SPEECH RECOGNITION USING ARTIFICIAL NEURAL NETWORKS. Linköpings Universitet 729G43 Artificiell Intelligens
|
|
- Jonathan Gustafsson
- för 6 år sedan
- Visningar:
Transkript
1 SPEECH RECOGNITION USING ARTIFICIAL NEURAL NETWORKS Oscar Lundblad Linköpings Universitet 729G43 Artificiell Intelligens
2 Innehållsförteckning Introduktion 3 Rapportens syfte och upplägg 3 Avgränsningar 3 Vad är tal och hur tar maskinen in tal 3 Om tal 4 Från tal till ingåenda data 4 NEURALA NÄTVERK 5 ANN (Artifical Neural Networks) 6 RNN (Recurrent Neural Networks) 9 LTSM (Long Term Short Memory ) 9 RNN och LTSM i Speech Recognition 11 Litteraturdiskussion 13 Sammanfattning 13 Citerade arbeten 15 2
3 Introduktion I de flesta mobiler och datorer idag är det möjligt att tala in sms eller diktera in en text. Detta är möjligt genom att dessa maskiner innehåller programvara som använder en process, med flera steg, som kallas Speech Recognition. De intelligenta maskinerna kan med hjälp av denna process tolka tal och returnera talet i skrift. Speech Recognition har många olika teknologier bakom sig, men en av dem besitter förmågan att lära sig själv och kan mäta sig med personer som transkriberar professionellt. Denna teknologin kallas Artificial Neural Networks och är baserat på den mänskliga hjärnans neurologiska nätverk. I denna rapport utforskas Speech Recognition och teknologin Artificial Neural Network som gör det möjligt för maskiner att tolka och skriva ut mänskligt tal. Rapportens syfte och upplägg Syftet med denna rapport är att utforska den teknologin som ligger bakom Speech Recognition,. Genom att kortfattat utforska vad tal är och senare förklara Artificial Neural Networks som har en central roll inom processen. Olika typer av Artificial Neural Networks kommer presenteras såsom Recurrent Neural Networks och Long Term Short Memory. Därefter presenteras hur dessa nätverk fungerar inom Speech Recognition. Avslutningsvis kommer rapportens innehåll och använd litteratur diskuteras, även sammanfattas rapporten i korthet. Avgränsningar I min sökande efter källor har jag upptäckt att det finns otroligt många olika sätt att gå tillväga på, för att få maskiner att tolka, skriva ut och agera på mänskligt tal. Däribland finns fält som Natural Language Processing och Natural Language Understanding, även mer kända modeller såsom Markov modellen och Hidden Markov modellen (även kallade HMMs). HMMs har i många fall kombinerats med Artificial Neural Networks dock så handlar denna rapporten främst om Artificial Neural Networks och hur de fungerar inom Speech recognition. Vad är tal och hur tar maskinen in tal För att kunna förklara hur Speech recognition fungerar är det viktigt att nämna hur talet är uppbyggt och hur det fungerar för människor. Det är även centralt att få förståelse för hur det mänskliga talet digitaliseras för att göra det möjligt att tolkas av intelligenta maskiner. 3
4 Om tal Tal består dels av meningar och ord men dessa består av mindre ljudenheter. Dessa ljudenheter är kända som fonem och de kan antingen ta formen som konsonanter eller vokaler. Fonemer är en samling av ljudenheter som alla har ett distinkt ljud som är unikt för just den fonemen. Tillsammans utgör fonem de ord och meningar vi talar. Dessa ljudenheter är kopplade till ett alfabet som kallas det fonetiska alfabetet. De ord som finns i lexikon brukar ha en fonetiskt översättning så det är möjligt att uttala det korrekt med hjälp av ljudenheterna. Ett exempel ett sådant är [hɛj] för uttalet av ordet hej, dessa tre fonem skapar ljudet av ordet hej. (Roach, 2009) Från tal till ingåenda data Fonem måste omvandlas från ljudenheter människor som förstår, till ljudenheter som kan tolkas av intelligenta maskiner. Detta görs genom att ljudenheterna digitaliseras till digital data, denna process sker när mikrofonen tar upp ljud och en A/D omvandlare konverterar ljudet till digital data innehållande ljudenheternas frekvens över den tid det uttalades. Spektrogram är ett vanligt sätt att visualisera detta, olika spektrogram ser olika ut när olika fonem uttalas. Spektrogram är grafer som representerar ljudenheterna genom att inkludera frekvens på y-axeln och tid på x-axeln. se skillnad i figur 1 och figur 2 (Mannel, 2008) Figur 1: Spektrogram från fonemet /i:/ 4
5 Figur 2: Spektrogram som representerar fonemet /o:/ Genom att studera dessa två olika spektrogram, i figur 1 och figur 2, ser vi att det finns skillnader. Dessa skillnader ger möjlighet till att skilja spektrogram åt och koppla dem till ett specifika fonem. Detta är en vanlig process när ljud ska omvandlas till digital data som senare kan bearbetas av olika processer. (Hosom, Cole, & Fanty, 1999) NEURALA NÄTVERK Den biologiska hjärnan har en struktur med neuroner som är kopplade till varandra, neuronerna överför kontinuerligt data till och från varandra genom kemiska eller elektriska signaler. Dessa miljarder neuroner är upphov till allt från minne, operationer och bearbetning till tankar. Artificella neurala nätverk är som många andra delar av artificiell intelligens, inspirerad av hur den mänskliga intelligensen ser ut, mer specifikt av strukturen och prestandan hos de biologiska neuronerna. (Bayya, 2006, s. 15) Artificiella Neurala Nätverk är ett relativt nytt verktyg inom Speech Recognition men har nyligen visat sig vara effektivt till att tackla de problem som existerar inom fältet (Gibiansky, 2014). I detta avsnittet utforskas de typer av Artificella Neurala Nätverk som är vanligast att använda vid Speech Recognition. 5
