Mesterséges neurális hálók
|
|
- Erzsébet Magyar
- 6 évvel ezelőtt
- Látták:
Átírás
1 Dunaúvársi Főiskla Inrmatikai Intézet Mesterséges neurális hálók Dr. Seebauer Márta őisklai tanár
2 Szimblikus és nem-szimblikus MI Szimblikus tudáseldlgzás. Tudásbeszerzés 2. Tudásábrázlás 3. Szimblikus következtetés Mesterséges neurális hálók. Tanulási minta kiválasztása 2. Tanítás 3. Analóg következtetés
3 Az emberi agy. Nagyagy 2. Kérges test 3. Köztes agy Thalamus Hypthalamus 4. Agyalapi mirigy 5. Középagy 6. Kisagy 7. Híd 8. Nyúlt velő
4 Az agy és a digitális számítógép összehasnlítása Műveletvégző egység Tárló Ciklusidő Sávszélesség Működési mód Hibatűrés bit RAM, 2 bit HDD -8 s 9 bit/s Néhány párhuzamsan működő CPU srs eldlgzást végez lehet kritikus Számítógép 6 lgikai kapu/cpu neurn neurn -3 s 4 bit/s Telesen párhuzams eldlgzás ó, de rmlik Emberi agy
5 A bilógiai és a mesterséges neurn A környező idegsetekből a dendritek veszik át az ingerületet, és tvábbíták a settesthez. A beövő elek emelik vagy csükkentik a settest ptenciálát. Megelelő küszöbérték elérése esetén elektrms impulzus ut végig az axnn. A eleket bnylult elektrkémiai reakciók szállíták a szinapsziskn keresztül egyik idegsetről a másikra. Dendrit K K 2 K w 2n w n w n n Bemei üggvény K n act a n Aktivációs üggvény ut n Kimei üggvény Setmag Settest vagy szóma Axn Beövő szinapszisk Kivezető szinapszisk Bemei értékek a súlyüggvényeken w in keresztül lép be a neurnba. A lineáris bemei üggvény n kiszámíta a bemei értékek súlyztt összegét: n = w n A nemlineáris aktivációs üggvény act a bemei üggvényből egy meghatárztt küszöbérték θ n igyelembe vételével előállíta a neurn aktivációs értékét: an = act ( n, θ n A kimei üggvény ut előállíta a n aktivációs értékből n kimei értéket, amely a következő neurnk bemeére kerül: n = ut (a n
6 Aktivációs üggvények ellemzően szigmid ellegűek act ( x = cx, act ( x =, ha x θ egyébként, act ( x =, ha x egyébként lineáris θ ugrásüggvény előelüggvény act ( x = + e cx act ( x = tanh( c x szigmid üggvény Tangens Hyperblicus
7 Hálózati struktúrák Előrecsatlt háló Bemei neurn réteg (input layer Kimei neurn réteg (utput layer Retett réteg (hidden layer Előrecsatlt háló több retett réteggel Előrecsatlt háló egy retett réteggel közvetlen kapcslatkkal a bementi és a kimei réteg között (shrtcut cnnectin Részlegesen visszacsatlt háló
8 Tanulás A tanulás nem más, mint a háló paramétereinek hanglása ly módn, hgy a alkalmazkdn a tanító halmaz adataihz, annak érdekében, hgy a prblématérben a háló minden eladatt a lehető legbban ldn meg (általánsító képesség Felügyelt tanulás (supervised learning ismertek a bemei értékek és a nekik megelelő kimei értékek. Hatékny elárás. Megerősítéses tanulás (reinrcement learning a kimei értékekhez nem rendelhetőek egzakt bemei értékek, csak azt lehet megállapítani, hgy a kimei érték helyes vagy nem. Kevésbé hatékny módszer Nem elügyelt tanulás (unsupervised learning a háló saát maga dönti el, hgyan kell a eladatra reagálnia. Akkr alkalmazzák, ha az eredmény előzetesen nem ismert, pl. klassziikáció.
