Hasonlóság, távolság LSH Bloom filterek. Adatbányászat. Mértékek hasonlóságok, távolságok Minhash és LSH. Szegedi Tudományegyetem.
|
|
- Oszkár Kelemen
- 5 évvel ezelőtt
- Látták:
Átírás
1 Adatányászat Mértékek hasonlóságok, távolságok Minhash és Szegedi Tudományegyetem Adatányászat
2 Halmazok hasonlósága Hasonló egyedek keresése Fontos lehet hasonló egyedek megtalálása és kiszűrése, pl. plagizálás duplikátumok kiszűrése találati listáól (Google) ajánlórendszerek (A vásárló hasonló B-hez; X termék hasonló Y-hoz) Mit értünk hasonló pont alatt? A kis távolságra lévőket. Mi legyen a távolság? Adatányászat
3 Halmazok hasonlósága Távolságmetrikák axiómarendszere Egy (a, ) adatpont pároson értelmezett d : Rn Rn R függvényt távolságmetrikának nevezzük, amennyien eleget tesz a következő feltételeknek:. d(a, ) (nemnegativitás). d(a, ) = a = (pozitív definitség). d(a, ) = d(, a) (szimmetria). d(a, ) d(a, c) + d(c, ) (háromszög-egyenlőtlenség). Adatányászat
4 Halmazok hasonlósága Távolság és hasonlóság viszonya Szoros kapcsolat a két fogalom között Viszonylag természetes átjárhatóság iztosított a két fogalom között pl. adott d(a, ) távolság esetén s(a, ) hasonlóságra tekinthetünk úgy, mint: s(a, ) = d(a, ) s(a, ) = +d(a,) s(a, ) = exp d(a,)... Adatányászat
5 Halmazok hasonlósága Távolságfogalmak csoportosítása Euklideszi vs. nem-euklideszi távolságok Euklideszi távolságok: az adatpontok (Euklideszi) téreli pozíciója alapján határozza meg a távolságot nem Euklideszi távolságok: az adatpontok távolsága nem a téreli, "fizikai" pozíciójuk alapján kerül meghatározásra Metrikus vs. nem-metrikus távolságok Metrikus távolság: teljesül rá a távolságmetrikák axiómarendszere Nem-metrikus távolság: nem teljesül rá a távolságmetrikák axiómarendszere Például? d(pm, PM) Adatányászat
6 Halmazok hasonlósága Minkowski távolság az Euklideszi távolság általánosítása /p P N ( ai i p ) d(a,) = i= p = Manhattan-távolság (` norma) a példáan 7 p = Euklideszi távolság (` norma) a példáan 5 p = Maximum (`max norma) a példáan 6 5 =(6,) (6,) a=(;) 5 6 Adatányászat
7 Halmazok hasonlósága Koszinusz hasonlóság a és által ezárt szög koszinusza Előnye? Hátránya? a scos (a, ) = cos Θ = kakkk (iz.: tálán) Koszinusz hasonlóság ináris vektorok esetéen? Adatányászat
8 Halmazok hasonlósága Koszinusz távolság A koszinusz hasonlóságól származtathatjuk pl. dcos = scos (a, ) vagy dcos = arccos scos (a, ) d(a, ) scos (a, a) = dcos (a, a) = scos (a, ) = scos (, a) dcos (a, ) = dcos (, a) Háromszög-egyenlőtlenség: a-ól c-e majd c-ől -e történő forgatások legjo eseten is csak megegyezhetnek (egyéként pedig meghaladják) az a-ól -e történő közvetlen forgatás mértékével Adatányászat
9 Halmazok hasonlósága Egzotikusa távolságok Változók közötti összefüggés figyelemevétele Mahalanois-távolság p dmah (a, ) = (a ) Σ (a ), ahol Σ a jellemzők által felvett értékekől számított kovarianciamátrix B A C d(a,c) < d(a,b)? Adatányászat
10 Halmazok hasonlósága Mi is valójáan a Mahalanois távolság? A korrelálatlan adatokon számított Euklideszi-távolság Hogy tennénk korrelálatlanná X -et? (X Rn d ) Feltehető, hogy a jellemzők várható értéke X X Σ Az az L Rd d leképezés kell, amire (L X )(XL) = I fennáll Ahonnan Σ = (LL ) Σ = LL, azaz L leképezés a Σ Cholesky-felontásáól jön Emlékeztető.) (AB) = B A, (AB) = B A, valamint (A ) = (A ).) Cholesky-felontás: szimmetrikus, pozitív definit mátrixoknak (mint amilyen Σ is) megadható egy speciális (U = L ) LU-felontása = 5?? Hogy nézne ki két korrelálatlanná tett pont távolságnégyzete? (L (a )) (L (a )) = (a ) Σ (a ) Adatányászat
11 Halmazok hasonlósága Dekorreláció Cholesky felontással képeken Σ=[ ; ], µ=[ ], n= Adatányászat 6
