Komplex hálózatok: alapfogalmak, modellek, módszerek
|
|
- Nikolett Kovácsné
- 7 évvel ezelőtt
- Látták:
Átírás
1 Komplex hálózatok: alapfogalmak, modellek, módszerek London András, Németh Tamás április 13.
2 Motiváció Alapfogalmak Centralitás mértékek Néhány gráfmodell Hálózatok mindenhol! ábra 1: Facebook kapcsolati háló Közösségek
3 Hálózatok mindenhol! ábra 2: 9/11 terrorista hálózat (kapcsolatok, pénzáramlás). Bármely két pont legfeljebb 2 távolságra van egymástól. Forrás: Paul Sperry, NY Post
4 Motiváció Alapfogalmak Centralitás mértékek Néhány gráfmodell Hálózatok mindenhol! ábra 3: Európai légi közlekedési hálózat dinamikusan. Közösségek
5 Hálózatok mindenhol! ábra 4: Az USA elektromos ellátó rendszere én az észak-keleti áramellátás teljesen leállt.
6 Hálózatok mindenhol! ábra 5: A Trónok harca szerepl inek interakciói (1-2. évad). Az élek vastagsága a találkozások számával arányos.
7 Mit l komplex? Sok egymással kapcsolatban álló és egymásra ható szerepl Adaptivitás: visszajelzés, kooperáció Növekedés, evolúció Nincs linearitás: Az egész több, mint a részek összessége!
8 Gráfok Deníció (Gráf) G := (V, E) gráf, ahol V = (1, 2..., N) a gráf csúcsai és E V V a gráf élei. ábra 6: Gráfok, alapfogalmak. (Forrás: Aaron Clauset, Network Analysis and Modelling course)
9 Gráfreprezentációk ábra 7: Gráfreprezentációk: Szomszédsági mátrix, szomszéd lista, éllista (Forrás: Aaron Clauset, Network Analysis and Modelling course)
10 Fokszámok, utak, komponensek A = [a ij ] R n n G szomszédsági mátrixa: i pont foka: k i = n j=1 a ij Fokszámeloszlás: P(egy véletlenül választott pont foka k) Út: csúcsok sorozata, (i, j, k,..., m, n), ahol az egymást követ csúcsok között van él; legrövidebb út két pont között: az összes lehetséges út közül a legrövidebb. Komponens, er sen összefügg komponens, stb.
11 Mennyire fontosak a hálózat pontjai? struktúrális tulajdonság szempontjából, például magas fokszámú a központban van valamilyen dinamikus folyamat szempontjából fontos (pl. fert zés terjedés, véletlen bolyongás) = Centralitás Minél centrálisabb annál fontosabb, minél kevésbé centrális annál kevésbé fontos
12 Fokszám Nagyobb fokszám fontosabb pont k i = n a j=1 ij; irányított: ki be = n a j=1 ji, ki ki = n a j=1 ij ábra 8: Be- és kifok centralitás.
13 Közelség (closenes), köztiség (betweennes) Closeness: mennyire van a központban a pont átlagosan milyen hosszúak a pontból induló legröviebb utak a hálózat többi pontjába C(i) = n 1 i j l, ij ahol l ij az i és j közti legrövidebb út hossza. = Számolás: Floyd-Warshall algoritmus ábra 9: Mennyi X és Y closeness értéte?
14 ábra 10: Mennyi X és Y betweennes értéte? Közelség (closenes), köztiség (betweennes) Betweenness: Két pont milyen messze van egymástól, ha át kell menni egy kijelölt harmadik ponton BC(k) = σ ij (k), σ ij i k j ahol σ ij a i és j közötti legrövidebb utak száma, σ ij (k) pedig azon legrövidebb i j utak száma, melyek átmennek k-n = Szorgalmi: gondolkozzunk egy O(nm) futási idej BC számító algoritmuson (m a gráf éleinek száma)
15 Sajátérték, PageRank Alapötlet: nem minden szomszéd egyforma súllyal számít a centralitás kiszámításánal Rekurzív formula: x (t+1) i = n j=1 w ij x (t) j Minél fontosabb a szomszéd, annál jobban járul hozzá az adott pont fontosságához Mátrix formában: Ax = λ 1 x, ahol λ 1 az A mátrixhoz tartozó legnagyobb sajátérték
16 Sajátérték, PageRank Mi a helyzet ha a gráf nem összefügg? = Véletlen szörföz, ld. Google keres motor 1 Rekurzió: PR(i) 1 λ n + λ j N + (i) PR(j) k ki (j), ahol λ [0, 1] paraméter (ugró faktor), N + (i) az i pont be-szomszédsága 1 Brin & Page, Computer networks and ISDN systems,1998
17 Gráfmodellek Milyen általános közös tulajdonságai vannak tipikus gráfoknak? Tudjuk-e valamilyen modellel közelíteni a valóságban megjelen hálózatokat? A különböz területeken (társadalom, gazdaság, biológia, technológia) megjelen hálózatok modelljei között mik a legfontosabb különbségek/hasonlóságok?
