Hallgatói preferencia rangsorok készítése a jelentkezések alapján
|
|
- Elvira Bodnár
- 7 évvel ezelőtt
- Látták:
Átírás
1 Hallgatói preferencia rangsorok készítése a jelentkezések alapján Telcs András, Kosztyán Zsolt Tibor, Török Ádám Pannon Egyetem, Kvantitatív Módszerek Tanszék, MTA Kutatócsoport
2 Tartalom Bevezetés Forrásadatok bemutatása Adatok szűrése Mi legyen egy objektum? Gráf reprezentációk, műveletek Rangsorok kialakítására alkalmazott függvények Eredmények További tervek Hiányos rangsorok kezelése 2
3 A kezdetek
4 A bőség zavara
5 Bevezetés Cél: Objektív egydimenziós rangsor kialakítása. 5
6 Preferenciák 1. diák (a,c,b) 2. diák (b,a,c,d,e) 3. diák (a) 4. diák (b,a). n. diák (a,b) Egyesített rangsor(a,b,c,d,e)
7 Preferenciák (a,c,b) (b,a,c,d,e) (a) (b,a) (a,b) (a,b,c,d,e)
8 Hiányok kezelése (a,c,b,(b,e)) (b,a,c,d,e) (a,(b,c,d,e)) (b,a,(c,d,e)) (a,b,(c,d,e)) (a,b,c,d,e)
9 Forrásadatok bemutatása Hallgatói felvételi jelentkezések ig. A fejléc tartalma: Év Eljárás (normál, keresztfélév) Egyedi azonosító Jelentkezési hely Intézmény Kar Szak Képzés formája (alap, mester, osztatlan) Képzés módja (nappali, levelező) Képzés finanszírozása (állami, költség tér.) 9
10 Rangsor Országos intézmények szerint Tudomány terület szerint Karok szerint Szakok szerint 10
11 Mi legyen egy objektum? Mik között állítsunk fel rangsort? Objektum Előnyök Hátrányok Kihívások Intézmény Viszonylag kevés objektum Információvesztés, inhomogenitási problémák Inhomogenitás feloldása szűrésekkel Kar Kezelhető számú objektum Információvesztés Információvesztés minimalizálása Szak Nincs információvesztés Rengeteg objektum, Optimális megoldás megtalálása reménytelen Gyors heurisztikus módszer keresése 11
12 Gráfreprezentáció Objektumok (intézmények, karok, szakok): 1,2,,m. A hallgatói jelentkezési sorrendek: A:={a 1,,a n }, a i :=[a i 1,,a i mi ]T Legyen pl. 4 lehetséges szak. A hallgató jelentkezési sorrendje: a 1 :={1,2,3,4}. ID
13 Gráfreprezentáció Legyen pl. 4 lehetséges szak. A hallgató jelentkezési sorrendje: a 2 :={1,2}. 3 ID M
14 Csúcsok összevonása Pl. Szakok Karok Intézmények 1 2 I 3 4 II ID ID I II I -- 4 II -- 14
15 Összesítés jósága (a,c,b) 1 (b,a,d,c,e) 2 (a) (b,a) 1 (a,b) (a,b,c,d,e)
16 Arrow s impossibility theorem Clear order of preferences cannot be determined while adhering to mandatory principles of fair voting procedures. Investopedia
17 Alkalmazott módszerek Egyszerű heurisztikus módszerek Páros összehasonlításon alapuló módszerek Genetikus algoritmusok Naiv algoritmusok 17
18 Hibafüggvény M ID , M b ID h(m,[1,2,3,4] T ) =17 h(m,b) =15 b
