KTH/CSC. ANN fk. Attraktornätverk. Anders Lansner
|
|
- Olof Åström
- för 4 år sedan
- Visningar:
Transkript
1 ANN fk Attraktornätverk Anders Lansner
2 Attraktornät Hopfield startade 2:a ANN-vågen 1981 Idag många varianter - omfattande teori Teori för hjärnbarkens funktion Biologidriven teori- och algoritmutveckling Begränsade tekniska tillämpningar Sista ordet dock inte sagt
3 Denna föreläsning Rekapitulation, Terminologi Varför attraktornät? Minneskapacitet, gles aktivitet och gles W Modulära attraktornät Kontinuerlig inlärning glömska = palimpsest minne Minnesmodulation, print-now Adapterande attraktornät Gömt lager Invariant representation och attraktorminnen Haykin, Ch 14
4 Nätverksarkitektur x 1 w 11 y 1 x 2 y 2 x 3 y 3 TLU:s bias = 0 w ij = w ji (w ii =0) x 4 x 5 y 4 y 5
5 Rekapitulation Terminologi Attraktornät Rekurrenta NN Symmetrisk W fixpunktdynamik Feedback jfr Feedforward Autoassociativt minne jfr Heteroassociation Content Addressable Memory, CAM Oövervakad inlärning Hebbsk Korrelationsbaserad jfr Felkorrektionsinlärning (lokal felvektor) jfr Förstärkningsinlärning (global felskalär)
6 Motivation, användbarhet Hjärnteori snarare än teknologirelevant brain-like computing Några tillämpningar Kombinatorisk optimering Schemaläggning av Tensta skola, flygplansbesättingar, etc Klustring FOI spaningsrapporter Associativt minne Minnen lagrade i energiminima, attraktorer Gestaltperception Bildrekonstruktion (exempel) Varför inte MLP/BP, SVM? Auto-encoder Långsam inlärning, dålig skalbarhet
7 Vanligaste nätverken Willshaw-Palm Binär W Hopfield BCPNN Probabilistisk, modulär
8 Binära autoassociativa nätverk Willshaw-Palm nät Binär Hebbsk inlärning (OR) wij V M μ = 1 = ξξ I μ T μ Gles aktivitet, a = log 2 N Fungerar (förvånansvärt) bra För slumpmässiga mönster
9 Hopfieldnät Binära, graderade, spikande enheter Bipolär aktivitet {-1,1} Standard Hebbsk inlärning w ij 1 M T ξξ μ μ μ= 1 = N M N I E N N 1 = w xx 2 i= 1 j= 1 Asynkron uppdatering Spurious states ij i j
10 Utvidgningar av attraktornät Hjärnbarken? 1) Gles aktivitet ( sparse ) 2) Gles W ( diluted ) 3) Modulär struktur 4) Glömskt minne 5) Adaptation 6) Gömt lager 7)
11 Prestandamått minneskapacitet Antal återkallbara (slumpmässiga) mönster Bits/koppling (fri parameter) Brusanalys Informationsteoretisk analys Replikateori
12 Hopfieldnät minneskapacitet Slumpmässiga mönster, 50% aktiva Crosstalk, variansanalys M c M = max 0,14N = N 2ln N med fel i recall utan fel i recall Mycket analys finns
13 Minneskapacitet Informationsteoretisk uppskattning Önskemål, inte bevis Antal bits i W (symmetrisk) Antal bits/återkallat mönster bits / mönster = log P= antal möjliga olika mönster Z= antal återkallade mönster bits = Z log P P 2 2 P ( 1) kn N bitsw = 2 k = antal bits / koppling Stämmer hyfsat för standard Hopfield, Z max = 0,14N Z max bits = bits W P
14 Utvidgning 1 Gles, binär aktivitet, {0,1} Lagrade mönster : ξ μ i 1 med sannolikhet a = 0 med sannolikhet1 a 1 wij = i a j a N μ μ ( ξ )( ξ ) μ M a M c = c N = 2a lna ln N N 1 N 2 lnn 2
