Prototypbaserad Inkrementell Diagnos. Anders Holst SICS, Swedish Institute of Computer Science AB
|
|
- Ingvar Åström
- för 8 år sedan
- Visningar:
Transkript
1 Prototypbaserad Inkrementell Diagnos Anders Holst SICS, Swedish Institute of Computer Science AB
2 Metoder för Industriell Diagnos Datadrivna metoder Träna in en mappning från symptom till diagnoser. Kräver stora mängder träningsdata. Neuronnät Case based reasoning Support-vektor maskiner Kunskapsdrivna metoder En expert konstruerar regler eller modeller för diagnos. Kräver stora insatser från domänexperter. Expert-system Beslutsträd / Beslutsregler Model-baserad diagnos Statistiska metoder Baseras ofta på att med Bayes regel uttrycka sannolikheten för en diagnos givet symptomen, i symptomen givet diagnosen. Kan baserar anitingen på verkliga data eller domän-kunskap. Naive Bayesian classifier Belief networks Hierarkiska Graf-Mixturer
3 Prototypbaserad Inkrementell Diagnos Frågegenerering Diagnosmodell Kunskapsbas
4 Kunskapsbas Kunskap om fel representeras som Felmods-prototyper, syntetiska beskrivningar av hur olika fel yttrar sig. En naturlig och enkel representation med flera fördelar: Att skapa prototyper kräver viss domänkunskap, men betydligt mindre expertinsatser än traditionella expertsystem. En prototyp-databas är betydligt enklare och billigare att underhålla än traditionella system. Riktiga fallbeskrivningar kan också beaktas systemet börjar funka direkt innan några fel inträffat men blir dessutom bättre med tiden. Prototyper kan ofta skapas genom att konvertera befintliga kunskapsdatabaser (som beslutsträd eller beslutsregler).
5 Kunskapsbas
6 Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik.
7 Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik. Önskas Finns P(y x) j P(x y ) j
8 Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik. Önskas Finns P(y j x) P(y j ) P(x y j ) Bayes regel för betingade sannolikheter
9 Diagnosmodell Diagnosmodellen är en statistisk modell, baserad på en kombination av Naiva Bayes, Mixtur-modeller, och Bayesiansk statistik. P(y j x) P(y j ) P(x y j ) = P(y j ) Σ k c j Π i P(x i y j )
10 Diagnosmodell Fördelar: Diagnosmodellen kan tränas antingen från syntetiska prototyper eller verkliga data. Fungerar redan med mycket få och glesa data. Robust mot brus och felaktiga indata. Kan hantera saknad information - beräknar sannolikheten för olika diagnoser givet de symtom man känner till.
11 Frågegenerering Inkrementell diagnos: Systemet frågar efter ett symptom i taget, för att komma fram till en diagnos så snabbt som möjligt. Använder diagnosmodellen för att beräkna sannolikheter. Informationsteoretisk metod: Väljer den fråga som minskar entropin i sannolikheterna för diagnoserna så mycket som möjligt.
12 Frågegenerering Fördelar: Liknar ett beslutsträd, men betydligt mer flexibelt: Man kan svara vet inte ; man kan mata in andra symptom istället för de efterfrågade; och man kan ändra sig i efterhand. Systemet är robust mot viss andel felaktiga svar. Systemet kan visa vilka symptom som bidrog mest till en diagnos. Systemet kan upptäcka svar som talar emot varandra, vilket kan indikera misstag i svaren som då kan rättas.
13 Metodik kunskapshantering Komponenter Åtgärder Felmoder Symptom
14 Demo Kunskapshantering
15 Demo Kunskapshantering
16 Demo Kunskapshantering
17 Demo Kunskapshantering
18 Demo Diagnossystem
19 Demo Diagnossystem
20 Demo Diagnossystem
21 Demo Diagnossystem
22 Demo Diagnossystem
23 Demo Diagnossystem
24 Demo Diagnossystem
25 Sammanfattning Prototyperna är ett naturligt sätt att lagra diagnosinformation, och de är lättare att skapa och underhålla än många andra kunskapsrepresentationer. Den statistiska diagnosmodellen är både tolerantare mot brus och fel än logiska modeller, och kräver mindre träningsdata än traditionella datadrivna metoder. Fråge-genereringen är mer flexibel än ett beslutsträd, eftersom man kan svara vet inte eller på andra symptom än de efterfrågade. Vi har verktygen för att ställa diagnoser och för att underhålla prototypdatabasen.
