Mesterséges Intelligencia 1

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Mesterséges Intelligencia 1"

Átírás

1 Mesterséges Intelligencia Egy ember kecskét, farkast és kápostát seretne átvinni egy folyón, de csak egy kis csónakot talál, amelybe rajta kívül csak egy tárgy fér. Hogyan tud a folyón úgy átkelni, hogy. a farkas ne falja fel a kecskét, 2. a kecske ne egye meg a kápostát? (bekövetkene, ha eek felügyelet nélkül együtt maradnának) Repreentáljuk a feladatot keresési feladatként. Aa:. építsük meg a feladat állapotterét; 2. adjuk meg a elfogadható állapotokat; 3. írjuk fel a operátorokat (műveleteket) és építsük fel a gráfot; 4. határounk meg egy utat aa megoldást a feladatra. Adott a mellékelt gráf. A A csomópontból seretnénk eljutni a H csomópontba. Írjuk fel a meglátogatott csomópontokat sorrendben, ha a keresési stratégia a. sélességi keresés, és csomópontokat balról jobbra terjestünk ki; 2. sélességi keresés, és csomópontokat jobbról balra terjestünk ki; 3. mélységi keresés, és csomópontokat balról jobbra terjestünk ki. A B C D E F G H I J Javaslat: kiárással vagy logikai formulával.

2 Mesterséges Intelligencia 2 Adott a mellékelt gráf. Milyen sorrendben járja be a mélységi keresési stratégiával a B-ből a H-t kereső algoritmus a gráfot, ha a. keresés során a aonos sinten lévő csomópontok köül mindig a 2-től induló, óramutató járásával ellenkeő irányba haladunk? A B C D 2. Mi les a bejárási sorrend, ha a irányt a óramutató járásának megfelelőre váltotatjuk? E F G H I J

3 Mesterséges Intelligencia 3 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; x y 5x 2 y + y + 5x y 2 + 3x 2 y 2 2y 2 2x + x 2 + Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = /4; x 2 = /4; x 3 = 2/4 Keressük meg a Y játékos optimális stratégiáját; 3/4 y = /28; y 2 = 9/28; y 3 = 8/28 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.

4 Mesterséges Intelligencia 4 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 6x y 0x 2 y + 6y + 2x y 2 2x 2 y 2 + 3x 2 Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = 3/8; x 2 = 3/8; x 3 = 2/8 Keressük meg a Y játékos optimális stratégiáját; /8 y = 3/6; y 2 = 9/6; y 3 = 4/6 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.

5 Mesterséges Intelligencia 5 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 3x y x 2 y + 5x 2 y 2 + 3x y 2 2x x 2 y 2y 2 + Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = 7/8; x 2 = 3/8; x 3 = 8/8 Keressük meg a Y játékos optimális stratégiáját; /8 y = 7/8; y 2 = 5/8; y 3 = 6/8 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.

6 Mesterséges Intelligencia 6 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 2x y 8x 2 y + 4y + 6x y 2 y 2 2x + 2x 2 Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = 4/24; x 2 = /24; x 3 = 9/24 Keressük meg a Y játékos optimális stratégiáját; 7/2 y = 3/2; y 2 = 5/2; y 3 = 4/2 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.

7 Mesterséges Intelligencia 7 Feladat. Legyen egy éró-össegű játék nyereségmátrixa a követkeő: Állapítsuk meg a X játékos tista stratégiáját; v 2 v 3 Írjuk fel a játék értékét a játékosok kevert stratégiájának a függvényében; 6x y + 4x y 2 + x 2 y + 4x 2 y 2 3x 2x 2 2y 3y Keressük meg a X játékos optimális stratégiáját; Sámítsuk ki a játék értékét; x = /4; x 2 = /2; x 3 = /4 Keressük meg a Y játékos optimális stratégiáját; /4 y = /5; y 2 = 9/20; y 3 = 7/20 Ellenőriük a játék értékének a helyességét a Y serinti újrasámolással.

8 Mesterséges Intelligencia Feladat. Legyen a alábbi fuy halmarendser µ µ alacsony µ koepes µ magas T - hőmérséklet és a követkeő fuy sabály-tábla X Y Alacsony Köepes Magas Alacsony Köepes Alacsony Köepes Alacsony Köepes Magas Köepes Magas Alacsony ahol nem megengedett állapot Határouk meg a X = 77.5 és Y = 68.0 pontoknak megfelelő fuy követketetést (magyaráuk meg a eredményt). Meghatárouk a bemeneti értékek hoátartoását a különböő halmaokho: X magas = 0.75 és X koepes = 0.25 Y koepes =.00 µ X k, Y k X m, Y k Határouk meg a X = 85.0 és Y = 68.0 pontoknak megfelelő fuy követketetést (magyaráuk meg a eredményt). Hasonlóan! Határouk meg a X = 57.5 és Y = 77.5 pontoknak megfelelő fuy követketetést (magyaráuk meg a eredményt). T Hasonlóan!

