Röststyrning och dess neurala nätverk.
|
|
- Lena Sandberg
- för 3 år sedan
- Visningar:
Transkript
1 Röststyrning och dess neurala nätverk. Projektrapport om DNN och RNN gällande Apples assistent Siri. Magdalena Haglund Holst 13/1-2019
2 Innehållsförteckning: 1. Inledning Bakgrund Deep neural network DNN och Siri Two pass detector Recurrent Neural network RNN och LSTM Träning av RNN Sigmoid squashing function Stochastic gradient descent Backpropagation Sammanfattning Referenser
3 1. Inledning Kommunikationen mellan användare och olika system utvecklas ständigt. Från att endast kunna trycka på knappar på mobiltelefonerna, till att kunna använda sig av touchfunktionen och nu även röststyrning. Det finns flera olika företag och dess enheter som använder sig av röststyrning. Exempel på dessa är Googles Assistent, Iphones Siri samt Amasons Alexa. Gemensamt för dessa är att de alla kan föra en verbal tvåvägskommunikation, dvs. att enheten i fråga både kan lyssna samt svara på användarens frågor eller föra en konversation med hen. Denna kommunikation möjliggörs med hjälp av maskininlärning via neurala nätverk. Då olika röststyrningsenheter kan vara modifierade på olika sätt kommer denna rapport främst att fokusera på Apples assistent kallad Siri. Denna rapport kommer inriktas på hur Siris neurala nätverk är uppbyggt, dess beståndsdelar, samt nätverkets funktion för en fungerande röststyrningsenhet. 1.1 Bakgrund Apples röstassistent Siri lanserades i oktober Siri har en mängd olika funktioner såsom att söka upp information på nätet, göra påminnelser, skriva anteckningar samt ringa kontakter för att bara nämna några få möjligheter. Alla dessa kommandon utförs verbalt, genom att användaren yttrar orden Hej Siri, för att sedan säga det önskade kommandot till systemet. Systemet Siri fungerar genom att en språkigenkännare ständigt är aktiverad, för att just lystra efter orden Hej Siri. Denna detektor använder ett Deep Neural Network (DNN), för att konvertera det akustiska mönstret som användaren utger, till en sannolikhetsdistribution över språkliga ljud. När systemets användare just uttrycker orden Hej Siri, avgör sannolikhetsdistributionen just sannolikheten för att orden som precis uttrycktes faktiskt var Hej Siri. Om sannolikheten för att orden faktisk var Hej Siri är övervägande, aktiveras Siri och lystrar därmed till vad användaren vill ha hjälp med (Apple, Siri team, 2017). 2. Deep Neural Network Ett neuralt nätverk består av en mängd noder, perceptroner, som är sammankopplade via riktade länkar till andra perceptroner i nätverket. Dessa sammankopplingar ger perceptronerna inputs och outputs med information, som tillsammans utgör det neurala 2
4 nätverket. (Russel & Norvig, 2010). Omfattningen på neurala nätverk kan te sig väldigt olika från nätverk till nätverk. Allt från nätverk med två sammankopplingar mellan perceptronerna och ett fåtal lager, till nätverk med tusentals sammankopplingar och lager (Rohrer, 2017). Djupa neurala nätverk innefattar även så kallade dolda lager. Dessa består likt andra lager i nätverket av noder, skillnaden är att ett dolt lager är beläget mellan ett input-lager och ett output-lager (Goodfellow, Bengio & Courville, 2016). Det är i ett dolt lager som neuronerna i nätverket tar in data, vilket är viktade inputs i form av vektorer, och kan därefter ge ut en output genom en aktiveringsfunktion som beräknar de dolda lagrens värden. Vektorer är en samling värden (Rohrer, 2017). Det som menas med att inputen är viktad är att den har en numerisk vikt som ger information om styrkan i den aktuella kopplingen mellan noderna. (Russel & Norvig, 2010 ). Aktiveringsfunktionerna kan se olika ut och därmed även ge olika typer av output i nätverket. Exempel på en aktiveringsfunktion är att den ger ett tröskelvärde, där en output endast ges om värdet funktionen beräknar överstiger det givna tröskelvärdet (Kang, 2017). Funktionen hos ett neuralt nätverk är att känna igen mönster. Dessa mönster kan röra flera möjliga kategorier, exempelvis kulörer eller som i detta fall, ljud (Rohrer, 2017). 2.1 DNN och Siri När användaren till en Iphone eller en Iwatch yttrar orden Hej Siri, bryts ljudet av användarens röst ned till en ström av momentana våglängder, i en hastighet på per sekund. Det är dessa våglängder som sedan omvandlas till ramar i det neurala nätverket, där varje ram beskriver ett ljudspektra på ca 0.01 sekunder (Apple, Siri team, 2017 ). Ungefär 20 av dessa ramar matas in i det neurala nätverket åt gången, där varje ram omvandlas till en sannolikhetsfördelning över en uppsättning talljudsklasser, se figur 1 nedan. 3
5 Figur 1. Deep neural network över Siris system. Den akustiska modellen för det neurala nätverket ger en distribution över värden för fonetiska klasser för varje ram (Apple, Siri team, 2017 ). Det som ingår i en fonetisk klass är den minsta möjliga beståndsdelen i ett ord, dvs. språkljuden. Figur 1 ovan visar hur det neurala nätverket för Siri är uppbyggt, dvs. en grafisk bild över de dolda lagrena i nätverket samt dess funktion för nätverket som helhet. Målet för det neurala nätverket är att först och främst detektera frasen Hej Siri bland dessa ramar i den akustiska modellen. Detta görs genom att varje ram får ett värde som ackumuleras över en viss tidssekvens. Om värdet överstiger tröskelvärdet i aktiveringsfunktionen, dvs. att sannolikheten för att frasen Hej Siri yttrats är övervägande, aktiveras systemet och lystrar därmed till andra ord än just den sagda frasen Two-pass detection För att Siri inte ska kräva allt för mycket energi för den aktuella enheten är systemet uppdelat i två delar. Den första delen av systemet är alltid på, och är inte lika energikrävande som den andra delen. Den akustiska inputen från mikrofonen på enheten åker in i den första delen av Siris system, även kallat AOP (always on processor), som lystrar efter just orden Hej Siri. Denna AOP har i sig en mindre version av det stora DNN (som finns i den andra delen). När gränsvärdet överstigs för aktiveringsfunktionen i AOP, skickas informationen vidare till ett större DNN, se figur 2 nedan (Apple, Siri team, 2017). 4