12 Halmazok hasonlósága Egzotikusa távolságok Változó hosszúságú jellemzővektorok Változó hosszúságú jellemzővektorok (pl. fehérjék vagy gének esetéen) Mennyire hasonló az AAGCTAA és a GGCTA sorozatok? Szerkesztési távolság: megadja, hogy a sztring hány törlés és eszúrás művelettel alakítható át sztringgé Tö fajtája is ismert (pl. súlyozott fajta, Levenshtein távolság) Dinamikus programozással megoldható O(mn) idően tálázatkitöltéssel (m és n a szavak hosszai) Szoros kapcsolat a leghossza közös részsorozat (LKR) meghatározásának prolémájával ded (a, ) = a + LKR(a, ) = = Adatányászat
13 Halmazok hasonlósága Szerkesztési távolság példa D[, j] = j, j {,,..., n} D[i, ] = i, i {,,..., m} d(i, j) +, törlés esetén d(i, j ) +, eszúrás esetén D[i, j] = min d(i, j ) + ( a(i) == (j)), csere esetén ded (a, ) = D[m, n] A T C G G ^ 5 ^ 5 A A 6 5 G 5 C 5 5 T A A Adatányászat
14 Halmazok hasonlósága Távolságmérték-e a szerkesztési távolság? szerkesztés nemnegatív értékű ded (a, ) ded (a, a) = a + a LKR(a, a) = ded (a, ) = ded (, a), mivel a eszúrás és törlés műveletek egymás inverzei Háromszög-egyenlőtlenség: a átírása -vé úgy, hogy előtte átírtuk c-vé nemkevese szerkesztéssel oldható csak meg, mintha egyől formára hoztuk volna a-t Adatányászat
15 Halmazok hasonlósága Jaccard hasonlóság sjacc (A, B) = A B A B Példa sjacc (A, B) = / =. Multihalmazok közötti hasonlóság A = {x, x, x, y }, B = {x, x, y, y, z} sjacc (A, B) = {x,x,y } {x,x,x,y,y,z} Adatányászat = /6
16 Halmazok hasonlósága Jaccard és Dice távolságok djacc (A, B) = sjacc (A, B) Jaccard hasonlóság egy rokona: Dice együttható sdice (A, B) = ddice (A, B) = A B A + B A B A + B Adatányászat
17 Halmazok hasonlósága Dokumentumok közötti hasonlóság karakter k-gramok: egy szöveg k-hosszú részsztringjeinek halmaza pl. k = és D = adca D = {a, d, dc, ca} Szóközök figyelemevétele (pl. Szeretek hagymalevest enni. és A TEK hagy ma levest enni.) k megválasztása fontos (mik lehetnek a szempontok?) Adatányászat
18 Halmazok hasonlósága k-gramok karakterek vs. tokenek magyar áécé mérete = (5) lehetséges -gramok = 7896 (565) P( mert ) P( qyzz ) P( yyyy ) növeljük k értékét (pl. k =) a dokumentumokat pedig a ennük szereplő k -gramok (pl. k ájton tárolt) hash értékeinek halmazával reprezentáljuk Újsághírek hasonlóságára: karakter n-gramok helyett stopszavakat követő token (szó) n-esek használata. Miért? Adatányászat
19 elmélete Lokalitás-érzékeny hashelés () Motiváció Tfh. hasonló dokumentumokat szeretnénk keresni N = = 6 dokumentum között Brute force megoldás: N Jaccard hasonlóság számítása másodpercenként 6 összehasonlítást elvégezve, az 5 dokumentumpár összehasonlítása tö, mint 5,5 napig tartana Adatányászat
20 elmélete Lokalitás-érzékeny hashelés () Keressünk egy h hasítófüggvényt, amelyre nagy valószínűséggel teljesül: s(a, ) h(a) = h() s(a, ) h(a) 6= h() Mivel a hasonló dokumentumokhoz nagy valószínűséggel egyező hasítófüggvény-értékek tartoznak, így elegendő azoknak a pontoknak az összehasonlítása, amelyekre h(a) = h() Adatányászat
21 elmélete Halmazok reprezentációja Lenyomatok (signatures) formájáan: karakterisztikus mátrix Elem a c d e S S S S A gyakorlatan persze nem tároljuk az egész mátrixot ritka reprezentáció Adatányászat
22 elmélete Minhash függvény Permutáljuk a karakterisztikus mátrix sorait Az egyes ojektumok hash értéke legyen az első nemnulla elemük pozíciója pl. hmin (S ) =, hmin (S ) = Elem e a d c S S S S Adatányászat
23 elmélete Minhash lenyomatok A karakterisztikus mátrix sorainak összes lehetséges permutációját kipróálva kiszámítható a Jaccard hasonlóság Határozzuk meg az adatpontok minhash függvényét a karakterisztikus mátrix sorainak töszöri véletlen permutációja mellett Az adatpontokat reprezentáljuk minhash függvényértékeik kise elemszámú (pl. elemű) vektoraként Nagy mátrix esetéen a sorok nem permutálhatók hatékonyan. Megoldás? Adatányászat
