SELF- ORGANIZING MAPS

Storlek: px
Starta visningen från sidan:

Download "SELF- ORGANIZING MAPS"

Transkript

1 LINKÖPINGS UNIVERSITET Kognitionsvetenskapliga Programmet Examinator: Arne Jönsson SELF- ORGANIZING MAPS - Ett fördjupningsarbete inom Artificiell Intelligens Fack 52

2 Sammanfattning Denna rapport beskriver en variant av artificiella neurala nät som kallas Self-Organizing Maps. Det som framför allt skiljer detta nät från andra typer av neurala nät är dess förmåga att klassificera och organisera data utan att ha tillgång till ett facit som det kan jämföra sina resultat med. Self-Organizing Maps kan organisera data i klasser som känns naturliga för människor utan att en människa på förhand informerat nätet om vilka klasser det skall sortera datan i. Ett område där denna teknik kan få stor betydelse är till exempel avancerad informationsanalys.

3 Innehållsförteckning 1. Inledning 1.1 Bakgrund 1.2 Syfte 1.3 Disposition 2. Neurala nät 2.1 Neurala nät i allmänhet 2.2 Biologiska neurala nät 2.3 Artificiella neurala nät 2.4 Den artificiella noden 3. Self-Organizing Maps 3.1 Introduktion 3.2 Strukturen 3.3 Inlärningsfasen 3.4 Tillämpningar 4. Käll och litteraturförteckning 4.1 Källor 4.2 Litteratur

4 1. Inledning 1.1 Bakgrund 1943 gick startskottet för såväl artificiell intelligens (AI) som artificiella neurala nät (ANN). 1 Inspirerade av funktionen hos neuroner i den mänskliga hjärnan, skapade McCulloch och Pitts en enkel logisk krets av ihopkopplade neuronlika element. De neuronlika elementen slogs av och på till följd av de stimuli de fick från de kringliggande elementen. McCulloch och Pitts visade att deras kretsar kunde utföra beräkningsbara funktioner. De föreslog även att dessa kretsar skulle ha förmågan att lära sig introducerade Hebb en uppdateringsfunktion som kunde reglera kopplingarna mellan neuronerna för att på så sätt få nätet att lära sig tog Rosenblatt forskningen kring ANN ett steg närmare de biologiska neurala nätverken genom att introducera den artificiella perceptronen. 3 Rosenblatt bevisade med perceptronkonvergensteoremet att perceptronen kunde lära sig representerbara linjära funktioner. 4 Att perceptronen enbart klarade av linjära funktioner utgjorde dock en stor begränsning, vilket Minsky & Paper visade 1969 i boken Perceptrons. 5 Under och 1960-talet var det flera forskare som undersökte flerlagrade ANN, men eftersom det ännu inte fanns en effektiv inlärningsalgoritm för flerlagrade nätverk koncentrerades forskningen kring perceptronen. Som en följd av nederlaget med perceptronens begränsningar avstannade forskningen kring ANN. Inte förrän på talet tog forskningen ny fart. Under denna tid återupptäcktes backpropagation (Bryson och Ho hade redan upptäckt algoritmen 1969), 6 en algoritm som används vid inlärning av flerlagrade ANN. För att ett ANN skall kunna lära sig med backpropagationalgoritmen krävs det att nätet, tillsammans med sin input, får den förväntade outputen. 7 Nätet behöver, med andra ord, ett facit att jämföra sitt eget resultat med. När nätet jämför sitt resultat med facit vet nätet hur stort fel det har gjort och kan sedan, med hjälp av backpropagationalgoritmen, uppdatera bindningarna mellan noderna. På så vis reduceras storleken på felet vid nästa körning. Termen för 1 2 Rusell & Norvig (1995), s Rusell & Norvig (1995), s Rusell & Norvig (1995), s Rusell & Norvig (1995), s

5 denna typ av lärande är superviced. I kontrast till superviced learning finns unsuperviced learning 8 (även kallad self-organized 9 ). Genom unsuperviced learning kan nätverket självt, utan facit, upptäcka olika mönster i inputdata och sortera data i kluster med olika egenskaper introducerade Teuvo Kohonen ett ANN som lär sig genom unsuperviced learning. Kohonens kallar detta nät för Self-Oganizing Map (SOM). 1.2 Syfte Syftet med denna fördjupningsuppgift är att studera ett område inom Artificiell Intelligens närmare. Jag har valt att studera Teuvo Kohonens SOM. 1.3 Disposition I avsnitt två förklaras hur ett biologiskt neuralt nät fungerar. Detta för att belysa varifrån skaparna av ANN har hämtat sin inspiration och sina idéer ifrån. I avsnitt två illustreras även hur en avskiljd del av ett ANN, neuronen, är uppbyggd och dess övergripande funktionalitet. Att förstå hur en neuron fungerar är en förutsättning för att kunna förstå Kohonens SOM som beskrivs i avsnitt tre. 7 Simpson et al (1996), Neural Networks Applications, s Simpson et al (1996) Neural Networks Applications, s

6 2. Neurala nät 2.1 Neurala nät i allmänhet Skapandet av ANN har i stor utsträckning inspirerats av de biologiska neurala nät som finns i den mänskliga hjärnan. Utgångspunkten är att man genom att simulera verkliga nervsystem bättre ska kunna förstå hur verkliga nervsystem fungerar. Ett annat motiv för att skapa ANN är att man genom simulering av hjärnans sätt att arbeta kan hitta mer effektiva problemlösningsmetoder än de som finns idag. 10 Till skillnad från dagens datorer, som i huvudsak arbetar sekventiellt, arbetar ANN parallellt. Denna skillnad i arbetssätt gör att artificiella neurala nät i många fall kan lösa problem där dagens datorer kommer till korta. Detta gäller i huvudsak okända funktioner, brusiga data och mönsterigenkänning Biologiskt neurala nät Den mänskliga hjärnan innehåller mer än nervceller av olika slag och över 150 miljarder synapser där nervcellerna kommunicerar med varandra. 12 Figur 1 illustrerar en neuron och dess beståndsdelar. Fig. 1 visar hur information sprids från vänster till höger i ett biologiskt neuralt nät. Längst till vänster i bilden är synapsen. Det är där neuronens dendriter tar emot signaler från omgivande neuroner. Insignalerna skickas sedan till cellkärnan där signalerna slås ihop innan de skickas vidare genom axonen för att i synapsen nå ytterligare neuroner Simpson et al (1996), Neural Networks Applications, s