6 Figur 2. Two-pass detection 3. Recurrent Neural Network Det finns olika typer av neurala nätverk, beroende på syftet med nätverket samt dess önskade output. När systemet för Siri har aktiverats är dess syfte inte att enbart lystra efter frasen Hej Siri som tidigare, utan måste nu även komma ihåg längre meningar för att uppfatta användarens kommando. För att detta ska möjliggöras krävs ett så kallat Recurrent Neural Network (RNN). Ett RNN kan fungera likt ett long short term memory (LSTM), då det baserat på sagda ord kan förutse nästkommande yttringar. Detta sker genom att RNN sparar outputen från tidigare tillstånd, som sedan används i det aktuella inputlagret med eventuell ny data. Detta genererar en ny output. Denna process fortgår sedan. Figur 3. Recurrent Neural Network 5
7 3.1 RNN och LSTM Ett RNN fungerar som tidigare nämnt likt ett long short term memory (LSTM). Detta genom att tidigare output sparas och sedan används som input i det aktuella lagret. Detta sker genom att outputinformationen inte försvinner då den översätts till data i form av vektorer, dvs. ett antal samlade värden (Rohrer, 2017). Med hjälp av LSTM kommer därmed RNN inte enbart ihåg den senaste outputen, utan alla tidigare outputs. LSTM fungerar genom att vektorer i RNN adderas (element-by-element addition), samt multipliceras (element-by-element multiplication). Det är denna addition samt multiplikation som utgör själva minnet i nätverket. Minnet möjliggörs genom så kallad gating. Gating kan jämföras med olika vägar i nätverket, som delar upp och avgränsar nätverket utifrån dess olika funktioner. Dessa gates behövs för att RNN ska veta vilken information som bör kommas ihåg, vad som kan glömmas, samt ge en output för vad som kan antas stämma för tillfället. Vilken information som ska kommas ihåg och vilken som ska glömmas avgörs genom den tidigare nämnda element-by-element additionen samt multiplikationen. Dessa beräkningar tilldelar informationen i nätverket ett värde mellan exempelvis 0-1. Gaterna släpper igenom information med exempelvis värdet 1, och väljer att glömma information med värdet 0. Informationen tilldelas därmed ett värde beroende på vilket signal/informationsvärde som multipliceras samt adderas med vilket gate-värde. Den information som nätverket väljer att komma ihåg stannar kvar i RNN och hjälper nätverket att kunna förutse nästa output. (Rohrer, 2017). Det finns olika gates som utgör olika funktioner för att kunna uppnå sållandet samt ihågkommandet av information i nätverket. Dessa olika gates är forget gate, input gate samt output gate. 3.2 Träning av RNN En stor skillnad mellan RNN och andra neurala nätverk är att RNN kommer ihåg tidigare input, medan de i andra neurala nätverk är oberoende av varandra. Ett RNN tränas ständigt genom att köras, då all tidigare input lagras för att sedan ihågkommas och användas för att förutspå nästkommande output, i detta fall ord. För att kunna förutspå nästkommande ord, jämförs relationen mellan tidigare sagda ord, för att möjliggöra en förutsägning om 6
8 nästkommande ord. På så sätt kommer ett RNN ihåg alla tidigare relationer mellan noderna i nätverket, samtidigt som det ständigt tränas genom att spara nya relationer (Shekhar, 2018). Apples system för Siri tränas genom att justera nodernas vikter genom backpropagation samt stochastisk gradient descent (Apple, Siri team, 2017). Denna process beskrivs mer i detalj senare. Figur 4. Hur RNN använder sig av tidigare outputs i kombination med ny information för att kunna förutse kommande output Sigmoid squashing function Sigmoid squashing function hjälper nätverket att vara kontrollerat, samt att tränas för att förbättra sannolikhetsgraden för kommande output. Det fungerar genom att värdet för en viss output, exempelvis 0.5, sätts in i squashing funktionen, och får därmed ut en squashed version av det värdet. Det insatta värdet sätts in på grafens x-axel. Där det insatta x-värdet möter sigmoid-axeln i grafen utläses y-värdet för samma punkt. Det är denna punkt som blir den squashade versionen av x-värdet. Värdet som utläses ur squashed funktionen hamnar alltid mellan 0 och 1.0. Ju större det insatta värdet är, desto större kommer även att squashed-värdet att bli (Rohrer, 2017). Denna funktion hjälper RNN att få feedback över sannolikheten för kommande utfall. Om exempelvis en specifik ordföljd upprepas 3 gånger i rad, ökas sannolikhetsvärdet för att just den ordföljden kommer att upprepas om det första ordet i ordföljden nämns en ytterligare gång. 7
