13. Tanulás elosztott rendszerekben/1. Intelligens Elosztott Rendszerek BME-MIT, 2017
|
|
- Adrián Török
- 6 évvel ezelőtt
- Látták:
Átírás
1 13. Tanulás elosztott rendszerekben/1
2 (Egyedi ágens) tanulásáról röviden Célja: javulás (feladavégzésben), adaptalódás, robusztusság (környezet), kompenzálás, hibatürés (ismerethiány, meghibasodás) Miből: példák (forrásuk a környezet), háttértudás (forrása a fejlesztő), példák minősítése (kritikus, tanár) Megközelítések: felügyelt, megerősítéses, felügyelet nélküli Tipikus tanulási absztrakció: induktív függvénytanulás (példák alapján), ami osztályozás (döntés), regresszió (approximáció) Absztrakt tanulási algoritmus: helyes függvény keresése hipotézisek terében Absztrakt tanulási algoritmus problémái: tanulási zaj, tanulási elfogultság, tanulás komplexitása (VKH tanulás), empirikus és háttér tananyag kölcsönhatása, nagyon sok konkrét algoritmus (tudásreprezentáció függvényében)
3 A MAS tanulást igénylő absztrakt és valós problémakörök Vadászok és prédák Objektumok (dobozok) tologatása Labda tartása Kooperatív célmegfigyelés Cselekvés-koordinálás Gyűjtögetés Csapatfutball Kooperatív navigálás Terelés Szociális problémák.. Elosztott járműmegfigyelés Légi írányítás Hálózatmenedzsment és routing Villamos energia elosztása Elosztott egészségügyi problémák Ellátásláncok Hierarchikus MAS problémák Szociális kölcsönhatások MAS modellezése Megbeszélésütemezés
4 Tények/kihivások Hipotézistér Többágenses környezetben tanulás szintén egy keresés a hipotézisek terében, de most a tér (a többi ágens miatt) szokotlanul nagy. Emergent A kölcsönhatások bonyolúltága miatt a tanult viselkedésben bekövetkező kis változások nem megjósolható (emergent, kialakuló) változásokhoz vezethetnek a szervezet viselkedésének egészében. Játékelmélet Többágenses szervezetben több független tanulási folyamat van jelen. Mindegyik ágens tanul és adaptálódik mások által meghatározott kontextusban. Ilyen tanulás természetes módon játékelméleti modellekhez vezet, amelyek kapcsolata tanulással még nem tisztázott. Tanítók A kölcsönhatások említett komplexitása miatt nemigen esélyes felügyelt tanulásra törekedni. Többágenses rendszer együttes tanulásához nehéz megfelelő tudású kritikust találni.
5 Tények/kihivások Megerősítés Azért ez egyik elterjedtebb tanulási forma a többágenses megerősítéses (kooperatív és versengő) tanulás és az evolúciós számítások (cooperative/ competetive coevolution). Stacionarítás Több, parallel és konkurrens módon tanuló ágensek jelenléte ágens környezetét nemstacionáriussá teszi, ami sérti a tradicionális (egyágenses) tanulási módszerek egyik alapvető feltételét. Dinamika A környezet mások tanulásának ütemében változik. Ha az ugyanilyen gyors, mint az ágensünk tanulása, akkor az soha nem éri el a megtanult - nak nevezhető állapotot. Érdemhozzárendelés A környezeti változások az összes ágens együttes cselekvésének hatására következnek be. Az ágensünk cselekvése mennyire volt ebben meghatározó? Milyen nagy az érdeme/bűne a közösség szempontjából kifejezetten előnyös/káros környezeti állapot elérésében?
6 Tények/kihivások Nash-egyensúly Stacionarítás nélkül az optimálisan megtanulthoz való konvergencia (példák növekedésével) nem biztosítható. Azonban a tanulással valahová tartani kell. Nash-egynsúly egy alternatíva, de láttuk, hogy ez nemigen az optimális szociális jólét alternatívája. És mi van, ha több Nash-egyensúly van? Konvergencia A tanulás konvergenciája megtévesztő lehet és mérnöki szempontból nem lehet egyedüli cél. Elképzelhető, hogy a konvergens tanulás a szociális jólétre nézve (hasznosságban) veszteséges, a nem konvergens tanuláshoz képest. Kommunikáció Kommunikáció egy információforrás. Információ szükséges a tanuláshoz. Azonban kommunikáció erőforrásigényes, a tanulás is. Mi van, ha egy ágens korlátosan racionális? Milyen legyen akkor a kommunikáció? Lehet tanulni kommunikáció érdekében is?
7 Tényállás Más ágensek jelenléte egy ágens környezetében érvényteleníti az egyedül tanuló ágens sikeres tanulásának alapvető matematikai feltételkörét. (Naív) Következmény Több ágenses környezetben sikeres tanulás tehát lehetetlen. Az eddigi (egyedül létező) ágens tanulási tudása (algoritmusai) eldobható. (Pragmatikus) Következmény Több ágenses környezetben sikeres tanulás sokkal nehezebb probléma (mint ). Sikeres kivitelezése feltehetően más feltételekhez van kötve, más algoritmusokhoz vezet és a sikerességet is át kell értékelni.