7 Varje neuron består av en cellkropp med cellkärna, en axon och dendriter. Dendriterna tar emot inkommande signaler från andra celler. Dessa signaler slås ihop i cellkärnan och genererar en utgående signal. Denna signal skickas till andra neuroner eller organ via axonen. Längst ut på axonen sitter nervändsslut som är ihopkopplade med de omgivande cellernas dendriter. Denna ihopkoppling kallas synaps och det är i synapsen som informationsöverföringen mellan nervcellerna sker. Varje neuron kan vara ihopkopplad med upp till hundratusen andra neuroner, men i snitt är de ihopkopplade med cirka hundra andra neuroner. I biologiska neurala nät bildas det en kemisk substans i synapsen som ändrar den elektrokemiska laddningen i cellkärnan. Om denna laddning överstiger ett visst tröskelvärde skickas en elektrisk puls genom axonen till de kringliggande nervcellerna. 13 Det biologiska neurala nätet kan aktivera alla neuroner och synapser samtidigt, vilket gör det oerhört snabbt och effektivt. Det är detta parallella arbetssätt som gör det attraktivt att simulera artificiellt. Skulle man kunna implementera detta parallella arbetssätt i dagens datorer skulle deras kapacitet öka avsevärt Artificiella neurala nät ANN skulle kunna beskrivas enbart genom att ange de matematiska formler som används för att bearbeta signaler och hur denna bearbetning anpassas över tiden för att uppnå ett bättre resultat. En matematisk beskrivning kan dock bli tämligen abstrakt och svårbegriplig. Det är därför vanligt att åskådliggöra ANN mer konkret med skisser och termer lånade från biologiska neurala nät. Till skillnad från biologiska neurala nät kommunicerar noder i artificiella nät med siffervärden istället för med elektrokemisk puls. Man skiljer på tre typer av noder i ANN; inputnoder, dolda noder och outputnoder. 15 Noderna arbetar helt avskilt från varandra vilket ger ett system som är tolerant mot fel och som även fungerar trots att delar av systemet inte fungerar längre. 16 Inputnoderna är samlade i ett inputlager som tar emot information från omgivningen och skickar informationen vidare i nätet. De dolda noderna finns i ett varierande antal lager mellan inputlagret och outputlagret. Ett dolt lager tar emot information från inputlagret (eller ett dolt lager som ligger ett steg närmare inputlagret) och skickar informationen vidare till outputlagret (eller ett dolt lager som 13 Rusell & Norvig (1995), s Rusell & Norvig (1995), s

8 ligger ett steg närmare outputlagret). Noderna är inte ihopkopplade med andra noder i samma lager eller noder i icke angränsande lager. I figur 2 ser vi hur ett ANN är uppbyggt. INPUTLAGER DOLDA LAGER OUTPULLAGER Fig. 2 visar den generella strukturen för ett neuralt nätverk med fyra noder i inputlagret, två dolda lager med 3 noder vardera samt ett outputlager med fyra noder. Det bör nämnas att ovanstående förklaring av hur ett ANN är uppbyggt är en beskrivning av ett feed-forward nätverk. Det finns ANN som är uppbyggda på andra sätt men eftersom feed-forward nätverket är den vanligaste strukturen förklaras enbart den för att ge en inblick i hur ett ANN arbetar. 16 Simpson et al (1996), Neural Networks Applications, s

9 2.4 Den artificiella noden Varje nod X i har i varje ögonblick en aktivitetsgrad som betecknas x i. Noderna är ihopkopplade med förbindelser, som var och en har en viss vikt w. Hur förbindelserna tas emot av en nod illustreras i fig. 3. Fig. 3 illustrerar hur nod X 4 tar emot inputs från noderna X 1, X 2 och X 3. I förbindelsen mellan noderna multipliceras innodens aktiveringsgrad (x i ) med förbindelsens vikt (w ij ). Samtliga förbindelser summares och bildar nettoinput för nod X 4. Om nod X 4 aktiveras eller ej beror på det värde aktiveringsfunktionen returnerar. Vikten på förbindelsen mellan nod X i och nod X j betecknas w i,j. När en signal sänds från en nod till en annan förstärks signalen i proportion till förbindelsens vikt. Den signal som nod X j tar emot från nod X i är alltså x i w i,j. Eftersom en nod oftast tar emot fler än en signal summeras samtliga inkommande signaler till ett nettoinput (x_in j ) enligt följande formel: x_in j = 6 (x j w i,j ) Hur stor X j -nodens aktiveringsgrad blir efter nettoinputen är beroende av nodens aktiveringsfunktion, f. Hur aktiveringsgraden beräknas visas i formeln nedan. x j = f (x_in j )Det finns flera olika aktiveringsfunktioner som används i artificiella neurala nät. I SOM används aktivering genom konkurrens 17, vilket diskuteras närmare i avsnitt tre

10 3. Self-Organizing Maps 3.1 Introduktion Self-Organizing Maps har förmågan att klassificera data utan att användaren på förhand bestämt klasserna. 18 Idén bakom SOM är att rumsligt representera de likheter som finns i indatan. 19 Denna representation är i färre dimensioner, oftast två, än indatan. Noderna i nätverket har från början en rumslig närhetsrelation till varandra. Under träningsfasen ändras vikterna hos närliggande noder för att liknande inputs till slut ska representeras intill varandra. Kohonen förklarar Self-Organization så här: Self-Organization means that this net becomes oriented and adaptively assumes a form by which it best describes the input vectors in an ordered, structured fashion. 20 Inför skapandet av SOM blev Kohonen inspirerad av Templateteorin. 21 Templateteorin förklarar den mänskliga perceptionen med att det i hjärnan finns mängder av schabloner. Varje schablon är en förenklad beskrivning av mönster som vi eventuellt bör känna igen. Vi känner igen ett mönster genom att jämföra det mot schablonerna i hjärnan för att sedan välja den schablon som överensstämmer med mönstret. 22 På samma sätt kan en SOM ge en förenklad representation av en potentiellt oändlig mängd mönster. 18 Malmgren (2002), s Simpson et al (1996), Neural Networks Theory Technology and Applications, s Uppgiften är hämtad ur Kohonens artikel Things you haven t heard about the Self-Organising Map. 20 Simpson et al (1996), Neural Networks Theory Technology and Applications, s Uppgiften är hämtad ur Kohonens artikel Things you haven t heard about the Self-Organising Map. 21 Malmgren (2002), s Sternberg (1996), s

11 3.2 Strukturen Nätet i en SOM består endast av två lager. Ett inputlager och ett outputlager som i SOM kallas Competitive (Kohonen) lager. I fig. 4 visas hur ett SOM kan se ut. Fig. 4 visar en SOM med två inputnoder och 5*5 noder i Kohonenlagret Inputlagret har lika många noder som antalet inputvektorer det presenteras för. Varje inputnod är förbunden med varje nod i Kohonenlagret. Kohonenlagret består av m*m noder som är organiserade i ett tvådimensionellt rutsystem. 23 Inputnoderna har samma funktionalitet som inputnoder i ett Feed-forward nät, som beskrevs i avsnitt 2.3. Noderna i Kohonenlagret har däremot en helt annan funktionalitet än outputnoderna i Feed-forward nät. 24 nedan. Kohonenlagrets funktionalitet kommer att beskrivas utförligt 3.3 Inlärningsfasen Träningsmängden som presenteras för nätet består av inputmönster och eftersom SOM lär sig genom unsuperviced learning saknar träningsmängden givna mål för vad nätet skall returnera, givet ett visst mönster. När ett inputmönster slumpas fram för att påbörja inlärningsfasen antar noderna i inputlagret (I) motsvarande värde i inputmönstret. I = (I 1, I 2,..., I n ) (I är inputlagret, I j är den enskilda noden i inputlagret) 23 Simpson et al (1996), Neural Networks Applications, s

12 Vikterna (w) mellan inputlagret och Kohonenlagret (U) slumpas fram vid träningens start. U = (U 1, U 2,..., U m,) (U är Kohonenlagret, U j är den enskilda noden) Mellan varje nod i inputlagret finns, som tidigare nämnts, en viktad förbindelse med varje nod i Kohonenlagret. Vikten mellan nod I i och nod U j betecknas w ij. Det som utmärker SOM är att Kohonenlagret aktiveras genom konkurrens, det vill säga Kohonenlagret är competitive. 25 Det innebär i sin tur att endast en nod vinner i varje körning. Den vinnande noden får värdet 1 medan övriga noder får värdet 0. Vinnarnoden (U c ) är den nod som har det lägsta avståndsvärdet. Avståndsvärdet (D j ) räknas ut med hjälp av Euklidiska Avståndsformeln: n D j = [ (I i - w ij ) 2 ] 0.5 i=1 Det finns andra metoder att räkna ut vilken nod som har det lägsta avståndsvärdet, men den Euklidiska Avståndsformeln är den som vanligen används. 26 Vikterna hos förbindelserna till vinnarnoden uppdateras så att de makas närmare inputvektorn ifråga. Denna uppdatering leder till att vinnarnoden blir ännu bättre på att i efterkommande omgångar representera inputs som liknar den aktuella. När vinnarnoden har identifierats och uppdaterats skall även vinnarnodens grannar identifieras och uppdateras. Vinnarnodens grannar är de noder som befinner sig i Neighbourhood Area (H). Principen för Neighbourhood Area visas i fig Malmgren (2002), s Wechsler (1992), s

