Egy csodálatos elme modellje

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Egy csodálatos elme modellje"

Átírás

1 Egy csodálatos elme modellje A beteg és az egészséges agy információfeldolgozási struktúrái Bányai Mihály1, Vaibhav Diwadkar2, Érdi Péter1 1 RMKI, Biofizikai osztály 2 Wayne State University, Detroit, USA Simonyi-nap Budapest, október 18.

2 Kortikális makrohálózatok Agykéreg Kérgi területek Funkcionális felosztás Szenzorikus területek Motorikus területek Reprezentáció, memória, tanulás Kognitív funkciók, kognitív kontroll Interakciós hálózatok

3 A rendszer komplexitása Egyetlen idegsejt is bonyolult rendszerek összessége 1011 idegsejt, sok különböző típus Bonyolult kapcsolódási minázatok, 1015 kapcsolat Nagy variabilitás Mérési nehézségek Különböző szintek kölcsönhatása Nincs egyszerre jó tér- és időfelbontású eszköz Emberben csak neminvazív módszerek használhatók Komplex betegségek állatban nem modellezhetők jól

4 Skizofrénia Több tünetegyüttes gyűjtőneve Hallucinációk, tévképzetek, memóriaproblémák A biológiai háttér jórészt ismeretlen Egy ígéretes elmélet: szétkapcsoltsági hipotézis A memóriaformáció tudatos irányítása sérül bizonyos agyterületek közötti elégtelen kommunikáció miatt

5 Funkcionális képalkotás Makroszkopikus aktivitás mérése fmri mágneses rezonancia Háromdimenziós kép az egész agyról Jó térbeli, gyenge időbeli felbontás Áttételesen mérjük a neurális aktivitást Időben simított jel Véroxigénszint változása Kísérleti paradigmák Passzív nyugalmi állapot mérése Feladat funkcionális részhálózatok Az agyterületekhez idősorozatokat rendelhetünk

6 Statisztikai modellezés Rejtett változós generatív modellek x = f x, u, f y= x, Megfigyelt változók: y,u Véletlenszerűség bevezetése Zaj Véletlen állapotváltozók Véletlen paraméterek Modellinverzió Rejtett változók eloszlása Paraméterek eloszlása Paraméterek becslése

7 Makrohálózati modellek Az fmri-vel mért jel generatív modellje N x = A i=1 u j B x Cu j y = x, h A feladathoz tartozó funkcionális hálózat kiválasztása Agyterületek közötti kölcsönhatás dinamikája Bemenetek hatása a területek aktivitására Külvilágból érkező jelek Többi agyterületről érkező jelek Leképezés a neurális aktivitás és a mért jel között Paraméterek illesztése a mért adatra Interakciók erőssége Leképezés paraméterei

8 Bayesiánus statisztika p y, M = p y, M p M p y M F = ln p y, M q ln q q A paraméterek Maximum A Posteriori becslése Modellstruktúrák összehasonlítása Illeszkedés az adatra Ockham borotvája a kisebb komplexitás preferenciája A rendszer információelméleti szabadenergiájának minimalizálása A MAP paraméterbecslés approximációja Az illeszkedés és komplexitás egyensúlyát beállító modelljóság-mérőszám

9 A kísérlet Hely-objektum asszociáció tanulása Tanulási és visszakérdezési sorozatok egymás után Skizofrén és kontroll csoport

10 A feladatban szerepet játszó agyterületek Primer vizuális kéreg szenzoros információ forrása Szuperioparetális kéreg - helyreprezentáció Inferiotemporális kéreg - objektumreprezentáció Hippokampusz asszociatív memória formulációja Prefrontális kéreg memória kognitív kontrollja

11 A modelltér definíciója Összekötöttség Anatómiai és funkcionális adatok alapján Előrecsatolt vagy adatáramlás Visszacsatolt vagy kontroll áramlás Bemenetek a kísérleti körülmények alapján Vizsgált modellhalmazok A kontroll áramlás kapcsolatainak kombinációi A bemenetek hatásainak kombinációi

12 Modellöszehasonlítási eredmények Az egészséges csoportban egyértelmű nyerő modell Tartalmaz minden feltételezett kapcsolatot A skizofrén csoportban nincs egyértelmű nyertes, és különböző hiányos modellek a legvalószínűbbek A szétkapcsoltság nem specifikus, az egész hálózat komplexitása csökken Utalhat a csoport heterogenitására

