Mesterséges intelligencia Szakértői rendszerek. Mesterséges intelligencia Szakértői rendszerek
|
|
- Zsanett Gálné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Gépgyártástechnológa Tanszék Dr. Mkó Balázs Mesterséges ntellgenca Szakértő rendszerek Technológa tervező rendszerek 2003/2004 I. BME GTT Gábor Dénes Főskola Dr. Mkó Balázs Mesterséges ntellgenca Szakértő rendszerek Mesterséges ntellgenca alapja 2003/2004 I. BME GTT
2 Vezető tanár: A MESTERSÉGES INTELLIGENCIA ALAPJAI Dr. Szalay Tbor adjunktus Budapest Műszak és Gazdaságtudomány Egyetem Gépgyártástechnológa Tanszék Tel: , Fax: mobl: e-mal: szalay@manuf.bme.hu Tartalom Mesterséges ntellgenca Intellgenca Szakértő rendszerek Szabály-alapú következtetés Eset-alapú következtetés Frame-ek Heursztkák Mesterséges neuráls hálók Keresés algortmusok
3 1. rész MESTERSÉGES INTELLIGENCIA John McCarthy
4 Kezdetek Darthmouth College John McCarthy John McCarthy Marvn Mnsky Nathanel Rochester (IBM) Claude Shannon (Bell) Cél: Az ember gondolkodást modellezn képes gép megalkotása. A kutatások célja A mesterséges ntellgenca olyan kutatás terület, amely arra törekszk, hogy a számítógépek ntellgensnek teknthető tevékenységeket tudjanak végezn A kutatásoknak két fő rányuk van, egy kogntív és egy számítástudomány rány.
5 Kogntív kutatások A kogntív pszchológával kapcsolatos kutatások a számítógépet eszközként használják az ember gondolkodás, probléma megoldás stb megértésére, modellezésére. Számítástudomány kutatások Ez a megközelítés azt tűzte k célul, hogy ntellgensebbé tegye a számítógépek vselkedését. Itt s megfgyelhetők bológa analógák, de a cél nem a bológa rendszer modellezése, megértése, hanem más területeken felmerülő problémák hatékonyabb megoldása.
6 Az MI kutatások célja meglévő ntellgens rendszerek emprkus tanulmányozása és modellezése, ntellgens rendszerekben alkalmazható módszerek elmélet kutatása, gyakorlat problémák megoldása ezen módszerek segítségével. (Mke Sharples) Intellgenca I. Az ntellgenca az értelm működés fokmérője, elsősorban új körülményekhez való alkalmazkodó képességben mutatkozk meg, amely szorosan összefügg az előzőleg szerzett tapasztalat anyag alkalmazásával, a helyzet mozzanatanak széleskörű fgyelembevételével és a gondolkodóképességgel. (Új magyar lexkon)
7 Intellgenca II. Egy rendszer ntellgensen vselkedk, ha a rendelkezésre álló smeretek alapján a lehető legjobb döntést hozza egy adott cél elérése érdekében. (Russel) Intellgenca III. Kulcs jellemzők Céltudatosság Rugalmasság Eredményes lustaság (Mke Sharples)
8 Intellgenca IV. Turng teszt - Alan Turng A számítógép ntellgensnek teknthető, amennyben egy termnálon keresztül kérdező nem tudja eldönten, hogy vele szemben ember, vagy számítógép áll. Képességek: - természetes nyelvmegértés - tudásreprezentácó - automatkus következtetés - gép tanulás Ágens defnícó Az ágens olyan rendszer, amely a következő tulajdonságokkal rendelkezk: Beágyazottság (környezetbe ágyazott) Reaktvtás (érzékel környezetét és reagál az abban bekövetkezett változásokra Autonóma (önálló működés) Helyzetfüggőség (csak helyzethez, szerephez kötötten léteznek)
9 Raconáls ágens Célja és nformácó vannak, és ezeknek megfelelő legjobb akcót választja. (legjobbat cseleksz - deáls ntellgenca) Tovább ágens tulajdonságok: Kezdeményezőkészség (nemcsak reagál, de a cél érdekében beavatkozk) Célvezérelt vselkedés Temporáls kontnutás (huzamosabb deg létezk) MI kutatás területe Mesterséges ntellgenca Kogntív kutatások Számítástudomány kutatások Keresés Tudásreprezentácó Szmbolkus következtetõ módszerek Szubszmbolkus módszerek Tanulás és adaptácó... MI módszerek MI alkalmazások Szakértõ rendszerek Cselekvéstervezés Beszédfeldolgozás Képfeldolgozás...
10 2. rész SZAKÉRTŐI RENDSZEREK Szakértő rendszer - defnícó A szakértő rendszer olyan számítástechnka hátterű probléma megoldó rendszer, amely alapvetően különböző mesterséges ntellgenca módszerekre épül, egy szűkebb problématerület (doman) smeretet tartalmazza, segít nagy méretű, komplex problémák analzálásában lletve megoldásában fgyelembe véve a humán szakértők problémamegoldás folyamatát.
11 Szakértő rendszer alkalmazása a probléma megoldása gyakorlat tudást gényel, a problématerület jól körülhatárolható, a knduló adatok objektív módon leírhatók, kevés az ember szakértő, fontos a probléma gyors megoldása. Szakértő rendszer segítségével hatékonyan támogatható problématerületek jellegzetes tulajdonsága: A problématerület elég szűk ahhoz, hogy olyan tudást lehessen benne megragadn, amely nem mndenk számára kézenfekvő, ugyanakkor elég bonyolult ahhoz, hogy lyen szakértelemre gény legyen Az adott területnek rendelkezne kell ember szakértőkkel, akknek a tudásából k lehet nduln a rendszer elkészítéséhez.