Probabilistisk logik 1
729G43 Artificiell intelligens / 2016 Probabilistisk logik 1 Marco Kuhlmann Institutionen för datavetenskap Osäkerhet 1.01 Osäkerhet Agenter måste kunna hantera osäkerhet. Agentens miljö är ofta endast
Läs merAnna: Bertil: Cecilia:
Marco Kuhlmann 1 Osäkerhet 1.01 1.02 1.03 1.04 1.05 Intelligenta agenter måste kunna hantera osäkerhet. Världen är endast delvist observerbar och stokastisk. (Jmf. Russell och Norvig, 2014, avsnitt 2.3.2.)
Läs merProbabilistisk logik 2
729G43 Artificiell intelligens / 2016 Probabilistisk logik 2 Marco Kuhlmann Institutionen för datavetenskap Översikt Probabilistiska modeller Probabilistisk inferens 1: Betingad sannolikhet Probabilistisk
Läs merOutline. TSFS06 Diagnos och övervakning Föreläsning 10 - Sannolikhetsbaserad diagnos och Bayesianska nätverk. Sneak-peak. Outline
TSFS06 Diagnos och övervakning Föreläsning 10 - och Erik Frisk Institutionen för systemteknik Linköpings universitet erik.frisk@liu.se 2017-05-17 2 Sneak-peak Antag att residualerna r 1 och r 2 larmar
Läs merDatorrepresentation av vårdriktlinjer
Datorrepresentation av vårdriktlinjer Innehåll Introduktion/bakgrund Behov Uppdateringsproblem Metoder PROforma Asgaard/Arbru Arden Praktiska implementeringar Hypertoni-behandling Guidelines/vårdriktlinjer
Läs merArtificiell Intelligens Lektion 7
Laboration 6 Artificiell Intelligens Lektion 7 Neurala nätverk (Lab 6) Probabilistiska resonemang Vad? Mönsterigenkänning Lära ett neuralt nätverk att känna igen siffror Varför? Få ökad förståelse för
Läs merElektronisk patientjournal
Elektronisk patientjournal Hippokrates Typer Tidsorienterad, problemorienterad samt källorienterad Varför? Stödja vården, legala skäl, forskning, utbildning. Data måste vara otvetydiga, strukturerade,
Läs merArtificiell Intelligens
Omtentamen Artificiell Intelligens Datum: 2014-02-20 Tid: 14.00 18.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs merRegisterforskning Oktober 2018, Stockholm City Conference Centre. Möjligheter med Artificiell Intelligens inom registerforskningen
Registerforskning 2018 17 Oktober 2018, Stockholm City Conference Centre Möjligheter med Artificiell Intelligens inom registerforskningen Peter Funk Mälardalens Högskola Vem är Peter Funk? Artificiell
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merStatistiska metoder för säkerhetsanalys
F7: Bayesiansk inferens Klassisk vs Bayesiansk Två problem Klassisk statistisk inferens Frekventistisk tolkning av sannolikhet Parametrar fixa (ofta okända) storheter Skattningar och konfidensintervall
Läs merKombinatorik och sannolikhetslära
Grunder i matematik och logik (2018) Kombinatorik och sannolikhetslära Marco Kuhlmann Sannolikhetslära Detta avsnitt är för det mesta en kompakt sammanfattning av momentet sannolikhetslära som ingår i
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad för att man skall
Läs merBayesiansk statistik utan tårar
Bayesiansk statistik utan tårar Lennart Robertson, SMHI Lånad titel A.F.M Smith A.E Gelfand American Statistician 1992 2 Innehåll Ett litet exempel Några enkla statistiska betraktelser Bayes teorem Bayesiansk
Läs merMedicinska beslutsstödjande system
Medicinska beslutsstödjande system ESP: An expert system for poisoning diagnosis and management 0 Innehållsförteckning 1. Inledning... 2 2. Avgränsningar... 3 3. Introduktion till expertsystem... 3 3.1
Läs merMedicinsk Informatik VT 2005
Medicinsk Informatik VT 2005 Introduktion till Medicinsk Informatik Informationsteknologi Teknikgrad Information technology Datavetenskap Computer science Systemvetenskap System analysis and design Informatik
