Artificial)Intelligence) Taligenkänning)
|
|
- Hanna Engström
- för 7 år sedan
- Visningar:
Transkript
1 LINKÖPINGS)UNIVERSITET) Artificial)Intelligence) Taligenkänning)! Adam%Annerhult% %!
2 Contents' ' ) ) ) ) ) Inledning... 3! Så fungerar taligenkänning... 4! Grundläggande egenskaper i ett taligenkänningsprogram... 5! Tre stora problem med ett taligenkänningsprogram... 7! B ayes regeln... 7! Akustiska modellen och språkmodellen... 8! Akustiska modellen... 8! Språkmodellen... 8! Olika typer av taligenkänningsprogram... 9! Hidden Markov model... 11! Viterbi Algoritmen... 13! Vector Quantization (VQ)... 13! Diskussion... 14! Referenser... 15! ) ) 2
3 ) Inledning' Taligenkänning blir allt större i dagens samhälle och inom Artificiell intelligens. Det används mycket inom telefonsupport men även som Siri i iphone där Siri är en taligenkännings mjukvara som fungerar som en assistent som kan utföra olika saker genom taligenkänning. Alla har nästan stött på ett taligenkänningsprogram och märkt att det inte alltid är så lätt att göra sig förstod utan det blir rätt så ofta fel om man inte pratar extremt tydligt. I program som Siri som inte finns på svenska så uppfattar Siri ofta orden fel eftersom man som svensk inte alltid har samma uttal som en person som är uppväxt med det engelska språket. För att kunna skapa ett program som klarar av att känna igen tal så måste man först veta hur talet fungerar hos oss människor. Hur ljudvågorna ser ut och hur alla fonem som bygger vårat språk uttalas. Det finns ca 100 fonem i alla världens språk. Med dessa 100 fonem så kan man prata alla språk eller man kan iallafall göra ljuden för alla språk. För att sedan kunna ska hitta fonem och ord i det digitala språket som har skapats så används ofta Hidden Markov Model med Viterbialgoritmen för att lösa detta problem. 3
4 ' Så'fungerar'taligenkänning' Det första som är viktigt att förstå är hur vi människor producerar tal. När man pratar så är det luft som passerar glottis sedan vidare till halsen och munnen, så skapas olika ljudvågor. Tonande excitation: glottis stängs. Lufttrycket tvingar glottis att öppna och stängas periodvis vilket genererar en periodisk pulsvåg (triangelformad). Denna "grundfrekvens" ligger vanligtvis inom intervallet från 80Hz till 350Hz. Tonlösa excitation: glottis är öppen och luften passerar en smal passage i halsen eller munnen. Detta resulterar i en turbulens som genereras som en brussignal. Den spektrala formen av bullret bestäms av placeringen av stämbanden. Övergående excitation: En nedläggning i halsen eller munnen höjer lufttrycket. Genom att plötsligt öppna förslutningen sjunker lufttrycket omedelbart. (B.Plannerer 2005) Efter det att ljudet har passerat munnen d.v.s. man har gjort ett ljud, så krävs det en mikrofon för att kunna göra om ljudet från analogt till digitalt. När man pratar in i en mikrofon så vibrerar den och skapar en elektrisk våg som gör om det analoga ljudet till digitalt. När ljudet sedan blivit digitaliserat så krävs det att programmet (taligenkännaren) plockar bort önskvärda delar, d.v.s. delar som brus och andra ljud som inte tillhör det man vill att programmet ska känna igen. Så att den enbart analyserar ord och inte får med massa bakgrundsljudbrus. Sedan så använder sig programmet av frames, d.v.s. man samplar ljudet i ca 10 ms intervaller för att kunna identifiera alla olika ljud/fonem. De frames som skapas överlappar varandra så att inget missas. När man sedan har alla frames så körs en algoritm för att identifiera de olika fonemen och sedan komma fram till vilket ord det är som programmet har fått som input. 4
5 Grundläggande'egenskaper'i'ett'taligenkänningsprogram' Det finns tre stycken grundläggande saker som alla taligenkänning program måste kunna. Representation: Man vill skapa en representation av orden på ett sådant sätt som gör det lätt för taligenkänningsprogrammet att kunna mönstermatcha. Representationen görs genom att programmet omvandlar talsignalen innan den börjar identifiera orden. Talljuden representeras sedan som ramar(frames) som tidigare nämnts. (Schmandt 1994) Ofta så är de frames som skapas 10 millisekunder långa och överlappar varandra för att inte något skall missas. (Russel and Norvig 2010) Mallar och Modeller: Ett taligenkänningsprogram måste ha mallar som den kan jämföra den input som programmet fått med. En mall består av en uppsättning ord som programmet kan identifiera. För att skapa en mall så krävs det att programmet vet när man börjar tala och slutar. När man lär igenkännaren ett ord så gör den om orden till ramar(frames) som är ms långa. Eftersom varje ram innehåller en viss mängd energi så är det väldigt lätt att kunna känna av när ett ord slutar och börjar. Så fort energin överstiger värdet för bakgrundsbrus så börjar ordet och när den sjunker under bakgrundsbrus så slutar ordet. Det är dock viktigt att låta den sjunka under nivån för bakgrundsbrus efter som vissa ord kan sluta med tystnad eller väldigt låg energi.(se fig,1) Väldigt enkla taligenkänningsprogram så lär man in orden genom att bara säga dem en gång och sedan spara så att man kan lära den mer nya ord och inte behöva lära om den de ord som en gång redan lärts in. Mer avancerade taligenkänningsprogram kan ta många fler exemplar av varje ord för att skapa starkare mallar som inte enbart är anpassade efter 1 person. Word I! Thrshold _i:ý Time (Schamndts 1994) boundari Figur 1 visar hur energin stiger när ett ord sägs och vad gränsen dras för bakgrundsbrus. 5
