Universität M Mis is k k olol cic, F Eg a y kultä etem t, für Wi Gazda rts ságcha tudfts o w máis n s yen i scha Kar, ften,
|
|
- Csenge Bognárné
- 5 évvel ezelőtt
- Látták:
Átírás
1 8. Előadás
2 Speciális optimalizációs eljárások
3 Genetikus algoritmusok
4 OPTIMALIZÁLÁSI ELJÁRÁSOK Gradiens alapú módszerek Véletlent használó módszerek Kimerítő keresésen alapuló módszerek Direkt módszerek Indirekt módszerek Tabukeresés Szimulált lehűtés Evolúciós algoritmusok Dinamikus programozás Evolúciós stratégiák Genetikus algoritmus párhuzamos soros
5 Gradiens alapú módszerek 1. direkt indirekt Fajtái Lokális vizsgálódás Jellemzők Feltételezik a deriváltfüggvény létezését
6 Gradiens alapú módszerek 2. Indirekt módszerek A lokális szélsőértéket a gradiensfüggvény nullává tételével keresik meg. A differenciáláson alapuló egydimenziós szélsőérték-keresés többdimenziós általánosítása
7 Gradiens alapú módszerek 3. Direkt módszerek A lokális minimumot a lokális gradiens irányába való elmozdulással igyekeznek elérni a felületen. Hegymászás (hill-climbing) fogalma: a lokális szélsőérték eléréséhez a legmeredekebb emelkedőn kell felmászni, vagy a legmeredekebb lejtőn kell leereszkedni.
8 Robusztusság Mindkét módszer csak lokálisan vizsgálódik, az aktuális (kiindulási) pont környezetében keresi a legjobb szélsőértéket. Egy kisebb abszolút értékű szélsőérték közeléből indítva az eljárást gyakran nem találja meg a nagyobb abszolút értékű szélsőértéket. Sőt, ha már megtalálta az eljárás a kisebb abszolút értékű szélsőértéket, akkor véletlenszerű újraindítással vagy más trükkel lehet csak rávenni a nagyobb abszolút értékű szélsőérték keresésére.
9 Robusztusság A gradiens alapú módszerek feltételezik a deriváltfüggvény létezését. Számos gyakorlati problématér nem biztosít elegendő simaságot az optimalizálandó függvénynek, ebből következően nem létezik deriváltfüggvény sem. A valós életben nem mindenütt folytonos, sok lokális szélsőértékkel rendelkező függvényekkel és zajos keresési terekkel kell dolgozni.
10 Jellemzők Kimerítő keresésen alapuló módszerek 1. A problématér minden pontját megvizsgálja Korlátok A problématér komplexitása Idő Előnyök Megtalálja a globális optimumot
11 Kimerítő keresésen alapuló módszerek 2. Egy véges vagy diszkretizált végtelen problématérben az algoritmus egyesével végignézi a tér összes pontját. A problématér pontjait legtöbbször leírhatjuk egy fával. Ezután teljes bejárást végezve, egyszerű módszerrel megvizsgálható a fában található valamennyi pont.
12 Kimerítő keresésen alapuló módszerek 3. Visszalépéses eljárás A gyökértől indulva az elágazásokban egy előre rögzített sorrendben haladunk rendre a lehetséges irányok egyikében. Először minden elágazásban a sorrend szerinti első lehetséges irányba haladunk, amíg egy levélhez nem érünk. Ekkor megvizsgáljuk, hogy a levél jelentheti-e az optimumot. Ezután az ehhez a levélhez vezető út utolsó elágazásig visszalépünk. Nagy problématérnél nehezen használható.
13 Kimerítő keresésen alapuló módszerek 4. Elágazás és korlátozás Amennyiben rendelkezésre állnak olyan feltételek vagy megkötések, amelyek segítségével egy adott csúcsot megvizsgálva könnyen eldönthető, hogy az optimum biztosan nem az adott csúcsból kiinduló egyik részfában található, akkor levágjuk ezt a részfát, vagyis az ebben található pontokat nem kell megvizsgálnunk.
14 Kimerítő keresésen alapuló módszerek 5. Bár a kimerítő keresési módszerek biztosan megtalálják a globális optimumot, valamint a pontok sorravétele is hasonlít az emberi keresés technikájához, mégis azt kell mondanunk, hogy ezek az eljárások sem bizonyulnak elegendően robosztusnak, ugyanis hatékonyságuknak korlátot szab a problématér komplexitása.
