebben

Kiöntött síncsatornás felépítmény kialakításának egyes elméleti kérdései

Kiöntött síncsatornás felépítmény kialakításának egyes elméleti kérdései Kiöntött síncsatornás felépítmény kialakításának egyes elméleti kérdései VII. Városi Villamos Vasúti Pálya Napra Budapest, 2014. április 17. Major Zoltán egyetemi tanársegéd Széchenyi István Egyetem, Győr

Részletesebben

ELTE TáTK Közgazdaságtudományi Tanszék OKTATÁSGAZDASÁGTAN. Készítette: Varga Júlia. Szakmai felelős: Varga Júlia június

ELTE TáTK Közgazdaságtudományi Tanszék OKTATÁSGAZDASÁGTAN. Készítette: Varga Júlia. Szakmai felelős: Varga Júlia június OKTATÁSGAZDASÁGTAN OKTATÁSGAZDASÁGTAN Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék,

Részletesebben

Parametrikus tervezés

Parametrikus tervezés 2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Irányításelmélet és technika II.

Irányításelmélet és technika II. Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november

Részletesebben

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága @ Budapest University of Technology and Economics Nagy hálózatok evolúciója Gulyás András, Heszberger Zalán High Speed Networks Laboratory Internet trendek Tisztán kivehetı tendencia: kommunikációs hálózatok

Részletesebben

Tóvári Péter 1 Bácskai István 1 Madár Viktor 2 Csitári Melinda 1. Nemzeti Agrárkutatási és Innovációs Központ Mezőgazdasági Gépesítési Intézet

Tóvári Péter 1 Bácskai István 1 Madár Viktor 2 Csitári Melinda 1. Nemzeti Agrárkutatási és Innovációs Központ Mezőgazdasági Gépesítési Intézet Kistelepülések mezőgazdasági melléktermékekből és hulladékok keverékéből, pirolízis útján történő energia nyerése című projekt tapasztalatai és kutatási eredményei a NAIK MGI-ben Tóvári Péter 1 Bácskai

Részletesebben

Fogyasztás, beruházás és rövid távú árupiaci egyensúly kétszektoros makromodellekben

Fogyasztás, beruházás és rövid távú árupiaci egyensúly kétszektoros makromodellekben Fogyasztás, beruházás és rövid távú árupiaci egyensúly kétszektoros makromodellekben Fogyasztáselméletek 64.) Bock Gyula [2001]: Makroökonómia ok. TRI-MESTER, Tatabánya. 33. o. 1. 65.) Keynesi abszolút

Részletesebben

Ütemezési modellek. Az ütemezési problémák osztályozása

Ütemezési modellek. Az ütemezési problémák osztályozása Ütemezési modellek Az ütemezési problémák osztályozása Az ütemezési problémákban adott m darab gép és n számú munka, amelyeket az 1,..., n számokkal fogunk sorszámozni. A feladat az, hogy ütemezzük az

Részletesebben

Projektfeladatok 2014, tavaszi félév

Projektfeladatok 2014, tavaszi félév Projektfeladatok 2014, tavaszi félév Gyakorlatok Félév menete: 1. gyakorlat: feladat kiválasztása 2-12. gyakorlat: konzultációs rendszeres beszámoló a munka aktuális állásáról (kötelező) 13-14. gyakorlat:

Részletesebben

KÍSÉRLET, MÉRÉS, MŰSZERES MÉRÉS

KÍSÉRLET, MÉRÉS, MŰSZERES MÉRÉS KÍSÉRLET, MÉRÉS, MŰSZERES MÉRÉS Kísérlet, mérés, modellalkotás Modell: olyan fizikai vagy szellemi (tudati) alkotás, amely egy adott jelenség lefolyását vagy egy rendszer viselkedését részben vagy egészen

Részletesebben

Kerékagymotoros Formula Student versenyautó menetdinamikai szimulációja

Kerékagymotoros Formula Student versenyautó menetdinamikai szimulációja bmemotion Kerékagymotoros Formula Student versenyautó menetdinamikai szimulációja Csortán-Szilágyi György Dorogi János Nagy Ádám Célunk Fő célunk: Villamos hajtású versenyautó tervezése és építése - részvétel

Részletesebben

Izomalt segédanyag alkalmazása granulátum és tabletta előállítása céljából

Izomalt segédanyag alkalmazása granulátum és tabletta előállítása céljából Izomalt segédanyag alkalmazása granulátum és tabletta előállítása céljából Doktori tézisek Dr. Sáska Zsófia Éva Semmelweis Egyetem Gyógyszertudományok Doktori Iskola Témavezető: Dr. Antal István egyetemi