18 Erd s-rényi modell 2 G(n, p) minden élt p [0, 1] valószín séggel húzunk be, egymástól függetlenül élek száma várhatóan: ( n 2) p átlagos fokszám: k = (n 1)p fokszámeloszlás: ( ) n 1 P(k i = k) = p k (1 p) n 1 k, k azaz binomiális. Fontos és rendkívül sokat vizsgált matematikai modell A valóságban megjelen hálózatok jellemz en nem ilyen típusúak! 2 Erd s & Rényi, 1959
19 Kisvilág gráfok Stanley Milgram ( ) kísérlete: véletlenül kiválasztott emberek küldjenek egy levelet egy közeli ismer snek, hogy az szintén továbbküldje így, azzal a céllal, hogy egy általuk valószín leg ismeretlen bostoni orvoshoz eljusson végül a levél A 64 levél az USA 64 különböz pontjáról átlagosan 5.5 levélváltás után célba ért = Kicsi átmér : A legtávolabbi pontok sincsenek túl messzire egymstól... További fontos jellemz : háromszögek száma nagy
20 Watts-Strogatz modell 3 Kiindul egy 4-reguláris gráfból (minden pont foka 4) Minden élt p valószín séggel átdrótoz ( azaz (i, j) él esetén választunk véletlenül egy k pontot, és p valószín séggel töröljük (i, j)-t és behúzzuk (i, k)-t) = log n az átmér ; Ha (i, j) és (i, k) is él, akkor nagy valószín séggel (j, k) is az (azaz háromszövek száma nagy) 3 Watts & Strogatz, Nature, 1998
21 Barabási-Albert modell 4 Genaratív modell hogyan fejl dhet ki egy hálózat? A preferential attachment modell: 1 kezetben egy összefügg G 0 gráf n 0 ponton 2 t id pontban hozzáadunk G t -hez egy új v pontot P(v -t összekötjük egy meglév i-vel) = k i j k j 4 Barabási & Albert, Science, 1999
22 Barabási-Albert modell Úgynevezett skálafüggetlen hálózatot kapunk: P(k i = k) k α Hatványtörvény szerinti fokszámeloszlás: néhány pont foka nagy, viszont a legtöbb pontnak csak kevés szomszédja van Átlagos úthossz: l ln n/ ln ln n A valóságban számos hálózat ilyen tulajdonságot mutat: szociális hálók, pénzügyi hálózatok, WWW, biológiai hálózatok, közlekedési hálózatok, stb.
23 Közösségek Nagyméret szervez dési mintázatok keresése Bizonyos pontok hasonlóbbak/ közelebb vannak egymáshoz, míg más pontoktól távol helyezkednek el ábra 11: Hálózat három közösséggel.
24 Közösségek - modularitás Az adott gráf mennyire tér el egy ugyanolyan fokszámeloszlású véletlen gráftól? Modulartás = #{közösségen belüli élek} E[#{közösségen belüli élek}) egy azonos fokszámeloszlású véletlen gráfban] Newman-modularitás 5 Q = 1 2M (a ij p ij )δ(c i, C j ), i,j δ a Dirac-delta függvény, p ij pedig annak a valoszín sége, hogy i és j össze van kötve egy véletlen (null-modell) gráfban Szorgalmi: gondolkozzunk közösség keres algorimusban, melynek lényege a modularitás függvény maximalizálása 5 Newman, Physical Review E, 2004
25 Néhány további fontos hálózati szerkezet Mag-periféria Hagymaszerkezet Nestedness (egymásba ágyazottság) Rich club ábra 12: További tipikus hálózat szerkezetek
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 =
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 5. el adás Közösségszerkezet El adó: London András 2017. október 16. Közösségek hálózatban Homofília, asszortatívitás Newman modularitás Közösségek hálózatban
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 6. el adás Hálózatok növekedési modelljei: `uniform és preferential attachment' El adó: London András 2015. október 12. Hogyan n nek a hálózatok? Statikus
RészletesebbenHálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet
Hálózattudomány SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Előadó: London András 4. Előadás Hogyan nőnek a hálózatok? Statikus hálózatos modellek: a pontok száma (n) fix, az éleket valamilyen
RészletesebbenA Barabási-Albert-féle gráfmodell
A Barabási-Albert-féle gráfmodell és egyéb véletlen gráfok Papp Pál András Gráfok, hálózatok modelljei Rengeteg gráfokkal modellezhető terület: Pl: Internet, kapcsolati hálók, elektromos hálózatok, stb.
