OSNOVE UMETNE INTELIGENCE
|
|
- Christine McBride
- 5 years ago
- Views:
Transcription
1 11/13/017 Planiranje in razporejanje opravil OSNOVE UMETNE INTELIGENCE do sedaj (klasično planiranje): kaj narediti in v kakšnem vrstnem redu pristopi: planiranje kot preiskovanje prostora stanj planiranje z regresiranjem ciljev skozi akcije v realnosti imamo številne dodatne omejitve: časovne omejitve (začetki aktivnosti, trajanja aktivnosti, roki zaključkov) resursi (omejeno število procesorjev, kadra, bencina, denarja, surovin, ) razporejanje opravil strojno učenje odločitvena drevesa delno urejen plan: vrstni red podmnožice aktivnosti je lahko urejen razširimo lahko notacijo (PDDL): Akcija1 Akcija: pomeni, da se mora Akcija1 zgoditi pred Akcijo Resources podaja števila razpoložljivih resursov DURATION opredeljuje trajanje posamezne akcije CONSUME opredeljuje (trajno) porabo določene količine resursov USE opredeljuje (začasno) zasedenost količine resursov med izvajanjem akcije za začetek: samo časovne omejitve metoda kritične poti kritična pot: pot, ki je najdaljša in določa dolžino trajanja celotnega plana (krajšanje vzporednih poti ne vpliva na trajanje plana) vsaki akciji priredimo par [ES, LS]: ES najbolj zgodnji možen začetek (angl Earliest Start) LS najbolj pozen možen zaključek (angl Latest Start) Jobs (AddEngine1 Addheels1 Inspect1, AddEngine Addheels Inspect ) Resources (Engineoists(1), heelstations(1), Inspectors(), LugNuts(500)) Action (AddEngine1, DURATION:30, USE:Engineoists(1)) Action (AddEngine, DURATION:60, USE:Engineoists(1)) Action (Addheels1, DURATION:30, CONSUME:LugNuts(0), USE:heelStations(1)) Action (Addheels, DURATION:15, CONSUME:LugNuts(0), USE:heelStations(1)) Action (Inspect i, DURATION:10, USE:Inspectors (1)) ES(Start) = 0 ES B = max ES(A) Duration A A B LS(Finish) = ES(Finish) LS A = min LS B Duration A B A rezerva slack = LS ES dodatno: upoštevanje tudi resursov uvede omejitev, da se aktivnosti, ki potrebujeta iste resurse, ne smeta prekrivati izračun LS izračun ES optimalna rešitev časovna zahtevnost algoritma: O(Nb), N število akcij, b faktor vejanja sprememba časovne zahtevnosti: O(Nb) NP-težek problem (!) primer izziv iz leta 1963 nerešen 3 let: resursi: 10 strojev, 10 nalog, 100 akcij preizkušene metode: simulirano ohlajanje, tabu search, razveji in omeji, primerna hevristika: algoritem najmanjše časovne rezerve (angl minimum slack algorithm) na vsaki iteraciji izberi akcijo, ki ima izpolnjene vse predhodnike in ima najmanj časovne rezerve, nato posodobi [ES in LS] za celotni graf in ponovi 1
2 11/13/017 Pregled Diskusija: Kakšen je rezultat simulacije algoritma najmanjše časovne rezerve na obravnavanem problemu? Ali je rešitev enaka optimalni? Zakaj? Kako upoštevati omejitve v zaporedju akcij pri pristopih za planiranje? Kako upoštevati omejitve v omejenem številu resursov? planiranje planiranje s "klasičnim" preiskovanjem prostora stanj planiranje z regresiranjem ciljev razporejanje opravil strojno učenje uvod v strojno učenje učenje odločitvenih dreves Strojno učenje Vrste učenja angl machine learning inteligentni agent se uči, če z opazovanjem okolja (z "izkušnjami") postaja bolj učinkovit pri prihodnjih nalogah zakaj narediti učečega se agenta in ne ga takojnaučiti vsega? razvijalci programske opreme ne morejo predvideti vseh možnih situacij (različne problemske situacije), razvijalci ne morejo predvideti sprememb okolja skozi čas (prilagodljivost), razvijalci ne znajo sprogramirati agenta z znanjem (npr razpoznava obrazov?) ocena uspešnosti povratna informacija uspešnost učenje učni cilji spremembe znanje odločanje induktivno učenje: učenje, pri katerem iščemo posplošeno funkcijo, ki opisuje množice vhodnih podatkov (učenje iz primerov) učni primeri, atributi, ciljna spremenljivka učenje z odkrivanjem (learning by discovery): agent izvaja poskuse, zbira podatke, formulira problem, posplošuje podatke nadzorovano učenje (angl supervised learning): učni primeri so podani kot vrednosti vhodov in izhodov (učni primeri so označeni); učimo se funkcije, ki preslika vhode v izhode (npr odločitveno drevo) nenadzorovano