9 Neurális hálók elesztési lyamata Háló struktúra kialakítása A háló kimei értékének kiszámítása Példahalmaz kiválasztása Tanulás Összehasnlítás a példahalmazzal Háló struktúráának megváltztatása Túl nagy hiba Súlytényezők váltztatása Tesztelés Összehasnlítás az elvárt értékekkel Alkalmazás Túl nagy hiba Pntsság megelelő Pntsság megelelő Tesztadatk kipróbálása A háló kimei értékének kiszámítása
10 Perceptrn mdell egyszerű előre csatlt háló nincs retett réteg a emberi szem működését utánzza bementi réteg kimei réteg bementi réteg kimei réteg x w w y x w x 2 w 2 w 2 y 2 x 2 x 3 x n.. w 2 w 3 w n Egy kimeű perceptrn w y, y=, ha ha n i= n i= x w > w i x w w i i i w x 3 3. w. n x. n w 3 y 3 w 4 y 4 Több kimeű perceptrn
11 Tanulási példa AND üggvény megvalósítása perceptrnnal 2 w w 2 θ =.5 act=? = w + w 2 2, θ act =, egyébként Input x,,,, =act Output t w = w 2 = x = (, 2 = (, = *+* = x = err x = t x x =- = w = w +err x = + * = w 2 = w 2 +err x 2 = + * = x 2 = (, 2 = (, err x2 = t x2 x2 =- = - w = w +err x2 = + (-* = w 2 = w 2 +err x2 2 = + (-* =
12 Delta-szabály egy egyszerű adaptív elárás a súlyk beállítására előre csatlt hálók esetében. A delta-szabály lyan arányban váltztata az adtt súlytényező értékét, ahgyan az hzzáárult az adtt hiba értékéhez. Hibának az adtt bemei mintától várt eredmény és a ténylegesen kiszámíttt kimei érték különbségét értük. PROCEDURE Delta-szabaly REPEAT FOR m:= TO Mintak_szama DO Minta m a bemei retegen; Kimei ertekek szamitasa; FOR :=TO Neurnk_szama DO IF teachutput utput THEN FOR i:= TO Bemei_neurnk_szama DO w i := w i + Tanitasi_tenyez * utput * (teachutput - utput ; ENDIF; ENDFOR; ENDFOR; Az sszes mintara; UNTIL kivant pntssag; END;
13 Tanulási példa AND üggvény megvalósítása perceptrnnal 2 w w 2 θ =.5 act=? = w + w 2 2, θ act =, egyébként w i = w i + λ(t x x i =act λ =.2 tanulási tényező w = w 2 = x = (, 2 = (, = *+* = x = err x = t x x =- = w = w + λ err x = +.2** =.2 w 2 = w 2 + λ err x 2 = +.2** =.2 x 2 = (, 2 = (, err x2 = t x2 x2 =- = x = (, 2 = (, =.2*+.2* =.4 x = err x = t x x =- = w = w + λ err x =.2 +.2** =.4 w 2 = w 2 + λ err x 2 =.2 +.2** =.4
14 Perceptrn és az AND prbléma Input,,,, Output Egyenes: + 2,5 = A perceptrn csak lyan üggvényeket képes reprezentálni, amelyeknél található a kimei értékeket reprezentáló pntkat elválasztó egyenes. Az ilyen üggvényeket lineárisan szeparálhatóaknak nevezzük.
15 Perceptrn és az XOR prbléma Input,,,, Output Egyenes: + 2,5 =
16 Többrétegű előrecsatlt hálók bementi réteg x w retett réteg w kimei réteg x 2 w 2 w 2 w 2 y x 3 x n w 3... w n w 3 w 4
17 Hiba-visszateresztés alapán történő tanulás (back prpagatin Tanulási minta p N i i =p i N =act k N k k =act k Bemei réteg Retett réteg(ek Kimei réteg A többrétegű hálóban a súlyk mindegyike több, mint egy kime értékének kialakításában vesz részt. A hiba-visszateresztési algritmus lényege a kimei hiba ésszerű szétsztása az egyes súlyk között, azknak a kimere gyakrlt hatásának arányában.