13 Paraméterszintű összehasonlítás Az illesztett modellek paramétereinek átlagos értéke a két csoportban Eltérések Prefrontális kéreg-hippokampusz: a memória tudatos kontrollja Hippokampusz-Inferiotemporális kéreg: az objektumreprezentáció felhasználása a memórianyom kialakításában A feladat teljesítésében leginkább releváns kapcsolatok sérültek Alátámasztja a szétkapcsoltsági hipotézist

14 Lassú tanulás vagy betegség? A skizofrén csoportban lassabb a tanulás A lassú tanulás nem feltétlenül skizofrénia hogy lehet megkülönböztetni? Modellek illesztése az egészséges, de lassan tanuló alanyokra A teljesítményük nem jobb, mint a skizofrén csoporté A modellek valószínűségi eloszlása az egészséges csoportéval azonos alakú

15 Összefoglalás fmri mérések skizofrén és egészséges alanyokon, asszociatív tanulási feladattal A makrohálózati interakció generatív statisztikai modelljeinek halmaza, Bayesiánus módszerekkel invertálva A modellösszehasonlítás alapján a skizofréneknél nemspecifikusan csökken az információfeldolgozó hálózat összekötöttsége A paraméterek szintjén a kognitív kontrollért és az objektumreprezentáció felhasználásáért felelős kapcsolatok sérülnek A módszer alkalmas arra, hogy különbséget tegyünk a betegség és a lassú tanulás között

16 Hivatkozások Friston K, Frith C (1995) Schizophrenia: a disconnection syndrome? Clin Neurosci Ellison-Wright I, Bullmore E (2009) Meta-analysis of diffusion tensor imaging studies in schizophrenia. Schizophr Res. 108:3-10. Farkas et al. (2008) Associative learning in deficit and nondeficit schizophrenia. Neuroreport 8:55-8. Diwadkar et al. (2008) Impaired associative learning in schizophrenia: behavioral and computational studies. Cogn Neurodyn 2: Érdi et al. (2007) Computational approach to the schizophrenia: Disconnection syndrome and dynamical pharmacology. In BIOCOMP, L.M. Ricciardi, A. Buonocore, and E. Pirozzi, eds. (Meville, NY: American Institute of Physics) Friston KJ, Harrison L, Penny WD (2003) Dynamic Causal Modelling. NeuroImage 19(4): Stephan KE, Penny WD, Daunizeau J, Moran R, Friston KJ (2009) Bayesian model selection for group studies. NeuroImage 46(3):

17 Köszönöm a figyelmet!

Modellkiválasztás és struktúrák tanulása

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

Részletesebben

Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére

Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció

Részletesebben

Az idegrendszeri memória modelljei

Az idegrendszeri memória modelljei Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú

Részletesebben

Agykérgi makrohálózatok funkcionális modellezése

Agykérgi makrohálózatok funkcionális modellezése Agykérgi makrohálózatok funkcionális modellezése A doktori értekezés tézisei Bányai Mihály Témavezetők: Dr. Bazsó Fülöp (MTA Wigner FKK) Dr. Strausz György (BME MIT) Budapesti Műszaki és Gazdaságtudományi

Részletesebben

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

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó

Részletesebben

Az idegrendszeri memória modelljei

Az idegrendszeri memória modelljei Az idegrendszeri memória modelljei A memória típusai Rövidtávú Working memory - az aktuális feladat Vizuális, auditórikus,... Prefrontális cortex, szenzorikus területek Kapacitás: 7 +-2 minta Hosszútávú

Részletesebben

Neurális hálózatok bemutató

Neurális hálózatok bemutató Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

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

Részletesebben

Zárójelentés. A vizuális figyelmi szelekció plaszticitása Azonosító: K 48949

Zárójelentés. A vizuális figyelmi szelekció plaszticitása Azonosító: K 48949 Zárójelentés A vizuális figyelmi szelekció plaszticitása Azonosító: K 48949 Kutatásaink legfontosabb eredménye, hogy pszichofizikai, eseményhez kötött potenciálok (EKP) és funkcionális mágneses rezonancia

Részletesebben

Loss Distribution Approach

Loss Distribution Approach Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói

Részletesebben

Méréselmélet MI BSc 1

Méréselmélet MI BSc 1 Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

Intelligens beágyazott rendszer üvegházak irányításában

Intelligens beágyazott rendszer üvegházak irányításában P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses

Részletesebben

Intelligens adatelemzés

Intelligens adatelemzés Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az

Részletesebben

Matematikai statisztika c. tárgy oktatásának célja és tematikája

Matematikai statisztika c. tárgy oktatásának célja és tematikája Matematikai statisztika c. tárgy oktatásának célja és tematikája 2015 Tematika Matematikai statisztika 1. Időkeret: 12 héten keresztül heti 3x50 perc (előadás és szeminárium) 2. Szükséges előismeretek:

Részletesebben

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

ORVOSI 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

Részletesebben

Mérés és modellezés 1

Mérés és modellezés 1 Mérés és modellezés 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni kell

Részletesebben

Mérés és modellezés Méréstechnika VM, GM, MM 1

Mérés és modellezés Méréstechnika VM, GM, MM 1 Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni

Részletesebben

Probabilisztikus modellek V: Struktúra tanulás. Nagy Dávid

Probabilisztikus modellek V: Struktúra tanulás. Nagy Dávid Probabilisztikus modellek V: Struktúra tanulás Nagy Dávid Statisztikai tanulás az idegrendszerben, 2015 volt szó a normatív megközelítésről ezen belül a probabilisztikus modellekről láttatok példákat az

Részletesebben

GONDOLKODÁS ÉS NYELV

GONDOLKODÁS ÉS NYELV GONDOLKODÁS ÉS NYELV GONDOLKODÁS A. Propozicionális B. Képzeleti Propozicionális gondolkodás Propozíció kijelentés, amely egy tényállásra vonatkozik, meghatározott viszonyban összekombinált fogalmakból

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát

Részletesebben

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések!

ORVOSI STATISZTIKA. Az orvosi statisztika helye. Egyéb példák. Példa: test hőmérséklet. Lehet kérdés? Statisztika. Élettan Anatómia Kémia. Kérdések! ORVOSI STATISZTIKA Az orvos statsztka helye Életta Aatóma Kéma Lehet kérdés?? Statsztka! Az orvos dötéseket hoz! Mkor jó egy dötés? Meyre helyes egy dötés? Mekkora a tévedés lehetősége? Példa: test hőmérséklet

Részletesebben

Területi statisztikai elemzések

Területi statisztikai elemzések Területi statisztikai elemzések KOTOSZ Balázs, SZTE, kotosz@eco.u-szeged.hu Módszertani dilemmák a statisztikában 2016. november 18. Budapest Apropó Miért különleges a területi adatok elemzése? A számításokhoz

Részletesebben

Bevezetés a kognitív idegtudományba

Bevezetés a kognitív idegtudományba Bevezetés a kognitív idegtudományba Kéri Szabolcs Kognitív Idegtudomány kurzus, Semmelweis Egyetem Budapest, 2009 Created by Neevia Personal Converter trial version http://www.neevia.com Created by Neevia

Részletesebben

Közhasznúsági jelentés

Közhasznúsági jelentés 1/6 Közhasznúsági jelentés 2012 Magyar Kognitív Tudományi Alapítvány 1025 Budapest, Csalán u. 55. Tel.: +36 30 282 8982 http://www.makog.hu 2/6 A jelen közhasznúsági jelentés részei Bevezető: Általános

Részletesebben

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése 4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól

Részletesebben

KÍSÉRLET, MÉRÉS, MŰSZERES MÉRÉS

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

Részletesebben

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA

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

Részletesebben

CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens

CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi

Részletesebben

A MIDAS_HU eredményeinek elemzése, továbbfejlesztési javaslatok HORVÁTH GYULA 2015. MÁJUS 28.

A MIDAS_HU eredményeinek elemzése, továbbfejlesztési javaslatok HORVÁTH GYULA 2015. MÁJUS 28. A MIDAS_HU eredményeinek elemzése, továbbfejlesztési javaslatok HORVÁTH GYULA 2015. MÁJUS 28. 1 A projekt céljai Az Unió ajánlatkérése és az ONYF pályázata a következő célokat tűzte ki: Preparation of

Részletesebben

Markov modellek 2015.03.19.