15 Informationsteoretisk uppskattning Aktivitetsnivå a = m/n = lnn/n bits P N N! = log2 = log2 m m! ( N m)! 4 x Z max bitsw N = = k bitsp log N x 10 5
16 Utvidgning 2 Modulära nät Tröskelkontroll Ofta problematiskt m-winners-take-all Modulära nät Hjärnbarken minikolumner,hyperkolumner t ex Hopfieldnät Pottsnät BCPNN Moduler med Σaktivitet = 1 Tröskelkontroll enkel
17 Modulärt ANN H = 3 M = 2 Normalisering
18 Moduler diskreta attribut Diskreta inattribut x i Diskret utattribut y i Probabilistiskt perspektiv Utaktivitet Konfidens/ Belief Tyst hyperkolumn :: attributvärde = N/A
19 Fuzzy representation neurofuzzy Fuzzy variabler Lingvistiska Manuell indelning Grafisk blandingsmodell Automatiskt, EM Intervallkodning Användes tidigt i Japan I konsumentprodukter Kylskåp Äggkokare Hyperkolumn med? enheter Mjuk tåginbromsning (Shinkhansen) Struktur fysikaliska egenskaper hos kemiska ämnen Astra-Zeneca
20 Informationsteoretisk uppskattning H hyperkolumner med M enheter i varje bits = log M = H log M P Z max H kn = 2H log ( 1 1 H ) ( N H) 2 Tysta hyperkolumner! 6 x H=lb(N) Utan H Silent H x 10 5
21 Utvidgning 3 Gles W Gles kopplingsmatris c = connectivity density c M = connections / unit Lagringskapacitet minskar ung proportionellt dock, adaptiv utglesning
22 Exempel, associativ hjärnarea Antal nervceller = 10 9, 1/100 av kortex 10 7 enheter (minikolumner) 10 5 hyperkolumner Tysta hyperkolumner 0.5 aktivitetsnivå 1 konnektivitet (mellan minikolumner hos människa) ca 400 miljoner mönster kan lagras ca 15/min! Hur mycket minne behövs?
23 Utvidgning 4 Kontinuerlig inlärning, glömska Läckande inlärning dw dt ij = μ μ ξ ξ i j wij τ w Tidskonstant för vikter, τ w Långtids korttidsminne arbetsminne Undviker katastrofal glömska Palimpsestminne Minneskonsolidering: Hippocampus Neocortex
24 Glömskt attraktorminne
25 Bra beskrivning av minne?
26 DEMO Listinlärning
27 Modulerat glömskt attraktorminne Print-now för varje mönster, τ w Minnesmodulation
28 Utvidgning 6: Adaptation Nervceller egenskaper Ström Frekvens Adaptation Synaptisk depression Vad händer i Hopfieldnät? Attraktorvandring!
29 Attraktornät + adaptation Standard Hopfieldnät fastnar i energiminima
30 Bra minneskapacitet etc, men Vilka är begränsningarna? Viktig funktionalitet som saknas?
31 Träningsmängd Hidden Population 32x16 = 512 units Input Population 256x2 = 512 units Input Population 256x2 = 512 units
32 Utvidgning 5 Attraktorminnen med gömt lager Instabil Stabil representation Stort antal slumpmässiga mönster Korrelerade ( verkliga ) mönster lagringskapacitet ej begränsad av N bättre klassificeringsförmåga Hjärnbarkens lager IV Kompetitiv inlärning Feature extraktion Oövervakad inlärning, ev bias Tidigare analys gäller nu gömt lager
33 Överkomplett, gles bildrepresentation Överkomplett = antal basfunktioner > antal pixlar i en patch Sparse basis functions for the patches were extracted from training images by an iterative learning procedure. Most of the functions are oriented, localized and cover a limited range of spatial frequencies, like the receptive fields of neurons in the visual cortex. Image courtesy of Bruno A. Olshausen.