24 elmélete Minhash lenyomat Példa Item S S S S Inicializáló lépés S S S S h h h = x + mod 5 Adatányászat h = x + mod 5
25 elmélete Minhash lenyomat Példa Item S S S S. lépés S S S S h h h = x + mod 5 Adatányászat h = x + mod 5
26 elmélete Minhash lenyomat Példa Item S S S S. lépés S S S S h h h = x + mod 5 Adatányászat h = x + mod 5
27 elmélete Minhash lenyomat Példa Item S S S S h = x. lépés S S S S h min(, ) h min(, ) + mod 5 Adatányászat h = x + mod 5
28 elmélete Minhash lenyomat Példa Item S S S S. lépés S S S S h h h = x + mod 5 Adatányászat h = x + mod 5
29 elmélete Minhash lenyomat Példa Item S S S S 5. lépés S S S S h h h = x + mod 5 Adatányászat h = x + mod 5
30 elmélete Minhash lenyomat Példa Végső minhash lenyomatok h h S S S S Minhashek alapján S S, (,) S, (,) S,5 (,5) S, (/) ecsült (és S, (,), (,), (,), (/) a tényleges) S,5 (,5), (,), (,),5 (,) Adatányászat hasonlóságok S, (/), (/),5 (,), (,)
31 elmélete Lokalitás érzékeny hashelés M = [mi,j ]k n : mi,j = j adatpont sorainak i-dik permutációja mellett felvett minhash értéke osszuk fel M-et dara s soról álló lokkra (k = s) lokk, hogy azon elül teljesen megegyeznek lenyomataik a, -re jelöltként tekintünk (azonos kosára képeződnek le) kosarak s sor lokk n elem Adatányászat
32 elmélete Lokalitás érzékeny hashelés a, pont x soron egyezik (- típusú sor), y soron tér el (- vagy - típus) sim(a, ) = P(minhash lenyomatuk x egyezik)= x+y P(s-elemű minhash lenyomatuk valahol eltér) = sim(a, )s P(s-elemű minhash lenyomatuk alkalomól legalá egyszer egyezzen) = ( sim(a, )s ) Adatányászat
33 elmélete Hasonlóság s=5 és =: Hasonlóság P(azonos kosára kerülés) s= és =: P(azonos kosára kerülés) P(azonos kosára kerülés) P(azonos kosára kerülés) Lokalitás érzékeny hashelés s és szerepe s= és =: Hasonlóság s=7 és =:.5 Hasonlóság Adatányászat
34 elmélete Lokalitás érzékeny függvénycsaládok Tfh. adva van az S tér adatpontjai fölött értelmezett d távolságmérték a hasítófüggvények egy H családja (d, d, p, p)-érzékeny, ha minden h H és (a, ) S pontpárra teljesül: d(a, ) < d P(h(a) = h()) p d(a, ) > d P(h(a) = h()) p a minhash függvények a Jaccard hasonlóságra nézve egy (d, d, ( d ), ( d ))-érzékeny családot iztosítanak (d d esetéen). Mi a helyzet, ha d < d(a, ) < d? Hamis pozitívok: h(a) = h(), holott d(a, ) > t Hamis negatívok: h(a) 6= h(), holott d(a, ) < t Az eddigieken felül elvárások: függetlenség, hatékonyság (olcsóság, kominálhatóság) Adatányászat
35 elmélete Lokalitás érzékeny függvénycsaládok fölerősítése ÉS konstrukciók Tfh. adott egy (d, d, p, p )-érzékeny H függvénycsalád H függvénycsalád (d, d, ps, ps )-érzékeny lesz, amennyien minden h H -ra teljesül h (a) = h () i s hi (a) = hi () : hi H Adatányászat
36 elmélete Lokalitás érzékeny függvénycsaládok fölerősítése VAGY konstrukciók Tfh. adott egy (d, d, p, p )-érzékeny H függvénycsalád H függvénycsalád (d, d, ( p ), ( p ) )-érzékeny lesz, amennyien minden h H -ra teljesül h (a) = h () i hi (a) = hi () : hi H Adatányászat
37 elmélete Lokalitás érzékeny függvénycsaládok fölerősítése ÉS-VAGY konstrukciók kominálása Tekintsünk a minhash függvényre (.,.6,.8,.)-érzékenyként ( p ) : ÉSs= -konstrukciót követő VAGY= ( ( p) ) : VAGY= -konstrukciót követő ÉSs= FP/FN? d p ( p ) ( ( p) ),9,,9,99,8,,68,5,7,,,5,6,,985,5795,5,5,75,778,,6,65,97,66655,96799,,7,,8,8785,996,,9,986,9996 Adatányászat
38 elmélete Lokalitás érzékeny függvénycsalád a koszinusz távolsághoz Az összehasonlítandó vektorokat vetítsük véletlen vektorok által meghatározott hipersíkokra h(a) = h() a és pontok a véletlen félterek azonos oldalaira esnek (a hipersíkot definiáló vektorral vett pontszorzataik előjelei megegyeznek) P(h(a) = h()) = d(a,) 8 (d, d, (8 d )/8, (8 d )/8)-érzékeny család Nagyszámú random vektort generálni költséges lenne megelégszünk ±-ekől álló vektorokkal Adatányászat