15 Véletlent használó módszerek 1. Szimulált lehűtés 2. Tabukeresés 3. Genetikus algoritmus
16 Véletlenszerű bejárást végző módszerek véletlent használó technikák A véletlenszerű bejárást végző módszerek lényegében az enumerációs módszerek használatát jelenti, csak az ágak kiválasztása történik véletlenszerűen. Ez a módszer nem hoz jelentős sebesség növekedést és merőben eltér a véletlent használó technikáktól.
17 Véletlent használó módszerek Meg kell határozni, hogy mit nevezünk jónak Ha globális optimumot kell keresnünk, akkor nem bizonyulnak jobbnak a kimerítő keresésen alapuló aljárásoknál A valóságban a megoldásoptimum mellett a költségoptimumot is figyelembe kell venni, ezért van létjogosultságuk
18 A kompromisszum eredménye 1. Megelégszünk egy közel optimális eredménnyel 2. Erősen korlátos időn belül eredményt akarunk/kell szolgáltatni
19 Szimulált lehűtés Egyetlen megoldást szolgáltat A szilárd anyagok rácsszerkezetének hőkezelés során történő kialakulását másolja. Egy megoldásjelöltet módosít, mégpedig a hőmérsékleti folyamatok mintájára mindig az alacsonyabb energiájú hely felé haladva.
20 Tabukeresés A problématér egy véletlen pontjából indul ki Megvizsgálja a pont szomszédjait, s a legjobbra tovább lép A körbe-körbe haladás elkerülése érdekében van egy tiltólista (tabulista) Egy előre megadott lépésszám, vagy jóság esetén befejezzük az eljárást Paraméterei: tabulista hossza, küszöb nagysága, pont szomszédjainak listája
21 Genetikus algoritmus Genetikus algoritmusok számítógépes modellezésével John Holland kezdett foglalkozni 1975-ben. Ezeket az algoritmusokat a Darwin-féle biológiai evolúció elve alapján vezetik le, s az algoritmus, egy lehetséges, többnyire véletlenszerűen kiválasztott állapotból (populációból) indul ki. Ebből a kezdeti generációból különböző műveletek során új generációk keletkeznek, és ezeket a generáló műveleteket mindaddig folytatják, amíg megtalálják a feladat legjobbnak vélt megoldását. A probléma jellemzői általában adott hosszúságú szavakkal (sztring) vannak kódolva, amelyeket kromoszómáknak neveznek. A genetikus algoritmus előállít egy új populációt a genetikai szaporodáshoz hasonlóan. Egy vagy két egyedet kiválaszt a meglevőkből, és a genetikai műveletek segítségével generál újabb lehetséges egyedeket, amelyeket utódoknak nevezünk. Alapvető genetikai műveletek a szelekció, rekombináció és a mutáció, amelyekre a genetikus algoritmus is épül.
22 Alapvető genetikai műveletek A legfontosabb genetikai műveletek: szelekció rekombináció mutáció.
23 Szelekció A szelekció folyamán az algoritmus kiválasztja a szülőket, amelyekből a genetikus műveletek segítségével létrejönnek az utódok. Az egyedek az aktuális populációban a fitneszértékük alapján meghatározott eséllyel kerülnek kiválasztódásra. A fitneszérték tehát az egyedek alkalmasságát mutatja a célfüggvény alapján.
24 Rulettmódszer A legáltalánosabban elterjedt kiválasztási algoritmus az úgynevezett rulett-módszer. Úgy képzelhetjük el ezt a módszert, mint egy szerencsekereket, amely n számú részre van felosztva. A szeletek szélessége egyenesen arányos a hozzátartozó egyed szelekciós valószínűségével. A kereket n-szer megforgatjuk és kiválasztjuk a szülőket a következő generációhoz. Természetesen egy egyednek annál nagyobb az esélye a többszöri kiválasztásra, minél nagyobb a fitneszértéke. Fennáll annak a veszélye, hogy az összes kiválasztott egyed azonos lesz. Ennél az eljárásnál aránylag magas a tervezett és a tényleges kiválasztás közötti eltérés, mégis ez a legelterjedtebb eljárás.