13 Fig. 5 illustrerar Neighbourhood Area kring vinnarnoden U c. Storleken på Neighbourhood Area kan variera mellan 0 och 1. I början av inlärningen är det dock vanligast att storleken på Neighbourhood Area är cirka halva Kohonenlagret. Storleken på Neighbourhood Area (H) minskar ju fler epoker av träningsmängden nätet gått igenom för att slutligen endast bestå av vinnarnoden. En epok innebär att nätet har kört igenom alla exemplen i träningsmängden en gång. Formeln för storleken på Neighbourhood Area skrivs: H t = H 0 (1- t/t) (t är den aktuella epoken, T är totala antalet epoker,h 0 betecknar storleken på Neighbourhood Area från start) Noderna i Neighbourhood Area uppdateras utifrån hur nära de är vinnarnoden. Ju närmare en nod ligger desto mer ändras vikterna i dess förbindelser. Summan med vilken en nods vikter skall ändras ( : ij ) beräknas med följande formel: : ij = D (I i - W ij ) [sin (d cj ) / 2d cj ] (d cj är avståndet från den aktuella noden U jb till vinnarnoden U c, α betecknar inlärningshastigheten) Allt eftersom fler epoket körs minskar inlärningshastigheten enligt följande formel: D t = D 0 (1- t/t) (α t är den aktuella inlärningshastigheten, a 0 är den ursprungliga inlärningshastigheten, t är den aktuella epoken, T är det totala antalet epoker.)

14 Det är genom denna uppdatering av vinnarnoden och dess Neighbourhood Area som kartan över inputdomänen uppkommer. Hur tillförlitlig kartan blir är beroende av vilken inlärningshastighet och vilken storlek på Neighbourhood Area man valde att starta med. Något som också påverkar kartans tillförlitlighet är hur snabbt inlärningshastigheten och storleken på Neighbourhood Area minskar. Båda dessa variabler är i sin tur beroende av hur många epoker som körs. Ju fler epoker desto långsammare minskning av inlärningshastigheten och storleken på Neighbourhood Area. Man har funnit att en långsam minskning leder till en bättre organiserad karta. Eftersom en långsam minskning av inlärningshastigheten och storleken på Neighbourhood Area kräver många epoker kräver den följaktligen längre inlärningstid Tillämpningar Få ANN har fått så många praktiska tillämpningar som SOM. 29 De klarar av att organisera data trots att datauppgifterna har låg exakthet (är brusig) 30 och kan göra kvalificerade prognoser genom att studera information som är lagrad i viktvektorerna. 31 Det huvudsakliga användningsområdet av SOM är dock klassificering av data för att få en tvådimensionell display av inputen som är enkel att visualisera. 32 SOM kan gruppera data i klasser som människor finner naturliga. Ett exempel på ett användningsområde där SOM används för att reda ut oregelbunden data är data cleaning. Antag att du har ett program som skall analysera information från en databas. Informationen är dock för oregelbunden för att programmet skall kunna göra en analys. En SOM används då för att organisera informationen i klasser och analysprogrammet kan som en följd av detta fokusera på en klass i taget istället för hela informationsmängden på en gång. 33 Ett annat exempel där man kan använda en SOM är riktad marknadsföring. För att höja sin försäljningen vill ett företag skicka ut reklam till potentiella köpare. För att hitta en potentiell köpare måste företaget veta vilka egenskaper en köpare har. För att se vilka egenskaper som utmärker köpare låter man en SOM klassificera data från en konsument undersökning med både köpare och 28 Simpson et al (1996), Neural Networks Applications, s Malmgren (2002), s Simpson et al (1996), s Uppgiften är hämtad ur Kohonens artikel Things you haven t heard about the Self-Organising Map. 31 Simpson et al (1996), Neural Networks Applications, s

15 icke-köpare. Efter inlärningsfasen med dessa data kommer vissa kluster på kartan innehålla en hög andel köpare. När sedan SOM konfronteras med en mängd eventuella köpare kommer dessa att sorteras efter de klasser som skapades under inlärningsfasen. De eventuella köpare som hamnar på samma ställe på kartan får reklam hemskickad. De eventuella köpare som däremot hamnar där icke-köparna hamnade under träningsfasen bryr sig inte företaget om att skicka reklam till eftersom det troligtvis skulle vara slöseri med resurser. 12

16 4. Käll- och litteraturförteckning 4.1 Källor Litteratur Tryckt Russel, Stuart & Norvig, Peter (1995), Artificial Intelligens. A Modern Approach. Prentice Hall Inc, Upper Saddle River. Simpson, Patrick K, et al (1996), Neural Networks Applications. The Institute of Electrical and Electronics Engineers Inc, New York. Simpson, Patrick K, et al (1996), Neural Networks Theory, Technology and Applications. The Institute of Electrical and Electronics Engineers Inc, New York. Sternberg, Robert J. (1996), Cognitive Psychology. Second edition. Hardcourt Brace & Company, Orlando. Wechsler, Harry (1992), Neural Networks for Perception. Volume 2. Computing, Learning and Architectures. Academic Press Inc, San Diego. Otryckt Malmgren, Helge, Ett minne blott. Om inlärning i verkliga och artificiella neurala nätverk. Filosofiska Institutionen, Göteborgs Universitet

Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?)

Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?) Artificiell intelligens, eller Kommer din dator att bli klokare än dig? (eller kanske är den redan det?) 4e november 2014 Intelligens Vad är det? ett mänskligt egenskap Kan det jämföras? Kan det mätas?

Läs mer

Korttidsminne-arbetsminne

Korttidsminne-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 mer

Graärgning och kromatiska formler

Graärgning och kromatiska formler Graärgning och kromatiska formler Henrik Bäärnhielm, d98-hba 2 mars 2000 Sammanfattning I denna uppsats beskrivs, för en ickematematiker, färgning av grafer samt kromatiska formler för grafer. Det hela

Läs mer

Laboration 2. Artificiell Intelligens, Ht 2004 2004-10-19 Lärare: Christina Olsén Handledare: Therese Edvall Daniel Ölvebrink

Laboration 2. Artificiell Intelligens, Ht 2004 2004-10-19 Lärare: Christina Olsén Handledare: Therese Edvall Daniel Ölvebrink Artificiell Intelligens, Ht 2004 2004-10-19 Lärare: Christina Olsén Handledare: Therese Edvall Daniel Ölvebrink Laboration 2 Laboranter: Johan Bystedt (dit02lbt) Alexander Pettersson (dit02apn) Stefan

Läs mer

Nobelpriset i fysiologi eller medicin år 2014. John O Keefe. May Britt Moser och Edvard I. Moser

Nobelpriset i fysiologi eller medicin år 2014. John O Keefe. May Britt Moser och Edvard I. Moser PRESSMEDDELANDE 2014 10 06 Nobelförsamlingen vid Karolinska Institutet har idag beslutat att Nobelpriset i fysiologi eller medicin år 2014 skall utdelas med ena hälften till John O Keefe och den andra

Läs mer

Shakey s värld med HTNplanering

Shakey s värld med HTNplanering Shakey s värld med HTNplanering 2010-10-03 Artificiell Intelligens 2, 729G11 Maria Lindqvist Fördjupningsarbete, HT 2010 880913-0506 Linköpings Universitet marli314 2 Innehållsförteckning Inledning...