9 Figur 5. Sigmoid squashing function Stochastic gradient Descent För att träna systemet Siri används bland annat en metod som kallas stochastic gradient descent (SGD) (Apple, Siri team, 2017). Stochastic gradient descent är en iterativ metod, med mål att optimera en differentierbar objektiv funktion, samt minimera nätverkets cost function. En cost function är en funktion som räknar ut felen i nätverkets prestanda (Watson, 2017 ). Med SGD tränas därmed nätverket till att minimera antal fel. Det som menas med en gradient i SGD är hur mycket outputen i nätverket kommer förändras beroende på om inputen förändras. För att exemplifiera tillvägagångssättet för hur en gradient descent beräknas kan vi titta på figur 5 nedan. Funktionen är konvex, där de horisontella axlarna i figuren representerar parametrarna w samt b, och de vertikala axlarna representerar cost function J(w,b). Målet är att ta reda på värdena för w och b som motsvarar minimumet för cost function, dvs. vilka värden för w och b som bidrar till att förändringen i outputen beroende på vilken input det är, är så liten som möjligt. Denna punkt är markerad med rött i figur 5. För att hitta dessa värden börjar funktionen med att sätta randomiserade värden för w och b, för att sedan vandra nedåt mot målet, dvs. bakåt i nätverket (Donges, 2018 ). Varje steg nedåt i figuren är en jämförelse mellan hur mycket outputen för det aktuella läget i nätverket kommer förändras beroende på inputen. Hur stora dessa steg är beror på hur stor learning rate vi har. Learning raten avgör hur snabbt eller långsamt funktionen ska röra sig mot målet, de optimala vikterna. Om learning raten för gradient descent är för stor, kan den hoppa över minimumet för cost function, och istället bara studsa fram och tillbaka i den konvexa funktionen. Om learning raten är för liten kommer den tillslut hitta minimumet för cost function, men det kan ta väldigt lång tid. Därför är det viktigt att ha en learning rate som 8
10 varken är för stor eller för liten. När gradient descent körs för nätverket, kommer därmed värdet för cost function att sjunka för varje iteration. Figur 6. Gradient descent Stochastic gradient descent minskar därmed felen i nätverket som helhet genom att minska cost function, och nå nätverkets lokala minimum för fel, genom att modifiera dess parametrar. (Donges, 2018). Skillnaden mellan stochastic gradient descent och gradient descent är just det att den stokastiska varianten väljer ut ett randomiserat urval av från nätverket, istället för en hel grupp, eller en grupp som är i följording i nätverket. Stochastic gradient descent uppdaterar även parametrarna för varje träningsexempel för datasetet, vilka andra typer av gradient descent inte gör. Detta leder till att SGD kan ge en mer detaljerad förbättringshastighet än andra typer av gradient descent. (Donges, 2018 ) Backpropagation Backpropagation är en metod som tränar RNN genom att beräkna gradienten som behövs för att kunna beräkna vikterna i nätverket. Vikterna ger som tidigare nämnt information om styrkan i kopplingen mellan noderna i nätverket. Genom att ändra vikterna i nätverket ändras även the cost function. (Nielsen, 2018 ) Backpropagation är en förkortning av the backward propagation of errors, vilket på svenska går att översätta till en sökning efter fel som går bakåt i nätverket. Detta sker genom 9
11 att felet beräknas vid outputen, för att sedan felsökas bakåt genom nätverkets lager. (DeepAI, 2018) Backpropagation går därmed hand i hand med SGD, då backpropagation beräknar gradienten som SGD sedan använder vid optimeringen av det neurala nätverket, med syfte att minska the cost function. På så vis samarbetar de två metoderna för att träna RNN. Figur 7. Backpropagation 4. Sammanfattning Siris neurala nätverk är ett så kallat djupt neuralt nätverk, som även innefattar ett recurrent neural network. Det som menas med att nätverket är djupt är att det har flera lager, samt även dolda lager. Det är i dolda lager som neuronerna i nätverket tar in data. Denna data, information, är viktad och kommer i form av vektorer, vilket är en samling värden. Att informationen är viktad innebär att den ger en information om styrkan i den aktuella kopplingen mellan noderna i nätverket som informationen transporteras mellan. Det neurala nätverket för Siri är uppdelat i flera delar. Den första delen, som ska lystra efter aktiveringsfrasen Hej Siri, kallas AOP (always on processor) och innefattar en mindre neuralt nätverk. När systemet uppfattat aktiveringsfrasen åker datan med den akustiska informationen vidare till systemets recurrent neural network. I denna del av nätverket är det nödvändigt med ett recurrent neural network då systemet här måste komma ihåg, och med fördel även kunna förutse vad användaren säger och kommer säga. Detta möjliggörs med ett recurrent neural network, till skillnad från nätverk som exempelvis ett feed forward neural network. För att detta ska fungera har ett RNN en form av long short term memory (LSTM). Genom ett LSTM kan RNN därmed med hjälp av vad användaren 10