25 Szelekció (Sztohasztikus mintavétel) D A egyed várható érték másolások száma A 0,1 0 B B C 1,0 0,4 1 1 C D 2,5 2
26 Rekombináció A rekombináció az utódok létrehozása során kicseréli a szülők egyes kromoszómarészeit hasonlóan a természetbeni genetikai rekombinációhoz. Például: 1. kromoszóma ( ) 2. kromoszóma ( ) A rekombináció után létrejött új kromoszómák: ( ) ( ) ( ) ( )
27 Egypontos rekombináció E típus alapján először is kiválasztunk egy rekombinációs pontot 1 és L-1 között (L a kromoszóma hossza), így meghatározzuk azt a pontot - két gén határvonalát -, amelytől az egyik szülő esetén a jobbra eső gének az első, a balra eső gének a második utódba kerülnek, a másik szülő esetén pedig éppen fordítva történik a gének elosztása.
28 N-pontos rekombináció szülő szülő utód utód
29 Uniform rekombináció Az uniform rekombináció folyamán minden egyes gén esetén vizsgáljuk, hogy az kicserélésre kerüljön-e vagy sem. A döntés a következőképpen történik: adott egy előre meghatározott érték p ux, és az egyes génekre jellemző U z (ahol z=1,2,,l) érték. Ha p ux > U z, akkor a gén kicserélésre kerül, ellenkező esetben nem.
30 Uniform rekombináció folyamata 1. szülő szülő csere igen igen nem igen nem igen 1. utód utód
31 Génkevert rekombináció A génkevert rekombináció az egy-, illetve n-pontos rekombináció továbbfejlesztett változata. Ebben az esetben az említett rekombinációs folyamatok további két lépéssel (keverés, visszakeverés) bővülnek. Első lépésként a megszámozott géneket összekeverjük, majd következik a már megismert egy-, illetve n-pontos rekombináció. Az utolsó lépés a gének sorrendjének visszaállítása.
32 Génkevert rekombináció folyamata Sorszám: Keverés Sorszám: Rekombináció Sorszám: Visszakeverés Sorszám: szülők utódok
33 Diagonális rekombináció A diagonális rekombináció szintén az n-pontos rekombináció továbbfejlesztett változata. Azonban az eltérés most más szempontból történik a korábban megismert eljárásokhoz képest: Ebben az esetben a rekombináció csak több mint, két szülő esetében működhet. A diagonális módszer - sajátossága miatt - i darab szülőből i mennyiségű utódot hoz létre. Ebből a szempontból ez a variáció nem a biológiai analógiát követi, mivel a természetben kevés példa található az ilyen szaporodásra. A folyamat első lépése, hogy az i számú szülői és a még üres utód kromoszómán kiválasztunk i-1 számú töréspontot. Ezután az alábbiak szerint feltöltjük az utód kromoszómákat: az első utód az első üres szakaszban az első szülői kromoszómaszakaszt örökli, a másodikban a második szülő második szakaszát, a harmadikban pedig a harmadik szülő harmadik szakaszát, majd a folyamat a leírtaknak megfelelően folytatódik a második utóddal.
34 Diagonális rekombináció folyamata 1. szülő szülő szülő utód utód utód
35 Mutáció A mutáció folyamata alatt véletlenszerűen megváltozik a kromoszómák néhány része: a mutáció előtti kromoszóma: ( ) a mutáció utáni kromoszóma: ( )
36 Genetikai műveletek paraméterei Stratégiaválasztás: a kiválasztott szelekciós, illetve rekombinációs stratégia tartalmazza, hogyan generálják a szülők az utódokat, és hogy választják ki a szülőket a következő generációs lépésre. Rekombinációk száma: a rekombinációk számát lehet kiválasztani, vagyis hány ilyen lépés legyen az evolúció alatt. Ez a szám lényegében megadja a genetikus algoritmus generációinak a számát. Mutációs paraméterek: a mutáció esélyét, illetve a mutációkor bekövetkező elváltozás mértékét szabályozzák. > Ezek a tényezők speciálisan az optimalizálási feladattól függnek, ezért általánosságban nem, csak a probléma pontos ismerete, vagy elemzése után határozhatók meg.
37 Jósági vagy fitneszfüggvény Egy a lehetséges kromoszómák halmazán értelmezett, valós értékkészletű leképzés. A függvényértékek az egyes kromoszómák által reprezentált megoldások jóságát tükrözik.