učenje (angl unsupervised learning): učni primeri niso označeni (nimajo ciljne spremenljivke); učimo se vzorcev v podatkih (npr gručenje) vzpodbujevano učenje (angl reinforcement learning): inteligentni agent se uči iz zaporedja nagrad in kazni problemske situacije akcije Primeri Nadzorovano učenje nadzorovano učenje: podana: množica učnih primerov x 1, y 1, x, y,, (x N, y N), kjer je vsak y j vrednost neznane funkcije y = f x naloga: najdi funkcijo h, ki je najboljši približek funkciji f x j so atributi (vrednost ali vektor) funkcijo h imenujemo hipoteza nenadzorovano učenje: primeri hipotez skozi dve množici točk: vzpodbujevano učenje:
3 11/13/017 Atributna predstavitev podatkov učna množica: čakanje na prosto mesto v restavraciji ciljna spremenljivka: čakamo (T) ali ne čakamo (F) razpoznavanje užitnih gob atributa (x): (width) in (height) razred (y): strupena (-), užitna () IF > and <4 and < TEN "edible" ELSE "poisonous" ali pa prostor hipotez vsebuje več hipotez vse prikazane hipoteze so konsistentne z učno množico dobra hipoteza je dovolj splošna (general), kar pomeni, da pravilno napoveduje vrednost y za nove (še nevidene) primere IF > TEN "poisonous" ELSE IF > 6 TEN "poisonous" ELSE "edible" IF < 3 (-3) ELSE "poisonous" TEN "edible" kam klasificirati ta primer? (glede na 1 in je -, glede na 3 je )?? kako izbrati primerno hipotezo? Princip Ockhamove britve (Ockham s razor) (illiam o Ockham, 130, angleški filozof): prava hipoteza je najbolj preprosta hipoteza Entities should not be multiplied unnecessarily Given two explanations of the data, all other things being equal, the simpler explanation is preferrable Primer Vrste problemov podoben problem je tudi pri drugačnih primerih (iskanje funkcije, ki opisuje podane točke) klasifikacija in regresija klasifikacija: y pripada končnem naboru vrednosti (je diskretna spremenljivka) npr y {užitna, strupena}, y {sonce, oblačno, dež}, y {zdrav, bolan} y imenujemo razred (angl class) napovedovanje vremena iz podatkov prejšnjih let diagnosticiranje novih pacientov na osnovi znanih diagnoz za stare paciente klasifikacija neželene elektronske pošte napovedovanje vračila kredita drevo, zgrajeno iz 139 učnih primerov; višja klasifikacijska točnost kot zdravniška 3
4 11/13/017 Vrste problemov Prostor hipotez regresija: y je število (običajno y R, je zvezna spremenljivka) npr y je temperatura, y imenujemo označba (angl label) napovedovanje razmnoževanja alg medicinska diagnostika napovedovanje vremena napovedovanje koncentracije ozona napovedovanje gibanja cen delnic denimo, da imamo binarno klasifikacijo n binarnih atributov sledi: n različnih učnih primerov n hipotez (denimo, da lahko hipotezo opišemo s tabelo napovedi za vse primere) primer: za 10 atributov izbiramo med možnimi hipotezami za 0 atirbutov izbiramo med možnimi hipotezami v resnici: hipotez je že več, izračunavajo lahko isto funkcijo potrebujemo: zavedanje o pristranosti hipotez algoritme za gradnjo "dobrih" hipotez metode za ocenjevanje hipotez / ocenjevanje učenja zakonitosti razmnoževanja alg Evalviranje hipotez Pregled pomembni kriteriji: konsistentnost hipotez s primeri razumljivost (interpretability, comprehensibility) hipotez točnost hipotez: točnost na učnih podatkih? (pristranost hipotez?) točnost na novih podatkih? točnost na testnih podatkih? ocenjevanje uspešnosti pri klasifikaciji: planiranje planiranje s "klasičnim" preiskovanjem prostora stanj planiranje z regresiranjem ciljev razporejanje opravil FP TN FN TP FN FP TP pravilno pozitivno klasificirani primeri (angl true positive) TN pravilno negativno klasificirani primeri (angl true negative) FP napačno pozitivno klasificirani primeri (angl false positive) FN napačno negativno klasificirani primeri (angl false negative) klasifikacijska točnost (angl classification accuracy): TP TN TP TN CA = = TP TN FP FN N pravi (ciljni, neznani) pojem naučena hipoteza strojno učenje uvod v strojno učenje učenje odločitvenih dreves Odločitveno drevo Gradnja odločitvenega drevesa ponazarja relacijo med vhodnimi vrednostmi (atributi) in odločitvijo (ciljna spremenljivka razred ali