Läs merMedicinsk Informatik VT 2004
Informatik VT 2004 Introduktion till Informatik Informationsteknologi Information technology Datavetenskap Computer science Informatik Teknikgrad Systemvetenskap System analysis and design Informatics
Läs merBayes statistik - utan förkunskaper - utan tårar
Bayes statistik - utan förkunskaper - utan tårar Lars Olsson Geostatistik AB 14-11-21 Bayes 1 1 Webbinariekurs Introduktionskurs för geotekniker Webbinarium 1. Fredagen den 21 nov 2014 kl 15:00 15:30 Vad
Läs merIndustriell ekonomi åk 2 VT15. Inriktningen Systemteknik
Industriell ekonomi åk 2 VT15 Inriktningen Systemteknik Systemteknik: Du lär dig hantera modern teknik och hur man sätter samman den till välfungerande system. Svenska företag är bra på att utnyttja systemtekniskt
Läs merTekniker för storskalig parsning: Grundbegrepp
Tekniker för storskalig parsning: Grundbegrepp Joakim Nivre Uppsala Universitet Institutionen för lingvistik och filologi joakim.nivre@lingfil.uu.se Tekniker för storskalig parsning: Grundbegrepp 1(17)
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merBayes i praktiken. exempel och reflektioner från en forskarutbildningskurs. Ralf Rittner, Arbets och Miljömedicin
Bayes i praktiken exempel och reflektioner från en forskarutbildningskurs Ralf Rittner, Arbets och Miljömedicin 2012 11 07 Bayesian Data Analysis Practical Data Analysis with BUGS using R Bendix Carstensen
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merAutomatisk Sentimentklassificering av Twitter-inlägg
[TYPE THE COMPANY NAME] Automatisk Sentimentklassificering av Twitter-inlägg Språkteknologi DD2418 Binxin Su, Christian Davilém 1/8/2013 [Type the abstract of the document here. The abstract is typically
Läs merFiloson bakom Bayesiansk statistik med tillämpningar inom hjärnavbildning och budgivningar på ebay
Filoson bakom Bayesiansk statistik med tillämpningar inom hjärnavbildning och budgivningar på ebay Bertil Wegmann STIMA, IDA, Linköpings universitet October 5, 2017 Bertil Wegmann, STIMA, IDA, LiU Bayesiansk
Läs merTaltaggning. Rapport av Daniel Hasselrot 781105-0157, d98-dha@nada.kth.se 13 oktober 2003
Taltaggning av Daniel Hasselrot 781105-0157, d98-dha@nada.kth.se 13 oktober 2003 Sammanfattning Denna rapport är skriven i kursen Språkteknologi och behandlar taggning av årtal i en text. Metoden som används
Läs merI en deterministisk omgivning beror nästa tillstånd bara av agentens handling och nuvarande tillstånd.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 3 Marco Kuhlmann Institutionen för datavetenskap Modell med vektornotation parametervektor särdragsvektor Perceptron kombinerar linjär regression med
Läs merFörsättsblad till skriftlig tentamen vid Linköpings Universitet
Försättsblad till skriftlig tentamen vid Linköpings Universitet Datum för tentamen 2010-08-19 Sal KÅRA Tid 14-18 Kurskod TSFS06 Provkod TEN1 Kursnamn Diagnos och övervakning Institution ISY Antal uppgifter
Läs mer729G43 Artificiell intelligens Probabilistisk logik. Arne Jönsson HCS/IDA
729G43 Artificiell intelligens Probabilistisk logik Arne Jönsson HCS/IDA Probabilistiska resonemang Osäkerhet Grundläggande sannolikhetslära Stokastiska variabler Bayes teorem Bayesianska nätverk Konstruktion
Läs merMatematisk statistik 9 hp Föreläsning 4: Flerdim
Matematisk statistik 9 hp Föreläsning 4: Flerdim Johan Lindström 3+4 september 26 Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5 Transformer Inversmetoden Transformation av stokastiska variabler
Läs merTillåtna hjälpmedel: Räknedosa. Formel- och tabellsamling i matematisk statistik.