19 Oszlopösszegek Eredmények Helyezés OBJID Intézmény IW 1 1 BCE BME XXX * 7779 * -al jelöltek 4 2 BGF szégyenlőssek DE SZE SZTE ME PTE XXX * 8294,
20 Apriori feltevés Gottfried Wilhelm von Leibniz (July 1, 1646 November 14, 1716) John Maynard Keynes (5 June April 1946) Edwin Thompson Jaynes (July 5, 1922 April 30, 1998) principle of insufficient reason principle of indifference n-objektum 1/n egyenletes valószínűséggel Non-informative prior vagy a maximális entrópia elve Equivalent states of knowledge should be assigned equivalent epistemic probabilities
21 Rangösszeg módszer Példa Legyen: a 1 :=[1,2] T ; m:=4; s 1 :=[1,2,3.5,3.5] T s* 1 :=[0,1,2.5,2.5] T = s 1-1 ID x= x x 2 -- x x x 2x = s*
22 Rangösszeg módszer Legyen: a 1 :=[2,6] T ; a 2 :=[1] T ; m:=10; Ekkor a rangokat tartalmazó vektor a következőképpen számítható: esetén 22
23 Rangösszeg módszer - Eredmények Helyezés OBJID Intézmény Átlagos rangérték 1 1 BCE 2, BME 5, XXX 5, BGF 5, DE 5, SZTE 5, SZE 5, PTE 5, ME 6, XXX 6,02,
24 Páros összehasonlításon alapuló módszerek Eredetileg csak teljes összehasonlítások esetén lehetett alkalmazni! Létezik olyan változata is, amely nem teljes összehasonlítások esetén is alkalmazható. 24
25 Páros összehasonlításon alapuló módszerek Páronkénti összehasonlítások Arány skála! => Skála-transzformáció Sorrendi skála 25
26 Páros összehasonlításon alapuló módszerek Lépései (vázlatosan) Sorrend (kialakítása) Ellenőrzés Gyakorisági táblázat M Relatív gyakorisági táblázat (P) Inverz normál transzformáció (Z) Arányskála az oszlopösszegek alapján Relatív gyakoriságok rekonstruálása ( ) Illeszkedésvizsgálat ( 2 -próba) 26
27 Páros összehasonlítás eredmények Helyezés OBJID Intézmény Z 1 1 BCE 0, BME 0, PTE 0, BGF 0, DE -0, XXX2-0, SZTE -0, ME -0, SZE -0, XXX1-0,39,
28 Genetikus algoritmusok Fogalmazzuk át a problémát! Keresünk egy olyan sorrendjét az 1,2,,m számoknak, amelyre a hiba függvény értéke minimális. Nagyon sok lehetőség van! Több mint Sessa kérése 28
29 Genetikus algoritmus Populáció: Véletlen sorrendjei az 1,2,,m-nek. Jósági függvény=hibafüggvény Szelekció: Kisebb hibafüggvényérték => nagyobb életképesség fitness 29
30 Genetikus algoritmus Mutáció: véletlen pozíciócsere Pl. [ ] T => [ ] T Rekombináció: szekvencia részletek öröklődése Pl. [ ] + [ ] => [ ] 30
31 Genetikus algoritmus eredmény Bementi mátrix M M Helyezés Intézmény 1 BCE 2 BME 3 XXX1 4 BGF 5 DE 6 SZE 7 ME 8 SZTE 9 PTE 10 XXX2,
32 Intézmémyi preferenciák alakulása
33 További tervek, ötletek, kutatási irányok Preferenciák vizsgálata A végeredményül kapott rangsor hogyan korrelál más módon meghatározott rangsorokkal? Mi az eltérés, egyezés oka? Az időbeli fejlődések elemzése 35
