OSNOVE UMETNE INTELIGENCE
|
|
- Vincenc Štrukelj
- pred 4 leti
- Pregledov:
Transkripcija
1 OSOVE UMETE ITELIGECE 07/8 regresijsa drevesa ocenjevanje učenja linearni modeli - Zoran Bosnić del gradiva povzet po: Brato: Prolog programming for AI, Pearson (0) in Russell, orvig: AI: A Modern Approach, Pearson (00) Obravnava atributov Regresijsa drevesa potrebno je nasloviti še naslednja problema: manjajoči podati v atributih: ignorirati cele primere z neznanimi vrednostmi? uporabiti vrednost A/UKOW? nadomestiti manjajočo vrednost (povprečna, najbolj pogosta, naljučna, napovedana) primer obravnavamo verjetnostno glede na vse možne vrednosti atributa (s tao utežjo laho sodeluje pri gradnji modela in lasifiaciji) zvezna ciljna spremenljiva regresijsi problem so podobna odločitvenim drevesom, le za regresijse probleme sistemi: CART (Breiman et al 984), RETIS (Karalič 99), M5 (Quinlan 99), WEKA (Witten and Fran, 000) listi v regresijsem drevesu predstavljajo: predstavljajo povprečno vrednost označb ("razreda") primerov v listu preprost napovedni model (npr linearna regresija) za nove primere obravnava numeričnih atributov: običajno izvedemo disretizacijo v dva (binarizacija) ali več disretnih intervalov intervali z enao frevenco primerov (equal-frequency) intervali enae širine (equal-width) intervali, i masimizirajo informacijsi dobite Bora Beran, On Anything Data, domena MPG Regresijsa drevesa Gradnja regresijsih dreves atribut delimo glede na izbrano mejno vrednost drugačna mera za merjenje nedoločenosti/nečistoče: srednja vadratna napaa v vozlišču v: MSE v n y n i y i cilj: minimiziramo rezidualno nedoločenost po delitvi primerov glede na vrednosti atributa A pričaovana rezidualna nečistost I res A p left I left + p right I right p left A p right I left I right João eto, Classification & Regression Trees,
2 Ocenjevanje učenja riteriji za ocenjevanje hipotez: točnost (angl accuracy) omplesnost (angl complexity) razumljivost (angl comprehensibility) subjetivni riterij ocenjevanje : na učnih podatih (angl training set, learning set) na testnih podatih (angl testing set, test set) izločimo del učnih podatov, s aterimi simuliramo ne-videne podate želimo si, da je testna množica reprezentativna za nove podate uporabimo laho intervale zaupanja v oceno uspešnosti na testni množici, i upoštevajo število testnih primerov na novih (ne-videnih) podatih (angl new data, unseen data) na njih bo naučeni sistem dejanso deloval Ocenjevanje učenja Prečno preveranje nasprotujoča si cilja: potrebujemo čim več podatov za uspešno učenje potrebujemo čim več podatov za zanesljivo ocenjevanje (večje število testnih primerov nam daje ožji interval zaupanja v oceno ) rešitev: adar je učnih podatov dovolj, laho izločimo testno množico (angl holdout test set) alternativa: večratne delitve na učno in testno množico različni načini vzorčenja testnih primerov: naljučno, nenaljučno (npr prečno preverjanje) poljubno ali stratificirano (zagotovimo enao porazdelitev razredov ot v učni množici) poseben primer večratnega učenja in testiranja -ratno prečno preverjanje (angl -fold cross-validation): celo učno množico razbij na disjuntnih podmnožic za vsao od podmnožic: uporabi množico ot testno množico uporabi preostalih - množic ot učno množico povpreči dobljenih ocen v ončno oceno testna množica učna množica ocena ocena ocena ončna (povprečna) ocena Prečno preveranje v prasi najpogosteje: 0 (0-ratno prečno preverjanje) vplive izbranega razbitja podatov na podmnožice laho zmanjšamo tao, da tudi prečno preverjanje večrat (npr 0x) ponovimo (torej izvajanj učnega algoritma) in rezultate povprečimo poseben primer prečnega preverjanja je metoda izloči enega (angl leaveone-out, LOO) je ena številu primerov (vsaa testna množica ima samo en primer) najbolj stabilna ocena glede učinov razbitja na podmnožice časovno zelo zamudno, primerno za manjše množice iz meritev na vseh podmnožicah je možno izračunati tudi varianco/ intervale zaupanja
3 Linearni modeli Linearna regresija uporaba pri lasifiaciji (ot separator razredov) in regresiji (ot prileganje sozi podane toče) linearni model z eno odvisno spremenljivo (angl univariate linear model): h x w x + w 0 w 0 in w sta uteži (angl weights) spremenljiv (oeficienta) linearna regresija: postope isanja funcije h(x) (oziroma uteži w 0 in w ), i se najbolje prilega učnim podatom optimizacijo izvedemo z minimizacijo srednje vadratne napae: napaa h y j w x j + w 0 j prostor oeficientov je onvesen, loalni minimumi ne obstajajo (samo globalni) obstaja analitična rešitev: w x jy j x j y j x j x j w 0 y j w x j primer: cene hiš v Bereley, CA (009) napaa Linearna regresija Posplošitev v več dimenzij primer linearne regresije x j y j x jy j x j x j 55 y j 48 x jy j 90 x j 85 w x jy j x j y j x j x j 0,897 w 0 y j w x j , ,7 0 možna je posplošitev v višje število dimenzij več neodvisnih spremenljiv (atributov) (angl multivariate linear regression) h x w 0 + i w i x j,i jer so w i uteži (oeficienti), x j,i pa i-ta spremenljiva (atribut) primera x j uteži laho določimo analitično: w X T X X T y jer je X matria s podati (vrstice učni primeri, stolpci