39 elmélete Nagyfokú hasonlóság mérése hatékonyan Az aan az eseten igazán hatékony, ha a pontpáronkénti hasonlóságok/távolságok nem közel azonosak Ötlet: ne hasonlítsuk össze azon (xi, xj ) pontpárokat, melyekre P(s(xi, xj ) J) =, adott J küszöértékre Egyszerűsítés: az összehasonlítandó ojektumok rendezett, karakterismétlődést nem tartalmazó sztringek Rendezett = a, karakter azonos sorrenden forduljon elő az ojektumok reprezentációian Nem valódi megkötések Heurisztikák Hossz alapú szűrés Prefix-alapú szűrés, pozíció alapú szűrés,... Adatányászat
40 elmélete Hossz alapú szűrés Tfh. a sztringes reprezentációjú ojektumokat hosszuk szerint rendeztük, és Ls < Lt A két sztring közötti átfedés mértéke Ls sjacc (s, t) Amennyien minket kizárólag a sjacc (s, t) J pontpárok érdekelnek, úgy LLst J Lt LJs -nek teljesülnie kell Adatányászat Ls Lt
41 elmélete Prefix alapú szűrés sztringet indexeljünk p hosszú prefixük szimólumaival p prefixekre teljesüljön: sim(s, t) J ps pt 6= Tfh. sim(s, t) J, mégis p s pt = Ls ps a maximális hasonlóság (amennyien t szuffixe Ls megegyezik az s sztring Ls ps hosszú szuffixével) s J > Ls L p teljesülése esetén s és t összehasonlítása fölösleges s Ls hosszú s sztring esetéen legyen ps > ( J)Ls c (ps = ( J)Ls c + ) Érdemes lehet a szimólumok természetes (lexikografikus) rendezésétől eltérni a sora állításuk során. Mégis hogy? gyakoriság szerint fordított sorrende vegyük a karaktereket Adatányászat
42 elmélete Prefix alapú szűrés példa Tfh. J =, 9 és s = cdefghij Ls = 9 ps =, 9c + indexelt Tfh. t reprezentációja nem szimólummal kezdődik, és sim(s, t), 9 t = acdefghij Lt = pt = (, 9) c + = a, indexelt ps pt 6= -nél nagyo szimólummal kezdődik Ekkor ps pt = sim(s, t) < J És tényleg: még t = cdefghij esetéen is sim(s, t) = Adatányászat 8 9 <, 9
43 elmélete Pozíció alapú szűrés Motiváció: van, hogy a prefix alapú szűrés nem elég Tfh. s = acdefghijk, t = cdefghijk, J =, 9 ps = a és pt = c (Ls = Lt = miatt) Ekkor ps pt 6=, mégis sim(s, t) = 9/ < J Ötlet: az indexelés szimólumok helyett történjen (szimólum, pozíció) párosok alapján Adatányászat
44 Proailisztikus adatszerkezet (Tartalmaz művelet) Implementáció: hasítófüggvények és itvektor használatával Ha egy x elem olyan értékre képeződik le, ahova már koráan képeződött le elem, akkor feltesszük, hogy már láttuk x-et Fals negatívok aránya, viszont fals pozitív találatok lehetnek Paraméterei: itvektor hossza (n), hasítófüggvények száma (k) Hatékonyságot efolyásolja még: eltárolt elemek száma (m) Linkek: Bloom filter demo és Guava API Adatányászat
45 elemzése Darts tála hasonlat: q mezőe r -szer dounk P(nem találunk ele egy mezőe) = q r P(r-szer nem találunk ele egy mezőe) = q = q qr r q e q r P(találat ér egy mezőt) = e q Micsoda q és r? q = n, r = m Mi történik, ha egy dartsszal töször is dohatunk? q = n, r = k m P(fals pozitív) = ( e k m n )k Adatányászat
46 példa Tfh. van 9 egyedünk, és egy 8 9 hosszú itvektorunk P(fals pozitív) = ( e 8 ), 75 Tfh. minden egyedhez két hasítófüggvényt számolunk P(fals pozitív) = ( e 8 ), 9 Adatányászat
Adatbányászat. Klaszterezés Szociális hálózatok. Szegei Tudományegyetem. Lehetetlenségi tétel Hierarchikus eljárások Particionáló módszerek
Adatányászat Klaszterezés Szociális hálózatok Szegei Tudományegyetem Adatányászat Mit várhatunk egy klaszterezőtől? Az ojektumok olyan csoportjainak megtalálása, hogy az egy csoportan levő ojektumok hasonlóak
RészletesebbenA segédletben található esetleges hibákkal kapcsolatos visszajelzéseket szívesen veszem.
