Rekommendationssystem. med fördjupning på collaborative filtering
|
|
- Ove Martinsson
- för 7 år sedan
- Visningar:
Transkript
1 Rekommendationssystem med fördjupning på collaborative filtering, majsc G11 Artificiell Intelligens II Linköpings Universitet HT 2009
2
3 Innehållsförteckning Inledning... 1 Bakgrund... 2 Collaborative Filtering... 3 Amazons rekommendationer... 5 Diskussion... 7 Referenser... 8 Bild- och figurförtecking: Bild Bild Figur Figur Figur
4
5 Inledning När allt mer av dagens handel och informationssökning sker via Internet medför det att mängden information och varor vi har tillgång till ökar. Då får vi istället problem med information overload det finns alldeles för mycket att välja på och det blir bara svårare att göra informerade val. En vanlig lösning är att ta hjälp av vänner med liknande smak, läsa recensioner, och utgå från listor med bästsäljare. Många onlinebutiker har därför börjat tillämpa rekommendationssystem för att göra det stora utbudet mer överskådligt och hjälpa kunden att hitta varor som kan vara intressanta. Rekommendationssystem är en teknik som används av många företag, och det är speciellt vanligt hos onlinebutiker som har ett stort sortiment och är extra beroende av möjligheten att kunna sålla bland varor. I denna rapport beskrivs kort vilka typer av rekommendationssystem som finns. Sedan följer en djupare beskrivning av en av dessa, collaborative filtering, samt hur denna implementeras hos onlinebutiken Amazon.com. Bild 1: En av Amazons rekommendationer (Amazon.com, 2009) Sida 1
6 Bakgrund När rekommendationssystem beskrivs på engelska används ofta ordet items, som kan översättas dessa, eftersom de har en tydligare koppling till den till den domän jag har studerat, det vill säga onlineshopping. Rekommendationssystem använder information från användaren för att försöka förutspå vad denne kommer att tycka om en viss vara, och sedan bestämma om den ska rekommenderas till användaren eller ej. Det finns många olika typer av rekommendationssystem, samt hybrider av dessa. Content-based, eller innehållsbaserade rekommendationssystem jämför innehållet och undersöker vad användaren har tyckt om liknande varor tidigare. Ett exempel är filmer, där ett sådant system kan använda genre, skådespelare, regissör, eller andra egenskaper och jämföra med vad användaren tidigare har tyckt om dessa egenskaper. Demografiska system jämför olika typer av användare utifrån egenskaper så som ålder, inkomst, födelseland, utbildning, etc. (Burke, 2002) Amazon.com Amazon.com är en onlinebutik som startades i USA Den finns nu över hela världen och har flera miljoner produkter och över 29 miljoner användare i vitt skilda kategorier, varför det blir extra viktigt att hjälpa kunden att hitta rätt. De har ett rekommendationssystem som baseras på collaborative filtering. När en användare registrerar sig så uppmanas denne att fylla i fakta om sig själv för att förbättra rekommendationerna, samt att betygsätta eller markera att man redan äger olika varor tills rekommendationerna reflekterar de preferenser kunden har. Betyget sätts på en femgradig skala där fem är bäst. När en användare loggar in kan denne gå till sin personliga rekommendationssida, eller söka efter olika varor och då bli rekommenderad varor som ofta köps tillsammans med den aktuella varan. Användaren kan också se exakt vad som orsakade varje rekommendation, det vill säga vilken produkt som fick systemet att tro att användaren skulle tycka om den rekommenderade varan. Där kan användaren ange om produkten inte ska användas för att generera rekommendationer, exempelvis om den var en gåva eller liknande. (Linden et. al., 2003;; Amazon.com, 2009) Sida 2
7 Collaborative filtering Collaborative filtering är det vanligaste systemet som används för rekommendationer och förmodligen det mest välutvecklade (Burke, 2002). Det räknar ut korrelationen mellan en användares tidigare betygsättningar och andra användares betygsättningar. En användares profil består av en lista med varor och det betyg som varje vara har fått, antingen binära (gillar/ogillar) eller ett specifikt värde, till exempel en siffra mellan ett och tio. Korrelationen mellan användare räknas ut med Pearsons r. (Burke, 2002: Breese et. al. 1998) Pearsons korrelationskoefficient kan ge värden mellan -1 och 1, där -1 anger en starkt negativ korrelation, medan 1 är en starkt positiv. Värden nära noll anger en svag korrelation. För att förutspå vad en användare, x, ska tycka om vara i, räknar man ut korrelationen mellan x och varje annan användare, y, för att ge y en. R x,d är alltså betyget som användare x har satt på item d, och R x är medelvärdet på alla betyg som användare x har satt. Om x och y har betygsatt alla varor lika så skulle deras korrelation vara 1,0, och y får då vikten 1,0. (Pazzani, 1999) Figur 1: Pearsons r (Pazzani, 1999) Sedan räknas det viktade medelvärdet (X w ) ut genom att multiplicera korrelationen mellan användare x och varje annan användare y med y:s betygsättning av vara i, och sedan ta summan av alla produkter och dividera med summan av alla vikter, vilket motsvaras w i figur 2. Anledningen till att inte bara välja ut den användare som är mest lik x och anta att x kommer att tycka likadant är att det nu är möjligt att dra nytta även av de användare som har en stark negativ korrelation med x. Figur 2: Viktat medelvärde ( Sida 3
