Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására
|
|
- Bence Balla
- 7 évvel ezelőtt
- Látták:
Átírás
1 VÉGZŐS KONFERENCIA május 20, Budapest Újfajta, automatikus, döntési fa alapú adatbányászati módszer idősorok osztályozására Hidasi Balázs Konzulens: Gáspár-Papanek Csaba Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Távközlési és Médiainformatikai Tanszék Május 20.
2 Tartalom Motiváció Célok A ShiftTree algoritmus A módszer alapjai Tanulás (ötlet) Osztályozás példa Optimalizálás: többszörös modellezés Eredmények Benchmark Verseny Alkalmazási lehetőségek Beszélő felismerése Gesztusfelismerés (+felhasználó azonosítás) Gondolatok felismerése Összefoglalás 2
3 Motiváció Idősorok osztályozása Sok az idősor-jellegű adat Előtérbe kerülő alkalmazási területek Nyomkövetés Hangfelismerés Diagnosztika Gesztusfelismerés Modell Tanítás Modell Osztályozás Jelenlegi algoritmusok hátrányai Klasszikus módszerek Jelentős emberi munka (előkészítés) Nem erre találták ki Információvesztés (pontatlanság) Általában nem magyaráz Terület-specifikus algoritmusok Más területen nem hatékony 3
4 Célok Automatikus Kevés emberi munka Rövid előkészítési fázis Minél több típus általános kezelése Változók száma, osztályok száma, idősorok hossza, stb. Több területen használható (általános) Pontos osztályozás Magas találati arány Magyarázó Könnyen értelmezhető modellt épít Ellenőrizhető 4
5 ShiftTree A módszer alapjai Hibrid algoritmus Döntési fa alap Szerkezet Vágások jóság értékei Leállási feltételek Módosított csomópont-szerkezet Moduláris felépítés Szemtologató (EyeShifter) ES-Operator (ESO) Szem (pointer) mozgatás F(x) Feltételállító (ConditionBuilder) CB-Operator (CBO) Érték származtatás a szem által mutatott értékből (és környezetéből) Döntő (Decider) M Vágási helyek vizsgálata Jóságérték számítás Optimális vágás választása a lehetségesekből Feltétel kiszámítása L1 L3 Cs1 Cs3 Cs2 L4 L2 Modell ES: Szem beállítása CB: Érték számítása D: Feltétel választása Felt? 5
6 ShiftTree Tanulás (ötlet) Dinamikus attribútumok Hol nézzük? (ESO) 25 időegységgel előrefele (ESONext(25)) A globális maximumnál (ESOMax) 60 méretű intervallumon belül a legkisebb értéknél Mit nézzünk? (CBO) A pontbeli értéket () F(x) Az érték környezetének normális eloszlás szerinti súlyozott átlagát (CBONormal) Az ugrás során a lokális maximumok számát Az ugrás hosszát Tanulás egy csomópontban Leállási feltételek vizsgálata Lehetséges attribútumok kiszámolása (ESO-CBO párok) Az (első) optimális vágás megtalálása (ezt végzi a Decider) Attribútumok közül egy Feltétel érték Operátorok és a feltétel érték megjegyzése Vágás az attribútum és a feltétel alapján Kettéosztani a tanítópontokat a jobb és bal gyermeknek Rekurzívan ugyanez a gyermek csomópontokban 6
7 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0,
8 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0,
9 ShiftTree Osztályozás példa Érték: 1, szint ESOMax Felt: 2,028 ESONext(25) Felt: 0, Érték: 2,15333 Érték: 2,
10 ShiftTree Osztályozás példa Érték: 1, szint ESOMax Felt: 2,028 ESONext(25) Felt: 0, Érték: 2,15333 Érték: 2,
11 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0,
12 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0,
13 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0, Érték: -0, Érték: 1,
14 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0, Érték: -0, Érték: 1,
15 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0,
