Mély neuronhálók alkalmazása és optimalizálása
|
|
- Andor Magyar
- 8 évvel ezelőtt
- Látták:
Átírás
1 magyar nyelv beszédfelismerési feladatokhoz január 10. Konzulens: Dr. Mihajlik Péter
2 A megvalósítandó feladatok Irodalomkutatás Nyílt kutatási eszközök keresése, beszédfelismer rendszerek tervezése magyar nyelv beszédadatbázisokhoz A neurális hálózatos módszerek hagyományos eljárásokkal szembeni teljesítményének elemzése Paraméter-nomhangolás, optimalizálás Számítási er forrásigények meghatározása
3 Akusztikus bemenetb l szöveges kimenet el állítása: lényegkiemelés mintaillesztés
4 Mintaillesztési módok súlyozások ((w)) súlyozások ((w)) Statisztikai módszerek: cél a feldolgozott hangra legjobban illeszked fonémák, szavak, szósorozatok keresése Hagyományos módszerek: rejtett Markov-modellek Az újabb kelet neurális hálózatos megoldásokkal jobb pontosság érhet el bemeneti réteg (x) f (x T w) rejtett réteg(ek) kimeneti réteg (y)
5 Kaldi: nyílt forráskódú beszédfelismer keretrendszer támogatja a klasszikus és a neurális hálós modellek tanítását is szabadon módosítható, testreszabható kódok Beszédadatbázisok híradó-hanganyagok (64 óra; 16kHz) telefonos ügyfélszolgálati hanganyagok (54, 38 és 27 óra; 8kHz)
6 A f bb kísérleti paraméterek adatbázisméret akusztikus modell (HMM vs. DNN) bemeneti jellemz k (pl. normalizálás, dimenziócsökkentés, lényegkiemelés módja) neuronháló-architektúra és tanítási paraméterek (pl. dimenziók, tanulási sebesség) lehet ségek a beszél adaptációra
7 Eredmények a hír-hanganyagokon HMM DNN WERavg % a legjobb hagyományos és neuronhálós modellek teljesítménye legjobb konguráció méret neuronháló indokolt a dimenziócsökkentés, normalizálás óra 20 óra 64 óra
8 Eredmények a hír-hanganyagokon (folyt.) beszél adaptáció újrabeszél kre az adatbázis sok ismeretlen beszél t tartalmaz, a felvételek zajosak, gyakori az egyszerre beszélés stb. megoldás: újrabeszél k alkalmazása az hangjukra tesztelési id ben adaptálható a modell az adaptáció az adaptálatlan modellhez képest 17%-os relatív javulást hoz hagyományos HMM-módszereknél neurális hálókkal is érzékelhet javulás, bár kisebb (3%)
9 Eredmények az ügyfélszolgálati hanganyagokon HMM DNN WERavg % a hír-hanganyagoknál tapasztaltak itt is érvényesek a rosszabb akusztikai körülmények miatt magasabbak a szóhibaarányok 20 1/A 2/A 2/C
10 Tanítási er forrásigények, dekódolási id , 2GB GPU , 2GB GPU , 4GB GPU , 4GB GPU , CPU , CPU Tanítási idö (perc) 10,000 8,000 6,000 4,000 Real Time Factor: RTF = t(dekódolás) t(dekódalandó anyag) Átlagos RTF a híranyagon: 0,36 2, óra 64 óra
11 Összefoglalás és további irányok neurális hálózatokkal minden esetben javulás érhet el, ez átlagosan relatív 16% a hagyományos módszerekhez képest a dimenziócsökkentés javulást hoz, dimenziós rejtett réteg teljesít a legjobban további irányok új neuronháló-architektúrák automatikus beszél klaszterezés
12 Kérdések?
13 Bírálói kérdések Mi a különbség a DEV az EVAL teszthalmazok között? Miért kell külön DEV teszthalmaz, ha egyszer a felismerés ideje elhanyagolható a betanításhoz képest? A DEV halmaz hagyományosan a modellek nomítására, az EVAL pedig a végs tesztelésre szolgál, alapvet en nem különböznek (a tartalmukat leszámítva). Mi az oka, hogy a 3.6-os táblázatban feltüntetett eredmények jelent sen rosszabbak a referenciához képest (3.2 táblázat)? Vajon az újrabeszél k rosszabbul mondták fel az elhangzottakat, mint az eredeti beszél k? Az újrabeszél -teszthalmaz anyaga nem azonos az eredeti teszthalmazzal, sokkal kisebb annál (ilyen formában csak az adaptációs lehet ségek vizsgálatára szolgált), de a kérdésben felvetett eset is el fordulhat.