34 Exempel - bildrekonstruktion Bilder från Colombia University Image Library COIL-100. Upplösning pixel 100 bilder lagrades i ANN med hypercolumner med M = 100 Parallellimplementerat 7 x 104 retrieval cue one iteration four iterations twenty iterations Pixels in All of the 100 Images A B Colors
ANN fk. Synopsis. Attraktornätverk. och synapser. Hebbska cellassemblies bildning. Hebbska cellassemblies dynamik. Hebbian cell assemblies bistabilty
Synopsis A fk Attraktornätverk Anders Lansner Hebbs teori synapser och cellassemblies Varför attraktornät, biologi, beräkningar? Hopfieldmodellen Haykin, Ch 4 Innehållsadresserat minne (CA) Tillämpning
Läs merKTH/CSC. ANN fk. Hjärnliknande beräkningar och ANN. Anders Lansner
ANN fk Hjärnliknande beräkningar och ANN Anders Lansner Synopsis Invariant representation i ANN och hjärnan ANN och hjärnan, skillnader Funktionellt Strukturellt etc (När) kan vi förstå hjärnans funktion?
Läs merANN fk. Synopsis. Hjärnliknande beräkningar och ANN
Synopsis ANN fk Hjärnliknande beräkningar och ANN Anders Lansner AI och hjärnliknande teknologi? Hjärnbarken ett attraktornät? Invariant representation i ANN och hjärnan ANS ( Artificial brain ) implementation
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
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 merANN hårdvara. ...samt hjärnliknande arkitekturer
ANN hårdvara...samt hjärnliknande arkitekturer ANN hårdvara utgångspunkt Varför? Realtidsfunktion, kompakthet, effektsnålhet Förutsättningar Inneboende massiv parallellism Lokalitet i beräkningar Tolerans
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 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 merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merKognitiv psykologi. Kognition och hjärnan. Hjärnans struktur 2012-10-15. Neurokognition Kap 2
Kognitiv psykologi Neurokognition Kap 2 Tobias Johansson Tobias.Johansson@hkr.se www.distans.hkr.se/joto/index.html Kognition och hjärnan Hur är kognition relaterat till hjärnans struktur och funktion?
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 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 merNeuronen 11/22/2012. Översikt. Artificiell nod. Kommunikation. Neuronen som detektor. Syftet med återstående föreläsningarna
Översikt Neuronen Biologisk neuron Artificiell nod/enhet Organisering i nät Interaktiva nätverk med inhibering Övergripande beräkningsprincip Parallel constraint satisfaction Syftet med återstående föreläsningarna
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 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 merLARS ULVELAND HOPFIELDNÄTVERK FÖR IGENKÄNNING AV DEGRADERADE BILDER OCH HANDSKRIVNA TECKEN
LARS ULVELAD HOPFIELDÄTVERK FÖR IGEKÄIG AV DEGRADERADE BILDER OCH HADSKRIVA TECKE E PROJEKTRAPPORT FÖR PROJEKTKURSE I BILDAALYS HT 02 Teori för Hopfieldnätverk Hopfieldmodellen är en typ av neuronnät,
Läs merSF1901: Sannolikhetslära och statistik. Mer om Approximationer
SF1901: Sannolikhetslära och statistik Föreläsning 7.A Mer om Approximationer Jan Grandell & Timo Koski 10.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 10.02.2012 1 / 21 Repetition CGS Ofta
Läs merNUMPROG, 2D1212, vt Föreläsning 9, Numme-delen. Stabilitet vid numerisk behandling av diffekvationer Linjära och icke-linjära ekvationssystem
NUMPROG, 2D1212, vt 2005 Föreläsning 9, Numme-delen Stabilitet vid numerisk behandling av diffekvationer Linjära och icke-linjära ekvationssystem Då steglängden h är tillräckligt liten erhålles en noggrann
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 merTemperaturmätare med lagringsfunktion DIGITALA PROJEKT EITF11 GRUPP 14, ERIK ENFORS, LUDWIG ROSENDAL, CARL MIKAEL WIDMAN
2016 Temperaturmätare med lagringsfunktion DIGITALA PROJEKT EITF11 GRUPP 14, ERIK ENFORS, LUDWIG ROSENDAL, CARL MIKAEL WIDMAN Innehållsförteckning INLEDNING... 3 KRAVSPECIFIKATION AV PROTOTYP... 3 FUNKTIONELLA
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merQuine McCluskys algoritm
Quine McCluskys algoritm Tabellmetod för att systematiskt finna alla primimplikatorer ƒ(a,b,c,d) = m(4,5,6,8,9,0,3) + d(0,7,5) Moment : Finn alla primimplikatorer Steg: Fyll i alla mintermer i kolumn.
