Artificiell Intelligens Lektion 7
|
|
- Karolina Eklund
- för 8 år sedan
- Visningar:
Transkript
1 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 hur Neurala nät fungerar och hur de kan användas Hur? Utnyttja fördefinierade funktioner i MATLAB Neurala nätverk en överblick Består av noder och länkar mellan noder Noder är enkla processorer Noder får indata antingen utifrån eller från andra noder via länkarna Neurala nätverk en överblick Länkarna mellan noderna har olika vikter Träning av neurala nätverk innebär att man justerar länkarnas vikter Noderna brukar sorteras in i olika lager Vanliga lager är indatalager, utdatalager och lager med gömda noder (eng. hidden layer ) Återkopplande lager (eng. recurrent layer ) är också vanliga Ett neuralt nätverk En nod i nätverkerket (jfr figur 9.4 i boken) lager a j Aktiveringsfunktion Länkar mellan gömda noder och utdatanoder W j,i a i = g(in i ) Lager med gömda (dolda) noder länkar Σ in i g a i länkar Länkar mellan indatanoder och gömda noder funktion lager
2 lager - representation 3 Träning av neurala nätverk Skapa nätverkets struktur Bestäm antal lager, hur många noder varje lager ska bestå av, samt hur noderna (lagren) ska vara kopplade till varandra Initialisera vikterna Antingen slumpa vikternas värde, eller sätt alla vikter till ett enhetligt värde Träning av neurala nätverk Träning Skapa en träningsmängd med exempel och facit Presentera träningsmängden Mata in ett exempel och se vad nätet matar ut Uppdatera vikterna baserat på hur långt ifrån nätets svar var från facit Upprepa genom att mata in nästa exempel Testa och utvärdera nätets prestanda. Exempel presenteras Träning 2 Träning 3 2. Aktiveringen sprids 3. Jämför med facit
3 Träning 4 Representation 4. Uppdatera vikter Siffrorna representeras som matriser med 5 eller 35 element (varje element motsvarar en pixel) Elementen är ett värde mellan och Ett rent mönster Ett brusigt mönster,,95,2,4,7,94,2,5,,53,92,6,8,87,,94,28 89,92,8 Nätets struktur Nätets struktur lager En nod i indatalagret motsvarar ett element, en pixel, i det inmatade mönstret. lagret innehåller därför 5 eller 35 noder Lager med gömda noder Ett nät kan ha, eller 2 lager med gömda noder. Antalet noder kan varieras lager En nod i utdatalagret motsvarar en siffra mellan och 9. lagret innehåller därför noder Träningsexempel Träningsexempel Nätet tränas på antingen rena mönster, förvrängda mönster eller en blandning är den korrekta, önskade klassificeringen,,95,2,4,7,94,2,5,,53,92,6,8,87,,94,28 89,92,8 Träning Träningsgräns Nätverket tränas tills summan av de kvadrerade felen blir mindre än en satt gräns
4 Testning och utvärdering För att testa om ett neuralt nätverk lärt sig att klassificera indata korrekt testas nätet på en testmängd Testmängden kan innehålla mönster som nätet tränats på, men även nya mönster för att se att nätet inte övergeneraliserat, dvs memorerat alla exempel Skapa ett nätverks struktur makenet(5,, ) skapar ett nätverk med 5 indatanoder, dolda noder och utdatanoder Skapa en träningsmängd makeexamples(,,.,.2) skapar 2 rena exempel, exempel med % brus och exempel med 2% brus Träna nätverket train(.) tränar nätverket med träningsgränsen satt till. Testa nätverket testnet(.) testar nätverket på exempel med % brus testnet( random ) testar nätverket på helt slumpmässiga mönster test testar nätverket på exempel med varierande grader av brus Rensa minnet clear global rensar minnet mellan varje deluppgift. Spara data från körningar diary Laboration 7 Uppgift Skapa ett så bra nät som möjligt Parametrar Antal dolda lager Antalet noder i de dolda lagren Siffrornas upplösning Antalet träningsexempel Grader av brus under träningsfasen Träningsgränsen Diskutera parametrarna Plus lite andra diskussionspunkter Probabilistiska resonemang Betingad sannolikhet P(A B) = P(A B) / P(B) P(A B) = P(A B) P(B) Villkorligt oberoende P(A B) = P(A) Bayes regel P(A B) = P(B A) P(A) / P(B)