6 Mönstermatchning: är används en algoritm för att bestämma om det finns några ramar som liknar den inputen som taligenkänningsprogrammet får. Här bestäms ord gränserna och om ordet är så pass likt en mall att det kan acceptera det som den input programmet fick. Mer avancerade taligenkänningsprogram tar inte bar hänsyn till ord utan även synstax, dvs hur meningar kan vara uppbyggda och hur stor chans det är att vissa ord skulle kunna komma efter varandra i en mening. Även i detta stadie så är det viktigt att kunna avgöra när det är ett ord och när ordet slutar, d.v.s. när det går från bakgrundsbrus till ord och från ord till bakgrundsbrus (se fig, 1 ovan). Programmet använder sig sedan av frame-by-frame error som är summan av skillnaden mellan de olika ramarna och det ord med minst fel och som inte överstiger den maximala skillnaden ett ord får ha är det ord som matchar bäst. Överstiger alla ord den maximala felgränsen ett ord får ha så returneras ett felmeddelande. De här stegen förklarar bara ett väldigt enkelt taligenkänningsprogram där programmet enbart klarar av att känna igen ett ord i taget och kan inte t.ex. känna igen meningsuppbyggnader. Den klarar inte heller av att känna igen ord om de inte uttalas i exakt samma hastighet som mallarna för ordet. Detta går att lösa med hjälp av Dynamic time warping. (Schamndt 1994) 6
7 Tre'stora'problem'med'ett'taligenkänningsprogram' Det finns tre stora problem som taligenkänningsprogrammen ofta stöter på. Ett exempel på engelska hur det komma uppkomma problem är frasen wreck a nice beach som låter nästan exakt likadant som recoginize speech när man säger det snabbt. Denna fras bevisar direkt vilka 3 problem som kan uppkomma. Segmentering: I skrift så har alla ord ett mellanrum. Medan i tal så är det ibland svårt att uppfatta dessa mellanrum, som i exemplet ovan, när man pratar snabbt så flyter orden ihop och kan ibland uppfattas som ett enda långt ord. Koartikulation: Detta problem uppstår när s ljudet i nice flyter ihop med b ljudet i beach vilket skapar ett ljud som liknar sp. Homofoner: Det finns ibland ord som har exakt samma uttal men låter olika. I engelskan finns det tex to, too och two. För att lösa dessa problem får man använda sig av en sannolikhets algoritm. Det vill säga att vi använder oss av en algoritm som testar hur sannolikt det är att de olika orden skulle komma efter varandra. Man kan då använda sig utav B ayes regeln. B'ayes 'regeln' P(ord ljud) = P(ljud ord)p(ord) Där P(ord ljud) är en akustisk modell som beskriver ljudet av orden. Där tex ceiling har ett mjukt c och låter likadant som sealing men de betyder olika saker. P(ord) är en språkmodell. Den räknar ut vilket ord som har största sannolikhet att komma efter ett annat ord. Som i exemplet sealing och ceiling så är det 500 gånger så stor chans att ordet fan kommer efter ceiling d.v.s. ceiling fan (tak fläkt och inte tätningsfläkt). (Russel och Norvig 2010) 7
8 Akustiska'modellen'och'språkmodellen' Akustiska'modellen' I den akustiska modellen så använder man sig av fonem. Fonem är även kallat för språkljud. Det är fonem som bygger vårat språk. Byter man ut ett fonem mot ett annat så ändras ordet ett exempel på det är /g/lass byter man ut /g/ mot /k/ så får man /k/lass. (Wikipedia ) Lingvister har kommit fram till att det finns ca 100 olika fonem. Med dessa 100 olika fonem så är det möjligt att bygga ihop alla språk. I den akustiska modellen så används sedan frame systemet som tidigare nämnts. Varje frame är 10 millisekunder lång och man gör detta för att lyckas identifiera alla fonem. Där alla frames överlappar varandra för att inte missa något fonem. (Russel och Norvig 2010) Språkmodellen' Språkmodellen är en enklare variant än Akustiska modellen då språkmodellen bygger på skriftliga ord och inte på hur orden låter. Men eftersom skriftligt språk skiljer sig mycket från talet så är det lättare om man använder sig utav en samling transkriberat tal. Språkmodellen kan vara en n-gram modell som bygger på korpusar och skriftliga meningar.(russel och Norvig 2010) 8
9 Olika'typer'av'taligenkänningsprogram' Det finns många olika typer taligenkänningsprogram. De olika taligenkänningsprogrammen varierar mycket i funktionalitet och prestanda. Bilden under figur 2 visar en tre-dimensionell bild på de olika typerna av taligenkännare. (Schmandt 1994) Figur 2, Visar en tre-dimensionell bild över de olika taligenkänningsprogrammen. Taoberoende: Är uppbyggd så att den kan känna igen vilket röst som helst och inte enbart en specifik person. Det är betydligt svårare att bygga en tal-oberoende taligenkännare än en tal-beroende. Detta därför att alla människor uttalar språket annorlunda. Detta beror på t.ex. dialekter, kön och ålder. Eftersom det är väldigt svårt att skapa en tal-oberoende taligenkännare så görs dem ofta väldigt simpla. Man använder inte så många ord som programmet kan känna igen utan bara tex 0-9 ja och nej. Talberonde: Motsatsen till tal-oberoende, dvs att den kan enbart förstå en specifik talare/person. Denna är mycket lättare att bygga eftersom här så kan man träna in sina ord själv och sedan spara dem så programmet kan enbart de ord du har lärt den. Tal-adaptiv: Denna teknik kombinerar både tal-beroende/oberonde. Den startar med ett visst ordförråd och lär sig sedan hur en specifik talare uttalar orden och lägger till det i systemet. 9
10 Om man vill skapa ett taligenkänningsprogram som kräver ett väldigt stort ordförråd så måste man nästan göra den till en tal-oberoende eller adaptiv, därför att annars tar det väldigt lång tid för varje person som skall använda sig utav taligenkännaren att lära upp den alla ord som den ska behöva kunna. Diskret-taligenkännare: En diskret taligenkännare kräver att användare tar en paus mellan varje ord för att kunna förstå vad som sägs. Kopplande-taligenkännare: Kan känna igen korta meningar/fraser. Man kan alltså inte prata på som vanligt utan måste prata i korta meningar och ta en paus mellan varje mening så att programmet hänger med och förstår vad som är meningens slut och början. Kontinuerlig-taligenkännare: Kan känna igen vanligt tal. Den känner igen långa meningar utan att man behöver pausa emellan alla ord. Nyckelord-taligenkännare: Söker efter nyckelord i varje mening som sägs. Den behöver inte kunna varje ord i varje mening utan bara nyckelorden. Om man tex har ett programm som kommer ihåg siffor och man säger till programmet Kom ihåg dessa siffror : ett,två,tre. Så är det enbart ett, två och tre programmet kommer att känna igen. Men eftersom det redan vet att när någon säger detta så utförs en specifik handling oberoende av vad meningen innehöll. (Schmandt 1994) 10