18 Backprpagatin algritmus A neurn által kztt hiba. A hiba értéke e tényleges és a várt kimei érték különbsége. E(W = E(w, w 2,, w n A hibaüggvény súlytényező szerinti első parciális deriválta ada az adtt súlytényező krrekciós értékét. w ut = i = = Id E = η w A háló kimee és a súlytényező közötti összeüggés: ut i ( act w i ( A hibaértékeket a retett csmópntk és a kimei csmópntk közötti kapcslatk erőssége alapán sztuk szét, és visszateresztük a retett csmópnthz w i E = η i w i
19 Backprpagatin algritmus ( ( ( ( ' x x e dx d x szigmid szigmid x szigmid = + = = = k i k k i i w w w ( ' ( act act = = x szigmid e x + = ( ( ( ( ( szigmid szigmid = = i i w E w = η E = δ = t E 2 ( 2 ( ( 2 2 k k k t t E = =
20 PROCEDURE Backprpagatin n_ciklus := ; REPEAT hiba := ; n_ciklus := n_ciklus + ; FOR i:= TO kimei_neurnk_szama DO Minta i a bemei retegre; FOR :=TO kimei_neurnk_szama DO Kimei ertek kiszamitasa ; Hiba meghatarzasa := t - ; Krrekció meghatarzasa sig := *( * ; hiba := hiba + 2 ; ENDFOR; FOR s := kimei_reteg TO bemei_reteg DO FOR k := TO retegek_szama s DO sum := ; FOR m := TO neurnk_szama (s+ DO sum := w km * sig (s+m ; ENDFOR; sig sk := sk * (- sk *sum; FOR m := TO neurnk_szama (s+ DO w km := w km +tanulasi_tenyez * sk * sig (s+m ; ENDFOR; ENDFOR; ENDFOR; ENDFOR; UNTIL hiba < megengedett_hiba OR megadtt_ciklusszam; END Backprpagatin; Backprpagatin tanulási algritmus A megigyelt hiba elhasználásával számítsuk ki a kimei egységekre a krrekció értékét. A kimei réteggel kezdve ismételük a háló mindegyik rétegére, amíg a legelső retett réteget el nem érük: - teresszük vissza a hiba értékét az előző rétegre - módsítsuk a két réteg közötti súlykat
21 A mesterséges neurális hálók tipikus alkalmazásai Bnylult, sk, zas bemetel rendelkező, lytns értékkészletű üggvények reprezentációára használák, amikr a lgikai alapú módszerek nehezen alkalmazhatóak Klassziikáció adatk, minták sztályzása döntéstámgatás, minőségellenőrzés Alakelismerés kézíráselismerés, képelismerés, arcelismerés, ulenymatellenőrzés Prgnsztika tőzsdei előreelzés, anyag- és energiaelhasználás, termelésvlumen becslése Vezérlések lyamatvezérlés, rbtika
Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
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
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI A szükséges mintaszám krlát elemzése Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Mit is jelent az eredmény, ha pnts lenne
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
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.:
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,
RészletesebbenNeurális hálózatok.... a gyakorlatban
Neurális hálózatok... a gyakorlatban Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13.
RészletesebbenGépi tanulás. A szükséges mintaszám korlát elemzése. Pataki Béla (Bolgár Bence)
Gépi tanulás A szükséges mintaszám krlát elemzése Pataki Béla (Blgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki A Russell-Nrvig könyv n=10 bemenetű lgikai
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenIntelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
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
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
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenIntelligens orvosi műszerek VIMIA023
Intelligens orvosi műszerek VIMIA023 Neurális hálók (Dobrowiecki Tadeusz anyagának átdolgozásával) 2017 ősz http://www.mit.bme.hu/oktatas/targyak/vimia023 dr. Pataki Béla pataki@mit.bme.hu (463-)2679 A
RészletesebbenTanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok
Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs
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
RészletesebbenNormatív Határozat. Felelős: dr. Kelemen Márk polgármester Határidő: azonnal
/2014. (XI.26.) sz. NORMATÍV Kth.: A stratégiai dkumentumk tartalmáról és szerkezetéről valamint a mutatószámk kialakításának módszertanáról szóló szabályzat elfgadása Nrmatív Határzat 1./ Kerekegyháza
RészletesebbenA költségmegosztás aktuális kérdései a jelenlegi szabályozás tükrében. Csoknyai Zoltán, Techem Kft.
