Intelligens elosztott rendszerek. Információfúzió (valószínűségi alapon, Dempster-Shafer elmélet alapján)
|
|
- Diána Illés
- 2 évvel ezelőtt
- Látták:
Átírás
1 Intelligens elosztott rendszere Információfúzió (valószínűségi alapon, Dempster-Shafer elmélet alapján) Patai Béla BME I.E. 44,
2 Valamilyen időben állandó, esetleg lassan vagy gyorsan változó folyamat, jelenség árfolyam tanulmányi redit diagnózis hőmérsélet Szenzor Szenzor2 Szenzor3 SzenzorK Loális intelligencia Loális intelligencia Loális intelligencia Loális intelligencia Központi feldolgozás özponti intelligencia
3 Az információfúzió természetes paradigma Az élőlénye is ülönböző szenzoroal rendelezne, és az egyes szenzoraiból nyert információt fuzionáljá. látás (2 szemünből nyert infó 3D-s ép), hallás (2 fülünből nyert infó sztereó hallás), látás+hallás (2 szem+2 fül: még jobb 3D-s érzéelés) szaglás, tapintás, ízlelés Egy dolgot egyszerre látun, hallun, tapintun, szagolun így alaul i egy gazdag modell az agyunban. (ez egy nagy adag, finom, meleg birapörölt vagy egy gyanús, erős, ellenség vagy barátom/barátnőm vagy tőzsderach) Műszai: elsősorban de nem izárólagosan térbeli iterjedéssel rendelező problémánál több szenzor jelét fuzionálju, így alotun modellt.
4 Fúzió valószínűségi alapon Egy eseményhalmazban az elemi eseményeet A i -vel jelölve: p( A ), minden A i i A pa ( ) Amiet felhasználun: Bayes-tétel (ét, illetve három változóra): i i p( A, B) p( A B) p( B) p( B A) p( A) p( A B) p( B A) p( A) pb ( ) p( A, B, C) p( A B, C) p( B C) p( C) p( B A, C) p( A C) p( C) p( A B, C) p( B A, C) p( A C) p( B C) Chapman-Kolmogorov: p( A B) p( A x ) p( x B) x
5 Fúzió valószínűségi alapon A -adi időpillanatban a eresett érté. (Az egyszerűség edvéért salár esetet tárgyalun, lehetne x egy sor x j állapotváltozóból álló vetor is.) zaj y x zaj 2 zaj s y ( s) y Fúzió xˆ p( x ) Feltételezésein: ( ) A mért értée ( y s ) csa a pillanatnyi x -tól függne A zajo függetlene időben önmagutól A ülönböző szenzoro zajai egymástól is függetlene
6 Fúzió valószínűségi alapon Egy szenzor időbeli jelsorozatána fúziója A -adi időpillanatban a eresett érté, az s-di szenzor által mért ( s) ( s) ( s) ( s) értée sorozata Y y, y2,..., y. A Bayes szabály alapján: p( Y x ) p( x ) p( y, Y x ) p( x ) ( s) ( s) ( s) ( s) Y ( s) ( s) ( s) p( Y ) p( y, Y ) px ( ) x p( y x, Y ) p( x, Y ) p( y x, Y ) p( x Y ) p( Y ) p( x ) p( x y, ) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) Y Y ( s) ( s) ( s) ( s) ( s) p( y, Y ) p( y Y ) p( Y ) p( y x, Y ) p( x Y ) p( y x ) p( x Y ) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) p( y Y ) p( y Y ) Az utolsó lépésben ihasználtu, hogy az egyes időpillanatbeli méréseet egymástól függetlenne teintjü: x minden megadható ( s) információt biztosít -re nézve, a megelőző mérésere nincs szüség. y
7 p( y x, Y ) p( x Y ) p( y x ) p( x Y ) ( s) ( s) ( s) ( s) ( s) ( s) ( s) ( s) Y Y ( s) ( s) ( s) ( s) p( y Y ) p( y Y ) p( x ) p( x y, ) A számláló másodi tényezője: Reurzív összefüggésre jutun: p( y x ) p( x x ) p( x Y ) ( s) ( s) ( s) x Y ( s) ( s) p( y Y ) px ( ) A nevezőt általában normálásra használju: a valószínűsége összege legyen. p( y Y ) p( y x ) p( x Y ) ( s) ( s) ( s) ( s) x p( y x ) p( x Y ) ( ). ( ) ( ) ( s) ( s) ( s) Y ( s) ( s) x x p y x Y x p( x Y ) p( x x ) p( x Y ) ( s) ( s) x
8 Több szenzor jeléne fúziója (az egyszerűség edvéért 2 szenzorra bemutatva) Y, Y,, Y, Y y y,,,, p y y x Y Y Y Y p y, y Y, Y p( A B, C) p( B A, C) p( A C) p( B C)
9 Feltesszü, hogy a ét mérés y, y egymástól független:,,,,,, p y y x Y Y p y x Y p y x Y Y, Y, Y,, Y Y Y p y x p y x p y, y Y, Y Y Y, Y, Y Megint reurzív összefüggésre jutun, ha alalmazzu: Y Y Y, Y Y Y y, Y p y Y y, Y p y Y Y Y p y Y, Y, y Y, Y Normálás, ( ), Y Y x Y Y x
10 Fúzió valószínűségi alapon Most étfele vágtu a problémát egy-egy szenzor időbeli információina fúziójára és a több szenzor által adott információ fúziójára. (Szenvedélyün a deompozíció!) x x zaj zaj 2 zaj s y y ( s) y Feltételezésein: ( ) A mért értée ( y s ) csa a pillanatnyi x -tól függne A zajo függetlene időben önmagutól A ülönböző szenzoro zajai egymástól is függetlene Időbeli fúzió Időbeli fúzió Időbeli fúzió Térbeli fúzió xˆ p( x )
11 Demópélda (Challa-Kos, 24) Szenzor Nagyon Gyors (NGy) LearJet (J) Falcon (F) Caravan ( C ),72,3,2 Gyors (Gy),2,6,3 Lassú (L),8,,68 Szenzor2 Nagyon Gyors (NGy) Szenzormodelle: LearJet (J) Falcon (F) Caravan ( C ),8,3,3 Gyors (Gy),,6,3 Lassú (L),,,4 Kezdeti értée: Szenzor Szenzor2 p( J Y ), 4 p( J Y ),6 p( F Y ), 4 p( C Y ), 2 p( F Y ),3 p( C Y ), A fúziós reurzív eljárás ezdeti értéei: p( J Y, Y ),5 p( F Y, Y ),4 p( C Y, Y ), szlelése a = időpontban: y NGY y NGY
12 A ét összefüggést alalmazzu. -adi időpillanat, s-edi szenzor (s=,2) p( y x ) p( x x ) p( x Y ) ( s) ( s) ( s) x Y ( s) Norm px ( ) 2. A ét szenzor információjána fúziója a -adi időpillanatban Y Y Y p( x x ) Y, Y, x Y Y Y Norm (,2) y ( Mi lesz itt az x és mi lesz itt az s )?