34 Köszönjük a figyelmet!
35 Bemutatott módszerek értékelése I Módszer h(m,b) h(m,b) Optimális Miért? megoldás? Oszlopösszeg Nem Nem teljes rangsor. Rangösszeg Nem Páros összehasonlítás (M ) Páros összehasonlítás (M) Genetikus (M ) Nem Nem teljes rangsor Sok hiányzó páros összehasonlítás miatt a relatív gyakoriságok jelentősen eltérnek a gyakorisági tábláktól Talán Az optimális megoldás megtalálása nem garantálható! Genetikus (M) Naiv (M ) Igen Az összes megoldást megvizsgáljuk 37 Naiv (M)
36 Bemutatott módszerek értékelése II Módszer O(f(n)) Előnyök Hátrányok Oszlopösszeg n+m+m 2 Nagyon gyors módszer Nem vesszük figyelembe, hogy a hallgató egy intézménybe többször is jelentkezhet. Rangösszeg n+m+m 2 Nagyon gyors módszer Nem vesszük figyelembe, hogy a hallgató egy n hallgatók száma m intézmények száma Páros összehasonlítás n+m+m 2 Figyelembe vesszük, hogy a hallgató egy intézménybe többször is jelentkezhet. Genetikus? Optimális megoldás megtalálásának lehetősége nagy m esetén intézménybe többször is jelentkezhet. Nem kapunk rangsort! Nem teljes rangsor => Nem optimális. Az optimum megtalálása nincs garantálva. Naív m 2 m! Optimális Nagy m-ek esetén esélytelen
37 Hibafüggvény M, M a preferencia mátrix. b=[b 1,b 2,,b m ] T egy tetszőleges sorrend Legyen M b, illetve M b az M, illetve M mátrix átrendezettjei. 39
38 Hibafüggvény M ID , M b ID h(m,[1,2,3,4] T ) =17 h(m,b) =15 b
39 Arrow s impossibility In social choice theory, Arrow s impossibility theorem, the General Possibility Theorem, or Arrow s paradox, states that, when voters have three or more distinct alternatives (options), no rank order voting system can convert the ranked preferences of individuals into a community-wide (complete and transitive) ranking while also meeting a specific set of criteria. These criteria are called unrestricted domain, non-dictatorship, Pareto efficiency, and independence of irrelevant alternatives
A 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,
RészletesebbenTapasztalatok, alternatívák a évi felvételi számok tükrében (Háttéranyagok)
Tapasztalatok, alternatívák a 2011. évi felvételi számok tükrében (Háttéranyagok) Dr. Jávor András oktatási rektorhelyettes 2011. augusztus 23. Jelentkezők és felvettek 2010-2011. Érettségizők száma 2006-2011.
RészletesebbenFelsôoktatásba jelentkezôk preferenciáinak térbeli és idôbeli szerkezete, teljesítményfüggése*
Felsôoktatásba jelentkezôk preferenciáinak térbeli és idôbeli szerkezete, teljesítményfüggése* Kosztyán Zsolt Tibor PhD, a Pannon Egyetem egyetemi docense E-mail: kzst@gtk.uni-pannon.hu Telcs András DSc,
RészletesebbenA mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
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.
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
Részletesebben105 ezer diák közül mintegy 72 ezret vettek fel, 72 ezer diákból 55 800 jutott be állami
Felvételi 2015. A felsőoktatásba jelentkező 105 ezer diák közül mintegy 72 ezret vettek fel, ami lényegében megegyezik a tavalyi arányokkal A felsőoktatási szakképzésre 6500, alapképzésre 45 200, osztatlan
RészletesebbenPáros összehasonlítás mátrixok empirikus vizsgálata. Bozóki Sándor
Páros összehasonlítás mátrixok empirikus vizsgálata Bozóki Sándor MTA SZTAKI Operációkutatás és Döntési Rendszerek Kutatócsoport Budapesti Corvinus Egyetem Operációkutatás és Aktuáriustudományok Tanszék
RészletesebbenÚj eredmények a nem teljesen kitöltött páros összehasonlítás mátrixok témájában (2. rész)
Új eredmények a nem teljesen kitöltött páros összehasonlítás mátrixok témájában (2. rész) A módszertan alkalmazása a 2010-es sakkolimpia eredményeire Csató László laszlo.csato@uni-corvinus.hu Budapesti
RészletesebbenKéprekonstrukció 6. előadás
Képrekonstrukció 6. előadás Balázs Péter Képfeldolgozás és Számítógépes Grafika Tanszék Szegedi Tudományegyetem Diszkrét tomográfia (DT) A CT-hez több száz vetület szükséges időigényes költséges károsíthatja
RészletesebbenSzeleteljük fel úgy a tulajdonságteret, hogy az egyes szeletekbe lehetőleg egyfajta objektumok kerüljenek, de túl sok szelet se legyen.