A költségmegsztás aktuális kérdései a jelenlegi szabályzás tükrében Csknyai Zltán, Techem Kft. A fűtési költségmegsztás jgi keretei A 157/2005. (VIII. 15.) Krmányrendelet fntsabb jgi elemei hatályba lépés
RészletesebbenII. LABOR Tanulás, Perceptron, Adaline
II. LABOR Tanulás, Perceptron, Adaline A dolgozat célja a tanító algoritmusok osztályozása, a tanító és tesztel halmaz szerepe a neuronhálók tanításában, a Perceptron és ADALINE feldolgozó elemek struktúrája,
RészletesebbenBevezetés a neurális számításokba Analóg processzortömbök,
Pannon Egyetem Villamosmérnöki és Információs Tanszék Bevezetés a neurális számításokba Analóg processzortömbök, neurális hálózatok Előadó: dr. Tömördi Katalin Neurális áramkörök (ismétlés) A neurális
RészletesebbenTanulás az idegrendszerben
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Funkcióvezérelt modellezés Abból indulunk ki, hogy milyen feladatot valósít meg a rendszer Horace Barlow: "A
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenVázlt Számítóépes mdellezés Krjcsi Attil Bevezetés pszichlóiáb 4, ősz Mil: krjcsi@pszichli.hu Web: http://stff.uszeed.hu/krjcsi Kitív web: http://kit.edps.u-szeed.hu Számítóépek pszichlóii elméletlktásb
RészletesebbenA MESTERSÉGES NEURONHÁLÓZATOK BEVEZETÉSE AZ OKTATÁSBA A GAMF-ON
A MESTERSÉGES NEURONHÁLÓZATOK BEVEZETÉSE AZ OKTATÁSBA A GAMF-ON Pintér István, pinter@gandalf.gamf.hu Nagy Zoltán Gépipari és Automatizálási Mûszaki Fõiskola, Informatika Tanszék Gépipari és Automatizálási
RészletesebbenDebreceni Egyetem Informatikai Kar. Fazekas István. Neurális hálózatok
Debreceni Egyetem Informatikai Kar Fazekas István Neurális hálózatok Debrecen, 2013 Szerző: Dr. Fazekas István egyetemi tanár Bíráló: Dr. Karácsony Zsolt egyetemi docens A tananyag a TÁMOP-4.1.2.A/1-11/1-2011-0103
RészletesebbenNEURÁLIS HÁLÓZATOK 1. eloadás 1
NEURÁLIS HÁLÓZATOKH 1. eloadás 1 Biológiai elozmények nyek: az agy Az agy az idegrendszerunk egyik legfontosabb része: - képes adatokat tárolni, - gyorsan és hatékonyan mukodik, - nagy a megbízhatósága,
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
RészletesebbenMesterséges intelligencia
Mesterséges intelligencia Botzheim János Budapesti Műszaki és Gazdaságtudományi Egyetem, Mechatronika, Optika és Gépészeti Informatika Tanszék Motivációk Hogyan lehetne automatikussá tenni azokat az összetett
RészletesebbenE x μ x μ K I. és 1. osztály. pontokként), valamint a bayesi döntést megvalósító szeparáló görbét (kék egyenes)
6-7 ősz. gyakorlat Feladatok.) Adjon meg azt a perceptronon implementált Bayes-i klasszifikátort, amely kétdimenziós a bemeneti tér felett szeparálja a Gauss eloszlású mintákat! Rajzolja le a bemeneti
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
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
Részletesebben620. témaszámú nemzetközi könyvvizsgálati standard A könyvvizsgáló által igénybe vett szakértő munkájának felhasználása
620. témaszámú nemzetközi könyvvizsgálati standard A könyvvizsgáló által igénybe vett szakértő munkájának felhasználása A könyvvizsgáló által igénybevett szakértő munkája megfelelőségének értékelése 12.