Adatbányászat oktatási segédlet A segédletben található esetleges hibákkal kapcsolatos visszajelzéseket szívesen veszem. 1. gyakorlat 1.1. feladat Bonferroni-elv: Gyanúsnak definiálunk egy vásárlói párost,
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 =
Részletesebben17. előadás: Vektorok a térben
17. előadás: Vektorok a térben Szabó Szilárd A vektor fogalma A mai előadásban n 1 tetszőleges egész szám lehet, de az egyszerűség kedvéért a képletek az n = 2 esetben szerepelnek. Vektorok: rendezett
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
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
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
RészletesebbenFelvételi vizsga mintatételsor Informatika írásbeli vizsga
BABEȘ BOLYAI TUDOMÁNYEGYETEM MATEMATIKA ÉS INFORMATIKA KAR A. tételsor (30 pont) Felvételi vizsga mintatételsor Informatika írásbeli vizsga 1. (5p) Egy x biten tárolt egész adattípus (x szigorúan pozitív
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
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
RészletesebbenMatematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása
Matematikai alapok és valószínőségszámítás Statisztikai becslés Statisztikák eloszlása Mintavétel A statisztikában a cél, hogy az érdeklõdés tárgyát képezõ populáció bizonyos paramétereit a populációból
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenINFORMATIKA javítókulcs 2016
INFORMATIKA javítókulcs 2016 ELMÉLETI TÉTEL: Járd körbe a tömb fogalmát (Pascal vagy C/C++): definíció, egy-, két-, több-dimenziós tömbök, kezdőértékadás definíciókor, tömb típusú paraméterek átadása alprogramoknak.
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RészletesebbenMűveletek mátrixokkal. Kalkulus. 2018/2019 ősz
2018/2019 ősz Elérhetőségek Előadó: (safaro@math.bme.hu) Fogadóóra: hétfő 9-10 (H épület 3. emelet 310-es ajtó) A pontos tárgykövetelmények a www.math.bme.hu/~safaro/kalkulus oldalon találhatóak. A mátrix
RészletesebbenLINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
Részletesebben10. gyakorlat Struktúrák, uniók, típusdefiníciók
10. gyakorlat Struktúrák, uniók, típusdefiníciók Házi - (f0218) Olvass be 5 darab maximum 99 karakter hosszú szót úgy, hogy mindegyiknek pontosan annyi helyet foglalsz, amennyi kell! A sztringeket írasd
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
Részletesebbenegyenlőtlenségnek kell teljesülnie.
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
RészletesebbenNumerikus módszerek beugró kérdések
1. Definiálja a gépi számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját. (4 pont) Az alakú számot normalizált lebegőpontos számnak nevezik, ha Ahol,,,. Jelöl:
RészletesebbenBánsághi Anna 2014 Bánsághi Anna 1 of 68
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 3. ELŐADÁS - PROGRAMOZÁSI TÉTELEK 2014 Bánsághi Anna 1 of 68 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív
RészletesebbenGyakorló feladatok javítóvizsgára szakközépiskola matematika 9. évfolyam
Gyakorló feladatok javítóvizsgára szakközépiskola matematika 9. évfolyam Halmazok:. Adott két halmaz: A = kétjegyű pozitív, 4-gyel osztható számok B = 0-nél nagyobb, de 0-nál nem nagyobb pozitív egész
Részletesebben1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
RészletesebbenProgramozási módszertan. Dinamikus programozás: A leghosszabb közös részsorozat
PM-07 p. 1/13 Programozási módszertan Dinamikus programozás: A leghosszabb közös részsorozat Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-07
RészletesebbenSkalárszorzat, norma, szög, távolság. Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2005.
1 Diszkrét matematika II., 4. el adás Skalárszorzat, norma, szög, távolság Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2005. március 1 A téma jelent sége
RészletesebbenVektorterek. =a gyakorlatokon megoldásra ajánlott
Vektorterek =a gyakorlatokon megoldásra ajánlott 40. Alteret alkotnak-e a valós R 5 vektortérben a megadott részhalmazok? Ha igen, akkor hány dimenziósak? (a) L = { (x 1, x 2, x 3, x 4, x 5 ) x 1 = x 5,
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
RészletesebbenLin.Alg.Zh.1 feladatok
LinAlgZh1 feladatok 01 3d vektorok Adott három vektor ā = (0 2 4) b = (1 1 4) c = (0 2 4) az R 3 Euklideszi vektortérben egy ortonormált bázisban 1 Mennyi az ā b skalárszorzat? 2 Mennyi az n = ā b vektoriális
RészletesebbenLin.Alg.Zh.1 feladatok
Lin.Alg.Zh. feladatok 0.. d vektorok Adott három vektor ā (0 b ( c (0 az R Euklideszi vektortérben egy ortonormált bázisban.. Mennyi az ā b skalárszorzat? ā b 0 + + 8. Mennyi az n ā b vektoriális szorzat?
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
Részletesebben1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak
1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2018. ősz 1. Diszkrét matematika 3. estis képzés 10. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
RészletesebbenA valós számok halmaza
VA 1 A valós számok halmaza VA 2 A valós számok halmazának axiómarendszere és alapvető tulajdonságai Definíció Az R halmazt a valós számok halmazának nevezzük, ha teljesíti a következő axiómarendszerben
RészletesebbenBevezetés az algebrába 2 Vektor- és mátrixnorma
Bevezetés az algebrába 2 Vektor- és mátrixnorma Wettl Ferenc Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M 2016.