12 sagt tidigare, ha lättare för att kunna förutse och svara på vad användaren kommer säga härnäst. På detta sätt tränas Siri för att ständigt bli bättre och bättre. RNN tränas även med hjälp av sigmoid squashing function, stochastic gradient descent samt backpropagation. Sigmoid squashing function tränar nätverket genom att hålla det kontrollerat, samt genom att förbättra säkerheten för sannolikhetsgraden för kommande output. Stochastic gradient descent (SGD) samt backpropagation samarbetar med varandra för att optimera RNN. SGD har som mål att minimera nätverkets cost function vilket förenklat sätt kan jämföras med att minska nätverkets antal fel. Backpropagation beräknar gradienten som behövs för att kunna beräkna vikterna i nätverket via SGD. Genom att ändra vikterna i nätverket ändras också cost function. På detta sätt aktiveras Siris neurala nätverk, förstår vad användaren ger för kommando, samt ger passande återkoppling genom att nätverket tränats med SGD och backpropagation. 11
13 Referenser: Siri Team, Apple (2017). Hey Siri: An On-device DNN-powered Voice Trigger for Apple s Personal Assistant. Hämtad från: Russel, S., & Norvig, P. (2010) Artificial intelligence A modern Approach. (Third edition). New Jersey: PearsonEducation, Inc. Rohrer, B. [Brandon Rohrer]. (2017, 2/3). How deep neural networks work. Hämtad från: Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep learning. MIT press. Hämtad från: Rohrer, B. [Brandon Rohrer]. (2017, 27/6). Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM). Hämtad från: Kang, N. (2017, 27/6). Multi-Layer Neural Networks with Sigmoid Function - Deep Learning for Rookies (2). Hämtad från: ies-2-bf464f09eb7f Shakhar, A. (2018, 14/4). Understanding The Recurrent Neural Network. Hämtad från: Watson, D. (2017, 7/1). How are the cost functions for Neural Networks derived? Hämtad från: Donges, N. (2018, 7/3). Gradient Descent in a Nutshell. Hämtad från: Nielsen, M. (2018, Oktober). How the Backpropagation works. Hämtad från: DeepAI (2018). Backpropagation. DeepAI Inc. Hämtad från: 12
Neurala 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 mer729G43 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 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 merAtt programmera en Beethoven
Linköpings universitet Att programmera en Beethoven Fördjupning inom Neurala nätverk och LSTM 2018-01-03 Innehåll 1 Inledning- Musik och artificiell intelligens... 2 1.1 Historia... 2 1.2 Bakgrund AIVA...
Läs merSPEECH RECOGNITION USING ARTIFICIAL NEURAL NETWORKS. Linköpings Universitet 729G43 Artificiell Intelligens
SPEECH RECOGNITION USING ARTIFICIAL NEURAL NETWORKS Oscar Lundblad Osclu399@student.liu.se 2017-01-05 Linköpings Universitet 729G43 Artificiell Intelligens Innehållsförteckning Introduktion 3 Rapportens
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 merNEURAL MASKINÖVERSÄTTNING
Linköpings universitet 729G43 NEURAL MASKINÖVERSÄTTNING Moa Wallin Inledning Manuell översättning är en mycket tidskrävande process som kräver stor kunskap och bred kompetens och behovet av översättning
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 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 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 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 merSHAZAM! En!smart!musiktjänst! Linha108! Fördjupningsarbete!729G43!
SHAZAM Ensmartmusiktjänst Linha108 Fördjupningsarbete729G43 Sammanfattning Shazam är en musiktjänst som genom en sökalgoritm kan känna igen ljud och returnera låt och artist till användaren. Detta sker
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 merStatistisk mönsterigenkänning
Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning
Läs merFler uppgifter på andragradsfunktioner
Fler uppgifter på andragradsfunktioner 1 I grafen nedan visas tre andragradsfunktioner. Bestäm a,b och c för p(x) = ax 2 + bx + c genom att läsa av lämpliga punkter i grafen. 10 5 1 3 5 Figur 1: 2 Vi har
Läs merGoogle Assistant & WaveNet
Google Assistant & WaveNet Projektrapport om CNN Maja Albrektson 27/12 17 Linköpings universitet 729G43, Artificiell Intelligens 0 SAMMANFATTNING Denna rapport beskriver WaveNet, en generativ modell av
Läs mer729G43 Artificiell intelligens / Maskininlärning 2. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 2 Marco Kuhlmann Förra gången: Linjär regression Gradientsökning Vandra ner i felets dal. Steg 0: Börja med ett godtyckligt värde för θ. Steg 1: Räkna
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 mer729G43 Artificiell intelligens (2016) Maskininlärning 2. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 2 Marco Kuhlmann Institutionen för datavetenskap Förra gången: Gradientsökning tangentens lutning i punkt θ steglängdsfaktor Översikt Introduktion
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 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 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 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 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 merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OS! 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 mermed hjälp av Deep Reinforcement Learning
Agent som kan spela Atarispel bättre än människor med hjälp av Deep Reinforcement Learning Sofie Adolfsson, sofad117@student.liu.se Artificiell Intelligens Linköpings Universitet 2017-01-12 SofieAdolfsson
Läs merUppgift 1 - programmet, Uppg6.m, visade jag på föreläsning 1. Luftmotståndet på ett objekt som färdas genom luft ges av formeln
Matlab-föreläsning (4), 10 september, 015 Innehåll m-filer (script) - fortsättning från föreläsning 1 In- och utmatning Sekvenser, vektorer och matriser Upprepning med for-slingor (inledning) Matlab-script
Läs merVad behövs för att skapa en tillståndsrymd?
