Biológiai és mesterséges neurális hálózatok
|
|
- Gabi Elvira Szilágyiné
- 6 évvel ezelőtt
- Látták:
Átírás
1 Biológiai és mesterséges neurális hálózatok Szegedy Balázs október 10.
2 Hasonlóságok és külömbségek A mesterséges neurális hálózatok története 1957-ben kezdődött: perceptron (Frank Rosenblatt). 400 fotocella+"neurons". New York Times: "the embryo of an electronic computer that [the Navy] expects will be able to walk, talk, see, write, reproduce itself and be conscious of its existence." Sok évtized lassú fejlődés. Mostanában fegyorsúlt. 1 Nyilvánvaló hasonlóságok (biológiai motiváció miatt) 2 Külömbségek (Az évtizedek során felhalmozoódott mérnöki trükkök miatt) 3 Váratlan hasonlóságok (Amikor egy ad-hoc mérnöki trükknek megtaláljuk a biológiai változatát) Jó projekt: Létrehozni egy minél teljesebb "szótárat" a harmadik kategóriához
3 A Neuron
4 A Neuron A neuronok ingerlékeny sejtek
5 A Neuron A neuronok ingerlékeny sejtek amelyek ingerfelvételre és idegi ingerületek vezetésére specializálódtak.
6 Függvény
7 Függvény "Gép" ami valamiből csinál valamit. Bemenet kimenet.
8 Függvény "Gép" ami valamiből csinál valamit. Bemenet kimenet. x x 2, x 2x + 1, összeadás mint függvény: (x, y) x + y
9 Függvény "Gép" ami valamiből csinál valamit. Bemenet kimenet. x x 2, x 2x + 1, összeadás mint függvény: (x, y) x + y Függvény egy nagyon általános fogalom. Szinte minden függvény!
10 Függvény "Gép" ami valamiből csinál valamit. Bemenet kimenet. x x 2, x 2x + 1, összeadás mint függvény: (x, y) x + y Függvény egy nagyon általános fogalom. Szinte minden függvény! Sakkozó gép mint függvény.
11 Függvény "Gép" ami valamiből csinál valamit. Bemenet kimenet. x x 2, x 2x + 1, összeadás mint függvény: (x, y) x + y Függvény egy nagyon általános fogalom. Szinte minden függvény! Sakkozó gép mint függvény. Fizikai valóság mint függvény!
12 Függvény "Gép" ami valamiből csinál valamit. Bemenet kimenet. x x 2, x 2x + 1, összeadás mint függvény: (x, y) x + y Függvény egy nagyon általános fogalom. Szinte minden függvény! Sakkozó gép mint függvény. Fizikai valóság mint függvény!
13 Függvény Függvények komponálása segítségével sok egyszerű függvényből bonyolultat lehet csinálni! Számítógép működési elve!
14 Függvény Függvények komponálása segítségével sok egyszerű függvényből bonyolultat lehet csinálni! Számítógép működési elve! Ez az emberi agynak is a működési elve!
15 Függvény Függvények komponálása segítségével sok egyszerű függvényből bonyolultat lehet csinálni! Számítógép működési elve! Ez az emberi agynak is a működési elve! Ez a mesterséges nurális hálózatoknak is a működési elve.
16 Függvény Függvények komponálása segítségével sok egyszerű függvényből bonyolultat lehet csinálni! Számítógép működési elve! Ez az emberi agynak is a működési elve! Ez a mesterséges nurális hálózatoknak is a működési elve. Mik azok az egyszerű függvények amelyekből az emberi agy felépíti a bonyolult működését?
17 Függvény Függvények komponálása segítségével sok egyszerű függvényből bonyolultat lehet csinálni! Számítógép működési elve! Ez az emberi agynak is a működési elve! Ez a mesterséges nurális hálózatoknak is a működési elve. Mik azok az egyszerű függvények amelyekből az emberi agy felépíti a bonyolult működését? Sejt mint függvény: NEURON
18 Biológiai és mesterséges neuron
19 Mesterséges neuron háló neuron hálózat
20 Biológiai nuron háló
21 Méret és bonyolultság emberi agy: kb 86 milliárd neuron és kb trillió szinapszis. Ez paraméternek felel meg. Mesterséges nuerális hálózatok: Bonyolultság paraméter szám ("weight sharing" miatt ez gyakran kevesebb mint a szinapszisok száma) Inception-V1, 7 millió paraméter. Kb 10 7 paraméter =százmilliószoros külömbség Érdekesség: A méret növelése a mesterséges neuronhálózatokban nem feltétlen okoz javulást a teljesítményben.