Läs merStockholm Brain Institute
Stockholm Brain Institute Anders Lansner Beräkningsbiologi Datavetenskap och kommunikation KTH och Stockholms Universitet Synopsis Hjärnan och hjärnforskning Stockholm Brain Institute (SBI) Neuroinformatik
Läs merMini-Betula. Anna Sundström Institutionen för psykologi/alc, Umeå Universitet. Mini-Betula. Mini-Betula En pilotstudie i några kommuner i Västerbotten
Mini-Betula Anna Sundström Institutionen för psykologi/alc, Umeå Universitet Mini-Betula Mini-Betula En pilotstudie i några kommuner i Västerbotten Mini-Betula utgår från Betulastudien Betulastudien -
Läs merTest av Metria Maps avseende Användbarhet och prestanda
Test av Metria Maps avseende Användbarhet och prestanda Solgerd Tanzilli, Projektledare Tomas Rosendal, Testledare Xin He, Testare Lars Palm, Testare Anders Östman, Vetenskaplig ledare 1 Sammanfattning
Läs merMänniskan och Tekniken. Fö 3 Människan och tekniken. Perception. Visuell perception
Fö 3 Människan och tekniken Fö1 om Användbarhet och svårigheter med det. PACT som ett ramverk för att beskriva problemet. Fö 2 om metoder för att genomföra PACT-analys, dvs användarstudie och ev. analys
Läs merFöreläsning 7: Bild- och videokodning
Föreläsning 7: Bild- och videokodning Inledning - varför bildkodning - tillämpningar - grundprinciper Förlustfri kodning - Variabellängdskodning - Skurländskodning - Huffmankodning Irreversibla kodningsmetoder
Läs merSymboler och abstrakta system
Symboler och abstrakta system Warwick Tucker Matematiska institutionen Uppsala universitet warwick@math.uu.se Warwick Tucker, Matematiska institutionen, Uppsala universitet 1 Vad är ett komplext system?
Läs merMonte Carlo-metoder. Bild från Monte Carlo
Monte Carlo-metoder 0 Målen för föreläsningen På datorn Bild från Monte Carlo http://en.wikipedia.org/wiki/file:real_monte_carlo_casino.jpg 1 Begrepp En stokastisk metod ger olika resultat vid upprepning
Läs merÖvningsuppgifter #11, Programkonstruktion och datastrukturer
Övningsuppgifter #11, Programkonstruktion och datastrukturer Lösningsförslag Elias Castegren elias.castegren@it.uu.se Övningar 1. 1 2. 2 3. Ett binomialträd med rang n har 2 n noder. En binomial heap innehåller
Läs mer1 Begrepp och Hypoteser. 2 Inlärning genom sökning. 3 Objektiv inlärning. Inlärning av en boolsk funktion från exempel.
1 Begrepp oc Eempel Begreppsinlärning List-ten-Eliminate Begreppsinlärning 1 Begrepp oc Eempel List-ten-Eliminate Begreppsinlärning (Concept Learning) Inlärning av en boolsk funktion från eempel Kategorier
Läs merGrundläggande Idéer Algoritmens komponenter Numerisk optimering Genetisk Programmering. Genetiska Algoritmer
Genetiska Algoritmer 1 Grundläggande Idéer 2 3 4 Exempel Parallell optimering inspirerad av biologisk evolution Parallell optimering inspirerad av biologisk evolution Population av hypoteser Urvalprocess
Läs merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
Läs merNeuropsykologi och kognitiv neurovetenskap, 15hp, ht16 Läsanvisningar till respektive föreläsning
Neuropsykologi och kognitiv neurovetenskap, 15hp, ht16 Läsanvisningar till respektive föreläsning Sidor inom parentes läses kursivt Introduktion neuropsykologi Kap.1. The Development of Neuropsychology
Läs merEulercykel. Kinesiska brevbärarproblemet. Kinesiska brevbärarproblemet: Metod. Kinesiska brevbärarproblemet: Modell. Definition. Definition.