RészletesebbenTrigonometria Megoldások. 1) Oldja meg a következő egyenletet a valós számok halmazán! (12 pont) Megoldás:
Trigonometria Megoldások ) Oldja meg a következő egyenletet a valós számok halmazán! cos + cos = sin ( pont) sin cos + = + = ( ) cos cos cos (+ pont) cos + cos = 0 A másodfokú egyenlet megoldóképletével
RészletesebbenFelvételi tematika INFORMATIKA
Felvételi tematika INFORMATIKA 2016 FEJEZETEK 1. Természetes számok feldolgozása számjegyenként. 2. Számsorozatok feldolgozása elemenként. Egydimenziós tömbök. 3. Mátrixok feldolgozása elemenként/soronként/oszloponként.
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
RészletesebbenARCHIMEDES MATEMATIKA VERSENY
Koszinusztétel Tétel: Bármely háromszögben az egyik oldal négyzetét megkapjuk, ha a másik két oldal négyzetének összegéből kivonjuk e két oldal és az általuk közbezárt szög koszinuszának kétszeres szorzatát.
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások
Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenGauss elimináció, LU felbontás
Közelítő és szimbolikus számítások 3. gyakorlat Gauss elimináció, LU felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 EGYENLETRENDSZEREK 1. Egyenletrendszerek
RészletesebbenElőfeltétel: legalább elégséges jegy Diszkrét matematika II. (GEMAK122B) tárgyból
ÜTEMTERV Programozás-elmélet c. tárgyhoz (GEMAK233B, GEMAK233-B) BSc gazdaságinformatikus, programtervező informatikus alapszakok számára Óraszám: heti 2+0, (aláírás+kollokvium, 3 kredit) 2019/20-es tanév
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
RészletesebbenVIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja
VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag 2019. március 21. Mátrix rangja 1. Számítsuk ki az alábbi mátrixok rangját! (d) 1 1 2 2 4 5 1 1 1 1 1 1 1 1 2 1 2 1 1 0 1 1 2 1 0 1 1 1 1 2 3 1 3
RészletesebbenPélda Hajtsuk végre az 1 pontból a Dijkstra algoritmust az alábbi gráfra. (A mátrixban a c i j érték az (i, j) él hossza, ha nincs él.
Legrövidebb utak súlyozott gráfokban A feladat egy súlyozott gráfban egy adott pontból kiinduló legrövidebb utak megkeresése. Az input a súlyozott gráf és a kiindulási s pont. Outputként egy legrövidebb
RészletesebbenSaj at ert ek-probl em ak febru ar 26.
Sajátérték-problémák 2018. február 26. Az alapfeladat Adott a következő egyenlet: Av = λv, (1) ahol A egy ismert mátrix v ismeretlen, nem zérus vektor λ ismeretlen szám Azok a v, λ kombinációk, amikre
RészletesebbenRendezések. A rendezési probléma: Bemenet: Kimenet: n számot tartalmazó (a 1,a 2,,a n ) sorozat
9. Előadás Rendezések A rendezési probléma: Bemenet: n számot tartalmazó (a 1,a 2,,a n ) sorozat Kimenet: a bemenő sorozat olyan (a 1, a 2,,a n ) permutációja, hogy a 1 a 2 a n 2 Rendezések Általánosabban:
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
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
RészletesebbenMegjegyzés: A programnak tartalmaznia kell legalább egy felhasználói alprogramot. Példa:
1. Tétel Az állomány két sort tartalmaz. Az első sorában egy nem nulla természetes szám van, n-el jelöljük (5
RészletesebbenC programozási nyelv Pointerek, tömbök, pointer aritmetika
C programozási nyelv Pointerek, tömbök, pointer aritmetika Dr. Schuster György 2011. június 16. C programozási nyelv Pointerek, tömbök, pointer aritmetika 2011. június 16. 1 / 15 Pointerek (mutatók) Pointerek
Részletesebben3 függvény. Számítsd ki az f 4 f 3 f 3 f 4. egyenlet valós megoldásait! 3 1, 3 és 5 3 1
Érettségi, M, I-es feladatsor, természettudomány.. Számítsd ki a C! összeget! log 4. Határozd meg a. Számítsd ki az egyenlet valós megoldásait! összeg értékét, ha és az 4. Adott az f : 0,, f. Adottak az
RészletesebbenProgramozási módszertan. Dinamikus programozás: Nyomtatási feladat A leghosszabb közös részsorozat
PM-04 p. 1/18 Programozási módszertan Dinamikus programozás: Nyomtatási feladat A leghosszabb közös részsorozat Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenÖsszeállította: dr. Leitold Adrien egyetemi docens
Az R n vektortér Összeállította: dr. Leitold Adrien egyetemi docens 2008.09.08. R n vektortér/1 Vektorok Rendezett szám n-esek: a = (a 1, a 2,, a n ) sorvektor a1 a = a2 oszlopvektor... a n a 1, a 2,,
RészletesebbenBevezetés a programozásba I.