5 Probabilistiska resonemang Normalisering P(A B) = P(A B, C)P(C) + P(A B, C)P( C) Kedjeregeln P(A, B C) = P(A B, C) P(B C) Uppgift 3.8 P(TestPositive Disease) =,99 P(Disease) =, P(Disease TestPositive) =? Tentauppg 95-2:9 Konstruera ett Bayesianskt nätverk, med sannolikhetstabeller (hitta på egna sannolikheter), för följande händelser För att tjäna pengar på börsen krävs tur, aktier och kontakter Den som har tjänat pengar på börsen köper en porsche Den som har turkronan har tur Kontakter ger passerkort till Café Opera
729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
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 merARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap
ARTIFICIELLA NEURALA NÄT MARCO KUHLMANN Institutionen för datavetenskap Example Alt Bar Fri Hun Pat Price Rain Res Type Est WillWait 1 Yes No No Yes Some $$$ No Yes French 0 10 Yes 2 Yes No No Yes Full
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 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 merTentamen i Sannolikhetslära och statistik (lärarprogrammet) 12 februari 2011
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Louise af Klintberg Lösningar Tentamen i Sannolikhetslära och statistik (lärarprogrammet) 12 februari 2011 Uppgift 1 a) För att få hög validitet borde mätningarna
Läs merDetta prov består av del 1 och 2. Här finns också facit och förslag till poängsättning
Allmänt om proven Detta prov består av del 1 och. Här finns också facit och förslag till poängsättning och bedömning. Provet finns på lärarwebben, dels som pdf-fil och dels som redigerbar Word-fil. Del
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 merDiskussionsproblem för Statistik för ingenjörer
Diskussionsproblem för Statistik för ingenjörer Måns Thulin Rolf Larsson rolf.larsson@math.uu.se Jesper Rydén jesper.ryden@math.uu.se Senast uppdaterad 27 januari 2016 Diskussionsproblem till Lektion 3
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 merUppgifter talmönster & följder
Uppgifter talmönster & följder Innan undervisningen om talmönster börjar bör du (åter)bekanta dig med uppgifter med anknytning till talmönster som elever möter i dagens skola. Uppgifterna är hämtade från
Läs merKompletterande lösningsförslag och ledningar, Matematik 3000 kurs B, kapitel 1
Här presenteras förslag på lösningar och tips till många uppgifter i läroboken Matematik 3000 kurs B som vi hoppas kommer att vara till hjälp när du arbetar dig framåt i kursen. Vi har valt att inte göra
Läs merUPPGIFT 1 KANINER. Håkan Strömberg 1 Pär Söderhjelm
UPPGIFT 1 KANINER Kaniner är bra på att föröka sig. I den här uppgiften tänker vi oss att det finns obegränsat med hannar och att inga kaniner dör. Vi ska försöka simulera hur många kaninhonor det finns
Läs merSjälvlärande Othello-spelare
Självlärande Othello-spelare Kan en dator lära sig att spela Othello? KLAS BJÖRKQVIST och JOHAN WESTER Examensarbete Stockholm, Sverige 2010 Självlärande Othello-spelare Kan en dator lära sig att spela
Läs mer52101 Utforska siffror
52101 Utforska siffror Innehåll: 1 uppsättning brickor, numrerade från 1 till 24 1 uppsättning räknebrickor 1 uppsättning med 30 stora siffror plastdjur 4 blanka brickor en låda med lock kopieringsbara
Läs merKandidatuppsats. Jämförelse mellan neurala nätverk baserad AI och state-of-the-art AI i racing spel. Simon Karlsson, Christopher Jensen
Kandidatuppsats Jämförelse mellan neurala nätverk baserad AI och state-of-the-art AI i racing spel Simon Karlsson, Christopher Jensen Sammanfattning Denna rapport jämför prestandan mellan state-of-the-art
Läs merBox 79 Hantverksvägen 15 Tel. +46 (0)176-208920 Web www.vetek.se 76040 Väddö, Sverige Fax +46 (0)176-208929 Email info@vetek.se 2
Manual FM-632ISLE Knappar och Funktioner FRAMSIDAN LCD DISPLAY Längd Vikt BMI BMI Symbol Undervikt Normal Övervikt Fetma = Bekräfta knapp för val = Ändra din längd Välj minne i Memory Mode & Recall Mode
Läs merVälkommen till QuickQuest 2.0!