13 = időpillanat, s= szenzor Szenzor LearJet (J) Falcon (F) Caravan ( C ) Nagyon Gyors (NGy),72,3,2 Gyors (Gy),2,6,3 Lassú (L),8,,68 p( y x ) p( x x ) p( x Y ) x Y Norm px ( ) p( J Y ), 4 p( F Y ), 4 p( C Y ), 2 y NGY Y p( y NGy x J ) p( x J x J ) p( x J ), 72, 4, 288 J Y Norm Norm Norm p( x ) Y ( ) ( ) ( ),3,4,2 F Y Norm Norm Norm p( x ) p y NGy x F F x F F Y p( y NGy x C) p( x C x C) p( x C ), 2, 2, 4 C Y Norm Norm Norm p( x ),288,288 p( x J Y ), 7, 288,2, 4, 42,2, 4 p( x F Y ), 29 ; p( x C Y ),,42,42
14 = időpillanat, s=2 szenzor Szenzor2 LearJet (J) Falcon (F) Caravan ( C ) Nagyon Gyors (NGy),8,3,3 Gyors (Gy),,6,3 Lassú (L),,,4 p( y x ) p( x x ) p( x Y ) x Y Norm px ( ) p( J Y ), 6 p( F Y ),3 p( C Y ), y NGY,6,8,48 p( x J Y ),8,6 Norm,3,3, 9 p( x F Y ),5,6 Norm Norm,48,9,3,6 Norm,,3, 3 p( x C Y ), 5,6
15 A ét szenzor információjána fúziója a = időpillanatban p( J Y ), 4 p( F Y ), 4 p( C Y ), 2 p( J Y ),6 p( F Y ),3 p( C Y ), p( J Y, Y ),5 Y Y Y ( ) Y Y, x p x Y p x Y x, Y p( F Y, Y ),4 p( C Y, Y ), Y Y ( ) Y, Y p x J Y p x J Y J J J x L J J Y, Y Norm (,2) Norm (,2),7,8,5,67 J Y, Y (,2) (,2),4, 6 Norm Norm,29,5, 4,45 C Y, Y (,2) (,2),4,3 Norm Norm,, 5,, 25 C Y, Y (,2) (,2),2, Norm Norm p( x J Y ), 7 p( x J Y ),8 p( x F Y ), 29 p( x F Y ),5 p( x C Y ), p( x C Y ), 5
16 A ét szenzor információjána fúziója a = időpillanatban p( J Y ), 4 p( F Y ), 4 p( C Y ), 2 p( J Y ),6 p( F Y ),3 p( C Y ), p( J Y, Y ),5 Y Y Y ( ) Y Y, x p x Y p x Y x, Y p( F Y, Y ),4 p( C Y, Y ), (,2) Norm,667,45, 25,342 Norm (,2),667 J Y, Y,888,342,45 F Y, Y,,342, 25 C Y, Y, 2,342 p( x J Y ), 7 p( x J Y ),8 p( x F Y ), 29 p( x F Y ),5 p( x C Y ), p( x C Y ), 5
17 Régebbi zh (vagy vizsga?) feladat: Egy rendszer állapotána időbeli alaulását aarju megbecsülni egy elosztott szenzorrendszerrel. A rendszerne 2 állapota van: helyes műödés (M), illetve hibás műödés (H). Az egyi szenzor egy j bináris ( vagy ) jelet mér, és a szenzorba épített egyszerű loális intelligencia valószínűségi (Bayes) alapon becsüli a szenzor által a -adi pillanatban a özpont fele üldött állapotvalószínűségeet. Az előzetes ismerete alapján: p( x M x M ),99 p( x H x H),88 p( j x M ), 7 p( j x H), 2 Az előző időpontban a szenzor a övetező állapotvalószínűségeet határozta meg, és üldte el a özponti feldolgozásna (nyilván elég lenne az egyiet megadni, csa egy is segítség, hogy evesebbet elljen gondolozni): p( x M ),9 p( x H ), Meora valószínűséget fog a loális feldolgozás a helyes műödésne (M), és meorát a hibásna (H) adni, ha a szenzorun a -adi időpillanatban j =-et mért?