12 3. A humán szakértők között a szakterület alapkérdéseben nagyfokú egyetértésnek kell lenne. Szükséges, hogy az adott szakterületen számos tanpélda, alapadat s rendelkezésre álljon, mert csak így lehet a szakértő rendszert megbízhatóan teszteln és tudásának korlátat meghatározn Általában annál jobb szakértő rendszert lehet építen egy adott területen, mnél jobban felosztható az llető terület olyan részproblémákra, amelyek egymással csak nagyon kevéssé nterferálnak SzR problématípusok Proceduráls problémák Dagnosztzáló problémák Montorozó / őrző problémák Objektum tervező problémák Tevékenység tervező / ütemező problémák
13 Döntéstámogató szakértő rendszer A döntéstámogató szakértő rendszerek emlékeztetk a humán szakértőt a megfontolandó következményekre, a felderítendő alternatívákra stb., amelyek felett a szakértő esetleg elsklana a döntéshozatal során. Döntéshozó szakértő rendszer A döntéshozó szakértő rendszerek a probléma megoldásának megtalálásában segítk a problématerületen járatlan vagy kevéssé jártas felhasználót.
14 Szakértő rendszerek hátránya nehéz új, vagy a szokásostól eltérő helyzetekre felkészíten, nem kreatív, a fejlesztés drága és dőgényes. Összehasonlítás Humán szakértő A képességek és a tudás dővel változk Felkészítése hosszú és költséges folyamat Érzelm állapota befolyásolja a döntéshozatalt Rtka és drága Szakértő rendszer A tudása állandó Fejlesztése drága, de sokszorosítható Állandó és megsmételhető eredményt bztosít Használata és karbantartása vszonylag olcsó
15 Szakértő rendszer felépítése I. TUDÁSBÁZIS Tudásgyûjtõ és karbantartó rendszer Tudásmérnök Következtetõ mechanzmus Munka memóra Nyomkövetö rendszer Felhasználó felület Felhasználó Szakértő rendszer felépítése II. A rendszer tudását a tudásbázs tartalmazza, amt a tudásmérnök állít össze és tart karban. A tudásmérnök a problématerület smerője, ak átlátja a problématerülethez kapcsolódó smereteket és képes azt rendszerezn.
16 Szakértő rendszer felépítése III. A felhasználó a felhasználó felületen keresztül tud kommunkáln a rendszerrel, tt tudja leírn a problémát és ezen keresztül kapja meg a megoldást s. Szakértő rendszer felépítése IV. A felhasználó által leírt probléma a munka memórába kerül, majd a megoldás során a következtető mechanzmus, felhasználva a tudásbázs adatat, megpróbál választ adn.
17 Szakértő rendszer felépítése V. A következtetés folyamatát a nyomkövető rendszer segítségével tudjuk fgyelemmel kísérn. Szakértő keretrendszer I. Keretrendszer: szakértő rendszer váz, amely tartalmazza a tudásbázs lletve a felhasználó felület szerkesztésére alkalmas programozó eszközöket.
18 Szakértő keretrendszer II. Programozó TUDÁSBÁZIS (üres) Tudásgyûjtõ és karbantartó rendszer Tudásmérnök Következtetõ mechanzmus Munka memóra Nyomkövetö rendszer Felhasználó felület Programozó Felhasználó felület szerkesztõ Felhasználó Fejlesztés folyamat A probléma meghatározása, A szakértõ rendszer feladatanak kjelölése Tudás-, smeretgyûjtés Ismeretanyag feldolgozása Rendszerezés, Közös adatstruktúra kalakítása Bemenõ- és kmenõ adatok meghatározása Tervezés elv és fejlesztés környezet választás stb. Fejlesztés hagyományos környezetben Fejlesztés keretrendszerben Tesztelés
19 3. rész TUDÁSREPREZENTÁCIÓ ÉS KÖVETKEZTETÉS Tudásreprezentácó Frame-ek Szabályok Esetek Heursztkák
20 Frame Marvn Mnsky FRAME - nformácó tárolás alapegység, összefoglalja mndazon tulajdonságokat, amelyek egy objektumra jellemzők, és azokat a relácókat, melyek ezt az objektumot más objektumokkal összekapcsolják. Frame alapú tudásreprezentácó Az ember gondolkodás (emlékezet) általában tárgyakhoz, objektumokhoz kötődk. Az ember gondolkodás összekapcsolja az objektumot annak jellemző tulajdonságaval, vselkedésével, környezetével.
21 Alapelemek Osztályok - Alosztályok - Példányok herarchkus felépítés Példa: osztály - alosztály osztály szerszámgép alosztály eszterga marógép Példa: osztály alosztály - példány marógép példány M-21 M-21 M-23 Magukban hordozzák a tulajdonságokat és relácókat Alapvető kapcsolatuk az öröklődés (tulajdonságok relácók öröklődnek a herarchában felettük (előttük) levőtől Többszörös (több helyről való) öröklődés - több kapcsolat - több sznt
22 Technka megvalósítás: frame egyed azonosító slot: tulajdonság vagy relácó specáls relácók - osztály - alosztály (s-a) - osztály - példány (nstance-of) érték - default: örökölt értékek Osztály Alosztály k Alosztály l Alosztály m Példány... Példány 2 Példány 1 Osztály - Alosztály m Tulajdonság 1 Tulajdonság 1 = Érték 1 Tulajdonság 2 Tulajdonság 2 = Érték 2 Tulajdonság 3 Tulajdonság 3 = Érték 3 Példa Osztály tulajdonság relácó Alosztály herarcha tulajdonság relácó Példány herarcha tulajdonság relácó (defframe macska (szín) (megesz (egér madár))) (defframe házmacska (s-a macska) (név) (megesz (konzerv madár))) (defframe Mrc (nstance-of házmacska) (név Mrc) (megesz (konzerv kanár)))
23 A frame-alapú reprezentácó előnye hétköznap gondolkodáshoz llő reprezentácó hatékony következtetés az osztályok és az objektum példányok tulajdonságaról mplementácó: objektum-orentált programozás Nncs szükség következtető eljárásra, az adatstruktúra hordozza a következtetést Szakértő rendszerekben gyakran alkalmazott reprezentácós módszer Problémák - 1 Konflktus öröklődéskor default értékek és több helyről való öröklődés Honnan vegyük az értéket? Példa: (1) A marógépek vezérelt tengelyenek száma általában 3, és státusza szabad. (2) A körasztallal ellátott marógép s marógép. (3) A körasztallal ellátott marógép vezérelt tengelyenek száma 4. 4) A karbantartott berendezések státusza foglalt. 5) M-33 egy karbantartás alatt álló, körasztallal ellátott marógép.