Részletesebben

A felületi szabadenergia hatása az előállított pelletek paramétereire

A felületi szabadenergia hatása az előállított pelletek paramétereire Szegedi Tudományegyetem Gyógyszertechnológiai Intézet Ph.D. értekezés tézisei A felületi szabadenergia hatása az előállított pelletek paramétereire Tüske Zsófia Szeged 2006 Bevezetés A szilárd gyógyszerformák

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008

Mesterséges 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

Részletesebben

A TANÁCSADÁSI MODELLEK GYAKORLATI ALKALMAZÁSÁNAK FŐBB SAJÁTOSSÁGAI

A TANÁCSADÁSI MODELLEK GYAKORLATI ALKALMAZÁSÁNAK FŐBB SAJÁTOSSÁGAI A TANÁCSADÁSI MODELLEK GYAKORLATI ALKALMAZÁSÁNAK FŐBB SAJÁTOSSÁGAI Józsa Imola Doktorjelölt Dr. Vinogradov Sergey PhD.Tanszékvezető Egyetemi docens SZENT ISTVÁN EGYETEM Gödöllő BUDAPESTI KERESKEDELMI ÉS

Részletesebben

Adatszerkezetek 2. Dr. Iványi Péter

Adatszerkezetek 2. Dr. Iványi Péter Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat

Részletesebben

MATEMATIKA - STATISZTIKA TANSZÉK

MATEMATIKA - STATISZTIKA TANSZÉK MATEMATIKA - STATISZTIKA TANSZÉK 1. A Kodolányi János Főiskolán végzett kutatások Tananyagfejlesztés A kutatási téma címe, rövid leírása Várható eredmények vagy célok; részeredmények Kutatás kezdete és

Részletesebben

Mechatronika alapjai órai jegyzet

Mechatronika alapjai órai jegyzet - 1969-ben alakult ki a szó - Rendszerek és folyamatok, rendszertechnika - Automatika, szabályozás - számítástechnika Cd olvasó: Dia Mechatronika alapjai órai jegyzet Minden mechatronikai rendszer alapstruktúrája

Részletesebben

II. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László

II. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László A kockázat alapú felülvizsgálati és karbantartási stratégia alkalmazása a MOL Rt.-nél megvalósuló Statikus Készülékek Állapot-felügyeleti Rendszerének kialakításában II. rész: a rendszer felülvizsgálati

Részletesebben

A DOE (design of experiment) mint a hat szigma folyamat eszköze

A DOE (design of experiment) mint a hat szigma folyamat eszköze A DOE (design of experiment) mint a hat szigma folyamat eszköze 2.5 Z [mils] 0.5 0-0.5 2.4.27 0.40-0.47 Y [in] - -.34-2.22 -.32 X [in] -0.42 0.48.38 2.28-2.2, feketeöves GE Consumer & Industrial A DOE

Részletesebben

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén

Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008

Mesterséges 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

Részletesebben

időpont? ütemterv számonkérés segédanyagok

időpont? ütemterv számonkérés segédanyagok időpont? ütemterv számonkérés segédanyagok 1. Bevezetés Végeselem-módszer Számítógépek alkalmazása a szerkezettervezésben: 1. a geometria megadása, tervkészítés, 2. műszaki számítások: - analitikus számítások

Részletesebben

ü É Í ü ü ü Í ü ű ü ü ü ű ü ű ű ű ü ü ü ű ü Í ü ű ü ü ü Ű Í É É Á Ő Á Ó Á Á Á Á É Á Á Á Á É Á Í Á Á Í Í ű Á É É Á Á Ö Í Á Á Á Á Á É Á Á Ó ű Í ü ü ü ű ű ü ü ű ü Á ü ű ü Í Í Í ü Í Í ű ű ü ü ü ü ű ü ű ü ü

Részletesebben

Í Á Á É ö ö ö ö ö ű ü ö ű ű ű ö ö ö ü ö ü í ü í í í ü í ü Á ü ö ö ü ö ü ö ö ü ö í ö ö ü ö ü í ö ü ű ö ü ö ü í ö í ö ű ű ö ö ú ö ü ö ű ű ű í ö ű í ű ö ű ü ö í ű í í ö í ö ö Ó Í ö ű ű ű ű í í ű ű í í Ü ö

Részletesebben

Ű Í ó Ü Ö Á Á Ó Ö Ü Ü Ü Ü Á Í Ü Á Á Ü Ü Ü Ü Ü Ü Ö Ü Í Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Á Í Ü Í Í Á Í Í Ü Í Í Ü Á Ü Ü Ü Ü Ü Ü Ü Ü Ő Ö Á ÁÍ Á Ü Ü Á Í Ü Í Á Ü Á Í ó Í Í Ü Ü ő Í Ü Ű Ü Ü Ü Ü Í Ü Ü Ü Ü Ü Ü Ü Í Ü Á Ü Ö Á