RészletesebbenVéletlen gráfok. Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet december 2.
Véletlen gráfok Backhausz Ágnes Eötvös Loránd Tudományegyetem és MTA Rényi Alfréd Matematikai Kutatóintézet agnes@cs.elte.hu 2015. december 2. Nagy hálózatok Példák valós hálózatokra társadalmi hálózatok
RészletesebbenSzalai Péter. April 17, Szalai Péter April 17, / 36
Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási
RészletesebbenVéletlen gráfok, hálózatok
Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Csirik András 2018.04.25 Erdős-Rényi modell Watts-Strogatz modell Barabási-Albert modell Hálózatok a mindennapokban Hálózatok a világ minden területén
RészletesebbenBetekintés a komplex hálózatok világába
Betekintés a komplex hálózatok világába Dr. Varga Imre Debreceni Egyetem Informatikai Kar EFOP-3.6.1-16-2016-00022 Egyszerű hálózatok Grafit kristály Árpád házi uralkodók családfája LAN hálózat Komplex
RészletesebbenZsidók, tudomány és hálózatok?
Zsidók, tudomány és hálózatok? Bevezető gondolatok és alapfogalmak Biró Tamás OR-ZSE Hálózatkutatás a Zsidó Tanulmányokban kutatócsoport 2018. 12. 19. Hálózatok mindenhol Például: emberek alkotta társadalmi
RészletesebbenCsima Judit BME, SZIT február 18.
1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2011. február 18. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell:
RészletesebbenSzociális hálózatok Gráf alapú módszerek. Adatbányászat. Klaszterezés Szociális hálózatok. Szegedi Tudományegyetem. Adatbányászat
Klaszterezés Szegedi Tudományegyetem Élei lehetnek címkézettek (pl. ellenség, barát), továbbá súlyozottak (pl. telefonbeszélgetés) Megjelenési formái Ismeretségi, társszerzőségi gráf (Erdős-Bacon szám)
RészletesebbenKözösségek keresése nagy gráfokban
Közösségek keresése nagy gráfokban Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2011. április 14. Katona Gyula Y. (BME SZIT) Közösségek
RészletesebbenSzociális hálók klaszterezése
EÖTVÖS LORÁND TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR Besenyei Andrea Matematika BSc. Matematikai elemző szakirány Szociális hálók klaszterezése Szakdolgozat Témavezető: Dr. Kósa Balázs Információs Rendszerek
Részletesebben1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok. HálózatokII, 2007
Hálózatok II 2007 1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok 1 Az előadáshoz Előadás: Szerda 17:00 18:30 Gyakorlat: nincs Vizsga írásbeli Honlap: http://people.inf.elte.hu/lukovszki/courses/g/07nwii
RészletesebbenA hazai elszámolásforgalom hálózati elemzése
A hazai elszámolásforgalom hálózati elemzése Révkomárom, 2013. január 23. Pál Zsolt egyetemi tanársegéd Miskolci Egyetem Gazdaságtudományi Kar A kutatás előzményei, háttere Hálózatelmélet - szabályos gráfok
RészletesebbenGráfelméleti feladatok. c f
Gráfelméleti feladatok d e c f a b gráf, csúcsok, élek séta: a, b, c, d, e, c, a, b, f vonal: c, d, e, c, b, a út: f, b, a, e, d (walk, lanţ) (trail, lanţ simplu) (path, lanţ elementar) 1 irányított gráf,
RészletesebbenAdatszerkezetek 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
RészletesebbenSzámítógép hálózatok, osztott rendszerek 2009
Számítógép hálózatok, osztott rendszerek 2009 1: Bevezetés: Internet, rétegmodell Alapok: aszimptótika, gráfok 1 Az előadáshoz Előadás: Hétfő 10:00 12:00 óra Gyakorlat: Hétfő 14:00-16:00 óra Honlap: http://people.inf.elte.hu/lukovszki/courses/0910nwmsc
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)
RészletesebbenHierarchikus skálafüggetlen gráfok generálása fraktálokkal
Hierarchikus skálafüggetlen gráfok generálása fraktálokkal Komjáthy Júlia Simon Károly Sztochasztika Tanszék Matematika Intézet Budapesti Műszaki és Gazdaságtudományi Egyetem www.math.bme.hu/~komyju www.math.bme.hu/~simonk
Részletesebben1. tétel - Gráfok alapfogalmai