Bevezetés a programozásba I. 3. gyakorlat Tömbök, programozási tételek Surányi Márton PPKE-ITK 2010.09.21. ZH! PlanG-ból papír alapú zárthelyit írunk el reláthatólag október 5-én! Tömbök Tömbök Eddig egy-egy
RészletesebbenFeladatok a Gazdasági matematika II. tárgy gyakorlataihoz
Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb
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),
RészletesebbenMultihalmaz, intervallumhalmaz
Multihalmaz, intervallumhalmaz Halmaz féleségek 1. Halmaz Gyümölcsök: {alma,körte,szilva,barack} 2. Multihalmaz Állatok: {(macska,4),(rigó,2),(galamb,3)} 3. Intervallumhalmaz diszjunkt Óráim: {[8-10],[13-14],[16-20)}
RészletesebbenA 2017/2018 tanévi Országos Középiskolai Tanulmányi Verseny első fordulójának feladatai. INFORMATIKA II. (programozás) kategória
Oktatási Hivatal A 2017/2018 tanévi Országos Középiskolai Tanulmányi Verseny első fordulójának feladatai 1. feladat: Repülők (20 pont) INFORMATIKA II. (programozás) kategória Ismerünk városok közötti repülőjáratokat.
RészletesebbenSpeciális adatszerkezetek. Programozás alapjai II. (8. ea) C++ Tömbök. Tömbök/2. N dimenziós tömb. Nagyméretű ritka tömbök
Programozás alapjai II. (8. ea) C++ Kiegészítő anyag: speciális adatszerkezetek Szeberényi Imre BME IIT Speciális adatszerkezetek A helyes adatábrázolás választása, a helyes adatszerkezet
RészletesebbenKalkulus S af ar Orsolya F uggv enyek S af ar Orsolya Kalkulus
Függvények Mi a függvény? A függvény egy hozzárendelési szabály. Egy valós függvény a valós számokhoz, esetleg egy részükhöz rendel hozzá pontosan egy valós számot valamilyen szabály (nem feltétlen képlet)
RészletesebbenProgramozás alapjai II. (7. ea) C++ Speciális adatszerkezetek. Tömbök. Kiegészítő anyag: speciális adatszerkezetek
Programozás alapjai II. (7. ea) C++ Kiegészítő anyag: speciális adatszerkezetek Szeberényi Imre BME IIT M Ű E G Y E T E M 1 7 8 2 C++ programozási nyelv BME-IIT Sz.I. 2016.04.05. - 1
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
Részletesebben6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?
6. Függvények I. Nulladik ZH-ban láttuk: 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? f x g x cos x h x x ( ) sin x (A) Az f és a h. (B) Mindhárom. (C) Csak az f.
Részletesebben32. A Knuth-Morris-Pratt algoritmus
32. A Knuth-Morris-Pratt algoritmus A nyers erőt használó egyszerű mintaillesztés műveletigénye legrosszabb esetben m*n-es volt. A Knuth-Morris-Pratt algoritmus (KMP-vel rövidítjük) egyike azon mintaillesztő
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 7. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenMinimális feszítőfák Legyen G = (V,E,c), c : E R + egy súlyozott irányítatlan gráf. Terjesszük ki a súlyfüggvényt a T E élhalmazokra:
Minimális feszítőfák Legyen G = (V,E,c), c : E R + egy súlyozott irányítatlan gráf. Terjesszük ki a súlyfüggvényt a T E élhalmazokra: C(T ) = (u,v) T c(u,v) Az F = (V,T) gráf minimális feszitőfája G-nek,
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:
RészletesebbenKövetelmény a 6. évfolyamon félévkor matematikából
Követelmény a 6. évfolyamon félévkor matematikából Gondolkodási és megismerési módszerek Halmazba rendezés adott tulajdonság alapján, részhalmaz felírása, felismerése. Két véges halmaz közös részének,
RészletesebbenDiszkrét matematika gyakorlat 1. ZH október 10. α csoport
Diszkrét matematika gyakorlat 1. ZH 2016. október 10. α csoport 1. Feladat. (5 pont) Adja meg az α 1 β szorzatrelációt, amennyiben ahol A {1, 2, 3, 4}. α {(1, 2), (1, 3), (2, 1), (3, 1), (3, 4), (4, 4)}
RészletesebbenSzámításelmélet. Második előadás
Számításelmélet Második előadás Többszalagos Turing-gép Turing-gép k (konstans) számú szalaggal A szalagok mindegyike rendelkezik egy független író / olvasó fejjel A bemenet az első szalagra kerül, a többi
RészletesebbenMATEMATIKA ÉRETTSÉGI május 8. EMELT SZINT
MATEMATIKA ÉRETTSÉGI 007. május 8. EMELT SZINT 1) Oldja meg a valós számok halmazán az alábbi egyenletet! x x 4 log 9 10 sin x x 6 I. (11 pont) sin 1 lg1 0 log 9 9 x x 4 Így az 10 10 egyenletet kell megoldani,
RészletesebbenAdatszerkezetek 2. Dr. Iványi Péter
Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat
Részletesebben1. feladatsor Komplex számok
. feladatsor Komplex számok.. Feladat. Kanonikus alakban számolva határozzuk meg az alábbi műveletek eredményét. (a) i 0 ; i 8 ; (b) + 4i; 3 i (c) ( + 5i)( 6i); (d) i 3+i ; (e) 3i ; (f) ( +3i)(8+i) ( 4