8 Kihívások tanulás egymásról: mivel más ágensek a környezet részei, azok modelljét meg kell tanulni a környezeti hatások hatásos jóslása érdekében (hogyan fognak válaszolni, mit lépnek, mi a szándékuk,...) tanulás közösségről és környezetről: egy szervezet minőségileg több, mint az egyedek összege, az ágens egyedek kitanulását követően meg kell tanulni a szervezetük speciális métavonásait tanulás a változó ágens egyedekkel való kölcsönhatásból: tanulom a modelledet, de számodra én vagyok a környezeti tényező, így te tanulsz engem. Tanulás révén változom, a változó modellemet tanulva, változol hát te is. A változó modelledet tanulva annál inkább én is változom,... tanulás torzított szociális struktúrákban/ struktúrák által: ld. korábban: elfogultság,..., torzítás objektív, v. szubjektív régi csoporttagok felejtése csoport által: a megtanult információ érvényét veszti, ha az objektuma eltűnik, azonban ennek érzékelése egyáltalán nem triviális ott, ahol az érzékelésnek fő módja pl. a (bizonytalan) kommunikáció
9 Kihívások Tanulni másokról mert ez kell a konfliktusok, a fölösleges kommunikáció mérsékléséhez, a tárgyalásokhoz szükséges erőforrások mérsékléséhez, az ágens tárgyalási készség javulásához, az együttműködés optimalizálásához,... másoktól mert érdemes, hiszen ők is intelligens, racionális egyedek, talán a környezetet másképpen, más szempontból jobban érzékelik, a tudásuk jól kiegészítheti a miénket,... mások ellenére mert az együttműködési igény, kényszer nem mindig van jelen, a tanulásunk pedig jobb versenyhelyzetbe helyez minket, és így másokat rosszabban,... mások segítségével mert érdekeltek lehetnek abban, hogy a csapat minden tagja hatékonyabb és ügyesebb legyen, így a közös megoldás is jobb lesz,...
10 Kihívások Tanulás tárgyalás közepette Tárgyalás: egyik fő célja a lehetséges konfliktusok detektálása, egy és ugyanannak a problémának mások által más a javasolt megoldása, egy javasolt részmegoldás eltérő értékelése (javasló és elfogadó), majd jön az információ csere és az elfogadható döntések megtétele, Tanulás tárgyalás -ból tárgyalás közben tárgyalás végeztével Tanulás tárgyalásból, feltétlenül szükséges egy stabil ágensközösség - ugyanazok az ágensek több tárgyalásban is részt vesznek - bizonyos ágenstípusok halmaza állandó (különben lehetetlen tanulni) Ágens mit tartson meg a tárgyalás végeztével a beérkező információ permanens megtartása az eredeti formájában a beérkező információ ideiglenes tárolása, kompilálása és beintegrálása a beérkező információ törlése, miután az ágens azt felhasználta (processzállás és komplexitás terhe)
11 A tanulási problémák fajtái Team-tanulás (egy tanuló) Homogén team-tanulás keresési tér Heterogén team-tanulás specialisták Hibrid team-tanulás osztagokra bontás Konkurrens tanulás (több tanuló) Teljesen kooperatív szcenárió Általános összegű játékok Versengő tanulás Team-tanulás problémái Team-társ modellje hiedelmek, preferenciák, képességek Bayes frissítése 0, 1, 2, - szintű tanuló ágens 0: mások nem tanulnak 1: mások 0 n: mások n-1 mások tanulása érzékenység kezdeti hiedelmekre, eredményben rosszabb is lehet, fontos: felfedezni kooperatív v. versengő kölcsönösség elve (reciprocity)
12 Konkurrens tanulás problémái Érdemhozzárendelés globális megerősítés, lokális megerősítés, u saját + (1- ) u jólét, Wonderful Life Utility (team haszna nélkülem), leszámoltatás helyett átlagolás feladatszekvenciák felett, senkinek nem érdeke, de közérdek Tanulás dinamikája attraktorok, trajéktóriák, tanulási hiba tanulási, változási, visszatartási ráta függvényében, Nash-egyensúly kooperatív esetben hasznosságok korreláltak, mozgás globális NE felé lehetséges, más esetben koordinálás NE GE kérdéses, inkább NE Tanulás és kommunikáció kapcsolata Direkt kommunikáció (érzékelhető, dekódolható változás a környezetben) (megosztott tárak, jeladás, üzenetváltás) (koordinálás, megosztás) (nyeresség, költség) (sávszélesség, hálózati késés) (broadcast, narrowcast) (keresési tér mérete) (figyelembe vétele tanuló algoritmusokban) Indirekt kommunikáció (ferromonok, nyomok, pózok, )
13 Konkurrens tanulás problémái Felskálázhatóság Keresési tér mérete: nagy, hetergén, erősen kölcsönható MAS tanulása gyakorlatilag lehetetlen: egyedi tanulók tipizálása, heterogenitás mérséklése, viselkedési komplexitás mérséklése, viselkedések, hasznosságok dekomponálása (pl. Q(s, a1, a2, a3, a4) = Q(s, a1, a2) + Q(s, a3, a4)) Adaptivítás dinamikája és Nash-egyensúlyok mások: a célállapot elmozdulása, konvergencia mihez? racionális NE optimális jólét, NE koordinálás? racionálitás igénye másodlagos az optimális team viselkedéshez képest, kooperatív team kontextusban racionálisan félni mások defektálásától valóban irracionális Problémadekompozició viselkedések csoportosítása, rétegezett tanulás: először elemi viselkedés, majd egyre bonyolúltabb, megerősítés-formálás: először egyszerűbb viselkedés előnyben részesítése, majd bonyolúltabb, az előbbire alapozva, koordinálási gráf: közös Q értékek részleges dekomponálása (ld. előbb) Ellenség modellezése ellenség? viselkedéseinek statisztikája?