14 Bírálói kérdések (folyt.) A 10 és a 20 órás adatbázison betanított modellek ugyanazon a teszthalmazon lettek tesztelve (3.4 pont)? Igen.
15 Köszönöm a gyelmet!
Mély neuronhálók alkalmazása és optimalizálása magyar nyelv beszédfelismerési feladatokhoz
Budapesti M szaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Távközlési és Médiainformatikai Tanszék Mély neuronhálók alkalmazása és optimalizálása magyar nyelv beszédfelismerési
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenBEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció
RészletesebbenBeszédfelismerés alapú megoldások. AITIA International Zrt. Fegyó Tibor
Beszédfelismerés alapú megoldások AITIA International Zrt. Fegyó Tibor fegyo@aitia.hu www.aitia.hu AITIA Magyar tulajdonú vállalkozás Célunk: kutatás-fejlesztési eredményeink integrálása személyre szabott
RészletesebbenBeszédtechnológia a médiában. Tibor Fegyó SpeechTex Kft.
Tibor Fegyó SpeechTex Kft. SpeechTex Kft Célunk korszerű beszédfelismerő motor és kapcsolódó alkalmazások, megoldások fejlesztése, kapcsolódva a hanganalitikai, hangbányászati feladatokhoz Fő kutatás-fejlesztési
RészletesebbenMit 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
RészletesebbenÖnálló laboratórium beszámoló BME-TMIT
Önálló laboratórium beszámoló BME-TMIT Készítette: Varga Ádám Csaba, KHLU9W Konzulens: Dr. Mihajlik Péter Tanév: 2013-14 tavaszi félév Téma címe: Mély neuronhálók alkalmazása a beszédfelismerésben Feladatkiírás:
RészletesebbenBeszédfelismerés, beszédmegértés
Beszédfelismerés, beszédmegértés Werner Ágnes Beszéd, ember-gép kapcsolat A beszéd az emberek közötti legtermészetesebb információátviteli forma. Az ember és a gép kapcsolatában is ez lehetne talán a legcélravezetőbb,
RészletesebbenBeszédfelismerés és videó keresés web2 módra
Beszédfelismerés és videó keresés web2 módra Web 2 Symposium, 2009. március 3. Tompa Tamás tamas.tompa@digitalnatives.hu Ki mit tud? Ki hallott már beszédfelismerésről? Ki tudja hogyan működik a beszédfelismerés?
RészletesebbenMagyar nyelvű, élő közéleti- és hírműsorok gépi feliratozása
Magyar nyelvű, élő közéleti- és hírműsorok gépi feliratozása Tarján Balázs 1,2, Varga Ádám 2, Tobler Zoltán 2, Szaszák György 1,2, Fegyó Tibor 1,3, Bordás Csaba 4 és Mihajlik Péter 1,2 1 Budapesti Műszaki
RészletesebbenIntelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
RészletesebbenEllátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével
Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási
RészletesebbenIII.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ
infokommunikációs technológiák III.6. MAP REDUCE ELVŰ ELOSZTOTT FELDOLGOZÁSI ALGORITMUSOK ÉS TESZTKÖRNYEZET KIDOLGOZÁSA ADATBÁNYÁSZATI FELADATOK VÉGREHAJTÁSÁHOZ KECSKEMÉTI ANNA KUN JEROMOS KÜRT Zrt. KUTATÁSI
RészletesebbenGépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés
Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük
RészletesebbenÚjfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására
VÉGZŐS KONFERENCIA 2009 2009. május 20, Budapest Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására Hidasi Balázs hidasi@tmit.bme.hu Konzulens: Gáspár-Papanek Csaba Budapesti
RészletesebbenMesterséges Intelligencia II. kötelező feladat (3. forduló) - Ajánló rendszer 2.
Mesterséges Intelligencia II. kötelező feladat (3. forduló) - Ajánló rendszer 2. 1. Feladat kiírása A második forduló feladata hasonlóan az előző fordulóhoz egy ajánló rendszer modelljének elkészítése.