6 ANN (Artifical Neural Networks) Det grundläggande Artificiella Neurala nätverket kallas ANN, som det hädanefter kommer att benämnas i denna rapport. Det är även denna typen av nätverk som är grunden för de andra typerna som presenteras i detta avsnittet. Ett ANN är, som tidigare nämnt, baserat på de biologiska neuronerna samt deras struktur. Precis som biologiska systemet består ANN av neuroner, kallade noder i ANN. Dessa noder delas in i tre olika typer av lager, varav det första är input eller ingående data, andra typen består av hidden layers eller gömda lager, tredje och sista typen är output eller utgående data. (Priddy & Keller, 2005, ss. 3,4) En nod kan se annorlunda ut beroende på vilket lager den tillhör, även kan de differera beroende på nätverkets arkitektur och syfte. Såsom biologiska neuroner, tar noder ingående data och ger utgående data. Denna koppling mellan noder kallas weight och bär på ett värde, oftast betecknas dessa med w. En nod kan även ha en så kallad bias, som tillför ett värde till summan av de övriga värden som förses av nodens ingående data. Nodens bias bestäms ofta av det data set som används för att träna upp ett ANN. Bias kallas även ibland threshold eftersom den bestämmer hur pass hög summan av weights skall vara för att noden skall föra vidare information genom utgående data. Denna utgående data, kan bero på vilken typ av överföringsfunktion som noden aktiverar givet sin ingående data. (Priddy & Keller, 2005) Det finns många olika sådana funktioner, vilken som används beror ofta på vilken uppgift det ANN har eftersom olika funktioner passar olika bra till olika ändamål. En vanlig överföringsfunktion kallas The logistic sigmoid function, vilket formuleras som följande: Figur 3: The logistic sigmoid function (Priddy & Keller, 2005, s. 4) Figur 3 visar hur output (utgående data) formuleras med hjälp av The logistic sigmoid function. I denna funktionen ser man " # som nodens bias, $ % den ingående data noden fick och " % weights mellan noden och ingående data. (Priddy & Keller, 2005) 6
7 Figur 4: En nods output (utgående data), y, i ekvationsform. I figur 4 visas ett mer generellt sätt att skriva nodens utgående data i ekvationsform. Y är i denna figuren nodens utgående data som är ett resultat av funktionen g. Funktionen g tar in weights av de ingående data som noden fått in, även adderas nodens bias. Figur 5: En nod med weighted mellan noden och ingående data (w) och en överföringsfunktion (f()) som genererar en utgående data (z) Figur 5 föreställer en nod med flera ingående data, varav $ # förser noden i figuren med bias. Dessa weights från ingående data summeras och används sedan i nodens överföringsfunktion som returnerar utgående data. (Priddy & Keller, 2005, ss. 4,5) Ensamma noder är inte användbara inom Speech Recognition som ensamma enheter utan måste vara sammankopplade i ett ANN. Den vanligaste typ av ANN kallas The Feedforward Neural Network. Flödet av data i detta nätverk sker från vänster till höger och flödet åker alltid samma håll, framåt, därav nätverkets namn. Det vill säga att noder i nätverket får sin ingående data från bakomliggande noder och matar sin utgående data i ett flöde till noder 7
8 främre fram i nätverket. Som tidigare nämnt består ett ANN av tre olika lager noder, dessa är inputlagret, gömda lagret och det avslutande outputlagret. Figur 6: The Feedforward Neural Network. Figur 6 visar ett typiskt Feedforward Neural Network, där flödet av information går från vänster till höger, från ingående data till utgående data. Gemensamt för alla ANN är att de alla har ett inputlager och ett outputlager. Data som skall bearbetas tas in via inputlagret och returneras via outputlagret. Gömda lagret av noder sköter all typ av bearbetning av den data som inputlagret har försett dem med. Det gömda lagret kan bestå av flera lager, såsom visat i Figur 6. (Priddy & Keller, 2005) Det som gör ANN så pass unika och värdefulla inom Artificiell Intelligens och Speech Recognition är att det har förmågan att lära sig och bearbeta data på ett sådant sätt att det inte krävs någon direkt programmering. Detta sker genom att anpassa de weights mellan de anslutna noderna i nätverket, det finns flera olika tillväga sätt att lära ett ANN men i grunden är det dessa weights som förändras. (Priddy & Keller, 2005) Hur man tränar in Speech Recognition diskuteras under rubriken Neurala Nätverk i Speech Recognition senare i denna rapport. 8
9 RNN (Recurrent Neural Networks) Recurrent Neural Networks, RNNs, är en annan typ av ANN. Dessa skiljer sig från The Feedforward Neural Network på det sättet att flödet av data inte längre endast rör sig framåt i nätverket. Istället kan information återkopplas inom nätverket, vid noder inom gömda lagret. Detta innebär att noder kan återkalla minne av vad som skedde under förra aktiveringen. Figur 7 visar hur noden kan återse det tidigare steget i bearbetningen. Figur 7: En enkel representation av ett RNN. I figur 7 är t den tidpunkt som bearbetningen sker, i figuren ser vi att vid tidpunkt t i gömda lagret återkallar information från en nod i t 1, det vill säga till steget innan nuvarande steg. (Mikolov, Karafiat, Burget, Cernock ˇ y, & Khudanpur, 2010) LTSM (Long Term Short Memory ) Long Term Short Memory, LTSMs, är en speciell variant av RNN. Denna strukturen på ANN föreslås ett sorts block istället för den traditionella noden, kallad memory block. Denna typ av nod skiljer sig genom att vara en del av ett mindre system, därav namnet memory block. Dessa existerar i det gömda lagret. Ett sådant memory block visualiseras i figur 8. Som figuren visar finns det flera olika portar och en central nod. (Sak, Senior, & Beaufays, 2014) 9
10 Figur 8: Ett memory block inom LTSM i RNN. Dessa extra portar tillåter en cirkulation av information inom ett memory block. Input gate kontrollerar flödet till noden medan output gate kontrollerar flödet ut ur noden. Detta innebär att noden kan spara information från tidpunkt t 1 och återkalla dem vid tidpunkt t. Den tredje och sista porten inom ett memory block kallas Forget gate och möjliggör att noden kan återställa sitt minne eller glömma information. Eftersom dessa memory blocks existerar i ett RNN, inom det gömda lagret, innebär det att det blocken är alla anslutna till varandra och kan på det sättet skapa ett flöde av information mellan memory blocks. (Sak, Senior, & Beaufays, 2014) Ekvationerna som implementeras i LTSM presenteras i figur 9. Figur 9: Algoritmerna kring varje nod i ett memory block 10