Markov modellek 2015.03.19. Markov modellek 2015.03.19. Markov-láncok Markov-tulajdonság: egy folyamat korábbi állapotai a későbbiekre csak a jelen állapoton keresztül gyakorolnak befolyást. Semmi, ami a múltban történt, nem ad előrejelzést

Részletesebben

A központi idegrendszer funkcionális anatómiája

A központi idegrendszer funkcionális anatómiája A központi idegrendszer funkcionális anatómiája Nyakas Csaba Az előadás anyaga kizárólag tanulmányi célra használható (1) Az idegrendszer szerveződése Agykéreg Bazális ganglionok Kisagy Agytörzs Gerincvelő

Részletesebben

A légkördinamikai modellek klimatológiai adatigénye Szentimrey Tamás

A légkördinamikai modellek klimatológiai adatigénye Szentimrey Tamás A légkördinamikai modellek klimatológiai adatigénye Szentimrey Tamás Országos Meteorológiai Szolgálat Az adatigény teljesítének alapvető eszköze: Statisztikai klimatológia! (dicsérni jöttem, nem temetni)

Részletesebben

A digitális korszak kihívásai és módszerei az egyetemi oktatásban

A digitális korszak kihívásai és módszerei az egyetemi oktatásban Csapó Benő http://www.staff.u-szeged.hu/~csapo A digitális korszak kihívásai és módszerei az egyetemi oktatásban Interdiszciplináris és komplex megközelítésű digitális tananyagfejlesztés a természettudományi

Részletesebben

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell Példa STATISZTIKA Egy gazdálkodó k kukorica hibrid termesztése között választhat. Jelöljük a fajtákat A, B, C, D-vel. Döntsük el, hogy a hibridek termesztése esetén azonos terméseredményre számíthatunk-e.

Részletesebben

A hallgatói preferenciák elemzése statisztikai módszerekkel

A hallgatói preferenciák elemzése statisztikai módszerekkel A hallgatói preferenciák elemzése statisztikai módszerekkel Kosztyán Zsolt Tibor 1, Katona Attila Imre 1, Neumanné Virág Ildikó 2, Telcs András 1 1,2 Pannon Egyetem, 1 Kvantitatív Módszerek Intézeti Tanszék,

Részletesebben

Nyelv. Kognitív Idegtudomány kurzus, Semmelweis Egyetem Budapest, 2009. Created by Neevia Personal Converter trial version

Nyelv. Kognitív Idegtudomány kurzus, Semmelweis Egyetem Budapest, 2009. Created by Neevia Personal Converter trial version Nyelv Kéri Szabolcs Kognitív Idegtudomány kurzus, Semmelweis Egyetem Budapest, 2009 Created by Neevia Personal Converter trial version http://www.neevia.com Created by Neevia Personal Converter trial version

Részletesebben

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN

Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN Orvosi szociológia (1. szeminárium) KUTATÁSMÓDSZERTAN (Babbie) 1. Konceptualizáció 2. Operacionalizálás 3. Mérés 4. Adatfeldolgozás 5. Elemzés 6. Felhasználás KUTATÁS LÉPÉSEI 1. Konceptualizáció 2. Operacionalizálás

Részletesebben

Hogyan lesz adatbányából aranybánya?

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

Részletesebben

A maximum likelihood becslésről

A maximum likelihood becslésről A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának

Részletesebben

Mérési struktúrák

Mérési struktúrák Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést

Részletesebben

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása HIPOTÉZIS VIZSGÁLAT A hipotézis feltételezés egy vagy több populációról. (pl. egy gyógyszer az esetek 90%-ában hatásos; egy kezelés jelentősen megnöveli a rákos betegek túlélését). A hipotézis vizsgálat

Részletesebben

Segítség az outputok értelmezéséhez

Segítség az outputok értelmezéséhez Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.08. Orvosi biometria (orvosi biostatisztika) Statisztika: tömegjelenségeket számadatokkal leíró tudomány. A statisztika elkészítésének menete: tanulmányok (kísérletek)

Részletesebben

Mesterséges Intelligencia I.

Mesterséges Intelligencia I. Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a

Részletesebben

A HŐMÉRSÉKLET ÉS A CSAPADÉK HATÁSA A BÜKK NÖVEKEDÉSÉRE

A HŐMÉRSÉKLET ÉS A CSAPADÉK HATÁSA A BÜKK NÖVEKEDÉSÉRE A HŐMÉRSÉKLET ÉS A CSAPADÉK HATÁSA A BÜKK NÖVEKEDÉSÉRE Manninger M., Edelényi M., Jereb L., Pödör Z. VII. Erdő-klíma konferencia Debrecen, 2012. augusztus 30-31. Vázlat Célkitűzések Adatok Statisztikai,