UPPSALA UNIVERSITET Matematiska institutionen Erik Broman, Jesper Rydén TENTAMEN I MATEMATISK STATISTIK Sannolikhet och statistik 1MS5 214-1-11 Skrivtid: 8.-13.. För betygen 3, 4 resp. 5 krävs 18, 25 resp.
Läs mer1.5 Vad är sannolikheten för att ett slumpvis draget spelkort ska vara femma eller lägre eller knekt, dam, kung eller äss?
1 ÖVNINGAR I INDUKTIV LOGIK 1.1 En tärning kastas. Ange sannolikheten för att antalet ögon är a) 3 b) inte 3 c) 3 eller 5 d) jämnt e) mindre än 4 f) jämnt och mindre än 4 g) jämnt eller mindre än 4 h)
Läs merMatematisk statistik för D, I, Π och Fysiker
max/min Matematisk statistik för D, I, Π och Fysiker Föreläsning 5 Johan Lindström 25 september 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se
Läs merArtificiell intelligens
2013-08-13 Introduktion Artificiell intelligens Vad är AI? Olika mål Intelligenta agenter Områden inom AI Arne Jönsson HCS/IA Vad är AI? Intelligens: Förmågan till tänkande och analys (Svenska ORboken)
Läs merFöreläsning 3: Osäkerhet och sannolikhet
Föreläsning 3: Osäkerhet och sannolikhet Litteratur: Hansson, Introduction to Decision Theory, kap 8 (Även kap 6 är relevant) Resnik, Choices, kap 3 *Galavotti, Philosophical Introduction to Probability,
Läs merBIG seminarium 31/1 2019
KTH ROYAL INSTITUTE OF TECHNOLOGY BIG seminarium 31/1 2019 Sannolikhetsbaserad observationsmetod för dimensionering av överlaster vid vertikaldränering Johan Spross, Forskare, KTH Jord- och bergmekanik
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 3 DISKRETA STOKASTISKA VARIABLER Tatjana Pavlenko 23 mars, 2018 PLAN FÖR DAGENSFÖRELÄSNING Repetition av betingade sannolikheter, användbara satser
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Grundbegrepp, axiomsystem, betingad sannolikhet, oberoende händelser, total sannolikhet, Bayes sats Uwe Menzel uwe.menzel@slu.se 23 augusti 2017 Slumpförsök Ett försök
Läs merMatematik åk 9. Lärarinstruktion Digital diagnos Matematik Åk 9
träning Insikt Lärarinstruktion Digital diagnos Matematik Åk 9 1 Till läraren Diagnosen Pejlo Insikt för åk 9 är framtagen för att ge dig som lärare överblick över dina elevers kunskaper i matematik. Diagnosen
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
Läs merFöreläsning 3 Användare, uppgift och omgivning. Kapitel 3-4 i Stone et al.