11 & ', ( ', h ', + ',, ', är i denna implementation, input gate, forget gate, hidden vector, cell activation och sist output gate. -. och - / representerar de weights mellan ingående data, x, och gömda lagret, h. 0 är bias. (Graves, Mohamed, & Hinton, 2013) Beroende på de värden som de olika porterna får, sker olika saker inom memory blocks. Memory block glömmer värden om värdet av input gate, & ' är högt och värdet av forget gate, ( ' är lågt. Detta innebär också om ( ' = 0, återställs minnet helt och hållet. (Gibiansky, 2014) RNN och LTSM i Speech Recognition Mycket av världen består av sekvenser och tal och språk är inget undantag. Tidigare i denna rapport presenterades fonem och spektrogram. En sekvens fonem eller spektrogram kan utgöra ett visst ord eller mening. I inom Speech Recognition ANN är det vanligast att ta in ingående data i form av sekvenser, och att nätverket lär sig ordning på dessa sekvenser för att kunna returnera något användbart. Inom Speech recognition är det vanligast att se att RNN används och inte det The Feedforward Neural Network. Detta för att denna typen av ANN har en begränsning gällande längden på de meningar och kontext den får in. Detta betyder att när ett The Feedforward Neural Network bearbetar ett ord, kan den endast återkalla de fem till tio av de tidigare orden som bearbetas och förlorar därmed kontexten hur orden hänger ihop. I ett RNN, som tidigare förklarat, kan information återkopplas i nätverket under en längre tid och göra det möjligt för noder att komma ihåg längre sekvenser. Detta ger större fördelar inom Speech recognition då nätverket kan återkalla mer ord och meningar när ett ord bearbetas i nätverket. (Mikolov, Karafiat, Burget, Cernock ˇ y, & Khudanpur, 2010) Trots RNNs framgång inom Speech recognition är nätverket mindre lyckat på att behålla kontexten från en längre input. LTSM i RNN tillåter ett nätverket att behålla kontext betydligt längre och har visat många fördelar över traditionella RNN, speciellt inom kontextkänsliga språk. (Sak, Senior, & Beaufays, 2014) Kontext spelar en väldigt stor roll inom Speech Recognition. Eftersom de ANN skall kunna kolla på de tidigare orden som det bearbetat och kunna mer korrekt välja det ordet som skall följa. Till exempel följer ordet är väldigt ofta ordet du i det svenska språket. Samma gäller på en djupare nivå då ett ANN bearbetar fonem, som ord består av, i spektrogram. Ett fonem följer vanligtvis ett annat, något som ett ANN lär sig under träning. Detta gör det möjligt för nätverket att förutse ett kommande fonem. Det är här LTSM och RNN visar 11
12 framfötterna med användning genom att ta in tidigare bearbetad kontext. (Graves, Mohamed, & Hinton, 2013) Som tidigare nämnt kan träning av ett nätverk ske på många olika sätt. I regel ger man nätverket ett träningsset med data som visar hur utgående data skall se ut, som nätverket övar på. I Speech Recognition gör man detta ofta genom att skapa en acoustic model, en modell som representerar förhållandet mellan en ljudsingal, i många fall i form av ett spektrogram, och ett fonem. Denna modellen visar hur en sekvens ljud kan konverteras till bokstäver för nätverket. (Gibiansky, 2014) Alex Graves, Abdel-rahman Mohamed och Geoffrey Hinton presenterar sin arkitektur på sitt RNN i sin rapport Speech Recognition with Deep Recurrent Neural Networks. Given en sekvens som input, som kallas x, beräknas en sekvens inom det gömda lagret för att sedan returnera en sekvens som utgående data. Figur 10: Alex graves et al. Algoritmer i den gömda lagret, h, som returnerar utgående data, y Första algoritmen, som presenteras i figur 10, beräknar sekvensen, h ',inom det gömda lagret. -. och - / representerar de weights mellan input, x, och gömda lagret, h. 0. är nodens bias, h '34 är den sekvens som beräknades i förra tidpunkten och H är The logistic sigmoid function, som tidigare definierats i denna rapport. I andra algoritmen är 5 ' utgående data vid tidpunkt t. -.6 är weights mellan gömda lagret och utgående data. h ' är nuvarande sekvens och 0 6 bias. (Graves, Mohamed, & Hinton, 2013) Det handlar alltså om att omvandla en viss typ av sekvens till en annan och att förutse vilken sekvens som kan till att komma näst. I Speech Recognition omvandlas sekvenser av ljud till en sekvens av bokstäver, detta sker genom att man använder den tidigare nämnda acoustic model och att nätverket lärt sig förutse vilken fonem eller ord som kan komma efter de tidigare analyserade orden eller fonemen som passerat nätverket. Nätverket omvandlar då 12
13 ljudsekvenser till ord i text, efter lärt sig att en viss sekvens av ljud innebär ett visst ord i text (Gibiansky, 2014). Litteraturdiskussion Litteraturen som använts i denna rapport har för mesta dels varit akademiska rapporter eller böcker. De böcker som använts har givit grunden för att förstå ANN och senare de akademiska rapporterna. Detta har givit en bra översikt hur ANN fungerar och hur varje rapport har anpassat ANNs för deras specifika frågeställning eller mål. En mindre akademisk källa har använts, detta är Andrew Gibiansky, då denne förmedlade en bra översikt på de mer avancerade praktikerna som användes i rapporterna. I de akademiska rapporter som använts som källa i denna rapport har de i grunden använt ett RNN men modifierat och optimerat nätverket med egna metoder, därför valdes att presentera en av de rapporters lösning att se närmare på. Jag har fått upp ögon för ANN, något som jag tidigare bara hade en sorts arkitektur. I min efterforskning har jag upptäckt RNN och LTSM samt deras fördelar och egenskaper, speciellt intressant tycker jag det är att de har uppkommit från varandra när den föregångaren visar svagheter. Såsom med att kunna återkalla längre sekvenser, då RNN är bättre än grundläggande ANN och LTSM inkluderat i ett RNN är ännu bättre än endast RNN. Gällande Speech recognition ser jag att användningsområdena är många. Att snabbt kunna konvertera tal till korrekt text innebär en möjlighet att kompensera texter utan att använda något annat verktyg än rösten. I många av de rapporter som läst, bland annat achieving human parity in conversational speech recognition av Xiong et al, hävdar att de uppnåt mänsklig förmåga att transkribera tal, både i snabbhet och korrekthet. Jag anser att ANNs är det bättre valet när det gäller att uppnå Speech Recognition eftersom ANNs har visat gång på gång att det är mer korrekt i sina transkriptioner. Jag ser detta som en möjlighet att använda tekniken för att logga offentliga och viktiga händelser. Såsom en rättegång där det som sägs under rättegången viktigt att loggas och föras i registret. Jag ser också möjligheter till översättning eftersom det är vanligt att översätta från text till text. Att då smidigt kunna diktera in text för att bli översatt och sedan upprepat via talsyntes. Sammanfattning I denna rapport har Artifical Neural networks, ANN, utforskats och hur de fungerar inom Speech Recognition. I ANN finns en nod som tar inp och returnerar utgående data som förs 13