18 Számos próbálozás van a bizonytalanság alternatív (nem valószínűségi ) ezelésére: fuzzy Dempster-Shafer stb. A D-Sh-t mutatju be, több érdees gondolat vehető le belőle
19 Dempster-Shafer fúzió A valószínűségeet az elemi eseménye felett értelmeztü. Pl. A, B, C elemi eseménye (ölcsönösen izárjá egymást) P(A)+P(B)+P(C)=. A Dempster-Shafer modellben az eseménye hatványhalmazán értelmezün egy mértéet: mass of probability, mop. Nem csa az elemi eseményene, hanem az összetett eseményene is van mopja. {, A, B, C, AB, AC, BC, ABC} Az ABC összetett esemény az ismerethiány ez talán a legnagyobb újítás (= fogalmun sincs, Unnown, Ignorance, ). A fúziós szabály: m (,2) ( Z) m X m Y m X m Y ( ) ( ) ( ) ( ) X Y Z X Y Z m ( X ) m ( Y ) m ( X ) m ( Y ) X Y X Y
20 Előző demópélda Dempster-Shafer alapon. A ét szenzor most az összes modellezett eseményre megadja a szerinte érvényes mop-ot. mop Szenzor Szenzor2 LearJet (J),3,4 Falcon (F),5, Caravan ( C ),3,2 GyorsGép (J v F vagy {J,F} jelölés),42,45 Ismeretlen (, J v F v C vagy {J,F,C}),,3
21 Dempster-Shafer információfúziós példa Például a fúzió után a J esemény (megfigyelt eszöz: LearJet) eredő mop értée: m (,2) ( Z) m X m Y m X m Y ( ) ( ) ( ) ( ) X Y Z X Y Z m ( X ) m ( Y ) m ( X ) m ( Y ) X Y X Y - ből m (,2) ( J) ( ) ( ) (, ) (,, ) ( ) (, ) (,, ) Nevező m J m J m J F m J F C m J m J F m J F C Nevező m J m F m J m C m F m J m F m C ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )... m ( C) m ( J ) m ( C) m ( F) m ( C) m ( J, F ) m ( J, F ) m ( C) Például az ={J,F,C} esemény eredő mop értée: m (,2) m ( J, F, C ) m ( J, F, C ) ( J, F, C ) Nevező
22 Dempster-Shafer öveteztetés problémája Probléma merül fel, ha ellentmondás van a megfigyeléseben. Tipius példa: 3 eseményün van és 2 megfigyelőn, amelye a övetező mop-oat adjá. mop A B C {A,B,C} -nevező (onfl., ) nevező S mop,99, S2 mop,,99 Fuzionált mop (,2) számláló,,9999, Fuzionált mop (,2) Az eredmény nyilvánvalóan nem józan. Yager: a probléma az, hogy a fúziós összefüggés normálásából (nevező) izártu a onflitust! m (,2) ( Z) m X m Y m X m Y ( ) ( ) ( ) ( ) X Y Z X Y Z m ( X ) m ( Y ) m ( X ) m ( Y ) X Y X Y
23 Yager fúzió Használju csa a számlálót, és ne zárju i a onflitusoat a nevezőből. (ground mass of probability, gmop) q Z m X m Y ( ) ( ) ( ) Z Z X Y Z (,2) q Z q Z ( ) ( ) q m X m Y () ( ) ( ) XY A, B, C q m m ( ) ( ) ( ) (,2) q q q ( ) ( ) () mop A B C S mop,99, S2 mop,,99 Fúzionált q,,9999 Fúzionált q (,2),,9999
24 Inaagi egyesített elmélet Használju csa a számlálót, ne zárju i a onflitusoat a nevezőből. q( Z) m ( X ) m ( Y ) Z, Z X Y Z q m m ( ) ( ) ( ) q m X m Y () ( ) ( ) XY (,2) mu ( Z) q q( Z) Z, Z (,2) mu ( ) q q( ) q() q() q q mop A B C S mop,99, S2 mop,,99 Fuzionált q,,9999 Fuzionált q (,2),,9999
25 q2() q2() Inaagi egyesített elmélet 2 szenzor, 3 esemény Esemény A B C, onflitus =Ignorance={A, B, C} m () m () q() (Yager) ,5,4=,2 m u (,2) () [+,2] q() [+,2],2+[+,2-],2=,4-,2 blue: m2(a) green: m2(b) cyan: m2(c) blac: m2().4.3 q2(theta). Yager /(-q2()) /(-q2()-q2(theta)) D-Sh
26 Régebbi zh (vagy vizsga?) feladat: Egy rendszer Yager fúziós szabállyal egyesíti a ét szenzora (s, s2) által adott mop értéeet. A ét lehetséges állapot mellett az ismerethiány (ignorance) állapotot modellezzü, és a ét szenzor ezere a övetező mop értéeet üldte a özponti feldolgozó egységne: Modellezett állapot {A} {B} ={A,B} s mop,7,3 s2 mop,9, Meorá leszne a fuzionált gmop értée?