Föreläsning 3 Användare, uppgift och omgivning Kapitel 3-4 i Stone et al. Från föregående föreläsning Kravinsamling med användare i fokus genom Observationer i verkliga situationer Konstruera uppgifter
Läs merBIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, OCH ÖVNING 2, SAMT INFÖR ÖVNING 3
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, 2016-04-01 OCH ÖVNING 2, 2016-04-04 SAMT INFÖR ÖVNING 3 Övningarnas mål: Du ska förstå grundläggande
Läs merUtlysning 1 Industriförankrade utvecklingsprojekt
Utlysning 1 Industriförankrade utvecklingsprojekt 2014-01-18 www.lighterarena.se 1 Lättvikt stärker svensk konkurrenskraft Utlysning inom SIO LIGHTer 30/1-31/3 2014 Utlysningstexten är ett utkast ej för
Läs merTentamen. TSFS06 Diagnos och övervakning 4 juni, 2007, kl
Tentamen TSFS06 Diagnos och övervakning 4 juni, 2007, kl. 08.00-12.00 Tillåtna hjälpmedel: TeFyMa, Beta, Physics Handbook, Reglerteknik (Glad och Ljung), Formelsamling i statistik och signalteori och miniräknare.
Läs merStatistiska metoder för säkerhetsanalys
F6: Betingade fördelningar Exempel: Tillförlitlighet Styrkan hos en lina (wire) kan modelleras enligt en stokastisk variabel Y. En tänkbar modell för styrkan är Weibullfördelning. Den last som linan utsätts
Läs merSF1901: Övningshäfte
SF1901: Övningshäfte 5 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på
Läs merArtificial Intelligence
Omtentamen Artificial Intelligence Datum: 2014-08-27 Tid: 09.00 13.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs merSF1901: SANNOLIKHETSTEORI OCH GRUNDLÄGGANDE SANNOLIKHETSTEORI, STATISTIK BETINGADE SANNOLIKHETER, OBEROENDE. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 2 GRUNDLÄGGANDE SANNOLIKHETSTEORI, BETINGADE SANNOLIKHETER, OBEROENDE HÄNDELSER Tatjana Pavlenko 30 augusti, 2016 SANNOLIKHETSGRUNDER (REPETITION) Slumpförsöket
Läs merFUNK-IS. Funktionshöjande teknik för inbyggda system med tillämpning inom avancerade medicinska processer. Kristina Groth, projektledare KTH, CSC
FUNK-IS Funktionshöjande teknik för inbyggda system med tillämpning inom avancerade medicinska processer Kristina Groth, projektledare KTH, CSC FOKUS I PROJEKTET Kombinera och utveckla avancerade perceptualiserings-
Läs merFramtidens Järnvägsunderhåll Att vandra genom dödens dal
Framtidens Järnvägsunderhåll Att vandra genom dödens dal P-O Larsson-Kråik Trafikverket Pålitliga järnvägar genom smart teknik och samverkan 2 år vad finns på plats idag? 47 förslag till förbättringar
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs merFöreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merFöreläsning 4, Användbarhet, prototyper
Föreläsning 4 Användbarhet och prototyper Kapitel 5-7 i Stone et al. Mer om användbarhet Psykologiska principer avseende: Förväntningar En uppgift i taget Struktur för förståelse Känna igen eller komma
Läs merLärmål Sannolikhet, statistik och risk 2015
Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på
Läs merProvmoment: TENTAMEN Ladokkod: 61SÄ01 Tentamen ges för: GSJUK16vA samt tidigare kurser.
Provmoment: TENTAMEN Ladokkod: 61SÄ01 Tentamen ges för: GSJUK16vA samt tidigare kurser. Tentamenskod: (kod och kurs ska också skrivas längst upp på varje sida) Tentamensdatum: 17 10 28 Tid: 9:30-12:30
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1913 MATEMATISK STATISTIK FÖR IT OCH ME ONSDAGEN DEN 12 JANUARI 2011 KL 14.00 19.00. Examinator: Camilla Landén, tel. 7908466. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merWinternet Ett svenskt inititativ för avancerad Internetforskning. Grand Finale workshop IVA, Stockholm 18 augusti 2005
Winternet Ett svenskt inititativ för avancerad Internetforskning Grand Finale workshop IVA, Stockholm 18 augusti 2005 Kombination av: Presentationer Demonstrationer Posters Grand finale workshop Med middag
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs mer1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05
1(15) Bilaga 1 2(15) Neuronnätslaboration Räknare Denna laboration riktar sig till gymnasieelever som går en teknisk utbildning och som helst har läst digitalteknik samt någon form av styrteknik eller
Läs merTillgänglighet och Resursutnyttjande. Öppen konferens 2:a dec 2009. påinitiativ av.