22 Méret és bonyolultság C. Elegans roundwarm: 302 neuron
23 Topológia A mesterséges hálózat többnyire egymást követő szintekből áll amelyek egyenként processzálják és előre kűldik az információt. A "Back propagation" során az algoritmus kiszámítja a súlyok változtatását az információ haladás val ellenkező irányban.
24 Topológia A biológiai hálózatok jobban hasonlítanak egy véletlen hálózathoz amelyben van néhány centrális (sok szinapszissal rendelkező) es sok kevesebb szinapszissal rendelkező neuron. A működésben is több ooszahangolatlanság lehet illetve fontos hogy az információ jobban vissza van csatolva a hálózatba. (Mesterseéges hálózatoknál: rekurrens reurális hálók)
25 Cortical column (hypercolumn, macrocolumn, cortical module) Egy meglepő hasonlóság
26 Sebesség Biológiai neuronok kb 200-szor tüzelhetnek másodpercenként. A jel sebessége 0.61 m/s és 119 m/s között mozoghat. Az információt a tüzelési sebesség hordozza, illetve a tüzelés típusa. Mesterséges hálózatokban folytonos paraméter közvetíti az információt. (A müködés sebessége nem hordoz semmiféle információt.) A mesterséges hálózatban nincsenek fáradtságból adódó inaktív periódusai a neuronoknak.
27 Tuzelési minták "Most animal species are cold-blooded, and their neuronal circuits must maintain function despite environmental temperature fluctuations. The central pattern generating circuits that produce rhythmic motor patterns depend on the orderly activation of circuit neurons. We describe the effects of temperature on the pyloric rhythm of the stomatogastric ganglion of the crab, Cancer borealis."
28 Átlagos tüzelési sebesség Érdekesség: Új kutatások szerint (Gina Turrigiano, Don Katz and Stephen Van Hooser) van egy beépített neurális termosztát ami szabályozza az átlagos tüzelési rátát. Ez segíthet az epilepszia illetve az autizmus megértésében.
29 Átlagos tüzelési sebesség Érdekesség: Új kutatások szerint (Gina Turrigiano, Don Katz and Stephen Van Hooser) van egy beépített neurális termosztát ami szabályozza az átlagos tüzelési rátát. Ez segíthet az epilepszia illetve az autizmus megértésében. Érdekes kapcsolat a regularizációs módszerekkel mesterséges hálózatokban: batch normalization.
30 Hiba tolerancia Biológiai hálózatoknak nagy a hiba toleranciájuk. Az informćió redundánsan van tárolva - kis hibák nem okoznak memória zavart. Neuroplaszticitás:
31 Hiba tolerancia Biológiai hálózatoknak nagy a hiba toleranciájuk. Az informćió redundánsan van tárolva - kis hibák nem okoznak memória zavart. Neuroplaszticitás: 2011 január 8-án fejbelőtték Gabrielle Gifford amerikai politikust. A golyó keresztul met a koponya bal oldalán ami a nyelvi képességekért felelős. Ének terápia sokat segített. Mesterséges hálózatoknál nem szempont a hiba tolerancia hiszen ideális esetben a számítógép tökéletes szimulációt hajt végre. Nincs önregenerálódás, fáradtság stb... Egy izgalmas és hasznos kapcsolat mesterséges hálózatokkal: "Drop out"
32 Energia felhasználás Az emberi agy kb 20%-át használja a teljes rendelkezére álló energiánknak. Agy méret kb 1.4 kg = kb 2%-a a testsúlynak. Az agy energia felhasználása nagyjabol watt-nak felel meg (nem túl sok). Titan X GPU: 250 watt.
33 Tanulás Mind a biológiai mind a mesterséges hálózatoknál a tanulás, azaz a paraméterek változtatása a leg izgalmasabb téma.
34 Tanulás Mind a biológiai mind a mesterséges hálózatoknál a tanulás, azaz a paraméterek változtatása a leg izgalmasabb téma. Jelenleg nem értjük teljesen hogyan tanul az agy.
