Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
|
|
- Ádám Vörös
- 5 évvel ezelőtt
- Látták:
Átírás
1 Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
2 Vizuális feldolgozórendszerek feladatai
3 Mesterséges intelligencia és idegtudomány
4 Mesterséges intelligencia és idegtudomány Párhuzamos problémák
5 Mesterséges intelligencia és idegtudomány Párhuzamos problémák MI: hogyan lehet leghatékonyabban megoldani?
6 Mesterséges intelligencia és idegtudomány Párhuzamos problémák MI: hogyan lehet leghatékonyabban megoldani? Idegtudomány: hogyan oldja meg az agy?
7 Mesterséges intelligencia és idegtudomány Párhuzamos problémák MI: hogyan lehet leghatékonyabban megoldani? Idegtudomány: hogyan oldja meg az agy? a hatékonyság a biológiai rendszereknél is fontos szempont
8 Mesterséges intelligencia és idegtudomány Párhuzamos problémák MI: hogyan lehet leghatékonyabban megoldani? Idegtudomány: hogyan oldja meg az agy? a hatékonyság a biológiai rendszereknél is fontos szempont Ötletek áramolnak mindkét irányba
9 Mi a látórendszer feladata?
10 Mi a látórendszer feladata?
11 Mi a látórendszer feladata?
12 Mi a látórendszer feladata?
13 Mi a látórendszer feladata?
14 Mi a látórendszer feladata? Objetumfelismerés, besorolás
15 Mi a látórendszer feladata? Objetumfelismerés, besorolás Tömörítés, memóriában tároláshoz
16 Mi a látórendszer feladata? Objetumfelismerés, besorolás Tömörítés, memóriában tároláshoz Képek generálása, elképzelése
17 A képek szerkezete Kompozicionalitás
18 A képek szerkezete Kompozicionalitás alapvető képelemek kombinációiból állnak elő az összetettebbek
19 A képek szerkezete Kompozicionalitás alapvető képelemek kombinációiból állnak elő az összetettebbek élek -> formák -> objektumok -> szituációk
20 A képek szerkezete Kompozicionalitás? alapvető képelemek kombinációiból állnak elő az összetettebbek? élek -> formák -> objektumok -> szituációk Thalamus Retina
21
22 A mesterséges neurális hálózatok kialakulása és működése
23 logikai eredmények Az MI kezdetei
24 logikai eredmények Az MI kezdetei digitális számítógép
25 logikai eredmények Az MI kezdetei digitális számítógép idegrendszeri mérések
26 Az MI kezdetei logikai eredmények kibernetika digitális számítógép idegrendszeri mérések
27 Az MI kezdetei logikai eredmények kibernetika digitális számítógép idegrendszeri mérések mesterséges idegsejt
28 Mesterséges neuron súlyok bemenetek x1 x2 x3 küszöb θ kimenet: -1,+1 xn bemenetek súlyozott összegét egy küszöbhöz hasonlítjuk
29 Mesterséges neuron súlyok bemenetek x1 x2 x3 küszöb θ kimenet: -1,+1 xn bemenetek súlyozott összegét egy küszöbhöz hasonlítjuk kétféle kimenet - a bemeneti kombinációk bináris osztályozása
30 Mesterséges neuron súlyok bemenetek x1 x2 x3 küszöb θ kimenet: -1,+1 xn bemenetek súlyozott összegét egy küszöbhöz hasonlítjuk kétféle kimenet - a bemeneti kombinációk bináris osztályozása lineáris szétválasztás
31 Mesterséges neuron súlyok bemenetek x1 x2 x3 küszöb θ kimenet: -1,+1 xn bemenetek súlyozott összegét egy küszöbhöz hasonlítjuk kétféle kimenet - a bemeneti kombinációk bináris osztályozása lineáris szétválasztás = x 1 w 1 + x 2 w 2 x 2 = w 1 w 2 x 1 + w 2
32 Logikai műveletek mesterséges idegsejttel
33 Logikai műveletek mesterséges idegsejttel
34 Első MI-tél A túlzott lelkesedés a 70-es évekre kiábrándulást eredményez