9 Mesterséges Intelligencia 2 Feladat: A modus ponens a klassikus logika követketetési sabálya, melynek formája } a b a b Aa a klassikus logikában a (a (a b)) b tautológia. A fuy logikában a lehetséges logikai értékek a [0, ] intervallumban vannak. Határouk meg a modus ponens sabály fuy µ MP (µ(a), µ(b)) függvényét a követkeő logikák esetében:. T (µ(a), µ(b)) = µ(a)µ(b) S (µ(a), µ(b)) = µ(a) + µ(b) µ(a)µ(b); egyserűsítő jelőlés: µ(a) def = a és µ(b) def = b; 2. T (µ(a), µ(b)) = min(µ(a), µ(b)) S (µ(a), µ(b)) = max(µ(a), µ(b)); µ MP (a, b) = ( 2 a( b)) 2 egyserűsítő jelőlés: µ(a) def = a és µ(b) def = b; µ MP (a, b) = max ( a, b, min (a, b)) 3. T (µ(a), µ(b)) = max(0, µ(a) + µ(b) ) S (µ(a), µ(b)) = min(, µ(a) + µ(b)); Gyakorlat! b a 0.8 b a () (2)

10 Mesterséges Intelligencia 3 Feladat. Egy bank fuy sakértői rendsert seretne kidolgoni hitelek kockáatának a megállapítására. A jelentkeők keresete (EUR), életkora és végettsége alapján seretne egy sabályrendsert kidolgoni, mely serint kis/köepes/magas kockáatú ostályba sorol be egy adott össegű hitelt.. Hány fuy váltoónk les? Specifikáljuk. 2. Építsünk egy fuy sabálytáblát, logikus működési értékekkel. Feladat. Találjuk meg a követkeő T-normákho tartoó S-konormákat 2 : T(a, b) = ab; T(a, b) = max(0, a + b ); b if a = T(a, b) = a if b = ; 0 otherwise 2 T(a, b) = S( a, b)

11 Mesterséges Intelligencia 4 Feladat. Legyen a alábbi perceptron-modell, ahol a {x n } D bemenetei, {w n } D a súlyok, y a kimeneti érték. a perceptron x w x 0 = x 2 w 2 D k=0 w 0 = b y x D w D írjuk fel a sereplő mennyiségek típusait (logikai vagy valós) illetve a transformációs függvényt a nem-valós adatok valóssá tételéhe. x k { T, F } k D A átalakító függvény: g : { T, F } {, } { if x = F g(x) = if x = T Építsünk egy perceptron modellt a a b logikai műveletre. a b 2 k=0 y

12 Mesterséges Intelligencia 5 Feladat. Legyen a alábbi perceptron-modell, ahol a {x n } D bemenetei, {w n } D a súlyok, y a kimeneti érték. a perceptron x w x 0 = x 2 w 2 D k=0 w 0 = b y x D w D írjuk fel a sereplő mennyiségek típusait (logikai vagy valós) illetve a transformációs függvényt a nem-valós adatok valóssá tételéhe. x k { T, F } k D A átalakító függvény: g : { T, F } {, } { if x = F g(x) = if x = T Építsünk egy perceptron modellt a a b logikai műveletre. a b 2 k=0 y

13 Mesterséges Intelligencia 6 Feladat. Legyen a alábbi perceptron-modell, ahol a {x n } D bemenetei, {w n } D a súlyok, y a kimeneti érték. a perceptron x w x 0 = x 2 w 2 D k=0 w 0 = b y x D w D írjuk fel a sereplő mennyiségek típusait (logikai vagy valós) illetve a transformációs függvényt a nem-valós adatok valóssá tételéhe. x k { T, F } k D A átalakító függvény: g : { T, F } {, } { if x = F g(x) = if x = T Magyaráuk meg, hogy a logikai XOR feladatot egy perceptron miért nem tudja megoldani (magyaráuk meg a fogalmakat). mert a négy pont nem separálható lineárisan. Építsünk egy többrétegű perceptron modellt a XOR logikai műveletre. a XOR b = ( a b ) (a b) A kétsintes perceptron rejtett sintjein implementáljuk a a b illetve a a b műveleteket, a második sinten a logikai vagy műveletet. a b f() f() f() y

Mesterséges Intelligencia Feladatok 1

Mesterséges Intelligencia Feladatok 1 Mesterséges Intelligencia Feladatok. Egy ember kecskét, farkast és káposztát szeretne átvinni egy folyón, de csak egy csónakot talál, amelybe rajta kívül csak egy tárgy fér. Hogyan tud a folyón úgy átkelni,

Részletesebben

7. feladatsor: Laplace-transzformáció (megoldás)

7. feladatsor: Laplace-transzformáció (megoldás) Matematika Ac gyakorlat Vegyésmérnöki, Biomérnöki, Környeetmérnöki sakok, 017/18 ős 7. feladatsor: Laplace-transformáció (megoldás) 1. A definíció alapján sámoljuk ki a követkeő függvények Laplace-transformáltját.