atributi), y pa vetor z vrednostmi odvisnih spremenljiv primerov v prasi se odločamo za isanje oeficientov z gradientnim spustom w naljučna začetna rešitev ponavljaj do onvergence za vsa w i v w: w i w i α w i napaa(w) problem s pretiranim prilagajanjem, regularizacija Linearni modeli pri lasifiaciji Linearni modeli pri lasifiaciji linearni model se uporablja za ločevanje primerov, i pripadajo različnim razredom iščemo odločitveno mejo (angl decision boundary) oz linearni separator (obstaja samo pri linearno ločljivih problemih) za spodnji primer je linearno separator laho funcija x x 0 hipoteza je torej: h x prag(w x), jer prag z z 0 0 sicer primer linearno ločljivega in neločljivega problema (domena o potresih), x - jaost v tleh, x - jaost na površju stopničasta pragovna funcija možnih ustreznih premic je več preprosto isanje rešitve stohastični gradientni spust s posodabljanjem uteži za vsa učni primer x, y izvedi posodobitev uteži: w i w i + α y h x x i jer so w i uteži (oeficienti), α pa vpliva na hitrost spremembe (ora) intuicija: če y h(x), potem se w i ne spremeni če y in h x 0 (preniza vrednost hipoteze), potem se za pozitiven x i utež poveča in za negativen x i utež zmanjša če y 0 in h(x) (previsoa vrednost hipoteze), potem se za pozitiven x i utež zmanjša in za negativen x i utež poveča algoritem laho pri ustreznem α najde optimalno rešitev tudi za linearno neločljive podate smiselna izboljšava: logistična pragovna funcija
4 Linearni modeli pri lasifiaciji demo onvergenca algoritma pri linearno ločljivih podatih (levo) in linearno neločljivih podatiih (desno) Metoda najbližjih sosedov Metoda najbližjih sosedov angl nearest neighbors lastnosti: neparametrična metoda (ne ocenjuje parametre izbranega modela) učenje na podlagi posameznih primerov (angl instance-based learning) leno učenje (angl lazy learning): z učenjem odlaša vse do povpraševanja o novem primeru ideja: ob vprašanju po vrednosti odvisne spremenljive za novi primer: poišči primerov, i so najbližji glede na podano mero razdalje napovej pri lasifiaciji: npr večinsi razred med sosedi pri regresiji: npr povprečno vrednost/mediano označb sosedov v izogib neodločenemu glasovanju za večinsi razred pri lasifiaciji običajno izberemo, da je liho število pomembna izbira ustreznega : premajhen : pretirano prilagajanje preveli : prešibo posploševanje (pri : napoved večinsega razreda) v prasi običajno: 5 Hastie, Tibshirani, Friedman: Elements of Statistical Learning, 009 Metoda najbližjih sosedov Opombe razdaljo običajno merimo z razdaljo Minowsega: L p p x i, x j x i, x j, za p je to evlidsa razdalja: L x i, x j x i, x j, za p je to manhattansa razdalja: L x i, x j x i, x j, za zvezne atribute: razlia za disretne atribute: Hammingova razdalja (število disretnih disretnih atributov z ujemajočimi vrednostmi pri obeh primerih) p p p vpliv intervala vrednosti na izračunano razdaljo vpliva na najdene najbližje sosede potrebna normalizacija pri veliem številu dimenzij laho postanejo primeri zelo oddaljeni preletstvo dimenzionalnosti (angl the curse of dimensionality) implementacije isanja: O(), O(log), O() 4
5 Bayesov lasifiator 5
OSNOVE UMETNE INTELIGENCE
OSNOVE UMETNE INTELIGENCE 2017/18 regresijska drevesa ocenjevanje učenja linearni modeli k-nn Zoran Bosnić del gradiva povzet po: Bratko: Prolog programming for AI, Pearson (2011) in Russell, Norvig: AI:
Prikaži večPowerPoint Presentation
RAK: P-II//9 NUMERIČNI MODE esatno reševanje: reševanje dierencialni enačb aprosimativno reševanje: metoda ončni razli (MKR) inite dierence metod (FDM) metoda ončni elementov (MKE) inite element metod
Prikaži večOsnove statistike v fizični geografiji 2
Osnove statistike v geografiji - Metodologija geografskega raziskovanja - dr. Gregor Kovačič, doc. Bivariantna analiza Lastnosti so med sabo odvisne (vzročnoposledično povezane), kadar ena lastnost (spremenljivka
Prikaži večŠTEVCI PROMETA IN NJIHOVA UPORABA ZA NAMENE STATISTIK ČRT GRAHONJA
ŠTEVCI PROMETA IN NJIHOVA UPORABA ZA NAMENE STATISTIK ČRT GRAHONJA Navdih Poizvedovanje po BD podatkovnih virih, ki imajo časovno dimenzijo in so dostopni. Večji promet pomeni večje število dobrin in močnejšo
Prikaži večOptimizacija z roji delcev - Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije
Univerza v Ljubljani Fakulteta za matematiko in fiziko Seminarska naloga pri predmetu Izbrana poglavja iz optimizacije 2. junij 2011 Koncept PSO Motivacija: vedenje organizmov v naravi Ideja: koordinirano
Prikaži večMicrosoft Word - SI_vaja5.doc
Univerza v Ljubljani, Zdravstvena fakulteta Sanitarno inženirstvo Statistika Inštitut za biostatistiko in medicinsko informatiko Š.l. 2011/2012, 3. letnik (1. stopnja), Vaja 5 Naloge 1. del: t test za
Prikaži večReliability estimation of individual predictions
Ocenjevanje zanesljivosti posameznih napovedi pri nadzorovanem učenju Darko Pevec DOKTORSKA DISERTACIJA PREDANA FAKULTETI ZA RAčUNALNIšTVO IN INFORMATIKO KOT DEL IZPOLNJEVANJA POGOJEV ZA PRIDOBITEV NAZIVA
Prikaži večVerjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC
Verjetnost in vzorčenje: teoretske porazdelitve standardne napake ocenjevanje parametrov as. dr. Nino RODE prof. dr. Blaž MESEC VERJETNOST osnovni pojmi Poskus: dejanje pri katerem je izid negotov met
Prikaži večUniverza v Ljubljani Fakulteta za računalništvo in informatiko David Možina Argumentirano strojno učenje z uporabo logistične regresije MAGISTRSKO DEL
Univerza v Ljubljani Fakulteta za računalništvo in informatiko David Možina Argumentirano strojno učenje z uporabo logistične regresije MAGISTRSKO DELO MAGISTRSKI PROGRAM DRUGE STOPNJE RAČUNALNIŠTVO IN
Prikaži večAnaliza infrardecih spektrov z globokimi nevronskimi mrežami
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Tina Avbelj Analiza infrardečih spektrov z globokimi nevronskimi mrežami DIPLOMSKO DELO INTERDISCIPLINARNI UNIVERZITETNI ŠTUDIJSKI PROGRAM
Prikaži večNAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo to
NAVADNA (BIVARIATNA) LINEARNA REGRESIJA O regresijski analizi govorimo, kadar želimo opisati povezanost dveh numeričnih spremenljivk. Opravka imamo torej s pari podatkov (x i,y i ), kjer so x i vrednosti
Prikaži večOsnove matematicne analize 2018/19
Osnove matematične analize 2018/19 Neža Mramor Kosta Fakulteta za računalništvo in informatiko Univerza v Ljubljani Funkcija je predpis, ki vsakemu elementu x iz definicijskega območja D f R priredi natanko
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v fina
UNIVERZA V LJUBLJANI FAKULTETA ZA MATEMATIKO IN FIZIKO Katja Ciglar Analiza občutljivosti v Excel-u Seminarska naloga pri predmetu Optimizacija v financah Ljubljana, 2010 1. Klasični pristop k analizi
Prikaži večČLANKI UDK :004.8 Umetna inteligenca v bančništvu univerzalno orodje? Dušan Fister, Iztok Jr. Fister in Timotej Jagrič* ARTIFICIAL INTELLIGENCE
UDK 336.71:004.8 Umetna inteligenca v bančništvu univerzalno orodje? Dušan Fister, Iztok Jr. Fister in Timotej Jagrič* ARTIFICIAL INTELLIGENCE IN BANKING A UNIVERSAL TOOL? This article presents the application
Prikaži večSlide 1
SLUČAJNE SPREMENLJIVKE Povezave med verjetnostjo P, porazdelitveno funcijo F in gostoto porazdelitve p. P F (x) =P( x) P(a b)=f (b)-f (a) F p Slučajna spremenljiva ima gostoto p. Kašno gostoto ima Y=+l?
Prikaži večEKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Mi
EKVITABILNE PARTICIJE IN TOEPLITZOVE MATRIKE Aleksandar Jurišić Politehnika Nova Gorica in IMFM Vipavska 13, p.p. 301, Nova Gorica Slovenija Štefko Miklavič 30. okt. 2003 Math. Subj. Class. (2000): 05E{20,
Prikaži večE-nepremična inženirska zakladnica
Smetanova ulica 17 2000 Maribor, Slovenija E-NEPREMIČNA INŽENIRSKA ZAKLADNICA - TEHNIŠKE FAKULTETE Naročnik: Energetika Maribor d.o.o. Vodja projekta: Daniela Dvornik Perhavec Fakultete za gradbeništvo,
Prikaži večNapovedovanje obsega komentiranja spletnih novic z modeli strojnega ucenja
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Marko Vidoni Napovedovanje obsega komentiranja spletnih novic z modeli strojnega učenja DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE
Prikaži večNapovedovanje custvene naravnanosti avtorjev v spletnih komentarjih
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Urška Kosec Napovedovanje čustvene naravnanosti avtorjev v spletnih komentarjih DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM RAČUNALNIŠTVO
Prikaži večFGG13
10.8 Metoda zveznega nadaljevanja To je metoda za reševanje nelinearne enačbe f(x) = 0. Če je težko poiskati začetni približek (še posebno pri nelinearnih sistemih), si lahko pomagamo z uvedbo dodatnega
Prikaži večVrste
Matematika 1 17. - 24. november 2009 Funkcija, ki ni algebraična, se imenuje transcendentna funkcija. Podrobneje si bomo ogledali naslednje transcendentne funkcije: eksponentno, logaritemsko, kotne, ciklometrične,
Prikaži večDatum in kraj
Ljubljana, 5. 4. 2017 Katalog znanj in vzorci nalog za izbirni izpit za vpis na magistrski študij Pedagoško računalništvo in informatika 2017/2018 0 KATALOG ZNANJ ZA IZBIRNI IZPIT ZA VPIS NA MAGISTRSKI
Prikaži večUniverza v Mariboru Fakulteta za naravoslovje in matematiko Oddelek za matematiko in računalništvo Enopredmetna matematika IZPIT IZ VERJETNOSTI IN STA
Enopredmetna matematika IN STATISTIKE Maribor, 31. 01. 2012 1. Na voljo imamo kovanca tipa K 1 in K 2, katerih verjetnost, da pade grb, je p 1 in p 2. (a) Istočasno vržemo oba kovanca. Verjetnost, da je
Prikaži večIskanje in razvršcanje spletnih trgovin
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Aron Birsa Iskanje in razvrščanje spletnih trgovin DIPLOMSKO DELO VISOKOŠOLSKI STROKOVNI ŠTUDIJSKI PROGRAM PRVE STOPNJE RAČUNALNIŠTVO IN INFORMATIKA
Prikaži večMere kompleksnih mrež (angl. Network Statistics) - Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike
Mere kompleksnih mrež (angl. Network Statistics) Seminarska naloga pri predmetu Izbrana poglavja iz diskretne matematike Ajda Pirnat, Julia Cafnik in Živa Mitar Fakulteta za matematiko in fiziko April
Prikaži večKazalo 1 DVOMESTNE RELACIJE Operacije z dvomestnimi relacijami Predstavitev relacij
Kazalo 1 DVOMESTNE RELACIJE 1 1.1 Operacije z dvomestnimi relacijami...................... 2 1.2 Predstavitev relacij............................... 3 1.3 Lastnosti relacij na dani množici (R X X)................