11 Hidden'Markov'model' Hidden Markov model eller HMM som den även kallas används ofta inom taligenkänning. HMM används för att räkna ut sannolikhetsvärdet för vilket ord som kommer efter det föregående ordet eller vilket fonem som kommer efter det föregående fonemet. En Hidden markov modell består av ett antal interna stater, exempel på dessa stater kan vara alla olika fonem. Modellen går från ett initial tillstånd och sedan så ger steg för steg till det slutgiltiga tillståndet som är observerbart för varje steg den tar. Om de interna staterna är fonem av ett ord så kan det slutgiltiga tillståndet bestå av akustiska särdrag ifall det finns. I varje steg den tar så kan den antingen stanna kvar på samma steg eller gå vidare. HMM är gömd eftersom vi inte kan observera de olika staterna utan bara dess slutgiltiga tillstånd är observerbart. Ett exempel på vad som kan vara gömda states och det observerbara är en textigenkännare. Vi säger att vi har hand skrivit ett B. I detta exempel så är vårt handskrivna B det observerbara och medan alla tecken eller hela alfabetet är det ej observerbara. Siffrorna över varje pil visar hur stor sannolikhet det är att det är just det tecknet. I taligenkänningssystem så skulle alfabetet kunna vara alla olika fonem och det handskriva B:et är de ramar som skapas när vi get programmet en input dvs ett ord eller mening som blir uppdelat i 10ms ramar. A 0,003 B 0,5 0,04 Ö 11
12 Ett exempel på en HMM som Schamndt tar upp är skålen och lådan. I bilden nedan så ser man hur det finns ett visst antal bollar som antingen är svarta eller vita. Där lådan har mer svarta bollar än vita bollar och skålen har då mer vita bollar än svarta bollar. Figur 3, Visar hur lådan innehåller mer svarta bollar och hur skålen innehåller mer vita bollar. (Schamndt 1994) Sedan så tas en boll upp ur lådan och skickas in till en observatör i ett annat rum som inte har någon aning om vad som har skett. Sedan kastas en tärning. Visar tärningen mindre än 4 så tas nästa boll från skålen och visar tärningen över 3 så tas nästa boll från lådan. Så gör man om detta tills att man hamnar i skålen för då krävs det att tärningen visar 1 för att man skall få byta till låda igen. Chanserna för att byta från skålen till lådan är 1/6 medan det är 1/2 att vi byter från lådan till skålen. Detta resulterar i att vi kommer skicka in mer svarta bollar när vi är i lådan men att i slutet av testet så kommer vi att ha mer vitabollar. Vad man vill visa med detta är i och med att vi inte ser vad händer i det gömda tillståndet och att det faktiskt finns svarta bollar även i skålen och vita bollar i lådan så man kan inte säga exakt vart ifrån de kommer. Men man kan göra gissningar på vart ifrån de kommer eftersom vi vet vad för färg på bollen vi fick. (Schamndt 1994) 12
13 Viterbi'Algoritmen' Viterbi algoritmen används inom HMM för att kunna hitta den mest troliga sekvensen av de dolda stater som finns HMM. Att hitta den mest troliga sekvensen i HMM är ett problem som alltså går att lösa med Viterbi Algoritmen. Wikipedia( ) Vector'Quantization'(VQ)' VQ används för att göra data mindre. Efter som tal kan ta upp väldigt stor data mängd så använder man VQ för att göra det mindre. Man gör om indata till en mindre uppsättning av siffror som representerar det typiska värdet på indata. Det skapas sedan en kodbok en kodbok består av olika grupper där varje grupp har ett medelvärde som representerar gruppen. Varje ram som skapas består av vektorer för att kunna minska den datamängden. Vektorerna jämförs sedan mot kodboken. Så istället för att HMM får en vektor som input så får den istället siffror som står för en viss grupp i kodboken. (Schmandt 1994) 13
14 Diskussion' Eftersom denna rapport till största del är byggd på en bok från 1994 så finns det mycket forskning gjord inom taligenkänning. Som nämnt i inledning så finns t.ex. Siri i iphone från apple. Siri är en taligenkännare som kan känna igen flytande tal på bland annat engelska. Så vi har kommit en lång väg sen 1994 inom taligenkänning. Efter att har skrivit denna rapport så har jag fått en mycket större förståelse för hur komplext system det är för att kunna känna igen tal. Jag har fått en bra uppfattning om hur ett taligenkännings program är uppbyggd i alla fall inte så avancerade program. 14
15 Referenser' Schmandt, C (1994) Voice Communication with Computers: Conversational Systems. New York: Van Nostrand Reinhold. Norvig, P. Russell, S. J. (2010) Artificial Intelligence: A Modern Approach, third edition. New Jersey: Pearson Education, Inc. B. Plannerer (March 28, 2005), an Introduction to Speech Recognition 15
Artificiell intelligens II, 729g11 Projekt HT-11. Taligenkänning. Nina Knez
Taligenkänning 1 Sammanfattning Taligenkänning är i dagens samhälle en nödvändig teknik för många människor för att lättare ta sig fram genom vardagen. Man hittar tekniken i olika sammanhang som telefonupplysning,
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 merTaligenkänning med fördjupning på Hidden Markov Models
IDA, Linköpings Universitet Artificiell Intelligens II, 729G11 HT 2008 Taligenkänning med fördjupning på Hidden Markov Models 870524-0045 jearu017@student.liu.se Sammanfattning Taligenkänning är en teknik
Läs merAI-rapport Speech recognition
AI-rapport Speech recognition The process of analyzing an acoustic speech signal to identify the linguistic message that was intended, so that a machine can correctly respond to spoken commands. Anntu228
Läs merNiklas Lindvall Artificiell intelligens II Ht
Taligenkänning Hidden Markov Model Niklas Lindvall nikli368@student.liu.se Artificiell intelligens II Ht 2011 2011-09-19 0 Innehåll Inledning... 2 Taligenkänning språk... 3 Taligenkänning... 4 Oberoende/Beroende...