14 vidare till andra noder. Noderna utgör tillsammans tre olika typ av lager, varav det första är input, andra är gömda lagret och tredje och sista lagret är utgående data. Det gömda lagret sköter bearbetningen av data. De olika typerna av ANN har också presenterats i denna rapport. Det finns ett grundläggande ANN som har ett informationsflöde som endast rör sig åt ett håll, från ingående data till utgående data, ingående data till ANNs är sekvenser. Ett Recurrent Neural Network, RNN, är uppbyggt på samma sätt som ett grundläggande AAN men tillåter informationflödet att röra sig fritt bland noderna i det gömda lagret. Detta gör att RNNs har förmågan att bättre återkalla minne på vad som skedde i de tidigare stegen i nätverket än grundläggande ANNs. För Speech recogniton innebär detta att nätverket kan förutse kommande fonem baserat på föregående fonem. För att ytterligare förbättra RNN kan memory blocks introduceras i det gömda lagret. Dessa har möjlighet att låta informationen cirkulera inom blocken med hjälp av input, output och forget gates. I Speech Recognition omvandlas sekvenser av ljud till en sekvens av bokstäver. För att ett ANN skall kunna lära sig själv och fungera korrekt, tränas ofta en acoustic model upp för att representera förhållandet mellan ljud och fonem. Med hjälp av denna modellen kan nätverket konvertera ljud till bokstäver, däremot måste nätverket tränas först. Detta görs med en mata in ett data set som nätverket får träna på. Detta data set kan till exempel visa hur fonem ser ut i digitaliserade format såsom spektrogram och koppla en viss sekvens fonem till ett ord i textformat. Teknologin kan användas för att snabbt och enkelt mata in text med rösten när något annat verktyg inte är tillgängligt, detta är också mycket smidigare. Förslagsvis i offentliga möten som skall loggas. 14
15 Citerade arbeten Bayya, Y. (2006). Artificial neural networks. New Delhi: Prentice Hall of India Private Limited. Gibiansky, A. (den 23 April 2014). Andrew Gibiansky. Hämtat från Andrew Gibiansky : Math -> Code: den 3 Januari 2017 Hosom, J.-P., Cole, R., & Fanty, M. (1999). Speech Recognition Using Neural Networks at the Center for Spoken Language Understanding. Oregon Graduate Institute of Science and Technology, Center for Spoken Language Understanding (cslu ). Oregon: Oregon Graduate Institute of Science and Technology. Mannel, R. (den - December 2008). Speech Spectra and Spectrograms. Hämtat från Macquarie Univeristy: den 2 Januari 2017 Priddy, K. L., & Keller, P. E. (2005). Artificial neural networks: an introduction. Washington: The International Society for Optical Engineering. Roach, P. (2009). English Phonetics and Phonology: A pratical course (Vol. Fjärde upplagan). Cambridge: Cambridge University Press. 15
Neurala nätverk och språkigenkänning. Henrik Linnarsson. Linköping University
Neurala nätverk och språk Henli807!1 Neurala nätverk och språkigenkänning Henrik Linnarsson Linköping University Neurala nätverk och språk Henli807!2 RNN, LSTM och språkigenkänning Inledning Idag är språkigenkänning
Läs merModeller och simulering av språkprocessning
Modeller och simulering av språkprocessning Seriell processmodell + parallell processmodell Parallell modell med 2-vägsförbindelser Artificiellt neuralt nätverk (ANN) Interaktiv aktiverings-modell (IAM)
Läs mer729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
Läs merVad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar
1 Agenda Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 2 Nuvarande AI Funktioner en grov Analogi Rekommendation,
Läs merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merAtt programmera en Beethoven
Linköpings universitet Att programmera en Beethoven Fördjupning inom Neurala nätverk och LSTM 2018-01-03 Innehåll 1 Inledning- Musik och artificiell intelligens... 2 1.1 Historia... 2 1.2 Bakgrund AIVA...
Läs merSub-symbolisk kognition & Konnektionism. Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén,
Sub-symbolisk kognition & Konnektionism Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén, mats.andren@liu.se 1 Konnektionism Neutrala nät baseras på en (förenklad) modell av hur hjärnan fungerar.
Läs 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 merTaligenkänning. Sanna Aronsson sanar429 Artificiell Intelligens, HKGBB0
Taligenkänning, HKGBB0 Abstract Ett taligenkänningssystem är att ett system som har som uppgift att identifiera enstaka ord eller hela sekvenser av ord. Detta gör den genom att jämföra denna ordsekvens
Läs mer1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05
1(15) Bilaga 1 2(15) Neuronnätslaboration Räknare Denna laboration riktar sig till gymnasieelever som går en teknisk utbildning och som helst har läst digitalteknik samt någon form av styrteknik eller
Läs merHur bestämmer man vilka fonem ett språk har? Fonologi. Kommutationstest. Hur bestämmer man vilka fonem ett språk har?
Fonologi Mattias Heldner KTH Tal, musik och hörsel heldner@kth.se Hur bestämmer man vilka fonem ett språk har? Hur bestämmer man vilka fonem ett språk har? Fonem = minsta betydelseskiljande ljudenhet i
Läs merArtificiell intelligens II, 729g11 Projekt HT-11. Taligenkänning. Nina Knez
Taligenkänning 1 Sammanfattning Taligenkänning är i dagens samhälle en nödvändig teknik för många människor för att lättare ta sig fram genom vardagen. Man hittar tekniken i olika sammanhang som telefonupplysning,
Läs merFonologi. Kommutationstest. Minimala par. Hur bestämmer man vilka fonem ett språk har?