35 Első MI-tél A túlzott lelkesedés a 70-es évekre kiábrándulást eredményez Nyárra feladott házi feladat a 60-as évekből: olyan programot írni, ami felismeri, hogy milyen tárgy van egy képen
36 Első MI-tél A túlzott lelkesedés a 70-es évekre kiábrándulást eredményez Nyárra feladott házi feladat a 60-as évekből: olyan programot írni, ami felismeri, hogy milyen tárgy van egy képen nem jött össze
37 Első MI-tél A túlzott lelkesedés a 70-es évekre kiábrándulást eredményez Nyárra feladott házi feladat a 60-as évekből: olyan programot írni, ami felismeri, hogy milyen tárgy van egy képen nem jött össze Lineárisan nem szeparálható problémák hatékony kezelése problémás volt
38 Kizáró vagy megoldása
39 Kizáró vagy megoldása
40 Többrétegű neurális hálózat
41 A megfelelő súlyértékek keresése adott adathalmazon a hálózat a súlyainak egy beállításával vét valamennyi hibát
42 A megfelelő súlyértékek keresése adott adathalmazon a hálózat a súlyainak egy beállításával vét valamennyi hibát azokat a súlyértékeket keressük, amelyekre ez a hiba a legkisebb
43 A megfelelő súlyértékek keresése adott adathalmazon a hálózat a súlyainak egy beállításával vét valamennyi hibát azokat a súlyértékeket keressük, amelyekre ez a hiba a legkisebb a sok súly együttes beállítása nehéz optimalizálási feladat
44 A megfelelő súlyértékek keresése adott adathalmazon a hálózat a súlyainak egy beállításával vét valamennyi hibát azokat a súlyértékeket keressük, amelyekre ez a hiba a legkisebb a sok súly együttes beállítása nehéz optimalizálási feladat van algoritmus közelítő megoldás keresésére
45 Problémák tanulórendszerekben Különféle hibák kiegyensúlyozása Strukturális hiba: a modell optimális paraméterekkel is eltérhet a közelítő függvénytől (pl legjobban illeszkedő polinom szinuszfüggvényből származó adatra) Közelítési hiba: a paraméterek pontos hangolásához végtelen adatra lehet szükség
46 Problémák tanulórendszerekben Különféle hibák kiegyensúlyozása Strukturális hiba: a modell optimális paraméterekkel is eltérhet a közelítő függvénytől (pl legjobban illeszkedő polinom szinuszfüggvényből származó adatra) Közelítési hiba: a paraméterek pontos hangolásához végtelen adatra lehet szükség Pontosság vs. általánosítás A sokparaméteres modellek jól illeszkednek a meglévő adatra, de rosszul általánosítanak A magyarázó képességük is kisebb (lehet): Ockham borotvája
47 A második tél A 90-es évekre a súlytanuló algoritmusok erőforráskorlátokba futnak
48 A második tél A 90-es évekre a súlytanuló algoritmusok erőforráskorlátokba futnak számítási kapacitás
49 A második tél A 90-es évekre a súlytanuló algoritmusok erőforráskorlátokba futnak számítási kapacitás adatmennyiség
50 A második tél A 90-es évekre a súlytanuló algoritmusok erőforráskorlátokba futnak számítási kapacitás adatmennyiség Csak egy kanadai ügynökség ad neurális hálózatokra pénzt
51 A deep learning alkalmazásai vizuális feldolgozásra
52 Deep learning és képosztályozás A deep learning többrétegű neuronhálózatok súlyainak optimalizációja
53 Deep learning és képosztályozás A deep learning többrétegű neuronhálózatok súlyainak optimalizációja Ugyanaz, mint a 80-as években, jobb számítógépeken, több adattal és valamelyest fejlesztett algoritmusokkal
54 Deep learning és képosztályozás A deep learning többrétegű neuronhálózatok súlyainak optimalizációja Ugyanaz, mint a 80-as években, jobb számítógépeken, több adattal és valamelyest fejlesztett algoritmusokkal tipikus feladat: képek besorolása kategóriákba