1. tétel - Gráfok alapfogalmai 1. irányítatlan gráf fogalma A G (irányítatlan) gráf egy (Φ, E, V) hátmas, ahol E az élek halmaza, V a csúcsok (pontok) halmaza, Φ: E {V-beli rendezetlen párok} illeszkedési
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. A szakirány 11. előadás Ligeti Péter turul@cs.elte.hu www.cs.elte.hu/ turul Nagy hálózatok Nagy hálózatok jellemzése Internet, kapcsolati hálók, biológiai hálózatok,... globális
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenGráf-algoritmusok ERŐS / GYENGE KÖTÉSEK
Gráf-algoritmusok ERŐS / GYENGE KÖTÉSEK Sapientia-EMTE 2017-18 http://www.cs.cornell.edu/home/kleinber/networks-book/ A gyenge kapcsolatok ereje The strength of weak ties (legidézettebb cikk) 1969 (American
RészletesebbenA MATEMATIKA NÉHÁNY KIHÍVÁSA
A MATEMATIKA NÉHÁNY KIHÍVÁSA NAPJAINKBAN Simon L. Péter ELTE, Matematikai Intézet Alkalmazott Analízis és Számításmatematikai Tsz. 1 / 20 MATEMATIKA AZ ÉLET KÜLÖNBÖZŐ TERÜLETEIN Kaotikus sorozatok és differenciálegyenletek,
RészletesebbenAlgoritmusok bonyolultsága
Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,
RészletesebbenGráfelméleti alapfogalmak
1 Gráfelméleti alapfogalmak Gráf (angol graph= rajz): pontokból és vonalakból álló alakzat. pontok a gráf csúcsai, a vonalak a gráf élei. GRÁ Irányítatlan gráf Vegyes gráf Irányított gráf G H Izolált pont
RészletesebbenHAMILTON ÚT: minden csúcson PONTOSAN egyszer áthaladó út
SÍKBA RAJZOLHATÓ GRÁFOK ld. előadás diasorozat SZÍNEZÉS: ld. előadás diasorozat PÉLDA: Reguláris 5 gráf színezése 4 színnel Juhász, PPKE ITK, 007: http://users.itk.ppke.hu/~b_novak/dmat/juhasz_5_foku_graf.bmp
RészletesebbenCsima Judit BME, SZIT február 17.
1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2010. február 17. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell: Erdős-Rényi véletlen-gráf modell definíció jellemzői
RészletesebbenBevezete s a ha ló zatók vila ga ba
Bevezete s a ha ló zatók vila ga ba Bevezetés Kezdjük egy játékkal! Képzeletünkben kalandozzunk el és válasszunk egy tetszőleges országot a világon, annak tetszőleges települését és egy ott élő tetszőleges
RészletesebbenÖsszetett hálózatok a híradástechnikában
Összetett hálózatok a híradástechnikában Horváth Árpád 03. december 4.. Híradástechnikai példák. példa: A telefonhálózat El ször minden telefont összekötöttek. Kés bb
RészletesebbenAdatszerkezetek II. 1. előadás
Adatszerkezetek II. 1. előadás Gráfok A gráf fogalma: Gráf(P,E): P pontok (csúcsok) és E P P élek halmaza Fogalmak: Irányított gráf : (p 1,p 2 ) E-ből nem következik, hogy (p 2,p 1 ) E Irányítatlan gráf
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
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
RészletesebbenAlgoritmuselmélet 18. előadás
Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok
RészletesebbenINFORMÁCIÓTERJEDÉS MODELLEZÉSE HÁLÓZATOKON DIFFERENCIÁLEGYENLETEKKEL
INFORMÁCIÓTERJEDÉS MODELLEZÉSE HÁLÓZATOKON DIFFERENCIÁLEGYENLETEKKEL Eötvös Loránd Tudományegyetem Természettudományi Kar BSc szakdolgozat Készítette: Korányi Gerg Matematika BSc Matematikai elemz szakirány
RészletesebbenFeladatok, amelyek gráfokkal oldhatók meg 1) A königsbergi hidak problémája (Euler-féle probléma) a
Feladatok, amelyek gráfokkal oldhatók meg ) A königsbergi hidak problémája (Euler-féle probléma) a b d c A megfelelő gráf: d a b c ) Egy szórakoztató feladat (Hamilton-féle probléma) Helyezzük el az,,,...,
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
RészletesebbenHAMILTON KÖR: minden csúcson PONTOSAN egyszer áthaladó kör. Forrás: (
HAMILTON KÖR: minden csúcson PONTOSAN egyszer áthaladó kör Teljes gráf: Páros gráf, teljes páros gráf és Hamilton kör/út Hamilton kör: Minden csúcson áthaladó kör Hamilton kör Forrás: (http://www.math.klte.hur/~tujanyi/komb_j/k_win_doc/g0603.doc
RészletesebbenHálózati elemzések az üzleti életben. Kovács Gyula Sixtep Kft.
