Kísérletek tervezése. A gyógyszertervezés lehetségei. Hagyományos módszer. Mi a Neurális hálózat?
|
|
- Ignác Budai
- 7 évvel ezelőtt
- Látták:
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 Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenIntelligens 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
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
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.
RészletesebbenKovács 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,
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)
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
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
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
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:
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 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
RészletesebbenTémaválasztás, 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
Részletesebben1. ábra: Diltiazem hidroklorid 2. ábra: Diltiazem mikroszféra (hatóanyag:polimer = 1:2)
Zárójelentés A szilárd gyógyszerformák előállításában fontos szerepük van a preformulációs vizsgálatoknak. A porok feldolgozása és kezelése (porkeverés, granulálás, préselés) során az egyedi részecskék
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
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
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 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
RészletesebbenA kibontakozó új hajtóerő a mesterséges intelligencia
5. Magyar Jövő Internet Konferencia» Okos város a célkeresztben «A kibontakozó új hajtóerő a mesterséges intelligencia Dr. Szűcs Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai
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
RészletesebbenHálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék
Hálózati Folyamok Alkalmazásai Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék Maximális folyam 7 7 9 3 2 7 source 8 4 7 sink 7 2 9 7 5 7 6 Maximális folyam feladat Adott [N, A] digráf (irányított
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 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
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
RészletesebbenVégeselemes analízisen alapuló méretezési elvek az Eurocode 3 alapján. Dr. Dunai László egyetemi tanár BME, Hidak és Szerkezetek Tanszéke
Végeselemes analízisen alapuló méretezési elvek az Eurocode 3 alapján Dr. Dunai László egyetemi tanár BME, Hidak és Szerkezetek Tanszéke 1 Tartalom Méretezési alapelvek Numerikus modellezés Analízis és
RészletesebbenBEKE 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
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
RészletesebbenHogyan 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.
RészletesebbenKülönböző hagyományos és nem-hagyományos eljárások kombinálása: miért és hogyan? április 16.
Különböző hagyományos és nem-hagyományos eljárások kombinálása: miért és hogyan? 2008. április 16. Életből vett problémák, projektek Dunai Vasmű: acélkonverter modellezése Orvosi röntgenkép-kiértékelés
RészletesebbenMély 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
RészletesebbenA 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
RészletesebbenTöbbváltozós 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
RészletesebbenGranulátumok vizsgálata
Granulátumok vizsgálata Granulátumok vizsgálata A granulátumnak, mint önálló gyógyszerformának a minőségellenőrzésére a Ph. Hg. a következő vizsgálatokat írja elő: - szemcseméret-megoszlás, - térfogattömeg,
RészletesebbenSzámítógépes 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
RészletesebbenKOOPERÁCIÓ 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
RészletesebbenSzoftver-mérés. Szoftver metrikák. Szoftver mérés
Szoftver-mérés Szoftver metrikák Szoftver mérés Szoftver jellemz! megadása numerikus értékkel Technikák, termékek, folyamatok objektív összehasonlítása Mér! szoftverek, programok CASE eszközök Kevés szabványos
RészletesebbenÚjfajta, 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
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,
RészletesebbenFotódokumentáció. 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
RészletesebbenKvalitatív elemzésen alapuló reakciómechanizmus meghatározás
Kvalitatív elemzésen alapuló reakciómechanizmus meghatározás Varga Tamás Pannon Egyetem, Folyamatmérnöki Intézeti Tanszék IX. Alkalmazott Informatika Konferencia ~ AIK 2011 ~ Kaposvár, Február 25. Tartalom
RészletesebbenKorrodált 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
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
RészletesebbenHálózati Folyamok Alkalmazásai. Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék
Hálózati Folyamok Alkalmazásai Mályusz Levente BME Építéskivitelezési és Szervezési Tanszék Alsó felső korlátos maximális folyam 3,9 3 4,2 4,8 4 3,7 2 Transzformáljuk több forrást, több nyelőt tartalmazó
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,
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
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)
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
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,
RészletesebbenBevonás. 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
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
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...