8 Fördelar och nackdelar med collaborative filtering Ett problem med collaborative filtering som även återkommer i andra typer av rekommendationssystem är att rekommendationerna ofta blir ganska dåliga för användare som har använt systemet en kortare tid. Eftersom de inte har hunnit betygsätta så många varor så har systemet inte särskilt mycket att bygga rekommendationerna på. Detta kallas för ramp upproblemet. Det är detta problem som Amazon försöker lösa genom att be nya användare betygsätta varor tills rekommendationerna reflekterar användarens smak. (Burke, 2002) Bild 2: Amazons rekommendationssida för nya användare (Amazon.com 2009). Samma sak gäller för nya varor: om en vara inte har betygsatts så många gånger så har den mindre chans att bli rekommenderad. Gråa får (gray sheep på engelska) är ett annat problem som förekommer i rekommendationssystem. Det innebär att en användare har preferenser som inte korrelerar med någon annan användare, och vars uppfattning om en vara blir svår att förutspå. Generellt sett blir alla rekommendationssystem bättre ju mer data systemet har att gå efter. Dock kan användare tröttna på att få dåliga rekommendationer på grund av för lite bakgrundsdata och sluta använda systemet. (Burke, 2002) Sida 4
9 Amazons rekommendationer Problemet med Amazon är att de har en enormt stort datamängd att arbeta med vilket gör att collaborative filtering på det traditionella sättet inte fungerar. Istället använder de en metod som kallas item-to-item collaborative filtering, som matchar de varor en kund har köpt med andra liknande varor. (Linden et. al. 2003) Algoritmen: For each item in product catalog, I1: For each customer C who purchased I1: For each item I2 purchased by customer C: Record that a customer purchased I1 and I2 For each item I2: Compute the similarity between I1 and I2 För varje vara i katalogen så undersöker algoritmen varje kund som har köpt den varan. Den går igenom alla andra varor som kunden har köpt och räknar ut likheten mellan de två varorna. (Linden et. al. 2003) Likhetsberäkning Likhet kan räknas ut på olika sätt, ett exempel är Pearsons r som förklaras ovan. Amazon använder sig av en metod som mäter cosinus av vinkeln mellan två vektorer. En vektor är en lista, som representerar en vara. Exempel: Vara1 Kund1 Kund2 Kund3 Kund4 Det vill säga, Vara1 har köpts av fyra kunder, och har alltså vektorn [Kund1, Kund2, Kund3, Kund4]. Har man flera vektorer kan man då jämföra dessa. Om en kund sedan köper Vara1, och Vara1 har en hög korrelation med en annan vara, till exempel Vara5, så rekommenderas Vara5 till kunden. Sida 5
10 Exempel på flera vektorer: Vara1 Kund1 Kund2 Kund3 Kund4 Vara2 Kund2 Kund3 Kund5 Kund6 Vara3 Kund1 Kund2 Kund5 Kund6 Likheten är alltså som följer: Vara1 & Vara2: 2 kunder gemensamt Vara1 & Vara3: 2 kunder gemensamt Vara2 & Vara3: 3 kunder gemensamt Alltså är Vara2 och Vara3 mer lika varandra än de andra varorna. Amazons datamängd är naturligtvis större än i exemplet ovan, så för att mäta vilka vektorer som är lika varandra används cosinus av vinkeln mellan två vektorer. (Linden et. al. 2003) Figur 3: Cosinus av vinkeln mellan vektorer (Linden et. al. 2003) Detta är dock inget jag kommer att gå igenom mer utförligt, för vidare läsning se Garcia (2006). Item-to-item och user-to-user: en jämförelse Är datamängden väldigt stor måste de tyngsta uträkningarna utföras offline. Det är anledningen till att user-to-user collaborative filtering är en opraktisk metod för företag som Amazon, eftersom den metoden måste utföra de flesta beräkningarna online. Item-to-item kan skapa likhetstabeller offline, och de enda beräkningarna som sker online är att leta upp liknande varor ur tabellen. Detta är en mycket lättare uträkning eftersom algoritmen bara måste ta hänsyn till de varor som en specifik kund har köpt eller betygsatt, istället för alla varor i katalogen eller alla kunder som har ett konto hos Amazon. Uträkningarna som sker offline har dock en hög tidskomplexitet, O(N 2 M) i värsta tänkbara fallet, där N är alla varor i katalogen och M är antalet element i en vektor, det vill säga antalet kunder som har köpt en vara. Dock har varje vara inte köpts av särskilt många kunder, varför den egentliga tidskomplexiteten ligger närmare O(NM). (Linden et. al., 2003) Sida 6
11 Diskussion Alla rekommendationssystem har problem med att ge bra rekommendationer till nya kunder, så även Amazon. När jag provar att betygsätta några varor märker jag snabbt att de varor systemet tror att jag skulle tycka om handlar om exakt samma saker som de varor jag betygsatt. Om jag sätter ett högt betyg på en italiensk kokbok så handlar alla andra rekommendationer om italienska kokböcker. Har jag uppgett att jag tycker om Amerikansk politik så rekommenderas jag böcker som handlar om det ämnet. Det liknar i mina ögon mer ett innehållsbaserat system, det vill säga content-based, där systemet rekommenderar varor baserat på en särskild egenskap, till exempel vilken genre de tillhör. Huruvida detta blir bättre med tiden har jag inte undersökt eftersom det tar ganska lång tid att betygsätta alla varor som jag anser reflekterar min personliga smak. Dock presterar de flesta rekommendationssystem dåligt i början så ett rimligt antagande borde vara att rekommendationerna blir bättre ju mer systemet används. Melville