Välkommen till QuickQuest 2.0! QuickQuest har uppdaterats med flera efterfrågade funktioner och med ett bredare användargränssnitt. Vi hoppas att du kommer finna det ännu enklare att skapa enkätundersökningar
Läs merFöreläsning 11. Giriga algoritmer
Föreläsning 11 Giriga algoritmer Föreläsning 11 Giriga algoritmer Användning Växelproblemet Kappsäcksproblemet Schemaläggning Färgläggning Handelsresandeproblemet Uppgifter Giriga algoritmer (Greedy algorithms)
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 merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Vektorer i planet och i rummet III Innehåll
Läs merPedagogisk planering i systemet
Pedagogisk planering i systemet Planeringen kan göras för en årskurs, klass, grupp eller elev En planering som är skapad för en klass kan man enkelt ändra och anpassa för en enskild elev Till en planering
Läs merHF0010. Introduktionskurs i datateknik 1,5 hp
HF0010 Introduktionskurs i datateknik 1,5 hp Välkommna - till KTH, Haninge, Datateknik, kursen och till första steget mot att bli programmerare! Er lärare och kursansvarig: Nicklas Brandefelt, bfelt@kth.se
Läs merAtt köpa ny dator SeniorNet Lidingö Januari-2016
Att köpa ny dator SeniorNet Lidingö Januari-2016 Att tänka på innan du köper bärbar dator Behov/Användningsområde Om man mest ska använda datorn till epost, Internet, lagra foton och skriva dokument i
Läs merModeller och simulering av språkprocessning
Modeller och simulering av språkprocessning Seriell processmodell + parallell processmodell Parallell modell med 2-vägsförbindelser Artificiellt neuralt nätverk (ANN) Interaktiv aktiverings-modell (IAM)
Läs merPrototypbaserad Inkrementell Diagnos. Anders Holst SICS, Swedish Institute of Computer Science AB
Prototypbaserad Inkrementell Diagnos Anders Holst SICS, Swedish Institute of Computer Science AB Metoder för Industriell Diagnos Datadrivna metoder Träna in en mappning från symptom till diagnoser. Kräver
Läs merNATURVETENSKAP FÖR LIVET?
NATURVETENSKAP FÖR LIVET? Under terminen kommer din klass att medverka i ett forskningsprojekt. Ni kommer att arbeta med uppgifter som handlar om i samhället. Enkäten innehåller frågor om dig och dina
Läs merGrön flagg Nu är Stensjöns handlingsplan godkänd för Grön flagg!
Handlingsplanen godkänd 2012-05-27 Grön flagg Nu är Stensjöns handlingsplan godkänd för Grön flagg! 2012-05-27 Det demokratiska arbetet och hela skolans eller förskolans delaktighet är centralt inom Grön
Läs merAlgoritmer och maskininlärning
Algoritmer och maskininlärning Olof Mogren Chalmers tekniska högskola 2016 De här företagen vill Tjäna pengar Hitta mönster i stora datamängder Göra förutsägelser Klassificera data Förstå människan Maskininlärning
Läs merPersonlig assistans som den ska vara
Personlig assistans som den ska vara Inledning om personlig assistans Varje sida som ska driva trafik till personlig assistans behöver vara utformad på rätt sätt. Det finns en hel del villkor som är viktiga
Läs mer75059 Stort sorteringsset
75059 Stort sorteringsset Aktivitetsguide Detta set innehåller: 632 st sorteringsföremål 3 st snurror 6 st sorteringsskålar 1 st sorteringsbricka i plast 1 st siffertärning Detta sorteringsset har tagits
Läs merGrafer. 1 Grafer. Grunder i matematik och logik (2015) 1.1 Oriktade grafer. Marco Kuhlmann
Marco Kuhlmann 1 En graf är en struktur av prickar förbundna med streck. Ett tidsenligt exempel på en sådan struktur är ett social nätverk, där prickarna motsvarar personer och en streck mellan två prickar
Läs merHKGBB0, Artificiell intelligens
HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.