KEMOMETRIA VIII-1/27 /2013 ősz CART Classification and Regression Trees Osztályozó fák Szeleteljük fel úgy a tulajdonságteret, hogy az egyes szeletekbe lehetőleg egyfajta objektumok kerüljenek, de túl
RészletesebbenAlgoritmusok Tervezése. 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás
Algoritmusok Tervezése 9. Előadás Genetikus Algoritmusok Dr. Bécsi Tamás Biológiai háttér (nagyvonalúan) A sejt genetikai információit hordozó DNS általában kromoszómának nevezett makromolekulákba van
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)
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
RészletesebbenBiomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 15. Nemparaméteres próbák Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date: November
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,
RészletesebbenGauss-eliminációval, Cholesky felbontás, QR felbontás
Közelítő és szimbolikus számítások 4. gyakorlat Mátrix invertálás Gauss-eliminációval, Cholesky felbontás, QR felbontás Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei
RészletesebbenGenetikus algoritmusok
Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu
RészletesebbenERKI KATALIN* A felsőoktatás, mint versenypiac elemzése a Porter-modell alapján
ERKI KATALIN* A felsőoktatás, mint versenypiac elemzése a Porter-modell alapján Analysis of Higher Education as a Competitive Market on the Basis of Porter-Model Nowadays it is essential to carry out marketing
RészletesebbenGyakori elemhalmazok kinyerése
Gyakori elemhalmazok kinyerése Balambér Dávid Budapesti M szaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudomány szakirány 2011 március 11. Balambér Dávid (BME) Gyakori
RészletesebbenMintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
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
RészletesebbenA logaritmikus legkisebb négyzetek módszerének karakterizációi
A logaritmikus legkisebb négyzetek módszerének karakterizációi Csató László laszlo.csato@uni-corvinus.hu MTA Számítástechnikai és Automatizálási Kutatóintézet (MTA SZTAKI) Operációkutatás és Döntési Rendszerek
RészletesebbenIntelligens 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
RészletesebbenCsima Judit május 10.
Asszociációs-szabályok, 3. rész Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. május 10. Csima Judit Asszociációs-szabályok, 3. rész 1 / 21 Eddig mi volt? Apriori-algoval gyakori
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,
RészletesebbenMagyar Egyetemi-Főiskolai Floorball Bajnokság Döntője 2011/2012.
Magyar Egyetemi-Főiskolai Floorball Bajnokság Döntője 2011/2012. 1. A bajnoki döntő célja: Magyarország 2011/2012. tanévi Magyar Egyetemi-Főiskolai Floorball Bajnokság helyezéseinek eldöntése, a sportág
RészletesebbenDijkstra algoritmusa
Budapesti Fazekas és ELTE Operációkutatási Tanszék 201. július 1. Legrövidebb utak súlyozatlan esetben v 4 v 3 Feladat Hány élből áll a legrövidebb út ezen a gráfon az s és t csúcsok között? v v 6 v 7
RészletesebbenAz első számjegyek Benford törvénye
Az első számjegyek Benford törvénye Frank Benford (1883-1948) A General Electric fizikusa Simon Newcomb (1835 1909) asztronómus 1. oldal 2. oldal A híres arizonai csekk sikkasztási eset http://www.aicpa.org/pubs/jofa/may1999/nigrini.htm
RészletesebbenEvolúciós algoritmusok
Evolúciós algoritmusok Evolúció, mint kereső rendszer A problémára adható néhány lehetséges választ, azaz a problématér több egyedét tároljuk egyszerre. Ez a populáció. Kezdetben egy többnyire véletlen
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
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenNem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel p. 1/29. Ábele-Nagy Kristóf BCE, ELTE
Nem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel Ábele-Nagy Kristóf BCE, ELTE Bozóki Sándor BCE, MTA SZTAKI 2010. november 4. Nem teljesen kitöltött páros
RészletesebbenSapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus
Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák
RészletesebbenSzavazási protokollok - közös preferencia kialakítása
Szavazási protokollok - közös preferencia kialakítása Szavazás: Társadalmi választás SCF social choice/ wellfare function: Minden ágensnek van saját preferencia listája Agi, ennek alapján el kell jutni
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
RészletesebbenVálasztási rendszerek axiomatikus elmélete
Választási rendszerek axiomatikus elmélete Boros Zoltán Debreceni Egyetem TTK Matematikai Intézet Analízis Tanszék Matematika Szakkör Megnyitó 2016. szeptember 12. Interaktív demonstráció: fagylalt preferenciák