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008

Mesterséges 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

Részletesebben

Mesterséges intelligencia 2. laborgyakorlat

Mesterséges intelligencia 2. laborgyakorlat Mesterséges intelligencia 2. laborgyakorlat Keresési módszerek A legtöbb feladatot meg lehet határozni keresési feladatként: egy ún. állapottérben, amely tartalmazza az összes lehetséges állapotot fogjuk

Részletesebben

Problémamegoldás kereséssel. Mesterséges intelligencia március 7.

Problémamegoldás kereséssel. Mesterséges intelligencia március 7. Problémamegoldás kereséssel Mesterséges intelligencia 2014. március 7. Bevezetés Problémamegoldó ágens Kívánt állapotba vezető cselekvéseket keres Probléma megfogalmazása Megoldás megfogalmazása Keresési

Részletesebben

Intelligens Rendszerek Elmélete IRE 4/32/1

Intelligens Rendszerek Elmélete IRE 4/32/1 Intelligens Rendszerek Elmélete 4 IRE 4/32/1 Problémamegoldás kereséssel http://nik.uni-obuda.hu/mobil IRE 4/32/2 Egyszerű lények intelligenciája? http://www.youtube.com/watch?v=tlo2n3ymcxw&nr=1 IRE 4/32/3

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363 1/6 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 46/6 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció stratégiák Szemantikus hálók

Részletesebben

Adatszerkezetek 7a. Dr. IványiPéter

Adatszerkezetek 7a. Dr. IványiPéter Adatszerkezetek 7a. Dr. IványiPéter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér () Nincsennek hurkok!!! 2 Bináris fák Azokat a

Részletesebben

A feladatsorok összeállításánál felhasználtuk a Nemzeti Tankönyvkiadó RT. Gyakorló és érettségire felkészítő feladatgyűjtemény I III. példatárát.

A feladatsorok összeállításánál felhasználtuk a Nemzeti Tankönyvkiadó RT. Gyakorló és érettségire felkészítő feladatgyűjtemény I III. példatárát. Oros Gyula, 00. november Emelt sintű érettségi feladatsor Össeállította: Oros Gyula; dátum: 00. október A feladatsorok össeállításánál felhasnáltuk a Nemeti Tankönyvkiadó RT. Gyakorló és érettségire felkésítő

Részletesebben

Dinamikus modellek szerkezete, SDG modellek

Dinamikus modellek szerkezete, SDG modellek Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.

Részletesebben

Mesterséges intelligencia 3. laborgyakorlat

Mesterséges intelligencia 3. laborgyakorlat Mesterséges intelligencia 3. laborgyakorlat Kétszemélyes játékok - Minimax A következő típusú játékok megoldásával foglalkozunk: (a) kétszemélyes, (b) determinisztikus, (c) zéróösszegű, (d) teljes információjú.

Részletesebben

Logikai ágensek. Mesterséges intelligencia március 21.

Logikai ágensek. Mesterséges intelligencia március 21. Logikai ágensek Mesterséges intelligencia 2014. március 21. Bevezetés Eddigi példák tudásra: állapotok halmaza, lehetséges operátorok, ezek költségei, heurisztikák Feltételezés: a világ (lehetséges állapotok

Részletesebben

Intelligens irányítások

Intelligens irányítások Intelligens irányítások Fuzzy halmazok Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. Arisztotelészi szi logika 2 Taichi Yin-Yang Yang logika 3 Hagyományos és Fuzzy halmaz Egy hagyományos halmaz

Részletesebben

Dunaújvárosi Főiskola Informatikai Intézet

Dunaújvárosi Főiskola Informatikai Intézet Dunaújvárosi Főiskola Informatikai Intézet Bizonytalanságkezelés Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu Bizonytalan tudás forrása A klasszikus logikában a kijelentések vagy igazak

Részletesebben

A félév során előkerülő témakörök

A félév során előkerülő témakörök A félév során előkerülő témakörök rekurzív algoritmusok rendező algoritmusok alapvető adattípusok, adatszerkezetek, és kapcsolódó algoritmusok dinamikus programozás mohó algoritmusok gráf algoritmusok

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk 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

Részletesebben

Felsőbb Matematika Informatikusoknak D házi feladatok a Sztochasztika 2 részhez 2013 tavasz

Felsőbb Matematika Informatikusoknak D házi feladatok a Sztochasztika 2 részhez 2013 tavasz Felsőbb Matematika Informatikusoknak D hái feladatok a Stochastika réshe tavas Minden héten össesen egy pontot érnek a kitűött feladatok HF: (Beadási határidő: 4) HF Egy kétsemélyes internetes vetélkedő-játékban