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 206/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
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 262/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
RészletesebbenVerzió 1.2 2009.11.27. CompLex Officium Felhasználói kézikönyv
Verzió 1.2 2009.11.27. CmpLex Officium Felhasználói kézikönyv CmpLex Officium felhasználói kézikönyv Tartalmjegyzék 1 Bevezetés... 3 1.1 Rendszerkövetelmények... 3 1.2 Fgalmtár... 3 2 Officium lehetőségek...
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
RészletesebbenNeurális hálózatok elméleti alapjai TULICS MIKLÓS GÁBRIEL
Neurális hálózatok elméleti alapjai TULICS MIKLÓS GÁBRIEL TULICS@TMIT.BME.HU Példa X (tanult órák száma, aludt órák száma) y (dolgozaton elért pontszám) (5, 8) 80 (3, 5) 78 (5, 1) 82 (10, 2) 93 (4, 4)
RészletesebbenÖsszeállította Horváth László egyetemi tanár
Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
Részletesebben14. Mediánok és rendezett minták
14. Mediánok és rendezett minták Kiválasztási probléma Bemenet: Azonos típusú (különböző) elemek H = {a 1,...,a n } halmaza, amelyeken értelmezett egy lineáris rendezési reláció és egy i (1 i n) index.
RészletesebbenEvolúciós algoritmusok bevezetés
Előadás-jegyzet készítette Kelemen Zslt Mesterséges Intelligencia II. (2008), Jelasity Márk 1. és 3. előadása Evlúciós algritmusk bevezetés Vetítések egyszerű evlúciós kísérletekkel kapcslatban Evlúció
RészletesebbenDr`avni izpitni center MATEMATIKA
Dr`avni izpitni center *P053C03M* TÉLI VIZSGAIDŐSZAK MATEMATIKA ÉRTÉKELÉSI ÚTMUTATÓ 006. február 3., hétfő SZAKMAI ÉRETTSÉGI VIZSGA RIC 006 P053-C0--3M ÚTMUTATÓ a szakmai írásbeli érettségi vizsga feladatainak
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
RészletesebbenMátrixok 2017 Mátrixok
2017 számtáblázatok" : számok rendezett halmaza, melyben a számok helye két paraméterrel van meghatározva. Például lineáris egyenletrendszer együtthatómátrixa 2 x 1 + 4 x 2 = 8 1 x 1 + 3 x 2 = 1 ( 2 4
Részletesebben"Flat" rendszerek. definíciók, példák, alkalmazások
"Flat" rendszerek definíciók, példák, alkalmazások Hangos Katalin, Szederkényi Gábor szeder@scl.sztaki.hu, hangos@scl.sztaki.hu 2006. október 18. flatness - p. 1/26 FLAT RENDSZEREK: Elméleti alapok 2006.
RészletesebbenKurzuseredmények statisztikai adatokkal
Kurzuseredmények statisztikai adatkkal Riprtelemző segédlet Az alábbi táblázat röviden bemutatja az e-mailben megküldött, Kurzuseredmények statisztikai adatkkal nevű, Excel frmátumú riprt szlpait. A magyarázat
RészletesebbenTartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...
RészletesebbenGépi tanulás Gregorics Tibor Mesterséges intelligencia
Gépi tanulás Tanulás fogalma Egy algoritmus akkor tanul, ha egy feladat megoldása során olyan változások következnek be a működésében, hogy később ugyanazt a feladatot vagy ahhoz hasonló más feladatokat
RészletesebbenE-közigazgatási költség-hatékonysági módszertanok és benchmarking/monitoring rendszer kidolgozása
E-közigazgatási költség-hatéknysági módszertank és benchmarking/mnitring rendszer kidlgzása B. Javaslat az elektrnikus közigazgatási szlgáltatásk fejlettségének érdemi mérésére alkalmas értékelési szempntrendszerre
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
RészletesebbenRézmovits Ádám Országos Nyugdíjbiztosítási Főigazgatóság. A mikroszimulációs nyugdíjmodellek felhasználása Workshop ONYF, 2014.