RészletesebbenEgyetemi rangsorok versus hallgatói preferenciák
TELCS ANDRÁS ÉS KOSZTYÁN ZSOLT TIBOR Egyetemi rangsorok versus hallgatói preferenciák Bevezetés Magyarországon 2002-ben kezdődött meg a felsőoktatási rangsorok készítése és publikálása. Mihályi Péter (Mihályi,
RészletesebbenOsztott jáva programok automatikus tesztelése. Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január
Osztott jáva programok automatikus tesztelése Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január Osztott alkalmazások Automatikus tesztelés Tesztelés heurisztikus zaj keltés Tesztelés genetikus
RészletesebbenMesterséges 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
RészletesebbenMérés és skálaképzés. Kovács István. BME Menedzsment és Vállalatgazdaságtan Tanszék
Mérés és skálaképzés Kovács István BME Menedzsment és Vállalatgazdaságtan Tanszék Miröl is lesz ma szó? Mi is az a mérés? A skálaképzés alapjai A skálaképzés technikái Összehasonlító skálák Nem összehasonlító
RészletesebbenELTE Pedagógiai és Pszichológiai Kar
ELTE Pedagógiai és Pszichológiai Kar Eötvös Loránd Tudományegyetem Pedagógiai és Pszichológiai Kar. február 4. Dr. Papp Lajos Tanulmányi Hivatal A Pedagógiai és Pszichológiai Kar számokban 4+1 telephely
RészletesebbenA napsugárzás mérések szerepe a napenergia előrejelzésében
A napsugárzás mérések szerepe a napenergia előrejelzésében Nagy Zoltán 1, Dobos Attila 2, Rácz Csaba 2 1 Országos Meteorológiai Szolgálat 2 Debreceni Egyetem Agrártudományi Központ Könnyű, vagy nehéz feladat
RészletesebbenA KLT (Kanade Lucas Tomasi) Feature Tracker Működése (jellegzetes pontok választása és követése)
A KL (Kanade Lucas omasi) Feature racker Működése (jellegzetes pontok választása és követése) Készítette: Hajder Levente 008.11.18. 1. Feladat A rendelkezésre álló videó egy adott képkockájából minél több
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 8. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
RészletesebbenDöntéselemzés, avagy operációkutatás a turizmus szak mesterképzésen. Első tapasztalatok a BGF KVI karon.
Döntéselemzés, avagy operációkutatás a turizmus szak mesterképzésen. Első tapasztalatok a BGF KVI karon. Lőrincz Sándor BGF KVIK MAFIOK 2010. Békéscsaba 1 2009/2010. tanév, 1. félév Levelező szak 4 x 2
RészletesebbenIntelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal
Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa:
RészletesebbenGyakori elemhalmazok
Gyakori elemhalmazok Bankó Tibor June 9, 2010 Bankó Tibor (BME) Gyakori elemhalmazok June 9, 2010 1 / 26 Tartalom 1 Bevezetés 2 Az algoritmusok Egy speciális eset Apriori Eclat FP-Growth 3 Az algoritmusok
RészletesebbenA számítástudomány alapjai. Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem
A számítástudomány alapjai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Bináris keresőfa, kupac Katona Gyula Y. (BME SZIT) A számítástudomány
RészletesebbenÜtemezési problémák. Kis Tamás 1. ELTE Problémamegoldó Szeminárium, ősz 1 MTA SZTAKI. valamint ELTE, Operációkutatási Tanszék
Ütemezési problémák Kis Tamás 1 1 MTA SZTAKI valamint ELTE, Operációkutatási Tanszék ELTE Problémamegoldó Szeminárium, 2012. ősz Kivonat Alapfogalmak Mit is értünk ütemezésen? Gépütemezés 1 L max 1 rm
RészletesebbenAlgoritmuselmélet 18. előadás
Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok
RészletesebbenVisszalépéses keresés
Visszalépéses keresés Backtracking előadás http://nik.uni-obuda.hu/prog2 Szénási Sándor szenasi.sandor@nik.uni-obuda.hu Óbudai Egyetem,Neumann János Informatikai Kar Alapvető működése Továbbfejlesztési
RészletesebbenProblémamegoldás 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
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
RészletesebbenMérnökgeodéziai hálózatok feldolgozása
Mérnökgeodéziai hálózatok feldolgozása dr. Siki Zoltán siki@agt.bme.hu XIV. Földmérő Találkozó Gyergyószentmiklós 2013.05.09-12. Mérnökgeodéziai hálózatok nagy relatív pontosságú hálózatok (1/100 000,
RészletesebbenEtológia Emelt A viselkedés mérése. Miklósi Ádám egyetemi tanár ELTE TTK Etológia Tanszék 2018
Etológia Emelt A viselkedés mérése Miklósi Ádám egyetemi tanár ELTE TTK Etológia Tanszék 2018 amiklosi62@gmail.com A viselkedés leírása: A viselkedés, mint fenotipikus jellemző Viselkedés: Élő szervezetek
Részletesebbenend function Az A vektorban elõforduló legnagyobb és legkisebb értékek indexeinek különbségét.. (1.5 pont) Ha üres a vektor, akkor 0-t..