55 Deep learninggel tanult képelemek
56 Konvolúciós háló Térbeli elhelyezkedésre érzéketlen elemzési és térbeli összegzési lépések ismétlődése
57 Tanult elemekből generált kép
58
59 Szemantikai elemzés
60 Stílus és tartalom dekomponálása
61 Tömörítés neurális hálózattal
62 Tömörítés neurális hálózattal
63 Rajz struktúrájának tanulása
64 Generatív és klasszifikációs hálózatok egymás ellen tanítva
65 Szövegből kép generálása
66 Létezik-e általános célú MI?
67 Optimális döntések tanulása neurális hálózattal Gerald Tesauro: TD- Gammon Többrétegű neuronhálózat
68 Optimális döntések tanulása neurális hálózattal Gerald Tesauro: TD- Gammon Többrétegű neuronhálózat Bemenet: a lehetséges lépések nyomán elért állapotok
69 Optimális döntések tanulása neurális hálózattal Gerald Tesauro: TD- Gammon Többrétegű neuronhálózat Bemenet: a lehetséges lépések nyomán elért állapotok Kimenet: a nyerés valószínűsége az adott állapotból
70 Optimális döntések tanulása neurális hálózattal Gerald Tesauro: TD- Gammon Többrétegű neuronhálózat Bemenet: a lehetséges lépések nyomán elért állapotok Kimenet: a nyerés valószínűsége az adott állapotból Ez alapján ki lehet választani, hogy melyik állapotba szeretnénk kerülni
71 Optimális döntések tanulása neurális hálózattal Gerald Tesauro: TD- Gammon Többrétegű neuronhálózat Bemenet: a lehetséges lépések nyomán elért állapotok Kimenet: a nyerés valószínűsége az adott állapotból Ez alapján ki lehet választani, hogy melyik állapotba szeretnénk kerülni
72 Számítógépes játékok tanulása Mnih et al, 2015
73 Mozgás tanulása
74 34
75 ?
76 Hogyan segítik az MI alkalmazások az agy megértését?
77 Hasonlóságok az agy vizuális rendszerével Thalamus Retina??
78 Különbözőségek a mesterséges és természetes neuronhálók között a deep learning hálózatokban általában egyirányú a feldolgozás, az agyban vannak visszacsatolások a súlyok beállításához használt algoritmus által megkövetelt információáramlás neurális megfelelőjét nem ismerjük
79 Neurális aktivitás predikciója konvolúciós hálókkal Yamins et al, 2014 Az agy objektumfelismerésben résztvevő neuronjainak átlagos aktivitását prediktáljuk a mesterséges háló mélyebb rétegeinek aktivációjával
80 Neurális aktivitás predikciója konvolúciós hálókkal Yamins et al, 2014 Az agy objektumfelismerésben résztvevő neuronjainak átlagos aktivitását prediktáljuk a mesterséges háló mélyebb rétegeinek aktivációjával Minél jobban teljesít a hálózat az objektumfelismerésben, annál jobban prediktálja a neurális aktivitást Prediktált neurális aktivitás Objektumfelismerési teljesítmény
81 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak
82 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak Az adatok legfontosabb tulajdonsága a kompozicionalitás
83 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak Az adatok legfontosabb tulajdonsága a kompozicionalitás A rétegzett neurális hálózatok ezt használják ki
84 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak Az adatok legfontosabb tulajdonsága a kompozicionalitás A rétegzett neurális hálózatok ezt használják ki A deep learning modellek jól teljesítenek képklasszifikációban, de alkalmasak képgenerálásra, tömörítésre is
85 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak Az adatok legfontosabb tulajdonsága a kompozicionalitás A rétegzett neurális hálózatok ezt használják ki A deep learning modellek jól teljesítenek képklasszifikációban, de alkalmasak képgenerálásra, tömörítésre is Sok specifikus problémára adnak jó megoldást a legújabb módszerek
86 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak Az adatok legfontosabb tulajdonsága a kompozicionalitás A rétegzett neurális hálózatok ezt használják ki A deep learning modellek jól teljesítenek képklasszifikációban, de alkalmasak képgenerálásra, tömörítésre is Sok specifikus problémára adnak jó megoldást a legújabb módszerek Lehet optimális cselekvéseket is tanulni neurális hálózatokkal
87 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak Az adatok legfontosabb tulajdonsága a kompozicionalitás A rétegzett neurális hálózatok ezt használják ki A deep learning modellek jól teljesítenek képklasszifikációban, de alkalmasak képgenerálásra, tömörítésre is Sok specifikus problémára adnak jó megoldást a legújabb módszerek Lehet optimális cselekvéseket is tanulni neurális hálózatokkal De általános célú MI jelenleg nincs
88 Összefoglalás A mesterséges és természetes látórendszerek feladatai azonosak Az adatok legfontosabb tulajdonsága a kompozicionalitás A rétegzett neurális hálózatok ezt használják ki A deep learning modellek jól teljesítenek képklasszifikációban, de alkalmasak képgenerálásra, tömörítésre is Sok specifikus problémára adnak jó megoldást a legújabb módszerek Lehet optimális cselekvéseket is tanulni neurális hálózatokkal De általános célú MI jelenleg nincs Bár a mesterséges neuronhálók csak nagyon közvetetten merítenek ötletet biológiai rendszerekből, mégis használhatóak neurális aktivitás predikciójára