et. al. (2002) har utvärderat en hybrid av collaborative filtering och content-based rekommendationssystem som enligt testerna presterar bättre än de två typerna var för sig vid ramp up-problemet, fortsatt forskning får utvisa om detta kan vara en lösning även för Amazon. Idag är det ganska vanligt att rekommendationssystem används, och jag tror att detta område kommer att växa och bli nästintill oumbärligt i framtiden. När antalet tillgängliga produkter ökar blir det omöjligt att undersöka hela sortimentet. Topplistor är ett sätt att sålla ut produkter, men det finns inget som säger att det som finns på topplistan är bättre än annat. Att produkter på topplistan säljer mer beror helt enkelt på att kunden hittar dem, till skillnad från produkter som inte har så höga försäljningssiffror. Min teori är att det visserligen kan vara en viss kvalitetsskillnad mellan storsäljare och andra varor, men att en viktig komponent i en produkts framgång är marknadsföring. Att bara välja bland storsäljarna kan göra att man missar guldkorn som inte haft en lika stor marknadsföringsbudget, men att hitta de guldkornen är lättare sagt än gjort. Då kan ett rekommendationssystem göra stor skillnad. Dock kan det också vara hämmande att bara undersöka varor man blir rekommenderad, till exempel kan tycke och smak förändras över tid. Den i mina ögon bästa strategin för att hitta de varor man vill ha är att dels använda sig av de rekommendationer man får av systemet men också följa sitt eget huvud och titta på varor som verkar intressanta oberoende av vad systemet tror att man tycker om. Sida 7
12 Referenser Tryckta källor: Burke, Robin (2002) Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction, vol 12, Linden, Greg;; Smith, Brent;; York, Jeremy (2003). Amazon.com Recommendations: Item-to-Item Collaborative Filtering. IEEE Internet Computing, Januari-februari, Melville, Prem;; Mooney, Raymond J.;; Nagarajan, Ramadass (2002) Content-Boosted Collaborative Filtering för Improved Recommendations, Proceedings of the Eighteenth National Conference on Artificial Intelligence (AAAI-2002), Pazzani, Michael J. (1999) A Framework for Collaborative, Content-Based and Demographic Filtering. Artificial Intelligence Review, vol 13, Internetkällor: Amazon.com: Recommendations Hämtad Senast uppdaterad: Ej angivet Breese, John S;; Heckerman, David;; Kadie, Carl (1998) Empirical Analysis of Predictive Algorithms for Collaborative Filtering. Technical Report MSR-TR-98-12, Microsoft Research Hämtad från Senast uppdaterad: Ej angivet Viktat medelvärde: Hämtad Senast uppdaterad: Ej angivet Sida 8
13 Lästips: Garcia, E (2006) Cosine Similarity and Term Weight Tutorial. An Information Retrieval Tutorial on Cosine Similarity Measures, Dot Products and Term Weight Calculations. Hämtad från Senast uppdaterad: Sida 9
LINKÖPINGS UNIVERSITET. Rekommendationssystem
LINKÖPINGS UNIVERSITET Rekommendationssystem, julho969 900728-5969 729G11 Artificiell Intelligens II Linköpings universitet HT 2010 Innehållsförteckning Introduktion Vad är ett rekommendationssystem?...
Läs merColloborative filtering ett rekommendationssystem
Colloborative filtering ett rekommendationssystem 1 Innehållsförteckning 2 1. Inledning Dagens samhälle är idag uppbyggt till stor del av internet. Vi kan i princip sköta det mesta av våra liv via nätet.
Läs merRekommendationer på nätet
Linköpings universitet Rekommendationer på nätet Kollaborativa rekommendationssystem Cornelia Böhm 2017-01-12 Abstrakt Rekommendationssystem är algoritmer som används för att filtrera ut de produkter som
Läs merTiVo ett rekommendationssystem. TiVo ett rekommendationssystem
Sammanfattning I dagens informationssamhälle kan det ibland vara svårt att sortera ut relevant information från mängden. Vi får då förlita oss till rekommendationer och omdömen från andra i allt från vilken
Läs merInstitutionen för datavetenskap Department of Computer and Information Science
Institutionen för datavetenskap Department of Computer and Information Science Examensarbete Smarta receptförslag algoritmutvärdering och implementationsförslag av Bernhard Hahn LIU-IDA/LITH-EX-G--12/032--SE
Läs merLab6: Social Navigering på Amazon.com. Inledning. Vad är Social navigering?
Lab6: Social Navigering på Amazon.com William Sporrong 780210-0292 d99-vsp willy@kth.se Inledning Den här rapporten ingår som en laboration i kursen Datorstöd för Samarbete på Nada, KTH. Syftet med laborationen
Läs merSÅ BLIR DIN NETFLIX- UPPLEVELSE BÄTTRE. En litteraturstudie om Netflixs rekommendationssystem
SÅ BLIR DIN NETFLIX- UPPLEVELSE BÄTTRE En litteraturstudie om Netflixs rekommendationssystem Sammanfattning Studien fokuserar på Latent Factor Model som var ett stort genomslag under Netflix Prize tävlingen
Läs merAUTOMATISKA REKOMMENDATIONER I BUTIK. Examensarbete Systemarkitekturutbildningen. Kristoffer Johansson Tobias Savinainen VT 2015:KSAI01
AUTOMATISKA REKOMMENDATIONER I BUTIK Examensarbete Systemarkitekturutbildningen Kristoffer Johansson Tobias Savinainen VT 2015:KSAI01 Systemarkitekturutbildningen är en kandidatutbildning med fokus på
Läs merEn praktisk implementation av ett rekommendationssystem
Konsten att välja En praktisk implementation av ett rekommendationssystem Projektarbete Artificiell intelligens Patricia Lindblad 729G43 729G43 patli010!1 1. Introduktion 3 1.1. Vad är ett rekommendationssystem?