Részletesebben

Az ISO 27001-es tanúsításunk tapasztalatai

Az ISO 27001-es tanúsításunk tapasztalatai Az ISO 27001-es tanúsításunk tapasztalatai Bartek Lehel Zalaszám Informatika Kft. 2012. május 11. Az ISO 27000-es szabványsorozat az adatbiztonság a védelmi rendszer olyan, a védekező számára kielégítő

Részletesebben

Validálás és bizonytalanságok a modellekben

Validálás és bizonytalanságok a modellekben Validálás és bizonytalanságok a modellekben Hálózattervezési Dr. Berki Zsolt Tel.: 06-20-3516879, E-mail: berki@fomterv.hu Miért modellezünk? Mert előírás Nem! "It is impossible to predict the future but

Részletesebben

Látórendszer modellezése

Látórendszer modellezése Statisztikai tanulás az idegrendszerben, 2015. Látórendszer modellezése Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ A látórendszer felépítése Prediktálhatóság

Részletesebben

Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán

Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus

Részletesebben

Osztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton

Osztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke

Részletesebben

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 8. előadás Előadó: Dr. Ertsey Imre Minták alapján történő értékelések A statisztika foglalkozik. a tömegjelenségek vizsgálatával Bizonyos esetekben lehetetlen illetve célszerűtlen a teljes

Részletesebben

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Tanulás 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,

Részletesebben

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

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

Részletesebben

A fizikai világ modelljének felfedezése az agyban. Orbán Gergő. CSNL Lendület Labor MTA Wigner Fizikai Kutatóközpont.

A fizikai világ modelljének felfedezése az agyban. Orbán Gergő. CSNL Lendület Labor MTA Wigner Fizikai Kutatóközpont. A fizikai világ modelljének felfedezése az agyban CSNL Lendület Labor MTA Wigner Fizikai Kutatóközpont Lendület program Idegsejtek: Az idegrendszer építőkövei Érzékelés, döntés, végrehajtás 3 Agy vs. Környezet

Részletesebben

A távérzékelt felvételek tematikus kiértékelésének lépései

A távérzékelt felvételek tematikus kiértékelésének lépései A távérzékelt felvételek tematikus kiértékelésének lépései Csornai Gábor László István Földmérési és Távérzékelési Intézet Mezőgazdasági és Vidékfejlesztési Igazgatóság Az előadás 2011-es átdolgozott változata

Részletesebben

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Tanulás 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,

Részletesebben

Transzportfolyamatok a biológiai rendszerekben

Transzportfolyamatok a biológiai rendszerekben A nyugalmi potenciál jelentősége Transzportfolyamatok a biológiai rendszerekben Transzportfolyamatok a sejt nyugalmi állapotában a sejt homeosztázisának (sejttérfogat, ph) fenntartása ingerlékenység érzékelés

Részletesebben

Mi is az funkcionális mágneses rezonanciás képalkotó vizsgálat

Mi is az funkcionális mágneses rezonanciás képalkotó vizsgálat Funkcionális mágneses rezonanciás képalkotó vizsgálatok a fájdalom kutatásban Juhász Gabriella Semmelweis Egyetem, Gyógyszerhatástani Intézet MTA-SE-NAPB Genetikai Agyi Képalkotó Migrén Kutatató csoport

Részletesebben

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I. : Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3

Részletesebben

Bayesi relevancia és hatáserősség mértékek. PhD tézisfüzet. Hullám Gábor. Dr. Strausz György, PhD (BME)

Bayesi relevancia és hatáserősség mértékek. PhD tézisfüzet. Hullám Gábor. Dr. Strausz György, PhD (BME) Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Bayesi relevancia és hatáserősség mértékek Hullám Gábor Témavezető: Dr. Strausz György, PhD (BME) Budapest,

Részletesebben

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA A VALÓSZÍNŰSÉGI SZEMLÉLET ALAPOZÁSA 1-6. OSZTÁLY A biztos, a lehetetlen és a lehet, de nem biztos események megkülünböztetése Valószínűségi játékok, kísérletek események

Részletesebben

Dr. Péczely László Zoltán. A Grastyán örökség: A játék neurobiológiája

Dr. Péczely László Zoltán. A Grastyán örökség: A játék neurobiológiája Dr. Péczely László Zoltán A Grastyán örökség: A játék neurobiológiája A motiváció A motiváció az idegrendszer aspeficikus aktiváltsági állapota, melyet a külső szenzoros információk, és a szervezet belső