označba) notranja vozlišča: test glede na vrednost posameznega atributa listi: odločitev (vrednost ciljne spremenljivke) pot: konjunkcija pogojev v notranjih vozliščih na poti, ki vodi do lista poseben primer: binarna klasifikacija (razred ima dve možni vrednosti (npr pozitivni/negativni, strupen/užiten itd) cilj: zgradi čim manjše drevo, ki je konsistentno z učnimi podatki prostor iskanja: kombinatoričen, vsa možna drevesa (neučinkovito!) hevristični požrešni algoritem s strategijo razveji in omeji: izberi najbolj pomemben atribut tisti, ki najbolj odločilno vpliva na klasifikacijo primera in razdeli primere v poddrevesa glede na njegove vrednosti, rekurzivno ponovi za poddrevesa, če vsi elementi v listu pripadajo istemu razredu ali vozlišča ni možno deliti naprej (ni razpoložljivih atributov), ustavi gradnjo imenovano tudi Top Down Induction of Decision Trees (TDIDT) primeri implementacij: ID3, CART, Assistant, C45, C5, M5, atribut A A=V1 A=V poddrevo poddrevo T1 T 4
5 11/13/017 Izbor najbolj pomembnega atributa najboljši atribut je tisti, ki razdeli učno množico v najbolj "čiste" podmnožice (glede na razred) uporabimo lahko mero entropije mera nečistoče oz mera nedoločenosti naključne spremenljivke (Shannon in eaver, 1949) enota: količina informacije v bitih, ki jo pridobimo met kovanca: 1 bit informacije poskus s štirimi enako verjetnimi možnimi izidi: bita informacije poskus z dvema izidoma, od katerih je eden 99%: ~0 bitov informacije = p k log p k k dejansko nas zanima znižanje entropije (nedoločenosti) ob delitvi učne množice glede na vrednosti atributa A primer: entropija za dvorazredni problem glede na verjetnost prvega razreda Informacijski prispevek znižanje entropije ob delitvi učne množice glede na vrednosti atributa A atribut A informacijski prispevek: Gain = I I res V1 učna množica V v v vrednost atributa, c razred V3 I res = p v p c v log p c v c informacija (entropija) I rezidualna informacija (entropija) I res najbolj informativni atribut maksimizira informacijski prispevek (minimizira I res) alternativne mere: druge informacijske mere, Gini indeks, ocene verjetnosti itd Izbor najbolj pomembnega atributa Primer naučeno odločitveno drevo (levo) je krajše od ročno zgrajenega drevesa (desno) slab atribut (slabo loči pozitivne in negativne primere) dober atribut (glej vrednosti None in Some) znižanje entropije ob delitvi učne množice glede na vrednosti atributa A Gain = I I res I = p T log p T p F log p F = 6 1 log log 6 1 = log 1 = 1 I res Type = 1 1 log 1 1 log log 1 1 log log 4 4 log log I res Patrons = log log 4 6 0,46 Gain Type = 1 1 = 0 Gain Patrons = 1 0,46 = 0, log 4 = 1 obe drevesi sta konsistentni s primeri v zgrajenem drevesu ne nastopajo vsi atributi (npr Raining in Reservation), zakaj? Učenje dreves, rezanje, šumni podatki 5
Minimizacija učne množice pri učenju odločitvenih dreves
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Ivan Štajduhar Minimizacija učne množice pri učenju odločitvenih dreves Diplomska naloga Mentor: prof. dr. Ivan Bratko Ljubljana, 2001 Izjava
More informationMetode umetne inteligence
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Tržaška cesta 25, Ljubljana, Slovenija Zoran BOSNIĆ Petar VRAČAR Metode umetne inteligence komplet prosojnic in gradivo za vaje 2009/10 dodatno
More informationUPORABA STROJNEGA UČENJA PRI ANALIZI VREDNOSTNIH PAPIRJEV
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO UPORABA STROJNEGA UČENJA PRI ANALIZI VREDNOSTNIH PAPIRJEV V Ljubljani, september 2006 Dragan Šmigič I IZJAVA Študent Dragan Šmigič izjavljam, da
More informationGrafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Miha Biček Grafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr.
More informationEkstrakcija časovnega znanja iz dogodkov v spletnih novicah
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Kristijan Mirčeta Ekstrakcija časovnega znanja iz dogodkov v spletnih novicah DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE
More informationUNIVERZA V MARIBORU FAKULTETA ZA ELEKTROTEHNIKO, RAČUNALNIŠTVO IN INFORMATIKO. Filip Urh DINAMIČNI PARALELIZEM NA GPE.