16 ShiftTree Osztályozás példa 0. szint ESOMax Felt: 2,028 ESONext(25) Felt: 0,
17 Optimalizálás: többszörös modellezés Több optimális attribútum esetén Az összeset kiválasztjuk Az összes szerint vágunk Többszörös fát építünk De csak ott sokszorozunk, ahol kell, nem az egész fát Egy másik halmazzal kiválasztjuk a legjobbat Az 1. optimális (25-öt előre) ESOPrev(25) Feltétel2 ESONext(25) Feltétel1 Ez is optimális (25-öt vissza) 8
18 Eredmények: benchmark adatokon 20 adatsor különböző területekről Egy változó Eltérő tulajdonságok 7 másik algoritmussal szemben KNN, C4.5 döntési fa, Logistic Model Tree, MLP, SVM, Naív Bayes háló, Random Forest Konfiguráció Nincs optimalizálás Legegyszerűbb operátorok Ugrás előre/hátra fix távot Ugrás a következő lokális maximumra/minimumra Ugrás a maximumra/minimumra Pontbeli érték, normális súlyozás, exponenciális súlyozás ShiftTree vs más osztályozók Optimalizálás hatása Pontosság (%) 100,00% 90,00% 80,00% 70,00% 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% 0,00% Helyezés 50Words Adiac Beef CBF Coffee Többszörös modellezés nyeséssel Többszörös modellezés Egyszerű modellezés ECG200 FaceAll FaceFour Fish GunPoint Lighting2 Lighting7 Adatsorok OliveOil OSULeaf SwedishLeaf SyntheticControl Trace TwoPatterns Wafer Yoga 9
19 Eredmények: verseny körülmények SIGKDD 07 Time Series Challange adatsorain 20 adatsor Kombinált osztályozók ellen Erősebb konfiguráció Fejlettebb operátorok Több futtatás, többségi szavazás De a paraméterek nincsenek finomhangolva Eredmények 6 első helyezés (legtöbb) 4 adatsoron még lehetne nyerni 2 adatsoron lehetne javítani 8 adatsoron kevés a tanítóminta Modell alapú algoritmusok itt elvéreznek Összesítésben: 6-8 hely Holtversenyben (a 13-ból) Db Helyezések megoszlása Helyezés ShiftTree Győztes 10
20 Alkalmazás: hang-és, gesztusfelismerés Személy felismerése az ae magánhangzó kiejtése alapján 12 változó 9 személy (osztály) Egyszerű operátorok Nincs optimalizálás Találati arány kellően magas Találati arány (%) 100,00% 90,00% 80,00% 70,00% 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% Hangfelismerés (AE): pontosság Találati arány (%) Felhasználó felismerés a "love" gesztusnál: pontosság 100,00% 90,00% 80,00% 70,00% 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% 0,00% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Tanítópontok aránya (%) 0,00% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Tanítópontok aránya (%) Gesztus adatai gyorsulásmérővel 3 változó (koordináta tengelyek) 10 gesztus, 4 felhasználó Kevés adat Lehetséges feladatok: Gesztus felismerése Adott gesztusnál a felhasználó felismerése (nehéz feladat) Bonyolult gesztusnál jobb eredmény 11 Kiemelkedő találati arány
21 Alkalmazás: Gondolat felismerés EEG hullámok osztályozása Adatsor: Két osztály: FEL, LE 6 változó Jelenleg ~90% körüli pontosság 2003-as versenyen a top3-ban Alkalmazás típusai Offline osztályozás Alkatrészek tesztelésének automatikus kiértékelése Stream adatsorban jelek felismerése Még sok nyitott kérdés Folyamatban lévő kutatás 12
22 Összefoglalás Új idősor-osztályozó: ShiftTree Automatikus Minden egydimenziós idősorral működik Operátorok definiálása a szakértő feladata Nem automatikus Pontos Már egyszerű operátorokkal, optimalizálás nélkül is kellően pontos Optimalizálással kifejezetten hatékony Ha a tanítóminta nem túl kicsi Magyarázó Könnyen értelmezhető modellek, ellenőrizhető Legnagyobb előnye: általános Tématerülettől függetlenül hatékonyan használható 13