24 Reprezentácó Osztály Marógép vtengely: 3 státusz: sz. Frame-ek Alosztály Marógép körasztallal vtengely: 4 Karbantartott berendezés státusz: f. Példány TC 3 marógép vtengely:? Státusz:? - konflktus egy öröklődés út mentén - konflktus több út mentén Problémák - 2 Nem-monoton következtetés monoton következtetés Új tény hozzáadásával egy korább konklúzó nem válk hamssá (az smert állítások halmaza monoton nő). nem-monoton következtetés Bármt állítunk, megfordítható az gazsága. Default értékek esetén a monoton következtetés nem működk.
25 Példa tudjuk, hogy x madár(x) repül(x) madár(pp) tehát: repül(pp) újabb smeretenk: x pngvn(x) repül(x) x pngvn(x) madár(x) pngvn(pp) mndebből az (s) következk: repül(pp) Ellentmondás! Metódusok - Démonok A slot-okhoz nemcsak logka értéket (tulajdonság, relácó), hanem számítás eljárások s rendelhetők. Metódus A metódus a frame manpulálásakor aktvzálódk: - f-needed ha a frame értékét vesszük át - when-changed ha egy slot értéke változk A slot-okhoz hasonló öröklődés problémák
26 Szabály-alapú következtetés Ha, akkor Szabály Feltétel Akcó Tények Következtetés cklus Mntallesztés Szabály bázs Adatbázs Kválasztás Tüzelés
27 Következtetés I. Adatvezérelt következtetés Ha a következtető mechanzmus talál olyan szabályt, melynek feltételet a tények kelégítk, akkor végrehajthatja a szabályt, amnek hatására a tények módosulnak. Következtetés II. Célvezérelt következtetés Cél meghatározása Szabály kválasztása Tények lleszkednek? Újabb cél kjelölése A cél gazolva
28 Fejlesztés keretrendszerben Fejlesztés keretrendszerben Elökészítés Osztályok defnálása Szabályok létrehozása Eljárások létrehozása Implementálás Felhasználó felület megtervezése Osztályok leprogramozása Szabályok leprogramozása Eljárások leprogramozása Help, User's Gude, Tutoral, Report Maker etc. Level5 Object Szabály-alapú szakértő keretrendszer
29 Level5 Object Level5 Object
30 Level5 Object Alkalmazás példák Szerszámgép választás Szerszám választás Megmunkálás sorrendtervezés Szerszám hbadagnosztka
31 Előgyártmányválasztás Előgyártmány Meghatározandó paraméterek: Anyag Technológa Alak Ráhagyások Méretpontosság Alkatrész Cél: az előgyártmánygyártás és az alkatrészgyártás költsége legyen mnmáls. Előgyártmányválasztás Szabály-alapú szakértő rendszer Kzáró krtérumok Idő krtérumok Értékelő szabályok Egyszerűsített geometra Szabályok Előgyártmány típus Technológa lépések Ráhagyások Szabályok Ráhagyás alakzat Szabályok Előgyártmány geometra Felület összevonások
32 Alkalmazás példa Csoporttechnológa adaptálása
33 Alkalmazás példa Költségbecslés Alkatrész modell Gyártás dő- és költség becslése Szabályok Műveletelemek Szabályok Heursztkus képletek Előzés mátrx Mátrx elmnácó Becsült adatok
34
35 Alkalmazás példa Robotmegfogó tervezés Alkalmazás példa Robotmegfogó tervezés
36 Robotmegfogó tervezés Koncepconáls tervezés Alkalmazás példa Robotmegfogó tervezés Részletes tervezés
37 Robotmegfogó tervezés (Vdeo) Alkalmazás példa Megmunkálás dagnosztka Bemutatás Szerszámanyag választás Bemutatás
38 Eset-alapú következtetés (CBR) (A. Aamodt) Egy új probléma megoldása azálltal, hogy feldézünk egy korább már megoldott problémát, és felhasználjuk ennek megoldásából származó tudást és tapasztalatot. Eset-alapú következtetés (CBR) Az eset-alapú következtatés egy rég probléma megoldásának új helyzetben történő adaptálását jelent. (Janet Kolodner)
39 Következtetés folyamat Új probléma Indexelés Vsszakeresés Esetbázs Hasonló esetek Választás Javasolt megoldás Tanulás Adaptálás Ellenörzés Megoldás Egy eset szerkezete 16H7F76AC Indexelt nformácó Nem ndexelt nformácó
40 Indexelés Az ndexelés célja: - az eset jellegzetességenek leírása, - az nformácó rendszerezése, tömörítése. Eset Indexelés Kód Keresés - Választás Hasonlóság becslés: Mkor hasonló két eset? Hatékony keresés algortmus.
41 Adaptálás Az adaptálás célja: A kválasztott esethez tarozó megoldás módosítása az új körülmények fgyelembevételével. Új eset Megoldás Adaptálás Eset Megoldás Alkalmazás példák Készüléktervezés Művelet sorrendtervezés
42 Alkalmazás példák Művelet sorrendtervezés
43 Alkatrész modell Gyártás dő- és költség becslése + Paraméter lsta Eset bázs Keresés Hasonlóság megállapítása Választás Adaptálás Becsült adatok Heursztkák A heursztka olyan algortmzált feladatmegoldó módszer, mellyel smert megoldás módszerekből kndulva adott problémák újszerűen, automatkusan oldhatók meg.
44 Heursztkák A heursztkus módszerek bonyolult feladatok megoldására gyekeznek nem mnden lehetséges utat kpróbáln, hanem hasonlóság alapon bzonyos feladatmegoldás típusok alapulvételével elndulnak egy-egy nem bztos, de valószínű megoldás felé. 4. rész NEURÁLIS HÁLÓK
45 Neuráls hálók Számítás feladatok megoldására létrehozott párhuzamos adatfeldolgozást végző adaptív eszközök, melyek eredete az ember agy működésének modellezésére vezethető vssza Felépítésüket tekntve egyszerű, általában adaptív elemek sűrűn összekapcsolt hálózata lletve herarchkus szervezete. Bológa analóga I.