A Név: l 2014.04.09 Neptun kód: Gyakorlat vezető: HG BP MN l 1. Adott egy (12 nem nulla értékû elemmel rendelkezõ) 6x7 méretû ritka mátrix hiányos 4+2 soros reprezentációja. SOR: 1 1 2 2 2 3 3 4 4 5 6
RészletesebbenAsszociációs szabályok
Asszociációs szabályok Nikházy László Nagy adathalmazok kezelése 2010. március 10. Mi az értelme? A ö asszociációs szabály azt állítja, hogy azon vásárlói kosarak, amik tartalmaznak pelenkát, általában
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2017/18 2. félév 3. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása
RészletesebbenPélda. Job shop ütemezés
Példa Job shop ütemezés Egy üzemben négy gép működik, és ezeken 3 feladatot kell elvégezni. Az egyes feladatok sorra a következő gépeken haladnak végig (F jelöli a feladatokat, G a gépeket): Az ütemezési
RészletesebbenHeurisztikák algoritmusok ütemezési problémákra. 1. Állapottér és a megoldások kezelése
Heurisztikák algoritmusok ütemezési problémákra 1. Állapottér és a megoldások kezelése Számos nehéz ütemezési probléma esetén az exponenciális idejű optimális megoldást adó algoritmusok rendkívül nagy
RészletesebbenAlternatívák rangsora Rangsor módszerek. Debreceni Egyetem
Döntéstámogató Rendszerek VII. előadás Bekéné Rácz Anett Debreceni Egyetem Definíciók Példa rangsorfordulásra Rangsorokkal kapcsolatos fogalmak Condorcet nyertes: Az az alternatíva, amely az összes többi
RészletesebbenTöbbtényezős döntési problémák
KIPA módszer: Lépései:. értékelési tényezők páros elrendezése, 2. páros összehasonlítás elvégzése, 3. egyéni preferencia táblázatok felvétele, konzisztencia mutatók meghatározása, 4. aggregált preferencia
RészletesebbenFüggetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
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 stratégiák Szemantikus hálók / Keretrendszerek
Részletesebben2007-2014 2007 2008 2009 2010 2011 2012 2013 2014
Az EMMI által kért, és 2015.10.12. állapotnak megfelelő táblázat a következő kiegészítéssel ment el: Állami egyetemek / Budapesti Corvinus Egyetem, Budapest BCE 1999 2914 2056 2527 1867 2198 2031 2006
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenKözösségek keresése nagy gráfokban
Közösségek keresése nagy gráfokban Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2011. április 14. Katona Gyula Y. (BME SZIT) Közösségek
RészletesebbenTöbbtényezős döntési problémák
KIPA módszer: Lépései: 1. értékelési tényezők páros elrendezése, 2. páros összehasonlítás elvégzése, 3. egyéni preferencia táblázatok felvétele, konzisztencia mutatók meghatározása, 4. aggregált preferencia
RészletesebbenEllenőrző 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,
RészletesebbenSzámítógép és programozás 2
Számítógép és programozás 2 11. Előadás Halmazkeresések, dinamikus programozás http://digitus.itk.ppke.hu/~flugi/ A keresési feladat megoldása Legyen a lehetséges megoldások halmaza M ciklus { X legyen
RészletesebbenÚjrahasznosítási logisztika. 7. Gyűjtőrendszerek számítógépes tervezése