UNIVERZA V MARIBORU FAKULTETA ZA ELEKTROTEHNIKO, RAČUNALNIŠTVO IN INFORMATIKO Filip Urh DINAMIČNI PARALELIZEM NA GPE Diplomsko delo Maribor, september 2015 DINAMIČNI PARALELIZEM NA GPE Diplomsko delo
More informationReševanje problemov in algoritmi
Reševanje problemov in algoritmi Vhod Algoritem Izhod Kaj bomo spoznali Zgodovina algoritmov. Primeri algoritmov. Algoritmi in programi. Kaj je algoritem? Algoritem je postopek, kako korak za korakom rešimo
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Uporaba logistične regresije za napovedovanje razreda, ko je število enot v preučevanih razredih
More informationMiha Troha. Robotsko učenje in planiranje potiskanja predmetov
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Miha Troha Robotsko učenje in planiranje potiskanja predmetov DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: prof. dr. Ivan Bratko Ljubljana,
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Primerjava modernih pristopov za identifikacijo pomembno izraženih genov za dve skupini (Comparison
More informationDejan Petelin. Sprotno učenje modelov na podlagi Gaussovih procesov
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Dejan Petelin Sprotno učenje modelov na podlagi Gaussovih procesov DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr. Janez Demšar
More informationLinearna regresija. Poglavje 4
Poglavje 4 Linearna regresija Vinkove rezultate iz kemije so založili. Enostavno, komisija je izgubila izpitne pole. Rešitev: Vinko bo kemijo pisal še enkrat. Ampak, ne more, je ravno odšel na trening
More informationOA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION
OA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION Table of contents 1 TECHNICAL FIELDS... 2 2 PRESENTING THE SCOPE OF A CALIBRATION LABOORATORY... 2 3 CONSIDERING CHANGES TO SCOPES... 6 4 CHANGES WITH
More informationDomen Perc. Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Domen Perc Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor:
More informationCS 380: ARTIFICIAL INTELLIGENCE MACHINE LEARNING. Santiago Ontañón
CS 380: ARTIFICIAL INTELLIGENCE MACHINE LEARNING Santiago Ontañón so367@drexel.edu Summary so far: Rational Agents Problem Solving Systematic Search: Uninformed Informed Local Search Adversarial Search
More informationOPTIMIRANJE IZDELOVALNIH PROCESOV
OPTIMIRANJE IZDELOVALNIH PROCESOV asist. Damir GRGURAŠ, mag. inž. str izr. prof. dr. Davorin KRAMAR damir.grguras@fs.uni-lj.si Namen vaje: Ugotoviti/določiti optimalne parametre pri struženju za dosego
More informationHibridizacija požrešnih algoritmov in hitrega urejanja
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Nina Vehovec Hibridizacija požrešnih algoritmov in hitrega urejanja DIPLOMSKO DELO INTERDISCIPLINARNI UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE
More informationMakroekonomija 1: 4. vaje. Igor Feketija
Makroekonomija 1: 4. vaje Igor Feketija Teorija agregatnega povpraševanja AD = C + I + G + nx padajoča krivulja AD (v modelu AS-AD) učinek ponudbe denarja premiki vzdolž krivulje in premiki krivulje mikro
More informationCS 380: ARTIFICIAL INTELLIGENCE
CS 380: ARTIFICIAL INTELLIGENCE MACHINE LEARNING 11/11/2013 Santiago Ontañón santi@cs.drexel.edu https://www.cs.drexel.edu/~santi/teaching/2013/cs380/intro.html Summary so far: Rational Agents Problem
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Ekstremne porazdelitve za odvisne spremenljivke
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Ekstremne porazdelitve za odvisne spremenljivke (Extremal Distributions for Dependent Variables)
More informationENAČBA STANJA VODE IN VODNE PARE
ENAČBA STANJA VODE IN VODNE PARE SEMINARSKA NALOGA PRI PREDMETU JEDRSKA TEHNIKA IN ENERGETIKA TAMARA STOJANOV MENTOR: IZRED. PROF. DR. IZTOK TISELJ NOVEMBER 2011 Enačba stanja idealni plin: pv = RT p tlak,
More informationAttempt to prepare seasonal weather outlook for Slovenia
Attempt to prepare seasonal weather outlook for Slovenia Main available sources (ECMWF, EUROSIP, IRI, CPC.NCEP.NOAA,..) Two parameters (T and RR anomally) Textual information ( Met Office like ) Issued
More informationday month year documentname/initials 1
ECE471-571 Pattern Recognition Lecture 13 Decision Tree Hairong Qi, Gonzalez Family Professor Electrical Engineering and Computer Science University of Tennessee, Knoxville http://www.eecs.utk.edu/faculty/qi
More informationLearning from Observations. Chapter 18, Sections 1 3 1
Learning from Observations Chapter 18, Sections 1 3 Chapter 18, Sections 1 3 1 Outline Learning agents Inductive learning Decision tree learning Measuring learning performance Chapter 18, Sections 1 3
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. O neeksaknotsti eksaktnega binomskega intervala zaupanja
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga (Final project paper) O neeksaknotsti eksaktnega binomskega intervala zaupanja (On the inexactness
More informationIntroduction to Artificial Intelligence. Learning from Oberservations
Introduction to Artificial Intelligence Learning from Oberservations Bernhard Beckert UNIVERSITÄT KOBLENZ-LANDAU Winter Term 2004/2005 B. Beckert: KI für IM p.1 Outline Learning agents Inductive learning
More information21.1 Scilab Brownov model 468 PRILOGA. By: Dejan Dragan [80] // brown.m =========================== function brown(d,alfa) fakt = 5;
Poglavje 21 PRILOGA 468 PRILOGA 21.1 Scilab By: Dejan Dragan [80] 21.1.1 Brownov model // brown.m =========================== function brown(d,alfa) fakt = 5; N = length(d); t = [1:1:N]; // izhodi prediktor-filtra
More informationSTROJNO RAZČLENJEVANJE BESEDILA Z ISKANJEM STAVKOV IN AUTOMATIC TEXT PARSING AIDED BY CLAUSE SPLITTING AND INTRACLAUSAL COORDINATION DETECTION
Domen Marinčič STROJNO RAZČLENJEVANJE BESEDILA Z ISKANJEM STAVKOV IN NAŠTEVANJ Doktorska disertacija AUTOMATIC TEXT PARSING AIDED BY CLAUSE SPLITTING AND INTRACLAUSAL COORDINATION DETECTION Doctoral Dissertation
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Optimizacija 1 Course title: Optimization 1. Študijska smer Study field
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Optimizacija 1 Course title: Optimization 1 Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika
More informationModeliranje časovnih vrst z metodami teorije informacij
Elektrotehniški vestnik 76(4): 240 245, 2009 Electrotechnical Review, Ljubljana, Slovenija Modeliranje časovnih vrst z metodami teorije informacij Marko Bratina 1, Andrej Dobnikar 2, Uroš Lotrič 2 1 Savatech,
More informationKLASIFIKACIJA NAIVNI BAJES. NIKOLA MILIKIĆ URL:
KLASIFIKACIJA NAIVNI BAJES NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info ŠTA JE KLASIFIKACIJA? Zadatak određivanja klase kojoj neka instanca pripada instanca je opisana
More informationUvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo)
Uvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo) Blaž Zupan 29. julij 2017 Kazalo 1 Odkrivanje skupin 7 1.1 Primer podatkov.................................. 7 1.2 Nekaj
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Analiza 1 Course title: Analysis 1. Študijska smer Study field. Samost. delo Individ.