23 További ShiftTree-vel kapcsolatos kutatási anyagok az oldalamon: Köszönöm a figyelmet! ES: Szem beállítása CB: Érték számítása Modell D: Feltétel választása ES: Szem beállítása ES: Szem beállítása CB: Érték számítása CB: Érték számítása Modell D: Feltétel választása Modell D: Feltétel választása
Hidasi Balázs. Gravity R&D BME-TMIT. ML@Bp, 2012. február 20. Budapest
Hidasi Balázs Gravity R&D BMETMIT ML@Bp, 212. február 2. Budapest Tartalom Bevezetés Idősorok Idősorosztályozás Az alap ShiftTree algoritmus Felépítés Címkézés Tanulás Futási idő Modellek értelmezése Előnyök,
RészletesebbenHidasi Balázs BHIDASI@T-ONLINE.HU
ÚJFAJTA, AUTOMATIKUS, DÖNTÉSI FA ALAPÚ ADATBÁNYÁSZATI MÓDSZER IDŐSOROK OSZTÁLYOZÁSÁRA - BŐVÍTETT ÖSSZEFOGLALÓ A 2009-ES VÉGZŐS KONFERENCIÁRA - Hidasi Balázs BHIDASI@T-ONLINE.HU Konzulens: Gáspár-Papanek
RészletesebbenÚj típusú döntési fa építés és annak alkalmazása többtényezős döntés területén
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával
RészletesebbenMODELL ALAPÚ IDŐSOR-OSZTÁLYOZÓ FEJLESZTÉSE ÉS KITERJESZTÉSE
Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Távközlési és Médiainformatikai Tanszék Hidasi Balázs (HIDASIB@FREEMAIL.HU) MODELL ALAPÚ IDŐSOR-OSZTÁLYOZÓ FEJLESZTÉSE
RészletesebbenRegresszió. 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
RészletesebbenBillentyűzési ritmus alapú azonosítás és hitelesítés érintőképernyős mobileszközökön
SZÁMOKT SZÉKELYUDVARHELY, OKTÓBER 9 12, 2014. Billentyűzési ritmus alapú azonosítás és hitelesítés érintőképernyős mobileszközökön Antal Margit, Szabó László Zsolt, László Izabella Sapientia Egyetem Műszaki
RészletesebbenTeljesen 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
RészletesebbenSZAKDOLGOZAT ÚJFAJTA, AUTOMATIKUS, DÖNTÉSI FA ALAPÚ. Hidasi Balázs ADATBÁNYÁSZATI MÓDSZER IDŐSOROK OSZTÁLYOZÁSÁRA. Konzulens: Gáspár-Papanek Csaba
SZAKDOLGOZA ÚJFAJA, AUOMAIKUS, DÖÉSI FA ALAPÚ ADABÁYÁSZAI MÓDSZER IDŐSOROK OSZÁLYOZÁSÁRA Hidasi Balázs BHIDASI@-OLIE.HU Konzulens: Gáspár-Papanek Csaba ügyvivő szakértő, ávközlési és Médiainformatikai
RészletesebbenKollektív tanulás milliós hálózatokban. Jelasity Márk
Kollektív tanulás milliós hálózatokban Jelasity Márk 2 3 Motiváció Okostelefon platform robbanásszerű terjedése és Szenzorok és gazdag kontextus jelenléte, ami Kollaboratív adatbányászati alkalmazások
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
RészletesebbenKódverifikáció gépi tanulással
Kódverifikáció gépi tanulással Szoftver verifikáció és validáció kiselőadás Hidasi Balázs 2013. 12. 12. Áttekintés Gépi tanuló módszerek áttekintése Kódverifikáció Motiváció Néhány megközelítés Fault Invariant
RészletesebbenGépi tanulás Gregorics Tibor Mesterséges intelligencia
Gépi tanulás Tanulás fogalma Egy algoritmus akkor tanul, ha egy feladat megoldása során olyan változások következnek be a működésében, hogy később ugyanazt a feladatot vagy ahhoz hasonló más feladatokat
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
RészletesebbenIV.7 MÓDSZER KIDOLGOZÁSA FELHASZNÁLÓI ADATOK VÉDELMÉRE MOBIL ALKALMAZÁSOK ESETÉN
infokommunikációs technológiák IV.7 MÓDSZER KIDOLGOZÁSA FELHASZNÁLÓI ADATOK VÉDELMÉRE MOBIL ALKALMAZÁSOK ESETÉN ANTAL Margit, SZABÓ László Zsolt 2015, január 8. BEVEZETÉS A KUTATÁS CÉLJA A felhasználó
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