Läs merTaligenkänning* !!!!!!!! !HMM!och!Viterbi! Ellinor!Andersson,! !
Taligenkänning HMMochViterbi EllinorAndersson,92091393801 LinköpingsUniversitet ArtificiellIntelligensII,729G11 Ht2012 2012909912 Sammanfattning Dennaprojektuppsatsbehandlartaligenkänningochdeolikadelmomentsomkrävsför
Läs merTaligenkänning. Hur datorer känner igen talat språk. 729G43 Artificiell Intelligens. Charlie Forsgren, Linköpings Universitet. chafo246 2014-01-09
Taligenkänning Hur datorer känner igen talat språk 729G43 Artificiell Intelligens Charlie Forsgren, chafo246 2014-01-09 Charlie Forsgren Innehållsförteckning Inledning..3 Språk och Ljud 4 Elektronisk Inspelning
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 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 merTaligenkänningssystem
Taligenkänningssystem Deras uppbyggnad och applicering Linus Dennerlöv 2013-08-14 Sammanfattning I denna rapport kommer jag att gå igenom vad taligenkänningssystem är för något, vilka problem sådana system
Läs merAtt fånga den akustiska energin
Att fånga den akustiska energin När vi nu har en viss förståelse av vad ljud egentligen är kan vi börja sätta oss in i hur det kan fångas upp och efterhand lagras. När en ljudvåg sprider sig är det inte
Läs mer729G50 - Artificiell Intelligens Institutionen för Datavetenskap Linköpings Universitet HT 2007
729G50 - Artificiell Intelligens Institutionen för Datavetenskap Linköpings Universitet HT 2007 $,I UGMXSQLQJ 7DOLJHQNlQQLQJ 850329-2107 6DPPDQIDWWQLQJ Ett taligenkänningssystem kan vara konstruerat för
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 merman kan lyssna på vad de betyder man kan lyssna efter hur de låter utan att bry sig om vad de betyder.
LJUDLEK Vad är språklig medvetenhet? Små barn använder språket för kommunikation HÄR och NU, och det viktiga är vad orden betyder. Man kan säga att orden är genomskinliga, man ser igenom dem på den bakomliggande
Läs merkl Tentaupplägg
Tentaupplägg TIPS 1: Läs igenom ALLA uppgifterna. Välj den du känner är lättast först. Det kan gärna ta 10-20 minuter. Försök skriva saker som kan vara problem i uppgifterna. Är det något du absolut kommer
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 merUppgifter 6: Kombinatorik och sannolikhetsteori
Grunder i matematik och logik (2017) Uppgifter 6: Kombinatorik och sannolikhetsteori Marco Kuhlmann Kombinatorik Nivå A 6.01 En meny består av tre förrätter, fem huvudrätter och två efterrätter. På hur
Läs merFöreläsning 9: Turingmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen.
Föreläsning 9: Turingmaskiner och oavgörbarhet Turingmaskinen Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen. Data är ett oändligt långt band där nollor och ettor står
Läs merTalsystem Teori. Vad är talsystem? Av Johan Johansson
Talsystem Teori Av Johan Johansson Vad är talsystem? Talsystem är det sätt som vi använder oss av när vi läser, räknar och skriver ner tal. Exempelvis hade romarna ett talsystem som var baserat på de romerska
Läs merTuringmaskiner och oavgörbarhet. Turingmaskinen. Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen.
Turingmaskiner och oavgörbarhet Turingmaskinen Den maximalt förenklade modell för beräkning vi kommer använda är turingmaskinen. Data är ett oändligt långt band där nollor och ettor står skrivna: Oändligt
Läs merFonologi. Kommutationstest. Minimala par. Hur bestämmer man vilka fonem ett språk har?
Hur bestämmer man vilka fonem ett språk har? Fonologi Mattias Heldner KTH Tal, musik och hörsel heldner@kth.se (Morfem = minsta betydelsebärande enhet i ett språk) Fonem = minsta betydelseskiljande ljudenhet
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merUPPGIFT 1 V75 FIGUR 1.
UPPGIFT 1 V75 FIGUR 1. Varje lördag året om spelar tusentals svenskar på travspelet V75. Spelet går ut på att finna sju vinnande hästar i lika många lopp. Lopp 1: 5 7 Lopp 2: 1 3 5 7 8 11 Lopp 3: 2 9 Lopp
Läs merHI1024 Programmering, grundkurs TEN
HI1024 Programmering, grundkurs TEN2 2014-10-27 KTH STH Haninge 13.15-18.00 Tillåtna hjälpmedel: En A4 handskriven på ena sidan med egna anteckningar Kursboken C PROGRAMMING A Modern Approach K. N. King
Läs merKristian Almgren Artificiell Intelligens Linköpings Universitet 2011. Talstyrning
Talstyrning Abstrakt Talstyrning är en teknik som gör det möjligt för oss människor att mer eller mindre verbalt kommunicera med en dator eller ett system. Det här är ett tillvägagångssätt inom AI och
Läs merAalto-Universitetet Högskolan för ingenjörsvetenskaper. KON-C3004 Maskin- och byggnadsteknikens laboratoriearbeten DOPPLEREFFEKTEN.