35 Tanulás Mind a biológiai mind a mesterséges hálózatoknál a tanulás, azaz a paraméterek változtatása a leg izgalmasabb téma. Jelenleg nem értjük teljesen hogyan tanul az agy. "Neurons that fire together, wire together" - Hebb szabály.
36 Tanulás Mind a biológiai mind a mesterséges hálózatoknál a tanulás, azaz a paraméterek változtatása a leg izgalmasabb téma. Jelenleg nem értjük teljesen hogyan tanul az agy. "Neurons that fire together, wire together" - Hebb szabály. Biológiai hálózat: lokális tanulás, folyamatos változás Mesterséges hálózat: globális tanulás, tipikusan elkülönülő tanulási és alkalmazási fázis.
37 Kutatási irányok Rengeteget tudunk az emberi agyról de ugyanakkor nagyon messze vagyunk egy teljes megértéstől. Javuló mikroszkópos technológiák. Jelenleg pár száz, pár ezer neuron szimultán megfigyelése lehetséges.
38 Kutatási irányok Rengeteget tudunk az emberi agyról de ugyanakkor nagyon messze vagyunk egy teljes megértéstől. Javuló mikroszkópos technológiák. Jelenleg pár száz, pár ezer neuron szimultán megfigyelése lehetséges. Jó lenne (de még messze van): Egy olyan teljes hálózat megfigyelése amelynek a teljes topológiáját ismerjük.
39 Kutatási irányok Rengeteget tudunk az emberi agyról de ugyanakkor nagyon messze vagyunk egy teljes megértéstől. Javuló mikroszkópos technológiák. Jelenleg pár száz, pár ezer neuron szimultán megfigyelése lehetséges. Jó lenne (de még messze van): Egy olyan teljes hálózat megfigyelése amelynek a teljes topológiáját ismerjük. Országunkban működik a femtonics cég ahol igéretes kutatások folynak.
40 Összefoglalás Az emberi agy egy viszonylag egyszerű egységekből felépülő, lokális szabályok alapján működő és rendkívűl rugalmas számítógép amely folyamatos visszacsatolasban áll a saját maga által előállított információval. A mesterséges neurális hálózatok csak részben rendelkeznek ezekkel a tulajdonságokkal. Vannak azonban feladatok amelyekben a mesterséges hálóztok már most jobbak mint az emberi agy: Alpha go. Az egyik legígéretesebb irány az orvosi diagnosztika.
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,
Neurális 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.:
Intelligens 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
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
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,
I. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
Budapesti 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
Tanulás 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
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,
Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
Fuzzy 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
TARTALOMJEGYZÉK. 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
Konvolúciós neurális hálózatok (CNN)
Konvolúciós neurális hálózatok (CNN) Konvolúció Jelfeldolgozásban: Diszkrét jelek esetén diszkrét konvolúció: Képfeldolgozásban 2D konvolúció (szűrők): Konvolúciós neurális hálózat Konvolúciós réteg Kép,
Intelligens 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
Számítógépes 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
Tanulás 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
Forgalmi 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
FELÜGYELT 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
Hibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
Modellezés 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:
NEURÁLIS 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,
Transzportfolyamatok a biológiai rendszerekben
A nyugalmi potenciál jelentősége Transzportfolyamatok a biológiai rendszerekben Transzportfolyamatok a sejt nyugalmi állapotában a sejt homeosztázisának (sejttérfogat, ph) fenntartása ingerlékenység érzékelés
E x μ x μ K I. és 1. osztály. pontokként), valamint a bayesi döntést megvalósító szeparáló görbét (kék egyenes)
6-7 ősz. gyakorlat Feladatok.) Adjon meg azt a perceptronon implementált Bayes-i klasszifikátort, amely kétdimenziós a bemeneti tér felett szeparálja a Gauss eloszlású mintákat! Rajzolja le a bemeneti
Intelligens 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
Mesterséges 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
Neurális 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.