Läs mer

Kapitel 5: Lokala nät Ethernet o 802.x. Lokala nät. Bryggan. Jens A Andersson (Maria Kihl)

Kapitel 5: Lokala nät Ethernet o 802.x. Lokala nät. Bryggan. Jens A Andersson (Maria Kihl) Kapitel 5: Lokala nät Ethernet o 802.x Jens A Andersson (Maria Kihl) Lokala nät Ett lokalt nät (Local Area Network, LAN) är ett datanät med en begränsad storlek. Ett LAN kan i sin enklaste form bestå av

Läs mer

Bakgrund och motivation. Definition av algoritmer Beskrivningssätt Algoritmanalys. Algoritmer. Lars Larsson VT 2007. Lars Larsson Algoritmer 1

Bakgrund och motivation. Definition av algoritmer Beskrivningssätt Algoritmanalys. Algoritmer. Lars Larsson VT 2007. Lars Larsson Algoritmer 1 Algoritmer Lars Larsson VT 2007 Lars Larsson Algoritmer 1 1 2 3 4 5 Lars Larsson Algoritmer 2 Ni som går denna kurs är framtidens projektledare inom mjukvaruutveckling. Som ledare måste ni göra svåra beslut

Läs mer

SKOGLIGA TILLÄMPNINGAR

SKOGLIGA TILLÄMPNINGAR STUDIEAVSNITT 3 SKOGLIGA TILLÄMPNINGAR I detta avsnitt ska vi titta på några av de skogliga tillämpningar på geometri som finns. SKOGSKARTAN EN MODELL AV VERKLIGHETEN Arbetar man i skogen klarar man sig

Läs mer

Artificiella neurala nätverk

Artificiella neurala nätverk Artificiella neurala nätverk En undersökning av neurala nätverk som tillämpning för den finansiella marknaden JACK HA Examensarbete Stockholm, Sverige 2010 Artificiella neurala nätverk En undersökning

Läs mer

Enskild skriftlig uppgift

Enskild skriftlig uppgift Enskild skriftlig uppgift Kognition i praktiken G1N Grundläggande teoretiska kunskaper Publicerat och inlämnat 2010-09-13 1968 ord inklusive rubriker Peter Axelsson http://www.petera.se Institutionen för

Läs mer

Genetisk programmering i Othello

Genetisk programmering i Othello LINKÖPINGS UNIVERSITET Första versionen Fördjupningsuppgift i kursen 729G11 2009-10-09 Genetisk programmering i Othello Kerstin Johansson kerjo104@student.liu.se Innehållsförteckning 1. Inledning... 1

Läs mer

Genetiska algoritmer. Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola

Genetiska algoritmer. Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola Genetiska algoritmer Henrik Hansson (hhn00001@student.mdh.se) Rapport, CDT212 Mälardalens Högskola 1 Sammanfattning Genetiska algoritmer har rötter i 60-talet och efterliknar evolutionsteorin på så sätt

Läs mer

KomSys Hela kursen på en föreläsning ;-) Jens A Andersson

KomSys Hela kursen på en föreläsning ;-) Jens A Andersson KomSys Hela kursen på en föreläsning ;-) Jens A Andersson Detta är vårt huvudproblem! 11001000101 värd Två datorer som skall kommunicera. värd Datorer förstår endast digital information, dvs ettor och

Läs mer

Miniprojektuppgift i TSRT04: Mobiltelefontäckning

Miniprojektuppgift i TSRT04: Mobiltelefontäckning Miniprojektuppgift i TSRT04: Mobiltelefontäckning 19 augusti 2015 1 Uppgift Enligt undersökningen Svenskarna och internet 2013 (Stiftelsen för Internetinfrastruktur) har 99 % av alla svenskar i åldern

Läs mer

Kombinatorik 6.19. Förenkla C(n+1,2)-C(n,2) och C(n+1,3)-C(n,3)

Kombinatorik 6.19. Förenkla C(n+1,2)-C(n,2) och C(n+1,3)-C(n,3) Kombinatorik 6.19 Förenkla C(n+1,2)-C(n,2) och C(n+1,3)-C(n,3) S: Sitter med med uppgift 6.19 a och b i EA och trots att det finns lösningsförslag till a på hemsidan så förstår jag inte. C(n+1,2) - C(n,2)

Läs mer

Introduktion till algoritmer - Lektion 4 Matematikgymnasiet, Läsåret 2014-2015. Lektion 4

Introduktion 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 mer

Kognitionsvetenskap C, HT-04 Mental Rotation

Kognitionsvetenskap C, HT-04 Mental Rotation Umeå Universitet 041025 Kognitionsvetenskap C, HT-04 Mental Rotation Grupp 3: Christina Grahn, dit01cgn@cs.umu.se Dan Kindeborg, di01dkg@cs.umu.se David Linder, c01dlr@cs.umu.se Frida Bergman, dit01fbn@cs.umu.se

Läs mer

ALVINN. Ett autonomt styrsystem. Linköpings Universitet Joacim Wirebrand joawi050 910821-1096 2011-09-19

ALVINN. 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 mer

Branding Att äga sitt varumärke Marknadsföring i Sociala Medier för HRT-branschen del 1 Robin Sörbom 2015

Branding Att äga sitt varumärke Marknadsföring i Sociala Medier för HRT-branschen del 1 Robin Sörbom 2015 Branding Att äga sitt varumärke Marknadsföring i Sociala Medier för HRT-branschen del 1 Robin Sörbom 2015 Marknadsföring har under de senaste 20 åren förändrats radikalt i grunden, så även inom HRTbranschen.

Läs mer

Hi-O. Intelligent teknologi för dörrmiljöer. ASSA ABLOY, the global leader in door opening solutions.

Hi-O. Intelligent teknologi för dörrmiljöer. ASSA ABLOY, the global leader in door opening solutions. Hi-O Intelligent teknologi för dörrmiljöer ASSA ABLOY, the global leader in door opening solutions. 1 Vad är Hi-O? Innehåll Hi-O, Highly intelligent opening, är en standardiserad teknologi som gör att

Läs mer

Data mining. Data mining Skillnaden mellan observationella och experimentella data

Data mining. Data mining Skillnaden mellan observationella och experimentella data Data mining Skillnaden mellan observationella och experimentella data Data mining Metoder för att automatisktupptäcka icke-trivial användbar information i stora datamängder 1 Data mining: (Mot-)exempel

Läs mer

Yrkeshögskolan Novia Utbildningsprogrammet i elektroteknik

Yrkeshögskolan Novia Utbildningsprogrammet i elektroteknik Grunderna i programmeringsteknik 1. Vad är Känna till nämnda programmering, begrepp. Kunna kompilera högnivå språk, och köra program i det i kompilering, kursen använda tolkning, virtuella programmeringsspråket.