Hálózati elemzések az üzleti életben Kovács Gyula Sixtep Kft. Hálózat kutatás rövid ismertetése Königsbergi hidak problémája Háttér: A probléma története, hogy a poroszországi Königsberg (most Kalinyingrád,
RészletesebbenEz is Hungaricum. Kovács Vera, Palotay Dorka, Pozsonyi Enik, Szabó Csaba január 27. ELTE
Ez is ELTE 2013. január 27. Motiváció Tapasztalatok és célok A középiskolából kikerül diákok nagy része nem ismeri a gráfokat Vizsgálataink: A gráfok oktatásának mai helyzete Mi ennek az oka? A gráfok
RészletesebbenKirály Zoltán, Kondé Zoltán, Kovács Antal, Lévai Annamária 2006
A Network-Elemzés - és felhasználása általános iskolai osztályok társas szerkezetének és a szerveződésért felelős személyes tulajdonságok feltárására Király Zoltán, Kondé Zoltán, Kovács Antal, Lévai Annamária
RészletesebbenEGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF
Összefoglaló Gráfok / EGYSZERŰ, NEM IRÁNYÍTOTT (IRÁNYÍTATLAN) GRÁF Adott a G = (V, E) gráf ahol a V a csomópontok, E az élek halmaza E = {(x, y) x, y V, x y (nincs hurokél) és (x, y) = (y, x)) Jelölések:
RészletesebbenLineáris különböz ségek
Ivanyos Gábor MTA SZTAKI 2010 december 13 A feladat Titok: u = (µ 1,..., µ n ) n dimenziós vektor Z n 3 -b l Z 3 = az egész számok modulo 3 Gombnyomásra kapunk: véletlen v i = (a i1,..., a in ) vektorokat,
RészletesebbenREKLÁMPSZICHOLÓGIA. 1/a. TÁRSTUDOMÁNYOK és ÚJ TUDOMÁNYÁGAK
REKLÁMPSZICHOLÓGIA 1/a. TÁRSTUDOMÁNYOK és ÚJ TUDOMÁNYÁGAK Interdiszciplináris tudomány kereskedelem lélektan kommunikáció kutatás kampány hatásvizsgálatok médiakutatás, mérés REKLÁM PSZICHO- LÓGIA fogyasztói
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 9. el adás Bevezetés az ökonozikába El adó: London András 2015. november 2. Motiváció Komplex rendszerek modellezése statisztikus mechanika és elméleti zika
RészletesebbenPál Judit - Vörös András. Budapesti Corvinus Egyetem. Kapcsolatháló- és Oktatáskutató Központ. 2011. március 1.
Pál Judit - Vörös András Budapesti Corvinus Egyetem Kapcsolatháló- és Oktatáskutató Központ 2011. március 1. Definíció: A kapcsolatháló-elemzés az egyének viselkedését tanulmányozza mikro szinten, és az
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
RészletesebbenGráfelmélet/Diszkrét Matematika MSc hallgatók számára. 13. Előadás
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára 13. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2009. december 7. Gráfok sajátértékei Definíció. Egy G egyszerű gráf sajátértékei az A G
RészletesebbenDiszkrét matematika 2.
Diszkrét matematika 2. Mérai László előadása alapján Készítette: Nagy Krisztián 1. előadás Gráfok halmaza, gráf, ahol a csúcsok halmaza, az élek illesztkedés reláció: illesztkedik az élre, ha ( -él illesztkedik
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
RészletesebbenGráfelméleti feladatok programozóknak
Gráfelméleti feladatok programozóknak Nagy-György Judit 1. Lehet-e egy gráf fokszámsorozata 3, 3, 3, 3, 5, 6, 6, 6, 6, 6, 6? 2. Lehet-e egyszer gráf fokszámsorozata (a) 3, 3, 4, 4, 6? (b) 0, 1, 2, 2, 2,
Részletesebben7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
RészletesebbenSali Attila Budapest Műszaki és Gazdaságtudományi Egyetem. I. B. 137/b március 16.