RészletesebbenStatisztikai eljárások a mintafelismerésben és a gépi tanulásban
Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Varga Domonkos (I.évf. PhD hallgató) 2014 május A prezentáció felépítése 1) Alapfogalmak 2) A gépi tanulás, mintafelismerés alkalmazási
RészletesebbenTakács Árpád K+F irányok
Takács Árpád K+F irányok 2016. 06. 09. arpad.takacs@adasworks.com A jövőre tervezünk Az AdasWorks mesterséges intelligencia alapú szoftverterfejlesztéssel és teljes önvezető megoldásokkal forradalmasítja
RészletesebbenBeszédfelismerő szoftver adaptálása C# programozási nyelvre
Beszédfelismerő szoftver adaptálása C# programozási nyelvre Készítette: Sztahó Dávid A szoftver leírása A szoftver által megvalósított funkciók blokkvázlatát az 1. ábra mutatja. A szoftver valós idejű
RészletesebbenFőnévi csoportok azonosítása szabályalapú és hibrid módszerekkel
Főnévi csoportok azonosítása szabályalapú és hibrid módszerekkel MTA SZTAKI Nyelvtechnológiai Kutatócsoport recski@sztaki.hu TLP20 2010. november 25. Tartalom Előzmények A feladat A hunchunk rendszer A
RészletesebbenDeep Learning a gyakorlatban Python és LUA alapon. Beszédfelismerés (ASR)
Deep Learning a gyakorlatban Python és LUA alapon Szaszák György Beszédfelismerés (ASR) http://smartlab.tmit.bme.hu Nagyházik December 1, csütörtök Botz TensorFriends Ideiglenes név Bájösz VB train_validate_test_repeat
RészletesebbenGépi tanulás és Mintafelismerés
Gépi tanulás és Mintafelismerés jegyzet Csató Lehel Matematika-Informatika Tanszék BabesBolyai Tudományegyetem, Kolozsvár 2007 Aug. 20 2 1. fejezet Bevezet A mesterséges intelligencia azon módszereit,
RészletesebbenGoogle Summer of Code Project
Neuronhálózatok a részecskefizikában Bagoly Attila ELTE TTK Fizikus MSc, 2. évfolyam Integrating Machine Learning in Jupyter Notebooks Google Summer of Code Project 2016.10.10 Bagoly Attila (ELTE) Machine
RészletesebbenMakroökonómia (G-Kar és HR) gyakorló feladatok az 1. és 2. szemináriumra
Makroökonómia (G-Kar és HR) gyakorló feladatok az 1. és 2. szemináriumra 1. Feladat Az általunk vizsgált gazdaságban 2018-ban és 2019-ben csupán két terméket állítanak el : X-et és Y-t. Az ezekre vonatkozó
Részletesebben1. szemináriumi. feladatok. Ricardói modell Bevezetés
1. szemináriumi feladatok Ricardói modell Bevezetés Termelési lehetőségek határa Relatív ár Helyettesítési határráta Optimális választás Fogyasztási pont Termelési pont Abszolút előny Komparatív előny
RészletesebbenNeurális hálózatok.... a gyakorlatban
Neurális hálózatok... a gyakorlatban Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13.
RészletesebbenTARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
Részletesebben1 Rendszer alapok. 1.1 Alapfogalmak
ÉRTÉKTEREMTŐ FOLYAM ATOK MENEDZSMENTJE II. RENDSZEREK ÉS FOLYAMATOK TARTALOMJEGYZÉK 1 Rendszer alapok 1.1 Alapfogalmak 1.2 A rendszerek csoportosítása 1.3 Rendszerek működése 1.4 Rendszerek leírása, modellezése,
RészletesebbenBeszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás. Csapó Tamás Gábor
Beszédinformációs rendszerek 5. gyakorlat Mintavételezés, kvantálás, beszédkódolás Csapó Tamás Gábor 2016/2017 ősz MINTAVÉTELEZÉS 2 1. Egy 6 khz-es szinusz jelet szűrés nélkül mintavételezünk
RészletesebbenRejtett Markov Modell
Rejtett Markov Modell A Rejtett Markov Modell használata beszédfelismerésben Készítette Feldhoffer Gergely felhasználva Fodróczi Zoltán előadásanyagát Áttekintés hagyományos Markov Modell Beszédfelismerésbeli
RészletesebbenTanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok
Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
Részletesebben0 0 1 Dekódolás. Az órajel hatására a beolvasott utasítás kód tárolódik az IC regiszterben, valamint a PC értéke növekszik.