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,
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
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Funkcióvezérelt modellezés Abból indulunk ki, hogy milyen feladatot valósít meg a rendszer Horace Barlow: "A
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
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
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,
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
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.:
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
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
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
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
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
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
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...
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
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
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
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
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.
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
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
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
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
RészletesebbenKöltségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr.
Gépgyártástechnológia Tsz Költségbecslési módszerek a szerszámgyártásban Szerszámgyártók Magyarországi Szövetsége 2003. december 11. 1 2 CEE-Product Groups Tartalom 1. Költségbecslési módszerek 2. MoldCoster
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,
Részletesebben1. előadás. Lineáris algebra numerikus módszerei. Hibaszámítás Számábrázolás Kerekítés, levágás Klasszikus hibaanalízis Abszolút hiba Relatív hiba
Hibaforrások Hiba A feladatok megoldása során különféle hibaforrásokkal találkozunk: Modellhiba, amikor a valóságnak egy közelítését használjuk a feladat matematikai alakjának felírásához. (Pl. egy fizikai
RészletesebbenMély neuronhálók alkalmazása és optimalizálása
magyar nyelv beszédfelismerési feladatokhoz 2015. január 10. Konzulens: Dr. Mihajlik Péter A megvalósítandó feladatok Irodalomkutatás Nyílt kutatási eszközök keresése, beszédfelismer rendszerek tervezése
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,
RészletesebbenDIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN
DIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN DR. GIMESI LÁSZLÓ Bevezetés Pécsett és környékén végzett bányászati tevékenység felszámolása kapcsán szükségessé vált az e tevékenység során keletkezett meddők, zagytározók,
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
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
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,
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
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés 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 Következtetés
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
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
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
RészletesebbenTÚL A TANÓRÁN MŰVÉSZETEK ÉS A FEJLŐDŐ, KIBONTAKOZÓ EMBER. Csépe Valéria
TÚL A TANÓRÁN MŰVÉSZETEK ÉS A FEJLŐDŐ, KIBONTAKOZÓ EMBER Csépe Valéria csepe.valeria@ttk.mta.hu 1 TÉMÁK Szerep Hely Hatás Tanóra és azon túl 2 A MŰVÉSZETEK SZEREPE Világgazdasági Fórum- a tíz legfontosabb
RészletesebbenA KÖZÉPSZINTŰ ÉRETTSÉGI VIZSGA INFORMATIKA TÉMAKÖREI: 1. Információs társadalom
A KÖZÉPSZINTŰ ÉRETTSÉGI VIZSGA INFORMATIKA TÉMAKÖREI: 1. Információs társadalom 1.1. A kommunikáció 1.1.1. A kommunikáció általános modellje 1.1.2. Információs és kommunikációs technológiák és rendszerek
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,
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók 2. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók 2. Előadó: Hullám Gábor Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki
RészletesebbenEgy csodálatos elme modellje
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,
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
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:
RészletesebbenKONVOLÚCIÓS NEURONHÁLÓK. A tananyag az EFOP pályázat támogatásával készült.