Intelligens elosztott rendszerek. Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján)
Intelligens elosztott rendszere Információfúzió (valószínűségi alapon, Kálmán-szűrőt használva, Dempster-Shafer elmélet alapján) Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai
RészletesebbenDinamikus rendszerek paramétereinek BAYES BECSLÉSE. Hangos Katalin VE Számítástudomány Alkalmazása Tanszék
Dinamikus rendszerek paramétereinek BAYES BECSLÉSE Hangos Katalin VE Számítástudomány Alkalmazása Tanszék 1 Bayes-becslések 1. A véletlen Bayes féle fogalma A "véletlen" Bayes féle értelmezése a megfigyelést
RészletesebbenDr. Tóth László, Kombinatorika (PTE TTK, 2007)
A Fibonacci-sorozat általános tagjára vontozó éplet máséppen is levezethető A 149 Feladatbeli eljárás alalmas az x n+1 ax n + bx, n 1 másodrendű állandó együtthatós lineáris reurzióal adott sorozato n-edi
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenI. A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL
A primitív függvény és a határozatlan integrál 5 I A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL Gyaorlato és feladato ( oldal) I Vizsgáld meg, hogy a övetező függvényene milyen halmazon van primitív
RészletesebbenNeurális hálózatok. Nem ellenőrzött tanulás. Pataki Béla. BME I.E. 414,
Neurális hálózato Nem ellenőrzött tanulás Patai Béla BME I.E. 414, 463-26-79 patai@mit.bme.hu, http://www.mit.bme.hu/general/staff/patai Nem ellenőrzött tanulás (Klaszterezés ) Az eseteet szoásos módon
RészletesebbenBAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3
Balogh Zsuzsanna Hana László BAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3 Ebben a dolgozatban a Bayes-féle módszer alalmazási lehetőségét mutatju be a ocázatelemzés
RészletesebbenBizonytalan tudás kezelése
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Bizonytalan tudás kezelése Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz Valószínűségi
RészletesebbenÉ Ü ö Ü ú Ú ű Ó Ó ű ö Ó Ó ú ű Ü Ö Ó Ó ö Ó Ő ű Ó Ó ú Ü Ü Ó Ó Ó Ü Ó Í Í ö ö ö ö ö ú ú ö ű ú ö ö ö ú ö ú ű ö ö ű ö ö ö ű ö ö ö ú ö ö ú ö ö ö ö ö ú ö ö ö ö ú ö ú ö ö ö ö ö ö ú ö ö ö ö Í ö Ö ö ú ö ö ö ö Ó Í
Részletesebbenü ő ő ü ő ő ö ö ő ö í ü ő í ö ö í ő ö ő ű ú ő í ü ő ö ő Í ö ö ő ö ö ő ő ö ő í Í í ü ö ő í ü ü ú ü ö ö ő ü ő ö ő í ü ő í ö ö ő ő ő í í ő í ő ő Á Ó Í í í ő ű ú ő í í ő ő Í ő í ő í í Í í ő í ő í ő ő íí ő
RészletesebbenÍ Ő É Ó É é Ö Á Á Á Ó é Ó é ö é Ö ű ö é ö ű ö é ö é é é é é é é é é é é é é é é é é é ü é é é Í é é é é ü é ö ü é ü é é ö ö é ú é é ü é é ü é é ü é ü é é é ú é Ó é é ú é ü é é ö é ö é Á Á Á Ó é Ó Í é ö
Részletesebbenö í Ö Ó ü í ü ö Ö ö ü ü ö ö ö ö Ö ü ö ö Ö ü Ű Ö ö ü ú ű ö ö í ö ö í ü ö ö í í ö Á É ö Ö í ö Ö ü ö Ö ö ö ö ö ö ü í ü ö í ü ö ö ö Ö ü ö í ü í ö ö ö Ö ü ö Ö í í ö Ö ü ö Ö í ü ö Á É ö Ö í ü ö í ö ű ö ö ű ö
Részletesebbenő ő ű í ó ú í ó í ó Á Á Á É ű ő ó ó ő ó ő Á É ó Á É ú Á É É Á ó Á Á Á Á Á É É ó Á É í É É í É ú ú ú ó ó Ö ú É ú ó ő ú ó í É É É É Ö Ö É Á É É É Ő Ó É ő ó ó í ő ú ő ő ű í ó ú Ő Ö ú É ú ú ő ő É É ő ő ő ő
Részletesebbenö é é ü Ő Ö é ü ö é é ü é é ó é ü ü é é é é é í é ü é é é é é é ö é é ö ö é ü ö ö é ü í é ü ü é é é ü é ö é é é ó é é é é é ü ö é é ü ú ö é é é é ö é é ö é é ó é ó é é í é é ó é é ó é é í ó é é ü ü é ó
RészletesebbenGyakorló többnyire régebbi zh feladatok. Intelligens orvosi műszerek október 2.
Gyakorló többnyire régebbi zh feladatok Intelligens orvosi műszerek 2018. október 2. Régebbi zh feladat - #1 Az ábrán látható két jelet, illetve összegüket mozgóablak mediánszűréssel szűrjük egy 11 pontos
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
Részletesebben5. Végezd el a kijelölt műveleteket, és ahol lehet, vonj össze!
1 1. Rendezd a következő polinomokat a bennük lévő változó növekedő hatvánkitevői szerint! a) 2 + + 2 b) 2 + + 2 + 6 2. Melek egnemű algebrai kifejezések? a) a 2 b; 2ab; a 2 b; 2a b; 1,a 2 b b) 2 ; 2 ;
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Bizonytalan tudás és kezelése 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 Milyen matematikát
RészletesebbenSzenzorcsatolt robot: A szenzorcsatolás lépései:
1. Mi a szenzorcsatolt robot, hogyan épül fel? Ismertesse a szenzorcsatolás lépéseit röviden az Egységes szenzorplatform architektúra segítségével. Mikor beszélünk szenzorfúzióról? Milyen módszereket használhatunk?
RészletesebbenBeltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése
Beltéri autonóm négyrotoros helikopter szabályozó rendszerének kifejlesztése és hardware-in-the-loop tesztelése Regula Gergely, Lantos Béla BME Villamosmérnöki és Informatikai Kar Irányítástechnika és
RészletesebbenHipotézis vizsgálatok. Egy példa. Hipotézisek. A megfigyelt változó eloszlása Kérdés: Hatásos a lázcsillapító gyógyszer?