Prikaži večUNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO ANALIZA PRIMERNOSTI UPORABE METOD PODATKOVNEGA RUDARJENJA ZA MODELIRANJE TVEGANJA PRI ZAVAROV
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO ANALIZA PRIMERNOSTI UPORABE METOD PODATKOVNEGA RUDARJENJA ZA MODELIRANJE TVEGANJA PRI ZAVAROVANJU MOTORNIH VOZIL Ljubljana, september 2014 NATAŠA
Prikaži večMicrosoft Word - SI_vaja1.doc
Univerza v Ljubljani, Zdravstvena fakulteta Sanitarno inženirstvo Statistika Inštitut za biostatistiko in medicinsko informatiko Š.l. 2011/2012, 3. letnik (1. stopnja), Vaja 1 Naloge 1. del: Opisna statistika
Prikaži večVeč varovanja, manj varnosti?
Optimizacija razporedov/izmen s pomočjo strojnega učenja Mag. Valerij Grašič, Iskratel valerij.grasic@iskratel.si FIŠ, Novo mesto, 4.4.2019 Portfolio produktov Iskratel SI3000 Portfolio produktov Public
Prikaži več11. Navadne diferencialne enačbe Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogo
11. Navadne diferencialne enačbe 11.1. Začetni problem prvega reda Iščemo funkcijo y(x), ki zadošča diferencialni enačbi y = f(x, y) in začetnemu pogoju y(x 0 ) = y 0, kjer je f dana dovolj gladka funkcija
Prikaži večMatematika 2
Matematika 2 Gregor Dolinar Fakulteta za elektrotehniko Univerza v Ljubljani 23. april 2014 Soda in liha Fourierjeva vrsta Opomba Pri razvoju sode periodične funkcije f v Fourierjevo vrsto v razvoju nastopajo
Prikaži večANALITIČNA GEOMETRIJA V RAVNINI
3. Analitična geometrija v ravnini Osnovna ideja analitične geometrije je v tem, da vaskemu geometrijskemu objektu (točki, premici,...) pridružimo števila oz koordinate, ki ta objekt popolnoma popisujejo.
Prikaži večMatematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t
Matematika II (UN) 2. kolokvij (7. junij 2013) RE ITVE Naloga 1 (25 to k) ƒasovna funkcija f je denirana za t [0, 2] in podana s spodnjim grafom. f t 0.5 1.5 2.0 t a.) Nari²ite tri grafe: graf (klasi ne)
Prikaži večStrojno ucenje kemijskih reakcij proteinov v interakciji z RNA
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Jernej Henigman Strojno učenje kemijskih reakcij proteinov v interakciji z RNA DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE
Prikaži večSlide 1
Vsak vektor na premici skozi izhodišče lahko zapišemo kot kjer je v smerni vektor premice in a poljubno število. r a v Vsak vektor na ravnini skozi izhodišče lahko zapišemo kot kjer sta v, v vektorja na
Prikaži večAlgoritmicno podprta optimizacija pospeševanja prodaje
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Nikolaj Janko Algoritmično podprta optimizacija pospeševanja prodaje MAGISTRSKO DELO MAGISTRSKI PROGRAM DRUGE STOPNJE RAČUNALNIŠTVO IN INFORMATIKA
Prikaži več5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisn
5 SIMPLICIALNI KOMPLEKSI Definicija 5.1 Vektorji r 0,..., r k v R n so afino neodvisni, če so vektorji r 1 r 0, r 2 r 0,..., r k r 0 linearno neodvisni. Če so krajevni vektorji do točk a 0,..., a k v R
Prikaži večPoročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefo
Poročilo za 1. del seminarske naloge- igrica Kača Opis igrice Kača (Snake) je klasična igrica, pogosto prednaložena na malce starejših mobilnih telefonih. Obstaja precej različic, sam pa sem sestavil meni
Prikaži večUNIVERZA V MARIBORU FAKULTETA ZA ELEKTROTEHNIKO, RAČUNALNIŠTVO IN INFORMATIKO Leon Bošnjak VPLIV PODOBNOSTI NA USPEŠNOST KLASIFIKACIJE EVOLUCIJSKIH OD
UNIVERZA V MARIBORU FAKULTETA ZA ELEKTROTEHNIKO, RAČUNALNIŠTVO IN INFORMATIKO Leon Bošnjak VPLIV PODOBNOSTI NA USPEŠNOST KLASIFIKACIJE EVOLUCIJSKIH ODLOČITVENIH DREVES Magistrsko delo Maribor, junij 2014
Prikaži večglava.dvi
Lastnosti verjetnosti 1. Za dogodka A in B velja: P(A B) = P(A) + P(B) P(A B) 2. Za dogodke A, B in C velja: P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C) P(B C) + P(A B C) Kako lahko to pravilo posplošimo
Prikaži več2019 QA_Final SL
Predhodni prispevki v enotni sklad za reševanje za leto 2019 Vprašanja in odgovori Splošne informacije o metodologiji izračuna 1. Zakaj se je metoda izračuna, ki je za mojo institucijo veljala v prispevnem
Prikaži večC:/Users/Matevž Èrepnjak/Dropbox/FKKT/testi in izpiti/ /IZPITI/FKKT-februar-14.dvi
Kemijska tehnologija, Kemija Bolonjski univerzitetni program Smer: KT K WolframA: DA NE Računski del izpita pri predmetu MATEMATIKA I 6. 2. 2014 Čas reševanja je 75 minut. Navodila: Pripravi osebni dokument.