Részletesebben

Kétszemélyes játékok Gregorics Tibor Mesterséges intelligencia

Kétszemélyes játékok Gregorics Tibor Mesterséges intelligencia Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri

Részletesebben

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék 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)

Részletesebben

V. Kétszemélyes játékok

V. Kétszemélyes játékok Teljes információjú, véges, zéró összegű kétszemélyes játékok V. Kétszemélyes játékok Két játékos lép felváltva adott szabályok szerint. Mindkét játékos ismeri a maga és az ellenfele összes választási

Részletesebben

Ö Á Í Í ű ű ú ű ű ű ű ú ú ú ú ű ű ű ű ű ű ű ű ű ú ű ú ú ú ű ú Á ú ű ű Ó ú ű ű ű ú Ó ú ű ú É ú ú ú ű ű ú ű ú Ú Á ú É ú Ó ú ú ú ú ű ű ű ú É Á É É ű ű Í ú ú Ó Í ű Í ű ű ú ű ű ű É ű ú Á ű ű ú Í ű Á ű ú ú É

Részletesebben

ö ö ö ö ö ö ö ű ű ö ö ö ö ö Ő ö Ó Ú ö Ö ö ö ö ö Ö Ő ö ö Í Ó Ó Ő ö ö ö ö ö Ő Ő Ó Ő É ö Ú ö ö Ő ö ö ö ö ö ö ö Ő ö Ő É ö Ő ö ö Ő ö ö ö Ó ű ö ö ö Ő ö ö ö Í Ő Ó Í ö ö ö ö Ő Ő Ő Ő Í Ó Ő Ő Í Ő ö ö ö ö ö Ő Ő ö

Részletesebben

Ú ű ü ü Ü ű É É Ö Ö Á ü ü ü ű É ú Á Ö Ü ü ü ű É Á É Ű ű Ü Ü ű ü ű ü ű ü Ü ü ü Ű Á Á Á ű ú ű Á Ó Ó É Á Ó Á Ó ű ü ü ű ű ü ú ú ü ü ü ű ü ű Ü ű ü ü ú ü Ö ü ú ú ü ü ü ü ű ú ü Ó ü Ó Ó ü ü Ó ü ü Ó ű ű ú ű ű ü

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan

Részletesebben

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje

1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje 1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt

Részletesebben

Kereső algoritmusok a diszkrét optimalizálás problémájához

Kereső algoritmusok a diszkrét optimalizálás problémájához Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások

Részletesebben

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla

Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79

Részletesebben

Egzakt következtetés (poli-)fa Bayes-hálókban

Egzakt következtetés (poli-)fa Bayes-hálókban gakt követketetés pol-fa Baes-hálókban Outlne Tpes of nference B method: exact, stochastc B purpose: dagnostc sngle-step, sequental DSS, explanaton generaton Hardness of exact nference xact nference n

Részletesebben

FÜGGVÉNYEK. 2. a) Írj fel olyan lineáris függvényt, amely illeszkedik a ( 2 ; 1) és (2 ; 3) pontokra!

FÜGGVÉNYEK. 2. a) Írj fel olyan lineáris függvényt, amely illeszkedik a ( 2 ; 1) és (2 ; 3) pontokra! FÜGGVÉNYEK. Döntsd el, hogy melyik állítás iga, illetve melyik hamis! a Minden absolutérték függvénynek van sigorúan monoton csökkenő sakasa b Minden absolutérték függvénynek van maimuma c Minden másodfokú

Részletesebben

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék 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

Részletesebben

Totális Unimodularitás és LP dualitás. Tapolcai János

Totális Unimodularitás és LP dualitás. Tapolcai János Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31. Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert

Részletesebben

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I. : Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3

Részletesebben

2.2. A z-transzformált

2.2. A z-transzformált 22 MAM2M előadásjegyet, 2008/2009 2. A -transformált 2.. Egy információátviteli probléma Legyen adott egy üenetátviteli rendserünk, amelyben a üeneteket két alapjel mondjuk a és b segítségével kódoljuk

Részletesebben

Gépi tanulás a Rapidminer programmal. Stubendek Attila

Gépi tanulás a Rapidminer programmal. Stubendek Attila Gépi tanulás a Rapidminer programmal Stubendek Attila Rapidminer letöltése Google: download rapidminer Rendszer kiválasztása (iskolai gépeken Other Systems java) Kicsomagolás lib/rapidminer.jar elindítása

Részletesebben

2. Visszalépéses keresés

2. 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

Részletesebben

Kereső algoritmusok a diszkrét optimalizálás problémájához

Kereső algoritmusok a diszkrét optimalizálás problémájához Kereső algoritmusok a diszkrét optimalizálás problémájához A. Grama, A. Gupta, G. Karypis és V. Kumar: Introduction to Parallel Computing, Addison Wesley, 2003. könyv anyaga alapján A kereső eljárások

Részletesebben

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017.

Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák

Részletesebben

Feladatok Oktatási segédanyag

Feladatok Oktatási segédanyag VIK, Műsaki Informatika ANAÍZIS () Komplex függvénytan Feladatok Oktatási segédanyag A Villamosmérnöki és Informatikai Kar műsaki informatikus hallgatóinak tartott előadásai alapján össeállította: Frit

Részletesebben

ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA)

ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA) ÍTÉLETKALKULUS SZINTAXIS ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA) jelkészlet elválasztó jelek: ( ) logikai műveleti jelek: ítéletváltozók (logikai változók): p, q, r,... ítéletkonstansok: T, F szintaxis szabályai

Részletesebben

Térinformatikai algoritmusok Elemi algoritmusok

Térinformatikai algoritmusok Elemi algoritmusok Cserép Máté Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot oldottuk meg korábban,

Részletesebben

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,

Részletesebben

Modellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék

Modellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Keresés ellenséges környezetben 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 Ellenség

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363 1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 262/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák

Részletesebben

2) Tervezzen Stibitz kód szerint működő, aszinkron decimális előre számlálót! A megvalósításához

2) Tervezzen Stibitz kód szerint működő, aszinkron decimális előre számlálót! A megvalósításához XIII. szekvenciális hálózatok tervezése ) Tervezzen digitális órához, aszinkron bináris előre számláló ciklus rövidítésével, 6-os számlálót! megvalósításához negatív élvezérelt T típusú tárolót és NN kaput

Részletesebben

Térinformatikai algoritmusok Elemi algoritmusok

Térinformatikai algoritmusok Elemi algoritmusok Cserép Máté 2016. szeptember 14. Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot

Részletesebben

A logikai következmény

A logikai következmény Logika 3 A logikai következmény A logika egyik feladata: helyes következtetési sémák kialakítása. Példa következtetésekre : Minden veréb madár. Minden madár gerinces. Minden veréb gerinces 1.Feltétel 2.Feltétel

Részletesebben

Tartalom Keresés és rendezés. Vektoralgoritmusok. 1. fejezet. Keresés adatvektorban. A programozás alapjai I.

Tartalom Keresés és rendezés. Vektoralgoritmusok. 1. fejezet. Keresés adatvektorban. A programozás alapjai I. Keresés Rendezés Feladat Keresés Rendezés Feladat Tartalom Keresés és rendezés A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán

Részletesebben

angolul: greedy algorithms, románul: algoritmi greedy

angolul: greedy algorithms, románul: algoritmi greedy Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város

Részletesebben

Algoritmusok helyességének bizonyítása. A Floyd-módszer

Algoritmusok helyességének bizonyítása. A Floyd-módszer Algoritmusok helyességének bizonyítása A Floyd-módszer Algoritmusok végrehajtása Egy A algoritmus esetében a változókat három változótípusról beszélhetünk, melyeket az X, Y és Z vektorokba csoportosítjuk

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek

Részletesebben

Keresés és rendezés. A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán

Keresés és rendezés. A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán Keresés Rendezés Feladat Keresés és rendezés A programozás alapjai I. Hálózati Rendszerek és Szolgáltatások Tanszék Farkas Balázs, Fiala Péter, Vitéz András, Zsóka Zoltán 2016. november 7. Farkas B., Fiala

Részletesebben

SZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE

SZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE SZÁLLÍTÁSI FELADAT KÖRUTAZÁSI MODELL WINDOWS QUANTITATIVE SUPPORT BUSINESS PROGRAMMAL (QSB) JEGYZET Ábragyűjtemény Dr. Réger Béla LÉPÉSRŐL - LÉPÉSRE KÖRUTAZÁSI MODELL AVAGY AZ UTAZÓÜGYNÖK PROBLÉMÁJA Induló

Részletesebben

Algoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13.

Algoritmuselmélet. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem. 13. Algoritmuselmélet NP-teljes problémák Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 13. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet

Részletesebben

Melykeres(G) for(u in V) {szin(u):=feher Apa(u):=0} for(u in V) {if szin(u)=feher then MBejar(u)}

Melykeres(G) for(u in V) {szin(u):=feher Apa(u):=0} for(u in V) {if szin(u)=feher then MBejar(u)} Mélységi keresés Ez az algoritmus a gráf pontjait járja be, eredményképpen egy mélységi feszítőerdőt ad vissza az Apa függvény által. A pontok bejártságát színekkel kezeljük, fehér= érintetlen, szürke=meg-

Részletesebben

Navigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel

Navigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal

Részletesebben

I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek, a halmazelmélet elemei, a logika elemei. 1. Számfogalom, műveletek (4 óra)