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 merLiswi948, Lisa Widerberg, liswi948 Fördjupningsarbete Linköpings Universitet 729G43, Artificiell Intelligens
Lisa Widerberg, liswi948 Fördjupningsarbete Linköpings Universitet 729G43, Artificiell Intelligens 2018-01-11 Innehållsförteckning 1 Inledning 1 1.1 Bakgrund 1 1.2 Bilder som tredimensionella matriser
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 merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merSub-symbolisk kognition & Konnektionism. Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén,
Sub-symbolisk kognition & Konnektionism Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén, mats.andren@liu.se 1 Konnektionism Neutrala nät baseras på en (förenklad) modell av hur hjärnan fungerar.
Läs mer2-4: Bråktal addition-subtraktion. Namn:.
-: Bråktal addition-subtraktion. Namn:. Inledning I det här kapitlet skall du räkna med bråk. Det blir inte så stökigt som du tror, eftersom vi talar om bråk i matematisk mening. Du skall lära dig hur
Läs merSELF- ORGANIZING MAPS
LINKÖPINGS UNIVERSITET Kognitionsvetenskapliga Programmet Examinator: Arne Jönsson SELF- ORGANIZING MAPS - Ett fördjupningsarbete inom Artificiell Intelligens Fack 52 katwa676@student.liu.se Sammanfattning
Läs merVektorer, matriser, nätverk - några elementa
Vektorer, matriser, nätverk - några elementa Innehåll: Vektorer Radvektorer och kolumnvektorer Operationer med vektorer Input- och outputvektorer i neurala nätverk Utvikning om kompetitiva nät Matriser
Läs merGränssnitt för FakeGranska. Lars Mattsson
Gränssnitt för FakeGranska av Lars Mattsson (larsmatt@kth.se) Innehållsförteckning 1 Introduktion...3 2 Genomförande:...3 3 Användning...5 4 Kända buggar:...6 5 Källförteckning...6 2 1 Introduktion Taken
Läs merALVINN. Ett autonomt styrsystem. Linköpings Universitet Joacim Wirebrand joawi050 910821-1096 2011-09-19
ALVINN Ett autonomt styrsystem Linköpings Universitet 910821-1096 2011-09-19 Abstrakt I detta arbete kommer jag att presentera AN AUTONOMOUS LAND VEHICLE IN A NUERAL NETWORK (ALVINN), ett neuralt nätverk
Läs merKompletterande lösningsförslag och ledningar, Matematik 3000 kurs B, kapitel 2
Kapitel.1 101, 10 Exempel som löses i boken. 103 Testa genom att lägga linjalen lodrätt och föra den över grafen. Om den på något ställe skär grafen i mer än en punkt så visar grafen inte en funktion.
Läs merDOP-matematik Copyright Tord Persson. Gränsvärden. Uppgift nr 10 Förenkla bråket h (5 + h) h. Uppgift nr 11 Förenkla bråket 8h + h² h
DOP-matematik Copyrigt Tord Persson Gränsvärden Uppgift nr 1 f(x) x². Gör denna värdetabell komplett genom att i tur oc ordning ersätta x i funktionen med de olika talen / uttrycken i tabellen. Första
Läs merVentilen. Nytt på IT- fronten. System som kan göra intelligenta saker, såsom att efterlikna mänskligt beteende och tänkande
Ventilen Nytt på IT- fronten System som kan göra intelligenta saker, såsom att efterlikna mänskligt beteende och tänkande https://www.youtube.com/watch?v=nfneoooeqx4 https://www.youtube.com/watch?v=nfneoooeqx4
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 merMMA132: Laboration 2 Matriser i MATLAB
MMA132: Laboration 2 Matriser i MATLAB Introduktion I den här labben skall vi lära oss hur man använder matriser och vektorer i MATLAB. Det är rekommerad att du ser till att ha laborationshandledningen
Läs merVad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar
1 Agenda Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 2 Nuvarande AI Funktioner en grov Analogi Rekommendation,
Läs merTentamen i Digitalteknik, EITF65
Elektro- och informationsteknik Tentamen i Digitalteknik, EITF65 3 januari 2018, kl. 14-19 Skriv anonymkod och identifierare, eller personnummer, på alla papper. Börja en ny uppgift på ett nytt papper.