14 A MAS tanulás témája/objektuma/ kudarcok, sikerek kontextusa (konfliktust okozó elemek, döntések, célok) kudarcok, konfliktusok típustana, konfliktusminták különböző típusú konfliktusok felismerése és osztályozása kudarc utáni visszaállás (fail recovery) és konfliktusfeloldás heurisztikái a feladat paramétereire vonatkozó kényszerek a feladat paramétereinek függőségi viszonyai a döntéseket alátámasztó, vagy ellenző érvelések tervezési szabályok, módszerek, tervek ágens preferenciái, hasznosságai, szándékai, tervei fontos: adott kontextus milyen szándékokat kelt más ágensekben különösen kívánatos: tervfelismerés hiedelmek és szándékok alapján, hosszú távon biztosítja más ágensek követhetőségét, de egy másik ágens tárgyalási stratégiájának a megértése a hiedelmek és szándékok megértése alapján nagyon bonyolult szabályok, cselekvések, feladatok előfeltételei és hatásai tervezési döntések konzekvenciái tárgyalási cselekvések és stratégiák
15 A tanuló algoritmus formális célja (a beállás elvi feltételei), ill. a tanuló algoritmus sikeres elvégzése révén (a formális cél elérésével) elért MAS hatás nagyon nem ugyanaz.
16 Néhány konkrét MAS hatás Erősen strukturált kooperatív szervezetben, közös feladatmegoldás felé haladva, jóindulatú konfliktusok jelentkeznek. Itt a tanulás célja = a fölösleges kommunikáció mérséklése, azáltal a hatékonyságnövekedés. Alapvetően kooperatív, de laza, nem strukturált szervezetben, induktív tanuló ágensek. Itt a tanulás célja = mások segítségével az egyéni tanulógörbét megjavítani. Alapvetően kooperatív, laza, nem strukturált szervezetben tanuló ágensek. Itt a tanulás célja = koordinálást megtanulni együttműködés fokozása érdekében. Erősen strukturált hierarchikus és kooperatív szervezetben, ami, mint szervezet veszélyes környezetben ténykedik. Itt a tanulás célja = egyéni, csoportos, szervezeti hatékonyság növelése szervezeti célok elérése érdekében. Alapvetően versengő szervezetben. Itt a tanulás célja = mások minél jobb kitanulása a minél hatékony visszavágás érdekében.
Kooperáció és intelligencia
Kooperáció és intelligencia Tanulás többágenses szervezetekben - bevezető Tanulás elosztott információ-intenzív és kooperatív környezetekben (CIS Cooperativ Information Systems) Hagyományos Gépi Tanulás
RészletesebbenTanulás elosztott rendszerekben/1. Intelligens Elosztott Rendszerek BME-MIT, 2018
Tanulás elosztott rendszerekben/1 (Egyedi ágens) tanulásáról röviden Célja: javulás (feladavégzésben), adaptalódás, robusztusság (környezet) kompenzálás, hibatürés (ismerethiány, meghibasodás). Miből:
Részletesebben1. Informatikai trendek, ágensek, többágenses rendszerek. Intelligens Elosztott Rendszerek BME-MIT, 2018
1. Informatikai trendek, ágensek, többágenses rendszerek A számítástechnika történetének 5 nagy trendje mindenütt jelenlévő (ubiquity) összekapcsolt (interconnection) intelligens delegált (delegation)
RészletesebbenGONDOLKODÁS ÉS NYELV
GONDOLKODÁS ÉS NYELV GONDOLKODÁS A. Propozicionális B. Képzeleti Propozicionális gondolkodás Propozíció kijelentés, amely egy tényállásra vonatkozik, meghatározott viszonyban összekombinált fogalmakból
RészletesebbenMegerősítéses tanulás 2. előadás
Megerősítéses tanulás 2. előadás 1 Technikai dolgok Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ Olvasnivaló: Sutton, Barto: Reinforcement
RészletesebbenMonoton Engedmény Protokoll N-M multilaterális tárgyalás
Tárgyalások/2 Monoton Engedmény Protokoll N-M multilaterális tárgyalás Fordulók 1. Minden ágens előáll a javaslatával k. Mindegyik ágens vagy ragaszkodik a javaslatához, vagy engedményt tesz. Ismétlés
RészletesebbenTanulás elosztott rendszerekben/3
Tanulás elosztott rendszerekben/3 MARL Multi Agent Reinforcement Learning Többágenses megerősítéses tanulás Kezdjük egy ágenssel. Legyenek a környezeti állapotai s-ek, cselekvései a-k, az ágens cselekvéseit
RészletesebbenIntelligens Elosztott Rendszerek. Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével
Intelligens Elosztott Rendszerek Dobrowiecki Tadeusz és Eredics Péter, Gönczy László, Pataki Béla és Strausz György közreműködésével A mai előadás tartalma Mi is egy rendszer? Mit jelent elosztottnak lenni?