Läs merEx post facto forskning Systematisk, empirisk undersökning. om rökning så cancer?
Metod2 Experimentell och icke experimentell forskning Ex post facto forskning Laboratorie - och fältexperiment Fältstudier Etnografiska studier Forskningsetiska aspekter 1 Ex post facto forskning Systematisk,
Läs merAtt välja kurser på Datateknik år 4-5
Att välja kurser på Datateknik -5 Inledning På D-programmet är alla kurser i årskurs 1-3 obligatoriska. Efter det är alla kurser valfria. Det skapar möjligheter för dig att sätta din egen prägel på utbildningen
Läs merLearning study ett utvecklingsprojekt
Learning study ett utvecklingsprojekt Bengt Drath Högskolan i Skövde samt Stöpenskolan i Skövde kommun Min resa som lärare Ett samspel av praktik och teori Stöpenskolan i Skövde kommun och Högskolan i
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 merKommentarmaterial, Skolverket 1997
Att utveckla förstf rståelse för f r hela tal Kommentarmaterial, Skolverket 1997 Att lära sig matematik handlar om att se sammanhang och att kunna föra logiska resonemang genom att känna igen, granska
Läs merDriftinstruktion Digitalt dagkopplingsur 7LF41. 7LF4 110 230 VAC 1-kanal utan specialfunktioner
s Driftinstruktion Digitalt dagkopplingsur 7LF41. 7LF4 110 230 VAC 1-kanal utan specialfunktioner Digitalt veckokopplingsur 7LF41/årsur 7LF415. 7LF4 111 230 VAC 1-kanal 7LF4 112 24 VAC/DC 1-kanal utan
Läs merProbabilistisk 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 merSannolikhetslära. 1 Grundläggande begrepp. 2 Likformiga sannolikhetsfördelningar. Marco Kuhlmann
Marco Kuhlmann Detta är en kompakt sammanfattning av momentet sannolikhetslära som ingår i kurserna Matematik 1b och 1c på gymnasiet. I slutet av dokumentet hittar du uppgifter med vilka du kan testa om
Läs merAutonoma Styrsystem. Fördjupningsarbete inom Artificiell Intelligens. Linköpings Universitet Artificiell Intelligens 729G11 2008-09-09
Linköpings Universitet Artificiell Intelligens 729G11 Autonoma Styrsystem Fördjupningsarbete inom Artificiell Intelligens 2008-09-09 Dennis Eng 860226-0070 Innehåll Sammanfattning... 2 Bakgrund... 3 Projekt
Läs merSätt att skriva ut binärträd
Tilpro Övning 3 På programmet idag: Genomgång av Hemtalet samt rättning Begreppet Stabil sortering Hur man kodar olika sorteringsvilkor Inkapsling av data Länkade listor Användning av stackar och köer
Läs merUMEÅ UNIVERSITET 26 april 2002 Instutionen för datavetenskap. Grafproblem. Laboration 4, Datastrukturer och Algoritmer VT02
UMEÅ UNIVERSITET 26 april 2002 Instutionen för datavetenskap Grafproblem Laboration 4, Datastrukturer och Algoritmer VT02 Laboration 4 - grafproblem Förpackningsdatum: Denna lab-spec är senast ändrad:
Läs merTrygghet 9 Empati 6 Hänsyn 3 Bemötande 2 Tolerans 2 Förhållningssätt 2 Omsorg 2 Respekt 2 Kamrat 1 Ärlighet 1 Omtanke 1 Skyldighet 1 Rättighet 1
Sammanställning värdegrundsbegrepp personal. Trygghet 9 Empati 6 Hänsyn 3 Bemötande 2 Tolerans 2 Förhållningssätt 2 Omsorg 2 Respekt 2 Kamrat 1 Ärlighet 1 Omtanke 1 Skyldighet 1 Rättighet 1 Begrepp som
Läs merHÖGSKOLAN I KALMAR Institutionen för teknik Erik Loxbo 06 03 04 LABORATION I PLC-TEKNIK SEKVENSSTYRNING AV TRANSPORTBAND SIMATIC S7 - GRAPH
HÖGSKOLAN I KALMAR Institutionen för teknik Erik Loxbo 06 03 04 LABORATION I PLC-TEKNIK SEKVENSSTYRNING AV TRANSPORTBAND SIMATIC S7 - GRAPH Uppgift: Lös nedanstående problemställning med hjälp av programvaran
Läs merTNM011 Grafisk teknik Laboration 3 - Färg
TNM011 Grafisk teknik Laboration 3 - Färg Martin Solli marso@itn.liu.se ITN, Linköpings Universitet HT 2006 Introduktion Laborationen handlar om sambandet mellan reflektansspektran, belysningar och den
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 merEnkäten inleds med några frågor om demografiska data. Totalt omfattar enkäten 85 frågor. 30-40 år. 41-50 år. 51-60 år. > 60 år. 6-10 år.