Läs merLaboration: Grunderna i Matlab
Laboration: Grunderna i Matlab Att arbeta i kommandofönstret och enkel grafik Den här delen av laborationen handlar om hur man arbetar med kommandon direkt i Matlabs kommandofönster. Det kan liknas vid
Läs merHär är två korta exempel på situationer då vi tillämpar den distributiva lagen:
Modul: Algebra Del 8: Avslutande reflektion och utvärdering Distributiva lagen Cecilia Kilhamn, Göteborgs Universitet Distributiva lagen a (b + c) = a b + a c Den distributiva lagen kallas den räknelag
Läs merIntroduktion till MATLAB
29 augusti 2017 Introduktion till MATLAB 1 Inledning MATLAB är ett interaktivt program för numeriska beräkningar med matriser. Med enkla kommandon kan man till exempel utföra matrismultiplikation, beräkna
Läs merCREATING VALUE BY SHARING KNOWLEDGE
CREATING VALUE BY SHARING KNOWLEDGE PROJEKTLEDNING 101 Nidzara Dellien, Lund September 2017 PROJEKT En formell definition på projekt är följande (enligt Wikipedia): En temporär satsning för att framställa
Läs merLösningar och kommentarer till uppgifter i 2.2
Lösningar och kommentarer till uppgifter i 2.2 2202 Beräkna Detta ger f(3 + h) f(3) då f(x) x 2 (3 + h) 2 3 2 h 2 + 6h 6 + h 6 h 0 Vi har därmed bestämt riktningskoefficienten (k-värdet) för tangenten
Läs merMålet för D2 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 2 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
Läs merStatistiska samband: regression och korrelation
Statistiska samband: regression och korrelation Vi ska nu gå igenom något som kallas regressionsanalys och som innebär att man identifierar sambandet mellan en beroende variabel (x) och en oberoende variabel
Läs merMålet för D3 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 3 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
Läs merWord2Vec. Högkvalitativa vektorrepresentationer av ord tränat på stora mängder data. Innehåll LINKÖPINGS UNIVERSITET. 1. Inledning...
LINKÖPINGS UNIVERSITET Innehåll 1. Inledning... 2 2. Terminologi... 3 3. Allmänt om Word2Vec... 3 4. Continous Skip-gram model... 4 Word2Vec Högkvalitativa vektorrepresentationer av ord tränat på stora
Läs merSTOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB DATORLABORATION 1: TIDSSERIER.
MATEMATISKA INSTITUTIONEN Tillämpad statistisk analys, GN STOCKHOLMS UNIVERSITET VT 2011 Avd. Matematisk statistik GB 2011-03-24 DATORLABORATION 1: TIDSSERIER. I Tarfala har man under en lång följd av
Läs merFuzzy Logic. När oskarpa definitioner blir kristallklara. Åsa Svensson. Linköpings Universitet. Linköping
Fuzzy Logic När oskarpa definitioner blir kristallklara Linköpings Universitet Linköping Sammanfattning I denna fördjupningsuppgift har jag fokuserat på Fuzzy Logic och försökt att beskriva det på ett
Läs merKOM IGÅNG MED DIN IPHONE GUIDE
KOM IGÅNG MED DIN IPHONE GUIDE JSC IT-PARTNER Lerbacksgatan 13 571 38 NÄSSJÖ Tfn: 0380-55 65 00 Support: 0380-55 65 02 Ställ in din iphone Läs om hur du ställer in din Iphone. Först börjar du med att kolla
Läs merStresshantering - Del 1 - Trigger
Stresshantering - Del 1 - är information som triggar igång en känsla. Det kan vara något du ser, hör eller känner. Till exempel: Du får en deadline på ett arbetsprojekt. Situationer som brukar trigga igång
Läs mer3. Instruktioner för att genomföra provet
INSTRUKTIONER FÖR ATT GENOMFÖRA PROVET 3. Instruktioner för att genomföra provet I det här kapitlet beskrivs hur samtliga delprov som ingår i provet ska genomföras. Genomförande av Delprov A Tabell 2 Praktisk
Läs merTextIT Hjälp. Om du vill ha all text uppläst trycker du på knappen spela
TextIT Hjälp I textfältet kan du skriva din egen text eller kopiera in text ifrån andra källor som t.ex. Word, PDF, Internetsidor etc. Du kan sedan välja något av följande för att få texten uppläst. Ljudning!
Läs merArtificial)Intelligence) Taligenkänning)
LINKÖPINGS)UNIVERSITET) Artificial)Intelligence) Taligenkänning)! Adam%Annerhult% 2012009017%! Contents' ' ) ) ) ) ) Inledning... 3! Så fungerar taligenkänning... 4! Grundläggande egenskaper i ett taligenkänningsprogram...