Aalto-Universitetet Högskolan för ingenjörsvetenskaper KON-C3004 Maskin- och byggnadsteknikens laboratoriearbeten DOPPLEREFFEKTEN Försöksplan Grupp 8 Malin Emet, 525048 Vivi Dahlberg, 528524 Petter Selänniemi,
Läs merSPRINT-HANDBOK (version 0.4)
1. FÄRG OCH FORM Detta är programmets startmeny. Texten överst på bilden (Avsluta, Ny användare, Om... och Välj användare) blir synlig då markören förs upp den blåa ramen. en ny användare. 6. 4. 5. får
Läs merUppgift 1 ( Betyg 3 uppgift )
2006-12-08.kl.08-13 Uppgift 1 ( Betyg 3 uppgift ) Implementera följande funktion: fun(1) = 1 fun(n) = fun(n / 2), för jämna n fun(n) = n / (fun(n - 1) + fun(n + 1)), för udda n Exempel på korrekta resultat:
Läs merAnalys/syntes-kodning
Analys/syntes-kodning Många talkodare bygger på en princip som kallas analys/syntes-kodning. Istället för att koda en vågform, som man normalt gör i generella ljudkodare och i bildkodare, så har man parametrisk
Läs meri LabVIEW. Några programmeringstekniska grundbegrepp
Institutionen för elektroteknik Några programmeringstekniska grundbegrepp 1999-02-16 Inledning Inom datorprogrammering förekommer ett antal grundbegrepp som är i stort sett likadana oberoende om vi talar
Läs merWord- sense disambiguation
KTH Word- sense disambiguation Inlämningsuppgift - DD2418 - sprakt12 Mattias Uskali & Emilia Hillert 1/8/2013 Sammanfattning Denna rapport kommer att undersöka två metoder för word- sense disambiguation,
Läs merAlla datorprogram har en sak gemensam; alla processerar indata för att producera något slags resultat, utdata.
Att förstå variabler Alla datorprogram har en sak gemensam; alla processerar indata för att producera något slags resultat, utdata. Vad är en variabel? En variabel är en plats att lagra information. Precis
Läs merHur bestämmer man vilka fonem ett språk har? Fonologi. Kommutationstest. Hur bestämmer man vilka fonem ett språk har?
Fonologi Mattias Heldner KTH Tal, musik och hörsel heldner@kth.se Hur bestämmer man vilka fonem ett språk har? Hur bestämmer man vilka fonem ett språk har? Fonem = minsta betydelseskiljande ljudenhet i
Läs merAutomatisk taligenkänning som hjälpmedel för att bedöma muntliga språkfärdigheter
Automatisk taligenkänning som hjälpmedel för att bedöma muntliga språkfärdigheter Mikko Kurimo Institutionen för signalbehandling och akustik Aalto-universitetet Innehåll 1. Hur automatisk taligenkänning
Läs merMätningar med avancerade metoder
Svante Granqvist 2008-11-12 13:41 Laboration i DT2420/DT242V Högtalarkonstruktion Mätningar på högtalare med avancerade metoder Med datorerna och signalprocessningens intåg har det utvecklats nya effektivare
Läs merDigitalt lärande och programmering i klassrummet. Introduktionsworkshop - Interaktiva berättelser med Twine
Digitalt lärande och programmering i klassrummet Introduktionsworkshop - Interaktiva berättelser med Twine Introduktion Twine är en spelmotor gjord för textbaserade spel och interaktiva berättelser. I
Läs merDIGITALA BERÄTTELSER. En handbok för digitalt berättande
DIGITALA BERÄTTELSER En handbok för digitalt berättande 1 Inledning I alla tider har det varit viktigt att berätta. Både för att lära och för att underhålla. Genom berättandet får alla möjlighet att ge
Läs merFaltningsreverb i realtidsimplementering
Faltningsreverb i realtidsimplementering SMS45 Lp1 26 DSP-system i praktiken Jörgen Anderton - jorand-3@student.ltu.se Henrik Wikner - henwik-1@student.ltu.se Introduktion Digitala reverb kan delas upp
Läs merAkustikguiden. www.abstracta.se
Akustikguiden www.abstracta.se 1 Vad är akustik? Akustik är läran om hörbart ljud. Ordet akustik kommer från grekiskans att göra sig hörd. 2 1. Vad är akustik? Vad är ljud? Ljud är tryckvågor i luft. Örat
Läs merSå här fungerar Stava Rex
Så här fungerar Stava Rex Stava Rex är ett program som rättar stavfel och grammatikfel i svensk text. Stava Rex kan rätta grava stavfel och hjälper till att skilja på lättförväxlade ord. Stava Rex kan
Läs merVanliga frågor för VoiceXpress
Vanliga frågor för VoiceXpress 1) Hur stort ordförråd (vokabulär) innehåller VoiceXpress? VoiceXpress innehåller ett mycket omfattande ordförråd, och svaret på frågan varierar en aning beroende på hur
Läs merDATORER OCH PROGRAM. Datorn är en symbolmaskin
DATORER OCH PROGRAM Datorn är en symbolmaskin men kan ha såväl symboliska som fysiska gränssnitt till omvärlden Program beteendeplan och beteendegenerator Programmerade maskiner Generalitet och portabilitet
Läs merPROJEKT LJUD. KOPIERINGSUNDERLAG Martin Blom Skavnes, Staffan Melin och Natur & Kultur Programmera i teknik ISBN
PROJEKT LJUD PROJEKT LJUD s 1 I det här projektet ska du koppla en krets som innehåller en högtalare och skriva ett program som får högtalaren att spela toner och melodier. Materiel Arduino dator kopplingsdäck
Läs merSpråkljudens akustik. Akustik, akustiska elementa och talanalys
Akustik, akustiska elementa och talanalys Språkljudens akustik Mattias Heldner KTH Tal, musik och hörsel heldner@kth.se Talsignalen mer lättåtkomlig än andra delar av talkommunikationskedjan Det finns
Läs merGuide till att använda Audacity för uttalsövningar
Guide till att använda Audacity för uttalsövningar Victoria Johansson Humlabbet, SOL-center, Lund IT-pedagog@sol.lu.se 28 mars 2006 1 Inledning Audacity är ett program som kan användas för att spela in