38 Reprezentáció A genetikus algoritmus egyik legfontosabb tényezője a probléma szempontjából lényeges tulajdonságok kiválasztása és ezek kódolása.
39 Kódolás Decimál Bináris kód D Gray-kód D
40 Universität Miskolc, Fakultät für Wirtschaftswissenschaften, Istitut für Wirtschaftstheorie Kiindulási időszak (t:=0) A kiindulási populáció meghatározása P(0) A kiindulási populáció értékelése A kívánt jósági szint elérve? ige n ne m t:=t+1 Szelekció Rekombináció Mutáció Az új populáció értékelése A folyamat vége
41 Egyszerű genetikus algoritmus modell Egy egyszerű példa a fitneszfüggvényre: 30/x. A genotípusok, legyenek például 1010 és 0101, megjelenési formájuk (fenotípusuk) 10 és 5, a fitneszértékek pedig a fitneszfüggvény alapján 30/10=3 és 30/5=6. Ezek az értékek a reprodukció esélyét. a két említett szrtingből (1010, 0101) az első számjegy után történt szakadás eredményeképpen kialakulhat a következő sztringpár: 1101 és A rekombináció mellett természetesen lehetőség van mutációra is. Ennek során a sztring egy véletlenszerűen kiválasztott helyén megváltozik az adott gén, vagy egy elemének az értéke. Példánkban elképzelhető ez a harmadik helyen: A folyamat lefutása után meghatározásra kerülnek az új generáció fitneszértékei. A mi példánkban és A legmagasabb egyedi fitneszérték így 6-ról 15-re, a populáció összfitneszértéke 9-ről 17- re emelkedett.
Számítógépes 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
RészletesebbenAlgoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás
Algoritmusok Tervezése 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás Biológiai háttér (nagyvonalúan) A sejt genetikai információit hordozó DNS általában kromoszómának nevezett makromolekulákba van
RészletesebbenGenetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
RészletesebbenInformatikai Rendszerek Tervezése
Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT.- 5. kurzus 1 Informatikai Rendszerek Tervezése 4. Előadás: Genetikus algoritmusok Illyés László 1 Tartalom Bevezető A kanonikus genetikus
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal
Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa:
RészletesebbenEvolúciós algoritmusok
Evolúciós algoritmusok Evolúció, mint kereső rendszer A problémára adható néhány lehetséges választ, azaz a problématér több egyedét tároljuk egyszerre. Ez a populáció. Kezdetben egy többnyire véletlen
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,
9. Előadás 1. Genetikus algoritmusok közgazdasági alkalmazása 2. Ökológiai és evolúciós közgazdaságtan Universität Miskolc, Fakultät für Wirtschaftswissenschaften, Istitut für Wirtschaftstheorie Miskolci
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése
RészletesebbenA genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere
A genetikus algoritmus, mint a részletes modell többszempontú és többérdekű "optimálásának" általános és robosztus módszere Kaposvári Egyetem, Informatika Tanszék I. Kaposvári Gazdaságtudományi Konferencia
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenGenetikus algoritmusok az L- rendszereken alapuló. Werner Ágnes
Genetikus algoritmusok az L- rendszereken alapuló növénymodellezésben Werner Ágnes Motiváció: Procedurális modellek a növénymodellezésben: sok tervezési munka a felhasználónak ismerni kell az eljárás részleteit
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
RészletesebbenDr. habil. Maróti György
infokommunikációs technológiák III.8. MÓDSZER KIDOLGOZÁSA ALGORITMUSOK ÁTÜLTETÉSÉRE KIS SZÁMÍTÁSI TELJESÍTMÉNYŰ ESZKÖZÖKBŐL ÁLLÓ NÉPES HETEROGÉN INFRASTRUKTÚRA Dr. habil. Maróti György maroti@dcs.uni-pannon.hu
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal. A genetikus algoritmus működése. Az élet információ tárolói
Intelligens Rendszerek Elmélete dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE07 IRE 5/ Természetes és mesterséges genetikus
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
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
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
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...
RészletesebbenProblémamegoldás kereséssel. Mesterséges intelligencia március 7.