Részletesebben

ű í ú ü Á ü ü ü ü ü É É É Ü í ü Á í í ű í ú É É É Ü Í í í í Á í í Á í Á Í É Ő Ú ú Ú í í í íí í ú í í Í í Í Í É í í Í Í í ú í ü Ó í Í ú Í Í ű í ű í í í Í É Ü ű í ü ű í ú É É É Ü ű í í í í ü í Í í Ú Í í

Részletesebben

TERMÉKFEJLESZTÉS (BMEGEGE MNTF)

TERMÉKFEJLESZTÉS (BMEGEGE MNTF) TERVEZÉS ELMÉLET ÉS MÓDSZERTAN (BMEGEGE MGTM) TERMÉKFEJLESZTÉS (BMEGEGE MNTF) 12. Előadás QFD 2010/2011 II. félév Tervezés elmélet és módszertan MGTM Dr. Horák Péter 2010 1 / 38 Ütemterv 2011. tavaszi

Részletesebben

Ph.D. értekezés tézisei. Felezhető tabletták posztkompressziós tulajdonságainak modellezése mesterséges neurális hálózatokkal. Sovány Tamás.

Ph.D. értekezés tézisei. Felezhető tabletták posztkompressziós tulajdonságainak modellezése mesterséges neurális hálózatokkal. Sovány Tamás. Ph.D. értekezés tézisei Felezhető tabletták posztkompressziós tulajdonságainak modellezése mesterséges neurális hálózatokkal Sovány Tamás Szeged 2010 16 Bevezetés és célkitűzések A kérdés bonyolultsága,

Részletesebben

Tanmenet Az. Informatika. műveltségi terület INFORMATIKA

Tanmenet Az. Informatika. műveltségi terület INFORMATIKA Tanmenet Az Informatika műveltségi terület INFORMATIKA tantárgy tanításához a 7.a és 7.b osztályokban. Tantárgyat tanító tanárok: Kassitzky Tamás Tantárgy éves óraszáma: 37 óra (heti 1 óra) Használt segédanyag:

Részletesebben

Tüzelőberendezések Általános Feltételek. Tüzeléstechnika

Tüzelőberendezések Általános Feltételek. Tüzeléstechnika Tüzelőberendezések Általános Feltételek Tüzeléstechnika Tartalom Tüzelőberendezések funkciói és feladatai Tüzelőtér Tüzelőanyag ellátó rendszer Füstgáz tisztító és elvezető rendszer Tüzelőberendezések

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

Bevezetés az operációkutatásba A lineáris programozás alapjai

Bevezetés az operációkutatásba A lineáris programozás alapjai Bevezetés az operációkutatásba A lineáris programozás alapjai Alkalmazott operációkutatás 1. elıadás 2008/2009. tanév 2008. szeptember 12. Mi az operációkutatás (operations research)? Kialakulása: II.

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. 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

Részletesebben

Mesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h.

Mesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h. Mesterséges Intelligencia Elektronikus Almanach Neurális hálózatokh 1 BME 1990: Miért neurális hálók? - az érdeklıdésünk terébe kerül a neurális hálózatok témakör - fıbb okok: - adaptív rendszerek - felismerési

Részletesebben

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data.

The 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

Részletesebben

PIACKUTATÁS (MARKETINGKUTATÁS)

PIACKUTATÁS (MARKETINGKUTATÁS) PIACKUTATÁS (MARKETINGKUTATÁS). FŐBB PONTOK A kutatási terv fogalmának meghatározása, a különböző kutatási módszerek osztályozása, a feltáró és a következtető kutatási módszerek közötti különbségtétel

Részletesebben

Vállalati modellek. Előadásvázlat. dr. Kovács László

Vállalati modellek. Előadásvázlat. dr. Kovács László Vállalati modellek Előadásvázlat dr. Kovács László Vállalati modell fogalom értelmezés Strukturált szervezet gazdasági tevékenység elvégzésére, nyereség optimalizálási céllal Jellemzői: gazdasági egység

Részletesebben

Számítógépes alapismeretek 2.