1 av 15 2010-11-03 12:46 Syftet med den här enkäten är att lära mer om hur lärare tänker och känner när det gäller matematikundervisningen, särskilt i relation till kursplanen och till de nationella proven.
Läs merANDRA BASER ÄN TIO EXTRAMATERIAL TILL. Matematikens grunder. för lärare. Anders Månsson
ANDRA BASER ÄN TIO EXTRAMATERIAL TILL Matematikens grunder för lärare Anders Månsson Extramaterial till boken Matematikens grunder för lärare (art.nr. 38994), Anders Månsson. Till Tallära-kapitlet: Andra
Läs merIntroduktion till Matlab
CTH/GU 2015/2016 Matematiska vetenskaper Introduktion till Matlab 1 Inledning Matlab är både en interaktiv matematikmiljö och ett programspråk, som används på många tekniska högskolor och universitet runt
Läs merFlexibel meny i Studentportalen
Guide Flexibel meny i Studentportalen Via en flexibel meny kan lärare och administratörer skapa en menystruktur som består av menyblock och funktioner i valfri ordning. På så sätt kan menyn spegla kursens
Läs merLABORATIONSHÄFTE NUMERISKA METODER GRUNDKURS 1, 2D1210 LÄSÅRET 03/04. Laboration 3 3. Torsionssvängningar i en drivaxel
Lennart Edsberg Nada, KTH December 2003 LABORATIONSHÄFTE NUMERISKA METODER GRUNDKURS 1, 2D1210 M2 LÄSÅRET 03/04 Laboration 3 3. Torsionssvängningar i en drivaxel 1 Laboration 3. Differentialekvationer
Läs merLektionsanteckningar 2: Matematikrepetition, tabeller och diagram
Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram 2.1 Grundläggande matematik 2.1.1 Potensfunktioner xmxn xm n x x x x 3 4 34 7 x x m n x mn x x 4 3 x4 3 x1 x x n 1 x n x 3 1 x 3 x0 1 1
Läs merOptimering. Optimering av transportproblem. Linköpings universitet SL. Campusveckan VT2013
Optimering Optimering av transportproblem Campusveckan VT2013 Linköpings universitet SL 1 Optimering - Distributionsproblem Företaget Kulprodukter AB producerar sina kulor vid fyra olika fabriksanläggningar
Läs merInlärning utan övervakning
Översikt Biologiska mekanismer bakom inlärning Inlärning utan övervakning Inlärning utan övervakning Hebbiansk modellinlärning Självorganisering Arbetsfördelning mellan noder i ett lager som utvecklas
Läs merJag känner mig trygg på min skola
% 1 9 5 4 3 2 1 Jag känner mig trygg på min skola Det råder en positiv och god sammanhållning i min skola. 1 9 % 5 4 3 2 1 Utv. samtalet med min mentor/handl. känns meningsfullt 1 9 % 5 4 3 2 1 % 9 5 4
Läs merHandlingsplan för Ulvsätersgårdensförskola,
Handlingsplan för Ulvsätersgårdensförskola, läsåret: 2015-2016 2.1 NORMER OCH VÄRDEN Mål för likabehandlingsarbetet utvecklar: öppenhet, respekt, solidaritet och ansvar, förmåga att ta hänsyn till och
Läs merSignalanalys med snabb Fouriertransform
Laboration i Fourieranalys, MVE030 Signalanalys med snabb Fouriertransform Den här laborationen har två syften: dels att visa lite på hur den snabba Fouriertransformen fungerar, och lite om vad man bör
Läs merData mining. Ett analysverktyg för att upptäcka mönster i stora mängder data. Linköpings universitet Artificiell intelligens II 729G11 HT 2010
Linköpings universitet Artificiell intelligens II 729G11 HT 2010 Data mining Ett analysverktyg för att upptäcka mönster i stora mängder data 840515 4009 karfr294@student.liu.se Innehållsförteckning 1 Inledning...