Läs merEffekten av varierande datamängd vid filmbetygsprediktion
EXAMENSARBETE INOM TEKNIK, GRUNDNIVÅ, 15 HP STOCKHOLM, SVERIGE 2016 Effekten av varierande datamängd vid filmbetygsprediktion En studie med en egenkonstruerad rekommendationsalgoritm ERIK LINDBOM ADAM
Läs merPersonifierad Netflix
Linköpings universitet Personifierad Netflix Lisa Rönnqvist 2016-08-24 Sammanfattning INNEHÅLLSFÖRTECKNING 1. Inledning... 1 1.1 Bakgrund... 1 1.2 Syfte... 2 2. Netflix... Fel! Bokmärket är inte definierat.
Läs merVILKET REKOMMENDATIONSSYTEM SKA EN INTERAKTIV MEDIETJÄNST VÄLJA?
VILKET REKOMMENDATIONSSYTEM SKA EN INTERAKTIV MEDIETJÄNST VÄLJA? Med Spotify som praktiskt fall.se 12 januari 2017 729G43 Kognitionsvetenskapliga programmet, LiU. Sammanfattning Rekommendationssystem är
Läs merDryck till maten. - ett nyttobaserat rekommendationssystem. Sarah Albertsson
Dryck till maten - ett nyttobaserat rekommendationssystem 861220-447 saral853@student.liu.se 2014-01-08 Inledning Systembolaget lanserade under år 2013 en tjänst för att matcha dryck ur deras provade sortiment,
Läs merCOLLABORATIVE FILTERING
COLLABORATIVE FILTERING FÖR ATT VÄLJA SPELNIVÅER Examensarbete Systemarkitekturutbildningen Fredrik Dahlberg Mathias Söderqvist HT 2013:KSAI03 Systemarkitekturutbildningen är en kandidatutbildning med
Läs merAnsiktsigenkänning med MATLAB
Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system
Läs merSociala medier och Flickr som marknadsföring Essä i kursen Digitala Distributionsformer Högskolan Väst Av: Nicklas Johansson
Sociala medier och Flickr som marknadsföring Essä i kursen Digitala Distributionsformer Högskolan Väst Av: Nicklas Johansson Innehåll Sammanfattning..s.1 Inledning.s.2 Beskrivning.s.2,3 Diskussion...s.4,5
Läs merBetygskriterier för examensarbete/självständigt arbete
Fastställt av BIG: s institutionsstyrelse 2008-10-22 Betygskriterier för examensarbete/självständigt arbete 1. Bedömningsgrunder och innehåll Ett examensarbete eller självständigt arbete ska bedömas inom
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 merHandledare: Mikael Goldmann
2012-02- 23 Jacob Rydh Robert Hedin Sudoku Solver Projektspecifikation Handledare: Mikael Goldmann Introduktion Vi ska studera och utforma olika algoritmer för att lösa Sudoku puzzel. Vi kommer testa olika
Läs merVerklighetsnära undervisning
Verklighetsnära undervisning Joachim Svärd Thoren Innovation School, Göteborg Linköpings Universitet TIS 2017, Norrköping Välkomna Introduktion. Vem jag är och hur det kan vara att forska. Teori. Vad är
Läs merSå gör du din kund nöjd och lojal - och får högre lönsamhet. Tobias Thalbäck Om mätbara effekter av kundnöjdhet
Så gör du din kund nöjd och lojal - och får högre lönsamhet Tobias Thalbäck Om mätbara effekter av kundnöjdhet Hög kundnöjdhet ger högre avkastning Företag med hög kundnöjdhet genererar högre avkastning
Läs merMATEMATIK GU. LLMA60 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht 2014. Block 5, översikt
MATEMATIK GU H4 LLMA6 MATEMATIK FÖR LÄRARE, GYMNASIET Analys, ht 24 I block 5 ingår följande avsnitt i Stewart: Kapitel 2, utom avsnitt 2.4 och 2.6; kapitel 4. Block 5, översikt Första delen av block 5
Läs merKursplanering Objektorienterad programmering
Kursplanering Objektorienterad programmering Fakta Ämne Programmering Poäng 40 Yh-poäng Kurskod YSYS-OOP Klass Systemutvecklare.NET 2 Syfte och koppling till yrkesrollen Syftet är att få en stabil grund
Läs merAnsiktsigenkänning. Anna Ericsson Linköpings Universitet Linköping
Ansiktsigenkänning Anna Ericsson Linköpings Universitet Linköping 2011-09-18 Innehållsförteckning Sammanfattning... 1 Introduktion... 2 Ansiktsigenkänning med Eigenfaces... 3 Eigenfaces steg för steg...
Läs merProjekt i programmering 1 (ver 2)... 2 Projektidé... 2 Planering... 2 Genomförande... 2 Testning och buggar... 3 Utvärdering... 3 Planering...