Hur bestämmer man vilka fonem ett språk har? Fonologi Mattias Heldner KTH Tal, musik och hörsel heldner@kth.se (Morfem = minsta betydelsebärande enhet i ett språk) Fonem = minsta betydelseskiljande ljudenhet
Läs merLär dig engelska med bilder Mappia AB Facebook.se/mappia Twitter/mappiaab
Lär dig engelska med bilder Mappia AB www.mappia.se Facebook.se/mappia Twitter/mappiaab Hur funkar metoden? Att lära sig ett nytt språk innebär alltid arbete. Vi behöver lära in och träna på en stor mängd
Läs merHierarchical Temporal Memory Maskininlärning
Hierarchical Temporal Memory Maskininlärning Innehåll Sammanfattning... 3 Inledning... 4 Vad är HTM?... 4 Hur fungerar HTM?... 4 Hierarchical... 4 Temporal... 5 Memory... 5 Hitta orsaker i världen... 5
Läs merInledning. Vad är ett datorprogram, egentligen? Olika språk. Problemlösning och algoritmer. 1DV433 Strukturerad programmering med C Mats Loock
Inledning Vad är ett datorprogram, egentligen? Olika språk Problemlösning och algoritmer 1 (14) Varför använda en dator? Genom att variera de program som styr datorn kan den användas för olika uppgifter.
Läs merDAB760: Språk och logik
DAB76: Språk och logik /4: Finita automater och -7 reguljära uttryck Leif Grönqvist (leif.gronqvist@msi.vxu.se) Växjö Universitet (MSI) GSLT (Sveriges nationella forskarskola i språkteknologi) Göteborg
Läs merTaligenkänning. Hur datorer känner igen talat språk. 729G43 Artificiell Intelligens. Charlie Forsgren, Linköpings Universitet. chafo246 2014-01-09
Taligenkänning Hur datorer känner igen talat språk 729G43 Artificiell Intelligens Charlie Forsgren, chafo246 2014-01-09 Charlie Forsgren Innehållsförteckning Inledning..3 Språk och Ljud 4 Elektronisk Inspelning
Läs merVinjetter TDDC91 Datastrukturer och algoritmer
Vinjetter TDDC91 Datastrukturer och algoritmer 17 augusti 2015 2 Scenario 1 Man har inom Posten Logistik AB skrivit programvara för sortering av kundinformation och vill standardisera användningen av sorteringsalgoritmer.
Läs merDynamisk programmering. Dynamisk programmering. Dynamisk programmering. Dynamisk programmering
Betrakta ett lagerhållningsproblem i flera tidsperioder. Vi har tillverkning och försäljning av produkter i varje tidsperiod. Dessutom kan vi lagra produkter mellan tidsperioder, för att utnyttja stordriftsfördelar
Läs merTal i bråkform. Kapitlet behandlar. Att förstå tal
Tal i bråkform Kapitlet behandlar Test Användning av hälften och fjärdedel 2 Representation i bråkform av del av antal och av del av helhet 3, Bråkform i vardagssituationer Stambråk, bråkuttryck med 1
Läs merNEURAL MASKINÖVERSÄTTNING
Linköpings universitet 729G43 NEURAL MASKINÖVERSÄTTNING Moa Wallin Inledning Manuell översättning är en mycket tidskrävande process som kräver stor kunskap och bred kompetens och behovet av översättning
Läs merKIT 104 Kognitiva processer
KIT 104 Kognitiva processer Thomas Porathe, Tekn.Dr Informationsdesign / mux Lab Akademin för innovation, design och teknik Mälardalens Högskola Maritime Human Factors gruppen Institutionen för sjöfart
Läs merAlla datorprogram har en sak gemensam; alla processerar indata för att producera något slags resultat, utdata.
Att förstå variabler Alla datorprogram har en sak gemensam; alla processerar indata för att producera något slags resultat, utdata. Vad är en variabel? En variabel är en plats att lagra information. Precis
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merBakgrund 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 merArtificial)Intelligence) Taligenkänning)
LINKÖPINGS)UNIVERSITET) Artificial)Intelligence) Taligenkänning)! Adam%Annerhult% 2012009017%! Contents' ' ) ) ) ) ) Inledning... 3! Så fungerar taligenkänning... 4! Grundläggande egenskaper i ett taligenkänningsprogram...
Läs merAlgoritmer och maskininlärning
Algoritmer och maskininlärning Olof Mogren Chalmers tekniska högskola 2016 De här företagen vill Tjäna pengar Hitta mönster i stora datamängder Göra förutsägelser Klassificera data Förstå människan Maskininlärning
Läs merUniversitetet i Linköping Institutionen för datavetenskap Anders Haraldsson 2
Anders Haraldsson 1 Anders Haraldsson 2 Dagens föreläsning Programmering i Lisp Fö 5 - Funktioner - lambda-uttryck (avs 7.1) - funcall och function (avs 7.2) - Högre ordningens funktioner (avs 7.) - Iteratorer
Läs merFöreläsning 13. Dynamisk programmering
Föreläsning 13 Dynamisk programmering Föreläsning 13 Dynamisk programmering Fibonacci Myntväxling Floyd-Warshall Kappsäck Handelsresandeproblemet Uppgifter Dynamisk programmering Dynamisk programmering
Läs merLikhetstecknets innebörd
Likhetstecknets innebörd Följande av Görel Sterner översatta och bearbetade text bygger på boken: arithmetic & algebra in elementary school. Portsmouth: Heinemann Elever i åk 1 6 fick följande uppgift:
Läs merSvensk nationell datatjänst, SND BAS Online
Pass 3: Metadata Vad är metadata? I den här presentationen kommer jag ge en introduktion till metadata och forskningsdata på ett principiellt plan. Vi kommer bland annat titta lite närmare på vad metadata
Läs merARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap
ARTIFICIELLA NEURALA NÄT MARCO KUHLMANN Institutionen för datavetenskap Example Alt Bar Fri Hun Pat Price Rain Res Type Est WillWait 1 Yes No No Yes Some $$$ No Yes French 0 10 Yes 2 Yes No No Yes Full
Läs merDagens föreläsning Programmering i Lisp Fö 5
Anders Haraldsson 1 Dagens föreläsning Programmering i Lisp Fö 5 - Funktioner - lambda-uttryck (avs 7.1) - funcall och function (avs 7.2) - Högre ordningens funktioner (avs 7.3) - Iteratorer - Egenskaper
Läs merInlärning utan övervakning
Översikt Biologiska mekanismer bakom inlärning Inlärning utan övervakning Inlärning utan övervakning Hebbiansk modellinlärning Självorganisering Arbetsfördelning mellan noder i ett lager som utvecklas
Läs merLikhetstecknets innebörd
Modul: Algebra Del 5: Algebra som språk Likhetstecknets innebörd Följande av Görel Sterner (2012) översatta och bearbetade text bygger på boken: Carpenter, T. P., Franke, M. L. & Levi, L. (2003). Thinking
Läs merMatcha rätt hjärta till rätt patient med AI. Dennis Medved
Matcha rätt hjärta till rätt patient med AI Dennis Medved Översikt Introduktion IHTSA LuDeLTA Sammanfattning Framtida arbete Introduktion Hjärttransplantation Livräddande operation för patienter med hjärtsvikt
Läs merman kan lyssna på vad de betyder man kan lyssna efter hur de låter utan att bry sig om vad de betyder.