Läs merHörapparaten som öppnar upp din värld
Hörapparaten som öppnar upp din värld Delta aktivt i situationer som du tidigare har undvikit Har du svårt att följa med i samtal? Du har kanske erfarit hur det känns att sitta på en middag och anstränga
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 merExtramaterial till Matematik X
LIBER PROGRMMERING OCH DIGITL KOMPETENS Extramaterial till Matematik X NIVÅ TRE Programmering LÄRRE I den här uppgiften får du och dina elever en introduktion till programmering. Uppgiften vänder sig först
Läs merBahati. En simulering att använda i undervisningen om internationella frågor
En simulering att använda i undervisningen om internationella frågor Sida 2 Inledning Bahati är en simulering där deltagarna får pröva på att leva i två olika kulturer; Fabel och Abel. Människorna i Fabel
Läs merUppgift 1 ( Betyg 3 uppgift )
2005-06-09.kl.08-13 Uppgift 1 ( Betyg 3 uppgift ) Ett plustecken kan se ut på många sätt. En variant är den som ses nedan. Skriv ett program som låter användaren mata in storleken på plusset enligt exemplen
Läs merFonem eller grafem? Vilket ska komma först i sfiundervisningen? Margareta Molin
Fonem eller grafem? Vilket ska komma först i sfiundervisningen? Margareta Molin Fonem är ett språkljud dvs den minsta betydelseskiljande enheten i talspråket Grafem är tecken som symboliserar språkljudet
Läs merLärarhandledning Vi urskiljer ord och språkljud/bokstäver/handalfabetet
Lärarhandledning Vi urskiljer ord och språkljud/bokstäver/handalfabetet Innehåll Aktivitet 4. Vi urskiljer ord och språkljud/bokstäver/handalfabetet 2 Bildunderlag 2 7 Bildunderlag 3 8 Underlag Bokstäver
Läs merKompletterande räkneuppgifter i Spektrala Transformer Komplex analys, sampling, kvantisering, serier och filter Laura Enflo & Giampiero Salvi
Kompletterande räkneuppgifter i Spektrala Transformer Komplex analys, sampling, kvantisering, serier och filter & Giampiero Salvi Komplex analys Om man endast använder den reella tallinjen är det inte
Läs merSkillnader vokaler - konsonanter. Konsonanters akustiska mönster. Vokaler. Konsonanter. Konsonantklasser. Sonoranter
Konsonanters akustiska mönster Ô Skillnader vokaler - konsonanter Ô Indelning konsonanter Ô Enskilda konsonantklassers typiska drag Ô Artikulationsställe och akustisk representation Skillnader vokaler
Läs merSignalbehandling Röstigenkänning
L A B O R A T I O N S R A P P O R T Kurs: Klass: Datum: I ämnet Signalbehandling ISI019 Enk3 011211 Signalbehandling Röstigenkänning Jonas Lindström Martin Bergström INSTITUTIONEN I SKELLEFTEÅ Sida: 1
Läs mer-Projekt- FMA170- Bildanalys
-Projekt- FMA170- Bildanalys Karl Berggren, 820503-2454 d02kb@student.lth.se Andreas Helgegren, 811119-2715 d02ah@student.lth.se Handledare: Håkan Ardö hakan@debian.org 30 november 2007 1 Projektide Undertexter
Läs mer729G04 Programmering och diskret matematik. Python 2: Villkorssatser, sanningsvärden och logiska operatorer
729G04 Programmering och diskret matematik Python 2: Villkorssatser, sanningsvärden och logiska operatorer Föreläsningsöversikt Vad händer när vi kör vår pythonkod? Programmerare Villkorssatser Jämförelser
Läs merMATEMATIKENS SPRÅK. Avsnitt 1
Avsnitt 1 MATEMATIKENS SPRÅK Varje vetenskap, liksom varje yrke, har sitt eget språk som ofta är en blandning av vardagliga ord och speciella termer. En instruktionshandbok för ett kylskåp eller för en
Läs merAttila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker. GeoGebraexempel
matematik Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker 4 GeoGebraexempel Till läsaren I elevböckerna i serien Matematik Origo finns uppgifter där vi rekommenderar användning
Läs merDependensregler - Lathund
Dependensregler - Lathund INTRODUKTION I textprogrammet TeCST är det möjligt för en skribent att skriva, redigera och klistra in text för att få ut läsbarhetsmått och få förslag på hur texten kan skrivas
Läs merSampling. Analog - digital. Kvantifiering. Samplingsprocess. Analog vs digital teknik. Kvantifiering. Analog oändlig digital diskret (1or 0or)
Analog - digital Analog oändlig digital diskret (1or 0or) Digitalt intakt trots kopiering analogt slits och kvaliteten degraderar Sampling Sinuston vågdiagram (AT) antal mätpunkter/samplingspunkter Samplingsfrekvens
Läs merCase-based resoning. och dess användning inom sjukvården. Linköpings universitet Artificiell intelligens II 729G11 HT 2011
Linköpings universitet Artificiell intelligens II HT 2011 Case-based resoning och dess användning inom sjukvården Sammanfattning Det här arbetet handlar om vad case-based resoning är, hur den funkar, vilka
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 merIdag. Tillägg i schemat. Segmenteringsproblemet. Transkription
Tillägg i schemat 21/9 slutar 16.00 ist f 15.00 5/10 slutar 16.00 ist f 15.00 Idag talkommunikationskedjan ljudvågor, enkla och sammansatta vågrörelser frekvens och amplitud ljudtryck, decibel källa-filter-modellen
Läs merTentamen: Datordel Programmeringsteknik
Tentamen: Datordel Programmeringsteknik Datum: 2013-02-22 Tid: 9:00-14:00 Sal: Ansvarig: Resultat: Hjälpmedel: Betygsgränser: Ulf Johansson Anslås inom 3 veckor. Inga Sammanlagt 30 p för G, 45 p för VG.