Läs mer

Introduktion till programmering D0009E. Föreläsning 5: Fruktbara funktioner

Introduktion till programmering D0009E. Föreläsning 5: Fruktbara funktioner Introduktion till programmering D0009E Föreläsning 5: Fruktbara funktioner 1 Retur-värden Funktioner kan både orsaka en effekt och returnera ett resultat. Hittills har vi ej definierat några egna funktioner

Läs mer

Mot Högre Medvetande

Mot Högre Medvetande Mot Högre Medvetande Introduktion Susanne Jönsson Mångfaldigande av i detta kursmaterial ingående blad - helt eller delvis - samt utnyttjande i undervisningssyfte är förbjudet utan tillstånd av Susanne

Läs mer

3, 6, 9, 12, 15, 18. 1, 2, 4, 8, 16, 32 Nu är stunden inne, då vill vill summera talen i en talföljd

3, 6, 9, 12, 15, 18. 1, 2, 4, 8, 16, 32 Nu är stunden inne, då vill vill summera talen i en talföljd I föreläsning 18 bekantade vi oss med talföljder, till exempel eller 3, 6, 9, 1, 15, 18 1,, 4, 8, 16, 3 Nu är stunden inne, då vill vill summera talen i en talföljd och 3 + 6 + 9 + 1 + 15 + 18 1 + + 4

Läs mer

(2B1560, 6B2911) HT08

(2B1560, 6B2911) HT08 Royal Institute of Technology, KTH, Kista School of Information and Communication Technology, ICT Department of Electronics, Computer and Software, ECS Digital Design, IE1204 (2B1560, 6B2911) HT08 OBS!

Läs mer

DATORINTRODUKTION. Laboration E850-2000 ELEKTRO. UMEÅ UNIVERSITET Tillämpad fysik och elektronik Ulf Holmgren

DATORINTRODUKTION. Laboration E850-2000 ELEKTRO. UMEÅ UNIVERSITET Tillämpad fysik och elektronik Ulf Holmgren UMEÅ UNIVERSITET Tillämpad fysik och elektronik Ulf Holmgren 2000-03-17 specialversion inför kursstart Elektronik och mätteknik 2000 DATORINTRODUKTION Laboration E850-2000 ELEKTRO Personalia: Namn: Kurs:

Läs mer

Lönsamhet i hotell- och restaurangbranschen 1997-2006

Lönsamhet i hotell- och restaurangbranschen 1997-2006 Lönsamhet i hotell- och restaurangbranschen 1997-2006 Branschekonomi och skatter Björn Arnek Januari 2008 Sammanfattning Syftet med följande rapport är att ge en bild av lönsamheten i hotell- respektive

Läs mer

Boken. Kap 2.1-2.4 Kap 11.3

Boken. Kap 2.1-2.4 Kap 11.3 Konceptuell design Boken Kap 2.1-2.4 Kap 11.3 Konceptuell design är helt grundläggande inom interaktionsdesign kan upplevas som abstrakt och svårt att förstå förstås bäst genom att man utforskar och upplever

Läs mer

Predicted Future - att förutsäga aktiekurser med artificiella neuronnät

Predicted Future - att förutsäga aktiekurser med artificiella neuronnät Predicted Future - att förutsäga aktiekurser med artificiella neuronnät Kandidatarbete inom Data- och informationsteknik LINUS FÄRNSTRAND OSCAR SÖDERLUND NIKLAS LÖNNERFORS EMIL BERNERSKOG TOBIAS AXELL

Läs mer

exakt en exponent x som satisfierar ekvationen. Den okända exponent x i ekvationen = kallas logaritm av b i basen a och betecknas x =log

exakt en exponent x som satisfierar ekvationen. Den okända exponent x i ekvationen = kallas logaritm av b i basen a och betecknas x =log LOGARITMER Definition av begreppet logaritm Betrakta ekvationen =. Om a är ett positivt tal skilt från 1 och b >0 då finns det exakt en exponent x som satisfierar ekvationen. Den okända exponent x i ekvationen

Läs mer

Solar cells. 2.0 Inledning. Utrustning som används i detta experiment visas i Fig. 2.1.

Solar cells. 2.0 Inledning. Utrustning som används i detta experiment visas i Fig. 2.1. Solar cells 2.0 Inledning Utrustning som används i detta experiment visas i Fig. 2.1. Figure 2.1 Utrustning som används i experiment E2. Utrustningslista (se Fig. 2.1): A, B: Två solceller C: Svart plastlåda

Läs mer

Vinkelupplösning, exempel hålkameran. Vinkelupplösning När är två punkter upplösta? FAF260. Lars Rippe, Atomfysik/LTH 1. Böjning i en spalt

Vinkelupplösning, exempel hålkameran. Vinkelupplösning När är två punkter upplösta? FAF260. Lars Rippe, Atomfysik/LTH 1. Böjning i en spalt Kursavsnitt Böjning och interferens Böjning i en spalt bsin m m 1,... 8 9 Böjning i en spalt Böjning i cirkulär öppning med diameter D Böjningsminimum då =m Första min: Dsin 1. 10 11 Vinkelupplösning,

Läs mer

Beräkningsmetoder för superellipsens omkrets

Beräkningsmetoder för superellipsens omkrets Beräkningsmetoder för superellipsens omkrets Frågeställning Svar 1. Vi förväntades ta reda på olika metoder för att beräkna en superellips eller en ellips omkrets. o Givet var ellipsens ekvation:. (Källa

Läs mer

Simulering och reglerteknik för kemister

Simulering och reglerteknik för kemister Simulering och reglerteknik för kemister Gå till http://techteach.no/kybsim/index_eng.htm och gå igenom några av följande exempel. http://techteach.no/kybsim/index_eng.htm Följ gärna de beskrivningarna

Läs mer

Excel Övning 1 ELEV: Datorkunskap Sida 1 Niklas Schilke

Excel Övning 1 ELEV: Datorkunskap Sida 1 Niklas Schilke Datorkunskap Sida 1 Niklas Schilke Excel Inledning Microsoft Excel är ett kalkylprogram som ingår i Microsoft Office. Kalkyl betyder här beräkning så vi kan säga att Excel är ett program som används för

Läs mer

Pivottabeller. Del 1. Dan-Rune Hanssen

Pivottabeller. Del 1. Dan-Rune Hanssen Pivottabeller Del 1 Dan-Rune Hanssen Innehållsförteckning Vad använder jag en pivottabell till?... 3 Hur skapar jag en pivottabell?... 4 Gör så här för att skapa en Pivottabell... 4 Beräkning av medellön...

Läs mer

År 2006 hittade jag av en slump boken Rika matematiska problem inspiration

År 2006 hittade jag av en slump boken Rika matematiska problem inspiration Ulrihca Malmberg Att göra rika problem rika Att använda rika problem och utnyttja deras potential är inte helt lätt. Här behandlas några svårigheter och problem som visat sig och som varit utgångspunkt

Läs mer

Implementering - teori och tillämpning inom hälso- och sjukvård

Implementering - teori och tillämpning inom hälso- och sjukvård Implementering - teori och tillämpning inom hälso- och sjukvård Siw Carlfjord Leg sjukgymnast, Med dr IMH, Linköpings universitet There are not two sciences There is only one science and the application

Läs mer

campus.borlänge Förstudie - Beslutsstöd för operativ tågtrafikstyrning

campus.borlänge Förstudie - Beslutsstöd för operativ tågtrafikstyrning campus.borlänge Förstudie - Beslutsstöd för operativ tågtrafikstyrning En rapport från CATD-projektet, januari-2001 1 2 Förstudie Beslutsstöd för operativ tågtrafikstyrning Bakgrund Bland de grundläggande

Läs mer

Ett arbete av Jonas Andreen BIT-programmet våren 2003 Moment 3 Psykologiska institutionen Umeå universitet

Ett arbete av Jonas Andreen BIT-programmet våren 2003 Moment 3 Psykologiska institutionen Umeå universitet Ett arbete av Jonas Andreen BIT-programmet våren 2003 Moment 3 Psykologiska institutionen Umeå universitet Innehållsförteckning Inledning... 1 Metod... 1 Den kognitiva genomgången... 2 Scenariogenomgång...