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Analiza 1 Course title: Analysis 1 Študijski program in stopnja Study programme and level Univerzitetni študijski program Finančna matematika First cycle
More informationOdgovor rastlin na povečane koncentracije CO 2. Ekofiziologija in mineralna prehrana rastlin
Odgovor rastlin na povečane koncentracije CO 2 Ekofiziologija in mineralna prehrana rastlin Spremembe koncentracije CO 2 v atmosferi merilna postaja Mauna Loa, Hawaii. koncentracija CO 2 [μmol mol -1 ]
More informationNelinearna regresija. SetOptions Plot, ImageSize 6 72, Frame True, GridLinesStyle Directive Gray, Dashed, Method "GridLinesInFront" True,
Nelinearna regresija In[1]:= SetOptions ListPlot, ImageSize 6 72, Frame True, GridLinesStyle Directive Gray, Dashed, Method "GridLinesInFront" True, PlotStyle Directive Thickness Medium, PointSize Large,
More informationFrom inductive inference to machine learning
From inductive inference to machine learning ADAPTED FROM AIMA SLIDES Russel&Norvig:Artificial Intelligence: a modern approach AIMA: Inductive inference AIMA: Inductive inference 1 Outline Bayesian inferences
More informationVsebina Od problema do načrta programa 1. del
Vsebina Od problema do načrta programa 1. del Osnovne strategije iskanja rešitev problema Načini opisovanja rešitev problema Osnovni gradniki rešitve problema Primeri Napišite postopek za kuhanje kave
More informationMultipla korelacija in regresija. Multipla regresija, multipla korelacija, statistično zaključevanje o multiplem R
Multipla koelacia in egesia Multipla egesia, multipla koelacia, statistično zaklučevane o multiplem Multipla egesia osnovni model in ačunane paametov Z multiplo egesio napoveduemo vednost kiteia (odvisne
More informationODKRIVANJE TEMATIK V ZAPOREDJU BESEDIL IN SLEDENJE NJIHOVIM SPREMEMBAM
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO BLAŽ NOVAK ODKRIVANJE TEMATIK V ZAPOREDJU BESEDIL IN SLEDENJE NJIHOVIM SPREMEMBAM DIPLOMSKA NALOGA na univerzitetnem študiju Mentor: akad.
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Parcialne diferencialne enačbe Partial differential equations. Študijska smer Study field
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Parcialne diferencialne enačbe Partial differential equations Študijski program in stopnja Study programme and level Magistrski
More informationLearning Decision Trees
Learning Decision Trees Machine Learning Spring 2018 1 This lecture: Learning Decision Trees 1. Representation: What are decision trees? 2. Algorithm: Learning decision trees The ID3 algorithm: A greedy
More informationEECS 349:Machine Learning Bryan Pardo
EECS 349:Machine Learning Bryan Pardo Topic 2: Decision Trees (Includes content provided by: Russel & Norvig, D. Downie, P. Domingos) 1 General Learning Task There is a set of possible examples Each example
More informationINTELLIGENTNI SISTEMI NEVRONSKE MREŽE IN KLASIFIKACIJA. Nevronske mreže Prof. Jurij F. Tasič Emil Plesnik
INTELLIGENTNI SISTEMI NEVRONSKE MREŽE IN KLASIFIKACIJA Nevronske mreže Prof. Jurij F. Tasič Emil Plesnik 1 Uvod Umetne nevronske mreže ang. Artificial Neural Networks (ANN) Preračunavanje povezav Vzporedno
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationGradnja Vietoris-Ripsovega simplicialnega kompleksa
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Fakulteta za matematiko in fiziko Leonard Štefančič Gradnja Vietoris-Ripsovega simplicialnega kompleksa DIPLOMSKO DELO NA INTERDISCIPLINARNEM
More informationRudarjenje razpoloženja na komentarjih rtvslo.si
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Brina Škoda Rudarjenje razpoloženja na komentarjih rtvslo.si DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE RAČUNALNIŠTVO IN
More informationOptimizacija razporeditve preizkušanja in vzdrževanja varnostne opreme na podlagi najmanjšega tveganja
Elektrotehniški vestnik 70(1-2): 22 26, 2003 Electrotechnical Review, Ljubljana, Slovenija Optimizacija razporeditve preizkušanja in vzdrževanja varnostne opreme na podlagi najmanjšega tveganja Marko Čepin
More informationMiha Sedej. Analiza lastnosti pločevine z metodami podatkovnega rudarjenja
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Miha Sedej Analiza lastnosti pločevine z metodami podatkovnega rudarjenja DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: izr. prof. dr.