LJUDLEK Vad är språklig medvetenhet? Små barn använder språket för kommunikation HÄR och NU, och det viktiga är vad orden betyder. Man kan säga att orden är genomskinliga, man ser igenom dem på den bakomliggande
Läs merTentamen, Algoritmer och datastrukturer
UNDS TEKNISKA ÖGSKOA (6) Institutionen för datavetenskap Tentamen, Algoritmer och datastrukturer 23 8 29, 8. 3. Anvisningar: Denna tentamen består av fem uppgifter. Totalt är skrivningen på 36 poäng och
Läs merIntroduktion till logik
Introduktion till logik Av Johan Johansson Johan.johansson@guldstadsgymnasiet.se Logik sägs som många andra saker komma från de grekiska filosoferna, och ordet kommer också därifrån. Grekerna kallade det
Läs merInledande programmering med C# (1DV402) Introduktion till programmering
Introduktion till programmering Upphovsrätt för detta verk Detta verk är framtaget i anslutning till kursen Inledande programmering med C# vid Linnéuniversitetet. Du får använda detta verk så här: Allt
Läs merKristian Almgren Artificiell Intelligens Linköpings Universitet 2011. Talstyrning
Talstyrning Abstrakt Talstyrning är en teknik som gör det möjligt för oss människor att mer eller mindre verbalt kommunicera med en dator eller ett system. Det här är ett tillvägagångssätt inom AI och
Läs merArtificiell Intelligens Lektion 7
Laboration 6 Artificiell Intelligens Lektion 7 Neurala nätverk (Lab 6) Probabilistiska resonemang Vad? Mönsterigenkänning Lära ett neuralt nätverk att känna igen siffror Varför? Få ökad förståelse för
Läs merKandidatuppsats. Jämförelse mellan neurala nätverk baserad AI och state-of-the-art AI i racing spel. Simon Karlsson, Christopher Jensen
Kandidatuppsats Jämförelse mellan neurala nätverk baserad AI och state-of-the-art AI i racing spel Simon Karlsson, Christopher Jensen Sammanfattning Denna rapport jämför prestandan mellan state-of-the-art
Läs merIntroduktion till programmering
Introduktion till programmering Vad är programmering? Vad gör en dator? Vad är ett datorprogram? 1 (9) Vad är programmering? För att bestämma en cirkels area måste du: 1. Dividera diametern 5 med 2. 2.
Läs merGränssnitt för FakeGranska. Lars Mattsson
Gränssnitt för FakeGranska av Lars Mattsson (larsmatt@kth.se) Innehållsförteckning 1 Introduktion...3 2 Genomförande:...3 3 Användning...5 4 Kända buggar:...6 5 Källförteckning...6 2 1 Introduktion Taken
Läs merKognitiv modellering. Sidan 1. Översikt. Tre forskningsmetoder. Olika syften med modellering. Människa-maskin interaktion (MMI) Uppgiftsanalys
Översikt Kognitiv modellering Två huvudinriktningar inom kognitiv modellering Symbolistiska modeller (regelbaserade system) Konnektionistiska modeller (neurala nät) Exempel på tillämpningar Projektet Hemuppgiften
Läs merProgrammering F-3. -dansprogrammering. Del 1
Programmering F-3 -dansprogrammering Del 1 Lärarhandledning till Dansprogrammering 2 Innehåll o o o o o o o o o o o o o o o o o o Det här behöver du... Dansprogrammering. Generellt upplägg. Tidsåtgång.
Läs merDigitalitet. Kontinuerlig. Direkt proportionerlig mot källan. Ex. sprittermometer. Elektrisk signal som representerar ljud.
Analog Digitalitet Kontinuerlig Direkt proportionerlig mot källan Ex. sprittermometer Elektrisk signal som representerar ljud Diskret Digital Representation som siffror/symboler Ex. CD-skiva Varje siffra
Läs merSELF- ORGANIZING MAPS
LINKÖPINGS UNIVERSITET Kognitionsvetenskapliga Programmet Examinator: Arne Jönsson SELF- ORGANIZING MAPS - Ett fördjupningsarbete inom Artificiell Intelligens Fack 52 katwa676@student.liu.se Sammanfattning
Läs merKom i gång med ipad - Tips på Appar
Kom i gång med ipad - Tips på Appar Skoldatateket i Stockholm har arbetat fram ett förslag på hur du kan sortera dina appar utifrån funktion, samt exempel på appar som kan utgöra en grund på en ipad som
Läs merDisciplinära diskurser i naturvetenskap och matematik
Disciplinära diskurser i naturvetenskap och matematik Jonas Forsman, Staffan Andersson, Jannika Andersson Chronholm, Cedric Linder Avdelningen för fysikens didaktik, Institutionen för fysik och materialvetenskap,
Läs merStudieteknik Språkhandledningen. Britt Klintenberg
Studieteknik Språkhandledningen Britt Klintenberg britt.klintenberg@gu.se 1 Öppna föreläsningar Torsdagar 16.15 17.45 i C362 3/10 Akademiskt skrivande 1 10/10 Oral Presentation 17/10 Akademiskt skrivande
Läs merAtt söka information (med betoning på Internet)
Att söka information (med betoning på Internet) - en sökguide för distansstuderande 1. Var finns informationen? 2. Hur söker man? Sökstrategier 3. Olika informationskällor, hjälpmedel vid informationssökning
Läs merBLOCK 1. 1A. Att komma igång
BLOCK 1 1A. Att komma igång Blocket omfattar sidorna 8 23 i läseboken och sidorna 7 8 i grammatikboken samt hörövningar. 1. Vem är du? 2. Vilka fyra färdigheter är viktiga vid språkinlärning? 3. Hur många
Läs merStatistisk Maskinöversättning eller:
729G43 Statistisk Maskinöversättning eller: Hur jag slutade ängslas (över fördjupningsuppgiften) och lärde mig hata stoppord. Jonas Hilmersson 2019-04-15 Innehåll 1. Introduktion... 1 2. Datamängden...