Prekoncepciók és téveszmék mint a fizikatanítás megnehezítői. Juhász András Ált isk. tanártovábbképzés 2014, okt. KPSZTI
Prekoncepciók és téveszmék mint a fizikatanítás megnehezítői Juhász András Ált isk. tanártovábbképzés 2014, okt. KPSZTI Prof. Freund Tamás agykutató a tanulásról: (http://fiztan.phd.elte.hu/letolt/konfkotet2011.pdf
A nyugalmi potenciál megváltozása
Akciós potenciál történelem A nyugalmi potenciál megváltozása 2. A membrán aktív elektromos tulajdonságai 1780: Luigi Galvani elektromos vezetés és izomösszehúzódás kapcsolata 1843: Emil Dubois-Reymond
egy szisztolikus példa
Automatikus párhuzamosítás egy szisztolikus példa Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus Automatikus párhuzamosítási módszer ötlet Áttekintés Bevezetés Példa konkrét szisztolikus algoritmus
Modellkiválasztás 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
Gépi 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
Tartalomjegyzék. 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...
Teljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István
Teljesen elosztott adatbányászat pletyka algoritmusokkal Jelasity Márk Ormándi Róbert, Hegedűs István Motiváció Nagyméretű hálózatos elosztott alkalmazások az Interneten egyre fontosabbak Fájlcserélő rendszerek
2012.11.27. Neuronok előkészítése funkcionális vizsgálatokra. Az alkalmazható technikák előnyei és hátrányai. Neuronok izolálása I
Neuronok előkészítése funkcionális vizsgálatokra. Az alkalmazható technikák előnyei és hátrányai Sejtszintű elektrofiziológia 1.: csatornák funkcionális Sejtszintű elektrofiziológia 2.: izolált/sejtkultúrában
Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága
@ Budapest University of Technology and Economics Nagy hálózatok evolúciója Gulyás András, Heszberger Zalán High Speed Networks Laboratory Internet trendek Tisztán kivehetı tendencia: kommunikációs hálózatok
Gépi tanulás a Rapidminer programmal. Stubendek Attila
Gépi tanulás a Rapidminer programmal Stubendek Attila Rapidminer letöltése Google: download rapidminer Rendszer kiválasztása (iskolai gépeken Other Systems java) Kicsomagolás lib/rapidminer.jar elindítása
BACK-PROPAGATION NEURON HÁLÓ LOGIKAI JÁTÉK JÁTSZÓ KÉPESSÉGÉNEK VIZSGÁLATA
FIATAL ŰSZAKIAK TUDÁNYS ÜLÉSSZAKA Kolozsvár, 1998. március 20-21. BACK-PRPAGATIN NURN HÁLÓ LGIKAI JÁTÉK JÁTSZÓ KÉPSSÉGÉNK VIZSGÁLATA ABSTRACT Dudás László 1, Ferenczi László 2 egyetemi docens 1, doktorandusz
Mesterséges 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
Bevezetés 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
Útjelzések, akadályok felismerése valós időben
Útjelzések, akadályok felismerése valós időben Dr. Hidvégi Timót Széchenyi István Egyetem Győr, 9026, Egyetem tér 1. hidvegi@sze.hu 1. Bevezető Sajnos a közúton a balesetek egy része abból adódik, hogy
Regresszió. 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
Bevezetés az elektronikába
Bevezetés az elektronikába 4. Logikai kapuáramkörök Felhasznált irodalom Dr. Gárdus Zoltán: Digitális rendszerek szimulációja Mádai László: Logikai alapáramkörök BME FKE: Logikai áramkörök Colin Mitchell:
Összefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
Mikroelektródás képalkotó eljárások Somogyvári Zoltán
Somogyvári Zoltán Magyar Tudományos Akadémia Wigner Fizikai Kutatóközpont Részecske és Magfizikai Intézet Elméleti Osztály Elméleti Idegtudomány és Komplex Rendszerek Kutatócsoport Az agy szürkeállománya
Megerősítéses 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
Daniel H. Pink. Motiváció 3.0. Ösztönzés másképp
Daniel H. Pink Motiváció 3.0 Ösztönzés másképp A könyv megjelenését a Develor Tanácsadó Zrt. támogatta. Tartalom Előszó a magyar kiadáshoz 11 BEVEZETÉS: Harry Harlow és Edward Deci rejtélyes rejtvényei
Képfeldolgozás haladóknak Lovag Tamás Novák Gábor 2011
Dokumentáció Küszöbölés A küszöbölés során végighaladunk a képen és minden egyes képpont intenzitásáról eldöntjük, hogy teljesül-e rá az a küszöbölési feltétel. A teljes képre vonatkozó küszöbölés esetében
Hidraulikus 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
Hobbi Elektronika. Bevezetés az elektronikába: Logikai kapuáramkörök
Hobbi Elektronika Bevezetés az elektronikába: Logikai kapuáramkörök 1 Felhasznált irodalom Dr. Gárdus Zoltán: Digitális rendszerek szimulációja BME FKE: Logikai áramkörök Colin Mitchell: 200 Transistor
Bevezetés az autizmus spektrum zavarokhoz. Bevezetésül. Mi az autizmus?