Eulercykel Definition En Eulercykel är en cykel som använder varje båge exakt en gång. Definition En nods valens är antalet bågar som ansluter till noden. Kinesiska brevbärarproblemet En brevbärartur är
Läs merDepression, kognition och åldrande. Alexandra Pantzar, Doktorand i psykologi Aging Research Center
Depression, kognition och åldrande Alexandra Pantzar, Doktorand i psykologi Aging Research Center Depression Livstidsrisk för att utveckla depression: Kvinnor: 10-25%, Män: 5-12% Multipla episoder: 25-75%
Läs merOptimala koder. Övre gräns för optimala koder. Gränser. Övre gräns för optimala koder, forts.
Datakompression fö 3 p.3 Datakompression fö 3 p.4 Optimala koder Övre gräns för optimala koder En prefixkod kallas optimal om det inte existerar någon annan kod (för samma alfabet och sannolikhetsfördelning)
Läs merOptimala koder. Det existerar förstås flera koder som har samma kodordsmedellängd. Enklaste fallet är att bara byta 0:or mot 1:or.
Datakompression fö 3 p.1 Optimala koder En prefixkod kallas optimal om det inte existerar någon annan kod (för samma alfabet och sannolikhetsfördelning) som har lägre kodordsmedellängd. Det existerar förstås
Läs merGRUNDER I VHDL. Innehåll. Komponentmodell Kodmodell Entity Architecture Identifierare och objekt Operationer för jämförelse
GRUNDER I VHDL Innehåll Komponentmodell Kodmodell Entity Architecture Identifierare och objekt Operationer för jämförelse KOMPONENTMODELL Modell för att beskriva komponenter Externt interface Intern funktion
Läs merLanguage Contents. English...2-6 Svenska... 7-11
Language Contents Language page English...2-6 Svenska... 7-11 Norsk...12-16 Dansk...17-21 Suomi...22-26 Deutsch...27-32 Nederlands...33-38 Français...39-44 Italiano...45-50 Español...51-56 Português...57-62
Läs merNeuronala nätverk och system metodik och exempel
Kaniza s triangel Neuronala nätverk och system metodik och exempel Typexempel på nätverksmodellering! Rytmgenerering i nejonögats ryggmärg Från jonkanal och cell till beteende! Hebbska cellgrupper Modell
Läs merKonvergens för iterativa metoder
Konvergens för iterativa metoder 1 Terminologi Iterativa metoder används för att lösa olinjära (och ibland linjära) ekvationssystem numeriskt. De utgår från en startgissning x 0 och ger sedan en följd
Läs merMINNE. Av Jenny Wikström
MINNE Av Jenny Wikström Efter dagen föreläsning ska ni kunna Definiera begreppet minne Beskriva olika typer av minne/minnessystem Minnesprocessen: inkodning (vad och hur?) lagring (t ex hur länge) framplockning
Läs merFUZZY LOGIC. Christopher Palm chrpa087
FUZZY LOGIC 900223-1554 Innehållsförteckning INLEDNING...2 HUR DET FUNGERAR...3 Crisp Sets och Fuzzy Sets...3 Operatorer...5 IF THEN regler...7 FUZZY INFERENCE...7 Fuzzification...8 Regelsättning...8
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 merNeurala nätverk och språkigenkänning. Henrik Linnarsson. Linköping University
Neurala nätverk och språk Henli807!1 Neurala nätverk och språkigenkänning Henrik Linnarsson Linköping University Neurala nätverk och språk Henli807!2 RNN, LSTM och språkigenkänning Inledning Idag är språkigenkänning
Läs merPartiella differentialekvationer: Koppling Diskret - Kontinuum och Finita Elementmetoden
Partiella differentialekvationer: Koppling Diskret - Kontinuum och Finita Elementmetoden Johan Jansson November 29, 2010 Johan Jansson () M6 November 29, 2010 1 / 26 Table of contents 1 Plan och Syfte
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 mer1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,
1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, LMA201, LMA521 1.1 Mängd (Kapitel 1) En (oordnad) mängd A är en uppsättning av element. En sådan mängd kan innehålla ändligt eller oändlligt