RészletesebbenIntelligens ágensek Mesterséges Intelligencia rendszertechnikai gyökerei
Intelligens ágensek Mesterséges Intelligencia rendszertechnikai gyökerei Dobrowiecki Tadeusz Mérés és Információs Rendszerek Tanszék Habilitációs előadás BME-VIK, október 2013 1/37 oldal 1. Lehet-e intelligens
RészletesebbenA SIKER KOVÁCSA, VAGY A KUDARC KÓDJA?
A SIKER KOVÁCSA, VAGY A KUDARC KÓDJA? A döntéshozatali tudatosság hiányosságai és lehetőségei a projekt menedzsmentben Török L. Gábor PhD Sikeres és sikertelen projektek arányai PMI nemzetközi felmérés
RészletesebbenIntelligens 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
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
RészletesebbenMENEDZSMENT ALAPJAI Bevezetés
MENEDZSMENT ALAPJAI Bevezetés Dr. Gyökér Irén egyetemi docens 2012 ősz Jegyzetek, diasorok - ÜTI honlap http://www.uti.bme.hu/cgibin/hallgato/tantargyak.cgi?detail=true&tantargy_id=15035 Folyamatos számonkérés:
RészletesebbenXX. Országos TDM Konferencia
XX. Országos TDM Konferencia Old Lake Golf Club & Hotel**** Tata, 2018. November 28-30. Változás-menedzsment emberi tényező képzés, coaching, kompetencia-fejlesztés A változás-élmény Dr. Ludvigh Károly
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
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 1-2. Előadás Dr. Kulcsár Gyula egyetemi docens A tantárgy tematikája 1.
RészletesebbenUniversität M Mis is k k olol ci c, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudft o sw máis n s yen i scha Kar, ften,
6. Előadás Piaci stratégiai cselekvések leírása játékelméleti modellek segítségével 1994: Neumann János és Oskar Morgenstern Theory of Games and Economic Behavior. A játékelmélet segítségével egzakt matematikai
RészletesebbenGépi tanulás a gyakorlatban. Lineáris regresszió
Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják
RészletesebbenBokor Péter. DECOS Nemzeti Nap október 15. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék
Beépített diagnosztika Bokor Péter Tartalom 1. Elosztott diagnosztika: a feladat 2. A diagnosztika kihívása 3. A tagság mint diagnosztika 4. A DECOS diagnosztikai szolgáltatások 5. Kapcsolódó feladatok:
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
RészletesebbenÁgensek bevezető áttekintés:
Ágensek bevezető áttekintés: 1. Racionális ágens megközelítés - racionális cselekvés = bizonyos hiedelmeket feltételezve, adott célok elérésére irányul - a cél = a környezet (környezeti feltételek) egy
RészletesebbenRasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001)
Játékelmélet szociológusoknak J-1 Bevezetés a játékelméletbe szociológusok számára Ajánlott irodalom: Mészáros József: Játékelmélet (Gondolat, 2003) Filep László: Játékelmélet (Filum, 2001) Csontos László
RészletesebbenCARE. 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
RészletesebbenMIKROÖKONÓMIA I. Készítette: Kőhegyi Gergely, Horn Dániel. Szakmai felelős: Kőhegyi Gergely. 2010. június
MIKROÖKONÓMIA I. B Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék az MTA Közgazdaságtudományi
RészletesebbenMesterséges Intelligencia (MI)
Mesterséges Intelligencia (MI) Intelligens ágensek Dobrowiecki Tadeusz Antal Péter, Bolgár Bence, Engedy István, Eredics Péter, Strausz György és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Ágensek 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 intelligens rendszer = egy ágens
RészletesebbenCsercsik Dávid ITK PPKE. Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21
Játékelmélet és hálózati alkalmazásai 4. ea Csercsik Dávid ITK PPKE Csercsik Dávid (ITK PPKE) Játékelmélet és hálózati alkalmazásai 4. ea 1 / 21 1 Nash bargaining 2 Kooperatív játékok TU CFF játékok tulajdonságai
Részletesebbenidőpont? ütemterv számonkérés segédanyagok
időpont? ütemterv számonkérés segédanyagok 1. Bevezetés Végeselem-módszer Számítógépek alkalmazása a szerkezettervezésben: 1. a geometria megadása, tervkészítés, 2. műszaki számítások: - analitikus számítások
RészletesebbenDivényi Dániel, BME-VET Konzulens: Dr. Dán András 57. MEE Vándorgyűlés, szeptember
Divényi Dániel, BME-VET Konzulens: Dr. Dán András 57. MEE Vándorgyűlés, 2010. szeptember Tartalom Probléma ismertetése A létrehozott modell Ágenstechnológia általában Az alkalmazott modell részletes ismertetése
RészletesebbenJátékelmélet és stratégiai gondolkodás
Nyomtatás Játékelmélet és stratégiai gondolkodás Budapesti Műszaki és Gazdaságtudományi Egyetem Gazdaság- és Társadalomtudományi Kar Szociológia és Kommunikáció Tanszék TANTÁRGYI ADATLAP 0 I. Tantárgyleírás
RészletesebbenGondolatok a PM módszertan korlátairól, lehetőségeiről amit a felsővezetőknek tudniuk kell! dr. Prónay Gábor