Projekt i programmering 1 (ver 2)... 2 Projektidé... 2 Planering... 2 Genomförande... 2 Testning och buggar... 3 Utvärdering... 3 Planering... 4 Bussen (projektförslag)... 5 Bakgrund... 5 Klassen Buss
Läs merKlustring av svenska tidningsartiklar
Klustring av svenska tidningsartiklar Magnus Rosell rosell@nada.kth.se http://www.nada.kth.se/ rosell/ Klustring Kategorisering eller klassificering att föra texter till på förhand bestämda kategorier
Läs merObjective:: Linjärt beroende och oberoende version 1.0
DEFINITIONEN AV LINJÄRT BEROENDE MED EXEMPEL Objective:: Linjärt beroende och oberoende version. Definitionen av linjärt beroende med exempel Vi börjar med ett inledande exempel för att motivera definitionen
Läs mere-barometern [konsument] mars 2017 av Carin Blom, Detaljhandelsanalytiker PostNord Sverige
Mars 2017 Mars-summering E-handelskonsumtionen ökade med 22 procent, jämfört med mars 2016. 66 procent av svenskarna e-handlade under månaden. Starkare modeförsäljning under mars jämfört med januari och
Läs merVirtuella assistenter för bättre kundupplevelser
Virtuella assistenter för bättre kundupplevelser July 14, 2017 1 Introduktion Hur kan tech och mode samverka för att skapa en bättre kundupplevelse och utveckla e-handelsmarknaden? 1.1 Personligt bemötande
Läs merSystems for automatic recommendations of news and events
System för automatiska rekommendationer av nyheter och evenemang Systems for automatic recommendations of news and events THEODOR BRANDT Examensarbete inom Datorteknik Grundnivå, 15 hp Handledare på KTH:
Läs mer2.1 Mikromodul: stokastiska processer
2. Mikromodul: stokastiska processer 9 2. Mikromodul: stokastiska processer 2.. Stokastiska variabler En stokastiskt variabel X beskrivs av dess täthetsfunktion p X (x), vars viktigaste egenskaper sammanfattas
Läs merSeminarium: Att skriva en akademisk uppsats. LT200X Stefan Stenbom
Seminarium: Att skriva en akademisk uppsats LT200X Stefan Stenbom Berätta om ditt exjobb! Vad skall du skriva om... Agenda Läsa och analysera kursens mål och kriterier. Svenska eller Engelska Rapportstruktur
Läs merFRÅGEFORMULÄR 0M STUDIEVANOR
Rune Olsson. PIE, IEI. Linköpings universitet. PULS, Rune Olsson AB. 2014 sid 1 FRÅGEFORMULÄR 0M STUDIEVANOR Beroende på vilket resultat du får kommer du att kunna se vad du kan satsa på för att bli ändå
Läs merVarför ska man använda ett CMS? Vilka är fördelarna och är det alltid bra? Kattis Lodén 2010-03-18
Varför ska man använda ett CMS? Vilka är fördelarna och är det alltid bra? Kattis Lodén 2010-03-18 Innehåll Inledning... 3 Fakta... 4 Innehåll... 4 Texthantering... 4 Granskning och versionshantering...
Läs merTDP Regler
Regler Student får lämna salen tidigast en timme efter tentans start. Vid toalettbesök eller rökpaus ska pauslista utanför salen fyllas i. All form av kontakt mellan studenter under tentans gång är strängt
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 merTDDD92 Artificiell intelligens -- projekt
jonas.kvarnstrom@liu.se 2018 TDDD92 Artificiell intelligens -- projekt Individuella uppgifter UPG2: Individuell skriftlig rapport 2 Vad? Läsa och förstå vetenskaplig litteratur Varför? Framtiden: Inte
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 merDatorlaboration :: 1 Problembeskrivning ::
Datorlaboration :: Ett hyrbilsföretags problem Laborationen går ut på att lösa Labbuppgift 1 till 5. Laborationen redovisas individuellt genom att skicka laborationens Mathematicafil till Mikael Forsberg
Läs merSkriv ditt sökord i sökrutan och markera rutan för att föreslå ämnesord (Suggest Subject Terms).
Guide - Avancerad Sökning i EBSCOs databaser Samtliga databaser har även fritextsökning som du hittar i Basic search. CINAHL och Medline Denna guide visar hur ni använder funktionerna Suggest Subject Terms
Läs merFöreläsning 7. Felrättande koder
Föreläsning 7 Felrättande koder Antag att vi vill skicka ett meddelande som består av bokstäver a,b,c,d. Vi kan koda a,b,c,d. Antag att det finns en viss sannolikhet att en bit i ett meddelande som skickas
Läs merMatematik EXTRAUPPGIFTER FÖR SKOLÅR 7-9
Matematik EXTRAUPPGIFTER FÖR SKOLÅR 7-9 Matematik Extrauppgifter för skolår 7-9 Pärm med kopieringsunderlag. Fri kopieringsrätt inom utbildningsenheten! Författare: Mikael Sandell Copyright 00 Sandell
Läs merKartläggning av central prissättning hos företagen i urvalet för KPI
PM till Nämnden för KPI ES/PR Sammanträde nr 1 Henrik Björk 2016-10-16 Martina Sundström Brunilda Sandén Kartläggning av central prissättning hos företagen i urvalet för KPI 1(6) För information Prissättningsstrategin
Läs merBTJ PRESENTERAR NYFIKET. Det nya sättet att låna film.
BTJ PRESENTERAR NYFIKET Det nya sättet att låna film. STARTSIDAN MENYN Enkel och överskådlig meny: START, FILMER, ARTIKLAR och INFO. SPRÅKSTÖD Information på både svenska och engelska. SÖK Sök på allt
Läs mer2. Vad ska jag göra för att garanterat få återbäring, när jag handlar via Lyoness?