Részletesebben3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás
3D - geometriai modellezés, alakzatrekonstrukció, nyomtatás 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav54
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Valószínűségi hálók - következtetés 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 Következtetés
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenIdősorok elemzése. Salánki Ágnes
Idősorok elemzése Salánki Ágnes salanki.agnes@gmail.com 2012.04.13. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék 1 Idősorok analízise Alapfogalmak Komponenselemzés
RészletesebbenParametrikus tervezés
2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók
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
RészletesebbenMély neuronhálók alkalmazása és optimalizálása
magyar nyelv beszédfelismerési feladatokhoz 2015. január 10. Konzulens: Dr. Mihajlik Péter A megvalósítandó feladatok Irodalomkutatás Nyílt kutatási eszközök keresése, beszédfelismer rendszerek tervezése
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)
RészletesebbenKutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken. Dombi József
Kutatás-fejlesztési eredmények a Számítógépes Algoritmusok és Mesterséges Intelligencia Tanszéken Dombi József Mesterséges intelligencia Klasszikus megközelítés (A*, kétszemélyes játékok, automatikus tételbizonyítás,
RészletesebbenKOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM
KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM Kernel módszerek idősor előrejelzés Mérési útmutató Készítette: Engedy István (engedy@mit.bme.hu) Méréstechnika és Információs Rendszerek Tanszék Budapesti Műszaki
RészletesebbenDöntési fák. (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART ))
Döntési fák (Klasszifikációs és regressziós fák: (Classification And Regression Trees: CART )) Rekurzív osztályozó módszer, Klasszifikációs és regressziós fák folytonos, kategóriás, illetve túlélés adatok
RészletesebbenHidraulikus hálózatok robusztusságának növelése
Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás
RészletesebbenStatisztikai módszerek a skálafüggetlen hálózatok
Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti
RészletesebbenRandom Forests - Véletlen erdők
Random Forests - Véletlen erdők Szabó Adrienn Adatbányászat és Webes Keresés Kutatócsoport 2010 Tartalom Fő forrás: Leo Breiman: Random Forests Machine Learning, 45, 5-32, 2001 Alapok Döntési fa Véletlen
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
RészletesebbenAdaptív dinamikus szegmentálás idősorok indexeléséhez
Adaptív dinamikus szegmentálás idősorok indexeléséhez IPM-08irAREAE kurzus cikkfeldolgozás Balassi Márton 1 Englert Péter 1 Tömösy Péter 1 1 Eötvös Loránd Tudományegyetem Informatikai Kar 2013. november
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenKÖZELÍTŐ INFERENCIA II.
STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.
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
RészletesebbenIntelligens 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
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenBitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján. Hegedűs István
BitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján Hegedűs István Ajánló rendszerek Napjainkban egyre népszerűbb az ajánló rendszerek alkalmazása A cégeket is hasznos információval
RészletesebbenMesterséges Intelligencia I.