Részletesebben

Foglalkoztatási modul

Foglalkoztatási modul Foglalkoztatási modul Tóth Krisztián Országos Nyugdíjbiztosítási Főigazgatóság A mikroszimulációs nyugdíjmodellek felhasználása Workshop ONYF, 2014. május 27. Bevezetés Miért is fontos ez a modul? Mert

Részletesebben

2001-2004 Eötvös Loránd Tudományegyetem Természettudományi Kar, Budapest, biológus angol szakfordító

2001-2004 Eötvös Loránd Tudományegyetem Természettudományi Kar, Budapest, biológus angol szakfordító Ö N É L E T R A J Z D R. K I S S - B A N K Ó É V A N E UR O BI O L ÓGUS KU T AT Ó MTA TERMÉSZETTUDOMÁ N YI KUTATÓKÖZPONT 1 1 1 7. B U DA PEST, MA GYAR TUDÓSO K KÖ R Ú TJA 2. TELE FO N ( + 3 6 ) 1 382 6

Részletesebben

Korreláció és lineáris regresszió

Korreláció és lineáris regresszió Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.

Részletesebben

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában

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

Részletesebben

alapján Orova Katalin Szűcs Sándor

alapján Orova Katalin Szűcs Sándor Páciens aktuális állapotának jellemzése mozgásanal sanalízis alapján Orova Katalin Szűcs Sándor A mozgás megfigyelése E. J. Marey (1830-1904) A fénykf nyképező puska Mozgó állóképek A zootrope Pillanatképek

Részletesebben

-Két fő korlát: - asztrogliák rendkívüli morfológiája -Ca szignálok értelmezési nehézségei

-Két fő korlát: - asztrogliák rendkívüli morfológiája -Ca szignálok értelmezési nehézségei Nature reviewes 2015 - ellentmondás: az asztrociták relatív lassú és térben elkent Ca 2+ hullámokkal kommunikálnak a gyors és pontos neuronális körökkel - minőségi ugrás kell a kísérleti és analitikai

Részletesebben

CCSVI. Történelmi és tudományos háttér

CCSVI. Történelmi és tudományos háttér CCSVI Történelmi és tudományos háttér Prof. Paolo Zamboni érsebész Felesége SM beteg Hipotézis: Vénás keringési zavar Vaslerakódás Érfalkárosodás Sejtpusztulás Autoimmun folyamat SM Az agy vénás rendszere

Részletesebben

A szkizofrénia dopamin elmélete. Gyertyán István. Richter Gedeon NyRt.

A szkizofrénia dopamin elmélete. Gyertyán István. Richter Gedeon NyRt. A szkizofrénia dopamin elmélete Az antipszichotikumok kutatása Gyertyán István Richter Gedeon NyRt. Preklinikai és klinikai neuropszichofarmakológia és pszichofarmakogenetika. Dr. Bagdy György Skizofrénia

Részletesebben

III. Az állati kommunikáció

III. Az állati kommunikáció III. Az állati kommunikáció I. Kommunikáció a fajtestvérekkel I. Kommunikáció a fajtestvérekkel 1. Bevezetés I. Kommunikáció a fajtestvérekkel 1. Bevezetés beszélgető állatok? I. Kommunikáció a fajtestvérekkel

Részletesebben

Az új mértékadó árvízszintek meghatározásának módszertani összegzése

Az új mértékadó árvízszintek meghatározásának módszertani összegzése Az új mértékadó árvízszintek meghatározásának módszertani összegzése Szabó János A. HYDROInform Mottó: "The purpose of computation is insight, not numbers" A számítás célja a betekintés, nem számok Richard

Részletesebben

Mérés és adatgyűjtés

Mérés és adatgyűjtés Mérés és adatgyűjtés 7. óra Mingesz Róbert Szegedi Tudományegyetem 2013. április 11. MA - 7. óra Verzió: 2.2 Utolsó frissítés: 2013. április 10. 1/37 Tartalom I 1 Szenzorok 2 Hőmérséklet mérése 3 Fény

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

A KÖZPONTI STATISZTIKAI HIVATAL NÉPESSÉGT U D O M Á N Y I KUTATÓ INTÉZETÉNEK KUTATÁSI JELENTÉSEI 44.