Prikaži več(Microsoft PowerPoint - vorsic ET 9.2 OES matri\350ne metode 2011.ppt [Compatibility Mode])
8.2 OBRATOVANJE ELEKTROENERGETSKEGA SISTEMA o Matrične metode v razreševanju el. omrežij Matrične enačbe električnih vezij Numerične metode za reševanje linearnih in nelinearnih enačb Sistem algebraičnih
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6. julij 2018 Navodila Pazljivo preberite be
Ime in priimek: Vpisna št: FAKULEA ZA MAEMAIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 6 julij 2018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven rezultat
Prikaži večPredmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Umetna inteligenca Artificial Intelligence Študijski program in stopnja Study programme a
Predmet: Course title: UČNI NAČRT PREDMETA / COURSE SYLLABUS Umetna inteligenca Artificial Intelligence Študijski program in stopnja Study programme and level Interdisciplinarni magistrski študijski program
Prikaži večFGG14
Iterativne metode podprostorov Iterativne metode podprostorov uporabljamo za numerično reševanje linearnih sistemov ali računanje lastnih vrednosti problemov z velikimi razpršenimi matrikami, ki so prevelike,
Prikaži večOsnove verjetnosti in statistika
Osnove verjetnosti in statistika Gašper Fijavž Fakulteta za računalništvo in informatiko Univerza v Ljubljani Ljubljana, 26. februar 2010 Poskus in dogodek Kaj je poskus? Vržemo kovanec. Petkrat vržemo
Prikaži več3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja
3. Metode, ki temeljijo na minimalnem ostanku Denimo, da smo z Arnoldijevim algoritmom zgenerirali ON bazo podprostora Krilova K k (A, r 0 ) in velja AV k = V k H k + h k+1,k v k+1 e T k = V kh k+1,k.
Prikaži večGeografska segmentacija uporabnikov za uporabo v oglaševanju
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Blaž Dolenc Geografska segmentacija uporabnikov za uporabo v oglaševanju DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE RAČUNALNIŠTVO
Prikaži več3. Preizkušanje domnev
3. Preizkušanje domnev doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 3.1 Izračunavanje intervala zaupanja za vrednosti regresijskih koeficientov Motivacija
Prikaži večUvodno predavanje
RAČUNALNIŠKA ORODJA Simulacije elektronskih vezij M. Jankovec 2.TRAN analiza (Analiza v časovnem prostoru) Iskanje odziva nelinearnega dinamičnega vezja v časovnem prostoru Prehodni pojavi Stacionarno
Prikaži večPowerPoint Presentation
ANALIZA SPREMEMB PRI UPORABNIŠKEM ZAVEDANJU O ZASEBNOSTI OB UPORABI DRUŽBENIH OMREŽIJ Lili Nemec Zlatolas DSI, 16.4.2019 Družbeno omrežje Facebook Dnevno uporablja omrežje 1, milijarde ljudi na svetu Slovenija
Prikaži večAKCIJSKO RAZISKOVANJE INOVACIJSKI PROJEKT ZA ZNANJE IN SPOŠTOVANJE Udeleženci: Učenci 2. c Razredničarka: Irena Železnik, prof. Učni predmet: MAT Učna
AKCIJSKO RAZISKOVANJE INOVACIJSKI PROJEKT ZA ZNANJE IN SPOŠTOVANJE Udeleženci: Učenci 2. c Razredničarka: Irena Železnik, prof. Učni predmet: MAT Učna vsebina: Ustno seštevanje in odštevanje do 20 sprehodom
Prikaži večUčinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero v
Učinkovita izvedba algoritma Goldberg-Tarjan Teja Peklaj 26. februar 2009 1 Definicije Definicija 1 Naj bo (G, u, s, t) omrežje, f : E(G) R, za katero velja 0 f(e) u(e) za e E(G). Za v V (G) definiramo presežek
Prikaži več2. Model multiple regresije
2. Model multiple regresije doc. dr. Miroslav Verbič miroslav.verbic@ef.uni-lj.si www.miroslav-verbic.si Ljubljana, februar 2014 2.1 Populacijski regresijski model in regresijski model vzorčnih podatkov
Prikaži več'Kombinatoricna optimizacija / Lokalna optimizacija'
Kombinatorična optimizacija 3. Lokalna optimizacija Vladimir Batagelj FMF, matematika na vrhu različica: 15. november 2006 / 23 : 17 V. Batagelj: Kombinatorična optimizacija / 3. Lokalna optimizacija 1
Prikaži večMicrosoft Word - Pravila - AJKTM 2016.docx
PRAVILA ALI JE KAJ TRDEN MOST 2016 3. maj 5. maj 2016 10. 4. 2016 Maribor, Slovenija 1 Osnove o tekmovanju 1.1 Ekipa Ekipa sestoji iz treh članov, ki so se po predhodnem postopku prijavili na tekmovanje