Bevezetés a Számításelméletbe II. 6. előadás Sali Attila Budapest Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti Tsz. I. B. 7/b sali@cs.bme.hu 004 március 6. A kritikus út
RészletesebbenLokális tulajdonságok véletlen. Nagy Gábor
Eötvös Loránd Tudományegyetem Természettudományi Kar Lokális tulajdonságok véletlen gráfokban Szakdolgozat Nagy Gábor Matematika BSc Alkalmazott matematikus szakirány Témavezető: Backhausz Ágnes tanársegéd
RészletesebbenNE HABOZZ! KÍSÉRLETEZZ!
NE HABOZZ! KÍSÉRLETEZZ! FOLYADÉKOK FELSZÍNI TULAJDONSÁGAINAK VIZSGÁLATA KICSIKNEK ÉS NAGYOKNAK Országos Fizikatanári Ankét és Eszközbemutató Gödöllő 2017. Ötletbörze Kicsiknek 1. feladat: Rakj három 10
RészletesebbenMagyar és angol szóasszociációs hálózatok vizsgálata. Orosz Katalin Kovács László Pollner Péter
Magyar és angol szóasszociációs hálózatok vizsgálata Orosz Katalin Kovács László Pollner Péter 0. Bevezetés Jelenlegi elképzeléseink szerint a beszédértés és beszédprodukció során előhívott szavakat (és
RészletesebbenValószínűségszámítás és statisztika a fizikában március 12.
Valószínűségszámítás és statisztika a fizikában 2019. március 12. MOMENTUMOK, GENERÁTORFÜGGVÉNY, KARAKTERISZTIKUS FÜGGVÉNY általános definíciója Definíció: A X valószínűségi változó k-adik momentuma: X
RészletesebbenGráfalgoritmusok ismétlés ősz
Gráfalgoritmusok ismétlés 2017. ősz Gráfok ábrázolása Egy G = (V, E) gráf ábrázolására alapvetően két módszert szoktak használni: szomszédsági listákat, illetve szomszédsági mátrixot. A G = (V, E) gráf
RészletesebbenSzociális hálózatok geográfiai beágyazódása
Eötvös Loránd Tudományegyetem Természettudományi Kar Szociális hálózatok geográfiai beágyazódása Szakdolgozat Készítette: Fejes Ágota Matematika BSc, Matematikai elemző szakirány Témavezető: Lukács András
RészletesebbenMázsár Noémi. A járványterjedés modellezése véletlen gráfokon
Eötvös Loránd Tudományegyetem Természettudományi Kar Mázsár Noémi A járványterjedés modellezése véletlen gráfokon BSc Szakdolgozat Témavezet : Backhausz Ágnes Valószín ségelméleti és Statisztika Tanszék
RészletesebbenArany Dániel Matematikai Tanulóverseny 2017/2018-as tanév 2. forduló Haladók II. kategória
Bolyai János Matematikai Társulat Arany Dániel Matematikai Tanulóverseny 017/018-as tanév. forduló Haladók II. kategória Megoldások és javítási útmutató 1. Egy tanár kijavította egy 1 f s csoport dolgozatait.
RészletesebbenÉrdemes egy n*n-es táblázatban (sorok-lányok, oszlopok-fiúk) ábrázolni a két színnel, mely éleket húztuk be (pirossal, kékkel)
Kombi/2 Egy bizonyos bulin n lány és n fiú vesz részt. Minden fiú pontosan a darab lányt és minden lány pontosan b darab fiút kedvel. Milyen (a,b) számpárok esetén létezik biztosan olyan fiúlány pár, akik
RészletesebbenA fehérjehálózatok vizsgálatának matematikai módszereiről. ELTE Matematikai Intézet Protein Információs Technológia Csoport & URATIM Kft.