Tillgänglighet och Resursutnyttjande Öppen konferens 2:a dec 2009 påinitiativ av. Öka medvetandet om.. Syfte potentialen att förbättra konkurrenskraften de tekniska möjligheterna genom mer fokus på Tillgänglighet
Läs merFöreläsning G70, 732G01 Statistik A
Föreläsning 3 732G70, 732G01 Statistik A Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde
Läs merSRS bedömningsstöd prediktion av sjukskrivning
SRS bedömningsstöd prediktion av sjukskrivning Lena Severin Jussi Karlgren Alla människor har rätt till en individuell bedömning inför en sjukskrivning. Med ett bedömningsstöd baserat på kunskap blir läkarens
Läs merFinansiell statistik, vt-05. Bayes sats. Bayes sats; forts. F3 Sannolikhetsteori. Exempel: antag att vi har tre skålar P( ) = 0 P( ) = 2/5 P( ) = 4/5
Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt- F Sannolikhetsteori Bayes sats Exempel: antag att vi har tre skålar / 4/ och någon väljer skål m slh: / /6 /
Läs merIRIS Integrerat Dynamiskt Prognostiserande Underhållsstöd
1 IRIS Integrerat Dynamiskt Prognostiserande Underhållsstöd Scania CV, Linköpings universitet, Stockholms universitet Jonas Biteus, Scania CV Vehicle Service Information Projektstart: 2012 Projektavslut:
Läs merFöreläsning 4 Identifiera krav och behov. Att läsa: Kapitel 10 i Rogers et al.: Interaction design
Föreläsning 4 Identifiera krav och behov Att läsa: Kapitel 10 i Rogers et al.: Interaction design Översikt Vikten av krav Olika typer av krav Datainsamling för olika krav Scenarier Use Cases Essential
Läs mer729G74 IT och programmering, grundkurs. Tema 2. Föreläsning 3 Jody Foo,
729G74 IT och programmering, grundkurs Tema 2. Föreläsning 3 Jody Foo, jody.foo@liu.se Föreläsningsöversikt Information i grafstrukturer Diskret matematik Relationer: kopplingar mellan mängder Funktioner
Läs merHur får jag ut kraft och nytta av POWER?
Hur får jag ut kraft och nytta av POWER? TOP 25 ARTIFICIAL INTELLIGENCE SOLUTION PROVIDERS - 2017 Christoffer Göransson 0733-408700 Christoffer.goransson@inoviagroup.se Agenda Kort om oss Inovia/AI Hur
Läs merBAYESIANSKA NÄTVERK OCH EXPERTSYSTEM I PRAKTIKEN
BAYESIANSKA NÄTVERK OCH EXPERTSYSTEM I PRAKTIKEN Då, nu, för alltid? 729G43 EMMA JONSSON 2017 Abstract How useful are Bayesian networks as expert systems, and more importantly, are they outdated in comparison
Läs merUppdrag att stärka förutsättningarna för industrialisering och tillverkning i Sverige
ti Regeringen Regeringsbeslut 2018-07-19 N2018/04197/FÖF 13 Näringsdepartementet Tillväxtverket Box 4044 102 61 Stockholm Uppdrag att stärka förutsättningarna för industrialisering och tillverkning i Sverige
Läs merCybersäkerhet några utmaningar. Teodor Sommestad, Doktor, Förste forskare Informationssäkerhet & IT-arkitektur Linköping
Cybersäkerhet några utmaningar Teodor Sommestad, Doktor, Förste forskare Informationssäkerhet & IT-arkitektur Linköping Cybersäkerhet: En omogen disciplin Empirisk data är ovanligt, observationer i det
Läs merAtt använda Weka för språkteknologiska problem
Att använda Weka för språkteknologiska problem Systemet WEKA (Waikato Environment for Knowledge Acquisition) är en verktygslåda med olika maskininlärningsalgoritmer, metoder för att behandla indata, möjligheter
Läs merKrafts olikhet. En momentant avkodbar kod (prefixkod) med kodordslängderna l 1,...,l N existerar om och endast om. 2 l i. 1 i=1