Problémamegoldás kereséssel Mesterséges intelligencia 2014. március 7. Bevezetés Problémamegoldó ágens Kívánt állapotba vezető cselekvéseket keres Probléma megfogalmazása Megoldás megfogalmazása Keresési
RészletesebbenNem-lineáris programozási feladatok
Nem-lineáris programozási feladatok S - lehetséges halmaz 2008.02.04 Dr.Bajalinov Erik, NyF MII 1 Elég egyszerű példa: nemlineáris célfüggvény + lineáris feltételek Lehetséges halmaz x 1 *x 2 =6.75 Gradiens
Részletesebben2. Visszalépéses stratégia
2. Visszalépéses stratégia A visszalépéses keres rendszer olyan KR, amely globális munkaterülete: út a startcsúcsból az aktuális csúcsba (ezen kívül a még ki nem próbált élek nyilvántartása) keresés szabályai:
RészletesebbenEvolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet
Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy
RészletesebbenKéprekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenIntelligens Rendszerek Elmélete IRE 4/32/1
Intelligens Rendszerek Elmélete 4 IRE 4/32/1 Problémamegoldás kereséssel http://nik.uni-obuda.hu/mobil IRE 4/32/2 Egyszerű lények intelligenciája? http://www.youtube.com/watch?v=tlo2n3ymcxw&nr=1 IRE 4/32/3
RészletesebbenHÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla
HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL OLÁH Béla A TERMELÉSÜTEMEZÉS MEGFOGALMAZÁSA Flow shop: adott n számú termék, melyeken m számú
RészletesebbenAz evolúció folyamatos változások olyan sorozata, melynek során bizonyos populációk öröklődő jellegei nemzedékről nemzedékre változnak.
Evolúció Az evolúció folyamatos változások olyan sorozata, melynek során bizonyos populációk öröklődő jellegei nemzedékről nemzedékre változnak. Latin eredetű szó, jelentése: kibontakozás Időben egymást
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
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 8. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
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
RészletesebbenKözgazdaságtan alapjai. Dr. Karajz Sándor Gazdaságelméleti Intézet
Közgazdaságtan alapjai Dr. Karajz Sándor Gazdaságelméleti 4. Előadás Az árupiac és az IS görbe IS-LM rendszer A rövidtávú gazdasági ingadozások modellezésére használt legismertebb modell az úgynevezett
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenEvolúció. Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet
Evolúció Dr. Szemethy László egyetemi docens Szent István Egyetem VadVilág Megőrzési Intézet Mi az evolúció? Egy folyamat: az élőlények tulajdonságainak változása a környezethez való alkalmazkodásra Egy
RészletesebbenMatematika III előadás
Matematika III. - 3. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 19 Skalármezők
RészletesebbenV. Kétszemélyes játékok
Teljes információjú, véges, zéró összegű kétszemélyes játékok V. Kétszemélyes játékok Két játékos lép felváltva adott szabályok szerint. Mindkét játékos ismeri a maga és az ellenfele összes választási
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
RészletesebbenKereső algoritmusok a diszkrét optimalizálás problémájához
Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások
RészletesebbenPopulációgenetikai. alapok
Populációgenetikai alapok Populáció = egyedek egy adott csoportja Az egyedek eltérnek egymástól morfológiailag, de viselkedésüket tekintve is = genetikai különbségek Fenotípus = külső jellegek morfológia,
RészletesebbenMegkülönböztetett kiszolgáló routerek az
Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot oldottuk meg korábban,
RészletesebbenKözgazdaságtan alapjai. Dr. Karajz Sándor Gazdaságelméleti Intézet
Közgazdaságtan alapjai Dr. Karajz Sándor Gazdaságelméleti 8. Előadás Munkapiac, munkanélküliség Universität Miskolc, Fakultät für Wirtschaftswissenschaften, Istitut für Wirtschaftstheorie A gazdaság kínálati
RészletesebbenStruktúra nélküli adatszerkezetek
Struktúra nélküli adatszerkezetek Homogén adatszerkezetek (minden adatelem azonos típusú) osztályozása Struktúra nélküli (Nincs kapcsolat az adatelemek között.) Halmaz Multihalmaz Asszociatív 20:24 1 A
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/6 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 46/6 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók
RészletesebbenProgramozás alapjai 9. előadás. Wagner György Általános Informatikai Tanszék
9. előadás Wagner György Általános Informatikai Tanszék Leszámoló rendezés Elve: a rendezett listában a j-ik kulcs pontosan j-1 kulcsnál lesz nagyobb. (Ezért ha egy kulcsról tudjuk, hogy 27 másiknál nagyobb,
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté 2016. szeptember 14. Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade
RészletesebbenFirst Prev Next Last Go Back Full Screen Close Quit
Többváltozós függvények (2) First Prev Next Last Go Back Full Screen Close Quit 1. Egyváltozós függvények esetén a differenciálhatóságból következett a folytonosság. Fontos tudni, hogy abból, hogy egy
RészletesebbenGráfok 1. Tárolási módok, bejárások. Szoftvertervezés és -fejlesztés II. előadás. Szénási Sándor
Gráfok 1. Tárolási módok, bejárások előadás http://nik.uni-obuda.hu/sztf2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Gráfok 1. Tárolási módok Szélességi
RészletesebbenB-fa. Felépítés, alapvető műveletek. Programozás II. előadás. Szénási Sándor.