Teszt áramkör A CPU ból és kiegészítő áramkörökből kialakított számítógépet összekötjük az FPGA kártyán lévő ki és bemeneti eszközökkel, hogy az áramkör működése tesztelhető legyen. Eszközök A kártyán
RészletesebbenMély neuronhálós akusztikus modellek gyors adaptációja multi-taszk tanítással
154 XII. Magyar Számítógépes Nyelvészeti Konferencia Mély neuronhálós akusztikus modellek gyors adaptációja multi-taszk tanítással Tóth László, Gosztolya Gábor MTA-SZTE Mesterséges Intelligencia Kutatócsoport
RészletesebbenMesterséges intelligencia alapú regressziós tesztelés
Mesterséges intelligencia alapú regressziós tesztelés Gujgiczer Anna, Elekes Márton* * AZ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA ÚNKP-16-1-I. KÓDSZÁMÚ ÚJ NEMZETI KIVÁLÓSÁG PROGRAMJÁNAK TÁMOGATÁSÁVAL KÉSZÜLT
RészletesebbenFuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában
Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenA vizsgafeladat ismertetése: Az 5.3.1. B) vizsgafeladatban manipulált hanganyag értékelése
A vizsgafeladat ismertetése: Az 5.3.1. B) vizsgafeladatban manipulált hanganyag értékelése Az 5.3.3. A) és B) szóbeli vizsgafeladat elvégzéséhez a korábban elkészített soksávos hanganyag automatikákkal
RészletesebbenGépi 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
RészletesebbenRobotok inverz geometriája
Robotok inverz geometriája. A gyakorlat célja Inverz geometriai feladatot megvalósító függvények implementálása. A megvalósított függvénycsomag tesztelése egy kétszabadságfokú kar előírt végberendezés
RészletesebbenA szóbeli vizsgatevékenység sikertelen, ha bármelyik vizsgafeladat értékelése 50% alatt van.
A vizsgafeladat ismertetése: Egy rádió- vagy televízióállomás műsorfolyamából egy nap felvételének megadott szempontok szerinti részletes hangtechnikai elemzése Az 5.3.3. C) szóbeli vizsgafeladat elvégzéséhez
RészletesebbenMINTA BIZTONSÁGI KATEGORIZÁLÁS SEGÉDLET
MINTA BIZTONSÁGI KATEGORIZÁLÁS SEGÉDLET A dokumentum az Új Magyarország Fejlesztési Terv keretében, az Államreform Operatív Program támogatásával, az Elektronikus közigazgatási keretrendszer tárgyú kiemelt
RészletesebbenCrawler.NET: Elosztott webrobotok koordinálása és vezérlése
: Elosztott webrobotok koordinálása és vezérlése Hunyadi Levente 2007. június 19. Motiváció Célok Motiváció Motiváció Célok a web: szórt formában jelenlévő információ gyorsan változó tartalom friss indexadatbázishoz
RészletesebbenA szupraszegmentális jellemzők szerepe és felhasználása a gépi beszédfelismerésben. Szaszák György
Budapesti Műszaki és Gazdaságtudományi Egyetem Távközlési és Médiainformatikai Tanszék A szupraszegmentális jellemzők szerepe és felhasználása a gépi beszédfelismerésben Szaszák György Tézisfüzet Tudományos
RészletesebbenKovács Ernő 1, Füvesi Viktor 2
Kovács Ernő 1, Füvesi Viktor 2 1 Miskolci Egyetem, Elektrotechnikai - Elektronikai Tanszék 2 Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet 1 HU-3515 Miskolc-Egyetemváros 2 HU-3515 Miskolc-Egyetemváros,
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
RészletesebbenA készletezés Készlet: készletezés Indok Készlettípusok az igény teljesítés viszony szerint
A készletezés Készlet: Olyan anyagi javak, amelyeket egy szervezet (termelő, vagy szolgáltatóvállalat, kereskedő, stb.) azért halmoz fel, hogy a jövőben alkalmas időpontban felhasználjon A készletezés
RészletesebbenMULTIPARAMETRIKUS MR VIZSGÁLATOK SZEGMENTÁLÁSA NYAKI RÉGIÓBAN
Világszínvonalú intelligens és inkluzív egészségügyi információs és döntéstámogató keretrendszer (Analitic Healthcare Quality User Information) kutatása MULTIPARAMETRIKUS MR VIZSGÁLATOK SZEGMENTÁLÁSA NYAKI
RészletesebbenInfobionika ROBOTIKA. X. Előadás. Robot manipulátorok II. Direkt és inverz kinematika. Készült a HEFOP P /1.0 projekt keretében
Infobionika ROBOTIKA X. Előadás Robot manipulátorok II. Direkt és inverz kinematika Készült a HEFOP-3.3.1-P.-2004-06-0018/1.0 projekt keretében Tartalom Direkt kinematikai probléma Denavit-Hartenberg konvenció
RészletesebbenA 92. sorszámú Stúdióvezető megnevezésű szakképesítés-ráépülés szakmai és vizsgakövetelménye 1. AZ ORSZÁGOS KÉPZÉSI JEGYZÉKBEN SZEREPLŐ ADATOK
A 92. sorszámú Stúdióvezető megnevezésű szakképesítés-ráépülés szakmai és vizsgakövetelménye 1. AZ ORSZÁGOS KÉPZÉSI JEGYZÉKBEN SZEREPLŐ ADATOK 1.1. A szakképesítés-ráépülés azonosító száma: 53 213 06 1.2.
RészletesebbenÖnálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.
Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével 2011. május 22. Konzulens: Dr. Pataki Béla Tartalomjegyzék 1. Bevezetés 2 2. Források 2 3. Kiértékelő szoftver 3 4. A képek feldolgozása
RészletesebbenKörnyezetfüggő akusztikai modellek létrehozása Kullback-Leibler divergencia alapú klaszterezéssel
174 XI. Magyar Számítógépes Nyelvészeti Konferencia Környezetfüggő akusztikai modellek létrehozása Kullback-Leibler divergencia alapú klaszterezéssel Grósz Tamás, Gosztolya Gábor, Tóth László MTA-SZTE
RészletesebbenIntelligens orvosi műszerek VIMIA023
Intelligens orvosi műszerek VIMIA023 Neurális hálók (Dobrowiecki Tadeusz anyagának átdolgozásával) 2017 ősz http://www.mit.bme.hu/oktatas/targyak/vimia023 dr. Pataki Béla pataki@mit.bme.hu (463-)2679 A
RészletesebbenBeszédfelismerő modellépítési kísérletek akusztikai, fonetikai szinten, kórházi leletező beszédfelismerő kifejlesztése céljából
Beszédfelismerő modellépítési kísérletek akusztikai, fonetikai szinten, kórházi leletező beszédfelismerő kifejlesztése céljából Velkei Szabolcs, Vicsi Klára BME Távközlési és Médiainformatikai Tanszék,
Részletesebben[1000 ; 0] 7 [1000 ; 3000]
Gépi tanulás (vimim36) Gyakorló feladatok 04 tavaszi félév Ahol lehet, ott konkrét számértékeket várok nem puszta egyenleteket. (Azok egy részét amúgyis megadom.). Egy bináris osztályozási feladatra tanított
RészletesebbenGépi tanulás a gyakorlatban. Bevezetés
Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis
RészletesebbenMély neuronhálók az akusztikus modellezésben
Szeged, 2013. január 7 8. 3 Mély neuronhálók az akusztikus modellezésben Grósz Tamás, Tóth László MTA-SZTE Mesterséges Intelligencia Kutatócsoport, e-mail: groszt@sol.cc.u-szeged.hu,tothl@inf.u-szeged.hu
RészletesebbenAz egyetemi publikációs adatbázis
2008. január 23. Vázlat 1 2 3 4 Miért éri meg az új rendszer? A tanulásra fordított energia már a mostani, 2007-es adatszolgáltatáson megtérül. A publikációk azonosítása A publikáció kutatási eredmény,
RészletesebbenAz alapvető jogok biztosának Jelentése Az AJB-574/2016. számú ügyben (Előzményi ügy: AJB-4424/2015. )
Az alapvető jogok biztosának Jelentése Az AJB-574/2016. számú ügyben (Előzményi ügy: AJB-4424/2015. ) Előadó: dr. Blaskovits Márta Az eljárás megindítása Egy panaszos beadvánnyal fordult az alapvető jogok
RészletesebbenA FELSŐOKTATÁSI MINŐSÉGI DÍJ MODELL BEMUTATÁSA
MOLNÁRNÉ STADLER KATALIN TUNKLI GÁBOR A FELSŐOKTATÁSI MINŐSÉGI DÍJ MODELL BEMUTATÁSA FMD 2011 DÍJÁTADÓ, 2011. OKTÓBER 26. Minőségfejlesztés a felsőoktatásban TÁMOP-4.1.4-08/1-2009-0002 Az előadás tartalma
RészletesebbenA vasúti er sáramú szimuláció és szerepe a vasúti fejlesztések m szaki tartalmának meghatározásában
A vasúti er sáramú szimuláció és szerepe a vasúti fejlesztések m szaki tartalmának meghatározásában Rónai András Fejlesztési és Beruházási F igazgatóság, M szaki El készítés 2015.11.18. Rónai András (FBF)
Részletesebben19. melléklet a 44/2015. (XI. 2.) MvM rendelethez
19. melléklet a 44/2015. (XI. 2.) MvM rendelethez Összefoglaló tájékoztatás KÖZBESZERZÉSI ADATBÁZIS A Kbt. 113. (1) bekezdés szerinti eljárások esetében. Az érdekelt gazdasági szereplőknek tájékoztatniuk