Mesterséges Intelligencia I. 10. elıadás (2008. november 10.) Készítette: Romhányi Anita (ROANAAT.SZE) - 1 - Statisztikai tanulás (Megfigyelések alapján történı bizonytalan következetésnek tekintjük a
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek
Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenModell alapú tesztelés mobil környezetben
Modell alapú tesztelés mobil környezetben Micskei Zoltán Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék A terület behatárolása Testing is an activity performed
RészletesebbenRendszermodellezés. Modellellenőrzés. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék
Rendszermodellezés Modellellenőrzés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Ismétlés: Mire használunk modelleket? Kommunikáció, dokumentáció Gondolkodás,
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 15. Digitális Alakzatrekonstrukció Méréstechnológia, Ponthalmazok regisztrációja http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
RészletesebbenA hálózattervezés alapvető ismeretei
A hálózattervezés alapvető ismeretei Infokommunikációs hálózatok tervezése és üzemeltetése 2011 2011 Sipos Attila ügyvivő szakértő BME Híradástechnikai Tanszék siposa@hit.bme.hu A terv általános meghatározásai
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
RészletesebbenA LEGKÖZELEBBI SZOMSZÉD ANALÍZISHEZ SZÜKSÉGES TERÜLETI ADATBÁZISOK KIALAKÍTÁSÁNAK MÓDSZERTANI KÉRDÉSEI
A LEGKÖZELEBBI SZOMSZÉD ANALÍZISHEZ SZÜKSÉGES TERÜLETI ADATBÁZISOK KIALAKÍTÁSÁNAK MÓDSZERTANI KÉRDÉSEI Pfening Viola ELTE TTK Regionális Tudományi Tanszék Társadalom és térinformatika Innovatív módszerek
RészletesebbenJAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN
JAVASLAT A TOP-K ELEMCSERÉK KERESÉSÉRE NAGY ONLINE KÖZÖSSÉGEKBEN Supporting Top-k item exchange recommendations in large online communities Barabás Gábor Nagy Dávid Nemes Tamás Probléma Cserekereskedelem
RészletesebbenRekurzió. Dr. Iványi Péter
Rekurzió Dr. Iványi Péter 1 Függvényhívás void f3(int a3) { printf( %d,a3); } void f2(int a2) { f3(a2); a2 = (a2+1); } void f1() { int a1 = 1; int b1; b1 = f2(a1); } 2 Függvényhívás void f3(int a3) { printf(
RészletesebbenIBM SPSS Modeler 18.2 Újdonságok
IBM SPSS Modeler 18.2 Újdonságok 1 2 Új, modern megjelenés Vizualizáció fejlesztése Újabb algoritmusok (Python, Spark alapú) View Data, t-sne, e-plot GMM, HDBSCAN, KDE, Isotonic-Regression 3 Új, modern
RészletesebbenAlgoritmuselmélet. Bonyolultságelmélet. Katona Gyula Y.
Algoritmuselmélet Bonyolultságelmélet Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 12. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet
RészletesebbenAláírási jogosultság igazolása elektronikusan
Aláírási jogosultság igazolása elektronikusan Dr. Berta István Zsolt Microsec Kft. http://www.microsec.hu Elektronikus aláírás (e-szignó) (1) Az elektronikus aláírás a kódolás
RészletesebbenKözösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
RészletesebbenSZTE Eötvös Loránd Kollégium. 2. Móra György: Információkinyerés természetes nyelvű szövegekből
2010/2011 tavaszi félév SZTE Eötvös Loránd Kollégium 1. Dombi József: Fuzzy elmélet és alkalmazásai 2011. március 3. 19:00 2. Móra György: Információkinyerés természetes nyelvű szövegekből 2011. március
Részletesebben1. Bevezetés A C++ nem objektumorientált újdonságai 3
Előszó xiii 1. Bevezetés 1 2. A C++ nem objektumorientált újdonságai 3 2.1. A C és a C++ nyelv 3 2.1.1. Függvényparaméterek és visszatérési érték 3 2.1.2. A main függvény 4 2.1.3. A bool típus 4 2.1.4.
RészletesebbenÖsszefoglalás 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)
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
RészletesebbenElfedett pulzációk vizsgálata a KIC fedési kettősrendszerben
Elfedett pulzációk vizsgálata a KIC 3858884 fedési kettősrendszerben Bókon András II. éves Fizikus MSc szakos hallgató Témavezető: Dr. Bíró Imre Barna tudományos munkatárs, 216. 11. 25. Csillagok pulzációja
Részletesebben3D-s számítógépes geometria és alakzatrekonstrukció
3D-s számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav08 Dr. Várady Tamás,
RészletesebbenKéprekonstrukció 9. előadás
Képrekonstrukció 9. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem hv-konvex összefüggő halmazok Mag-burok-szerű rekonstrukció: S. Brunetti, A. Del Lungo, F.