I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek, a halmazelmélet elemei, a logika elemei. 1. Számfogalom, műveletek (4 óra) MATEMATIKA NYEK-humán tanterv Matematika előkészítő év Óraszám: 36 óra Tanítási ciklus 1 óra / 1 hét Részletes felsorolás A tananyag felosztása: I. Gondolkodási módszerek: (6 óra) 1. Gondolkodási módszerek,

Részletesebben

Ellenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t

Ellenőrző kérdések. 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t Ellenőrző kérdések 2. Kis dolgozat kérdései 36. Ha t szintű indexet használunk, mennyi a keresési költség blokkműveletek számában mérve? (1 pont) log 2 (B(I (t) )) + t 37. Ha t szintű indexet használunk,

Részletesebben

Kétszemélyes játékok

Kétszemélyes játékok Mesterséges Intelligencia alapjai, gyakorlat Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék 2010 / udapest Kétszemélyes teljes információjú játékok két

Részletesebben

Fizika A2E, 5. feladatsor

Fizika A2E, 5. feladatsor Fiika A2E, 5. feladatsor Vida György Jósef vidagyorgy@gmail.com. feladat: Mi a homogén E térer sség potenciálja? A potenciál deníciója: E(x,y, = U(x,y,, amely kifejtve a három komponensre: Utolsó módosítás:

Részletesebben

KOMPLEX KOMMUNIKÁCIÓS ÉS TERMÉSZETTUDOMÁNYI CSOMAG MATEMATIKA TÁMOP-2.2.3-07/1-2F-2008-0011 MATEMATIKA A MINDENNAPI ÉLETBEN 9.

KOMPLEX KOMMUNIKÁCIÓS ÉS TERMÉSZETTUDOMÁNYI CSOMAG MATEMATIKA TÁMOP-2.2.3-07/1-2F-2008-0011 MATEMATIKA A MINDENNAPI ÉLETBEN 9. KOMPLEX KOMMUNIKÁCIÓS ÉS TERMÉSZETTUDOMÁNYI CSOMAG MATEMATIKA TÁMOP-2.2.3-07/1-2F-2008-0011 MATEMATIKA A MINDENNAPI ÉLETBEN 9. ÉVFOLYAM TANÁRI KÉZIKÖNYV MAT9_TK.indd 1 2009.11.05. 13:40:27 A kiadvány a

Részletesebben

2017/ Szegedi Tudományegyetem Informatikai Intézet

2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 8. Előadás Bevezetés Egy olyan LP-t, amelyben mindegyik változó egészértékű, tiszta egészértékű

Részletesebben

Elsőrendű logika. Mesterséges intelligencia március 28.

Elsőrendű logika. Mesterséges intelligencia március 28. Elsőrendű logika Mesterséges intelligencia 2014. március 28. Bevezetés Ítéletkalkulus: deklaratív nyelv (mondatok és lehetséges világok közti igazságrelációk) Részinformációkat is kezel (diszjunkció, negáció)

Részletesebben

Algoritmizálás, adatmodellezés tanítása 6. előadás

Algoritmizálás, adatmodellezés tanítása 6. előadás Algoritmizálás, adatmodellezés tanítása 6. előadás Tesztelési módszerek statikus tesztelés kódellenőrzés szintaktikus ellenőrzés szemantikus ellenőrzés dinamikus tesztelés fekete doboz módszerek fehér

Részletesebben

Állapottér reprezentáció/level1

Állapottér reprezentáció/level1 Állapottér reprezentáció/level1 kecske káposzta A tutajosnak át kell szállítani a folyó másik partjára egy farkast, egy kecskét és egy káposztát. A csónakban egyszerre csak az egyiket viheti át a három

Részletesebben

Gráfok, definíciók. Gráfok ábrázolása. Az adott probléma megoldásához ténylegesen mely műveletek szükségesek. Ábrázolások. Példa:

Gráfok, definíciók. Gráfok ábrázolása. Az adott probléma megoldásához ténylegesen mely műveletek szükségesek. Ábrázolások. Példa: Gráfok, definíciók Irányítatlan gráf: G = (V,E), ahol E rendezetlen (a,b),a,b V párok halmaza. Irányított gráf: G = (V,E) E rendezett (a,b) párok halmaza; E V V. Címkézett (súlyozott) gráf: G = (V,E,C)

Részletesebben

2. FELADATOK MARÁSHOZ

2. FELADATOK MARÁSHOZ 2. ELADATOK MARÁSHOZ 2.1. orgácsolási adatok meghatároása 2.1.1. Előtolás, ogásmélység meghatároása Határoa meg a percenkénti előtolás értékét. eladat = n = 2.1.1.1. 15 = 0.15 mm 50 1/min 2.1.1.2. 12 =

Részletesebben

Edényrendezés. Futási idő: Tegyük fel, hogy m = n, ekkor: legjobb eset Θ(n), legrosszabb eset Θ(n 2 ), átlagos eset Θ(n).