RészletesebbenDiplomás gazdaságvédelmi szakreferens szakirányú továbbképzési szak
Diplomás gazdaságvédelmi szakreferens szakirányú továbbképzési szak 1. A szak képzési és kimeneti követelményei a. A szakirányú továbbképzés megnevezése: Diplomás gazdaságvédelmi szakreferens szak b. A
RészletesebbenA vezérlő alkalmas 1x16, 2x16, 2x20, 4x20 karakteres kijelzők meghajtására. Az 1. ábrán látható a modul bekötése.
Soros LCD vezérlő A vezérlő modul lehetővé teszi, hogy az LCD-t soros vonalon illeszthessük alkalmazásunkhoz. A modul több soros protokollt is támogat, úgy, mint az RS232, I 2 C, SPI. Továbbá az LCD alapfunkcióit
RészletesebbenTantárgy: TELJESÍTMÉNYELEKTRONIKA Tanár: Dr. Burány Nándor Tanársegéd: Mr. Divéki Szabolcs 3. FEJEZET
Tantárgy: TELJESÍTMÉNYELEKTRONIKA Tanár: Dr. Burány Nándor Tanársegéd: Mr. Divéki Szabolcs 5. félév Óraszám: 2+2 1 3. FEJEZET TÁPEGYSÉGEK A tápegységek építése, üzemeltetése és karbantartása a teljesítményelektronika
RészletesebbenOnline kérd íves felmérés a Gazdálkodás olvasóinak és szerz inek körében
389 V ITA Online kérd íves felmérés a Gazdálkodás olvasóinak és szerz inek körében FEHÉR ANDRÁS SZABÓ G. GÁBOR SZAKÁLY ZOLTÁN Kulcsszavak: elégedettség, vélemények, olvasók, szerz k, Gazdálkodás. ÖSSZEFOGLALÓ
RészletesebbenE 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
RészletesebbenMesterséges 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
RészletesebbenNAGY TELJESÍTM. Szerzők Dévai. István Automatizálási. és s Alkalmazott Informatikai Tanszék
NAGY TELJESÍTM TMÉNYŰ WEBALKALMAZÁSOK KÉSZÍTÉSE SE JAVA TECHNOLÓGI GIÁVAL Szerzők Dévai István Automatizálási és s Alkalmazott Informatikai Tanszék Az előad adás s tartalma Elméleti áttekintés Nagy teljesítményű
RészletesebbenMatematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás
Matematikai alapok és valószínőségszámítás Valószínőségi eloszlások Binomiális eloszlás Bevezetés A tudományos életben megfigyeléseket teszünk, kísérleteket végzünk. Ezek többféle különbözı eredményre
RészletesebbenTÁMOP : ÁTFOGÓ MINŐSÉGFEJLESZTÉS A KÖZOKTATÁSBAN
TÁMOP-3.1.8 : ÁTFOGÓ MINŐSÉGFEJLESZTÉS A KÖZOKTATÁSBAN TÁMOP-3.1.8 Az intézményi külső és belső értékelési rendszerek fejlesztése A tanulói teljesítménymérés rendszerének fejlesztése A Magyar Képesítési
RészletesebbenObjektív beszédminősítés
Objektív beszédminősítés Fegyó Tibor fegyo@tmit.bme.hu Beszédinformációs rendszerek -- Objektív beszédminõsítés 1 Beszédinformációs rendszerek -- Objektív beszédminõsítés 2 Bevezető kérdések Mi a [beszéd]
RészletesebbenEEG mérések hardveres és szoftveres validációja
EEG mérések hardveres és szoftveres validációja Kovács Annamária EAR1LJ Szoftver verifikáció és validáció 2015-12-10 Az elektroenkefalográfiáról (EEG) Az EEG olyan pszichofiziológiai mérési eljárás, mely
RészletesebbenAdatmodellezés, alapfogalmak. Vassányi István
Adatmodellezés, alapfogalmak Vassányi István Alapok A helyes modell az információs rendszer későbbi használhatóságánakazalapja, olyanmint a jómunkaruha: véd, de nem akadályozza a munkát Objektum-orientált
RészletesebbenHadházi Dániel.