Läs merMathematica. Utdata är Mathematicas svar på dina kommandon. Här ser vi svaret på kommandot från. , x
Mathematica Första kapitlet kommer att handla om Mathematica det matematiska verktyg, som vi ska lära oss hantera under denna kurs. Indata När du arbetar med Mathematica ger du indata i form av kommandon
Läs merBusiness research methods, Bryman & Bell 2007
Business research methods, Bryman & Bell 2007 Introduktion Kapitlet behandlar analys av kvalitativ data och analysen beskrivs som komplex då kvalitativ data ofta består av en stor mängd ostrukturerad data
Läs merLokala mål i matematik
Lokala mål i matematik År 6 År 7 År 8 År 9 Taluppfattning (aritmetik) förstår positionssystemets uppbyggnad med decimaler ex: kan skriva givna tal adderar decimaltal ex: 15,6 + 3,87 subtraherar decimaltal
Läs merTentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 9p av totalt 20p Hjälpmedel: MATLAB
MAI/Linköpings universitet Fredrik Berntsson Tentamen TANA17 Matematiska beräkningar Provkod: DAT1 Godkänd: 9p av totalt 20p Hjälpmedel: MATLAB Redovisning Lös först uppgifterna i Matlab. Då du har en
Läs merNT-1 Bluetooth Stereo Headset med NFC
NT-1 Bluetooth Stereo Headset med NFC Användar Guide - 2 - Tack för att du köpt en MINIX NT-1. Med MINIX NT-1 Bluetooth Stereo Headset med NFC, kan du lyssna på musik trådlöst och du kan svara och ringa
Läs merTEM Projekt Transformmetoder
TEM Projekt Transformmetoder Utförs av: Mikael Bodin 19940414 4314 William Sjöström 19940404 6956 Sammanfattning I denna laboration undersöks hur Fouriertransformering kan användas vid behandling och analysering
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: 1 mars 01 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merTDDD78 projekt: Tower Defence
projekt: Tower Defence 1 Introduktion Tower Defence är en kategori av spel med rötter till 1980-talet som går ut på att försvara en punkt (ofta symboliserat som en bas eller by) från horder av monster
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 merProgrammeringsuppgift Game of Life
CTH/GU STUDIO TMV06a - 0/0 Matematiska vetenskaper Programmeringsuppgift Game of Life Analys och Linär Algebra, del A, K/Kf/Bt Inledning En cellulär automat är en dynamisk metod som beskriver hur komplicerade
Läs merKognitiv Modellering
Kognitiv Modellering Mårten Szymanowski 20 januari 2004 Innehåll 1 Kognitiv Modellering 2 1.1 Varför?................................ 2 2 Grundläggande psykologiska fenomen 3 2.1 Stimulusgeneralisering........................
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 merAdobe Acrobat Connect Pro. E-möte. Studenthandledning
INSTITUTIONEN FÖR SPRÅK OCH LITTERATURER Adobe Acrobat Connect Pro E-möte Studenthandledning 2011-10-03 Sammanställd av Morgan Nilsson Du behöver inte installera något speciellt program på din dator för
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 mervux GeoGebraexempel 2b/2c Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker
matematik Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker vux 2b/2c GeoGebraexempel Till läsaren i elevböckerna i serien matematik origo finns uppgifter där vi rekommenderar användning
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OS! 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 merKALIBRERINGENS ABC. Korrekt kalibrering en förutsättning för bra utvärdering!
KALIBRERINGENS ABC Korrekt kalibrering en förutsättning för bra utvärdering! Vi får ständigt förfrågningar från kunder som anser att kalibreringen av mikrofonen vid användning av Logos är svår. Det händer
Läs merTaligenkänning. Sanna Aronsson sanar429 Artificiell Intelligens, HKGBB0
Taligenkänning, HKGBB0 Abstract Ett taligenkänningssystem är att ett system som har som uppgift att identifiera enstaka ord eller hela sekvenser av ord. Detta gör den genom att jämföra denna ordsekvens
Läs merANN fk. Örjan Ekeberg. Framåtkopplade Nät. återkopplade nät. Olika arkitekturer. BackPropagation through Time. Kalman-Filter tekniker
Hantering av Tid Återkopplade Återkopplade Återkopplade t Återkopplade Återkopplade Temporala signaler är svåra Gör om temporal signal till spatial t 1 t 2 t 3 t 4 Återkopplade t Enklaste formen Neuronal
Läs merHEOS 5 HS2 QUICK START GUIDE
HEOS 5 HS2 QUICK START GUIDE INNAN DU BÖRJAR Se till att du har följande saker i fungerande skick: Wi-Fi Router Internetuppkoppling Mobil enhet med Apple ios eller Android ansluten till ditt nätverk 1
Läs merALVA BC640 Feature Pack
ALVA BC640 Feature Pack 2 Innehåll 1. ALVA BC640 Feature Pack... 4 1.1. Beskrivning av ovansidan... 4 1.2. Beskrivning av höger sida... 4 1.3. Beskrivning av vänster sida... 5 2. Att använda punkttangentbordet...