Edényrendezés. Futási idő: Tegyük fel, hogy m = n, ekkor: legjobb eset Θ(n), legrosszabb eset Θ(n 2 ), átlagos eset Θ(n). Edényrendezés Tegyük fel, hogy a rendezendő H = {a 1,...,a n } halmaz elemei a [0,1) intervallumba eső valós számok. Vegyünk m db vödröt, V [0],...,V [m 1] és osszuk szét a rendezendő halmaz elemeit a

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Problémamegoldás kereséssel - lokális információval Pataki Béla Bolgár Bence BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Rugó tervezése

Részletesebben

Lánctalpas szerkezetek különböző típusú irányváltó mechanizmusának kinematikai tárgyalása. Kari Tudományos Diákköri Konferencia

Lánctalpas szerkezetek különböző típusú irányváltó mechanizmusának kinematikai tárgyalása. Kari Tudományos Diákköri Konferencia Sapientia Erdélyi Magyar Tudományegyetem Műsaki és Humántudományok Kar Marosvásárhely Lánctalpas serkeetek különböő típusú irányváltó mechanimusának kinematikai tárgyalása Kari Tudományos Diákköri Konferencia

Részletesebben

TARTÓSZERKETETEK III.

TARTÓSZERKETETEK III. TARTÓSZERKETETEK III. KERESZTETSZETEK ELLENÁLLÁSA + STABILITÁSI ELLENÁLLÁS 1 KERESZTETSZETEK ELLENÁLLÁSA 1.1 Csavarlukkal gengített köpontosan húott rúd 1. Egik sárán kapsolt köpontosan húott sögaél 1.

Részletesebben

Bánsághi Anna 2014 Bánsághi Anna 1 of 68

Bánsághi Anna 2014 Bánsághi Anna 1 of 68 IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 3. ELŐADÁS - PROGRAMOZÁSI TÉTELEK 2014 Bánsághi Anna 1 of 68 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív

Részletesebben

Bevezetés az informatikába

Bevezetés az informatikába Bevezetés az informatikába 6. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.

Részletesebben

Ugrólisták. RSL Insert Example. insert(22) with 3 flips. Runtime?

Ugrólisták. RSL Insert Example. insert(22) with 3 flips. Runtime? Ugrólisták Ugrólisták Ugrólisták Ugrólisták RSL Insert Example insert(22) with 3 flips 13 8 29 20 10 23 19 11 2 13 22 8 29 20 10 23 19 11 2 Runtime? Ugrólisták Empirical analysis http://www.inf.u-szeged.hu/~tnemeth/alga2/eloadasok/skiplists.pdf

Részletesebben

Valószínűségi modellellenőrzés Markov döntési folyamatokkal

Valószínűségi modellellenőrzés Markov döntési folyamatokkal Valószínűségi modellellenőrzés Markov döntési folyamatokkal Hajdu Ákos Szoftver verifikáció és validáció 2015.12.09. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek

Részletesebben

Programozási nyelvek 6. előadás

Programozási nyelvek 6. előadás Programozási nyelvek 6. előadás Szempontok Programozási nyelvek osztályozása Felhasználói kör (amatőr, professzionális) Emberközelség (gépi nyelvektől a természetes nyelvekig) Számítási modell (hogyan

Részletesebben

Algoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y.

Algoritmuselmélet. Mélységi keresés és alkalmazásai. Katona Gyula Y. Algoritmuselmélet Mélységi keresés és alkalmazásai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 9. előadás Katona Gyula Y. (BME SZIT) Algoritmuselmélet

Részletesebben

A Szekszárdi I. Béla Gimnázium Helyi Tanterve

A Szekszárdi I. Béla Gimnázium Helyi Tanterve A Szekszárdi I. Béla Gimnázium Helyi Tanterve Négy évfolyamos gimnázium Informatika Készítette: a gimnázium reál munkaközössége 2015. Tartalomjegyzék Alapvetés...3 Egyéb kötelező direktívák:...6 Informatika

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek

Részletesebben

Alkalmazott modul: Programozás. Programozási tételek, rendezések. Programozási tételek Algoritmusok és programozási tételek

Alkalmazott modul: Programozás. Programozási tételek, rendezések. Programozási tételek Algoritmusok és programozási tételek Eötvös Loránd Tudományegyetem Informatikai Kar Alkalmazott modul: Programozás, rendezések 2015 Giachetta Roberto groberto@inf.elte.hu http://people.inf.elte.hu/groberto Algoritmusok és programozási tételek