Hadházi Dániel hadhazi@mit.bme.hu Orvosi képdiagnosztika: Szerepe napjaink orvoslásában Képszegmentálás orvosi kontextusban Elvárások az adekvát szegmentálásokkal szemben Verifikáció és validáció lehetséges
RészletesebbenA neurális hálózatok tanításának alapjai II.: Módszerek a túltanulás elkerülésére. Szoldán Péter
>ready to transmit A neurális hálózatok tanításának alapjai II.: Módszerek a túltanulás elkerülésére Szoldán Péter A hálózatnak nincs kontextusa Képzeljék el, hogy amióta megszülettek, semmit mást nem
RészletesebbenKulcsszókeresési kísérletek hangzó híranyagokon beszédhang alapú felismerési technikákkal
224 VII. Magyar Számítógépes Nyelvészeti Konferencia Kulcsszókeresési kísérletek hangzó híranyagokon beszédhang alapú felismerési technikákkal Gosztolya Gábor 1, Tóth László 1 1 MTA-SZTE Mesterséges Intelligencia
RészletesebbenTANMENET INFORMATIKA (0. évfolyamos képzés) 9.A1 9.A2 csoport
9.A1 9.A2 csoport 3 óra/hét I. INFORMÁCIÓS TÁRSADALOM, INFORMÁCIÓ TECHNOLÓGIA A kommunikáció 2. A jelek csoportosítása 3. Kód, kódolás, bináris kód 4. A kommunikáció általános modellje 5. Az információ
RészletesebbenMakroökonómia. 2. szeminárium
Makroökonómia 2. szeminárium Óra előtt Előadásdiák, órai feladatok, gyakorlók, tavalyi ZH, házi feladat stb. https://makrogyakorlatok.wordpress.com/ Következő órán ZH!! 12 pont 20 perc GDP, közbülső termék,
RészletesebbenDeep 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
RészletesebbenIntelligens adatelemzés
Antal Péter, Antos András, Horváth Gábor, Hullám Gábor, Kocsis Imre, Marx Péter, Millinghoffer András, Pataricza András, Salánki Ágnes Intelligens adatelemzés Szerkesztette: Antal Péter A jegyzetben az
RészletesebbenAz olvasási képesség szerepe a matematikai gondolkodás fejlődésében. Steklács János Kecskeméti Főiskola Humán Tudományok Intézete steklacs@gmail.
Az olvasási képesség szerepe a matematikai gondolkodás fejlődésében Steklács János Kecskeméti Főiskola Humán Tudományok Intézete steklacs@gmail.com Vázlat Számolás és olvasás Szöveges feladatok Az olvasási
RészletesebbenHordozott szám statisztika
Hordozott szám statisztika Az alábbi táblázat a hordozott számát tartalmazza a hónap utolsó napjának 24:00 órai állapota szerint: 2015 (SHS=20, 30, 31, 70) január 738 010 769 052 734 434 4 2 2 251 600
Részletesebben1. gyakorlat. Mesterséges Intelligencia 2.
1. gyakorlat Mesterséges Intelligencia. Elérhetőségek web: www.inf.u-szeged.hu/~gulyasg mail: gulyasg@inf.u-szeged.hu Követelmények (nem teljes) gyakorlat látogatása kötelező ZH írása a gyakorlaton elhangzott
RészletesebbenMit gondolnak a vállalatvezetők az üzleti kapcsolatok értékéről?
Mit gondolnak a vállalatvezetők az üzleti kapcsolatok értékéről? MANDJÁK Tibor Marketing professzor, Bordeaux École de Management valamint Budapesti Közgazdaságtudományi és Államigazgatási Egyetem 680,
RészletesebbenTantárgyi követelmény Szakiskola 9/E évfolyam
Tantárgyi követelmény Szakiskola 9/E évfolyam 2015/2016 TARTALOMJEGYZÉK 1. Magyar nyelv és irodalom... 3 2. Állampolgári ism.... 4 3. Erkölcstan... 5 4. Angol... 6 5. Matematika... 7 6. Természetismeret...