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
RészletesebbenII. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László
A kockázat alapú felülvizsgálati és karbantartási stratégia alkalmazása a MOL Rt.-nél megvalósuló Statikus Készülékek Állapot-felügyeleti Rendszerének kialakításában II. rész: a rendszer felülvizsgálati
RészletesebbenÉrtékáram elemzés szoftveres támogatással. Gergely Judit 2013. 03. 01. Lean-klub
Értékáram elemzés szoftveres támogatással Gergely Judit 2013. 03. 01. Lean-klub Tartalom Az Értékáram és elemzésének szerepe a Leanben Értékáram modellezés és elemzés Esetpélda: termelő folyamat Képzeletbeli
RészletesebbenFodor Gábor március 17. Fodor Gábor Osztályozás március / 39
Osztályozás Fodor Gábor 2010. március 17. Fodor Gábor (fodgabor@math.bme.hu) Osztályozás 2010. március 17. 1 / 39 Bevezetés 1 Bevezetés 2 Döntési szabályok 3 Döntési fák 4 Bayes-hálók 5 Lineáris szeparálás
RészletesebbenDiplomamunkám felépítése
Üregek távolhatása gránitos kőzetkörnyezetben Tóth Szilvia Konzulensek: Dr. Török Ákos, BME Építőanyagok és Mérnökgeológia Tanszék Poromb Péter, Mott MacDonald Magyarország Kft. Diplomamunkám felépítése
RészletesebbenNagy bonyolultságú rendszerek fejlesztőeszközei
Nagy bonyolultságú rendszerek fejlesztőeszközei Balogh András balogh@optxware.com A cég A BME spin-off-ja A Hibatűrő Rendszerek Kutatócsoport tagjai alapították Tisztán magánkézben Szakmai háttér Hibatűrő
RészletesebbenOsztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton
Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke
RészletesebbenTipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján
Tipikus időbeli internetezői profilok nagyméretű webes naplóállományok alapján Schrádi Tamás schraditamas@aut.bme.hu Automatizálási és Alkalmazott Informatikai Tanszék BME A feladat A webszerverek naplóállományainak
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
RészletesebbenModellezési Kockázat. Kereskedelmi Banki Kockázatmodellezés. Molnár Márton Modellezési Vezető (Kockázatkezelés)
Modellezési Kockázat Kereskedelmi Banki Kockázatmodellezés Molnár Márton Modellezési Vezető (Kockázatkezelés) Modellek Kockázata Adathibák Szabályozói elvárások figyelmen kívül hagyása Becslési Bizonytalanság
RészletesebbenTermelés- és szolgáltatásmenedzsment
Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenA klímamodellek eredményei mint a hatásvizsgálatok kiindulási adatai
A klímamodellek eredményei mint a hatásvizsgálatok kiindulási adatai Szépszó Gabriella Országos Meteorológiai Szolgálat, szepszo.g@met.hu RCMTéR projekt 2. konzultációs workshopja 2016. február 19. TARTALOM
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
RészletesebbenElengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel. Az objektumok áthaladnak a többi objektumon
Bevezetés Ütközés detektálás Elengedhetetlen a játékokban, mozi produkciós eszközökben Nélküle kvantum hatás lép fel Az objektumok áthaladnak a többi objektumon A valósághű megjelenítés része Nem tisztán
RészletesebbenSzámítógép-rendszerek fontos jellemzői (Hardver és Szoftver):
B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)
RészletesebbenAdatbányászati feladatgyűjtemény tehetséges hallgatók számára
Adatbányászati feladatgyűjtemény tehetséges hallgatók számára Buza Krisztián Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Tartalomjegyék Modellek kiértékelése...