Prikaži večUNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Denis Kolarič Maribor, 2010
UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO Oddelek za matematiko in računalništvo DIPLOMSKO DELO Denis Kolarič Maribor, 2010 UNIVERZA V MARIBORU FAKULTETA ZA NARAVOSLOVJE IN MATEMATIKO
Prikaži večUNIVERZA V LJUBLJANI
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO UPORABA METOD PODATKOVNEGA RUDARJENJA PRI OCENJEVANJU KREDITNEGA TVEGANJA FIZIČNIH OSEB Ljubljana, avgust 2017 PRIMOŽ PODOBNIK IZJAVA O AVTORSTVU
Prikaži večSlide 1
Projektno vodenje PREDAVANJE 7 doc. dr. M. Zajc matej.zajc@fe.uni-lj.si Projektno vodenje z orodjem Excel Predstavitev Najbolj razširjeno orodje za delo s preglednicami Dva sklopa funkcij: Obdelava številk
Prikaži večMicrosoft Word - M doc
Državni izpitni center *M11145113* INFORMATIKA SPOMLADANSKI IZPITNI ROK NAVODILA ZA OCENJEVANJE Petek, 10. junij 2011 SPLOŠNA MATURA RIC 2011 2 M111-451-1-3 IZPITNA POLA 1 1. b 2. a 3. Pojem se povezuje
Prikaži večpredstavitev fakultete za matematiko 2017 A
ZAKAJ ŠTUDIJ MATEMATIKE? Ker vam je všeč in vam gre dobro od rok! lepa, eksaktna veda, ki ne zastara matematičnoanalitično sklepanje je uporabno povsod matematiki so zaposljivi ZAKAJ V LJUBLJANI? najdaljša
Prikaži večTrg proizvodnih dejavnikov
Trg proizvodnih dejavnikov Pregled predavanja Trg proizvodov KONKURENCA Popolna Nepopolna Trg proizvodnih dejavnikov Popolna Individualna k. Panožna k. Povpraševanja Individualna k. Panožna k. Povpraševanja
Prikaži večPowerPoint Presentation
Recenzija: prof.dr. Rajko Bernik Prevod in priredba: Renata Fras Peterlin Picture source: Syngenta 1 začetek Preverjanje delovanja pršilnika Merjenje traktorske hitrosti Merjenje pretoka Pri umerjanju
Prikaži večModel IEUBK za napoved vsebnosti svinca v krvi otrok in njegova uporaba na primeru Zgornje Mežiške doline
MODEL IEUBK ZA NAPOVED VSEBNOSTI SVINCA V KRVI OTROK IN NJEGOVA UPORABA NA PRIMERU ZGORNJE MEŢIŠKE DOLINE ZZV Ravne na Koroškem mag. Matej Ivartnik Portorož 25.11.2011 IEUBK model Računalniško orodje,
Prikaži večDelavnica Načrtovanje digitalnih vezij
Laboratorij za načrtovanje integriranih vezij Univerza v Ljubljani Fakulteta za elektrotehniko Digitalni Elektronski Sistemi Osnove jezika VHDL Strukturno načrtovanje in testiranje Struktura vezja s komponentami
Prikaži večPoskusi s kondenzatorji
Poskusi s kondenzatorji Samo Lasič, Fakulteta za Matematiko in Fiziko, Oddelek za fiziko, Ljubljana Povzetek Opisani so nekateri poskusi s kondenzatorji, ki smo jih izvedli z merilnim vmesnikom LabPro.
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Andrej Grah Napovedovanje pozicij obrambnih igralcev z nevronskimi mrežami DIPLOMSKO DE
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Andrej Grah Napovedovanje pozicij obrambnih igralcev z nevronskimi mrežami DIPLOMSKO DELO NA VISOKOŠOLSKEM STROKOVNEM ŠTUDIJU Mentor: doc.
Prikaži večUNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Sašo Moškon Nomogramsko iskanje podprostorov neodvisnih atributov DIPLOMSKO DELO NA INT
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Sašo Moškon Nomogramsko iskanje podprostorov neodvisnih atributov DIPLOMSKO DELO NA INTERDISCIPLINARNEM UNIVERZITETNEM ŠTUDIJU Mentor: akad.
Prikaži večMODEL PRIMERNOSTI OBMOČIJ ZA POVEZOVANJE
MODEL PRIMERNOSTI OBMOČIJ ZA POVEZOVANJE doc. dr. Špela Pezdevšek Malovrh prof. dr. Lidija Zadnik Stirn prof. dr. Janez Krč VSEBINA Raziskovalni problem UVOD GOSPODARJENJE V ZASEBNIH GOZDOVIH Ni optimalno
Prikaži večPowerPoint Presentation
Napovedno oglaševanje Kombiniranje internih in eksternih podatkov za boljšo učinkovitost oglaševanja Miloš Suša, iprom Andraž Zorko, Valicon Mojca Pesendorfer, Atlantic Grupa Ljubljana, 22.10.2018 PREDIKTIVNO
Prikaži večKein Folientitel
Eksperimentalno modeliranje Se imenuje tudi: y = f x; β + ε - system identification, - statistical modeling, - parametric modeling, - nonparametric modeling, - machine learning, - empiric modeling - itd.