01.09.18. Hpotézs vzsgálatok Egy példa Kérdések (példa) Hogyan adhatunk választ? Kérdés: Hatásos a lázcsllapító gyógyszer? Hatásos-e a gyógyszer?? rodalomból kísérletekből Hpotézsek A megfgyelt változó
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 146/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenValószínűségszámítás és statisztika
Valószínűségszámítás és statisztika Programtervező informatikus szak esti képzés Varga László Valószínűségelméleti és Statisztika Tanszék Matematikai Intézet Természettudományi Kar Eötvös Loránd Tudományegyetem
RészletesebbenNGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő
SZÉCHENYI ISTVÁN EGYETEM Műszaki Tudományi Kar Informatika Tanszék BSC FOKOZATÚ MÉRNÖK INFORMATIKUS SZAK NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő Fejlesztői dokumentáció GROUP#6
Részletesebbenk n k, k n 2 C n k k=[ n+1 2 ] 1.1. ábra. Pascal háromszög
Alapfeladato Megoldás A ombináció értelmezése alapján felírhatju, hogy n, n Ha n páros, aor n és n özött veszi fel értéeit Ha n páratlan, aor n, vagyis > n n+, ami azt jelenti, hogy és n özött veszi fel
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
RészletesebbenBizonytalanság. Mesterséges intelligencia április 4.
Bizonytalanság Mesterséges intelligencia 2014. április 4. Bevezetés Eddig: logika, igaz/hamis Ha nem teljes a tudás A világ nem figyelhető meg közvetlenül Részleges tudás nem reprezentálható logikai eszközökkel
RészletesebbenDEnzero 2014/1. Debrecen január december 31.
Fenntartható energetia megújuló energiaforráso optimalizált integrálásával (DEnzero) ÁMOP-4...A-//KONV--4 DEnzero 4/. Debrecen 3. január. 4. december 3. Fenntartható energetia megújuló energiaforráso optimalizált
RészletesebbenIntelligens elosztott rendszerek
Intellgens elosztott rendszerek VIMIAC2 Adatelőkészítés: hhetőségvzsgálat normálás stb. Patak Béla BME I.E. 414, 463-26-79 atak@mt.bme.hu, htt://www.mt.bme.hu/general/staff/atak Valamlyen dőben állandó,
Részletesebben[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.15. Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza) alkotja az eseményteret. Esemény: az eseménytér részhalmazai.
RészletesebbenMatematika szigorlat, Mérnök informatikus szak I jún. 11.
Matematia szigorlat, Mérnö informatius sza I. 007. jún. 11. Megoldóulcs 1. Adott az f(x) = (x ) függvény. (a) Végezzen teljes függvényvizsgálatot! D f = R \ {} 13 zérushely: x = y-tengelyen a metszet:
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok 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 A szükséges
RészletesebbenVARIANCIAANALÍZIS (szóráselemzés, ANOVA)
VARIANCIAANAÍZIS (szóráselemzés, ANOVA) Varancaanalízs. Varancaanalízs (szóráselemzés, ANOVA) Adott: egy vagy több tetszőleges skálájú független változó és egy legalább ntervallum skálájú függő változó.
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
Részletesebbenü ý Ó ć Ĺ ü ü ú Ö ü ü ü ü ú ź ü ź ö ö ź ü ü Ó ö Í ö ö ý ö Í Ĺ Í ł ü ń ö ú Ö ü ü ü ý ö ö ü ú Ö ł ü ü Ö ü ú Ö É Ĺ ö ú ú ü ű ź ü ú Í Íö ú ü ű Ĺ ć Íě Ż ú Ö ü ü Í Í ú Ö ü ü Í ü ý ü ü ń ü ę ö ö ö ü ć ú Ó ú ü
RészletesebbenTELJES VALÓSZÍNŰSÉG TÉTELE ÉS BAYES-TÉTEL
TELJES VALÓSZÍNŰSÉG TÉTELE ÉS AYES-TÉTEL A TELJES VALÓSZÍNŰSÉG TÉTELE Egy irály úgy szeretné izgalmasabbá tenni az elítéltjeine ivégzését, hogy három ládiába elhelyez 5 arany és 5 ezüst érmét. Ha a ivégzésre
RészletesebbenIntelligens 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
RészletesebbenCSAPADÉKVÍZ GAZDÁLKODÁS A TELEPÜLÉSEKEN
CSAPADÉKVÍZ GAZDÁLKODÁS A TELEPÜLÉSEKEN Dr. Buzás Kálmán c. egyetemi tanár BME, Vízi Közmű és Környezetmérnöki Tanszék LIFE-MICACC projekt LIFE 16 CCA/HU/000115 Lajosmizse, 2019. június 19. Csapadékvíz
Részletesebben2. Algebrai átalakítások
I. Nulladik ZH-ban láttuk: 2. Algebrai átalakítások 1. Mi az alábbi kifejezés legegyszerűbb alakja a változó lehetséges értékei esetén? (A) x + 1 x 1 (x 1)(x 2 + 3x + 2) (1 x 2 )(x + 2) (B) 1 (C) 2 (D)
Részletesebbens n s x A m és az átlag Standard hiba A m becslése Információ tartalom Átlag Konfidencia intervallum Pont becslés Intervallum becslés
A m és az átlag Standard hba Mnta átlag 1 170 Az átlagok szntén ngadoznak a m körül. s x s n Az átlagok átlagos eltérése a m- től! 168 A m konfdenca ntervalluma. 3 166 4 173 x s x ~ 68% ~68% annak a valószínűsége,
RészletesebbenMegyei matematikaverseny évfolyam 2. forduló
Megyei matematikaverseny 0. 9. évfolyam. forduló. Mennyi a tizenkilencedik prím és a tizenkilencedik összetett szám szorzata? (A) 00 (B) 0 (C) 0 (D) 04 (E) Az előző válaszok egyike sem helyes.. Az 000
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
RészletesebbenPantone szín táblázat.