Läs mer

Ränteberäkning vid reglering av monopolverksamhet

Ränteberäkning vid reglering av monopolverksamhet 1 Jan Bergstrand 2009 12 04 Ränteberäkning vid reglering av monopolverksamhet Bakgrund Energimarknadsinspektionen arbetar f.n. med en utredning om reglering av intäkterna för elnätsföretag som förvaltar

Läs mer

Saknar du en UID riskerar du att försvinna i den globala reapriskonkurrensen. Ditt UID - värde skapas i din kommunikation!

Saknar du en UID riskerar du att försvinna i den globala reapriskonkurrensen. Ditt UID - värde skapas i din kommunikation! Saknar du en UID riskerar du att försvinna i den globala reapriskonkurrensen. Ditt UID - värde skapas i din kommunikation! www.uidfuturemap.se 080609 1 I vilken slags värld vill vi leva och arbeta? Kvaliteter

Läs mer

TENTAMEN PROGRAMMERING I JAVA, 5P SOMMARUNIVERSITETET

TENTAMEN PROGRAMMERING I JAVA, 5P SOMMARUNIVERSITETET UMEÅ UNIVERSITET Datavetenskap 010824 TENTAMEN PROGRAMMERING I JAVA, 5P SOMMARUNIVERSITETET Datum : 010824 Tid : 9-15 Hjälpmedel : Inga Antal uppgifter : 7 Totalpoäng : 40 (halva poängtalet krävs normalt

Läs mer

Partiell Skuggning i solpaneler

Partiell Skuggning i solpaneler Partiell Skuggning i solpaneler Amir Baranzahi Solar Lab Sweden 60222 Norrköping Introduktion Spänningen över en solcell av kristallint kisel är cirka 0,5V (vid belastning) och cirka 0,6V i tomgång. För

Läs mer

Moa Israelsson Forsberg

Moa Israelsson Forsberg Monday Art Ateljébesök hos Moa Israelsson Forsberg Posted on mån 24 Feb 2014 by Eleonora Ånhammar Moa Israelsson Forsberg både bor och arbetar i det lilla samhället Åkers Styckebruk utanför Strängnäs.

Läs mer

Plattform 2010 Ansluta till Skellefteå kommun via VPN

Plattform 2010 Ansluta till Skellefteå kommun via VPN Plattform 2010 Ansluta till Skellefteå kommun via VPN Anslutning till Skellefteå kommun via VPN 1 ger dig möjlighet att komma åt resurser från en bärbar dator (som tillhandahålls av Skellefteå kommun)

Läs mer

1 Den Speciella Relativitetsteorin

1 Den Speciella Relativitetsteorin 1 Den Speciella Relativitetsteorin På tidigare lektioner har vi studerat rotationer i två dimensioner samt hur vi kan beskriva föremål som roterar rent fysikaliskt. Att från detta gå över till den speciella

Läs mer

Utvecklingsm odell och utvecklingsm etod för att skapa god kom m unikation

Utvecklingsm odell och utvecklingsm etod för att skapa god kom m unikation Kurs: Designm etodik, 3 p Delm om ent: Datum : 2 0 0 3-1 2-1 8 Utvecklingsm odell och utvecklingsm etod för att skapa god kom m unikation Nils Järgenstedt [ it3 jani@ituniv.se] Innehållsförteckning INLEDNING...

Läs mer

Liten handledning i Excel och StarOffice Calc i anslutning till Datorövning 1

Liten handledning i Excel och StarOffice Calc i anslutning till Datorövning 1 STOCKHOLMS UNIVERSITET 2004-11-04 MATEMATISK STATISTIK Sannolikhetslära och statistik för lärare Liten handledning i Excel och StarOffice Calc i anslutning till Datorövning 1 Programmet StarOffice Calc

Läs mer

Föreläsning 13. Dynamisk programmering

Föreläsning 13. Dynamisk programmering Föreläsning 13 Dynamisk programmering Föreläsning 13 Dynamisk programmering Fibonacci Myntväxling Floyd-Warshall Kappsäck Handelsresandeproblemet Uppgifter Dynamisk programmering Dynamisk programmering

Läs mer

PROGRAMMERING-Java TENTAMINA

PROGRAMMERING-Java TENTAMINA PROGRAMMERING-Java TENTAMINA Nicolina Månsson 2010-03-17 Tentamensinstruktioner Poängsättning Hela tentamen omfattar 42 poäng. Poäng för varje uppgift står angivet inom parentes före varje uppgift. - För

Läs mer

INNEHÅLL EXCEL 2000 FORTSÄTTNING...

INNEHÅLL EXCEL 2000 FORTSÄTTNING... INNEHÅLL EXCEL 2000 FORTSÄTTNING... 2 LABORATIONSHÄFTETS MÅL...2 DIAGRAM... 2 Ändra färger, mönster, linjer och kantlinjer i diagram... 3 Formatera diagramelement... 3 Formatera delar och perspektiv i

Läs mer

Mångdubbla din försäljning med målsökande marknadsföring

Mångdubbla din försäljning med målsökande marknadsföring Mångdubbla din försäljning med målsökande marknadsföring Av alla besökare i en webbutik är det statistiskt sett bara en liten andel som handlar något. Tänk om du kunde återengagera den stora andelen potentiella

Läs mer

DESIGN FÖR LÄRANDE ETT MULTIMODALT PERSPEKTIV

DESIGN FÖR LÄRANDE ETT MULTIMODALT PERSPEKTIV EN RESUMÉ AV BOKEN DESIGN FÖR LÄRANDE ETT MULTIMODALT PERSPEKTIV AV STAFFAN SELANDER & GUNTHER KRESS Juni 2011 Cecilia Montén Maria Zevenhoven 1 Inledning För att anpassa skolan och undervisningen till

Läs mer

Twittrande marknadsföring

Twittrande marknadsföring Twittrande marknadsföring En essä i digitala distrubtionsformer Ulf Stäke VT 2010 Högskolan Väst Innehållsförteckning Inledning... 3 Twitter... 4 Varför Twitter används till marknadsföring och hur... 4

Läs mer

Kom i gång med trådlösa

Kom i gång med trådlösa 1 Kom i gång med trådlösa nätverk Lite historia För ganska många år sedan började man att koppla samman datorer i ett nätverk med kablar. Detta gör man fortfarande, och kommer även att göra i framtiden.

Läs mer

b) NY KURS (Ange kursnamn, årskurs, önskad läsperiod, schemablocksplacering. Bifoga utkast till kursplan.)

b) NY KURS (Ange kursnamn, årskurs, önskad läsperiod, schemablocksplacering. Bifoga utkast till kursplan.) LINKÖPINGS TEKNISKA HÖGSKOLA Tekniska fakultetskansliet FÖRSLAG TILL PROGRAMNÄMND INFÖR ÅR NÄMND/NÄMNDER: Förslagsställare (Namn, funktion, Inst/Enhet) FÖRSLAGET GÄLLER: a) EXISTERANDE KURS (Ange kurskod

Läs mer

Datorlaboration :: 1 Problembeskrivning ::

Datorlaboration :: 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 mer

Marknadsföring på INTERNET

Marknadsföring på INTERNET 2010-09-28 Marknadsföring på INTERNET Peter Agoston info@peteragoston.se Stort, brusigt och svårt att kontrollera The Opte Project Nätverk av signaler och noder Tänk om man skulle få uppleva detta Verkar

Läs mer

Framtidens Team AB. Seminarium Framtidens ledarskap. endagsseminarium för att få en inblick i framtidens ledarskap. 2009 Framtidens Team

Framtidens Team AB. Seminarium Framtidens ledarskap. endagsseminarium för att få en inblick i framtidens ledarskap. 2009 Framtidens Team Framtidens Team: Seminarium Framtidens ledarskap endagsseminarium för att få en inblick i framtidens ledarskap 2009 Framtidens Team 1 Framtidens ledarskap Vi tror att effektivt, modernt ledarskap kräver