KONVOLÚCIÓS NEURONHÁLÓK A tananyag az EFOP-3.5.1-16-2017-00004 pályázat támogatásával készült. 1. motiváció A klasszikus neuronháló struktúra a fully connected háló Két réteg között minden neuron kapcsolódik
RészletesebbenFEGYVERNEKI 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,
RészletesebbenMegerősítéses tanulás 9. előadás
Megerősítéses tanulás 9. előadás 1 Backgammon (vagy Ostábla) 2 3 TD-Gammon 0.0 TD() tanulás (azaz időbeli differencia-módszer felelősségnyomokkal) függvényapproximátor: neuronháló 40 rejtett (belső) neuron
RészletesebbenA PiFast program használata. Nagy Lajos
A PiFast program használata Nagy Lajos Tartalomjegyzék 1. Bevezetés 3 2. Bináris kimenet létrehozása. 3 2.1. Beépített konstans esete.............................. 3 2.2. Felhasználói konstans esete............................
RészletesebbenSZÓBELI ÉRETTSÉGI TÉMAKÖRÖK
INFORMATIKA SZÓBELI ÉRETTSÉGI TÉMAKÖRÖK Az emelt szint a középszint követelményeit magában foglalja, de azokat magasabb szinten kéri számon. 1. Információs társadalom 2. Informatikai alapismeretek - hardver
RészletesebbenOpenCL alapú eszközök verifikációja és validációja a gyakorlatban
OpenCL alapú eszközök verifikációja és validációja a gyakorlatban Fekete Tamás 2015. December 3. Szoftver verifikáció és validáció tantárgy Áttekintés Miért és mennyire fontos a megfelelő validáció és
RészletesebbenGépi tanulás és Mintafelismerés
Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
RészletesebbenBabeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet
/ Babeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet / Tartalom 3/ kernelek segítségével Felügyelt és félig-felügyelt tanulás felügyelt: D =
RészletesebbenForgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
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
RészletesebbenBevezetés a programozásba I 3. gyakorlat. PLanG: Programozási tételek. Programozási tételek Algoritmusok
Pázmány Péter Katolikus Egyetem Információs Technológiai Kar Bevezetés a programozásba I 3. gyakorlat PLanG: 2011.09.27. Giachetta Roberto groberto@inf.elte.hu http://people.inf.elte.hu/groberto Algoritmusok
RészletesebbenDigitális jelfeldolgozás
Digitális jelfeldolgozás Kvantálás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2010. szeptember 15. Áttekintés
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
RészletesebbenKépfeldolgozás Szegmentálás Osztályozás Képfelismerés Térbeli rekonstrukció
Mesterséges látás Miről lesz szó? objektumok Bevezetés objektumok A mesterséges látás jelenlegi, technikai eszközökön alapuló világunkban gyakorlatilag azonos a számítógépes képfeldolgozással. Számítógépes
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
RészletesebbenInformatika a valós világban: a számítógépek és környezetünk kapcsolódási lehetőségei
Informatika a valós világban: a számítógépek és környezetünk kapcsolódási lehetőségei Dr. Gingl Zoltán SZTE, Kísérleti Fizikai Tanszék Szeged, 2000 Február e-mail : gingl@physx.u-szeged.hu 1 Az ember kapcsolata
Részletesebben1. tétel. A kommunikáció információelméleti modellje. Analóg és digitális mennyiségek. Az információ fogalma, egységei. Informatika érettségi (diák)
1. tétel A kommunikáció információelméleti modellje. Analóg és digitális mennyiségek. Az információ fogalma, egységei Ismertesse a kommunikáció általános modelljét! Mutassa be egy példán a kommunikációs
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:
RészletesebbenVisszacsatolt (mély) neurális hálózatok
Visszacsatolt (mély) neurális hálózatok Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Sima előrecsatolt neurális hálózat Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Pl.: kép feliratozás,