A fehérjehálózatok vizsgálatának matematikai módszereiről Grolmusz Vince Köszönet: Iván Gábor ELTE Matematikai Intézet Protein Információs Technológia Csoport & URATIM Kft. Néhány vélemény szerint: A jelenlegi
RészletesebbenA társadalom hálózati jelenségeinek adatvezérelt vizsgálata I: Társadalmi terjedés. Magyar Tudomány Ünnepe 2017 Számítógépes Társadalomtudomány
A társadalom hálózati jelenségeinek adatvezérelt vizsgálata I: Társadalmi terjedés Kertész János CEU, BME Magyar Tudomány Ünnepe 2017 Számítógépes Társadalomtudomány Zhongyuan Ruan (CEU) Márton Karsai
RészletesebbenDeníciók és tételek a beugró vizsgára
Deníciók és tételek a beugró vizsgára (a szóbeli viszgázás jogáért) Utolsó módosítás: 2008. december 2. 2 Bevezetés Számítási problémának nevezünk egy olyan, a matematika nyelvén megfogalmazott kérdést,
RészletesebbenDiszkrét matematika 2 (C) vizsgaanyag, 2012 tavasz
Diszkrét matematika 2 (C) vizsgaanyag, 2012 tavasz A vizsga menete: a vizsga írásbeli és szóbeli részből áll. Az írásbeli beugrón az alábbi kérdések közül szerepel összesen 12 darab, mindegyik egy pontot
RészletesebbenGráfelmélet. I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma
Készítette: Laczik Sándor János Gráfelmélet I. Előadás jegyzet (2010.szeptember 9.) 1.A gráf fogalma Definíció: a G=(V,E) párt egyszerű gráfnak nevezzük, (V elemeit a gráf csúcsainak/pontjainak,e elemeit
RészletesebbenÖnszerveződő adatbázisok
High Speed Networks Laboratory 1/40 Önszerveződő adatbázisok 1. Paradigmaváltás az adatbázisokban Megtervezett adatbázis Evolúció alkotta adatbázis 2. Önszerveződő adatbázis: struktúra, lekérdezés 3. Struktúra:
Részletesebben1. zárthelyi,
1. zárthelyi, 2010.03.2. 1. Jelölje B n azt a gráfot, melynek csúcsai az n hosszúságú 0 1 sorozatok, két sorozat akkor és csak akkor van összekötve éllel, ha pontosan egy vagy két helyen különböznek. Adjuk
RészletesebbenHálózatelméleti modellek a banki rendszerkockázatra. Mázsár Noémi. Témavezet : Dr. Csóka Péter. Befektetések és Vállalati Pénzügy Tanszék
Eötvös Loránd Tudományegyetem Természettudományi Kar Budapesti Corvinus Egyetem Közgazdaságtudományi Kar Hálózatelméleti modellek a banki rendszerkockázatra MSc Szakdolgozat Mázsár Noémi Biztosítási és
RészletesebbenAlgoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y.
Algoritmuselmélet Legrövidebb utak, Bellmann-Ford, Dijkstra Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 3. előadás Katona Gyula Y. (BME
RészletesebbenÉrdekes informatika feladatok
A keres,kkel és adatbázissal ellátott lengyel honlap számos díjat kapott: Spirit of Delphi '98, Delphi Community Award, Poland on the Internet, Golden Bagel Award stb. Az itt megtalálható komponenseket
RészletesebbenDiszkrét matematika 2. estis képzés
Diszkrét matematika 2. estis képzés 2018. tavasz 1. Diszkrét matematika 2. estis képzés 11. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenSpecifikáció. B logikai formula, a bemeneti feltétel, K logikai formula, a kimeneti feltétel, A az algoritmus, amelyre az állítás vonatkozik.
Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt kimeneti adatot
RészletesebbenPuskás Béla: Hálózatelméleti alapok
Puskás Béla: Hálózatelméleti alapok "Egyébként kedves játék alakult ki a vitából. Annak bizonyításául, hogy a Földgolyó lakossága sokkal közelebb van egymáshoz, mindenféle tekintetben, mint ahogy valaha
RészletesebbenEgy negyedikes felvételi feladattól az egyetemi matematikáig
Egy negyedikes felvételi feladattól az egyetemi matematikáig Tassy Gergely Veres Péter Gimnázium, Budapest ELTE Matematikatanár-délután Kombinatorika és gráfelmélet a középiskolában 2015. február 18. I.