Läs mer

Styrteknik : Programmering med IEC 61131-3. Styrteknik

Styrteknik : Programmering med IEC 61131-3. Styrteknik PLC1B:1 Styrteknik Allmänt om styrsystem (PLC) Grundinstruktioner Introduktion av GX IEC Developer Benämningar Minne SET- och RST-instruktioner PLC1B:2 PLC står för Programmable Logical Controller Kom

Läs mer

8SSJLIW.RPELQHUDEHJUHSSPHGGHILQLWLRQHUS

8SSJLIW.RPELQHUDEHJUHSSPHGGHILQLWLRQHUS Högskolan i Halmstad Institutionen för teknik och naturvetenskap/centrum för datorsystemarkitektur Magnus Jonsson.RUWIDWWDGHO VQLQJVI UVODJWLOORPWHQWDPHQL'DWRUNRPPXQLNDWLRQI U' MDQXDULNO 7LOOnWQDKMlOSPHGHOXW

Läs mer

PDP som redskap för karriärutveckling i utbildning. Ola Tostrup

PDP som redskap för karriärutveckling i utbildning. Ola Tostrup PDP som redskap för karriärutveckling i utbildning Ola Tostrup - 16, 4, 47, 3 Dagens föreställning Vad innebär PDP och varför PDP Hur vi designat det inom utbildningen Kompetensbegreppet och vilka kompetenser

Läs mer

Provlektion till Uppdrag: Matte 9

Provlektion till Uppdrag: Matte 9 Provlektion till Uppdrag: Matte 9 Linjära funktioner En resa i biljettdjungeln I läromedlet Uppdrag: Matte arbetar eleverna med två spår, Uppdrag eller Räkna på. Här kommer ett prov på en lektion där uppdraget

Läs mer

Microsoft Office Excel, Grundkurs 2. Funktioner

Microsoft Office Excel, Grundkurs 2. Funktioner Dokumentation - Kursmaterial Innehåll 2. Funktioner Övningar Kursövning E2.xlsx Egna Övningar E2E.xlsx - OnePRO IT, Bengt Nordström - 1 - www.onepro.se 2.1 Funktioner Funktioner i Excel är ett samlingsbegrepp

Läs mer

Storyline och matematik

Storyline och matematik Storyline och matematik Av Eva Marsh och Ylva Lundin I ett storylinearbete om energi fick eleverna i årskurs åtta vid många tillfällen diskutera och lösa matematiska problem som karaktärerna ställdes inför.

Läs mer

Måldriven, informationscentrerad webbdesign

Måldriven, informationscentrerad webbdesign Måldriven, informationscentrerad webbdesign Linus Forsell Digitala Distributionsformer vid Högskolan Väst, Trollhättan, Sverige linus.forsell@student.hv.se 1 Abstrakt I den här essän kommer måldriven och

Läs mer

Lutande torn och kluriga konster!

Lutande torn och kluriga konster! Lutande torn och kluriga konster! Aktiviteter för barn under Vetenskapsfestivalens skolprogram 2001 Innehåll 1 Bygga lutande torn som inte faller 2 2 Om konsten att vinna betingat godis i spel 5 3 Den

Läs mer

X-Route Användarmanual Innehåll

X-Route Användarmanual Innehåll X-Route Användarmanual Innehåll Innehåll och Produktspecifikation... 2 X-Route Elektronisk Körjournal Produktspecifikation... 2 Kom igång med X-Route Elektronisk Körjournal... 3 För in Mjukvarunyckel...

Läs mer

Fö relä sning 1, Kö system 2015

Fö relä sning 1, Kö system 2015 Fö relä sning 1, Kö system 2015 Här följer en kort sammanfattning av det viktigaste i Föreläsning 1. Kolla kursens hemsida minst en gång per vecka. Övningar kommer att läggas ut där, skriv ut dem och ha

Läs mer

MA1201 Matematik A Mål som deltagarna skall ha uppnått efter avslutad kurs

MA1201 Matematik A Mål som deltagarna skall ha uppnått efter avslutad kurs MA1201 Matematik A Mål som deltagarna skall ha uppnått efter avslutad kurs Tolkning Deltagaren skall kunna formulera, analysera och lösa matematiska problem av betydelse för vardagsliv och vald studieinriktning

Läs mer

Denial of Services attacker. en översikt

Denial of Services attacker. en översikt Denial of Services attacker en översikt Tobias Rogell Säkra datorsysten, HT-04 Vad är en DOS attack En Denail of Service attack går ut på att en attackerare vill hindra en webbserver, router eller någon

Läs mer

Problemlösning. Problemlösningsprocessen

Problemlösning. Problemlösningsprocessen Problemlösning Vi ägnar oss åt problemlösning flera gånger per dag. Ibland är vi omedvetna om att vi gör det, andra gånger är vi starkt koncentrerade på att ta itu med ett problem. Att välja kaffesort,

Läs mer

Poler och nollställen, motkoppling och loopstabilitet. Skrivet av: Hans Beijner 2003-07-27

Poler och nollställen, motkoppling och loopstabilitet. Skrivet av: Hans Beijner 2003-07-27 Poler och nollställen, motkoppling och loopstabilitet Skrivet av: Hans Beijner 003-07-7 Inledning All text i detta dokument är skyddad enligt lagen om Copyright och får ej användas, kopieras eller citeras

Läs mer

Föreläsning 13. Rekursion

Föreläsning 13. Rekursion Föreläsning 13 Rekursion Rekursion En rekursiv metod är en metod som anropar sig själv. Rekursion används som alternativ till iteration. Det finns programspråk som stödjer - enbart iteration (FORTRAN)

Läs mer

Riktlinjer om behandling av anknutna företag, inklusive ägarintressen

Riktlinjer om behandling av anknutna företag, inklusive ägarintressen EIOPA-BoS-14/170 SV Riktlinjer om behandling av anknutna företag, inklusive ägarintressen EIOPA Westhafen Tower, Westhafenplatz 1-60327 Frankfurt Germany - Tel. + 49 69-951119-20; Fax. + 49 69-951119-19;

Läs mer

1 Duala problem vid linjär optimering

1 Duala problem vid linjär optimering Krister Svanberg, april 2012 1 Duala problem vid linjär optimering Detta kapitel handlar om två centrala teoretiska resultat för LP, nämligen dualitetssatsen och komplementaritetssatsen. Först måste vi

Läs mer

Innehållsförteckning. Inledning Sid. 3 Access till Autochartist. Autochartist gränssnitt Sid. 4 Sökruta

Innehållsförteckning. Inledning Sid. 3 Access till Autochartist. Autochartist gränssnitt Sid. 4 Sökruta Användarhandbok Innehållsförteckning Inledning Sid. 3 Access till Autochartist Autochartist gränssnitt Sid. 4 Sökruta Autochartist gränssnitt (fortsättning) Sid. 5 Resultatruta Kompletta diagram Resultatruta

Läs mer

Kanban. Marcus Hammarberg. torsdag den 15 september 2011 (v.)

Kanban. Marcus Hammarberg. torsdag den 15 september 2011 (v.) Kanban Marcus Hammarberg Kanban? Vad sjutton är Kanban för något? Jag brukar beställa yakiniku... http://blog.huddle.net/wp-content/uploads/2009/08/team-building-exercises-improving-teamwork.jpg Kanban

Läs mer

UPPDATERA OCH FÅ ETT SNABBARE SYSTEM.

UPPDATERA OCH FÅ ETT SNABBARE SYSTEM. Vad är nytt i Easy Planning 7.25 Denna uppdatering innehåller ett flertal stora förbättringar. Den största förbättringen är att mängden data som skickas över nätverket kraftigt har minskats mha SQL frågor.