Pantone szín táblázat. Ez egy referencia táblázat. A színek a különbözı számítógépen másként jelenek meg! Függ a grafikus kártyától, a monitortól és az operációs rendszertıl és annak beállításától, így
Részletesebben44. HANCSÓK KÁLMÁN MEGYEI MATEMATIKAVERSENY MEZŐKÖVESD, 2015 Szóbeli feladatok megoldásai. Megoldás: 6
9 évfolm HNCSÓK KÁLMÁN MEGYEI MTEMTIKVERSENY MEZŐKÖVESD 5 Szóbeli feldto megoldási ) dju meg zot z egész értéeet mele mellett z 6 6 Z 6 6 6 6 is egész szám! pot 6 6 6 pot mide egész -re pártl íg or lesz
RészletesebbenMegoldások. Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) 1. Számítsd ki a következő kifejezések pontos értékét!
Megoldások. Számítsd ki a következő kifejezések pontos értékét! 8 8 ( ) ( ) ( ) Használjuk a gyökvonás azonosságait. 0 8 8 8 8 8 8 ( ) ( ) ( ) 0 8 . Határozd meg a következő kifejezések értelmezési tartományát!
RészletesebbenValószínűségszámítás összefoglaló
Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:
RészletesebbenMozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)
TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát
RészletesebbenVENTS ifan Eladva (eladó neve, bélyegzõje)
INTELLIGENS AXIÁLIS VENTILÁTOR HASZNÁLATI UTASÍTÁS ok ep A ventilátor üzemeltetésre alkalmas. M ÁTVÉTELI ELISMERVÉNY Átvevõ MEO jegy Típus Gyártási dátum ifan ifan Move VENTS ifan Eladva (eladó neve, bélyegzõje)
RészletesebbenHatványozás. A hatványozás azonosságai
Hatványozás Definíció: a 0 = 1, ahol a R, azaz bármely szám nulladik hatványa mindig 1. a 1 = a, ahol a R, azaz bármely szám első hatványa önmaga a n = a a a, ahol a R, n N + n darab 3 4 = 3 3 3 3 = 84
Részletesebben5. A kiterjesztési elv, nyelvi változók
5. A kiterjesztési elv, nyelvi változók Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 A kiterjesztési elv 2 Nyelvi változók A kiterjesztési elv 237 A KITERJESZTÉSI ELV A
RészletesebbenV. Bizonytalanságkezelés
Bizonytalanság forrásai V. Bizonytalanságkezelés Hiányzó adat mellett történő következtetés Mi lehet a páciens betegsége? Bizonytalan adatra épülő következtetés objektív Pontatlan műszerek pontatlan leolvasása:
RészletesebbenSZÍNES KÉPEK FELDOLGOZÁSA
SZÍNES KÉPEK FELDOLGOZÁSA Színes képek feldolgozása Az emberi szem többezer színt képes megkülönböztetni, de csupán 20-30 különböző szürkeárnyalatot A színes kép feldolgozása két csoportba sorolható -
Részletesebben(Independence, dependence, random variables)
Két valószínűségi változó együttes vizsgálata Feltételes eloszlások Két diszkrét változó együttes eloszlása a lehetséges értékpárok és a hozzájuk tartozó valószínűségek (táblázat) Példa: Egy urna 3 fehér,
RészletesebbenLogika és informatikai alkalmazásai
Logika és informatikai alkalmazásai 9. gyakorlat Németh L. Zoltán http://www.inf.u-szeged.hu/~zlnemeth SZTE, Informatikai Tanszékcsoport 2008 tavasz Egy HF múlt hétről HF1. a) Egyesíthető: s = [y/f(x,
RészletesebbenI. rész. x 100. Melyik a legkisebb egész szám,
Dobos Sándor, 005. november Középszintű érettségi feladatsorok és megoldásaik Összeállította: Dobos Sándor; dátum: 005. november 1. feladat A 70-nek 80%-a mely számnak a 70%-a? I. rész. feladat Egy szabályos
RészletesebbenZárójelentés. Az autonóm mobil eszközök felhasználási területei, irányítási módszerek
Zárójelentés Az autonóm mobil eszközök felhasználási területei, irányítási módszerek Az autonóm mobil robotok elterjedése növekedést mutat napjainkban az egész hétköznapi felhasználástól kezdve az ember
RészletesebbenPontos Diagnosztika Intelligens Mérés. httc
Pontos Diagnosztika Intelligens Mérés httc Innovatív Megoldások A Jövő... Lényeges eleme a folyamatos, megbízható információ szolgáltatás és a kerékhibák korai felismerése. Világszerte növekvő vasúti forgalom
RészletesebbenLegfontosabb bizonyítandó tételek
Legfontosabb bizonyítandó tétele 1. A binomiális tétel Tetszőleges éttagú ifejezés (binom) bármely nem negatív itevőj ű hatványa polinommá alaítható a övetez ő módon: Az nem más, mint egy olyan n tényezős
RészletesebbenMatematika A4 III. gyakorlat megoldás
Matematia A4 III. gyaorlat megoldás 1. Független eseménye Lásd másodi gyaorlat feladatsora.. Diszrét eloszláso Nevezetes eloszláso Binomiális eloszlás: Tipius példa egy pénzdobás sorozatban a feje száma.