Läs merFunktioner och grafritning i Matlab
CTH/GU LABORATION 3 MVE11-212/213 Matematiska vetenskaper 1 Inledning Funktioner och grafritning i Matlab Först skall vi se lite på (elementära) matematiska funktioner i Matlab, som sinus och cosinus.
Läs merNeurala nätverk och språkigenkänning. Henrik Linnarsson. Linköping University
Neurala nätverk och språk Henli807!1 Neurala nätverk och språkigenkänning Henrik Linnarsson Linköping University Neurala nätverk och språk Henli807!2 RNN, LSTM och språkigenkänning Inledning Idag är språkigenkänning
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 merTAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER
Matematiska institutionen Optimeringslära TENTAMEN TAOP88/TEN 1 OPTIMERING FÖR INGENJÖRER Datum: 10 januari 201 Tid: 1.00-19.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merUppgift 1. Kylskåpstransporter
Uppgift 1. Kylskåpstransporter 1. Här kan du se de två bilarna lastade med kylskåp på väg mot stormarknaden En fabrik som tillverkar kylskåp ska leverera ett större parti med n, 1 n 1000, kylar till en
Läs merKodning av ansiktstextur med oberoende komponenter
Kodning av ansiktstextur med oberoende komponenter Jörgen Ahlberg Report no. LiTH-ISY-R-2297 ISSN 1400-3902 Avdelning, Institution Division, department Datum Date Image Coding Group 2000-10-02 Department
Läs merSkriv ut korten. Laminera dem gärna. Då håller de längre och kan användas om igen. Klipp ut dem och lägg de röda respektive de gröna i var sin ask.
RYGG Koppla ihop - Samarbetsövning Ett exempel på kort Förberedelser: Skriv ut korten. Laminera dem gärna. Då håller de längre och kan användas om igen. Klipp ut dem och lägg de röda respektive de gröna
Läs merBedöma elevers förmågor i muntlig uppgift
BEDÖMNINGSSTÖD I MATEMATIK Bedöma elevers förmågor i muntlig uppgift Innehåll Syftet med materialet sid. 2 Bedömning av muntliga prestationer i matematik sid. 2 Olika typer av bedömningssituationer sid.
Läs merSeminarium nr 5: Hållbar samhällsplanering på regional nivå
Handläggare: Ida Broman, Folkhälsoförvaltningen Seminarium nr 5: Hållbar samhällsplanering på regional nivå Michael Sjöberg - Planeringsdirektör och kanslichef, Örebro läns landsting Michael introducerar
Läs merSF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2
Matematisk Statistik SF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2 1 Introduktion Denna laboration är inte poänggivande utan är till för den som vill bekanta sig med MATLAB. Fokusera
Läs merNågra material & Ekologi
Några material & Ekologi Syfte Mål Kemi: Kemin; använda kemins begrepp, modeller och teorier för att beskriva och förklara kemiska samband i samhället, naturen och inuti människan. Biologin; använda biologins
Läs merProblem: BOW Bowling. Regler för Bowling. swedish. BOI 2015, dag 1. Tillgängligt minne: 256 MB. 30.04.2015
Problem: BOW Bowling swedish BOI 0, dag. Tillgängligt minne: 6 MB. 30.04.0 Byteasar tycker om både bowling och statistik. Han har skrivit ner resultatet från några tidigare bowlingspel. Tyvärr är några
Läs merTips och verktyg för studietiden om studieteknik och stresshantering. Carina Bäckström & Karolina Källoff Studentcentrum
Tips och verktyg för studietiden om studieteknik och stresshantering Carina Bäckström & Karolina Källoff Studentcentrum Agenda Att vara ny Lär känna dig själv Om stress Uppskjutaren/ Perfektionisten Studieplanering/
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merLäroplan för handledarutbildning
Diarienummer: Träder i kraft: ÅLR 2016/187 01.03.2016 Rättsgrund: 7 landskapsförordning (2015:95) om förarutbildning Giltighetstid: Tillsvidare Läroplan för handledarutbildning Innehållsförteckning 1 Inledning...