46 Bológa analóga II. Történet áttekntés 1943 McCulloch és Ptts 1958 Rosenblatt 1960 Wdrow és Hoff 1962 Rosenblatt többszntű perceptron 1969 Mnsky és Papert 1982 Hopfeld 1986 Rummelhat, Hnton és Wllams 1989 Kohonen 1991 Carpenter és Grossberg adaptve resonance theory ART
47 Fontosabb típusok Neuráls Hálók Bnáls bemenet Folytonos és bnárs bemenet Felügyelt tanítás Nem felügyelt tanítás Felügyelt tanítás Nem felügyelt tanítás Hopfeld háló Hannng háló Carpenter/ Grossberg háló egy rétegû perceptron több rétegû perceptron Kohenen háló Perceptron 1 2 w1 w2 S = n x w S f(.) Y n wn Y = f(s)
48 Nemlneartások s Y = + 1 > 0 1 s 0 Lépcsőfüggvény + 1 Y = S 1 s > 1 1 S + 1 s < 1 Telítéses lneárs függvény 1 e Y = 1+ e KS KS 1 Y = 1 + e KS Tangens hperbolkusz függvény Szgmod függvény Perceptron háló Közbenső réteg Bemenet réteg Kmenet réteg...
49 Back-propagaton Új változtatás Hba Előző változtatás w, j E( w) ( n) = η * + α * w, j( n 1) w, j Hba: Tanulás ráta Momentum 1 Ew t ow 2 ( ) ( ) = * ( ) k 2 Alkalmazás példák Megmunkálás gények felmérése Forgácsolás paraméterek meghatározása Folyamatfelügyelet, hbadagnosztka
50 Alkalmazás Feladattípusok osztályozás az nformácómennység erős csökkentése transzformácó egyk adatstruktúrából egy máskba való átalakítás pl. írott szöveg beszéd optmalzálás Példa Szerszámkopás felügyelet
51 Szerszámok állapotbesorolása Állandó forgácsolás paraméterek Jel jellemzôk éles kopott Osztályozás eredmény Hálóstruktúra Szerszámkopás becslése Állandó forgácsolás paraméterek Jel jellemzôk hátkopás
52 Alkatrészmodell Gyártás dő- és költség becslése Paraméter lsta ANN Tanítás mnta W 1 W 2 Σ S f(s) Becsült adatok W 3 Költségbecslés Műanyag fröccsöntő szerszám?
53 Rendszerterv Gyártandó termék Gyártandó termék Szerszámtervezés ECoTEst/Mold Alkatrész és szerszámparaméterek Utókalkulácós adatok Gyártáselőkészítés Mesterséges neuráls háló Tanító algortmus Szerszámgyártás Becsült dő- és költségadatok Szerszám 5. rész KERESÉSI ALGORITMUSOK
54 Keresés algortmusok Vak kereső eljárások: Heursztkus kereső eljárások: Szélességben először keresés Mélységben először keresés Korlátozott mélységű keresés Iteratív mélyítés Legjobbat először A* IDA* Iteratív javító algortmusok: Csúcsra mászás Tabu keresés Szmulált hűtés L H B est L H B C t = L D est L D C t = ( ) = = n H B L H B L C t S 1 2 = 0 C S = 0 L S = 0 B S = 0 H S ( ) 0 ln ln = + = = n L L H B L C L H B L C t S H B L H B L ( ) = + = = n H B L H B L H B L C H B L t C S ( ) 0 ln ln = + = = n B B H B L C B H B L C t S H B L H B L ( ) 0 ln ln = + = = n H H H B L C H H B L C t S H B L H B L Gyártás dő becslés Heursztkus összefüggések Legksebb négyzetek módszere MIN Alkalmazás példák
55 Numerkus kereső algortmus C1, B, H, L C2, B, H, L C, B1, H, L C1, B, H, L C2, B, H, L C, B1, H, L C, B2, H, L C, B2, H, L C, B, H, L C, B, H1, L C, B, H2, L C, B, H1, L C, B, H2, L... C, B, H, L1 C, B, H, L1 C, B, H, L2 C, B, H, L2 Változás Random(100) = m Hba t t, j j D = j Eredmények
56 Genetkus algortmus Charles Darwn Evolúcós párhuzamra épülő numerkus optmálás eljárás. John Holland Egyed: egy lehetséges megoldás. Populácó: egy lehetséges megoldások halmaza. Életképes: a keresés tartományon belül. Rátermettség: célfüggvény érték.
57 Működés Paraméterek beállítása Kezdet populácó generálása Kértékelés, Sorbarendezés Kválasztás Keresztezés Mutácó Kértékelés, Sorbarendezés Leállás feltétel STOP Keresztezés Keresztezés pont Szegmensek cseréje
58 Mutácó Mutácós pont Érték megváltoztatása Működés paraméterek A működést befolyásoló paraméterek: Populácó nagysága Keresztezés ráta Mutácós ráta Keresztezés pontok száma Mutácós pontok száma Leállás feltétel
59 Alkalmazás példák Sorrendtervezés Forgácsolás paraméterek meghatározása Ütemezés Irodalom Fekete István Gregorcs Tbor Nagy Sára: Bevezetés a mesterséges ntellgencába, LSI Stuart Russel Peter Norvg: Mesterséges ntellgenca, Panem Futó Iván: Mesterséges ntellgenca, Aula Kadó, Sántáné Tóth Edt: Tudásalapú technológa, szakértő rendszerek; Mskolc Egyetem Dunaújváros Főskola Kar Kadóhvatal, 1998.
60 Web lapok AI.lap.hu Agent portál manuf.bme.hu/gdf Írásos anyag letölthető Oktatás
61 Összefoglalás Mesterséges ntellgenca Intellgenca Szakértő rendszerek Szabály-alapú következtetés Eset-alapú következtetés Frame-ek Heursztkák Mesterséges neuráls hálók Keresés algortmusok
Költségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr.