RészletesebbenAz értékelés során következtetést fogalmazhatunk meg a
Az értékelés során következtetést fogalmazhatunk meg a a tanuló teljesítményére, a tanulási folyamatra, a célokra és követelményekre a szülők teljesítményére, a tanulási folyamatra, a célokra és követelményekre
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
RészletesebbenSZIMULÁCIÓ ÉS MODELLEZÉS AZ ANSYS ALKALMAZÁSÁVAL
SZIMULÁCIÓ ÉS MODELLEZÉS AZ ANSYS ALKALMAZÁSÁVAL MAGYAR TUDOMÁNY NAPJA KONFERENCIA 2010 GÁBOR DÉNES FŐISKOLA CSUKA ANTAL TARTALOM A KÍSÉRLET ÉS MÉRÉS JELENTŐSÉGE A MÉRNÖKI GYAKORLATBAN, MECHANIKAI FESZÜLTSÉG
RészletesebbenKontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz
Kontrollcsoport-generálási lehetőségek retrospektív egészségügyi vizsgálatokhoz Szekér Szabolcs 1, Dr. Fogarassyné dr. Vathy Ágnes 2 1 Pannon Egyetem Rendszer- és Számítástudományi Tanszék, szekersz@gmail.com
RészletesebbenFANUC Robotics Roboguide
FANUC Robotics Roboguide 2010. február 9. Mi Mi az az a ROBOGUIDE Robot rendszer animációs eszköz ROBOGUIDE is an off-line eszköz a robot rendszer beállításához és karbantartásához ROBOGUIDE is an on-line
RészletesebbenGépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)
Gépi tanulás Hány tanítómintára van szükség? VKH Pataki Béla (Bolgár Bence) BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Induktív tanulás A tanítás folyamata: Kiinduló
Részletesebben2. Visszalépéses keresés
2. Visszalépéses keresés Visszalépéses keresés A visszalépéses keresés egy olyan KR, amely globális munkaterülete: egy út a startcsúcsból az aktuális csúcsba (az útról leágazó még ki nem próbált élekkel
RészletesebbenCsapadékmaximum-függvények változása
Csapadékmaximum-függvények változása (Techniques and methods for climate change adaptation for cities /2013-1-HU1-LEO05-09613/) Dr. Buzás Kálmán, Dr. Honti Márk, Varga Laura Elavult mértékadó tervezési
RészletesebbenÍ ÍÍÍ Í Í Í Ö Ö Ö Ö Ö Ö Ö Ö Ú É Í Ö Á Á É Ö É Ö É É Á Á Ö Ú Ö Ö Í Á É É Í Á É Í Ö Ö Á Á É Í Ö Ö Ö Ö Ö Ö Á É Ö É É Ö É Ö Í Á É É Ö Ö É Ö Í Í Í Í Ö Ö Ö Í Ö É Ö É É Ö Ö Í É Ö Í É É Ö Í É Á É É Ű Ö Í É É Ö
RészletesebbenCAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés
CAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés Farkas Zsolt Budapesti Műszaki és Gazdaságtudományi Egyetem, Gép- és Terméktervezés Tanszék 1/ 14 Tartalom -Sajátosság alapú tervezés:
RészletesebbenForgalmi 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
RészletesebbenTERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI. 1. Bevezetés
TERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI Dr. Goda Tibor egyetemi docens Gép- és Terméktervezés Tanszék 1. Bevezetés 1.1. A végeselem módszer alapjai - diszkretizáció, - szerkezet felbontása kicsi szabályos elemekre
RészletesebbenJava II. I A Java programozási nyelv alapelemei
Java II. I A Java programozási nyelv alapelemei Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 02. 19. Java II.: Alapelemek JAVA2 / 1 A Java formalizmusa A C, illetve az annak
RészletesebbenExact inference in general Bayesian networks
Exact inference in general Bayesian networks Peter Antal antal@mit.bme.hu Overview The Probability Propagation in Trees of Cliques (a.k.a. ~in join trees) Practical inference Exercises Literature: Valószínűségi
RészletesebbenTelepítési és Használati Útmutató
Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek Tanszék Telepítési és Használati Útmutató MATLAB keretrendszer és Módszerek zeneszámok
RészletesebbenCsima Judit BME, VIK, november 9. és 16.
Adatbáziskezelés Függőségőrzés, 3NF-re bontás Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. november 9. és 16. Csima Judit Adatbáziskezelés Függőségőrzés, 3NF-re bontás 1
RészletesebbenAz alállomási kezelést támogató szakértői funkciók
Az alállomási kezelést támogató szakértői funkciók dr. Kovács Attila Szakértői rendszerek Emberi szakértő kompetenciájával, tudásával rendelkező rendszer Jellemzői: Számítási műveletek helyett logikai
RészletesebbenProgramozási módszertan. Mohó algoritmusok
PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
RészletesebbenIdőzített átmeneti rendszerek
Időzített átmeneti rendszerek Legyen A egy ábécé, A = A { (d) d R 0 }. A feletti (valós idejű) időzített átmeneti rendszer olyan A = (S, T,,, ) címkézett átmeneti rendszert ( : T A ), melyre teljesülnek
Részletesebben