Läs merPipelining i Intel Pentium II
Pipelining i Intel Pentium II John Abdulnoor Lund Universitet 04/12/2017 Abstract För att en processor ska fungera måste alla komponenter inuti den samarbeta för att nå en acceptabel nivå av prestanda.
Läs merFINSKA, B1-LÄROKURS I ÅRSKURS 7 9 Eleverna ska uppmuntras att använda finska mångsidigt för att kommunicera och söka information.
FINSKA, B1-LÄROKURS I ÅRSKURS 7 9 Eleverna ska uppmuntras att använda finska mångsidigt för att kommunicera och söka information. Målet för undervisningen är att stödja eleven att fördjupa de kunskaper
Läs merAnvändarhandledning Version 1.2
Användarhandledning Version 1.2 Innehåll Bakgrund... 2 Börja programmera i Xtat... 3 Allmänna tips... 3 Grunderna... 3 Kommentarer i språket... 4 Variabler... 4 Matematik... 5 Arrayer... 5 på skärmen...
Läs merANN fk. Örjan Ekeberg. Framåtkopplade Nät. återkopplade nät. Olika arkitekturer. BackPropagation through Time. Kalman-Filter tekniker
Hantering av Tid Återkopplade Återkopplade Återkopplade t Återkopplade Återkopplade Temporala signaler är svåra Gör om temporal signal till spatial t 1 t 2 t 3 t 4 Återkopplade t Enklaste formen Neuronal
Läs merJobbigt läge VAD HANDLAR BOKEN OM? LGR 11 CENTRALT INNEHÅLL SOM TRÄNAS ELEVERNA TRÄNAR FÖLJANDE FÖRMÅGOR LGRS 11 CENTRALT INNEHÅLL SOM TRÄNAS
SIDAN 1 Lärarmaterial VAD HANDLAR BOKEN OM? Boken handlar om Lo och hennes familj. En dag när Lo är på väg hem från träningen ser hon sin pappa sitta på en restaurang och hålla en främmande kvinnas hand.
Läs merB. Vad skulle man göra för att vara bättre förberedd inför en lektion i det här ämnet?
Studieteknik STUDIEHANDLEDNING Syftet med dessa övningar är att eleverna själva ska fördjupa sig i olika aspekter som kan förbättra deras egen inlärning. arna görs med fördel i grupp eller parvis, och
Läs merTaligenkänning med fördjupning på Hidden Markov Models
IDA, Linköpings Universitet Artificiell Intelligens II, 729G11 HT 2008 Taligenkänning med fördjupning på Hidden Markov Models 870524-0045 jearu017@student.liu.se Sammanfattning Taligenkänning är en teknik
Läs merVad kan biologiskt plausibla modeller säga oss?
Förra föreläsningen Vad kan biologiskt plausibla modeller säga oss? Beräkningsmässig kognitiv neurovetenskap Simulering av modeller kan ge insikt i mänskligt tänkande Kognitiva fenomen Simulering beräkningsprinciper
Läs merNeural bas för kognition
Kommunikation Neural bas för kognition stimulerande, retande inhiberande, förhindrande depolarisation vid tillräckligt mycket retning blir hela neuronen för en stund positivt laddad, då har en SPIKE uppnåtts
Läs merDesignmönster som dokumentation och utveckling av IKT i undervisningen
Digitalisering Grundskola och gymnasieskola Modul: Leda och lära i tekniktäta klassrum Del 6: Att arbeta med designmönster Designmönster som dokumentation och utveckling av IT i undervisningen Robert Ramberg
Läs merMinMax Algoritmen Implementation och optimering. Joakim Östlund 15 juni 2004
MinMax Algoritmen Implementation och optimering Joakim Östlund 15 juni 2004 1 Samanfattning MinMax är en algoritm som kan användas i turbaserade spel för att skapa en virituell motståndare. Algoritmen
Läs merLäs och skrivsvårigheter är inte synonymt med dyslexi. Ur boken Barn utvecklar sitt språk 2010) redaktörer Louise Bjar och Caroline Liberg
Läs och skrivsvårigheter är inte synonymt med dyslexi Ur boken Barn utvecklar sitt språk 2010) redaktörer Louise Bjar och Caroline Liberg Dyslexi vad är det? Dyslexi innebär bl.a. svårigheter att urskilja
Läs merSummering: Workshop 14/3-19
2 Summering: Workshop ehealth@lu 14/3-19 Vi började workshopen med en summering av vad som har hänt sen sist, nya utlysningar som kommer under våren presenterades (länkar finns på hemsidan) och även kort
Läs merFöreläsningsanteckningar F6
Föreläsningsanteckningar F6 Martin Andersson & Patrik Falkman Kortaste vägen mellan en nod och alla andra noder Detta problem innebär att givet en graf G = (E,V) hitta den kortaste vägen över E från en
Läs merSTUDIETEKNIK. Carl Engvall Dagens föreläsning läggs upp på vår hemsida:
STUDIETEKNIK Carl Engvall carl.engvall@svenska.gu.se Dagens föreläsning läggs upp på vår hemsida: http://uf.gu.se/ask/student/oppna-forelasningar Öppna föreläsningar i vår Onsdagar 16.15 17.45 2/3 Akademiskt
Läs merFöljande program utvecklades av BITTECH. De flesta såldes via Elevdata, Frölunda Data och VetaMer. De finns inte längre till försäljning.