Prikaži večPowerPoint Presentation
Lasersko obarvanje kovin Motivacija: Z laserskim obsevanjem je možno spremeniti tudi barvo kovinskih površin, kar odpira povsem nove možnosti označevanja in dekoracije najrazličnejših sestavnih delov in
Prikaži večMicrosoft Word - Astronomija-Projekt19fin
Univerza v Ljubljani Fakulteta za matematiko in fiziko Jure Hribar, Rok Capuder Radialna odvisnost površinske svetlosti za eliptične galaksije Projektna naloga pri predmetu astronomija Ljubljana, april
Prikaži več1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y x x x x x
1 Diskretni naklju ni vektorji 1 1 Diskretni naklju ni vektorji 1. Dopolni tabelo tako, da bosta X in Y neodvisni. X Y 0 1 2 1 1-1 x x 20 10 1 0 x x x 10 1 1 x x x 20 x x x 1 Dolo i ²e spremenljivko Z,
Prikaži večTeorija kodiranja in kriptografija 2013/ AES
Teorija kodiranja in kriptografija 23/24 AES Arjana Žitnik Univerza v Ljubljani, Fakulteta za matematiko in fiziko Ljubljana, 8. 3. 24 AES - zgodovina Septembra 997 je NIST objavil natečaj za izbor nove
Prikaži večPrimer 1: Analiziramo produkcijske funkcije za podjetja industrijske dejavnosti v RS v podskupini DL Proizvodnja računalnikov in druge opreme za
Primer 1: Analiziramo produkcijske funkcije za podjetja industrijske dejavnosti v RS v podskupini DL 30.02 Proizvodnja računalnikov in druge opreme za obdelavo podatkov na podlagi podatkov iz zaključnih
Prikaži večMicrosoft PowerPoint _12_15-11_predavanje(1_00)-IR-pdf
uporaba for zanke i iz korak > 0 oblika zanke: for i iz : korak : ik NE i ik DA stavek1 stavek2 stavekn stavek1 stavek2 stavekn end i i + korak I&: P-XI/1/17 uporaba for zanke i iz korak < 0 oblika zanke:
Prikaži večMicrosoft Word - CelotniPraktikum_2011_verZaTisk.doc
Elektrotehniški praktikum Sila v elektrostatičnem polju Namen vaje Našli bomo podobnost med poljem mirujočih nabojev in poljem mas, ter kakšen vpliv ima relativna vlažnost zraka na hitrost razelektritve
Prikaži večLaTeX slides
Model v matri ni obliki ena ba modela Milena Kova 13 november 2012 Biometrija 2012/13 1 Nomenklatura Skalarji: tako kot doslej, male tiskane, neodebeljene Vektorji: male tiskane, odebeljene rke (y) ali
Prikaži več7. VAJA A. ENAČBA ZBIRALNE LEČE
7. VAJA A. ENAČBA ZBIRALNE LEČE 1. UVOD Enačbo leče dobimo navadno s pomočjo geometrijskih konstrukcij. V našem primeru bomo do te enačbe prišli eksperimentalno, z merjenjem razdalj a in b. 2. NALOGA Izračunaj
Prikaži večMAGIČNI KVADRATI DIMENZIJE 4n+2
List za mlade matematike, fizike, astronome in računalnikarje ISSN 0351-6652 Letnik 18 (1990/1991) Številka 6 Strani 322 327 Borut Zalar: MAGIČNI KVADRATI DIMENZIJE 4n + 2 Ključne besede: matematika, aritmetika,
Prikaži več10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, k
10. Meritev šumnega števila ojačevalnika Vsako radijsko zvezo načrtujemo za zahtevano razmerje signal/šum. Šum ima vsaj dva izvora: naravni šum T A, ki ga sprejme antena in dodatni šum T S radijskega sprejemnika.