A KÖZPONTI STATISZTIKAI HIVATAL NÉPESSÉGT U D O M Á N Y I KUTATÓ INTÉZETÉNEK KUTATÁSI JELENTÉSEI 44. A KÖZPONTI STATISZTIKAI HIVATAL NÉPESSÉGT U D O M Á N Y I KUTATÓ INTÉZETÉNEK KUTATÁSI JELENTÉSEI 44. KÖZPONTI STATISZTIKAI HIVATAL NÉPESSÉGTUDOMÁNYI KUTATÓ INTÉZET Igazgató: Dr. Miltényi Károly ISSN 0236-736-X

Részletesebben

Szilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek

Szilárdtestek mágnessége. Mágnesesen rendezett szilárdtestek Szilárdtestek mágnessége Mágnesesen rendezett szilárdtestek 2 Mágneses anyagok Permanens atomi mágneses momentumok: irány A kétféle spin-beállású elektronok betöltöttsége különbözik (spin-polarizáció)

Részletesebben

A FORMÁKIG. A színektől. KOVÁCS ILONA PPKE BTK Pszichológiai Intézet Pszichológiai Kutatólaboratórium

A FORMÁKIG. A színektől. KOVÁCS ILONA PPKE BTK Pszichológiai Intézet Pszichológiai Kutatólaboratórium A színektől A FORMÁKIG KOVÁCS ILONA PPKE BTK Pszichológiai Intézet Pszichológiai Kutatólaboratórium A művészet kórélettana Semmelweis Egyetem, Általános Orvosi Kar 2016. március 16. Kner Imre: De hogy

Részletesebben

Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis

Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis SZDT-09 p. 1/36 Biometria az orvosi gyakorlatban Regresszió Túlélésanalízis Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Logisztikus regresszió

Részletesebben

A nyelv modularizálódó hálógrammatikája. Bevezetés a társas-kognitív nyelvészetbe Fehér Krisztina 2011. április 18.

A nyelv modularizálódó hálógrammatikája. Bevezetés a társas-kognitív nyelvészetbe Fehér Krisztina 2011. április 18. A nyelv modularizálódó hálógrammatikája Bevezetés a társas-kognitív nyelvészetbe Fehér Krisztina 2011. április 18. Saussure: belső külső nyelvészeti vizsgálódás A kognitív nyelv mint zárt rendszer Chomsky:

Részletesebben

Az értékelés során következtetést fogalmazhatunk meg a

Az értékelés során következtetést fogalmazhatunk meg a Az értékelés során következtetést fogalmazhatunk meg a a tanuló teljesítményére, a tanulási folyamatra, a célokra és követelményekre a szülők teljesítményére, a tanulási folyamatra, a célokra és követelményekre

Részletesebben

Szakpolitikai programok és intézményi változások hatásának elemzése

Szakpolitikai programok és intézményi változások hatásának elemzése Szakpolitikai programok és intézményi változások hatásának elemzése Kézdi Gábor Közép-európai Egyetem (CEU) és MTA KRTK A Magyar Agrárközgazdasági Egyesület konferenciája Budapest A hatás tényellentétes

Részletesebben

BME Nyílt Nap november 21.

BME Nyílt Nap november 21. Valószínűségszámítás, statisztika és valóság Néhány egyszerű példa Kói Tamás Budapesti Műszaki és Gazdaságtudományi Egyetem koitomi@math.bme.hu BME Nyílt Nap 2014. november 21. Matematikai modell Matematikai

Részletesebben

Forgalmi modellezés BMEKOKUM209

Forgalmi modellezés BMEKOKUM209 BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése

Részletesebben

A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András

A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András A kockázat fogalma A kockázat (def:) annak kifejezése, hogy valami nem kívánt hatással lesz a valaki/k értékeire, célkitűzésekre. A kockázat

Részletesebben

Sejtek közötti kommunikáció:

Sejtek közötti kommunikáció: Sejtek közötti kommunikáció: Mi a sejtek közötti kommunikáció célja? Mi jellemző az endokrin kommunikációra? Mi jellemző a neurokrin kommunikációra? Melyek a közvetlen kommunikáció lépései és mi az egyes

Részletesebben

A városklíma kutatások és a településtervezés, a városi tájépítészet összefüggései. Dr. Oláh András Béla BCE, Tájépítészeti Kar

A városklíma kutatások és a településtervezés, a városi tájépítészet összefüggései. Dr. Oláh András Béla BCE, Tájépítészeti Kar A városklíma kutatások és a településtervezés, a városi tájépítészet összefüggései Dr. Oláh András Béla BCE, Tájépítészeti Kar A kezdet, vegetációs index vizsgálat Hogy változott Budapest vegetációja 1990