B-fa Felépítés, alapvető műveletek előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar B-fa Felépítése Beszúrás művelete Törlés
RészletesebbenDOKTORI (PhD) ÉRTEKEZÉS BALOGH SÁNDOR KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR
DOKTORI (PhD) ÉRTEKEZÉS BALOGH SÁNDOR KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR 2009 KAPOSVÁRI EGYETEM GAZDASÁGTUDOMÁNYI KAR Informatika Tanszék A doktori iskola vezetője: PROF. DR. UDOVECZ GÁBOR az MTA
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenKétváltozós függvények differenciálszámítása
Kétváltozós függvények differenciálszámítása 13. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kétváltozós függvények p. 1/1 Definíció, szemléltetés Definíció. Az f : R R R függvényt
RészletesebbenHeurisztikák algoritmusok ütemezési problémákra. 1. Állapottér és a megoldások kezelése
Heurisztikák algoritmusok ütemezési problémákra 1. Állapottér és a megoldások kezelése Számos nehéz ütemezési probléma esetén az exponenciális idejű optimális megoldást adó algoritmusok rendkívül nagy
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 8. előadás
Algoritmizálás, adatmodellezés tanítása 8. előadás Elágazás és korlátozás A backtrack alkalmas-e optimális megoldás keresésére? Van költség, és a legkisebb költségű megoldást szeretnénk előállítani. Van
RészletesebbenEvolúciós alapfogalmak, általános algoritmusok
MI2 előadás jegyzet Tartalom: - Evolúciós alapfogalmak, általános algoritmusok - Evolúciós stratégiák - Raj intelligencia, részecske-raj optimalizálás A jegyzetet Jelasity Márk 2008. 04. 08., 2008. 04.
Részletesebben2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 8. Előadás Bevezetés Egy olyan LP-t, amelyben mindegyik változó egészértékű, tiszta egészértékű
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenKeresési algoritmusok, optimalizáció
Keresési algoritmusok, optimalizáció Az eddig tanultakból a mostani részben gyakran használt (emiatt szükséges az ismeretük) programozási ismeretek: függvények létrehozása, meghívása (ld. 3. óra anyagában)
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,
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenNavigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel
Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal
RészletesebbenOsztott jáva programok automatikus tesztelése. Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január
Osztott jáva programok automatikus tesztelése Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január Osztott alkalmazások Automatikus tesztelés Tesztelés heurisztikus zaj keltés Tesztelés genetikus
RészletesebbenGépi tanulás. Neurális hálók, genetikus algoritmus. Közlekedési informatika MSc. Földes Dávid St. 405.