Rézmvits Ádám Országs Nyugdíjbiztsítási Főigazgatóság A mikrszimulációs nyugdíjmdellek felhasználása Wrkshp ONYF, 2014. május 27 0. Miről lesz szó? 1. Prjekt státuszjelentés HOL TARTUNK? 2. Eredmények
Részletesebben[1000 ; 0] 7 [1000 ; 3000]
Gépi tanulás (vimim36) Gyakorló feladatok 04 tavaszi félév Ahol lehet, ott konkrét számértékeket várok nem puszta egyenleteket. (Azok egy részét amúgyis megadom.). Egy bináris osztályozási feladatra tanított
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
RészletesebbenA köztiagy, nagyagy, kisagy
A köztiagy, nagyagy, kisagy Szerk.: Vizkievicz András A köztiagy és a nagyagy az embrinális fejlődés srán az előagyhólyagból fejlődik ki. A köztiagy (dienchephaln) Állmánya a III. agykamra körül szerveződik.
RészletesebbenI. Adatok, adatgyűjtés
I. Adatk, adatgyűjtés Adatgyűjtés adatk minőségének értékelése. Gazdasági adatkról lesz szó! Adat: rögzített ismeret. Számszerű adatkkal fgunk fglalkzni. Általában az adatk nem teljes körűek (kmplettek).
RészletesebbenTisztelt Hallgatók! Jó tanulást kívánok, üdvözlettel: Kutor László
Tisztelt Hallgatók! Az alábbi anyaga arra ó, hogy lehessen tudni, mi tartozik egy-egy kérdéshez. Ami itt olvasható, az a éghegy csúcsa. Ha alapos tudást akarnak, a éghegy alát önállóan kell hozzá gyűteniük.
Részletesebben9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum.
Programozási tételek Programozási feladatok megoldásakor a top-down (strukturált) programtervezés esetén három vezérlési szerkezetet használunk: - szekvencia - elágazás - ciklus Eddig megismertük az alábbi
Részletesebben3. előadás Stabilitás
Stabilitás 3. előadás 2011. 09. 19. Alapfogalmak Tekintsük dx dt = f (t, x), x(t 0) = x 0 t (, ), (1) Jelölje t x(t; t 0, x 0 ) vagy x(.; t 0, x 0 ) a KÉF megoldását. Kívánalom: kezdeti állapot kis megváltozása
RészletesebbenAz idegrendszer és a hormonális rednszer szabályozó működése
Az idegrendszer és a hormonális rednszer szabályozó működése Az idegrendszer szerveződése érző idegsejt receptor érző idegsejt inger inger átkapcsoló sejt végrehajtó sejt végrehajtó sejt központi idegrendszer
RészletesebbenKovács Ernő 1, Füvesi Viktor 2
Kovács Ernő 1, Füvesi Viktor 2 1 Miskolci Egyetem, Elektrotechnikai - Elektronikai Tanszék 2 Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet 1 HU-3515 Miskolc-Egyetemváros 2 HU-3515 Miskolc-Egyetemváros,
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
Részletesebbenend function Az A vektorban elõforduló legnagyobb és legkisebb értékek indexeinek különbségét.. (1.5 pont) Ha üres a vektor, akkor 0-t..
A Név: l 2014.04.09 Neptun kód: Gyakorlat vezető: HG BP MN l 1. Adott egy (12 nem nulla értékû elemmel rendelkezõ) 6x7 méretû ritka mátrix hiányos 4+2 soros reprezentációja. SOR: 1 1 2 2 2 3 3 4 4 5 6
RészletesebbenTestépítés. Kovács Zoltán (Nyíregyházi Főiskola Debreceni Egyetem) zeus.nyf.hu/ kovacsz. 2004. július 7.
Testépítés Kvács Zltán (Nyíregyházi Főiskla Debreceni Egyetem) zeus.nyf.hu/ kvacsz 2004. július 7. A címlapn látható csillagtest, a nagy ikzi-ddekaéder mdelljének elkészítésére a KöMaL 1981. évi nvemberi
RészletesebbenHatározatlan integrál
Határozatlan integrál Boros Zoltán Debreceni Egyetem, TTK Matematikai Intézet, Anaĺızis Tanszék Debrecen, 207. február 20 27. Primitív függvény, határozatlan integrál A továbbiakban legyen I R intervallum.