Programvaror utvecklade av BITTECH under åren 1990 till 2004 Följande program utvecklades av BITTECH. De flesta såldes via Elevdata, Frölunda Data och VetaMer. De finns inte längre till försäljning. Meteor
Läs merExtramaterial till Matematik X
LIBER PROGRMMERING OCH DIGITL KOMPETENS Extramaterial till Matematik X NIVÅ TRE Programmering LÄRRE I den här uppgiften får du och dina elever en introduktion till programmering. Uppgiften vänder sig först
Läs 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 merFuzzy Logic. När oskarpa definitioner blir kristallklara. Åsa Svensson. Linköpings Universitet. Linköping
Fuzzy Logic När oskarpa definitioner blir kristallklara Linköpings Universitet Linköping Sammanfattning I denna fördjupningsuppgift har jag fokuserat på Fuzzy Logic och försökt att beskriva det på ett
Läs merIntroduktion programmering
Introduktion programmering 30.11.2017 Innehåll Introduktion (Vetenskapens hus, direktiv regering & skolverket) Varför är programmering viktigt! några välkända röster Praktik; lapp programmering & blue
Läs merTDDC30. Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 11 Jonas Lindgren, Institutionen för Datavetenskap, LiU
TDDC30 Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 11 Jonas Lindgren, Institutionen för Datavetenskap, LiU På denna föreläsning: Designmönster Adapter, Factory, Iterator,
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 merAtt utforska matematiken tillsammans strategier för inkluderande klassrumssamtal
Att utforska matematiken tillsammans strategier för inkluderande klassrumssamtal - implementering av Talk Moves i en svensk kontext Lisa Dimming, Marita Lundström, Margareta Engvall & Karin Forslund Frykedal
Läs merArtificiell 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 merStoCKK Stockholm Center för Kommunikativt och Kognitivt stöd. Tips på appar för träning av tidig läs- och skrivförmåga
StoCKK Stockholm Center för Kommunikativt och Kognitivt stöd Tips på appar för träning av tidig läs- och skrivförmåga Oktober 2015 Appar för träning av tidig läs- och skrivförmåga Flertalet appar som nämns
Läs merNätverk 1 28 september 2018
Nätverk 1 28 september 2018 Inventering/behovsanalys om språkundervisning Skolverkets kartläggningsmaterial i förskoleklass, Hitta språket Till nästa gång Sammanställning från era svar på frågorna: Vad
Läs merTNK049 Optimeringslära
TNK49 Optimeringslära Clas Rydergren, ITN Föreläsning 7 Nätverksoptimering Billigaste uppspännande träd (MST) Billigaste väg (SP) Projektnätverk Minkostnadsflödesproblem Agenda Terminologi för grafer/nätverk
Läs merSVENSKA SOM ANDRASPRÅK
SVENSKA SOM ANDRASPRÅK Ämnet svenska som andraspråk behandlar olika former av kommunikation mellan människor. Kärnan i ämnet är språket och litteraturen. I ämnet ingår kunskaper om språket, skönlitteratur
Läs merForskning och utveckling inom språkteknologi Uppgift 3: Projektförslag Parallelliserad dependensparsning i CUDA
Forskning och utveckling inom språkteknologi Uppgift 3: Projektförslag Parallelliserad dependensparsning i CUDA Evelina Andersson 18 maj 2011 1 Introduktion Att träna mycket för att bli duktig på ett språk
Läs merLinköpings universitet
2014-09-08 Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 5 Integrationsutmaningen Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 3 Marco Kuhlmann Institutionen för datavetenskap Modell med vektornotation parametervektor särdragsvektor Perceptron kombinerar linjär regression med
Läs merKORT FÖR ATT LEDA DISKUSSIONEN
KORT FÖR ATT LEDA DISKUSSIONEN INNEHÅLL 1 Så här använder du diskussionskorten 2 Vad är dialog? 3 Förbättra din förmåga att lyssna 4 Förberedelser inför att föra en diskussion 5 Exempel ur manuset för
Läs merPedagogisk planering för ämnet: Svenska
1(5) Pedagogisk planering för ämnet: Svenska Tidsperiod: årskurs 4 Syfte & övergripande mål: Vi kommer att läsa, skriva, lyssna och tala. Syftet är att du ska utveckla förmågan att: - formulera dig och
Läs merRapportskrivning Användarcentrerad Design. Anders Lindgren
Rapportskrivning Användarcentrerad Design Introduktion Resultat måste presenteras på ett begripligt och åskådligt sätt Om du inte kan förmedla dina resultat på ett sätt som folk förstår spelar det ingen
Läs merHållbar utveckling A, Ht. 2014
Hållbar utveckling A, Ht. 2014 Kommunikation och projektledning för hållbar utveckling Projektplan Bakgrund Som ett stöd i ert projekt kommer ni att arbeta utifrån en projektplan i tre delar, varje ny
Läs merSchemaläggnings metoderna AMP & SMP i en Multiprocessor
EDT621 Datorarkitekturer med operativsystem 7,5 HP 2015-12-05 Schemaläggnings metoderna AMP & SMP i en Multiprocessor Författare: Simon Plato Sammanfattning Rapporten beskriver två schemaläggnings metoder.
Läs merUpplägg. Binära träd. Träd. Binära träd. Binära träd. Antal löv på ett träd. Binära träd (9) Binära sökträd (10.1)
Binära träd Algoritmer och Datastrukturer Markus Saers markus.saers@lingfil.uu.se Upplägg Binära träd (9) Binära sökträd (0.) Träd Många botaniska termer Träd, rot, löv, gren, Trädets rot kan ha ett antal
Läs merKonfiguration av LUPP synkronisering
Konfiguration av LUPP synkronisering 1. Introduktion till LUPP Synkronisering... 2 2. Exempel på införande av synkronisering... 3 2.1. Steg 1 Staben... 4 Steg 1a: Installation av RIB Exchange på Stab...
Läs merLösningar Datastrukturer TDA
Lösningar Datastrukturer TDA416 2016 12 21 roblem 1. roblem 2. a) Falskt. Urvalssortering gör alltid samma mängd av jobb. b) Sant. Genom att ha en referens till sista och första elementet, kan man nå både
Läs merHär är två korta exempel på situationer då vi tillämpar den distributiva lagen:
Modul: Algebra Del 8: Avslutande reflektion och utvärdering Distributiva lagen Cecilia Kilhamn, Göteborgs Universitet Distributiva lagen a (b + c) = a b + a c Den distributiva lagen kallas den räknelag
Läs merFrån ljusenergi till en kub som går att stå på Hur man får en dator att känna igen olika former i visuell information
ARTIFICIELL INTELLIGENS II INSTITUTUINEN FÖR DATAVETENSKAP LINKÖPINGS UNIVERSITET Från ljusenergi till en kub som går att stå på Hur man får en dator att känna igen olika former i visuell information Anna
Läs merViTal. Talsyntes. Användarhandledning
ViTal Talsyntes Användarhandledning Introduktion ViTal är ett program som utvecklats för att med hjälp av artificiellt tal vara ett stöd vid läsning och skrivning. ViTal kan användas både i undervisning
Läs merInspirationsfasen. Fortsättning på nästa sida. Hållbar utveckling B, vårterminen 2013. Cemus/CSD Uppsala, Uppsala universitet & SLU
Inspirationsfasen Förvänta er framgång! Fokusera på problemet, men leta efter möjligheter. Titta på världen, observera och låt dig inspireras. Utforska det som kittlar din nyfikenhet! Ha med så många olika
Läs mer