Bevezetés az autizmus spektrum zavarokhoz Dr. Stefanik Krisztina ELTE BGGYK Autizmus Alapítvány krisztina.stefanik@gmail.com Bevezetésül Az autizmus feltehetően egyidős az emberiséggel, de csak alig több,
III.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
A FORMÁKIG. A színektől. KOVÁCS ILONA PPKE BTK Pszichológiai Intézet Pszichológiai Kutatólaboratórium
A színektől A FORMÁKIG KOVÁCS ILONA PPKE BTK Pszichológiai Intézet Pszichológiai Kutatólaboratórium A művészet kórélettana Semmelweis Egyetem, Általános Orvosi Kar 2016. március 16. Kner Imre: De hogy
PCS100 UPS-I Ipari felhasználási célú UPS
DMPC LV Power Conditioning, 09/2015 PCS100 UPS-I Ipari felhasználási célú UPS 2UCD120000E028 rev A September 25, 2015 Slide 1 PCS100 UPS-I, Ipari felhasználási célú UPS A létesítményét tápláló energiaellátás
Légiforgalmi 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
A FENNTARTHATÓ ÉPÍTÉS EU KOMFORM MAGYAR INDIKÁTORRENDSZERE
A FENNTARTHATÓ ÉPÍTÉS EU KOMFORM MAGYAR INDIKÁTORRENDSZERE ÉMI Kht. 2005.06.21. CRISP Construction and City Related Sustainability Indicators * * * Fenntartható építés? Háttér 1 Egészséges épített környezet
BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK
BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK Szakértői rendszerek, 14. hét, 2008 Tartalom 1 Bevezető 2 Fuzzy történelem A fuzzy logika kialakulása Alkalmazások Fuzzy logikát követ-e a világ?
HVLS Biztonság Teljesítmény Vezérlés. HVLS ventilátorok szeptember 1.
ventilátorok ventilátorok 2016. szeptember 1. ventilátorok Összegzés 1 Hvls Ismertetô Alapvetô jellemzôk 2 3 CFD szimulációk Felvett teljesítmény 4 ventilátorok Ismertetô Alapvetô jellemzôk Ábra. ventilátorok
Intelligens Rendszerek Elmélete
Intellgens Rendszerek Elmélete Dr. Kutor László A mesterséges neuráls hálózatok alapfogalma és meghatározó eleme http://mobl.nk.bmf.hu/tantargyak/re.html Logn név: re jelszó: IRE07 IRE 7/1 Neuráls hálózatok
A 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
Fogalom értelmezések I.
Fogalom értelmezések I. Intelligencia értelmezések Köznapi értelmezése: értelem, ész, felfogó képesség, értelmesség, műveltség Boring szerint: amit az intelligencia teszt mér Wechsler szerint: Az intelligencia
Intelligens beágyazott rendszer üvegházak irányításában
P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az
AliROOT szimulációk GPU alapokon
AliROOT szimulációk GPU alapokon Nagy Máté Ferenc & Barnaföldi Gergely Gábor Wigner FK ALICE Bp csoport OTKA: PD73596 és NK77816 TARTALOM 1. Az ALICE csoport és a GRID hálózat 2. Szimulációk és az AliROOT
Automaták. bemenet: pénz, kiválasztó gombok stb. állapot: standby, pénz van behelyezve stb. kimenet: cola, sprite, visszajáró
12. előadás Automaták egyszerű eszközök tulajdonságok: véges számú állapota van átmenet egyik állapotból a másikba érzékeli a környezetet esetleg megváltoztatja a környezetet új állapotba megy át kóla
Tisztelt Hallgatók! Jó tanulást kívánok, üdvözlettel: Kutor László
Tisztelt Hallgatók! Az alábbi anyaga arra ó, hogy lehessen tudni, mi tartozik egy-egy kérdéshez. Ami itt olvasható, az a éghegy csúcsa. Ha alapos tudást akarnak, a éghegy alát önállóan kell hozzá gyűteniük.