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,
RészletesebbenNév 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
RészletesebbenPTE Gyógyszertechnológiai és Biofarmáciai Intézet
PTE Gyógyszertechnológiai és Biofarmáciai Intézet Tabletta típusok bevonat nélküli tabletták; bevont tabletták; pezsgőtabletták; oldódó tabletták; diszpergálható tabletták; szájban diszpergálható tabletták;
RészletesebbenHidraulikus hálózatok robusztusságának növelése
Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás
RészletesebbenÖsszefoglalás 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)
RészletesebbenIntelligens 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
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
RészletesebbenOptimumkeresés számítógépen
C Optimumkeresés számítógépen Az optimumok megtalálása mind a gazdasági életben, mind az élet sok más területén nagy jelentőségű. A matematikában számos módszert dolgoztak ki erre a célra, például a függvények
RészletesebbenKonvolúciós neurális hálózatok (CNN)
Konvolúciós neurális hálózatok (CNN) Konvolúció Jelfeldolgozásban: Diszkrét jelek esetén diszkrét konvolúció: Képfeldolgozásban 2D konvolúció (szűrők): Konvolúciós neurális hálózat Konvolúciós réteg Kép,
RészletesebbenKOMPOZITLEMEZ ORTOTRÓP
KOMPOZITLEMEZ ORTOTRÓP ANYAGJELLEMZŐINEK MEGHATÁROZÁSA ÉS KÍSÉRLETI IGAZOLÁSA Nagy Anna anna.nagy@econengineering.com econ Engineering econ Engineering Kft. 2019 H-1116 Budapest, Kondorosi út 3. IV. emelet
RészletesebbenAndroid Pie újdonságai
Android Pie újdonságai Ekler Péter peter.ekler@aut.bme.hu BME AUT Tartalom Android 9 újdonságok Fejlesztői érdekességek API változások Mit tartogat a jövő? Android 9 újdonságok Testreszabott rendszer Egyszerűbb,
RészletesebbenTóvári 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
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
RészletesebbenTeljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István
Teljesen elosztott adatbányászat pletyka algoritmusokkal Jelasity Márk Ormándi Róbert, Hegedűs István Motiváció Nagyméretű hálózatos elosztott alkalmazások az Interneten egyre fontosabbak Fájlcserélő rendszerek
Részletesebben1. Az informatika alapjai (vezetője: Dr. Dömösi Pál, DSc, egyetemi tanár) Kredit
2. MELLÉKLET Az oktatási koncepciója 1. Az informatika alapjai (vezetője: Dr. Dömösi Pál, DSc, egyetemi tanár) Az informatika alapjai Tud. Min. 1 Automata hálózatok 2 V Dr. Dömösi Pál DSc 2 Automaták és
RészletesebbenKÖSZÖNTJÜK 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,
RészletesebbenMéréselmélet 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
RészletesebbenTERMÉKTERVEZÉS 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
RészletesebbenHaszongépj. 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
RészletesebbenFormális módszerek GM_IN003_1 Bevezetés
Formális módszerek GM_IN003_1 Formális módszerek Formális módszer! formalizált módszer(tan) Formális eljárások alkalmazása a fejlesztésben nincs olyan formális eljárás, ami egy komplex rendszer minden
RészletesebbenHorváth Krisztina Pécsi Tudományegyetem Közgazdaságtudományi Kar Regionális Politika és Gazdaságtan Doktori Iskola, III. évfolyam
Menedzsment technikák hatása a tudásintenzív és nem tudásintenzív vállalatok produktivitására: magyar kis- és középvállalatok esete Horváth Krisztina Pécsi Tudományegyetem Közgazdaságtudományi Kar Regionális
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
RészletesebbenAlgoritmusok 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
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenVilágítástechnika. 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,