Gondolatok a PM módszertan korlátairól, lehetőségeiről amit a felsővezetőknek tudniuk kell! dr. Prónay Gábor 5. Távközlési és Informatikai Projekt Menedzsment Fórum 2002. április 18. AZ ELŐADÁS CÉLJA néhány
RészletesebbenFogalmak Navigare necesse est
Döntéselmélet Fogalmak Navigare necesse est - dönteni mindenkinek kell A döntés nem vezetői privilégium: de! vezetői kompetencia, a vezetői döntések hatása Fogalmak II. A döntés célirányos választás adott
RészletesebbenTanulás elosztott rendszerekben/2. Intelligens Elosztott Rendszerek BME-MIT, 2018
Tanulás elosztott rendszerekben/2 Rétegezett tanulás (Layered Learning) Közvetlen bemeneti adat kimenet függvény tanulása nem megy - hierarchiadekompozíció, taszk feltörése rétegekre, - más-más koncepció
RészletesebbenKKV vezetési és szervezetfejlesztési program
A SZERVEZETI TUDATOSSÁG KITERJESZTÉSE Olyan támogatott (díjmentes) fejlesztési programot kínálunk 30 kis- és középvállalkozás számára, amelyben most a költségek helyett a tartalmakra fókuszálhatnak! Résztvevőként
RészletesebbenEgészségfejlesztés a színtereken CSELEKVÉSI TERV
Egészségfejlesztés a színtereken CSELEKVÉSI TERV Az egészségterv (irányított célzott változás) Egy dokumentum (öt fejezet) Egy ciklikus működési mód adott színtérben élők egészségét hivatott támogatni,
RészletesebbenIntelligens ágensek. Mesterséges intelligencia február 28.
Intelligens ágensek Mesterséges intelligencia 2014. február 28. Ágens = cselekvő Bevezetés Érzékelői segítségével érzékeli a környezetet Beavatkozói/akciói segítségével megváltoztatja azt Érzékelési sorozat:
RészletesebbenInformatikai Kar Eötvös Loránd Tudományegyetem Mesterséges neuronhálók
Mesterséges neuronhálók Lőrincz András Bevezető kérdések Mi az intelligencia? Mi a mesterséges intelligencia? 2 Miről lesz szó? Felismerés első típusa 3 Miről lesz szó? Felismerés első típusa Ló Honnan
RészletesebbenIndikátorok projekt modellhelyszínein. Domokos Tamás szeptember 13.
Indikátorok és értékelés a TÁMOP T 5.4.1. projekt modellhelyszínein Domokos Tamás 2011. szeptember 13. Az értékelés különböző típusait és főbb kérdései Az értékelés típusa A fejlesztési folyamat értékelése
RészletesebbenModellkiválasztás és struktúrák tanulása
Modellkiválasztás és struktúrák tanulása Szervezőelvek keresése Az unsupervised learning egyik fő célja Optimális reprezentációk Magyarázatok Predikciók Az emberi tanulás alapja Általános strukturális
RészletesebbenBonyolult jelenség, aminek nincs jó modellje, sok empirikus adat, intelligens (ember)ágens képessége, hogy ilyen problémákkal mégis megbirkozzék.
Vizsga, 2015. dec. 22. B cs. B1. Hogyan jellemezhetők a tanulást igénylő feladatok? (vendégelőadás) Bonyolult jelenség, aminek nincs jó modellje, sok empirikus adat, intelligens (ember)ágens képessége,
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Keresés ellenséges környezetben 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 Ellenség
RészletesebbenTartószerkezet-rekonstrukciós Szakmérnöki Képzés
1_1. Bevezetés Végeselem-módszer Számítógépek alkalmazása a szerkezettervezésben: 1. a geometria megadása, tervkészítés, 2. mőszaki számítások: - analitikus számítások gyorsítása, az eredmények grafikus
RészletesebbenStratégiai kormányzás a felsőoktatásban
Minőségfejlesztés a felsőoktatásban (TÁMOP-4.1.4-08/1-2009-0002) Stratégiai kormányzás a felsőoktatásban Kovács István Vilmos ELTE PPK Felsőoktatás-menedzsment Intézeti Központ 2012.02.07, Budapesti Corvinus
RészletesebbenBDI architektúra, AgentSpeak(L) és Jason ismertetı Mesterséges intelligencia, Dobrowiecki T., BME-MIT
BDI architektúra, AgentSpeak(L) és Jason ismertetı 1 BDI Szándék Bratman 1987 Szándék: gyakorlati érvelés lényegi eleme, cselekvéshez vezet Szándék az eszköz-cél analízis motorja Szándékok tartósok Szándékok
RészletesebbenDöntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba
I. előadás Előadó: Dr. Égertné dr. Molnár Éva Informatika Tanszék A 602 szoba Tárggyal kapcsolatos anyagok megtalálhatók: http://www.sze.hu/~egertne Konzultációs idő: (páros tan. hét) csütörtök 10-11 30
RészletesebbenTudásalapú információ integráció
Tudásalapú információ integráció (A Szemantikus Web megközelítés és a másik irány) Tanszéki értekezlet, 2008. május 14. 1 Miért van szükségünk ilyesmire? WWW: (Alkalmazások) Keresés a weben (pl. összehasonlítás
RészletesebbenTartószerkezetek modellezése
Tartószerkezetek modellezése 5. elıadás Tervezési folyamat Szerkezetek mérete, modellje Végeselem-módszer elve, alkalmazhatósága Tervezési folyamat, együttmőködés más szakágakkal: mérnök építész mőszaki
RészletesebbenHálózati réteg. WSN topológia. Útvonalválasztás.