More informationBaroklina nestabilnost
Baroklina nestabilnost Navodila za projektno nalogo iz dinamične meteorologije 2012/2013 Januar 2013 Nedjeljka Zagar in Rahela Zabkar Naloga je zasnovana na dvoslojnem modelu baroklinega razvoja, napisana
More information.. Cal Poly CSC 466: Knowledge Discovery from Data Alexander Dekhtyar.. for each element of the dataset we are given its class label.
.. Cal Poly CSC 466: Knowledge Discovery from Data Alexander Dekhtyar.. Data Mining: Classification/Supervised Learning Definitions Data. Consider a set A = {A 1,...,A n } of attributes, and an additional
More informationMachine Learning 3. week
Machine Learning 3. week Entropy Decision Trees ID3 C4.5 Classification and Regression Trees (CART) 1 What is Decision Tree As a short description, decision tree is a data classification procedure which
More informationLearning Decision Trees
Learning Decision Trees Machine Learning Fall 2018 Some slides from Tom Mitchell, Dan Roth and others 1 Key issues in machine learning Modeling How to formulate your problem as a machine learning problem?
More informationRačunalniška izdelava ocenjevalne razdelitve na mednarodnih razstavah mačk
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Dean Lamper Računalniška izdelava ocenjevalne razdelitve na mednarodnih razstavah mačk DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE
More informationENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA
UDK621.3:(53+54+621 +66), ISSN0352-9045 Informaclje MIDEM 3~(~UU8)4, Ljubljana ENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA Marijan Macek 1,2* Miha Cekada 2 1 University of Ljubljana,
More informationDecision trees. Decision tree induction - Algorithm ID3
Decision trees A decision tree is a predictive model which maps observations about an item to conclusions about the item's target value. Another name for such tree models is classification trees. In these
More informationINTELLIGENTNI SISTEMI Mehka Logika
INTELLIGENTNI SISTEMI Mehka Logika MEHKA LOGIKA (FUZZY LOGIC) 2011/12 Jurij F. Tasič Emil Plesnik 2011/12 1 Splošna definicija Mehka logika - Fuzzy Logic; 1965 Lotfi Zadeh, Berkely Nadgradnja konvencionalne
More informationPreprečevanje neizvedljivosti urnikov pri metahevrističnem razvrščanju proizvodnih procesov
Univerza v Ljubljani Fakulteta za elektrotehniko Boštjan Murovec Preprečevanje neizvedljivosti urnikov pri metahevrističnem razvrščanju proizvodnih procesov Doktorska disertacija Mentor: prof. dr. Peter
More informationBayesove verjetnostne mreže
Bayesove verjetnostne mreže Martin Žnidaršič Seminarska naloga pri predmetu Avtomatsko učenje Nosilec predmeta: prof. dr. Igor Kononenko Povzetek Uporaba verjetnostnega sklepanja je na področju umetne
More informationDecision Tree Learning
Decision Tree Learning Goals for the lecture you should understand the following concepts the decision tree representation the standard top-down approach to learning a tree Occam s razor entropy and information
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Izbrana poglavja iz diskretne matematike 1 Course title: Topics in discrete mathematics 1 Študijski program in stopnja Study programme
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Analiza 3 Course title: Analysis 3. Študijska smer Study field ECTS
UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Predmet: Analiza 3 Course title: Analysis 3 Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika
More informationCC283 Intelligent Problem Solving 28/10/2013
Machine Learning What is the research agenda? How to measure success? How to learn? Machine Learning Overview Unsupervised Learning Supervised Learning Training Testing Unseen data Data Observed x 1 x
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Statistika Statistics Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika First cycle academic
More informationBayesian learning Probably Approximately Correct Learning
Bayesian learning Probably Approximately Correct Learning Peter Antal antal@mit.bme.hu A.I. December 1, 2017 1 Learning paradigms Bayesian learning Falsification hypothesis testing approach Probably Approximately
More informationInštitut za matematiko, fiziko in mehaniko. Seminar DMFA Slovenije. Zgledi uporabe statistike na različnih strokovnih področjih
Inštitut za matematiko, fiziko in mehaniko Seminar DMFA Slovenije Zgledi uporabe statistike na različnih strokovnih področjih Bayesov pristop v statistiki Aleš Toman ales.toman@imfm.si Pedagoška fakulteta,
More informationUniverza v Ljubljani Fakulteta za matematiko in fiziko. Oddelek za fiziko. Seminar - 3. letnik, I. stopnja. Kvantni računalniki. Avtor: Tomaž Čegovnik
Univerza v Ljubljani Fakulteta za matematiko in fiziko Oddelek za fiziko Seminar - 3. letnik, I. stopnja Kvantni računalniki Avtor: Tomaž Čegovnik Mentor: prof. dr. Anton Ramšak Ljubljana, marec 01 Povzetek
More informationDecision Trees. None Some Full > No Yes. No Yes. No Yes. No Yes. No Yes. No Yes. No Yes. Patrons? WaitEstimate? Hungry? Alternate?