Läs merKPP053, HT2015 MATLAB, Föreläsning 1. Introduktion till MATLAB Skript Inläsning och utskrift av variabler Ekvationssystem Anonyma funktioner
KPP053, HT2015 MATLAB, Föreläsning 1 Introduktion till MATLAB Skript Inläsning och utskrift av variabler Ekvationssystem Anonyma funktioner MATLAB Väletablerat Mycket omfattande program GNU OCTAVE Öppen
Läs merEtt Neuralt Nätverk Tittar På Kläder
[Skriv här] [Skriv här] [Skriv här] 2019 Ett Neuralt Nätverk Tittar På Kläder ETT KONVOLUTIONELLT NEURALT NÄTVERK KATEGORISERAR FASHION MNIST DATASETET WILHELM BRODIN, WILBR797 1.1 Inledning En människas
Läs merHur gör man en bra Poster?
Hur gör man en bra Poster? Postern kan sägas vara en sammanfattning av den skriftliga rapporten. Man skulle t o m kunna säga att postern är en sammanfattning av den muntliga presentationen. När man presenterar
Läs merStatistisk undersökningsmetodik (Pol. kand.)
TENTAMEN Tentamensdatum 2008-10-02 Statistisk undersökningsmetodik (Pol. kand.) Namn:.. Personnr:.. Tentakod: Obs! Var noga med att skriva din tentakod på varje lösningsblad som du lämnar in. Skrivtid
Läs merNO: KEMI. Årskurs 7 2015-11-20
NO: KEMI Årskurs 7 2015-11-20 Diskussionsfråga Diskutera i par (tre om två ej är möjligt) Om inte annat anges av läraren. Lektion 3 Rena ämnen och blandningar Att separera ämnen Ämnen kan förändras Planering
Läs merPhotoshop Elemements 2.0
Mittuniversitetet ITM Telefon 063-16 53 00 Photoshop Elemements 2.0 Laborationskompendium för grundläggande digital bildbehandling Detta exemplar tillhör: VT 2005 Innehållsförteckning Gränssnitt 1 Laborationskompendium
Läs merSTABILITET FÖR LINJÄRA HOMOGENA SYSTEM MED KONSTANTA KOEFFICIENTER
Armin Halilovic: EXTRA ÖVNINGAR, SF676 STABILITET FÖR LINJÄRA HOMOGENA SYSTEM MED KONSTANTA KOEFFICIENTER Innehåll Stabilitet för en kritisk punkt (grundbegrepp) Stabilitet för ett linjärt homogent system
Läs merUnder min praktik som lärarstuderande
tomoko helmertz Problemlösning i Japan och Sverige Japansk matematikundervisning skiljer sig på många sätt från svensk. Vilka konsekvenser får det för hur elever i respektive länder löser problem? Tomoko
Läs merHandlingsplan för XXX förskola, läsåret:
Handlingsplan för XXX förskola, läsåret: 2.1 NORMER OCH VÄRDEN Mål för likabehandlingsarbetet utvecklar: öppenhet, respekt, solidaritet och ansvar, förmåga att ta hänsyn till och leva sig in i andra människors
Läs merHandlingsplan vid elevs frånvaro
Stavreskolan F-9 Handlingsplan vid elevs frånvaro Kartläggning Elevfrånvaron diskuteras regelbundet i arbetslaget i samband med arbetslagsmöten. Mentor för regelbundet närvaro/frånvaro i Skola 24 och ansvarar
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 merSjälvlärande Dots & Boxes-spelare
Självlärande Dots & Boxes-spelare ANDREAS PETTERSSON Kandidatexamensarbete inom datalogi, grundnivå Kurs 143X Handledare: Johan Boye Examinator: Mads Dam andrepet@kth.se Vintrosagatan 5 124 73 Bandhagen
Läs merEnkät till föräldrar och elever i årskurs 3, 5, 8 och Olsboskolan, vt 2015
Utbildnings- och fritidsförvaltningen Håkan Jansson Enkät till föräldrar och elever i årskurs 3, 5, 8 och Olsboskolan, vt 215 Utbildnings- och fritidsförvaltningen genomförde under februari 215 enkätundersökningar