RészletesebbenA neurális hálózatok tanításának alapjai II.: Módszerek a túltanulás elkerülésére. Szoldán Péter
>ready to transmit A neurális hálózatok tanításának alapjai II.: Módszerek a túltanulás elkerülésére Szoldán Péter A hálózatnak nincs kontextusa Képzeljék el, hogy amióta megszülettek, semmit mást nem
RészletesebbenA kibontakozó új hajtóerő a mesterséges intelligencia
5. Magyar Jövő Internet Konferencia» Okos város a célkeresztben «A kibontakozó új hajtóerő a mesterséges intelligencia Dr. Szűcs Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai
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,
RészletesebbenLégiforgalmi irányítás szektorizációs tool munkaterhelés alapú megközelítése Számel Bence Domonkos. Unrestricted
Légiforgalmi irányítás szektorizációs tool munkaterhelés alapú megközelítése Számel Bence Domonkos Unrestricted A döntéstámogató eszköz rendeltetése A légiforgalmi irányítás biztonságának és hatékonyságának
RészletesebbenProgramozó- készülék Kezelőkozol RT óra (pl. PC) Digitális bemenetek ROM memória Digitális kimenetek RAM memória Analóg bemenet Analóg kimenet
2. ZH A csoport 1. Hogyan adható meg egy digitális műszer pontossága? (3p) Digitális műszereknél a pontosságot két adattal lehet megadni: Az osztályjel ±%-os értékével, és a ± digit értékkel (jellemző
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,
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenA/D és D/A konverterek vezérlése számítógéppel
11. Laboratóriumi gyakorlat A/D és D/A konverterek vezérlése számítógéppel 1. A gyakorlat célja: Az ADC0804 és a DAC08 konverterek ismertetése, bekötése, néhány felhasználási lehetőség tanulmányozása,
RészletesebbenTanulás Boltzmann gépekkel. Reiz Andrea
Tanulás Boltzmann gépekkel Reiz Andrea Tanulás Boltzmann gépekkel Boltzmann gép Boltzmann gép felépítése Boltzmann gép energiája Energia minimalizálás Szimulált kifűtés Tanulás Boltzmann gép Tanulóalgoritmus
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Hash tábla A bináris fáknál O(log n) a legjobb eset a keresésre. Ha valamilyen közvetlen címzést használunk, akkor akár O(1) is elérhető. A hash tábla a tömb általánosításaként
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
RészletesebbenGPU-Accelerated Collocation Pattern Discovery
GPU-Accelerated Collocation Pattern Discovery Térbeli együttes előfordulási minták GPU-val gyorsított felismerése Gyenes Csilla Sallai Levente Szabó Andrea Eötvös Loránd Tudományegyetem Informatikai Kar
RészletesebbenAlgoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás
Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált
RészletesebbenIII.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ
infokommunikációs technológiák III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ KECSKEMÉTI ANNA KUN JEROMOS KÜRT Zrt. KUTATÁSI
RészletesebbenTakács Árpád K+F irányok
Takács Árpád K+F irányok 2016. 06. 09. arpad.takacs@adasworks.com A jövőre tervezünk Az AdasWorks mesterséges intelligencia alapú szoftverterfejlesztéssel és teljes önvezető megoldásokkal forradalmasítja
RészletesebbenBEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció
RészletesebbenAlgoritmizálás. Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar
Algoritmizálás Horváth Gyula Szegedi Tudományegyetem Természettudományi és Informatikai Kar horvath@inf.u-szeged.hu 0.1. Az algoritmikus tudás szintjei Ismeri (a megoldó algoritmust) Érti Le tudja pontosan
Részletesebben3D-s számítógépes geometria és alakzatrekonstrukció
3D-s számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav08 Dr. Várady Tamás,
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
RészletesebbenMi a mesterséges intelligencia? Történeti áttekintés. Mesterséges intelligencia február 21.