Läs merIntroduktion till statistik för statsvetare
och enkäter "Det finns inget så praktiskt som en bra teori" September 2011 och enkäter Inledning Inledning Om vi vill mäta en egenskap hos en population individer (individer kan vara personer, företag
Läs merTentamens-/instuderingsfrågor
PC1244, Kognitiv psykologi och utvecklingspsykologi Delkurs: Kognitiv psykologi Höstterminen 2015 Ulf Dahlstrand Tentamens-/instuderingsfrågor 1) Beskriv den visuella informationens väg från näthinna till
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merTillämpad statistik (A5), HT15 Föreläsning 6: Några övriga urvalsmetoder
Tillämpad statistik (A5), HT15 Föreläsning 6: Några övriga smetoder Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-11 Några övriga smetoder OSU-UÅ (med eller utan stratifiering) förutsätter
Läs merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs mer4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler
Föreläsning 2 4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler Stokastiskavariabler Stokastisk variabel (eng: random variable) En variabel vars värde
Läs merMatematisk statistik för B, K, N, BME och Kemister
Mtemtisk sttistik för B, K, N, BME och Kemister Föreläsning 2 John Lindström 3 ugusti 217 John Lindström - johnl@mths.lth.se FMSF7/MASB2 F1 1/22 Grundläggnde begrepp Stokstisk vribel Snnolikhetsfunktion
Läs merFöreläsning 7: Kognition & perception
Föreläsning 7: Kognition & perception FSR: 3, 4 Att läsa: Kapitel 2-3 i Rogers et al.: Interaction design Översikt Att kunna om perception och kognition Konceptuella modeller Metaforer Paradigm, teorier,
Läs merKlustring av svenska tidningsartiklar
Klustring av svenska tidningsartiklar Magnus Rosell rosell@nada.kth.se http://www.nada.kth.se/ rosell/ Klustring Kategorisering eller klassificering att föra texter till på förhand bestämda kategorier
Läs merDIGITALTEKNIK. Laboration D161. Kombinatoriska kretsar och nät
UMEÅ UNIVERSITET Tillämpad fysik och elektronik Digitalteknik jörne Lindberg/Håkan Joëlson 2003-09-15 v 2.2 DIGITALTEKNIK Laboration D161 Kombinatoriska kretsar och nät Innehåll Uppgift 1...Grundläggande
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 merDen beslutsfattande hjärnan i en lärandeprocess. Ett arbete av Linnéa Palme, mars- 2017
Den beslutsfattande hjärnan i en lärandeprocess Ett arbete av Linnéa Palme, mars- 2017 Abstrakt Kan det vara så att den beslutsfattande hjärnan är något som vi kan påverka själva, om vi blir medvetna om
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merBEDÖMA BIOLOGISK MÅNGFALD I TORVMARKER. - Hur gör man rent praktiskt (och tekniskt)? Sofia Nygårds Ecocom AB
BEDÖMA BIOLOGISK MÅNGFALD I TORVMARKER - Hur gör man rent praktiskt (och tekniskt)? Sofia Nygårds Ecocom AB Bakgrund: landskap i olika nivåer Cell: minsta beståndsdelen i en kategorisk karta (raster),
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 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 merTorbjörn Westin, Spacemetric AB Simon Ahlberg, FORAN Remote Sensing AB
Torbjörn Westin, Spacemetric AB Simon Ahlberg, FORAN Remote Sensing AB Introduktion Korta företagspresentationer Motiv och bakgrund Bilder, ljusberoende Frikoppla laserdata från bilder Metod Laserdata,
Läs merppi = 72 ppi = 18 ppi = 36 DIGITALA BILDER (pixelbaserad) DIGITAL RASTRERING ppi (pixels per inch) Sasan Gooran (HT 2003)
DIGITALA BILDER (pixelbaserad) Skanning Sasan Gooran (HT 2003) Foto Digital bild ppi: Antalet sampel per tum 2006-11-14 Grafisk teknik 1 2006-11-14 Grafisk teknik 2 ppi (pixels per inch) ppi = 72 ppi (Inläsningsupplösning):