RészletesebbenPanini A150.676 V3/0211
Panini A150.676 V3/0211 H 1. Általáns infrmáció 184 1.1 Használati útmutatóval kapcslats infrmációk 184 1.2 A szimbólumk magyarázata 184 1.3 A gyártó felelőssége és a garancia 185 1.4 Szerzői jg védelme
RészletesebbenKurzus- és tananyageredmények
Kurzus- és tananyageredmények Riprtelemző segédlet Az alábbi táblázat röviden bemutatja az e-mailben megküldött, Kurzus- és tananyageredmények nevű, Excel frmátumú riprt szlpait. A magyarázat segítséget
RészletesebbenKonvolúciós neurális hálózatok (CNN)
Konvolúciós neurális hálózatok (CNN) Konvolúció Jelfeldolgozásban: Diszkrét jelek esetén diszkrét konvolúció: Képfeldolgozásban 2D konvolúció (szűrők): Konvolúciós neurális hálózat Konvolúciós réteg Kép,
RészletesebbenSZOLGÁLATI TITOK! KORLÁTOZOTT TERJESZTÉSŰ!
A 10/2007 (II. 27.) SzMM rendelettel módsíttt 1/2006 (II. 17.) OM rendelet Országs Képzési Jegyzékről és az Országs Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről alapján. Szakképesítés,
RészletesebbenDr. Schuster György február / 32
Algoritmusok és magvalósítások Dr. Schuster György OE-KVK-MAI schuster.gyorgy@kvk.uni-obuda.hu 2015. február 10. 2015. február 10. 1 / 32 Algoritmus Alapfogalmak Algoritmus Definíció Algoritmuson olyan
RészletesebbenModellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék
Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november
Részletesebben2014/2015. tavaszi félév
Hajder L. és Valasek G. hajder.levente@sztaki.mta.hu Eötvös Loránd Tudományegyetem Informatikai Kar 2014/2015. tavaszi félév Tartalom Geometria modellezés 1 Geometria modellezés 2 Geometria modellezés
Részletesebben1. számú Melléklet AZ ÖNKORMÁNYZATI ASP KÖZPONTOK KIALAKÍTÁSÁVAL KAPCSOLATOS KÖVETELMÉNYEK
1. számú Melléklet AZ ÖNKORMÁNYZATI ASP KÖZPONTOK KIALAKÍTÁSÁVAL KAPCSOLATOS KÖVETELMÉNYEK A prjektek az Európai Unió támgatásával, az Európai Reginális Fejlesztési Alap társfinanszírzásával valósulnak
RészletesebbenPéldák jellemzőkre: - minden pixelérték egy jellemző pl. neurális hálózat esetében csak kis képekre, nem invariáns sem a megvilágításra, sem a geom.
Lépések 1. tanító és teszt halmaz összeállítása / megszerzése 2. jellemzők kinyerése 3. tanító eljárás választása Sok vagy kevés adat áll-e rendelkezésünkre? Mennyi tanítási idő/memória áll rendelkezésre?