Läs mer

Att ta fram en tidsplan

Att ta fram en tidsplan Att ta fram en tidsplan KAMP Företagsutveckling Tidplaner GANTT-schema När det gäller att ta fram tidsplaner för ett projekt är en av de vanligaste och också mest användbara metoderna det så kallade GANTT-schemat.

Läs mer

Boksammanfattning. Jag leder hjärna Varför det blir som det blir och hur det blir som du vill. Om författaren

Boksammanfattning. Jag leder hjärna Varför det blir som det blir och hur det blir som du vill. Om författaren Boksammanfattning Jag leder hjärna Varför det blir som det blir och hur det blir som du vill Händer det att saker och ting inte blir som du tänkt dig? Att personer i din omgivning inte alls reagerar som

Läs mer

Kopplingar via datalänk från Winbas till Excel samt Pivottabell 1 (13)

Kopplingar via datalänk från Winbas till Excel samt Pivottabell 1 (13) Kopplingar via datalänk från Winbas till Excel samt Pivottabell 1 (13) Skapa datakälla Första gången man gör en koppling till databasen måste man skapa en ny datakälla, denna källa kan sedan användas till

Läs mer

Fältnamn /Rubrik Fältnamn /Rubrik Fältnamn /Rubrik Fältnamn /Rubrik Data Data Data Data Data Data Data Data

Fältnamn /Rubrik Fältnamn /Rubrik Fältnamn /Rubrik Fältnamn /Rubrik Data Data Data Data Data Data Data Data Datahantering i Excel Grundbegrepp I alla typer av databaser finns alltid en tabell där informationen i databasen fysiskt finns lagrad. Tabellen har samma enkla uppbyggnad som en tabell i ordbehandlingsprogrammet

Läs mer

Verksamhetsplan. Rapphönan 14/15

Verksamhetsplan. Rapphönan 14/15 Örkelljunga Kommun Utbildningsförvaltningen Förskoleverksamheten Verksamhetsplan för förskolan Rapphönan 14/15 1 Innehållsförteckning Kommunens vision 3 Verksamhetsidé 4 Vision 5 Förskolans uppdrag 6 Våra

Läs mer

Introduktion till molntjänster Tekniken bakom molntjänster och legala utmaningar

Introduktion till molntjänster Tekniken bakom molntjänster och legala utmaningar Introduktion till molntjänster Tekniken bakom molntjänster och legala utmaningar 19 november 2012 - Erica Wiking Häger och Mikael Moreira Innehåll 1. Vad är molntjänster? 2. Legala utmaningar 3. EU:s förslag

Läs mer

Neurosensomotorik och kognition. Ögon- och hållningstränings påverkan på perception och koncentration

Neurosensomotorik och kognition. Ögon- och hållningstränings påverkan på perception och koncentration Neurosensomotorik och kognition Ögon- och hållningstränings påverkan på perception och koncentration Kognitiv neurovetenskap Är läran om hur hjärnan möjliggör psykologiska fenomen eller mentala processer,

Läs mer

Min syn på aktiviteter innan PU-processen i SME företag i förhållande till stora företag

Min syn på aktiviteter innan PU-processen i SME företag i förhållande till stora företag Min syn på aktiviteter innan PU-processen i SME företag i förhållande till stora företag Av Tobias Lindström Innehållsförteckning Introduktion... 1 Bakgrund... 1 Inledning... 1 Del två: Min syn på aktiviteter

Läs mer

!!!!!!!!!!!!!!!!!!!!!!!!!!!

!!!!!!!!!!!!!!!!!!!!!!!!!!! Extended DISC Extended DISC är ett av de modernaste och mest flexibla verktyget på marknaden. Med Extended DISC kan du arbeta med många områden: " Beteende och kommunikation " Beteendekompetenser för kultur,

Läs mer

Säkerhetslager beräknat från antal dagars täcktid

Säkerhetslager beräknat från antal dagars täcktid Handbok i materialstyrning - Del E Bestämning av säkerhetslager E 13 Säkerhetslager beräknat från antal dagars täcktid All materialstyrning är förknippad med osäkerheter av olika slag. Det kan gälla osäkerheter

Läs mer

Studentsynpunkter? Vad menas med IT i organisationer. Moderna affärsstrategier. Beskriva organisationer ur olika perspektiv.

Studentsynpunkter? Vad menas med IT i organisationer. Moderna affärsstrategier. Beskriva organisationer ur olika perspektiv. Moderna affärsstrategier Beskriva organisationer ur olika perspektiv F2 Vad menas med IT i organisationer IT i organisation Vad är en organisation? Vad menas med perspektivet IT i organisationer? Studentsynpunkter?

Läs mer

Vad är SEO? Topp 10 SEO handlar om att förenkla för sökmotorerna att förstå vad din webbplats handlar om

Vad är SEO? Topp 10 SEO handlar om att förenkla för sökmotorerna att förstå vad din webbplats handlar om SEO en stilguide Vad är SEO? Har du sprungit på begreppet SEO? Kanske har någon försökt förklara vad det är utan att lyckas fullt ut. Du har förstått att din webbplats behöver SEO för att bli bra, men

Läs mer

sociala medier marknadsföring och kommunikation i En av Sveriges mest lästa böcker om sociala medier! Lena Leigert Andra upplagan

sociala medier marknadsföring och kommunikation i En av Sveriges mest lästa böcker om sociala medier! Lena Leigert Andra upplagan En av Sveriges mest lästa böcker om sociala medier! Andra upplagan marknadsföring och kommunikation i sociala medier Lena Leigert Det här är ett väldigt viktigt område, inte minst för de som driver eget.

Läs mer

Motivation och drivkrafter

Motivation och drivkrafter Motivation och drivkrafter augusti 2015 1 Maslow, A. H. (1943) A theory of human motivation. Psychological Review, Vol 50(4), July, 370-396. http://dx.doi.org/10.1037/h0054346 2 1 Motivationsteorier -

Läs mer

Pressinformation Nyheter i korthet Edgecam 2013R2

Pressinformation Nyheter i korthet Edgecam 2013R2 Pressinformation Nyheter i korthet Edgecam 2013R2 Pressinfo om nyheter i korthet i Edgecam 2013R2 1 av 6 Edgecam fortsätter utvecklas med fokus på nytta för användaren. Edgecam öppnar en helt ny portal

Läs mer

David A, Pär E, Magnus F, Niklas G, Christian L 2011-02-17 CHALMERS INLÄMNING3. IKOT Grupp B4

David A, Pär E, Magnus F, Niklas G, Christian L 2011-02-17 CHALMERS INLÄMNING3. IKOT Grupp B4 David A, Pär E, Magnus F, Niklas G, Christian L 2011-02-17 CHALMERS INLÄMNING3 IKOT Grupp B4 Innehållsförteckning Kartläggning av användarens röst... 3 Marknadssegment... 3 Kundkedja... 4 Kundundersökning...

Läs mer

Engineering Bases viktigaste egenskaper

Engineering Bases viktigaste egenskaper Engineering Bases viktigaste egenskaper Med Engineering Base intåg på den Svenska marknaden är det många företag som inom de närmaste åren kommer att se över strategin kring sitt CAD system och utvecklingen

Läs mer

Innovation och Entreprenörskap på Landsbygden

Innovation och Entreprenörskap på Landsbygden CENTER FOR INNOVATION, RESEARCH AND COMPETENCE IN THE LEARNING ECONOMY Innovation och Entreprenörskap på Landsbygden Martin Andersson Lund University and Blekinge Institute of Technology (BTH) martin.andersson@circle.lu.se

Läs mer