Gépgyártástechnológia Tsz Költségbecslési módszerek a szerszámgyártásban Szerszámgyártók Magyarországi Szövetsége 2003. december 11. 1 2 CEE-Product Groups Tartalom 1. Költségbecslési módszerek 2. MoldCoster
RészletesebbenForgácsolási paraméterek mûvelet szintû optimalizálása
Gépgyártástechnológa 2000/3, pp. 9 15. Forgácsolás paraméterek mûvelet szntû optmalzálása Mkó Balázs 1 - Szánta Mhály 2 - Dr Szegh Imre 3 1 - udományos segédmunkatárs, 2 - Egyetem hallgató, 3 Egyetem docens
RészletesebbenA neurális hálózatok alapjai
A neuráls hálózatok alapja (A Neuráls hálózatok és mszak alkalmazásak cím könyv (ld. források) alapján) 1. Bológa alapok A bológa alapok megsmerése azért fontos, mert nagyon sok egyed neuráls struktúra,
Részletesebben12.3. Az automatizált technológiai tervezés módszerei A variáns módszer
12.3. Az automatizált technológiai tervezés módszerei A technológiai tudás és a tervezési feladat egymáshoz rendeltetését, a feladatok típusait, a tervezési műveleteket, a megoldások környezetfüggőségét
RészletesebbenIntelligens 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
RészletesebbenMőanyag fröccsöntı szerszámok tervezése és gyártása
Dr. Mikó Balázs miko.balazs@bgk.bmf.hu Mőanyag fröccsöntı szerszámok tervezése és gyártása Megvalósítási folyamat lépései Mőanyag termék elıállítása 1 Fröccsöntı szerszám Megrendelı Termék dokumentáció
RészletesebbenBefektetett munka. Pontosság. Intuícióra, tapasztalatra épít. Intuitív Analóg Parametrikus Analitikus MI alapú
..4. Óbuda Egyetem ák Doát Gépész és ztoságtechka Mérök Kar yagtudomáy és Gyártástechológa Itézet Termelés olyamatok II. Költségbecslés Dr. Mkó alázs mko.balazs@bgk.u-obuda.hu z dı- és költségbecslés eladata
RészletesebbenSzoftver újrafelhasználás
Szoftver újrafelhasználás Szoftver újrafelhasználás Szoftver fejlesztésekor korábbi fejlesztésekkor létrehozott kód felhasználása architektúra felhasználása tudás felhasználása Nem azonos a portolással
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)
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
RészletesebbenA multikritériumos elemzés célja, alkalmazási területe, adat-transzformációs eljárások, az osztályozási eljárások lényege
A multkrtérumos elemzés célja, alkalmazás területe, adat-transzformácós eljárások, az osztályozás eljárások lényege Cél: tervváltozatok, objektumok értékelése (helyzetértékelés), döntéshozatal segítése
RészletesebbenFuzzy rendszerek. A fuzzy halmaz és a fuzzy logika
Fuzzy rendszerek A fuzzy halmaz és a fuzzy logka A hagyományos kétértékű logka, melyet évezredek óta alkalmazunk a tudományban, és amelyet George Boole (1815-1864) fogalmazott meg matematkalag, azon a
RészletesebbenRegresszió. Fő cél: jóslás Történhet:
Fő cél: jóslás Történhet: Regresszó 1 változó több változó segítségével Lépések: Létezk-e valamlyen kapcsolat a 2 változó között? Kapcsolat természetének leírása (mat. egy.) A regresszós egyenlet alapján
RészletesebbenInteraktív, grafikus környezet. Magasszintû alkalmazási nyelv (KAL) Integrált grafikus interface könyvtár. Intelligens kapcsolat más szoftverekkel
Készítette: Szabó Gábor, 1996 Az Az IntelliCorp IntelliCorp stratégiája: stratégiája: Kifinomult, Kifinomult, objektum-orientált objektum-orientált környezetet környezetet biztosít biztosít tervezéséhez,
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
RészletesebbenSupport Vector Machines
Support Vector Machnes Ormánd Róbert MA-SZE Mest. Int. Kutatócsoport 2009. február 17. Előadás vázlata Rövd bevezetés a gép tanulásba Bevezetés az SVM tanuló módszerbe Alapötlet Nem szeparálható eset Kernel
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
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
RészletesebbenIntegrált gyártórendszerek. Ágens technológia - ágens rendszer létrehozása Gyakorlat
IGYR p. 1/17 Integrált gyártórendszerek Ágens technológia - ágens rendszer létrehozása Gyakorlat Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu IGYR
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
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
RészletesebbenORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!
ORVOSI STATISZTIKA Az orvos statsztka helye Élettan Anatóma Kéma Lehet kérdés?? Statsztka! Az orvos döntéseket hoz! Mkor jó egy döntés? Mennyre helyes egy döntés? Mekkora a tévedés lehetősége? Példa: test
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
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
RészletesebbenA gyártástervezés modelljei. Dr. Mikó Balázs
Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet ermelési folyamatok II. A gyártástervezés modelljei Dr. Mikó Balázs miko.balazs@bgk.uni-obuda.hu
RészletesebbenPeriodikus figyelésű készletezési modell megoldása általános feltételek mellett
Tanulmánytár Ellátás/elosztás logsztka BME OMIKK LOGISZTIKA 9. k. 4. sz. 2004. júlus augusztus. p. 47 52. Tanulmánytár Ellátás/elosztás logsztka Perodkus fgyelésű készletezés modell megoldása általános
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
RészletesebbenMESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A TECHNOLÓGIAI ELÕTERVEZÉSBEN
1 MIKÓ Balázs 1, Dr. SZEGH Imre 2, KUTROVÁCZ Lajos 3 MESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A TECHNOLÓGIAI ELÕTERVEZÉSBEN 1 - doktorandusz; 2 - mûszaki tudományok kandidátusa, egyetemi docens;
RészletesebbenÓbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet, Gépgyártástechnológia Szakcsoport
Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet, Gépgyártástechnológia Szakcsoport Dr. Mikó Balázs miko.balazs@bgk.uni-obuda.hu MŰANYAG
RészletesebbenCAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés
CAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés Farkas Zsolt Budapesti Műszaki és Gazdaságtudományi Egyetem, Gép- és Terméktervezés Tanszék 1/ 14 Tartalom -Sajátosság alapú tervezés:
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Mskolc Egyetem Gépészmérnök és Informatka Kar Informatka Intézet Alkalmazott Informatka Intézet Tanszék 2017/18 2. félév 4. Előadás Dr. Kulcsár Gyula egyetem docens EFFS Prod Sch termelésprogramozó szoftver
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 94/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenMéréselmélet: 5. előadás,
5. Modellllesztés (folyt.) Méréselmélet: 5. előadás, 03.03.3. Út az adaptív elárásokhoz: (85) és (88) alapán: W P, ( ( P). Ez utóbb mndkét oldalát megszorozva az mátrxszal: W W ( ( n ). (9) Feltételezve,
RészletesebbenTechnológiai előtervezés automatizálása mesterséges intelligencia módszerek segítségével
Budapesti Műszaki és Gazdaságtudományi Egyetem Mikó Balázs Technológiai előtervezés automatizálása mesterséges intelligencia módszerek segítségével Doktori (PhD) disszertáció Témavezető: Dr. Szegh Imre
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék 2012/13 2. félév 4. Előadás Dr. Kulcsár Gyula egyetemi docens Gyártórendszerek egyszerűsített irányítási modellje Zavaró
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenAlkalmazásokban. Dezsényi Csaba Ovitas Magyarország kft.