Számítógépes alapismeretek 2. Számítógépes alapismeretek 2. 1/7 Kitöltő adatai: Név: Osztály: E-mail cím: 2/7 Kérdések: Mire szolgál az asztal? Az ideiglenesen törölt fájlok tárolására. A telepített alkalmazások tárolására. A telepített

Részletesebben

Geoinformatikai rendszerek

Geoinformatikai rendszerek Geoinformatikai rendszerek Térinfomatika Földrajzi információs rendszerek (F.I.R. G.I.S.) Térinformatika 1. a térinformatika a térbeli információk elméletével és feldolgozásuk gyakorlati kérdéseivel foglalkozó

Részletesebben

Megerősítéses tanulás 9. előadás

Megerősítéses tanulás 9. előadás Megerősítéses tanulás 9. előadás 1 Backgammon (vagy Ostábla) 2 3 TD-Gammon 0.0 TD() tanulás (azaz időbeli differencia-módszer felelősségnyomokkal) függvényapproximátor: neuronháló 40 rejtett (belső) neuron

Részletesebben

Dinamikus modellek szerkezete, SDG modellek

Dinamikus modellek szerkezete, SDG modellek Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.

Részletesebben

Intelligens Rendszerek Elmélete

Intelligens Rendszerek Elmélete Intellgens Rendszerek Elmélete Dr. Kutor László A mesterséges neuráls hálózatok alapfogalma és meghatározó eleme http://mobl.nk.bmf.hu/tantargyak/re.html Logn név: re jelszó: IRE07 IRE 7/1 Neuráls hálózatok

Részletesebben

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik

Részletesebben

ANSYS alkalmazások a BME Hidak és Szerkezetek Tanszékén. Hidak és Szerkezetek Tanszéke

ANSYS alkalmazások a BME Hidak és Szerkezetek Tanszékén. Hidak és Szerkezetek Tanszéke ANSYS alkalmazások a BME Hidak és Szerkezetek Tanszékén Joó Attila László Ansys konferencia és partneri találkozó 2008. 10. 10. Építőmérnöki Kar Szerkezetvizsgáló Laboratórium, Szerkezetinformatikai Laboratórium

Részletesebben

MŰSZAKKIOSZTÁSI PROBLÉMÁK A KÖZÖSSÉGI KÖZLEKEDÉSBEN

MŰSZAKKIOSZTÁSI PROBLÉMÁK A KÖZÖSSÉGI KÖZLEKEDÉSBEN infokommunikációs technológiák MŰSZAKKIOSZTÁSI PROBLÉMÁK A KÖZÖSSÉGI KÖZLEKEDÉSBEN Készítette: Árgilán Viktor, Dr. Balogh János, Dr. Békési József, Dávid Balázs, Hajdu László, Dr. Galambos Gábor, Dr. Krész

Részletesebben

Nagy pontosságú rövidtávú ivóvíz fogyasztás előrejelzés Készítette: Bibok Attila PhD Hallgató MHT XXXIV. Vándorgyűlés

Nagy pontosságú rövidtávú ivóvíz fogyasztás előrejelzés Készítette: Bibok Attila PhD Hallgató MHT XXXIV. Vándorgyűlés Budapesti Műszaki és Gazdaságtudományi Egyetem Építőmérnöki kar Vízi Közmű és Környezetmérnöki Tanszék Nagy pontosságú rövidtávú ivóvíz fogyasztás előrejelzés Készítette: Bibok Attila PhD Hallgató MHT

Részletesebben

Ipari jelölő lézergépek alkalmazása a gyógyszer- és elektronikai iparban

Ipari jelölő lézergépek alkalmazása a gyógyszer- és elektronikai iparban Gyártás 08 konferenciára 2008. november 6-7. Ipari jelölő lézergépek alkalmazása a gyógyszer- és elektronikai iparban Szerző: Varga Bernadett, okl. gépészmérnök, III. PhD hallgató a BME VIK ET Tanszékén

Részletesebben

Számítógépes döntéstámogatás. Bevezetés és tematika

Számítógépes döntéstámogatás. Bevezetés és tematika SZDT-01 p. 1/18 Számítógépes döntéstámogatás Bevezetés és tematika Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-01 p. 2/18 SZDT-01

Részletesebben

Építsünk IP telefont!

Építsünk IP telefont! Építsünk IP telefont! Moldován István moldovan@ttt-atm.ttt.bme.hu BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK TANTÁRGY INFORMÁCIÓK Órarend 2 óra előadás, 2 óra

Részletesebben

Univerzális szekrénybe szerelhet eszközök

Univerzális szekrénybe szerelhet eszközök Univerzális szekrénybe szerelhet eszközök Univerzális mérmszerek Adat gyjt rendszer Medd teljesítmény kompenzáló rendszer Univerzális mérmszerek UMG 96L 96 96mm-es táblamszer mérhet paraméterek: V, A,

Részletesebben