Läs merClaroDictionary med tal. ClaroDictionary utan tal
ClaroDictionary med tal ClaroDictionary utan tal Manual Artikelnummer 10400 och 10401 1 Innehåll Välkommen till ClaroDictionary...3 ClaroDictionary Översikt...4 ClaroDictionarys verktygsknappar...4 Knappen
Läs merLärarhandledning Vi urskiljer ord och språkljud
Lärarhandledning Vi urskiljer ord och språkljud Innehåll Aktivitet 4. Vi urskiljer ord och språkljud 2 Bildunderlag 2 7 Bildunderlag 3 8 Underlag Bokstäver versaler för eleven 9 Underlag Bokstäver gemener
Läs merErsätta text, specialtecken och formatering
11 Ersätta text, specialtecken och formatering Möjligheten att söka igenom dokumentet och byta ut tecken, ord, textstycken, formatering, specialtecken (t.ex. sidbrytning) och annat är faktiskt mycket mer
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 merÖrsundsbroskolan Ingrid Wikström Catharina Tjernberg SPRÅKSCREENING FÖRSKOLEKLASS
Örsundsbroskolan Ingrid Wikström Catharina Tjernberg SPRÅKSCREENING FÖRSKOLEKLASS Detta screeningmaterial är avsett att vara ett verktyg för att upptäcka de elever som löper risk att utveckla läs- och
Läs merInför genomförandet av ThomasGIA
Inför genomförandet av ThomasGIA Innehåll Deltest 1: Slutlednings Deltest 2: Perceptuell snabbhet Deltest 3: Numerisk snabbhet Deltest 4: Ordförståelse Deltest 5: Spatial Introduktion ThomasGIA är ett
Läs merVinjetter TDDC91 Datastrukturer och algoritmer
Vinjetter TDDC91 Datastrukturer och algoritmer 17 augusti 2015 2 Scenario 1 Man har inom Posten Logistik AB skrivit programvara för sortering av kundinformation och vill standardisera användningen av sorteringsalgoritmer.
Läs merFORMER, MÖNSTER OCH TESSELERINGAR
FORMER, MÖNSTER OCH TESSELERINGAR Text: Marie Andersson, Learncode AB Illustrationer: Li Rosén Foton: Shutterstock Golv, mattor och byggnader är fulla av geometriska former. Människan har upptäckt att
Läs merTENTAMEN I PROGRAMMERING. På tentamen ges graderade betyg:. 3:a 24 poäng, 4:a 36 poäng och 5:a 48 poäng
TENTAMEN I PROGRAMMERING Ansvarig: Jan Skansholm, tel 7721012 Betygsgränser: Hjälpmedel: Sammanlagt maximalt 60 poäng. På tentamen ges graderade betyg:. 3:a 24 poäng, 4:a 36 poäng och 5:a 48 poäng Skansholm,
Läs merDATORER OCH PROGRAM. Programmerade maskiner Program beteendeplan och beteendegenerator Generalitet och portabilitet Datorn är en symbolmaskin
DATORER OCH PROGRAM Programmerade maskiner Program beteendeplan och beteendegenerator Generalitet och portabilitet Datorn är en symbolmaskin men kan ha såväl symboliska som fysiska gränssnitt till omvärlden
Läs merBLOCK 1. 1A. Att komma igång
BLOCK 1 1A. Att komma igång Blocket omfattar sidorna 8 23 i läseboken och sidorna 7 8 i grammatikboken samt hörövningar. 1. Vem är du? 2. Vilka fyra färdigheter är viktiga vid språkinlärning? 3. Hur många
Läs merfoner fonem stol 4 4 mamma 4 2 sjukskötare 9 8 gata 4 3 stat 4 3 Haparanda 9 6 heter 5 4 el. 5 kärvänlig 8 el. 9 7 el 8
Facit till övning 1 foner fonem stol 4 4 mamma 4 2 sjukskötare 9 8 gata 4 3 stat 4 3 Haparanda 9 6 heter 5 4 el. 5 kärvänlig 8 el. 9 7 el 8 Några problem: 1) lång resp. kort variant av en vokal, är de
Läs merLathund Claro Read Plus
Lathund Claro Read Plus Innehållsförteckning LathundWord Read Plus V 5...1 Innehållsförteckning...1 Starta... 2 Knappbeskrivning... 2 Börja läsa... 2 Börja skriva... 2 Knapp 8 Inställningar... 3 Knapp
Läs merDigitalitet. Kontinuerlig. Direkt proportionerlig mot källan. Ex. sprittermometer. Elektrisk signal som representerar ljud.
Analog Digitalitet Kontinuerlig Direkt proportionerlig mot källan Ex. sprittermometer Elektrisk signal som representerar ljud Diskret Digital Representation som siffror/symboler Ex. CD-skiva Varje siffra
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 merProvverktyg för elever instruktioner [SE]
Provverktyg för elever instruktioner [SE] Innehållsförteckning 1 Inledning 3 2 Göra proven 3 2.1 Logga in 3 2.2 Kontrollera ljudet för hörförståelseprovet 5 2.3 Göra ett prov 5 3 Uppgifterna 7 3.1 Uppgifter
Läs merInlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1
Inlämningsuppgift : Finn 2D1418 Språkteknologi Christoffer Sabel E-post: csabel@kth.se 1 1. Inledning...3 2. Teori...3 2.1 Termdokumentmatrisen...3 2.2 Finn...4 3. Implementation...4 3.1 Databasen...4
Läs merStatistisk Maskinöversättning eller:
729G43 Statistisk Maskinöversättning eller: Hur jag slutade ängslas (över fördjupningsuppgiften) och lärde mig hata stoppord. Jonas Hilmersson 2019-04-15 Innehåll 1. Introduktion... 1 2. Datamängden...