Läs merFöreläsning 9: Linjär regression del II
Föreläsning 9: Linjär regression del II Johan Thim (johan.thim@liu.se) 29 september 2018 No tears, please. It s a waste of good suffering. Pinhead Vi fixerar en vektor u T = (1 u 1 u 2 u k ), där u i kommer
Läs merFöreläsning 7. Felrättande koder
Föreläsning 7 Felrättande koder Antag att vi vill skicka ett meddelande som består av bokstäver a,b,c,d. Vi kan koda a,b,c,d. Antag att det finns en viss sannolikhet att en bit i ett meddelande som skickas
Läs merFöreläsning 12 Bipolära Transistorer II. Funk<on bipolär transistor
Föreläsning 1 Bipolära Transistorer II Funk
Läs merÅldrande och minne. Erika Jonsson Laukka, legitimerad psykolog, PhD Aging Research Center
Åldrande och minne, legitimerad psykolog, PhD Aging Research Center 1 Minnessystem Korttidsminne Långtidsminne Explicit minne Implicit minne Primärminne Arbetsminne PRS Procedur Semantiskt minne Episodiskt
Läs merStokastiska signaler. Mediesignaler
Stokastiska signaler Mediesignaler Stokastiska variabler En slumpvariabel är en funktion eller en regel som tilldelar ett nummer till varje resultatet av ett experiment Symbol som representerar resultatet
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable
Läs merFÖRBÄTTRA DIN PREDIKTIVA MODELLERING MED MACHINE LEARNING I SAS ENTERPRISE MINER OSKAR ERIKSSON - ANALYSKONSULT
FÖRBÄTTRA DIN PREDIKTIVA MODELLERING MED MACHINE LEARNING I SAS ENTERPRISE MINER OSKAR ERIKSSON - ANALYSKONSULT VEM ÄR JAG? VAD SKA VI GÖRA? Pimafolket Vilka då? Diabetes Typ 2 Regressionsanalys Machine
Läs mer1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att
Läs mer8.1 General factorial experiments
Exempel: Vid ett tillfälle ville man på ett laboratorium jämföra fyra olika metoder att bestämma kopparhalten i malmprover. Man är även intresserad av hur laboratoriets tre laboranter genomför sina uppgifter.
Läs merInteraktionsteknik. Föreläsning 6, Kognition perception. Översikt. Vad händer i medvetandet?
Föreläsning 6: Kognition och perception Rogers et al. Kapitel 3 Översikt Vad är kognition? Vad är användare bra och dåliga på? Exempel på hur kognition kopplas till interaktionsdesign Kognition och perception
Läs merLaboration i digitalteknik Datablad
Linköpings universitet Institutionen för systemteknik Datablad Datorteknik 216 Laboration i digitalteknik Datablad TSEA22 Digitalteknik D TSEA51 Digitalteknik, i, I, Ii TDDC75 Diskreta strukturer IT Linköpings
Läs merFöreläsning 6: Kognition och perception. Rogers et al. Kapitel 3
Föreläsning 6: Kognition och perception Rogers et al. Kapitel 3 Översikt Vad är kognition? Vad är användare bra och dåliga på? Exempel på hur kognition kopplas till interaktionsdesign 120420 Kognition
Läs merVisuell perception och synsinnets neurofysiologi
Visuell perception och synsinnets neurofysiologi The spectrum of electromagnetic energy Mål redogöra för hur våra sinnesorgan och vår hjärna tolkar omvärlden i psykologiskt meningsfulla enheter och olika
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merTentamen i Introduktion till programmering
Tentamen i Introduktion till programmering Kurskod: Skrivtid: D0009E 09:00-13:00 (4 timmar) Totalt antal uppgifter: 7 Totalt antal poäng: 38 Tentamensdatum: 2014-05-17 Jourhavande lärare: Tillåtna hjälpmedel:
Läs merDIGITAL RASTRERING. DIGITALA BILDER (pixelbaserad) ppi (pixels per inch) Sasan Gooran
DIGITAL RASTRERING Sasan Gooran 1/8/15 Grafisk teknik 1 DIGITALA BILDER (pixelbaserad) Skanning Foto Digital bild ppi: Antalet sampel per tum 1/8/15 Grafisk teknik 2 ppi (pixels per inch) ppi (Inläsningsupplösning):
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag Jörgen Säve-Söderbergh Väntevärde för en funktion av en stokastisk variabel Om