1 FAQs 1. Hur får jag pengar tillbaka när jag handlar via Lyoness? Logga in på www.lyoness.se och sök i listan på våra partnerbutiker efter den nätbutik du vill handla i. Klicka på butikens logotyp eller
Läs merOctober 9, Innehållsregister
October 9, 017 Innehållsregister 1 Vektorer 1 1.1 Geometrisk vektor............................... 1 1. Vektor och koordinatsystem.......................... 1 1.3 Skalär produkt (dot eller inner product)...................
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 merOntologier. Cassandra Svensson 2014-01-09
Ontologier Cassandra Svensson 2014-01-09 Sammanfattning Jag har läst Annika Flycht-Ericssons avhandling Design and Use of Ontoligies in information-providing Dialogue Systems. Med Annikas text som utgångspunkt
Läs merAnvändargenererat innehåll i Libris?? Underlag till Expertgruppen för Libris möte 2008-02-28
Användargenererat innehåll i Libris?? Underlag till Expertgruppen för Libris möte 2008-02-28 När en webbplats besökare inbjuds (tillåts) att publicera eget innehåll i form av tex bilder, filmer, kommentarer,
Läs merhttp://www.sm.luth.se/~andreas/info/howtosearch/index.html
& ' ( ( ) * +, ', -. / ' 0! 1 " 2 # 3 / /! 1 $ 4, % 5 # 3, http://www.sm.luth.se/~andreas/info/howtosearch/index.html Andreas Tips och trix till sökningar i Cyberrymnden Här försöker jag att gå igenom
Läs merEn typisk medianmorot
Karin Landtblom En typisk medianmorot I artikeln Läget? Tja det beror på variablerna! i Nämnaren 1:1 beskrivs en del av problematiken kring lägesmått och variabler med några vanliga missförstånd som lätt
Läs mer1 Vektorer i koordinatsystem
1 Vektorer i koordinatsystem Ex 11 Givet ett koordinatsystem i R y a 4 b x Punkten A = (3, ) och ortsvektorn a = (3, ) och punkten B = (5, 1) och ortsvsektorn b = (5, 1) uttrycks på samma sätt, som en
Läs merDet nya kommunikationslandskapet Var finns ni? Här finns konsumenten! Anders Goliger Welcom
Huvudsponsorer Det nya kommunikationslandskapet Var finns ni? Här finns konsumenten! Anders Goliger Welcom Det nya kommunikationslandskapet 1. Mitt flöde Är NYHETEN tillräckligt INTRESSANT så kommer den
Läs merVerklighetsnära undervisning
Verklighetsnära undervisning Joachim Svärd Tekniklärare, doktorand Linköpings Universitet TiS 2018, Göteborg Välkomna Dagens schema: Vad är Verklighetsnära lärande (Authentic learning)? Hur kan jag jobba
Läs merGiltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta. Tentamensresultaten anslås med hjälp av kodnummer.
KOD: Kurskod: PC1244 Kursnamn: Kognitiv psykologi och utvecklingspsykologi Provmoment: Metod Ansvarig lärare: Sandra Buratti Tentamensdatum: 2014-09-26 Tillåtna hjälpmedel: Miniräknare Tentan består av
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 merLösningar till utvalda uppgifter i kapitel 1
Lösningar till utvalda uppgifter i kapitel. Vi utnyttjar definitionen av skalärprodukt som ger att u v u v, där α är (minsta) vinkeln mellan u v. I vårt fall så får vi 7 =. Alltså är den sökta vinkeln
Läs merDATORÖVNING 3: MER OM STATISTISK INFERENS.
DATORÖVNING 3: MER OM STATISTISK INFERENS. START Logga in och starta Minitab. STATISTISK INFERENS MED DATORNS HJÄLP Vi fortsätter att arbeta med datamaterialet från datorävning 2: HUS.xls. Som vi sett
Läs merAnders Lunander, Handelshögskolan vid Örebro universitet (huvudansvarig) Sofia Lundberg, Handelshögskolan vid Umeå universitet
Slutrapport för projektet Högt anbudspris hög kvalitet? En empirisk analys av relationen mellan anbudspris och bedömning av kvalitet i offentlig upphandling Anders Lunander, Handelshögskolan vid Örebro
Läs mer1 Positivt definita och positivt semidefinita matriser
Krister Svanberg, april 1 1 Positivt definita och positivt semidefinita matriser Inom ickelinjär optimering, speciellt kvadratisk optimering, är det viktigt att på ett effektivt sätt kunna avgöra huruvida
Läs merBör man legalisera nerladdning av musik?
Bör man legalisera nerladdning av musik? Sammanfattning I denna artikel framförs argument för att legalisera gratis nerladdning av musik via internet. Detta bör tillåtas eftersom musik till stor grad är
Läs merAdaptiva system Metoder och processer
Adaptiva system Metoder och processer Erik Wallin erikw@kth.se erik@adaptlogic.com Agenda 1. Introduktion 2. Process för informationsanpassning 3. Metoder för återkoppling 4. Metoder för informationsanpassning
Läs merStatistiska analyser C2 Bivariat analys. Wieland Wermke
+ Statistiska analyser C2 Bivariat analys Wieland Wermke + Bivariat analys n Mål: Vi vill veta något om ett samband mellan två fenomen n à inom kvantitativa strategier kan man undersöka detta genom att
Läs merGymnasiearbetets titel (huvudrubrik)
Risbergska skolan Program Gymnasiearbetets titel (huvudrubrik) Underrubrik Titeln på rapporten måste givetvis motsvara innehållet. En kort överrubrik kan förtydligas med en underrubrik. Knut Knutsson BetvetA10
Läs merKorrelation och autokorrelation
Korrelation och autokorrelation Låt oss begrunda uttrycket r = i=1 (x i x) (y i y) n i=1 (x i x) 2 n. i=1 (y i y) 2 De kvadratsummor kring de aritmetiska medelvärdena som står i nämnaren är alltid positiva.