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
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
RészletesebbenSZIMULÁCIÓ 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
RészletesebbenOszcillátor tervezés kétkapu leírófüggvényekkel
Oszcillátor tervezés kétkapu leírófüggvényekkel (Oscillator design using two-port describing functions) Infokom 2016 Mészáros Gergely, Ladvánszky János, Berceli Tibor October 13, 2016 Szélessávú Hírközlés
RészletesebbenBevezetés 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
RészletesebbenBevezetés Standard 1 vállalatos feladatok Standard több vállalatos feladatok 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 10. Előadás Vállalatelhelyezés Vállalatelhelyezés Amikor egy új telephelyet kell nyitni,
RészletesebbenIV.7 MÓDSZER KIDOLGOZÁSA FELHASZNÁLÓI ADATOK VÉDELMÉRE MOBIL ALKALMAZÁSOK ESETÉN
infokommunikációs technológiák IV.7 MÓDSZER KIDOLGOZÁSA FELHASZNÁLÓI ADATOK VÉDELMÉRE MOBIL ALKALMAZÁSOK ESETÉN ANTAL Margit, SZABÓ László Zsolt 2015, január 8. BEVEZETÉS A KUTATÁS CÉLJA A felhasználó
RészletesebbenParametrikus tervezés
2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók
RészletesebbenFEGYVERNEKI 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
RészletesebbenEFOP DISZRUPTÍV TECHNOLÓGIÁK KUTATÁS-FEJLESZTÉSE AZ E-MOBILITY TERÜLETÉN ÉS INTEGRÁLÁSUK A MÉRNÖKKÉPZÉSBE
SZTE Innovációs nap Szeged, 2017 május 30. EFOP-3.6.1-16-2016-00014 DISZRUPTÍV TECHNOLÓGIÁK KUTATÁS-FEJLESZTÉSE AZ E-MOBILITY TERÜLETÉN ÉS INTEGRÁLÁSUK A MÉRNÖKKÉPZÉSBE Dr. Weltsch Zoltán Pallasz Athéné
RészletesebbenMIKE 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
RészletesebbenInformációk. 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
RészletesebbenFogyasztás, 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
RészletesebbenXVII. econ Konferencia és ANSYS Felhasználói Találkozó
XVII. econ Konferencia és ANSYS Felhasználói Találkozó Hazay Máté, Bakos Bernadett, Bojtár Imre hazay.mate@epito.bme.hu PhD hallgató Budapesti Műszaki és Gazdaságtudományi Egyetem Tartószerkezetek Mechanikája
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
RészletesebbenÜtemezési 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
RészletesebbenA 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
RészletesebbenProjektfeladatok 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:
Részletesebbenegy szisztolikus példa
Automatikus párhuzamosítás egy szisztolikus példa Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus Automatikus párhuzamosítási módszer ötlet Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus
RészletesebbenMesterséges intelligencia. Gregorics Tibor people.inf.elte.hu/gt/mi
people.inf.elte.hu/gt/mi Szakirodalom Könyvek Fekete István - - Nagy Sára: Bevezetés a mesterséges intelligenciába, LSI Kiadó, Budapest, 1990, 1999. ELTE-Eötvös Kiadó, Budapest, 2006. Russel, J. S., Norvig,
RészletesebbenKÍSÉRLET, 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
RészletesebbenANOVA összefoglaló. Min múlik?
ANOVA összefoglaló Min múlik? Kereszt vagy beágyazott? Rögzített vagy véletlen? BIOMETRIA_ANOVA5 1 I. Kereszt vagy beágyazott Két faktor viszonyát mondja meg. Ha több, mint két faktor van, akkor bármely
RészletesebbenKerékagymotoros 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
RészletesebbenA RADARJELEK DETEKTÁLÁSA NEURÁLIS HÁLÓZAT ALKALMAZÁSÁVAL
A RADARJELEK DETEKTÁLÁSA NEURÁLIS HÁLÓZAT ALKALMAZÁSÁVAL Dr. Ludányi Lajos mk. alezredes egyetemi adjunktus Zrínyi Miklós Nemzetvédelmi Egyetem Vezetés- és Szervezéstudományi Kar Fedélzeti Rendszerek Tanszék
Részletesebben