Részletesebben

x = 1 egyenletnek megoldása. Komplex számok Komplex számok bevezetése

x = 1 egyenletnek megoldása. Komplex számok Komplex számok bevezetése Komplex sámok Komplex sámok beveetése A valós sámok körét a követkeőképpen építettük fel. Elősör a termésetes sámokat veettük be. Itt két művelet volt, a össeadás és a sorás (ismételt össeadás A össeadás

Részletesebben

Algoritmusok bonyolultsága

Algoritmusok bonyolultsága Algoritmusok bonyolultsága 5. előadás http://www.ms.sapientia.ro/~kasa/komplex.htm 1 / 27 Gazdaságos faváz Kruskal-algoritmus Joseph Kruskal (1928 2010) Legyen V = {v 1, v 2,..., v n }, E = {e 1, e 2,...,

Részletesebben

Megerősítéses tanulás

Megerősítéses tanulás Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:

Részletesebben

Gépi tanulás. Hány tanítómintára van szükség? VKH. Pataki Béla (Bolgár Bence)

Gépi 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

Részletesebben

Stratégiák tanulása az agyban

Stratégiák tanulása az agyban Statisztikai tanulás az idegrendszerben, 2019. Stratégiák tanulása az agyban Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Kortárs MI thispersondoesnotexist.com

Részletesebben

HÁZI FELADAT PROGRAMOZÁS I. évf. Fizikus BSc. 2009/2010. I. félév

HÁZI FELADAT PROGRAMOZÁS I. évf. Fizikus BSc. 2009/2010. I. félév 1. feladat (nehézsége:*****). Készíts C programot, mely a felhasználó által megadott függvényt integrálja (numerikusan). Gondosan tervezd meg az adatstruktúrát! Tervezz egy megfelelő bemeneti nyelvet.

Részletesebben

Opkut deníciók és tételek

Opkut deníciók és tételek Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét

Részletesebben

Számítógép és programozás 2

Számítógép 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,

Részletesebben

Algoritmizálás és adatmodellezés tanítása 1. előadás

Algoritmizálás és adatmodellezés tanítása 1. előadás Algoritmizálás és adatmodellezés tanítása 1. előadás Algoritmus-leíró eszközök Folyamatábra Irányított gráf, amely csomópontokból és őket összekötő élekből áll, egyetlen induló és befejező éle van, az

Részletesebben

Intelligens technikák k a

Intelligens technikák k a Intelligens technikák k a döntéstámogatásban Döntések fuzzy környezetben Starkné Dr. Werner Ágnes 1 Példa: Alternatívák: a 1,a 2,a 3 Kritériumok: k 1,k 2, k 3,k 4 Az alternatívák értékelését az egyes kritériumok

Részletesebben

Összetett hajtómű fogszámainak meghatározása a fordulatszám ábra alapján és összeállítási rajz segédlet

Összetett hajtómű fogszámainak meghatározása a fordulatszám ábra alapján és összeállítási rajz segédlet Óbudai Egyetem Bánki Donát Gépés és Bitonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intéet Össetett hajtómű fogsámainak meghatároása a fordulatsám ábra alapján és össeállítási raj segédlet

Részletesebben

Programozás I. Egyszerű programozási tételek. Sergyán Szabolcs

Programozás I. Egyszerű programozási tételek. Sergyán Szabolcs Programozás I. 3. előadás Egyszerű programozási tételek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Alkalmazott Informatikai Intézet 2015. szeptember

Részletesebben

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése... TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő

Részletesebben

Fuzzy halmazok jellemzői

Fuzzy halmazok jellemzői A Fuzzy rendszerek, számítási intelligencia gyakorló feladatok megoldása Fuzzy halmazok jellemzői A fuzzy halmaz tartója az alaphalmaz azon elemeket tartalmazó részhalmaza, melyek tagsági értéke 0-nál

Részletesebben

Mágneses momentum mérése vibrációs magnetométerrel

Mágneses momentum mérése vibrációs magnetométerrel Beveetés Mágneses momentum mérése vibrációs magnetométerrel A mérés célja megismerkedni egy makroskopikus minta mágneses dipólmomentumának mérésével, valamint megvisgálni egy lágymágneses anyag momentumának

Részletesebben

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények

MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek

Részletesebben

Megerősítéses tanulási módszerek és alkalmazásaik

Megerősítéses tanulási módszerek és alkalmazásaik MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom

Részletesebben

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált

Részletesebben

Euler tétel következménye 1:ha G összefüggő síkgráf és legalább 3 pontja van, akkor: e 3

Euler tétel következménye 1:ha G összefüggő síkgráf és legalább 3 pontja van, akkor: e 3 Síkgráfok Kuratowski-tétel: egy gráf akkor és csak akkor síkba rajzolható gráf, ha nincs olyan részgráfja, ami a K 5 -el, vagy a K 3,3 -altopologikusan izomorf (homeomorf). Euler síkgráfokra vonatkozó

Részletesebben