Läs merTentamen: Programutveckling ht 2015
Tentamen: Programutveckling ht 2015 Datum: 2015-11-04 Tid: 09:00-13:00 Sal: Ansvarig: Resultat: Hjälpmedel: Maxpoäng: Betygsgränser: Anslås inom 3 veckor. Inga 40 p 20 p för G, 32 p för VG. Iakttag följande:
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Areor, vektorprodukter, volymer och determinanter
Läs merAnvisningar till rapporter i psykologi på B-nivå
Anvisningar till rapporter i psykologi på B-nivå En rapport i psykologi är det enklaste formatet för att rapportera en vetenskaplig undersökning inom psykologins forskningsfält. Något som kännetecknar
Läs merTAMS79: Föreläsning 10 Markovkedjor
TAMS79: Föreläsning 0 Markovkedjor Johan Thim december 08 0. Markovkedjor Vi ska nu betrakta en speciell tidsdiskret diskret stokastisk process, nämligen Markovkedjan. Vi börjar med en definition Definition.
Läs merIntroduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4
Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 014-015 Denna lektion ska vi studera rekursion. Lektion 4 Principen om induktion Principen om induktion är ett vanligt sätt att bevisa
Läs merFöreläsning 4. Kap 5,1-5,3
Föreläsning 4 Kap 5,1-5,3 Multikolinjäritetsproblem De förklarande variablerna kan vara oberoende (korrelerade) av varann men det är inte så vanligt. Ofta är de korrelerade, och det är helt ok men beroendet
Läs merMatematikundervisning med digitala verktyg* Översikt över modulstrukturen
Matematikundervisning med digitala verktyg* En modul i Matematiklyftet Översikt över modulstrukturen Moment A individuell förberedelse Moment B kollegialt arbete Moment C aktivitet Moment D gemensam uppföljning
Läs merUPPGIFT 1 WILL ROGERS FENOMEN
UPPGIFT 1 WILL ROGERS FENOMEN Will Rogers (1879-1935) var en amerikansk komiker känd för bland annat följande citat: When the Okies left Oklahoma and moved to California, they raised the average intelligence
Läs merTabell 1: Programmen i Västernorrlands län som ger högst inkomst
Bilagor Tabell 1: Programmen i Västernorrlands län som ger högst inkomst Tabell 2: Programmen i Västernorrlands län med lägst andel arbetslösa efter studierna Tabell 3: De program i Västernorrlands län
Läs merRÄKNEOPERATIONER MED VEKTORER LINJÄRA KOMBINATIONER AV VEKTORER ----------------------------------------------------------------- Låt u vara en vektor med tre koordinater, u = x, Vi säger att u är tredimensionell
Läs merGrafisk visualisering av en spårbarhetslösning
Datavetenskap Opponenter Johan Kärnell och Linnea Hjalmarsson Respondenter Agni Rizk och Tobias Eriksson Grafisk visualisering av en spårbarhetslösning Oppositionsrapport, C-nivå Report 2011:06 1. Generell
Läs mer1 Ortogonalitet. 1.1 Skalär produkt. Man kan tala om vinkel mellan vektorer.
Ortogonalitet Man kan tala om vinkel mellan vektorer.. Skalär produkt Vi definierar längden (eller normen) av en vektor som ett reellt tal 0 (Se boken avsnitt.). Vi definierar skalär produkt (Inner product),
Läs mer2 Dataanalys och beskrivande statistik
2 Dataanalys och beskrivande statistik Vad är data, och vad är statistik? Data är en samling fakta ur vilken man kan erhålla information. Statistik är vetenskapen (vissa skulle kalla det konst) om att
Läs mer{ 1, om i = j, e i e j = 0, om i j.
34 3 SKALÄPRODUKT 3. Skaläprodukt Definition 3.. Skalärprodukten mellan två vektorer u och v definieras där θ är vinkeln mellan u och v. u v = u v cos θ, Anmärkning 3.. Andra beteckningar för skalärprodukt
Läs mer1. Klicka på Registrera dig-knappen/länken för att komma till sign up-sidan.