RészletesebbenSzolgáltatások és alkalmazások (VITMM131)
Szolgáltatások és alkalmazások (VITMM131) Kontextus-tudatos szolgáltatások Vidács Attila Távközlési és Médiainformatikai Tanszék (TMIT) I.E.348, T:19-25, vidacs@tmit.bme.hu Tartalom Kontextus-tudatos mindenütt
RészletesebbenPrecíz Diagnosztika Intelligens Mérés. httc
Precíz Diagnosztika Intelligens Mérés httc Innovatív Megoldások A Jövő... Lényeges eleme a folyamatos, megbízható információ szolgáltatás és a kerékhibák korai felismerése. Világszerte növekvő vasúti forgalom
Részletesebben1. A Hilbert féle axiómarendszer
{Euklideszi geometria} 1. A Hilbert féle axiómarendszer Az axiómarendszer alapfogalmai: pont, egyenes, sík, illeszkedés (pont egyenesre, pont síkra, egyenes síkra), közte van reláció, egybevágóság (szögeké,
RészletesebbenBiomatematika 2 Orvosi biometria
Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)
RészletesebbenA JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA
A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projet eretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszéén az ELTE Közgazdaságtudományi
RészletesebbenMatematika B4 II. gyakorlat
Matematika B II. gyakorlat 00. február.. Bevezető kérdések. Feldobunk egy kockát és egy érmét. Ábrázoljuk az eseményteret! Legyenek adottak az alábbi események: -ast dobunk, -est dobunk, fejet dobunk,
RészletesebbenTARTÁLY LÉGRITKÍTÁSÁNAK TERMODINAMIKAI MODELLEZÉSE
TARTÁLY LÉGRITKÍTÁSÁNAK TERMODINAMIKAI MODELLEZÉSE FÁBRY Gergely Szent István Egyetem Gödöllő Géészmérnöi Kar, Környezetiari Rendszere Intézet Műszai Tudományi Dotori Isola 213 Gödöllő, Páter Károly u.
RészletesebbenA 2013/2014. tanévi Országos Középiskolai Tanulmányi Verseny második forduló MATEMATIKA I. KATEGÓRIA (SZAKKÖZÉPISKOLA) Javítási-értékelési útmutató
Oktatási Hivatal A 0/04 tanévi Országos Középiskolai Tanulmányi erseny második forduló MATEMATIKA I KATEGÓRIA (SZAKKÖZÉPISKOLA) Javítási-értékelési útmutató A 57 olyan háromjegyű szám, amelynek számjegyei
RészletesebbenModellek és változásaik a fizikában I.
Modellek és változásaik a fizikában I. Az ókor Kicsik vagyunk, de hódítani akarunk Kis képes relativitáselmélet azok számára, akik úgy hiszik, hogy meghatározó szerepük van a passzátszél előidézésében.
RészletesebbenTELEPÜLÉSI CSAPADÉKVÍZGAZDÁLKODÁS: Érdekek, lehetőségek, akadályok
TELEPÜLÉSI CSAPADÉKVÍZGAZDÁLKODÁS: Érdekek, lehetőségek, akadályok Dr. Buzás Kálmán BME, Vízi Közmű és Környezetmérnöki Tanszék A hazai csapadékvízgazdálkodás jelen gyakorlata, nehézségei és jövőbeli lehetőségei
RészletesebbenPályázat címe: Pályázati azonosító: Kedvezményezett: Szegedi Tudományegyetem Cím: 6720 Szeged, Dugonics tér 13. www.u-szeged.hu www.palyazat.gov.
Pályázat címe: Új geerációs sorttudomáyi kézés és tartalomfejlesztés, hazai és emzetközi hálózatfejlesztés és társadalmasítás a Szegedi Tudomáyegyeteme Pályázati azoosító: TÁMOP-4...E-5//KONV-05-000 Sortstatisztika
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenBizonytalanságok melletti következtetés
Bizonytalanságok melletti következtetés Mesterséges Intelligencia I. Valószínűségi alapfogalmak (ismétlés) A, B,C események esetén a priori valószínűség: feltételes (a posteiori) valószínűség: Bayes-formula
RészletesebbenA 2015/2016. tanévi Országos Középiskolai Tanulmányi Verseny döntő forduló MATEMATIKA III. KATEGÓRIA (a speciális tanterv szerint haladó gimnazisták)
A 205/206. tanévi Országos Középiskolai Tanulmányi Verseny döntő forduló MATEMATIKA III. KATEGÓRIA a speciális tanterv szerint haladó gimnazisták Javítási-értékelési útmutató. feladat Az {,2,...,n} halmaz
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenXXVI. Erdélyi Magyar Matematikaverseny Zilah, február osztály -- I. forduló
Miisterul Educaţiei Națioale și Cercetării Știițifice Subiecte petru Etapa aţioală a Cocursului de Matematică al Liceelor Maghiare di Româia XXVI. Erdélyi Magyar Matematikaversey Zilah, 06. február 4..