Decision rees Decision trees is one of the simplest methods for supervised learning. It can be applied to both regression & classification. Example: A decision tree for deciding whether to wait for a place
More informationStatistical Learning. Philipp Koehn. 10 November 2015
Statistical Learning Philipp Koehn 10 November 2015 Outline 1 Learning agents Inductive learning Decision tree learning Measuring learning performance Bayesian learning Maximum a posteriori and maximum
More informationClassification: Decision Trees
Classification: Decision Trees These slides were assembled by Byron Boots, with grateful acknowledgement to Eric Eaton and the many others who made their course materials freely available online. Feel
More informationthe tree till a class assignment is reached
Decision Trees Decision Tree for Playing Tennis Prediction is done by sending the example down Prediction is done by sending the example down the tree till a class assignment is reached Definitions Internal
More informationSUPERVISED LEARNING: INTRODUCTION TO CLASSIFICATION
SUPERVISED LEARNING: INTRODUCTION TO CLASSIFICATION 1 Outline Basic terminology Features Training and validation Model selection Error and loss measures Statistical comparison Evaluation measures 2 Terminology
More information16.4 Multiattribute Utility Functions
285 Normalized utilities The scale of utilities reaches from the best possible prize u to the worst possible catastrophe u Normalized utilities use a scale with u = 0 and u = 1 Utilities of intermediate
More informationDecision Tree Learning
Decision Tree Learning Berlin Chen Department of Computer Science & Information Engineering National Taiwan Normal University References: 1. Machine Learning, Chapter 3 2. Data Mining: Concepts, Models,
More informationIskanje najcenejše poti v grafih preko polkolobarjev
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Veronika Horvat Iskanje najcenejše poti v grafih preko polkolobarjev DIPLOMSKO DELO VISOKOŠOLSKI STROKOVNI ŠTUDIJSKI PROGRAM PRVE STOPNJE
More informationčas bivanja k-te zahteve v sis. (čas v vrstah + čas za strežbo) - verjetnost k zahtev v sis. v času t - povprečno št.
Strežna mreža: - poljubna vezava poljubnega št. Strežnih enot µ - intenzivnost strežbe [št. Zahtev/sec] 1 = µ x - povprečni strežni čas λ - intenzivnost prihajanja zahtev [št. Zahtev/sec] ρ = λ µ Ne sme
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Optimizacija Optimization Študijski program in stopnja Study programme and level Visokošolski strokovni študijski program Praktična matematika
More information1. Courses are either tough or boring. 2. Not all courses are boring. 3. Therefore there are tough courses. (Cx, Tx, Bx, )
Logic FOL Syntax FOL Rules (Copi) 1. Courses are either tough or boring. 2. Not all courses are boring. 3. Therefore there are tough courses. (Cx, Tx, Bx, ) Dealing with Time Translate into first-order
More informationLISREL. Mels, G. (2006). LISREL for Windows: Getting Started Guide. Lincolnwood, IL: Scientific Software International, Inc.
LISREL Mels, G. (2006). LISREL for Windows: Getting Started Guide. Lincolnwood, IL: Scientific Software International, Inc. LISREL: Structural Equation Modeling, Multilevel Structural Equation Modeling,
More informationStrojno učenje v porazdeljenem okolju z uporabo paradigme MapReduce
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Roman Orač Strojno učenje v porazdeljenem okolju z uporabo paradigme MapReduce MAGISTRSKO DELO MAGISTRSKI PROGRAM DRUGE STOPNJE RAČUNALNIŠTVO
More informationŠtudijska smer Study field. Samost. delo Individ. work Klinične vaje work. Vaje / Tutorial: Slovensko/Slovene
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Matematika 2 Course title: Mathematics 2 Študijski program in stopnja Study programme and level Univerzitetni študijski program 1.stopnje Fizika First cycle
More informationA L A BA M A L A W R E V IE W
A L A BA M A L A W R E V IE W Volume 52 Fall 2000 Number 1 B E F O R E D I S A B I L I T Y C I V I L R I G HT S : C I V I L W A R P E N S I O N S A N D TH E P O L I T I C S O F D I S A B I L I T Y I N
More informationVerifikacija napovedi padavin
Oddelek za Meteorologijo Seminar: 4. letnik - univerzitetni program Verifikacija napovedi padavin Avtor: Matic Šavli Mentor: doc. dr. Nedjeljka Žagar 26. februar 2012 Povzetek Pojem verifikacije je v meteorologiji
More informationUNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO. Algoritmi in podatkovne strukture 2 Visokošolski strokovni program (zapiski vaj)
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Algoritmi in podatkovne strukture 2 Visokošolski strokovni program (zapiski vaj) februar 2017 Asistent: Matevž Jekovec Nosilec predmeta: dr.