A RADARJELEK DETEKTÁLÁSA NEURÁLIS HÁLÓZAT ALKALMAZÁSÁVAL
A RADARJELEK DETEKTÁLÁSA NEURÁLIS HÁLÓZAT ALKALMAZÁSÁVAL Dr. Ludányi Lajos mk. alezredes egyetemi adjunktus Zrínyi Miklós Nemzetvédelmi Egyetem Vezetés- és Szervezéstudományi Kar Fedélzeti Rendszerek Tanszék
SR mini PLC Modbus illesztő modul. Modul beállítása Bemeneti pontok kiosztása főmodul esetén Bemeneti pontok címkiosztása kiegészítő modul esetében
SR mini PLC Modbus illesztő modul Modul beállítása Bemeneti pontok kiosztása főmodul esetén Bemeneti pontok címkiosztása kiegészítő modul esetében Kimeneti pontok címkiosztása főmodul esetében, olvasásra
Csoportos üzenetszórás optimalizálása klaszter rendszerekben
Csoportos üzenetszórás optimalizálása klaszter rendszerekben Készítette: Juhász Sándor Csikvári András Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Automatizálási
Az előadásdiák gyors összevágása, hogy legyen valami segítség:
Az előadásdiák gyors összevágása, hogy legyen valami segítség: Az elektronikai gyártás ellenőrző berendezései (AOI, X-RAY, ICT) 1. Ismertesse az automatikus optikai ellenőrzés alapelvét (a), megvilágítási
Ejtési teszt modellezése a tervezés fázisában
Antal Dániel, doktorandusz, Miskolci Egyetem Robert Bosch Mechatronikai Tanszék Szabó Tamás, egyetemi docens, Ph.D., Miskolci Egyetem Robert Bosch Mechatronikai Tanszék Szilágyi Attila, egyetemi adjunktus,
Mesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h.
Mesterséges Intelligencia Elektronikus Almanach Neurális hálózatokh 1 BME 1990: Miért neurális hálók? - az érdeklıdésünk terébe kerül a neurális hálózatok témakör - fıbb okok: - adaptív rendszerek - felismerési
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás
Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte
Projektfeladatok 2014, tavaszi félév
Projektfeladatok 2014, tavaszi félév Gyakorlatok Félév menete: 1. gyakorlat: feladat kiválasztása 2-12. gyakorlat: konzultációs rendszeres beszámoló a munka aktuális állásáról (kötelező) 13-14. gyakorlat:
Az 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
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
Atomi er mikroszkópia jegyz könyv
Atomi er mikroszkópia jegyz könyv Zsigmond Anna Julia Fizika MSc III. Mérés vezet je: Szabó Bálint Mérés dátuma: 2010. október 7. Leadás dátuma: 2010. október 20. 1. Mérés leírása A laboratóriumi mérés
Minőségérték. A modellezés céljának meghat. Rendszer elemzés. Módszer kiválasztása. Modell megfelelőség elemzés. Működés szimuláció
Minőségérték. Műszaki minőségérték növelésére alkalmas módszerek: Cél: a termék teljes életciklusa során az előre látható, vagy feltételezett követelmények, teljes körű és kiegyensúlyozott kielégítése.
Deep Learning a gyakorlatban Python és LUA alapon Tanítás: alap tippek és trükkök
Gyires-Tóth Bálint Deep Learning a gyakorlatban Python és LUA alapon Tanítás: alap tippek és trükkök http://smartlab.tmit.bme.hu Deep Learning Híradó Hírek az elmúlt 168 órából Deep Learning Híradó Google
Laborgyakorlat Logikai áramkörök számítógéppel segített tervezése (CAD)
Laborgyakorlat Logikai áramkörök számítógéppel segített tervezése (CAD) Multiplexer (MPX) A multiplexer egy olyan áramkör, amely több bemeneti adat közül a megcímzett bemeneti adatot továbbítja a kimenetére.