Újrahasznosítási logisztika 7. Gyűjtőrendszerek számítógépes tervezése A tervezési módszer elemei gyűjtési régiók számának, lehatárolásának a meghatározása, régiónként az 1. fokozatú gyűjtőhelyek elhelyezésének
Részletesebben2015. évi keresztféléves felvételi eljárás Mesterképzések. Felvételi elbeszélgetések beosztása
2015. évi keresztféléves felvételi eljárás Mesterképzések elbeszélgetések beosztása Tisztelt ző! A BME Gépészmérnöki Karán 2015. februárjában induló mester (MSc) képzésre beadott jelentkezési kérelme alapján
Részletesebbenbármely másikra el lehessen jutni. A vállalat tudja, hogy tetszőlegesen adott
. Minimális súlyú feszítő fa keresése Képzeljük el, hogy egy útépítő vállalat azt a megbízást kapja, hogy építsen ki egy úthálózatot néhány település között (a települések között jelenleg nincs út). feltétel
RészletesebbenSzalai Péter. April 17, Szalai Péter April 17, / 36
Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 5. Előadás Dr. Kulcsár Gyula egyetemi docens Tartalom 1. Párhuzamosan
Részletesebben9. előadás. A táblázat. A táblázatról általában, soros, önátrendező, rendezett és kulcstranszformációs táblázat
. előadás ról általában, soros, önátrendező, rendezett és kulcstranszformációs Adatszerkezetek és algoritmusok előadás 0. április. ról általában,, és Debreceni Egyetem Informatikai Kar. Általános tudnivalók
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenPáros összehasonlítás mátrixok empirikus vizsgálata p. 1/20
Páros összehasonlítás mátrixok empirikus vizsgálata Bozóki Sándor 1,2, Dezső Linda 3,4, Poesz Attila 2, Temesi József 2 1 MTA SZTAKI; 2 Budapesti Corvinus Egyetem 3 Szegedi Tudományegyetem 4 Budapesti
RészletesebbenKockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével
Kockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program
RészletesebbenTartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9
... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...
Részletesebbenértékel függvény: rátermettségi függvény (tness function)
Genetikus algoritmusok globális optimalizálás sok lehetséges megoldás közül keressük a legjobbat értékel függvény: rátermettségi függvény (tness function) populáció kiválasztjuk a legrátermettebb egyedeket
RészletesebbenTeljesítmény Mérés. Tóth Zsolt. Miskolci Egyetem. Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés / 20
Teljesítmény Mérés Tóth Zsolt Miskolci Egyetem 2013 Tóth Zsolt (Miskolci Egyetem) Teljesítmény Mérés 2013 1 / 20 Tartalomjegyzék 1 Bevezetés 2 Visual Studio Kód metrikák Performance Explorer Tóth Zsolt
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 69/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenJELENTÉS AZ EÖTVÖS LORÁND TUDOMÁNYEGYETEM ÉVI JELENTKEZÉSI ÉS FELVÉTELI ADATAIRÓL
JELENTÉS AZ EÖTVÖS LORÁND TUDOMÁNYEGYETEM 217. ÉVI JELENTKEZÉSI ÉS FELVÉTELI ADATAIRÓL ELTE Rektori Kabinet Minőségügyi Iroda 217. november TARTALOMJEGYZÉK 1. Vezetői összefoglaló... 3 2. Országos adatok...