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 merHands-On Math. Matematikverkstad. Förskolans nya läroplan 1 juli 2011. Matematik är en abstrakt och generell vetenskap
Hands-On Math Matematikverkstad 09.00 10.30 & 10.45 12.00 Elisabeth.Rystedt@ncm.gu.se Lena.Trygg@ncm.gu.se eller ett laborativt arbetssätt i matematik Laborativ matematikundervisning vad vet vi? Matematik
Läs merDatorlära 3 Octave Workspace ovh mijlö Skriva text på skärmen Värdesiffror Variabler och typer Strängar Makro Vektorer
Datorlära 1 Introduktion till datasystemet, epost konto, afs hemkonto Introduktion till datorer och datasalar Open Office Calculator Beräkningar med Open Office Calc Diagram med OO Calc Datorlära 2 Utforma
Läs merLaboration: Grunderna i MATLAB
Laboration: Grunderna i MATLAB 25 augusti 2005 Grunderna i MATLAB Vad är MATLAB? MATLAB är ett interaktivt program för vetenskapliga beräkningar. Som användare ger du enkla kommandon och MATLAB levererar
Läs mer4-7 Pythagoras sats. Inledning. Namn:..
Namn:.. 4-7 Pythagoras sats Inledning Nu har du lärt dig en hel del om trianglar. Du vet vad en spetsig och en trubbig triangel är liksom vad en liksidig och en likbent triangel är. Vidare vet du att vinkelsumman
Läs merOptimering av hyperparametrar till artificiella neurala nätverk med genetiska algoritmer.
Optimering av hyperparametrar till artificiella neurala nätverk med genetiska algoritmer. Simon Stensson Juni 6, 2016 Abstract This master thesis explores the feasibility of using genetic algorithms in
Läs merB = Bokad tid. T = Tillfälligt bokad tid. L = Ledig tid. X = Spärrad tid
3 Elev När eleven har loggat in får eleven upp denna bild, ett schema över sin lärares körtider och en gul meny som visas högst upp. Här nedan, under funktionsbeskrivning, kommer alla funktioner som eleven
Läs mer-*/+&3*/("3 47&/4,5 )676% &9".&/41"11&3,0--&(*&) '5&/ (-04) '5&/ '03."5 -*/+&3*/("3 4*%03 4,0-) '5&/ www.ibnfmjo.el 4,0-1"11&3 LINEX gör det roligt att lära Matematik behöver inte bara handla om siffror
Läs merTentamen SSY 065, onsdag 17/12, 08:30-12:30, H. Lärare: Petter Falkman, (772) 3723 Tider för lärarens närvaro: 09:30, 11:00
Industriautomation Tentamen SSY 065, onsdag 17/12, 08:30-12:30, H Lärare: Petter Falkman, (772) 3723 Tider för lärarens närvaro: 09:30, 11:00 Fullständig lösning ska lämnas på samtliga uppgifter. I förekommande
Läs mer150811 Lokal Pedagogisk Plan
150811 Lokal Pedagogisk Plan Gys - 13 lektionsserie, tema smoothie. ES I denna lektionsserie får eleverna delta i hela processen kring att tillaga en enkel måltid. Under första lektionstillfället förbereds
Läs mer5B1574 - Portföljteori och riskvärdering
5B1574 - Portföljteori och riskvärdering Laboration 1 Farid Bonawiede - 831219-0195 Alexandre Messo - 831119-7472 1 - Spotränteberäkningar I denna uppgift ska vi beräkna spoträntan för olika löptider.
Läs merTentamen i Realtidsprogrammering
Tentamen i Realtidsprogrammering Ordinarie Tentamen Datum: 2011-05-14 Tid: 08:15 11:15 Ansvarig lärare: Telefon: 301438 Hjälpmedel: Miniräknare Poäng: Tentamen omfattar 40 poäng fördelade på 5 uppgifter.
Läs mer