Gépi tanulás Neurális hálók, genetikus algoritmus Közlekedési informatika MSc Földes Dávid foldes.david@mail.bme.hu St. 405. Tartalom Mesterséges intelligencia - bevezetés Neurális hálózatok Evolúciós
RészletesebbenKUTATÁSMÓDSZERTAN 4. ELŐADÁS. A minta és mintavétel
KUTATÁSMÓDSZERTAN 4. ELŐADÁS A minta és mintavétel 1 1. A MINTA ÉS A POPULÁCIÓ VISZONYA Populáció: tágabb halmaz, alapsokaság a vizsgálandó csoport egésze Minta: részhalmaz, az alapsokaság azon része,
RészletesebbenAdatszerkezetek. Nevezetes algoritmusok (Keresések, rendezések)
Adatszerkezetek Nevezetes algoritmusok (Keresések, rendezések) Keresések A probléma általános megfogalmazása: Adott egy N elemű sorozat, keressük meg azt az elemet (határozzuk meg a helyét a sorozatban),
RészletesebbenKorlátozás és szétválasztás elve. ADAGOLO adattípus
Korlátozás és szétválasztás elve ADAGOLO adattípus Értékhalmaz: E Adagolo : A E Műveletek: A : Adagolo, x : E {Igaz} Letesit(A) {A = /0} {A = A} Megszuntet(A) {Igaz} {A = A} Uresit(A) {A = /0} {A = A}
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 9. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 8. Előadás Megoldhatóság, hatékonyság http://digitus.itk.ppke.hu/~flugi/ Elméleti áttekintés a SzámProg 1 tárgyból Algoritmikus eldönthetőség kérdése Bizonyíthatóság kérdése,
Részletesebben1. A kísérlet naiv fogalma. melyek közül a kísérlet minden végrehajtásakor pontosan egy következik be.
IX. ESEMÉNYEK, VALÓSZÍNŰSÉG IX.1. Események, a valószínűség bevezetése 1. A kísérlet naiv fogalma. Kísérlet nek nevezzük egy olyan jelenség előidézését vagy megfigyelését, amelynek kimenetelét az általunk
RészletesebbenFüggvények növekedési korlátainak jellemzése
17 Függvények növekedési korlátainak jellemzése A jellemzés jól bevált eszközei az Ω, O, Θ, o és ω jelölések. Mivel az igények általában nemnegatívak, ezért az alábbi meghatározásokban mindenütt feltesszük,
RészletesebbenKétszemélyes játékok Gregorics Tibor Mesterséges intelligencia
Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri
RészletesebbenBranch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.
11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során
RészletesebbenHÁROM KÖR A HÁROMSZÖGBEN
Debreceni Egyetem Informatikai Kar HÁROM KÖR A HÁROMSZÖGBEN Konzulens: dr. Aszalós László egyetemi adjunktus Készítette: Király Péter programtervező matematikus szakos hallgató DEBRECEN, 008 Tartalomjegyzék
RészletesebbenÁltalános algoritmustervezési módszerek
Általános algoritmustervezési módszerek Ebben a részben arra mutatunk példát, hogy miként használhatóak olyan általános algoritmustervezési módszerek mint a dinamikus programozás és a korlátozás és szétválasztás
Részletesebben17. A 2-3 fák és B-fák. 2-3 fák
17. A 2-3 fák és B-fák 2-3 fák Fontos jelentősége, hogy belőlük fejlődtek ki a B-fák. Def.: Minden belső csúcsnak 2 vagy 3 gyermeke van. A levelek egy szinten helyezkednek el. Az adatrekordok/kulcsok csak
RészletesebbenÜtemezési problémák. Kis Tamás 1. ELTE Problémamegoldó Szeminárium, ősz 1 MTA SZTAKI. valamint ELTE, Operációkutatási Tanszék
Ütemezési problémák Kis Tamás 1 1 MTA SZTAKI valamint ELTE, Operációkutatási Tanszék ELTE Problémamegoldó Szeminárium, 2012. ősz Kivonat Alapfogalmak Mit is értünk ütemezésen? Gépütemezés 1 L max 1 rm
RészletesebbenOptimalizációs stratégiák 2.
Optimalizációs stratégiák 2. Visszalépéses keresés, szétválasztás és korlátozás előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai
RészletesebbenAlgoritmuselmélet. Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás. Katona Gyula Y.
Algoritmuselmélet Függvények nagyságrendje, elágazás és korlátozás, dinamikus programozás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
RészletesebbenSzámelméleti alapfogalmak
1 Számelméleti alapfogalmak 1 Definíció Az a IN szám osztója a b IN számnak ha létezik c IN melyre a c = b Jelölése: a b 2 Példa a 0 bármely a számra teljesül, mivel c = 0 univerzálisan megfelel: a 0 =
RészletesebbenVisszalépéses keresés
Visszalépéses keresés Backtracking előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Alapvető működése Továbbfejlesztési
RészletesebbenP 2 P 1. 4.1 ábra Az f(x) függvény globális minimuma (P 1 ) és egy lokális minimuma (P 2 ).