Hálózati réteg WSN topológia. Útvonalválasztás. Tartalom Hálózati réteg WSN topológia Útvonalválasztás 2015. tavasz Szenzorhálózatok és alkalmazásaik (VITMMA09) - Okos város villamosmérnöki MSc mellékspecializáció,
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)
RészletesebbenRendszer szekvencia diagram
Rendszer szekvencia diagram Célkitűzések A rendszer események azonosítása. Rendszer szekvencia diagram készítése az eseményekre. 2 1.Iteráció Az első igazi fejlesztési iteráció. A projekt kezdeti szakaszában
RészletesebbenHidraulikus hálózatok robusztusságának növelése
Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás
RészletesebbenAdaptív menetrendezés ADP algoritmus alkalmazásával
Adaptív menetrendezés ADP algoritmus alkalmazásával Alcím III. Mechwart András Ifjúsági Találkozó Mátraháza, 2013. szeptember 10. Divényi Dániel Villamos Energetika Tanszék Villamos Művek és Környezet
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
RészletesebbenKoordinálás és feladatkiosztás aukciókkal 3.rész. Kooperáció és intelligencia, Dobrowiecki, BME-MIT
Koordinálás és feladatkiosztás aukciókkal 3.rész Komplex feladatok kezelése Elemi feladat nem dekomponálható Dekomponálható egyszerű feladat elemi, v. dekomponálható elemi feladatokra, de egyetlen egy
RészletesebbenFókuszban az együttműködés. Intelligens Elosztott Rendszerek BME-MIT, 2018
Fókuszban az együttműködés Együttműködés = megosztás + kommunikáció Mit lehet megosztani: információ, tudás, adat, eredmény, konklúzió, hipotézis, ilyen megosztásból általában homogén közösségek ( tudásban
RészletesebbenTeljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István
Teljesen elosztott adatbányászat pletyka algoritmusokkal Jelasity Márk Ormándi Róbert, Hegedűs István Motiváció Nagyméretű hálózatos elosztott alkalmazások az Interneten egyre fontosabbak Fájlcserélő rendszerek
RészletesebbenTermelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak
Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak Dr. Koltai Tamás egyetemi tanár Menedzsment és Vállalatgazdaságtan Tanszék Tematika Kvantitatív eszközök használata Esettanulmányok
RészletesebbenELITE YOUTH. fejlesztése az utánpótlás futballban. Készítette: Szalai László MLSZ Edzőképző Központ Igazgató
fejlesztése az utánpótlás futballban Készítette: Szalai László MLSZ Edzőképző Központ Igazgató az utánpótlás futballban a személyiségtulajdonságok, gondolati- és gyakorlati-cselekvéses képességek sajátos
RészletesebbenGépi tanulás a gyakorlatban. Bevezetés
Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis
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
RészletesebbenAZ ÚJGENERÁCIÓS TANKÖNYVEK FEJLESZTÉSE
AZ ÚJGENERÁCIÓS TANKÖNYVEK FEJLESZTÉSE A projekt célja Tanulásra és alkotásra ösztönző tanításitanulási környezet kialakítása A tanítás és tanulás hatékonyságát elősegítő módszertani újdonságok beépítése
RészletesebbenVállalati modellek. Előadásvázlat. dr. Kovács László
Vállalati modellek Előadásvázlat dr. Kovács László Vállalati modell fogalom értelmezés Strukturált szervezet gazdasági tevékenység elvégzésére, nyereség optimalizálási céllal Jellemzői: gazdasági egység
Részletesebben5. A vezetıi dönt. ntéshozatal. A döntéselmélet tárgya. A racionális viselkedés feltételei megszervezésének, megnyilvánulásának, vizsgálata.
5. A vezetıi dönt ntéshozatal A döntéselmélet tárgya A racionális viselkedés feltételei megszervezésének, megnyilvánulásának, logikai, matematikai és, empirikus vizsgálata. 1 A döntéselmélet rendeltetése
RészletesebbenTeljesítmény Mérés. Tóth Zsolt. Miskolci Egyetem. Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés / 20
Teljesítmény Mérés Tóth Zsolt Miskolci Egyetem 2013 Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés 2013 1 / 20 Tartalomjegyzék 1 Bevezetés 2 Visual Studio Kód metrikák Performance Explorer Tóth Zsolt
RészletesebbenCOMINN Innovációs Kompetencia a fémipari szektorban TANULÁSI KIMENET DEFINÍCIÓ
COMINN Innovációs Kompetencia a fémipari szektorban TANULÁSI KIMENET DEFINÍCIÓ Ország: Portugália Vállalat: Inovafor Képesítés Az innováció fejlesztői és elősegítői a fémipari KKV-k munkacsoportjaiban
RészletesebbenMegerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
RészletesebbenKépzés hatékonyságának növelése. felnőttképzést kiegészítő tevékenység. Tematikai vázlat - 16 óra
Képzés hatékonyságának növelése felnőttképzést kiegészítő tevékenység Tematikai vázlat - 16 óra A felnőttképzést kiegészítő tevékenység célja:a közfoglalkoztatásból való kivezetés támogatása, a képzés
RészletesebbenAz oktatás stratégiái
Az oktatás stratégiái Pedagógia I. Neveléselméleti és didaktikai alapok NBÁA-003 Falus Iván (2003): Az oktatás stratégiái és módszerei. In: Falus Iván (szerk.): Didaktika. Elméleti alapok a tanítás tanulásához.
RészletesebbenTisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága
@ Budapest University of Technology and Economics Nagy hálózatok evolúciója Gulyás András, Heszberger Zalán High Speed Networks Laboratory Internet trendek Tisztán kivehetı tendencia: kommunikációs hálózatok
RészletesebbenFELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
RészletesebbenAdatszerkezetek 1. előadás
Adatszerkezetek 1. előadás Irodalom: Lipschutz: Adatszerkezetek Morvay, Sebők: Számítógépes adatkezelés Cormen, Leiserson, Rives, Stein: Új algoritmusok http://it.inf.unideb.hu/~halasz http://it.inf.unideb.hu/adatszerk
RészletesebbenStratégiák tanulása az agyban
Statisztikai tanulás az idegrendszerben, 2019. Stratégiák tanulása az agyban Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Kortárs MI thispersondoesnotexist.com
RészletesebbenA 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
RészletesebbenJason platform. Intelligens Elosztott Rendszerek BME-MIT, 2018
Jason platform BDI ágensek programozási nyelvei AgentSpeak(L) Ágens viselkedése: hiedelmi állapot saját modellje, környezet modellje, más ágensek modellje kívánalmak kívánatos hiedelmi állapotok szándékok
RészletesebbenMatematika B/1. Tartalomjegyzék. 1. Célkit zések. 2. Általános követelmények. 3. Rövid leírás. 4. Oktatási módszer. Biró Zsolt. 1.
Matematika B/1 Biró Zsolt Tartalomjegyzék 1. Célkit zések 1 2. Általános követelmények 1 3. Rövid leírás 1 4. Oktatási módszer 1 5. Követelmények, pótlások 2 6. Program (el adás) 2 7. Program (gyakorlat)
RészletesebbenA kompetencia alapú matematika oktatás. tanmenete a 9. osztályban. Készítette Maitz Csaba
A kompetencia alapú matematika oktatás tanmenete a 9. osztályban Készítette Maitz Csaba Szerkesztési feladatok 1. Síkgeometriai alapfogalmak 2. Egyszerűbb rajzok, szerkesztések körző, vonalzó használata
RészletesebbenInformáció menedzsment
Információ menedzsment Szendrői Etelka Rendszer- és Szoftvertechnológiai Tanszék szendroi@witch.pmmf.hu Infrastruktúra-menedzsment Informatikai szolgáltatások menedzsmentje Konfigurációkezelés Gyorssegélyszolgálat
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
RészletesebbenObjektum orientált programozás Bevezetés
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
RészletesebbenMérés és értékelés innovációk és dilemmák BME TFK Konferencia szeptember 29.
Mérés és értékelés innovációk és dilemmák BME TFK Konferencia 2017. szeptember 29. Einhorn Ágnes BME Idegen Nyelvi Központ einhorn.agnes@inyk.bme.hu Szándékok és a valóság Igazságosság Méltányosság Objektivitás
RészletesebbenMatematika A 9. szakiskolai évfolyam. 1. modul GONDOLKODJUNK, RENDSZEREZZÜNK!