Tudásmodellezés Kereskedelmi Alkalmazásokban Dezsényi Csaba Ovitas Magyarország kft. Tudásmenedzsment Adat -> Információ -> Tudás Intézményi tudásvagyon hatékony kezelése az üzleti célok megvalósításának
RészletesebbenElektronikus Almanach
Mesterséges Intelligencia Elektronikus Almanach Mesterséges intelligencia modern megközel zelítésben 1 Miért éppen ez a könyv? Egy kis történelem BME: 1998-1999 - MI lekerül alapképzés szintjére, hallgatói
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intellgenca MI Egyszerű döntés. Tanuljuk meg! Dobroweck Tadeusz Eredcs Péter, és mások BME I.E. 437, 463-28-99 dobroweck@mt.bme.hu, http://www.mt.bme.hu/general/staff/tade Neuron doktrna: S.
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
RészletesebbenAz esztergálás műveletelem szintű modelljét, amely alkalmas folyamat menedzselési döntések támogatására is, a következő alfejezetek foglalják össze.
4.2 A orgácsolás műeletelem Az esztergálás műeletelem szntű modelljét, amely alkalmas olyamat menedzselés döntések támogatására s, a köetkező alejezetek oglalják össze. 4.2. Geometra szonyok Az esztergálás
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek
Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek
RészletesebbenVII. Keretalapú ismeretábrázolás
Collins és Quillian kísérlete VII. Keretalapú ismeretábrázolás Tud-e a kanári énekelni? 1.3 mp Képes-e a kanári? 1.4 mp Van-e a kanárinak bőre? 1.5 mp A kanári egy kanári? 1.0 mp A kanári egy madár? 1.2
RészletesebbenLineáris regresszió. Statisztika I., 4. alkalom
Lneárs regresszó Statsztka I., 4. alkalom Lneárs regresszó Ha két folytonos változó lneárs kapcsolatban van egymással, akkor az egyk segítségével elıre jelezhetjük a másk értékét. Szükségünk van a függı
RészletesebbenI. A közlekedési hálózatok jellemzői II. A közlekedési szükségletek jellemzői III. Analitikus forgalom-előrebecslési modell
Budapest Műszak és Gazdaságtudomány Egyetem Közlekedésmérnök és Járműmérnök Kar Közlekedésüzem Tanszék HÁLÓZATTERVEZÉSI MESTERISKOLA BEVEZETÉS A KÖZLEKEDÉS MODELLEZÉSI FOLYAMATÁBA Dr. Csszár Csaba egyetem
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc. téma Adatelemzés, statsztka elemek áttekntése Adatelemzés módszertana probléma felvetés módszer, adatok meghatározása nyers adatok adatforrás meghatározása adat tsztítás
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
RészletesebbenKutatási beszámoló. 2015. február. Tangens delta mérésére alkalmas mérési összeállítás elkészítése
Kutatási beszámoló 2015. február Gyüre Balázs BME Fizika tanszék Dr. Simon Ferenc csoportja Tangens delta mérésére alkalmas mérési összeállítás elkészítése A TKI-Ferrit Fejlsztő és Gyártó Kft.-nek munkája
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
RészletesebbenPhD értekezés. Gyarmati József
2 PhD értekezés Gyarmat József 2003 3 ZRÍNYI MIKLÓS NEMZETVÉDELMI EGYETEM Hadtechnka és mnõségügy tanszék PhD értekezés Gyarmat József Többszempontos döntéselmélet alkalmazása a hadtechnka eszközök összehasonlításában
RészletesebbenDigitális Domborzat Modellek (DTM)
Dgtáls Domborzat Modellek (DTM) DTM fogalma A földfelszín számítógéppel kezelhető topográfa modellje Cél: tetszőleges pontban magasság érték nterpolálása a rendelkezésre álló támpontok alapján Interpolácós
RészletesebbenFOGLALKOZÁSI TERV. Kósa Péter műszaki oktató. A gyakorlati jegy megszerzésének feltétele: min. 51 pont elérése. Készítette: Ellenőrizte: Jóváhagyta:
FOGLALKOZÁSI TERV NYÍREGYHÁZI FŐISKOLA Gépgyártástechnológia szakirányú gyakorlat II. tantárgy MŰSZAKI ALAPOZÓ ÉS GÉPGYÁRTTECHN. 2009/2010. tanév, II. félév TANSZÉK GMB. III. évfolyam Gyak.jegy, kredit:
RészletesebbenOAF Gregorics Tibor: Minta dokumentáció a 4. házi feladathoz 1. Feladat. Megoldás
OAF Gregorcs Tbor: Mnta dokumentácó a 4. ház feladathoz 1. Feladat Adott egy szöveges fájlbel szöveg, ahol a szavakat szóközök, tabulátor-jelek, sorvége-jelek lletve a fájlvége-jel határolja. Melyk a leghosszabb
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.
RészletesebbenPROGRAMTERVEZŐ INFORMATIKUS ALAPKÉPZÉSI SZAK
PROGRAMTERVEZŐ INFORMATIKUS ALAPKÉPZÉSI SZAK 1. Az alapképzési szak megnevezése: programtervező informatikus (Computer Science) 2. Az alapképzési szakon szerezhető végzettségi szint és a szakképzettség
RészletesebbenIDA ELŐADÁS I. Bolgár Bence október 17.