Här nedan följer instruktioner om hur du som artist och kreatör kan ladda upp dina digitala verk och göra dem tillgängliga för försäljning i Digishop. Surfa in på http://www.sn.se/digishop och klicka på
Läs merEn värld på nätet Facebook ht 2010
En värld på nätet Facebook ht 2010 Under det här kurstillfället ska vi bekanta oss närmare med Facebook. Alla har fått en första grundläggande manual till Facebook. Med hjälp av den och det här dokumentet
Läs merReligionsvetenskap II Delkurs 2: Teori och metod
Religionsvetenskap II Delkurs 2: Teori och metod Att skriva en uppsats Ferdinando Sardella, Fil. dr., VT10 ferdinando.sardella@lir.gu.se Översikt Grunden Brister, analys och kritik Grunden Traditionell
Läs merFÖRMÅGAN ATT UNDERSÖKA
FÖRMÅGAN ATT UNDERSÖKA Kursplanerna för de naturorienterande ämnena biologi, fysik och kemi är till stora delar likalydande frånsett det centrala innehållet och kan därför diskuteras tillsammans. Kursplanernas
Läs merMiniprojekt: Vattenledningsnäten i Lutorp och Vingby 1
22 januari 214 Miniprojekt 1 (6) Beräkningsvetenskap I/KF Institutionen för informationsteknologi Beräkningsvetenskap Besöksadress: ITC hus 2, Polacksbacken Lägerhyddsvägen 2 Postadress: Box 337 751 5
Läs merRapport (1,5 HP) Lunds Universitet HT15
Rapport (1,5 HP) Lunds Universitet HT15 Cache-koherens protokoll i Intel Core i7 En rapport om cache-koherens och protokollet som används i Intel Core i7 processorer för att hålla minnet koherent Författare:
Läs merPer Holm Lågnivåprogrammering 2014/15 24 / 177. int och double = = 2, 147, 483, 647
Lågnivåprogrammering Föreläsning 2 Lågnivåprogrammering Förberedelse inför laboration 2. Maskinspråk, assemblerspråk Talrepresentation En enkel dator, komponenter Instruktionsformat, instruktionscykel
Läs merKursplan. Kursens benämning: Militärteknik, Metod och självständigt arbete. Engelsk benämning: Military-Technology, Methods and Thesis
1 (5) Kursplan Kursens benämning: Militärteknik, Metod och självständigt arbete Engelsk benämning: Military-Technology, Methods and Thesis Kurskod: 1OP302 Gäller från: VT 2016 Fastställd: Denna kursplan
Läs merFöreläsning 9 Innehåll. Söndra och härska. Fibonaccitalen. Söndra och härska. Divide and conquer teknik för att konstruera rekursiva algoritmer.
Föreläsning 9 Innehåll Mer om rekursion söndra-och-härska-algoritmer dynamisk programmering backtracking Orientering om versionshantering med git Söndra och härska Divide and conquer teknik för att konstruera
Läs merBroschyr som skickas ut till alla Sveriges niondeklassare där olika program och gymnasieskolor lyfts fram som goda exempel.
Bilagor Tabell 1: Programmen i Kalmar som ger högst inkomst Tabell 2: Programmen i Kalmar med lägst andel arbetslösa efter studierna Tabell 3: De yrkesförberedande programmen i Kalmar som ger jobb Tabell
Läs merUpprepade mönster (fortsättning från del 1)
Modul: Algebra Del 2: Resonemangsförmåga Upprepade mönster (fortsättning från del 1) Anna-Lena Ekdahl och Robert Gunnarsson, Högskolan i Jönköping Ett viktigt syfte med att arbeta med upprepade mönster
Läs merFÖA110 Informationssökningsövningar facit
FÖA110 Informationssökningsövningar facit Övningar i boksökning 1. Sök någon av böckerna i din kurslitteraturlista i bibliotekets katalog. Tips: Sök på ISBN-numret eller sök på något eller några ord t.ex.
Läs merBetyg i årskurs 6. Grundskolans läroplan Kursplan i ämnet engelska
Betyg i årskurs 6 Betyg i årskurs 6, respektive årskurs 7 för specialskolan, träder i kraft hösten 2012. Under läsåret 2011/2012 ska kunskapskraven för betyget E i slutet av årskurs 6 respektive årskurs
Läs merInformationssökning - att söka och finna vetenskapliga artiklar! Linköpings Universitetsbibliotek
Informationssökning - att söka och finna vetenskapliga artiklar! Mikael.Rosell@liu.se 013-282248 Linköpings Universitetsbibliotek 2 FEM saker ni SKA ta med er härifrån! Välja ut och använda relevanta databaser
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 merEn nybörjarkurs i kritiskt tänkande
En nybörjarkurs i kritiskt tänkande Jesper Jerkert Andreas Anundi & CJ Åkerberg: Skeptikerskolan. Handbok i kritiskt tänkande. Stockholm: Forum, 2010, 226 s. ISBN 978-91-37-13588-5. Andreas Anundi och
Läs merKPP053, HT2016 MATLAB, Föreläsning 2. Vektorer Matriser Plotta i 2D Teckensträngar
KPP053, HT2016 MATLAB, Föreläsning 2 Vektorer Matriser Plotta i 2D Teckensträngar Vektorer För att skapa vektorn x = [ 0 1 1 2 3 5]: >> x = [0 1 1 2 3 5] x = 0 1 1 2 3 5 För att ändra (eller lägga till)
Läs merRekommendationssystem för livestreamingtjänster
EXAMENSARBETE INOM DATATEKNIK, GRUNDNIVÅ, 15 HP STOCKHOLM, SVERIGE 2016 Rekommendationssystem för livestreamingtjänster HENRIK SUNMARK KTH SKOLAN FÖR INFORMATIONS- OCH KOMMUNIKATIONSTEKNIK Handledare:
Läs merFöreläsning 5: Grafer Del 1
2D1458, Problemlösning och programmering under press Föreläsning 5: Grafer Del 1 Datum: 2006-10-02 Skribent(er): Henrik Sjögren, Patrik Glas Föreläsare: Gunnar Kreitz Den här föreläsningen var den första
Läs merParallellism i NVIDIAs Fermi GPU
Parallellism i NVIDIAs Fermi GPU Thien Lai Phu IDA2 Abstract This report investigates what kind of computer architecture, based on Flynn s taxonomy, is used on NVIDIAs Fermi-based GPU to achieve parallellism
Läs merKapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN
Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN Spridningsdiagrammen nedan representerar samma korrelationskoefficient, r = 0,8. 80 80 60 60 40 40 20 20 0 0 20 40 0 0 20 40 Det finns dock två
Läs mer