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
RészletesebbenMINŐSÉGIRÁNYÍTÁSI KÉZIKÖNYV
MINŐSÉGIRÁNYÍTÁSI KÉZIKÖNYV Jóváhagyta Ellenőrizte Készítette Név Aláírás Dátum TARTALOMJEGYZÉK TARTALOMJEGYZÉK 2 1. MINŐSÉG POLITIKA...4 2. AZ ISKOLA BEMUTATÁSA 5 2.1. LEÍRÁS 5 2.2. SZERVEZETI FELÉPÍTÉS.5
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)
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenGoogle Summer of Code Project
Neuronhálózatok a részecskefizikában Bagoly Attila ELTE TTK Fizikus MSc, 2. évfolyam Integrating Machine Learning in Jupyter Notebooks Google Summer of Code Project 2016.10.10 Bagoly Attila (ELTE) Machine
RészletesebbenII. félév, 8. ANATÓMIA elıadás JGYTFK, Testnevelési és Sporttudományi Intézet. Idegrendszer SYSTEMA NERVOSUM
II. félév, 8. ANATÓMIA elıadás JGYTFK, Testnevelési és Sporttudományi Intézet Idegrendszer SYSTEMA NERVOSUM Mit tanulunk? Megismerkedünk idegrendszerünk alapvetı felépítésével. Hallunk az idegrendszer
RészletesebbenMesterséges intelligencia. Gregorics Tibor people.inf.elte.hu/gt/mi
people.inf.elte.hu/gt/mi Szakirodalom Könyvek Fekete István - - Nagy Sára: Bevezetés a mesterséges intelligenciába, LSI Kiadó, Budapest, 1990, 1999. ELTE-Eötvös Kiadó, Budapest, 2006. Russel, J. S., Norvig,
RészletesebbenKOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM
KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM Kernel módszerek idősor előrejelzés Mérési útmutató Készítette: Engedy István (engedy@mit.bme.hu) Méréstechnika és Információs Rendszerek Tanszék Budapesti Műszaki
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =
RészletesebbenKözlemény. Módosított pont. dokumentum neve Pályázati útmutató és Pályázati felhívás. B1 Jogi forma (a szöveg kiegészítése)
Közlemény A Nemzeti Fejlesztési Ügynökség felhívja a tisztelt pályázók figyelmét, hgy a TIOP-1.2.1/08/1 Agóra -multifunkcinális közösségi közpntk és területi közművelődési tanácsadó szlgálat infrastrukturális
RészletesebbenBevezetés a lágy számítás módszereibe. Neurális hálózatok Alapok
BLSZM-09 p. 1/29 Bevezetés a lágy számítás módszereibe Neurális hálózatok Alapok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-09 p. 2/29
RészletesebbenMérési jegyzőkönyv. az ötödik méréshez
Mérési jegyzőkönyv az ötödik méréshez A mérés időpontja: 2007-10-30 A mérést végezték: Nyíri Gábor kdu012 mérőcsoport A mérést vezető oktató neve: Szántó Péter A jegyzőkönyvet tartalmazó fájl neve: ikdu0125.doc
RészletesebbenNumerikus módszerek. 9. előadás
Numerikus módszerek 9. előadás Differenciálegyenletek integrálási módszerei x k dx k dt = f x,t; k k ' k, k '=1,2,... M FELADAT: meghatározni x k t n x k, n egyenletes időlépés??? t n =t 0 n JELÖLÉS: f
Részletesebben2. A kiszolgálási politika működésének lépései (releváns kiszolgálási elemek, teljesítménynormák, teljesítésmérés, eltérések elemzése)
5.A) Ismertesse a kiszlgálási színvnal fgalmát! Mutassa be a kiszlgálási plitika működésének lépéseit! Melyek a kiszlgálási színvnal fő mutatói? Mutassa be a kiszlgálási színvnal mérésének jellemző mutatószámait!
RészletesebbenÚTMUTATÓ A PROJEKTMENEDZSMENT TÁMOGATÓ RENDSZER
ÚTMUTATÓ A PROJEKTMENEDZSMENT TÁMOGATÓ RENDSZER TERVEZÉSÉHEZ BUDAPEST FŐVÁROS XI. KERÜLET ÚJBUDA ÖNKORMÁNYZATA RÉSZÉRE Intézményi akkreditációs lajstrmszám: 01-0789-04 OM aznsítószám: FI33842 Tartalmjegyzék
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
RészletesebbenPerceptron konvergencia tétel
Perceptron konvergencia tétel Mesterséges Intelligencia I. házi feladat Lám István A2D587 lam.istvan@gmail.com 1 A Perceptron 1.1 A perceptron definíciója A perceptron az egyik legegyszerűbb előrecsatolt
RészletesebbenBiológiai és mesterséges neurális hálózatok
Biológiai és mesterséges neurális hálózatok Szegedy Balázs 2018. október 10. Hasonlóságok és külömbségek A mesterséges neurális hálózatok története 1957-ben kezdődött: perceptron (Frank Rosenblatt). 400
RészletesebbenAz 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