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 merFrån ljusenergi till en kub som går att stå på Hur man får en dator att känna igen olika former i visuell information
ARTIFICIELL INTELLIGENS II INSTITUTUINEN FÖR DATAVETENSKAP LINKÖPINGS UNIVERSITET Från ljusenergi till en kub som går att stå på Hur man får en dator att känna igen olika former i visuell information Anna
Läs merFuzzy Logic: Den oskarpa skarpheten
Fuzzy Logic: Den oskarpa skarpheten Av: 1 Innehåll Inledning... 3 Vad är Fuzzy Logic?... 4 Fuzzy sets... 4 Medlemsskapsfunktion... 5 Operatorer... 7 Union... 7 Snitt... 8 Komplement... 8 Exempel med de
Läs merAtt felsöka din iphone
Kapitel tio The Trouble with Boys Att felsöka din iphone Terry bad mig att skriva introduktionen till det här kapitlet av två orsaker: (1) det är mitt jobb att skriva introduktioner till kapitel, och (2)
Läs merManagement control systems
Management control systems System Gemensamma mål Är avgränsade men kan inte verka isolerat Omvandlar input till output 1 Management control systems Management Att leda ett system Använda individers unika
Läs merBRUKSANVISNING SmoothTalker
BRUKSANVISNING SmoothTalker 1 Sätt i batteriet Ta bort skruven från undersidan av enhetens batterilock. Sätt i ett 9V-batteri och sätt sedan på batterilocket igen. Om du inte ska använda SmoothTalker under
Läs merHierarchical Temporal Memory Maskininlärning
Hierarchical Temporal Memory Maskininlärning Innehåll Sammanfattning... 3 Inledning... 4 Vad är HTM?... 4 Hur fungerar HTM?... 4 Hierarchical... 4 Temporal... 5 Memory... 5 Hitta orsaker i världen... 5
Läs merDESIGNFÖRSLAG PÅ BELÖNINGSFUNKTIONER, FÖR
DESIGNFÖRSLAG PÅ BELÖNINGSFUNKTIONER, FÖR SJÄLVKÖRANDE BILAR I TORCS SOM INTE KROCKAR Examensarbete Systemarkitekturutbildningen Björn Andersson Felix Eriksson VT2018:KSAI08 Systemarkitekturutbildningen
Läs merKurragömma i ett socialt nätverk
Kurragömma i ett socialt nätverk Olle Abrahamsson Doktorand i kommunikationssystem, Linköpings universitet 1 Introduktion Många sociala grupper kan ha anledningar att gömma sig Illasinnade grupper: Terrorister,
Läs merRelease Höjdpunkter
Introduktion Huvudsakligt innehåll I Release 2.5 är: POWER PROFIL ( % FTP) 1. En Powerprofil i Watt (% FTP) är nu tillgänglig i DesiQner och Cardio Training. Power Wattprofil och Pulsprofil kan definieras
Läs merLösningar och kommentarer till uppgifter i 3.1
Lösningar och kommentarer till uppgifter i.1 102 b) TB: Kör de med dessa uppgifter i det här kapitlet också? Det gör inget, jag börjar bli ganska bra på det. Vi har funktionen fx) = x x 2 24x + 1 och man
Läs merProgrammets startmeny ser ut så här. För att få fram menyerna Avsluta, Inställningar och Användare måste du föra markören upp till det blåa fältet.
Programmets startmeny ser ut så här. För att få fram menyerna Avsluta, Inställningar och Användare måste du föra markören upp till det blåa fältet. Då du klickar på Användare öppnas denna bläddringslista.
Läs merKorttidsminne-arbetsminne
Översikt Korttidsminne-arbetsminne Klassiska teorier om korttidsminnet 7 ± 2 platser Rollen av repetition Lagringskapacitet beror på tid att repetera Arbetsminne Inkluderar repetitionsloopar Störningar
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 merTELIAS AI-SATSNING FÖR FRAMTIDENS KUNDMÖTE. Mathias Johansson Senior Manager, Integrated Business Solutions
TELIAS AI-SATSNING FÖR FRAMTIDENS KUNDMÖTE Mathias Johansson Senior Manager, Integrated Business Solutions 350 MILJONER KONTAKTER 50 % SVENSK MARKNADSANDEL 250 SPECIALISTER 325 KUNDPROJEKT FRAMTIDENS KUNDMÖTE
Läs merJabra. Elite 65t. Bruksanvisning
Jabra Elite 65t Bruksanvisning 2017 GN Audio A/S. Med ensamrätt. Jabra är ett varumärke som tillhör GN Audio A/S. Bluetooth -ordet, -märket och -logotyper ägs av Bluetooth SIG, Inc. och all användning
Läs merStudieplanering till Kurs 2b Grön lärobok
Studieplanering till Kurs 2b Grön lärobok Den här studieplaneringen hjälper dig att hänga med i kursen. Planeringen följer lärobokens uppdelning i kapitel och avsnitt. Ibland får du tips på en inspelad
Läs merSnabbstartsguide. Visa eller växla mellan onlinekonton Klicka på ditt konto-id för att ändra inställningar eller växla mellan konton.
Snabbstartsguide Microsoft OneNote 2013 ser annorlunda ut jämfört med tidigare versioner, så vi har skapat den här guiden för att hjälpa dig minimera din inlärningskurva. Växla mellan pekskärm och mus
Läs merNavi 900 IntelliLink, Touch R700 IntelliLink Vanliga frågor
Index TOC 1. Audio Q: Hur ändrar jag ljudkälla, exempelvis från FM-radio till USB-musik? A: Genom att trycka på RADIO-knappen kan du bläddra bland alla tillgängliga radiokällor. Genom att trycka på MEDIA-knappen
Läs mer