More informationNIKJER-NIČELNI PRETOKI
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA ALJA ŠUBIC NIKJER-NIČELNI PRETOKI DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Dvopredmetni učitelj: matematika - računalništvo ALJA
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Študijska smer Study field ECTS
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS (leto / year 2017/18) Kompleksna analiza Complex analysis Študijski program in stopnja Study programme and level Magistrski študijski program
More informationSinteza homologov paracetamola
Katedra za farmacevtsko kemijo Sinteza homologov paracetamola Vaje iz Farmacevtske kemije 3 1 Sinteza N-(4-hidroksifenil)dekanamida Vaje iz Farmacevtske kemije 3 2 Vprašanja: 1. Zakaj uporabimo zmes voda/dioksan?
More informationČrtomir Gorup RAČUNSKE TEHNIKE NAPOVEDOVANJA VPLIVA UČINKOVIN NA FENOTIP MODELNIH ORGANIZMOV
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Črtomir Gorup RAČUNSKE TEHNIKE NAPOVEDOVANJA VPLIVA UČINKOVIN NA FENOTIP MODELNIH ORGANIZMOV Diplomska naloga na univerzitetnem študiju Mentor:
More informationR V P 2 Predavanje 05
R V P 2 Predavanje 05 Kreiranje programskih modulov - Scripts RVP2 Kreiranje programskih modulov 1/44 Programski moduli -Scripts Možnosti: Omogočajo: Izvajanje ukazov Izvajanje logičnih operacij Ob določenih
More informationRazpoznavanje govora GOVORNE IN SLIKOVNE TEHNOLOGIJE. prof. dr. France Mihelič
Razpoznavanje govora GOVORNE IN SLIKOVNE TEHNOLOGIJE prof. dr. France Mihelič PREGLED Razpoznavanje vzorcev Prileganje z ukrivljanjem časovne osi osnove predstavitev z grafom stanj cena primerjave omejitve
More information1 Handling of Continuous Attributes in C4.5. Algorithm
.. Spring 2009 CSC 466: Knowledge Discovery from Data Alexander Dekhtyar.. Data Mining: Classification/Supervised Learning Potpourri Contents 1. C4.5. and continuous attributes: incorporating continuous
More informationSVM = Support Vector Machine = Metoda podpornih vektorjev
Uvod 2/60 SVM = Support Vector Machine = Metoda podpornih vektorjev Vapnik in Lerner 1963 (generalized portrait) jedra: Aronszajn 1950; Aizerman 1964; Wahba 1990, Poggio in Girosi 1990 Boser, Guyon in
More informationMETAHEVRISTIČNO REŠEVANJE
Univerza v Ljubljani Fakulteta za računalništvo in informatiko METAHEVRISTIČNO REŠEVANJE OPTIMIZACIJSKEGA PROBLEMA S KOLONIJAMI MRAVELJ MAGISTRSKA NALOGA Peter Korošec mentor: prof. dr. Borut Robič Ljubljana,
More informationZbornik seminarjev iz hevristik
Zbornik seminarjev iz hevristik Izbrana poglavja iz optimizacijskih metod (2010-11) 2. marec 2012 Ljubljana, 2011 Zbornik seminarskih nalog sta po knjigi [3] izbrala in uredila R. Škrekovski (FMF) in Vida
More informationHipohamiltonovi grafi
Hipohamiltonovi grafi Marko Čmrlec, Bor Grošelj Simić Mentor(ica): Vesna Iršič Matematično raziskovalno srečanje 1. avgust 016 1 Uvod V marsovskem klubu je želel predsednik prirediti večerjo za svoje člane.
More informationUsmerjene nevronske mreže: implementacija in uporaba
Seminar - 4. letnik Usmerjene nevronske mreže: implementacija in uporaba Avtor: Miha Marolt Mentorja: Marko Žnidarič, Drago Kuzman Kranj, 24.4.2010 Povzetek Usmerjena večnivojska nevronska mreˇza(uvnm)
More informationSpletni sistem za vaje iz jezika SQL
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Matematika praktična matematika (VSŠ) Ines Frelih Spletni sistem za vaje iz jezika SQL Diplomska naloga Ljubljana, 2011 Zahvala Zahvalila bi se rada
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS. Študijska smer Study field
UČNI NAČRT PREDMETA / COURSE SYLLABUS Predmet: Course title: Analiza in prognoza vremena Weather analysis and forecasting Študijski program in stopnja Study programme and level Študijska smer Study field
More informationUNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA POLONA ŠENKINC REŠEVANJE LINEARNIH DIFERENCIALNIH ENAČB DRUGEGA REDA S POMOČJO POTENČNIH VRST DIPLOMSKO DELO
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA POLONA ŠENKINC REŠEVANJE LINEARNIH DIFERENCIALNIH ENAČB DRUGEGA REDA S POMOČJO POTENČNIH VRST DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA
More informationData Mining and Knowledge Discovery: Practice Notes
Data Mining and Knowledge Discovery: Practice Notes dr. Petra Kralj Novak Petra.Kralj.Novak@ijs.si 7.11.2017 1 Course Prof. Bojan Cestnik Data preparation Prof. Nada Lavrač: Data mining overview Advanced
More informationUČNI NAČRT PREDMETA / COURSE SYLLABUS Numerical linear algebra. Študijska smer Study field. Samost. delo Individ. work Klinične vaje work
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Numerična linearna algebra Numerical linear algebra Študijski program in stopnja Study programme and level Univerzitetni študijski program Matematika
More information