Paláncz Béla - Numerikus Módszerek - 211-4. Optimalizálás 4 Optimalizálás Bevezetés Az optimalizáció, egy függvény szélsőértéke helyének meghatározása, talán a legfontosabb numerikus eljárások közé tartozik.
Részletesebbenfile:///d:/okt/ad/jegyzet/ad1/b+fa.html
1 / 5 2016. 11. 30. 12:58 B+ fák CSci 340: Database & Web systems Home Syllabus Readings Assignments Tests Links Computer Science Hendrix College Az alábbiakban Dr. Carl Burch B+-trees című Internetes
RészletesebbenLINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL
LINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL x 1-2x 2 6 -x 1-3x 3 = -7 x 1 - x 2-3x 3-2 3x 1-2x 2-2x 3 4 4x 1-2x 2 + x 3 max Alapfogalmak: feltételrendszer (narancs színnel jelölve), célfüggvény
RészletesebbenRendezések. Összehasonlító rendezések
Rendezések Összehasonlító rendezések Remdezés - Alapfeladat: Egy A nevű N elemű sorozat elemeinek nagyság szerinti sorrendbe rendezése - Feltételezzük: o A sorozat elemei olyanok, amelyekre a >, relációk
RészletesebbenMegerősítéses tanulás 7. előadás
Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig
RészletesebbenA fordítóprogramok szerkezete. Kódoptimalizálás. A kódoptimalizálás célja. A szintézis menete valójában. Kódoptimalizálási lépések osztályozása
A fordítóprogramok szerkezete Forrásprogram Forrás-kezelő (source handler) Kódoptimalizálás Fordítóprogramok előadás (A,C,T szakirány) Lexikális elemző (scanner) Szintaktikus elemző (parser) Szemantikus
RészletesebbenMohó algoritmusok. Példa:
Mohó algoritmusok Optimalizálási probléma megoldására szolgáló algoritmus sokszor olyan lépések sorozatából áll, ahol minden lépésben adott halmazból választhatunk. Ezt gyakran dinamikus programozás alapján
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
RészletesebbenSzámítsuk ki a nyelvet! Matematika, fizika és algoritmusok a nyelvben
Számítsuk ki a nyelvet! Matematika, fizika és algoritmusok a nyelvben Biró Tamás Eötvös Loránd Tudományegyetem KöMaL Ifjúsági Ankét, 2015. október 28. Biró Tamás Számítsuk ki a nyelvet! Matematika, fizika
RészletesebbenProgramozási segédlet
Programozási segédlet Programozási tételek Az alábbiakban leírtam néhány alap algoritmust, amit ismernie kell annak, aki programozásra adja a fejét. A lista korántsem teljes, ám ennyi elég kell legyen
RészletesebbenKövetelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 1. Előadás Követelmények, teljesítés feltételei Vizsga anyaga Előadásokhoz tartozó diasor
RészletesebbenA sz.ot.ag. III. Magyar Számítógépes Nyelvészeti Konferencia december 8. Bíró Tamás, ELTE, Budapest / RUG, Groningen, NL 1/ 16
A sz.ot.ag Optimalitáselmélet szimulált hőkezeléssel Bíró Tamás Humanities Computing, CLCG University of Groningen, Hollandia valamint Eötvös Loránd Tudományegyetem, Budapest birot@let.rug.nl, birot@nytud.hu
RészletesebbenTermészetes szelekció és adaptáció
Természetes szelekció és adaptáció Amiről szó lesz öröklődő és variábilis fenotípus természetes szelekció adaptáció evolúció 2. Természetes szelekció Miért fontos a természetes szelekció (TSZ)? 1. C.R.
RészletesebbenPélda sejtautomatákra. Homokdomb modellek.
Példa sejtautomatákra. Homokdomb modellek. Automaták egyszerű eszközök tulajdonságok: véges számú állapota van átmenet egyik állapotból a másikba érzékeli a környezetet esetleg megváltoztatja a környezetet
RészletesebbenA derivált alkalmazásai
A derivált alkalmazásai Összeállította: Wettl Ferenc 2014. november 17. Wettl Ferenc A derivált alkalmazásai 2014. november 17. 1 / 57 Tartalom 1 Függvény széls értékei Abszolút széls értékek Lokális széls
RészletesebbenÚj típusú döntési fa építés és annak alkalmazása többtényezős döntés területén
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával
Részletesebben