Läs merKorttidsminne-arbetsminne
Översikt Korttidsminne-arbetsminne Klassiska teorier om korttidsminnet 7 ± 2 platser Rollen av repetition Lagringskapacitet beror på tid att repetera Arbetsminne Inkluderar repetitionsloopar Störningar
Läs merFöreläsning 8: Konfidensintervall
Föreläsning 8: Konfidensintervall Matematisk statistik Chalmers University of Technology Maj 4, 2015 Projektuppgift Projektet går ut på att studera frisättningen av dopamin hos nervceller och de två huvudsakliga
Läs merIgenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program
Igenkänning av bilddata med hjälp av Kohonen-nätverk, samt beskrivning av program Jerker Björkqvist September 2001 1 Introduktion I detta arbete undersökts hur klassificering av bilddata kan göras med
Läs merAutomation and and Drives. Elektroinstallation von A bis Z. Öppet Hus 2007
Automation and and Drives Elektroinstallation von A bis Z A&D LSP+Norm Öppet Hus 2007 Allströmskännande jordfelsbrytare typ B Användbar för alla typer av applikationer Allströmskännande jordfelsbrytare
Läs merKinetik, Föreläsning 1. Patrik Lundström
Kinetik, Föreläsning 1 Patrik Lundström Varför kinetik inom kemin? Hur lång tid som behövs för att bilda viss mängd produkt Hur en reaktion beror av temperatur Hur katalys påverkar reaktion och reaktionshastighet
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 5 Markovprocesser 2 Maj 2016 Johan Westerborn Markovprocesser (1) Föreläsning 5 Föreläsningsplan 1 Förra Föreläsningen 2 Poissonprocessen
Läs merLäs, lyssna och anteckna smartare! 20 september 2016 Marcus Lithander och Ida Pinho
Läs, lyssna och anteckna smartare! 20 september 2016 Marcus Lithander och Ida Pinho Vi är inte maskiner! Förstå underläggande mekanismer I mänskligt lärande. Studietekniker Förstå, övervaka och kontrollera
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merMarkovprocesser SF1904
Markovprocesser SF1904 Johan Westerborn johawes@kth.se Föreläsning 5 Markovprocesser 24 April 2015 Johan Westerborn Markovprocesser (1) Föreläsning 5 Föreläsningsplan 1 Förra Föreläsningen 2 Poissonprocessen
Läs merKapitel 10 Hypotesprövning
Sannolikhetslära och inferens II Kapitel 10 Hypotesprövning 1 Vad innebär hypotesprövning? Statistisk inferens kan utföras genom att ställa upp hypoteser angående en eller flera av populationens parametrar.
Läs merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
Läs merKurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 15 August 2016, 8:00-12:00. English Version
Kurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 15 August 2016, 8:00-12:00 Examiner: Xiangfeng Yang (Tel: 070 0896661). Please answer in ENGLISH if you can. a. Allowed to use: a calculator, Formelsamling
Läs merSF1544 LABORATION 2 INTEGRATION, MONTE-CARLO OCH BLACK-SCHOLES EKVATION FÖR OPTIONER
SF1544 LABORATION INTEGRATION, MONTE-CARLO OCH BLACK-SCHOLES EKVATION FÖR OPTIONER Avsikten med denna laboration är att: - snabbt komma igång med träning på matlabprogrammering (uttnyttja gärna alla schemalagda
Läs merGrundkurs i Informationsbehandling Del II (1119) Tentamen 2.9.2000
Grundkurs i Informationsbehandling Del II (1119) Tentamen 2.9.2000 Varje fråga ger maximalt 5 poäng, för godkänt i tentamen krävs 12,5 poäng. Poängen räknas därefter ihop med poängen från ADB-verktygstestet.
Läs merKinetik. Föreläsning 1
Kinetik Föreläsning 1 Varför kunna kinetik? För att till exempel kunna besvara: Hur lång tid tar reaktionen till viss omsättningsgrad eller hur mycket produkt bildas på viss tid? Hur ser reaktionens temperaturberoende
Läs merStat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence
Läs mer