RészletesebbenEuler tétel következménye 1:ha G összefüggő síkgráf és legalább 3 pontja van, akkor: e 3
Síkgráfok Kuratowski-tétel: egy gráf akkor és csak akkor síkba rajzolható gráf, ha nincs olyan részgráfja, ami a K 5 -el, vagy a K 3,3 -altopologikusan izomorf (homeomorf). Euler síkgráfokra vonatkozó
RészletesebbenDebreceni Egyetem, Informatikai Kar, Informatikai Rendszerek és Hálózatok Tanszék
Mintatantervek és a hálózattudomány, vagyis az el feltételi hálók tulajdonságai Curriculums and the networks science that is the properties of preconditional subject networks Varga Imre a, Szilágyi Szabolcs
RészletesebbenA félév során előkerülő témakörök
A félév során előkerülő témakörök rekurzív algoritmusok rendező algoritmusok alapvető adattípusok, adatszerkezetek, és kapcsolódó algoritmusok dinamikus programozás mohó algoritmusok gráf algoritmusok
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
RészletesebbenDoktori disszertáció. szerkezete
Doktori disszertáció tézisfüzet Komplex hálózatok szerkezete Szabó Gábor Témavezető Dr. Kertész János Elméleti Fizika Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2005 Bevezetés A tudományos
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
Részletesebben5/1. tétel: Optimalis feszítőfák, Prim és Kruskal algorithmusa. Legrövidebb utak graphokban, negatív súlyú élek, Dijkstra és Bellman Ford algorithmus.
5/1. tétel: Optimalis feszítőfák, Prim és Kruskal algorithmusa. Legrövidebb utak graphokban, negatív súlyú élek, Dijkstra és Bellman Ford algorithmus. Optimalis feszítőfák Egy összefüggő, irányítatlan
RészletesebbenMás szavakkal formálisan:, ahol olyan egész szám, hogy. Más szavakkal formálisan:, ahol olyan egész szám, hogy.
Bevezetés 1. Definíció. Az alsó egészrész függvény minden valós számhoz egy egész számot rendel hozzá, éppen azt, amely a tőle nem nagyobb egészek közül a legnagyobb. Az alsó egészrész függvény jele:,
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
RészletesebbenGráfok 1. Tárolási módok, bejárások. Szoftvertervezés és -fejlesztés II. előadás. Szénási Sándor
Gráfok 1. Tárolási módok, bejárások előadás http://nik.uni-obuda.hu/sztf2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Gráfok 1. Tárolási módok Szélességi
RészletesebbenPélda Hajtsuk végre az 1 pontból a Dijkstra algoritmust az alábbi gráfra. (A mátrixban a c i j érték az (i, j) él hossza, ha nincs él.
Legrövidebb utak súlyozott gráfokban A feladat egy súlyozott gráfban egy adott pontból kiinduló legrövidebb utak megkeresése. Az input a súlyozott gráf és a kiindulási s pont. Outputként egy legrövidebb
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
RészletesebbenOptika gyakorlat 1. Fermat-elv, fénytörés, reexió sík és görbült határfelületen. Fermat-elv
Optika gyakorlat 1. Fermat-elv, fénytörés, reexió sík és görbült határfelületen Kivonat Geometriai optika: közelítés, amely a fényterjedést, közeghatáron való áthaladást geometriai alakzatok görbék segítségével
RészletesebbenSzA II. gyakorlat, szeptember 18.
SzA II. gyakorlat, 015. szeptember 18. Barátkozás a gráfokkal Drótos Márton drotos@cs.bme.hu 1. Az előre megszámozott (címkézett) n darab pont közé hányféleképp húzhatunk be éleket úgy, hogy egyszerű gráfhoz
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
RészletesebbenDiszkrét matematika 2.C szakirány
Diszkrét matematika 2.C szakirány 2017. tavasz 1. Diszkrét matematika 2.C szakirány 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék 2017.
RészletesebbenIII. Gráfok. 1. Irányítatlan gráfok:
III. Gráfok 1. Irányítatlan gráfok: Jelölés: G=(X,U), X a csomópontok halmaza, U az élek halmaza X={1,2,3,4,5,6}, U={[1,2], [1,4], [1,6], [2,3], [2,5], [3,4], [3,5], [4,5],[5,6]} Értelmezések: 1. Fokszám:
RészletesebbenSíkbarajzolható gráfok Április 26.
Síkbarajzolható gráfok 2017. Április 26. Síkgráfok Egy gráf síkgráf=síkba rajzolható gráf, ha lerajzolható úgy a síkba, hogy élei csak a szögpontokban metszik egymást. Ha egy gráf lerajzolható a síkba,
RészletesebbenEseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.
Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.
RészletesebbenAlgoritmuselmélet. 2-3 fák. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 8.
Algoritmuselmélet 2-3 fák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 8. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet 8. előadás
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
Részletesebben