Mi a mesterséges intelligencia? Történeti áttekintés Mesterséges intelligencia 2014. február 21. Bevezetés Homo sapiens = gondolkodó ember Gondolkodás mint az emberi faj sajátja Hogyan gondolkozunk? Hogyan
RészletesebbenHAWK-3. Az OMSZ saját fejlesztésű időjárási megjelenítő rendszere
HAWK-3 Az OMSZ saját fejlesztésű időjárási megjelenítő rendszere Időjárás előrejelzés, kutatási, fejlesztési munkához a légkör fizikai állapotát kell ismerni Nagy térségre vonatkozó mért, megfigyelt és
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
RészletesebbenBevezetés a programozásba
Bevezetés a programozásba 1. Előadás Bevezetés, kifejezések http://digitus.itk.ppke.hu/~flugi/ Egyre precízebb A programozás természete Hozzál krumplit! Hozzál egy kiló krumplit! Hozzál egy kiló krumplit
RészletesebbenAz emberi információfeldolgozás modellje. Az emberi információfeldolgozás modellje. Alakészlelés. Más emberek észlelése.
Az emberi információfeldolgozás modellje (továbbgondolás) Az emberi információfeldolgozás modellje Látási bemenet Hallási bemenet Feldolgozás Érzékszervi tár Alakfelismerés Probléma megoldás Következtetés
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
RészletesebbenÁramkörök elmélete és számítása Elektromos és biológiai áramkörök. 3. heti gyakorlat anyaga. Összeállította:
Áramkörök elmélete és számítása Elektromos és biológiai áramkörök 3. heti gyakorlat anyaga Összeállította: Kozák László kozla+aram@digitus.itk.ppke.hu Elkészült: 2010. szeptember 30. Utolsó módosítás:
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenMesterséges intelligencia alapú regressziós tesztelés
Mesterséges intelligencia alapú regressziós tesztelés Gujgiczer Anna, Elekes Márton* * AZ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA ÚNKP-16-1-I. KÓDSZÁMÚ ÚJ NEMZETI KIVÁLÓSÁG PROGRAMJÁNAK TÁMOGATÁSÁVAL KÉSZÜLT
RészletesebbenAz emberi információfeldolgozás modellje. Az emberi információfeldolgozás modellje (továbbgondolás) Mintázatfelismerés kontextusfüggő észlelés
Az emberi információfeldolgozás modellje (továbbgondolás) Az emberi információfeldolgozás modellje Látási bemenet Hallási bemenet Feldolgozás Érzékszervi tár Alakfelismerés Probléma megoldás Következtetés
RészletesebbenSAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával
SAT probléma kielégíthetőségének vizsgálata masszív parallel mesterséges neurális hálózat alkalmazásával Tajti Tibor, Bíró Csaba, Kusper Gábor {gkusper, birocs, tajti}@aries.ektf.hu Eszterházy Károly Főiskola
RészletesebbenEmber-gép rendszerek megbízhatóságának pszichológiai vizsgálata. A Rasmussen modell.
Ember-gép rendszerek megbízhatóságának pszichológiai vizsgálata. A Rasmussen modell. A bonyolult rendszerek működtetésének biztonsága egyre pontosabb, naprakész gondolati, beavatkozási sémákat igényel
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
RészletesebbenA Gray-kód Bináris-kóddá alakításának leírása
A Gray-kód Bináris-kóddá alakításának leírása /Mechatronikai Projekt II. házi feladat/ Bodogán János 2005. április 1. Néhány szó a kódoló átalakítókról Ezek az eszközök kiegészítő számlálók nélkül közvetlenül
Részletesebben