Részletesebben

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre

Részletesebben

Mágnesszelep analízise. IX. ANSYS felhasználói konferencia 2010 Előadja: Gráf Márton

Mágnesszelep analízise. IX. ANSYS felhasználói konferencia 2010 Előadja: Gráf Márton Mágnesszelep analízise MaxwellbenésSimplorerben IX. ANSYS felhasználói konferencia 2010 Előadja: Gráf Márton Diesel hidegindítás A hidegindítási rendszerek szerepe A dízelmotorokban az égés öngyulladás

Részletesebben

AZ IGAZSÁG PILLANATA: A VÁSÁRLÁS PSZICHOLÓGIÁJA

AZ IGAZSÁG PILLANATA: A VÁSÁRLÁS PSZICHOLÓGIÁJA MEDIA HUNGARY 2016. SIÓFOK, 2016. MÁJUS 10-11. Milyen érzelmi és tudati állapotban döntünk egy termék megvétele mellett? DR. SZIGETI ORSOLYA PINTÉR ATTILA KAPOSVÁRI EGYETEM GTK MARKETING ÉS KERESKEDELEM

Részletesebben

A Balaton szél keltette vízmozgásainak modellezése

A Balaton szél keltette vízmozgásainak modellezése Numerikus modellezési feladatok a Dunántúlon 2015. február 10. A Balaton szél keltette vízmozgásainak modellezése Torma Péter Vízépítési és Vízgazdálkodási Tanszék Budapesti Műszaki és Gazdaságtudományi

Részletesebben

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak

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

Részletesebben

Deutériumjég-pelletek behatolási mélységének meghatározása videódiagnosztikával

Deutériumjég-pelletek behatolási mélységének meghatározása videódiagnosztikával Deutériumjég-pelletek behatolási mélységének meghatározása videódiagnosztikával Szepesi Tamás 26. június 14. Tartalom 1. Pelletek és az ELM pace making 2. Pelletbelövő-rendszerek az ASDEX Upgrade tokamakon

Részletesebben

Hogyan lesznek új gyógyszereink? Bevezetés a gyógyszerkutatásba

Hogyan lesznek új gyógyszereink? Bevezetés a gyógyszerkutatásba Hogyan lesznek új gyógyszereink? Bevezetés a gyógyszerkutatásba Keserű György Miklós, PhD, DSc Magyar Tudományos Akadémia Természettudományi Kutatóközpont A gyógyszerkutatás folyamata Megalapozó kutatások

Részletesebben

Modern Fizika Labor. Fizika BSc. Értékelés: A mérés dátuma: A mérés száma és címe: 5. mérés: Elektronspin rezonancia. 2008. március 18.

Modern Fizika Labor. Fizika BSc. Értékelés: A mérés dátuma: A mérés száma és címe: 5. mérés: Elektronspin rezonancia. 2008. március 18. Modern Fizika Labor Fizika BSc A mérés dátuma: 28. március 18. A mérés száma és címe: 5. mérés: Elektronspin rezonancia Értékelés: A beadás dátuma: 28. március 26. A mérést végezte: 1/7 A mérés leírása:

Részletesebben

A Lee-Carter módszer magyarországi

A Lee-Carter módszer magyarországi A Lee-Carter módszer magyarországi alkalmazása Baran Sándor, Gáll József, Ispány Márton, Pap Gyula Alkalmazott Matematika és Valószínűségszámítás Tanszék, Debreceni Egyetem, Informatikai Kar 1 Feladatok:

Részletesebben

FUSION VITAL ÉLETMÓD ELEMZÉS

FUSION VITAL ÉLETMÓD ELEMZÉS FUSION VITAL ÉLETMÓD ELEMZÉS STRESSZ ÉS FELTÖLTŐDÉS - ÁTTEKINTÉS 1 (2) Mérési információk: Életkor (év) 41 Nyugalmi pulzusszám 66 Testmagasság (cm) 170 Maximális pulzusszám 183 Testsúly (kg) 82 Body Mass

Részletesebben

Nonprofit szervezetek professzionalizációja a válság időszakában

Nonprofit szervezetek professzionalizációja a válság időszakában A gazdasági válság hatása a szervezetek működésére és vezetésére Tudomány napi konferencia MAGYAR TUDOMÁNYOS AKADÉMIA Gazdaság-és Jogtudományok Osztálya Gazdálkodástudományi Bizottság Budapest, 2012. november

Részletesebben