Prikaži večMicrosoft Word - UP_Lekcija04_2014.docx
4. Zanka while Zanke pri programiranju uporabljamo, kadar moramo stavek ali skupino stavkov izvršiti večkrat zaporedoma. Namesto, da iste (ali podobne) stavke pišemo n-krat, jih napišemo samo enkrat in
Prikaži večKOMISIJA ZA LOGIKO 32. TEKMOVANJE IZ ZNANJA LOGIKE DRŽAVNO TEKMOVANJE, in 2. letnik Šifra: NALOGA MOŽNE TOČKE DOSEŽENE TOČKE
KOMISIJA ZA LOGIKO 32. TEKMOVANJE IZ ZNANJA LOGIKE DRŽAVNO TEKMOVANJE, 11. 11. 2017 1. in 2. letnik Šifra: NALOGA MOŽNE TOČKE DOSEŽENE TOČKE 1. 20 2. 17 3. 20 4. 20 Skupaj 77 Opombe: pri 1. nalogi se tabela
Prikaži večSMERNICE O METODAH ZA IZRAČUN PRISPEVKOV V SISTEME JAMSTVA ZA VLOGE EBA/GL/2015/ Smernice o metodah za izračun prispevkov v sisteme jamst
EBA/GL/2015/10 22.09.2015 Smernice o metodah za izračun prispevkov v sisteme jamstva za vloge Original: 0 Popravljeno: odstavek 58 in Priloga 1 (odstavek 21) C1 Datum 22. september 2015 13. junij 2016
Prikaži večVektorji - naloge za test Naloga 1 Ali so točke A(1, 2, 3), B(0, 3, 7), C(3, 5, 11) b) A(0, 3, 5), B(1, 2, 2), C(3, 0, 4) kolinearne? Naloga 2 Ali toč
Vektorji - naloge za test Naloga 1 li so točke (1, 2, 3), (0, 3, 7), C(3, 5, 11) b) (0, 3, 5), (1, 2, 2), C(3, 0, 4) kolinearne? Naloga 2 li točke a) (6, 0, 2), (2, 0, 4), C(6, 6, 1) in D(2, 6, 3), b)
Prikaži večresitve.dvi
FAKULTETA ZA STROJNISTVO Matematika Pisni izpit. junij 22 Ime in priimek Vpisna st Navodila Pazljivo preberite besedilo naloge, preden se lotite resevanja. Veljale bodo samo resitve na papirju, kjer so
Prikaži večNavodila za pripravo oglasov na strani Med.Over.Net v 2.2 Statistično najboljši odziv uporabnikov je na oglase, ki hitro in neposredno prenesejo osnov
Navodila za pripravo oglasov na strani Med.Over.Net v 2.2 Statistično najboljši odziv uporabnikov je na oglase, ki hitro in neposredno prenesejo osnovno sporočilo. Izogibajte se daljših besedil in predolgih
Prikaži večUniverza v Ljubljani Fakulteta za računalništvo in informatiko Anže Sodja Segmentacija prostorskih medicinskih podatkov na GPE DIPLOMSKO DELO UNIVERZI
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Anže Sodja Segmentacija prostorskih medicinskih podatkov na GPE DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE RAČUNALNIŠTVO
Prikaži več2.1 Osnovni pojmi 2 Nim Ga²per Ko²mrlj, Denicija 2.1 P-poloºaj je poloºaj, ki je izgubljen za igralca na potezi. N- poloºaj je poloºaj, ki
2.1 Osnovni pojmi 2 Nim Ga²per Ko²mrlj, 2. 3. 2009 Denicija 2.1 P-poloºaj je poloºaj, ki je izgubljen za igralca na potezi. N- poloºaj je poloºaj, ki je dobljen za igralca na potezi. Poloºaj je kon en,
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31. avgust 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Statistika Pisni izpit 31 avgust 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Za pozitiven
Prikaži večPriprava prispevka za Elektrotehniški vestnik
ELEKTROTEHNIŠKI VESTNIK 84(4): 167-172, 2017 IZVIRNI ZNANSTVENI ČLANEK Možnost stabiliziranja prometnega toka s prilagajanjem omejitve hitrosti Lovrenc Švegl 1, Igor Grabec 2 1 Gimnazija Vič, Tržaška cesta
Prikaži večCeccato_DRB_20-34_IVR_Leaflet_ENG_ indd
DRB 20-34 Novi rang fiksnih in frekvenčno vodenih kompresorjev Zanesljiv,enostaven,pamete n: Naprednja zanesljivost v stisnjenem zraku TEHNOLOGIJA KI JI LAHKO ZAUPATE DRB 20-34 direktni prenos DRB 20-34
Prikaži večovitek FIT-1
Funkcionalna inzulinska terapija Dnevnik vodenja FIT 1 Vaš diabetes v novi luči Sistem za merjenje glukoze v krvi 12:24 Moje vrednosti SRE TOR PET Danes, petek, 21. oktober 5.2 mmol L 12:23 Moj teden (Zadnjih
Prikaži večPoročilo o opravljenem delu pri praktičnem pouku fizike: MERJENJE S KLJUNASTIM MERILOM Ime in priimek: Mitja Kočevar Razred: 1. f Učitelj: Otmar Uranj
Poročilo o opravljenem delu pri praktičnem pouku fizike: MERJENJE S KLJUNASTIM MERILOM Ime in priimek: Mitja Kočevar Razred: 1. f Učitelj: Otmar Uranjek, prof. fizike Datum izvedbe vaje: 11. 11. 2005 Uvod
Prikaži večBrownova kovariancna razdalja
Brownova kovariančna razdalja Nace Čebulj Fakulteta za matematiko in fiziko 8. januar 2015 Nova mera odvisnosti Motivacija in definicija S primerno izbiro funkcije uteži w(t, s) lahko definiramo mero odvisnosti
Prikaži večBrexit_Delakorda_UMAR
MAKROEKONOMSKI IZGLEDI ZA EU IN SLOVENIJO KAKŠNA JE / BO VLOGA BREXITA? Aleš Delakorda, UMAR C F A S l o v e n i j a, 1 7. 1 0. 2 0 1 6 M A K R O E K O N O M S K I P O L O Ž A J I N I Z G L E D I Z A E
Prikaži večMicrosoft Word - Andrej_Meh_Diploma.doc
Andrej Meh NAPOVEDOVANJE VREDNOSTI Z ALGORITMOM K NAJBLIŽJIH SOSEDOV Diplomsko delo Maribor, september 2009 2 Diplomsko delo visokošolskega strokovnega študijskega programa NAPOVEDOVANJE VREDNOSTI Z ALGORITMOM
Prikaži večNumeri na analiza - podiplomski ²tudij FGG doma e naloge - 1. skupina V prvem delu morate re²iti toliko nalog, da bo njihova skupna vsota vsaj 10 to k
Numeri na analiza - podiplomski ²tudij FGG doma e naloge -. skupina V prvem delu morate re²iti toliko nalog, da bo njihova skupna vsota vsaj 0 to k in da bo vsaj ena izmed njih vredna vsaj 4 to ke. Za
Prikaži več