RészletesebbenII. LABOR Tanulás, Perceptron, Adaline
II. LABOR Tanulás, Perceptron, Adaline A dolgozat célja a tanító algoritmusok osztályozása, a tanító és tesztel halmaz szerepe a neuronhálók tanításában, a Perceptron és ADALINE feldolgozó elemek struktúrája,
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 6. Előadás Problémaosztályok http://digitus.itk.ppke.hu/~flugi/ Emlékeztető A specifikáció egy előfeltételből és utófeltételből álló leírása a feladatnak Léteznek olyan feladatok,
RészletesebbenELEKTRONIKAI ALAPISMERETEK
ÉRETTSÉGI VIZSGA 2015. október 12. ELEKTRONIKAI ALAPISMERETEK EMELT SZINTŰ ÍRÁSBELI VIZSGA 2015. október 12. 14:00 Az írásbeli vizsga időtartama: 240 perc Pótlapok száma Tisztázati Piszkozati EMBERI ERŐFORRÁSOK
RészletesebbenDigitális bemenetek: 2 darab 0-5V jelszintű digitális bemenet Pl. nyitásérzékelők, risztóközpontok, mozgásérzékelők, átjelzők, stb.
Termék Ismertető Műszaki Információk Használati utasítás Technikai adatok: Tápfeszültség: 12-24V Digitális / Logikai kimenetek: 8 darab open-collector kimenet, közvetlenül relé meghajtására alkalmasak,
RészletesebbenAUTONÓM JÁRMŰVEK A POLGÁRI JOGI FELELŐSSÉG ÉS A SZERZŐI JOG SZEMSZÖGÉBŐL
AIDA XV. Budapest Biztosítási Kollokvium AUTONÓM JÁRMŰVEK A POLGÁRI JOGI FELELŐSSÉG ÉS A SZERZŐI JOG SZEMSZÖGÉBŐL Dr. Somkutas Péter IT ARCHITECT, JOGÁSZ AZ ÖNVEZETŐ AUTÓ ELSŐ ISMÉRVE: NEM VEZETI ÖNMAGÁT.
RészletesebbenAz új történelemérettségi hatása a történelemtanítás megújítására
Pécsi Tudományegyetem Oktatás és Társadalom Neveléstudományi Doktori Iskola Kaposi József Az új történelemérettségi hatása a történelemtanítás megújítására (Az új történelemérettségi kidolgozása hazai
RészletesebbenA hallgatói preferenciák elemzése statisztikai módszerekkel
A hallgatói preferenciák elemzése statisztikai módszerekkel Kosztyán Zsolt Tibor 1, Katona Attila Imre 1, Neumanné Virág Ildikó 2, Telcs András 1 1,2 Pannon Egyetem, 1 Kvantitatív Módszerek Intézeti Tanszék,
RészletesebbenAgrárinformatikai kutatások helyzetének áttekintése
Agrárinformatikai kutatások helyzetének áttekintése Pitlik László (MAGISZ, SZIE) I. Agrárinformatikai Nyári Egyetem 2004. 08. 25-27. Gödöllő Szervezők: MAGISZ, HUNAGI, SZIE Áttekintés Definíciókísérletek
RészletesebbenBOI LÁSZLÓ AZ UTAZÓ BŰNÖZÉS ÉS A SOROZATBŰNCSELEKMÉNYEK ÖSSZEFÜGGÉSEI
BOI LÁSZLÓ AZ UTAZÓ BŰNÖZÉS ÉS A SOROZATBŰNCSELEKMÉNYEK ÖSSZEFÜGGÉSEI A vagyon elleni bűncselekmények felderítésénél nem hagyható figyelmen kívül az utazó bűnözés jelensége sem, amellyel főleg betörési
RészletesebbenA deprivációs folyamatok várható alakulása a klímaváltozás árnyékában
KLÍMAHATÁS AZ ÉGHAJLATVÁLTOZÁS HATÁSAINAK KOMPLEX VIZSGÁLATA, KÖRNYEZET ÉS TÁRSADALOM MŰHELYKONFERENCIA Sopron, 2015.november 27. A deprivációs folyamatok várható alakulása a klímaváltozás árnyékában Dr.
Részletesebben