A matematika legszebb kihívásai
A matematika legszebb kihívásai Szegedy Balázs, MTA Rényi intézet 2018. február 21. Matematika és szépség Mi a matematika? Matematika és szépség Mi a matematika? A matematika azon állítások gyüjteménye
II. 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,
Intelligens 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
Lövés csúzlival. Egy csúzli k merevségű gumival készült. Adjuk meg az ebből kilőtt m tömegű lövedék sebességét, ha a csúzlit L - re húztuk ki!
1 Lövés csúzlival Az [ 1 ] munkában találtuk az alábbi feladatot 1. ábra. A feladat Egy csúzli k merevségű gumival készült. Adjuk meg az ebből kilőtt m tömegű lövedék sebességét, ha a csúzlit L - re húztuk
Cisco ISE megoldások. Balatonalmádi, 2014. február 27. Détári Gábor, senior rendszermérnök detari.gabor@t-systems.hu
Cisco ISE megoldások Balatonalmádi, 2014. február 27. Détári Gábor, senior rendszermérnök detari.gabor@t-systems.hu TARTALOM 1 2 3 Motivációk Aggasztó kérdések, belépési pontok Régi és új típusú megoldások
Gépi 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
Robert Winston. Mi jár a FEJED BEN?
Robert Winston Mi jár a FEJED BEN? London, New York, Munich, Melbourne, Delhi A Dorling Kindersley Book www.dk.com A fordítás alapja: What Goes On in My Head? First published in Great Britain, 2010 Copyright
Funkcionális 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
Megújuló energia bázisú, kis léptékű energiarendszer
Megújuló energia bázisú, kis léptékű energiarendszer Molnárné Dőry Zsófia 2. éves doktorandusz hallgató, energetikai mérnök (MSc), BME, Energetikai Gépek és Rendszerek Tanszék, Magyar Energetikai Társaság
Adatbányászat és Perszonalizáció architektúra
Adatbányászat és Perszonalizáció architektúra Oracle9i Teljes e-üzleti intelligencia infrastruktúra Oracle9i Database Integrált üzleti intelligencia szerver Data Warehouse ETL OLAP Data Mining M e t a
Bevezetés a programozásba előadás: Alapvető programtervezési elvek
Bevezetés a programozásba 2 12. előadás: Alapvető programtervezési elvek Miről lesz szó A félév célja a nagyobb programrendszerek felépítésében való részvétel képességét megszerezni Mindenki a saját widgetkészletének
Modbus kommunikáció légkondícionálókhoz
Modbus kommunikáció légkondícionálókhoz FJ-RC-MBS-1 Mobus szervezet: -> http://www.modbus.org (néha Modbus-IDA) -> Modbus eszköz kereső motor http://www.modbus.org/devices.php Modbus (RTU) - soros kommunikációs
34-35. Kapuáramkörök működése, felépítése, gyártása
34-35. Kapuáramkörök működése, felépítése, gyártása I. Logikai áramkörcsaládok Diszkrét alkatrészekből épülnek fel: tranzisztorok, diódák, ellenállások Két típusa van: 1. TTL kivitelű kapuáramkörök (Tranzisztor-Tranzisztor
Társadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =
OpenCL 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
Mesterséges 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 -hálók 306/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
Bevezetés 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.
Digitális ajtókitekintő 4,3 LCD, IR, PIR Használati útmutató
Digitális ajtókitekintő 4,3 LCD, IR, PIR Használati útmutató A szállító elérhetősége: SHX Trading s.r.o. V Háji 15, 170 00 Praha 7 Tel: +36 70 290 1480, e-mail: info@spystore.hu 1. oldal www.spystore.hu
VERA HE TERMÉSZETESEN RUGALMAS
VERA HE TERMÉSZETESEN RUGALMAS cod. 3952121 [VII] - www.sime.it EGY KAZÁN AZ ÖSSZES TÍPUSÚ BERENDEZÉSHEZ A Vera HE az előkeveréses kondenzációs falikazánok új termékcsaládja, mely különböző megoldásokat
3. jegyz könyv: Bolygómozgás
3. jegyz könyv: Bolygómozgás Harangozó Szilveszter Miklós, HASPABT.ELTE 21. április 6. 1. Bevezetés Mostani feladatunk a bolygók mozgásának modellezése. Mint mindig a program forráskódját a honlapon [1]