RészletesebbenProgramozás alapjai gyakorlat. 4. gyakorlat Konstansok, tömbök, stringek
Programozás alapjai gyakorlat 4. gyakorlat Konstansok, tömbök, stringek Házi ellenőrzés (f0069) Valósítsd meg a linuxos seq parancs egy egyszerűbb változatát, ami beolvas két egész számot, majd a kettő
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
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
Részletesebben3. el adás: Determinánsok
3. el adás: Determinánsok Wettl Ferenc 2015. február 27. Wettl Ferenc 3. el adás: Determinánsok 2015. február 27. 1 / 19 Tartalom 1 Motiváció 2 A determináns mint sorvektorainak függvénye 3 A determináns
RészletesebbenAlgoritmusok és adatszerkezetek gyakorlat 07
Algoritmusok és adatszerkezetek gyakorlat 0 Keresőfák Fák Fa: összefüggő, körmentes gráf, melyre igaz, hogy: - (Általában) egy gyökér csúcsa van, melynek 0 vagy több részfája van - Pontosan egy út vezet
Részletesebben1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
RészletesebbenDiszkrét Matematika. zöld könyv ): XIII. fejezet: 1583, 1587, 1588, 1590, Matematikai feladatgyűjtemény II. (
FELADATOK A LEKÉPEZÉSEK, PERMUTÁCIÓK TÉMAKÖRHÖZ Diszkrét Matematika 4. LEKÉPEZÉSEK Értelmezési tartomány és értékkészlet meghatározása : Összefoglaló feladatgyűjtemény matematikából ( zöld könyv ): XIII.
RészletesebbenElengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel. Az objektumok áthaladnak a többi objektumon
Bevezetés Ütközés detektálás Elengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel Az objektumok áthaladnak a többi objektumon A valósághű megjelenítés része Nem tisztán
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
RészletesebbenMatematika A1a Analízis
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 Vektorok StKis, EIC 2019-02-12 Wettl Ferenc ALGEBRA
RészletesebbenAlgoritmuselmélet. Legrövidebb utak, Bellmann-Ford, Dijkstra. Katona Gyula Y.
Algoritmuselmélet Legrövidebb utak, Bellmann-Ford, Dijkstra Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 3. előadás Katona Gyula Y. (BME
RészletesebbenHasonlósági keresés molekulagráfokon: legnagyobb közös részgráf keresése
Hasonlósági keresés molekulagráfokon: legnagyobb közös részgráf keresése Kovács Péter ChemAxon Kft., ELTE IK kpeter@inf.elte.hu Budapest, 2018.11.06. Bevezetés Feladat: két molekulagráf legnagyobb közös
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
RészletesebbenLineáris algebra. (közgazdászoknak)
Lineáris algebra (közgazdászoknak) 10A103 FELADATOK A GYAKORLATRA (3.) 2018/2019. tavaszi félév Lineáris egyenletrendszerek 3.1. Feladat. Oldjuk meg az alábbi lineáris egyenletrendszereket Gauss-eliminációval
RészletesebbenGauss-eliminációval, Cholesky felbontás, QR felbontás
Közelítő és szimbolikus számítások 4. gyakorlat Mátrix invertálás Gauss-eliminációval, Cholesky felbontás, QR felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei
RészletesebbenMATEMATIKA TANMENET SZAKKÖZÉPISKOLA 10.B OSZTÁLY HETI 4 ÓRA 37 HÉT/ ÖSSZ 148 ÓRA
MINŐSÉGIRÁNYÍTÁSI ELJÁRÁS MELLÉKLET Tanmenetborító Azonosító: ME-III.1./1 Változatszám: 2 Érvényesség 2013. 09. 01. kezdete: Oldal/összes: 1/7 Fájlnév: ME- III.1.1.Tanmenetborító SZK- DC-2013 MATEMATIKA
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenKövetelmény a 7. évfolyamon félévkor matematikából
Követelmény a 7. évfolyamon félévkor matematikából Gondolkodási és megismerési módszerek Elemek halmazba rendezése több szempont alapján. Halmazok ábrázolása. A nyelv logikai elemeinek helyes használata.
RészletesebbenANALÍZIS III. ELMÉLETI KÉRDÉSEK
ANALÍZIS III. ELMÉLETI KÉRDÉSEK Szerkesztette: Balogh Tamás 2014. március 17. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
RészletesebbenSzámítási feladatok a Számítógépi geometria órához
Számítási feladatok a Számítógépi geometria órához Kovács Zoltán Copyright c 2012 Last Revision Date: 2012. október 15. kovacsz@nyf.hu Technikai útmutató a jegyzet használatához A jegyzet képernyőbarát
RészletesebbenAdatszerkezetek Adatszerkezet fogalma. Az értékhalmaz struktúrája
Adatszerkezetek Összetett adattípus Meghatározói: A felvehető értékek halmaza Az értékhalmaz struktúrája Az ábrázolás módja Műveletei Adatszerkezet fogalma Direkt szorzat Minden eleme a T i halmazokból
Részletesebben