IDA ELŐADÁS I. Bolgár Bence 2014. október 17. I. Generatív és dszkrmnatív modellek Korábban megsmerkedtünk a felügyelt tanulással (supervsed learnng). Legyen adott a D = {, y } P =1 tanító halmaz, ahol
RészletesebbenIntelligens Rendszerek I. Tudásábrázolás szemantikus hálókkal, keretekkel és forgatókönyvvel
Intelligens Rendszerek I. Tudásábrázolás szemantikus hálókkal, keretekkel és forgatókönyvvel 2007/2008. tanév, I. félév Dr. Kovács Szilveszter E-mail: szkovacs@iit.uni-miskolc.hu Miskolci Egyetem Informatikai
RészletesebbenTechnológiai sorrend
Technológiai sorrend A helyes technológiai sorrend megválasztásának menete 1. A gyártási folyamat tervezésének alapjai Gyártástervezés: a gyártás fő és segédfolyamatainak tervezése olyan mélységben, ahogyan
RészletesebbenALGORITMUSOK, ALGORITMUS-LEÍRÓ ESZKÖZÖK
ALGORITMUSOK, ALGORITMUS-LEÍRÓ ESZKÖZÖK 1. ALGORITMUS FOGALMA ÉS JELLEMZŐI Az algortmus egyértelműen végreajtató tevékenység-, vagy utasítássorozat, amely véges sok lépés után befejeződk. 1.1 Fajtá: -
RészletesebbenHatékony iteratív fejlesztési módszertan a gyakorlatban a RUP fejlesztési módszertanra építve
Hatékony iteratív fejlesztési módszertan a gyakorlatban a RUP fejlesztési módszertanra építve Kérdő Attila, ügyvezető, INSERO Kft. EOQ MNB, Informatikai Szakosztály, HTE, ISACA 2012. május 17. Módszertanok
RészletesebbenSzámítógépes döntéstámogatás. Fogalmakat is kezelni tudó számítógépes döntéstámogatás A DoctuS rendszer
SZDT-07 p. 1/20 Számítógépes döntéstámogatás Fogalmakat is kezelni tudó számítógépes döntéstámogatás A DoctuS rendszer Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenBeszédfelismerés alapú megoldások. AITIA International Zrt. Fegyó Tibor
Beszédfelismerés alapú megoldások AITIA International Zrt. Fegyó Tibor fegyo@aitia.hu www.aitia.hu AITIA Magyar tulajdonú vállalkozás Célunk: kutatás-fejlesztési eredményeink integrálása személyre szabott
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,
Részletesebben8. Programozási tételek felsoroló típusokra
8. Programozás tételek felsoroló típusokra Ha egy adatot elem értékek csoportja reprezentál, akkor az adat feldolgozása ezen értékek feldolgozásából áll. Az lyen adat típusának lényeges jellemzője, hogy
Részletesebben4 2 lapultsági együttható =
Leíró statsztka Egy kísérlet végeztével általában tetemes mennységű adat szokott összegyűln. Állandó probléma, hogy mt s kezdjünk - lletve mt tudunk kezden az adatokkal. A statsztka ebben segít mnket.
RészletesebbenPhilosophiae Doctores. A sorozatban megjelent kötetek listája a kötet végén található
Phlosophae Doctores A sorozatban megjelent kötetek lstája a kötet végén található Benedek Gábor Evolúcós gazdaságok szmulácója AKADÉMIAI KIADÓ, BUDAPEST 3 Kadja az Akadéma Kadó, az 795-ben alapított Magyar
RészletesebbenSzakértői rendszerek bemutatása. Haindrich Henrietta
Szakértői rendszerek bemutatása Haindrich Henrietta Mi a szakértő rendszer? Ismeretalapú rendszer (KBS:Knowledge-Based System): a rendelkezésére álló információkból bizonyos keresési stratégia szerint
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
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenBevezetés a programozásba. 3. Előadás Algoritmusok, tételek
Bevezetés progrmozásb 3. Elődás Algortmusok, tételek ISMÉTLÉS Specfkácó Előfeltétel: mlyen körülmények között követelünk helyes működést Utófeltétel: mt várunk kmenettől, m z összefüggés kmenet és bemenet
RészletesebbenEmerald: Integrált jogi modellező keretrendszer
Emerald: Integrált jogi modellező keretrendszer Förhécz András Szőke Ákos Kőrösi Gábor Strausz György Budapesti Műszaki és Gazdaságtudományi Egyetem Multilogic Kft, Budapest Networkshop 2011 2011. április
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
RészletesebbenA korlátozás programozás alapjai
A korlátozás programozás alapa Kovács András akovacs@mt.bme.hu Bevezetés Ez a segédlet a Mesterséges Intellgenca Labor c. tárgyat felvett hallgatókhoz szól, és feltételez a logka programozás elmélet alapanak,
RészletesebbenIT jelű DC/DC kapcsolóüzemű tápegységcsalád
IT jelű DC/DC kapcsolóüzemű tápegységcsalád BALOGH DEZSŐ BHG BEVEZETÉS A BHG Híradástechnka Vállalat kutató és fejlesztő által kdolgozott napjankban gyártásban levő tárolt programvezérlésű elektronkus
Részletesebben10. Alakzatok és minták detektálása
0. Alakzatok és mnták detektálása Kató Zoltán Képfeldolgozás és Számítógépes Grafka tanszék SZTE http://www.nf.u-szeged.hu/~kato/teachng/ 2 Hough transzformácó Éldetektálás során csak élpontok halmazát
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
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
RészletesebbenSzámítógépes 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
RészletesebbenMinősítéses mérőrendszerek képességvizsgálata
Mnősítéses mérőrendszerek képességvzsgálata Vágó Emese, Dr. Kemény Sándor Budapest Műszak és Gazdaságtudomány Egyetem Kéma és Környezet Folyamatmérnök Tanszék Az előadás vázlata 1. Mnősítéses mérőrendszerek
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenFoglalkozási napló a 20 /20. tanévre