Datakompression fö 2 p.1 Krafts olikhet En momentant avkodbar kod (prefixkod) med kodordslängderna l 1,...,l N existerar om och endast om N 2 l i 1 Bevis: Antag att vi har en trädkod. Låt l max =max{l
Läs merSannolikhetsteori. Måns Thulin. Uppsala universitet Statistik för ingenjörer 23/ /14
1/14 Sannolikhetsteori Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 23/1 2013 2/14 Dagens föreläsning Relativa frekvenser Matematik för händelser Definition av sannolikhet
Läs merMedicinsk Informatik VT 2002
Definition Medicinsk Informatik VT 2002 Introduktion till Medicinsk Informatik Medicinsk informatik omfattar utveckling och tillämpning av IT-baserade metoder för insamling, representation, bearbetning,
Läs merObjektorienterad Programkonstruktion. Föreläsning 7 24 nov 2015
Objektorienterad Programkonstruktion Föreläsning 7 24 nov 2015 Observer (GoF) Man definierar ett "ett-till-många"-förhållande mellan objekt så att när ett objekt byter tillstånd så uppdateras alla beroende
Läs merDatamodeller och databaser, avancerad kurs
1(6) Datamodeller och databaser, avancerad kurs Programkurs 6 hp Advanced Data Models and Databases TDDD43 Gäller från: Fastställd av Programnämnden för data- och medieteknik, DM Fastställandedatum LINKÖPINGS
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merTentamen i Statistik, STA A13 Deltentamen 1, 4p 13 november 2004, kl. 09.00-13.00
Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A Deltentamen, 4p november 004, kl. 09.00-.00 Tillåtna hjälpmedel: Bifogad formel- och
Läs merHur förebygga psykisk ohälsa på arbetsplatsen. Hur kan samarbete mellan arbetsgivare och företagshälsa ge bättre förhållanden
Hur förebygga psykisk ohälsa på arbetsplatsen. Hur kan samarbete mellan arbetsgivare och företagshälsa ge bättre förhållanden Irene Jensen Professor och enhetschef Gunnar Bergström Docent Enheten för interventions-
Läs mer1 Föreläsning I, Vecka I: 5/11-11/11 MatStat: Kap 1, avsnitt , 2.5
1 Föreläsning I, Vecka I: 5/11-11/11 MatStat: Kap 1, avsnitt 2.1-2.2, 2.5 Introduktion till kursen. Grundläggande sannolikhetslära. Mängdlära, händelser, sannolikhetsmått Händelse följer samma räkneregler
Läs merUtfall, Utfallsrummet, Händelse. Sannolikhet och statistik. Utfall, Utfallsrummet, Händelse. Utfall, Utfallsrummet, Händelse
Utfall, Utfallsrummet, Händelse Sannolikhet och statistik Sannolikhetsteorins grunder HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Denition 2.1 Resultatet av ett slumpmässigt försök kallas
Läs merInstitutionen för lingvistik och filologi VT 2014 (Marco Kuhlmann 2013, tillägg och redaktion Mats Dahllöf 2014).
UPPSALA UNIVERSITET Matematik för språkteknologer (5LN445) Institutionen för lingvistik och filologi VT 2014 (Marco Kuhlmann 2013, tillägg och redaktion Mats Dahllöf 2014). 9 Sannolikhet Detta kapitel
Läs merTentamen i Sannolikhetslära och statistik Kurskod S0008M
Tentamen i Sannolikhetslära och statistik Kurskod S0008M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2011-06-04 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson,
Läs merNeuro. En intresseorganisation inom neurologi
Neuro En intresseorganisation inom neurologi Välkommen till oss! Neuro är en intresseorganisation speciali serad på neurologi. Över en halv miljon svenskar lever med neurologiska diagnoser eller symtom.