Matematika A 9. szakiskolai évfolyam 1. modul GONDOLKODJUNK, RENDSZEREZZÜNK! MATEMATIKA A 9. szakiskolai évfolyam 1. modul:gondolkodjunk, RENDSZEREZZÜNK! Tanári útmutató 2 A modul célja Időkeret Ajánlott
RészletesebbenDöntéselmélet KOCKÁZAT ÉS BIZONYTALANSÁG
Döntéselmélet KOCKÁZAT ÉS BIZONYTALANSÁG Bizonytalanság A bizonytalanság egy olyan állapot, amely a döntéshozó és annak környezete között alakul ki és nem szüntethető meg, csupán csökkenthető különböző
RészletesebbenAbsztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás:
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
RészletesebbenCsépe Valéria. MTA TTK, Agyi Képalkotó Központ kutatóprofesszora * MTA Közoktatási Elnöki Bizottság elnöke
A kicsi, a nagy, a komplex és az integrált Csépe Valéria MTA TTK, Agyi Képalkotó Központ kutatóprofesszora * MTA Közoktatási Elnöki Bizottság elnöke MTA KÖZOKTATÁSI ELNÖKI BIZOTTSÁG TERMÉSZETTUDOMÁNY ÚJRAGONDOLVA
RészletesebbenVÁLLALATGAZDASÁGTAN 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
RészletesebbenA SAJÁTOS NEVELÉSI IGÉNYŰ ÉS/VAGY A FOGYATÉKKAL ÉLŐ TANULÓK RÉSZVÉTELE A SZAKKÉPZÉSBEN SZAKPOLITIKAI TÁJÉKOZTATÓ
A SAJÁTOS NEVELÉSI IGÉNYŰ ÉS/VAGY A FOGYATÉKKAL ÉLŐ TANULÓK RÉSZVÉTELE A SZAKKÉPZÉSBEN SZAKPOLITIKAI TÁJÉKOZTATÓ Szakpolitikai kontextus A nemzetközi adatok azt mutatják, hogy a fogyatékkal élő, valamint
RészletesebbenTananyagfejlesztés: Új képzések bevezetéséhez szükséges intézményi és vállalati szervezetfejlesztési módszertani feladatok
KEIRDI Kutatási Szolgáltatás Design: RIQ & Lead modell. Interdiszciplináris kutatói teamek felkészítése a nemzetközi programokban való részvételre az alapkutatás és a célzott alapkutatás területén TÁMOP-4.2.2.D-15/1/KONV-2015-0005
RészletesebbenProgramozási módszertan. A gépi tanulás alapmódszerei
SZDT-12 p. 1/24 Programozási módszertan A gépi tanulás alapmódszerei Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu SZDT-12 p. 2/24 Ágensek Az új
RészletesebbenSzociális (társas-társadalmi) tanulás jelenismeret/tel
Szociális (társas-társadalmi) tanulás jelenismeret/tel reflexiók az iskolai közösségi szolgálathoz Horváth Zsuzsanna 2015. február 20. Ahogy az iskolát látjuk Az iskola és (szűkebb, tágabb) társadalmi
RészletesebbenBeágyazott intelligens rendszerek. Aktivitások felismerése
Beágyazott intelligens rendszerek Aktivitások felismerése Tervfelismerés Fizikai mozgás Mozgás szenzor jelei Viselkedések Futás, megfogás, emelés, Tervek Egy pohár vizet szerezni Célok Szomjúság csillapítása
RészletesebbenDunaújvárosi Főiskola Informatikai Intézet. Intelligens ágensek. Dr. Seebauer Márta. főiskolai tanár
Dunaújvárosi Főiskola Informatikai Intézet Intelligens ágensek Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu Ágens Ágens (agent) bármi lehet, amit úgy tekinthetünk, hogy érzékelők (sensors)
RészletesebbenA mechanika alapjai. A pontszerű testek dinamikája
A mechanika alapjai A pontszerű testek dinamikája Horváth András SZE, Fizika Tsz. v 0.6 1 / 26 alapi Bevezetés Newton I. Newton II. Newton III. Newton IV. alapi 2 / 26 Bevezetés alapi Bevezetés Newton
RészletesebbenJátékelméleti alapvetés - I
Játékelméleti alapvetés - I Fáth Gábor (SZFKI) ELTE 2005. június 1. Alkalmazások pszichológia biológia nyelvészet közgazdaságtan számítástudomány Játékelmélet filozófia politika tudomány etika kulturális
RészletesebbenFeladataink, kötelességeink, önkéntes és szabadidős tevékenységeink elvégzése, a közösségi életformák gyakorlása döntések sorozatából tevődik össze.
INFORMATIKA Az informatika tantárgy ismeretkörei, fejlesztési területei hozzájárulnak ahhoz, hogy a tanuló az információs társadalom aktív tagjává válhasson. Az informatikai eszközök használata olyan eszköztudást
RészletesebbenObjektumorientált paradigma és a programfejlesztés
Objektumorientált paradigma és a programfejlesztés Vámossy Zoltán vamossy.zoltan@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Ficsor Lajos (Miskolci Egyetem) prezentációja alapján Objektumorientált
RészletesebbenA KOGNITÍV PSZICHOTERÁPIA ALAPJAI 1. Perczel Forintos Dóra Semmelweis Egyetem Klinikai Pszichológia Tanszék 2010
A KOGNITÍV PSZICHOTERÁPIA ALAPJAI 1. Perczel Forintos Dóra Semmelweis Egyetem Klinikai Pszichológia Tanszék 2010 INGER TUDATTALAN KÉSZTETÉS EMÓCIÓ PSZICHOANALITIKUS MODELL Beck, 1974. INGER EMÓCIÓ TANULÁSELMÉLETI
RészletesebbenAlapszintű formalizmusok
Alapszintű formalizmusok dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék 1 Mit szeretnénk elérni? Informális tervek Informális követelmények Formális modell Formalizált követelmények
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 1. félév 1.-2. Előadás Dr. Kulcsár Gyula egyetemi docens A termelésinformatika
Részletesebben7. 1. A formatív értékelés és lehetséges módjai (szóbeli, feladatlapos, számítógépes) az oktatásban. - valamilyen jelenségről, ill.
7. 1. A formatív értékelés és lehetséges módjai (szóbeli, feladatlapos, számítógépes) az oktatásban Pedagógiai értékelés fogalma: Az értékelés során értéket állapítunk meg: közvetlenül: közvetve: - valamilyen
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Racionalitás: a hasznosság és a döntés 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
Részletesebben