RészletesebbenFurfangos fejtörők fizikából
Furfangos fejtörő fiziából Vigh Máté ELTE Komple Rendszere Fiziája Tanszé Az atomotól a csillagoig 03. április 5. . Fejtörő. A,,SLINKY-rugó'' egy olyan rugó, melyne nyújtatlan hossza elhanyagolhatóan icsi,
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
RészletesebbenExponenciális és logaritmusos kifejezések, egyenletek
Gyaorló feladato Eponenciális és logaritmusos ifejezése, egyenlete. Hatványozási azonosságo. Számítsd i a övetező hatványo pontos értéét! g) b) c) d) 7 e) f) 9 0, 9 h) 0, 6 i) 0,7 j), 6 ), l). A övetező
RészletesebbenCARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens
CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
Részletesebben1. Informatikai trendek, ágensek, többágenses rendszerek. Intelligens Elosztott Rendszerek BME-MIT, 2018
1. Informatikai trendek, ágensek, többágenses rendszerek A számítástechnika történetének 5 nagy trendje mindenütt jelenlévő (ubiquity) összekapcsolt (interconnection) intelligens delegált (delegation)
RészletesebbenA CSOPORT 4 PONTOS: 1. A
A CSOPORT 4 PONTOS:. A szám: pí= 3,459265, becslése: 3,4626 abszolút hiba: A szám és a becslés özti ülönbség abszolút értée Pl.: 0.000033 Relatív hiba: Az abszolút hiba osztva a szám abszolút értéével
Részletesebben( ) ( ) Motiváció: A derivált közelítésére gyakran használjuk a differencia hányadost: ( ) ( ) ( ) + +
4 85 Impliit Euler módszer A diszretizáiós elöléseet szálv z impliit Euler módszer l: dott : Motiváió: A derivált özelítésére gr szálu dierei ádost: Felszálv z egeletbe: Ie átredezve vgis eg impliit ormulát
RészletesebbenÁruforgalom tervezése. 1. óra A gazdasági statisztika alapjai Alapfogalmak, viszonyszámok
Áruforgalom tervezése 1. óra A gazdasági statisztika alapjai Alapfogalmak, viszonyszámok Alapvető gazdasági számítások 1. Egy vállalkozás tevékenysége nagyon összetett. Szükség van arra, hogy ismerjük
RészletesebbenAz őszi témahét programja:
Az őszi témahét programja: 2011. október 10-14 Osztály: II. Rákóczi Ferenc Általános Iskola 3.a osztályában Időkeret: 5 nap x 5 x 45 perc Kapcsolatok: NAT Környezetismeret Művészetek dráma, vizuális kultúra,
RészletesebbenHegesztés minőségbiztosítása ankét MSZ EN ISO :2017 alkalmazási tapasztalatok a személytanúsításban október 19.
Hegesztés minőségbiztosítása ankét MSZ EN ISO 9606-1:2017 alkalmazási tapasztalatok a személytanúsításban 2018. október 19. Paluska Gyula- I01 üzleti területi referens TÜV Rheinland InterCert Kft. Tartalom
RészletesebbenVÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak
Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik
RészletesebbenGyakori elemhalmazok kinyerése
Gyakori elemhalmazok kinyerése Balambér Dávid Budapesti M szaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudomány szakirány 2011 március 11. Balambér Dávid (BME) Gyakori
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 169/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenIntelligens irányítások
Intelligens irányítások Fuzzy következtető rendszerek Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. 1 Fuzzy következtető rendszer Fuzzy következtető Szabálybázis Fuzzifikáló Defuzzifikáló 2
RészletesebbenArany Dániel Matematikai Tanulóverseny 2014/2015-ös tanév első (iskolai) forduló Haladók II. kategória
Bolyai János Matematikai Társulat Arany Dániel Matematikai Tanulóverseny 01/01-ös tanév első iskolai) forduló Haladók II. kategória Megoldások és javítási útmutató 1. Adott az alábbi két egyenletrendszer:
RészletesebbenBizonytalanság Valószín ség Bayes szabály. Bizonytalanság. November 5, 2009. Bizonytalanság
November 5, 2009 i következtetés Legyen az A t akció az, hogy t perccel a repül gép indulása el tt indulunk otthonról. Kérdés, hogy A t végrehajtásával kiérünk-e id ben? Problemák: 1. hiányos ismeret (utak
Részletesebben2.2.36. AZ IONKONCENTRÁCIÓ POTENCIOMETRIÁS MEGHATÁROZÁSA IONSZELEKTÍV ELEKTRÓDOK ALKALMAZÁSÁVAL
01/2008:20236 javított 8.3 2.2.36. AZ IONKONCENRÁCIÓ POENCIOMERIÁ MEGHAÁROZÁA IONZELEKÍ ELEKRÓDOK ALKALMAZÁÁAL Az onszeletív eletród potencálja (E) és a megfelelő on atvtásána (a ) logartmusa özött deáls
RészletesebbenKísérlettervezés alapfogalmak
Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján
RészletesebbenLogikai áramkörök. Informatika alapjai-5 Logikai áramkörök 1/6
Informatika alapjai-5 Logikai áramkörök 1/6 Logikai áramkörök Az analóg rendszerekben például hangerősítő, TV, rádió analóg áramkörök, a digitális rendszerekben digitális vagy logikai áramkörök működnek.
RészletesebbenMATEMATIKA HETI 5 ÓRA. IDŐPONT: 2009. június 8.
EURÓPAI ÉRETTSÉGI 2009 MATEMATIKA HETI 5 ÓRA IDŐPONT: 2009. június 8. A VIZSGA IDŐTARTAMA: 4 óra (240 perc) ENGEDÉLYEZETT SEGÉDESZKÖZÖK : Európai képletgyűjtemény Nem programozható, nem grafikus kalkulátor
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - alapok 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 Valószínűségi
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Logikai Logikai ágens ágens cselekvésben ügyesebben - szituációkalkulustól tervkészítésig Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu,
RészletesebbenSzámelméleti alapfogalmak
Számelméleti alapfogalma A maradéos osztás tétele Legye a és b ét természetes szám, b, és a>b Aor egyértelme léteze q és r természetes számo, amelyere igaz: a b q r, r b Megevezés: a osztadó b osztó q
Részletesebben