Läs merDiagnossättning och registrering av diagnoskoder i primärvården inför införandet av ACG. Lizabeth Bellander 2013-10-29
1 Diagnossättning och registrering av diagnoskoder i primärvården inför införandet av ACG Lizabeth Bellander 2013-10-29 1 2 Beskrivning av ACG ACG står för Adjusted Clinical Groups och det är ett system
Läs merIRC s sortiment på slangupprullare
IRC s sortiment på slangupprullare är ett familjeföretag som har sin verksamhet i Björbo, Dalarna. Våra kunder finns över hela världen, i alla branscher, garage till kärnkraftverk. Vi har ett brett sortiment
Läs merBayesiansk statistik, 732g43, 7.5 hp
Bayesiansk statistik, 732g43, 7.5 hp Moment 2 - Linjär regressionsanalys Bertil Wegmann STIMA, IDA, Linköpings universitet Bertil Wegmann (STIMA, LiU) Bayesiansk statistik 1 / 29 Översikt moment 2: linjär
Läs merFÅ FRAM INDATA. När inga data finns!? Beslutsfattarens dilemma är att det är svårt att spå! Särskilt om framtiden!
FÅ FRAM INDATA När inga data finns!? Beslutsfattarens dilemma är att det är svårt att spå! Särskilt om framtiden! (Falstaff Fakir) Svårigheter att få fram bra information - en liten konversation Ge mig
Läs merTekniker för storskalig parsning
Tekniker för storskalig parsning Introduktion till projektet Joakim Nivre Uppsala Universitet Institutionen för lingvistik och filologi joakim.nivre@lingfil.uu.se Tekniker för storskalig parsning 1(17)
Läs merF6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.
Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje
Läs mer» Industriell ekonomi FÖ7 Investeringskalkylering
» Industriell ekonomi FÖ7 Investeringskalkylering Norrköping 2013-01-29 Magnus Moberg Magnus Moberg 1 FÖ7 Investeringskalkylering» Välkommen, syfte och tidsplan» Repetition» Frågor? Magnus Moberg 2 » Definition
Läs merTentamen med lösningsdiskussion. TSFS06 Diagnos och övervakning 1 juni, 2013, kl
Tentamen med lösningsdiskussion TSFS6 Diagnos och övervakning juni, 23, kl. 4.-8. Tillåtna hjälpmedel: TeFyMa, Beta, Physics Handbook, Reglerteknik (Glad och Ljung), Formelsamling i statistik och signalteori
Läs merMASKIN- OCH LASTBILSTEKNIK
MASKIN- OCH LASTBILSTEKNIK Ämnet maskin- och lastbilsteknik behandlar funktion hos och tillsyn, service och reparation av lastbilar och mobila maskiner samt felsökning och support. Det behandlar också
Läs merVÄLKOMNA TILL FJÄRDE TERMINEN PÅ KOSA-PROGRAMMET. KOSA-PROGRAM TERMIN 4 Beslutsteori
2016-01-21 Uppdaterat schema för Beslutsteori VÄLKOMNA TILL FJÄRDE TERMINEN PÅ KOSA-PROGRAMMET. Denna termin ska ni läsa följande kurser: Grundkurs i statistik KOSA-PROGRAM TERMIN 4 Beslutsteori Massmedia
Läs merNr 1 (10p) a) En affär har två kylskåp i lager när den öppnar måndag morgon. Ytterligare skåp kan inte erhållas förrän på onsdagen.
Nr 1 (10p) a) En affär har två kylskåp i lager när den öppnar måndag morgon. Ytterligare skåp kan inte erhållas förrän på onsdagen. Sannolikheten att man efterfrågar 0, 1, 2 skåp på måndagen är respektive
Läs mer