RészletesebbenMEFOB Nõi Kard Csapat
Debrecen 1. április. 1. page 1/1 Fencers (present, structured order - 1 fencers) name and first name LUPKOVICS Dóra NYÍRÕ Bettina ÖRSI Detti BENEI Bernadett LADÁNYI Enikõ TÓTH Réka ANDÓ Anna ANDÓ Judit
RészletesebbenVÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak
Vállalkozási VÁLLALATGAZDASÁGTAN II. Tantárgyfelelős: Prof. Dr. Illés B. Csaba Előadó: Dr. Gyenge Balázs Az ökonómiai döntés fogalma Vállalat Környezet Döntések sorozata Jövő jövőre vonatkozik törekszik
RészletesebbenSzavazási eljárások Fejezetek a döntéselméletből
Szavazási eljárások Fejezetek a döntéselméletből Rebák Örs 2013. november 26. 1. Bevezetés A bevezetésben tárgyaltakat ismertnek teszem fel, közlésük csupán a teljesség kedvéért történik, illetve mert
RészletesebbenFrissdiplomások 2014
Frissdiplomások 2014 Kutatási zárótanulmány Diplomás Pályakövetési Rendszer országos kutatás Educatio Nonprofit Kft. Felsőoktatási Osztály Készítette: Veroszta Zsuzsanna 2015. május 1 Tartalom I. Vezetői
Részletesebbenbiometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás
Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani
RészletesebbenTSIMMIS egy lekérdezés centrikus megközelítés. TSIMMIS célok, technikák, megoldások TSIMMIS korlátai További lehetségek
TSIMMIS egy lekérdezés centrikus megközelítés TSIMMIS célok, technikák, megoldások TSIMMIS korlátai További lehetségek 1 Információk heterogén információs forrásokban érhetk el WWW Társalgás Jegyzet papírok
RészletesebbenAlgoritmuselmélet. Gráfok megadása, szélességi bejárás, összefüggőség, párosítás. Katona Gyula Y.
Algoritmuselmélet Gráfok megadása, szélességi bejárás, összefüggőség, párosítás Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2. előadás
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
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 5. el adás Közösségszerkezet El adó: London András 2017. október 16. Közösségek hálózatban Homofília, asszortatívitás Newman modularitás Közösségek hálózatban
RészletesebbenStatisztikai próbák. Ugyanazon problémára sokszor megvan mindkét eljárás.
Statsztka próbák Paraméteres. A populácó paraméteret becsüljük, ezekkel számolunk.. Az alapsokaság eloszlására van kkötés. Nem paraméteres Nncs lyen becslés Nncs kkötés Ugyanazon problémára sokszor megvan
RészletesebbenTájékoztató a Rendszeres Tanulmányi Ösztöndíj Modulóban található adataival kapcsolatban
Tájékoztató a Rendszeres Tanulmányi Ösztöndíj Modulóban található adataival kapcsolatban Az alábbiakban részletezzük, hogy a Modulo Átlag módosítási kérvényén belül található adatok pontosan mit jelentenek.
RészletesebbenInformatikai alapismeretek Földtudományi BSC számára
Informatikai alapismeretek Földtudományi BSC számára 2010-2011 Őszi félév Heizlerné Bakonyi Viktória HBV@ludens.elte.hu Titkosítás,hitelesítés Szimmetrikus DES 56 bites kulcs (kb. 1000 év) felcserél, helyettesít
RészletesebbenProjekt azonosító: TÁMOP-4.1.2.D-12/1/KONV-2012-0013
Projekt azonosító: TÁMOP-4.1.2.D-12/1/KONV-2012-0013 Szolnoki Főiskola 5000 Szolnok, Tiszaligeti sétány 14. www.szolf.hu OM azonosító: FI47616 www.ujszechenyiterv.gov.hu IDEGEN NYELVOKTATÁSI JÓ GYAKORLATOK
RészletesebbenNem roncsoló tesztelés diszkrét tomográfiával
Nem roncsoló tesztelés diszkrét tomográfiával Dr. Balázs Péter, adjunktus Képfeldolgozás és Számítógépes Grafika Tanszék SZTE TTIK, Informatikai Tanszékcsoport A teszteléshez használt CT berendezés lapdetektor
RészletesebbenDemográfiai modellek (folytatás)
Demográfiai modellek (folytatás) 4. A teljesebb anyag 4.1. A megoldás egy változata Alábbiakban az előző gyakorlaton szereplő keretprogramból kapható egy lehetséges megoldást részletezzük. (Ha már a sajátja
Részletesebben