Läs merSamtidig visning av alla storheter på 3-fas elnät
Samtidig visning av alla storheter på 3-fas elnät Med nätanalysatorerna från Qualistar+ serien visas samtliga parametrar på tre-fas elnätet på en färgskärm. idsbaserad visning Qualistar+ visar insignalerna
Läs merInnehåll B-nivå B.1 Två olika konsonanter i rad; i slutet och i början av ord.
Innehåll B-nivå B.1 Två olika konsonanter i rad; i slutet och i början av ord. / -ljudet B.3 Ljudgrupper med annorlunda vokalljud ild ind old ost B.4 Tre konsonanter i början av ord. B.5 Trigrafen -tch
Läs merRepetitionsuppgifter 1
Repetitionsuppgifter 1 Beräkna 1 a) 0,5 + 0,7 b) 0,45 + 1,6 c) 2,76 0,8 2 a) 4,5 10 b) 30,5 10 c) 0,45 1 000 3 Vilka av produkterna är a) större än 6 1,09 6 0,87 6 1 6 4,3 6 0,08 6 b) mindre än 6 4 Skriv
Läs merBrus Generator. Instruktionsmanual S-100
S-100 Brus Generator Instruktionsmanual Vänligen läs före användning Sound Oasis är världsledande när det gäller ljudterapisystem. Vårt engagemang ligger i att göra din vardag hälsosammare och lite lättare
Läs merLäslandet 2 Ord och meningar
Läslandet 2 Ord och meningar Av LäraMera Program AB och Leripa AB Grafik Musik Röst Kristina Grundström Erik truedsson Gerda Nilsson 1 Innehållsförteckning LÄSLANDET 2 ORD OCH MENINGAR 3 Styrsätt 4 Menyn
Läs merSkriv bättre i jobbet. En liten guide till hur du får fram ditt budskap bättre.
Skriv bättre i jobbet En liten guide till hur du får fram ditt budskap bättre. Det viktigaste skrivrådet Vi börjar med det bästa och viktigaste skrivrådet av alla: Tänk på mottagaren! Nyckeln till en bra
Läs mer7-2 Sammansatta händelser.
Namn: 7-2 Sammansatta händelser. Inledning Du vet nu vad som menas med sannolikhet. Det lärde du dig i kapitlet om just sannolikhet. Nu skall du tränga lite djupare i sannolikhetens underbara värld och
Läs merEtt enkelt OCR-system
P r o j e k t i B i l d a n a l y s Ett enkelt OCR-system av Anders Fredriksson F98 Fredrik Rosqvist F98 Handledare: Magnus Oskarsson Lunds Tekniska Högskola 2001-11-29 - Sida 1 - 1.Inledning Många människor
Läs merManual Produktion av presentationssynkar med PowerPoint och Producer
Centrum för Pedagogik, IKT och Lärande (PIL) Mälardalens högskola Peter Aspengren Tel: 021-103116 Manual Produktion av presentationssynkar med PowerPoint och Producer Gör din presentation Om du inte har
Läs merav Bangkok Book House Tryckt i Thailand. Alla rättigheter är reserverade.
SvenSk-ThailändSk parlör 1st edition 2007 ISBN 978-974-8301-37-2 Utgiven av Hemsida: www.bangkokbooks.com E-post: info@bangkokbooks.com Fax Thailand: (66) - 2-517 1009 av Bangkok Book House Tryckt i Thailand.
Läs merKryptering & Chiffer Del 2
Kryptering & Chiffer Del Vigenere Vigenere är en annan krypteringsmetod som är mer avancerad än de två föregående. Denna metod är säkrare men långt ifrån säker om man använder dåliga nycklar. Det finns
Läs merProgrammering. Analogt och med smårobotar. Nina Bergin
Programmering Analogt och med smårobotar Nina Bergin Programmering i Läroplanen Tre ämnen i grundskolan som har huvudansvaret för programmering: matematik, teknik och samhällskunskap. Ämnesövergripande
Läs merTolkhandledning 2015-06-15
Att använda tolk Syftet med denna text är att ge konkreta råd och tips om hur tolk kan användas i både enskilda möten och i grupp. För att hitta aktuell information om vad som gäller mellan kommun och
Läs merTillämpad prosodi inom Artificiell Intelligens
Tillämpad prosodi inom Artificiell Intelligens Linköpings universitet Linköping 2010-01-03 Sammanfattning Detta är en fördjupningsuppgift skriven för kursen Artificiell intelligens 2 på Linköpings Universitet
Läs merRapport avseende lågfrekventa ljud och övrig ljudspridning MARS 2016 VINDPARK MÖRTTJÄRNBERGET VINDPARK ÖGONFÄGNADEN VINDPARK BJÖRKHÖJDEN
MARS 2016 Rapport avseende lågfrekventa ljud och övrig ljudspridning VINDPARK MÖRTTJÄRNBERGET VINDPARK ÖGONFÄGNADEN VINDPARK BJÖRKHÖJDEN Statkraft SCA Vind AB FAKTA LÅG- OCH HÖGFREKVENTA LJUD Ett ljuds
Läs merAktiviteten, (Vad är mina chanser?), parvis, alla har allt material,
Aktiviteten, (Vad är mina chanser?), parvis, alla har allt material, Hur stor är chansen? NAMN Ni kommer att utvärdera olika spel för att hjälpa er förstå sannolikheten. För varje spel, förutsäga vad som
Läs merTaligenkänning i PMO
Taligenkänning i PMO Taligenkänning blir mer korrekt om du arbetar på en tyst plats. Är det inte möjligt försök att ha så lite bakgrundsbrus som möjligt när du arbetar. Din taligenkänningsprofil är personlig
Läs mer