Foglalkozási napló a 20 /20. tanévre CNC gépkezelő szakma gyakorlati oktatásához OKJ száma: 35 521 01 A napló vezetéséért felelős: A napló megnyitásának dátuma: A napló lezárásának dátuma: Tanulók adatai
RészletesebbenElosztott rendszerek játékelméleti elemzése: tervezés és öszönzés. Toka László
adat Távközlés és Médanformatka Tanszék Budapest Műszak és Gazdaságtudomány Egyetem Eurecom Telecom Pars Elosztott rendszerek játékelmélet elemzése: tervezés és öszönzés Toka László Tézsfüzet Témavezetők:
RészletesebbenTechnológiai tervezés automatizálása
Óbuda Egyetem Bánk Donát Gépész és Bztonságtechnka Mérnök Kar Anyagtudomány és Gyártástechnológa Intézet Technológa tervezés automatzálása A gyártástervezés feladata Megtervezn a konstruktőr által megtervezett
RészletesebbenRégió alapú szegmentálás. Digitális képelemzés alapvető algoritmusai. 2. példa: Elfogadható eredmények. 1. példa: Jó eredmények. Csetverikov Dmitrij
Régó alapú szegmentálás Dgtáls képelemzés alapvető algortmusa Csetverkov Dmtrj Eötvös Lóránd Egyetem, Budapest csetverkov@sztak.hu http://vson.sztak.hu Informatka Kar 1 Küszöbölés példá és elemzése Küszöbölés
RészletesebbenHázi feladat Dr Mikó Balázs - Gyártástechnológia II. 5
Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet Gyártástechnológia II. BAGGT23NND/NLD 01A - Bevezetés, Alapfogalmak Dr. Mikó Balázs miko.balazs@bgk.uni-obuda.hu
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2017/18 2. félév 3. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
RészletesebbenPéldák ekvivalencia relációra (TÉTELként kell tudni ezeket zárthelyin, vizsgán):
F NIK INÁRIS RLÁIÓK INÁRIS RLÁIÓK (és hasonló mátrxok s tt!) Defnícó: z R bnárs relácó, ha R {( a, b) a, b } nárs relácók lehetséges tuladonsága:. Reflexív ha ( x,.(a). Szmmetrkus ha ( x, y) ( y,.(b).
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometra modellezés, alakzatrekonstrukcó, nyomtatás 17. 3D Szegmentálás http://cg.t.bme.hu/portal/node/312 https://www.vk.bme.hu/kepzes/targyak/viiiav54 Dr. Várady Tamás, Dr. Salv Péter BME, Vllamosmérnök
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
Részletesebben1. gyakorlat. Mesterséges Intelligencia 2.
1. gyakorlat Mesterséges Intelligencia. Elérhetőségek web: www.inf.u-szeged.hu/~gulyasg mail: gulyasg@inf.u-szeged.hu Követelmények (nem teljes) gyakorlat látogatása kötelező ZH írása a gyakorlaton elhangzott
RészletesebbenALAKOS KÖRKÉS PONTOSSÁGI VIZSGÁLATA EXCEL ALAPÚ SZOFTVERREL OKTATÁSI SEGÉDLET. Összeállította: Dr. Szabó Sándor
MISKOLCI EGYETEM Gépgyártástechnológa Tanszék Mskolc - Egyetemváros ALAKOS KÖRKÉS PONTOSSÁGI VIZSGÁLATA EXCEL ALAPÚ SZOFTVERREL OKTATÁSI SEGÉDLET Összeállította: Dr. Szabó Sándor A orgácsoló megmunkálásokhoz
RészletesebbenOptikai elmozdulás érzékelő illesztése STMF4 mikrovezérlőhöz és robot helyzetérzékelése. Szakdolgozat
Mskolc Egyetem Gépészmérnök és Informatka Kar Automatzálás és Infokommunkácós Intézet Tanszék Optka elmozdulás érzékelő llesztése STMF4 mkrovezérlőhöz és robot helyzetérzékelése Szakdolgozat Tervezésvezető:
RészletesebbenAz emberi információfeldolgozás modellje. Az emberi információfeldolgozás modellje. Alakészlelés. Más emberek észlelése.
Az emberi információfeldolgozás modellje (továbbgondolás) Az emberi információfeldolgozás modellje Látási bemenet Hallási bemenet Feldolgozás Érzékszervi tár Alakfelismerés Probléma megoldás Következtetés
RészletesebbenA döntéstámogatás területén a 90-es évek főárama a tudásbázisú rendszerek fejlesztése. A tudásbázisú rendszer az első olyan döntéstámogató módszer, am
Fogalmakat is kezelni tudó számítógépes döntéstámogatás Starkné Dr. Werner Ágnes A döntéstámogatás területén a 90-es évek főárama a tudásbázisú rendszerek fejlesztése. A tudásbázisú rendszer az első olyan
RészletesebbenMechanizmus-tervezés: szociális jóléti függvény nem kooperatív (versengő) ágensek. A megegyezés keresése és elérése: Tárgyalás (Negotiation)
Tárgyalások/1 Mechanzmus-tervezés: szocáls jólét függvény nem kooperatív (versengő) ágensek (Szavazás (Votng)) (Árverés (Aucton)) A megegyezés keresése és elérése: Tárgyalás (Negotaton) (Érvelés (Argung))
RészletesebbenTermék modell. Definíció:
Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenKészítette: Ellenőrizte: Jóváhagyta:
FOGLALKOZÁSI TERV Nyíregyházi Főiskola Gyártórendszerek tervezése c. tan- 2009/2010. tanév, II. félév GM.III. évfolyam Gyak.jegy, 2 kredit tárgy Műszaki Alapozó és Gépgyártástechnológia Tanszék Tanítási
RészletesebbenA záró rendezvény programja
Mesterséges Intelligencia Elektronikus Almanach TÁMOP-4.1.2-08/2/A/KMR-2009-00260026 Projektzáró rendezvény 2011. november. 24., 9h-11h BME, Q. ép., QBF13 1 A záró rendezvény programja I. Mesterséges Intelligencia
RészletesebbenIsmeretalapú rendszerek tervezése, ismeretszerzés, ismeretalapú rendszerek fejlesztése
Ismeretalapú rendszerek tervezése, ismeretszerzés, ismeretalapú rendszerek fejlesztése Takács Eszter Magdolna DFSVDK Mesterséges intelligencia, szakértői rendszerek VEMISAM254M Utolsó módosítás: 2013.
Részletesebben