Microsoft Word - sdjt04-12rodman.doc
|
|
- Valter Erjavec
- pred 4 leti
- Pregledov:
Transkripcija
1 Problemi pri vključevanju ekspertnega lingvističnega znanja v akustično modeliranje Matjaž Rodman Laboratorij za interaktivne sisteme Naravoslovnotehniška fakulteta Univerza v Ljubljani Snežniška 5, 1000 Ljubljana, Slovenija matjaz.rodman@ntf.uni-lj.si Povzetek Metoda odločitvenih dreves je zelo znana in pogosto uporabljena metoda v procesu gradnje sistemov za avtomatsko razpoznavanje govora. Hkrati pa je ta metoda že tako ustaljena, da je ponavadi ta del procesa obravnavan kot že zaključeno poglavje. V tem članku je metoda odločitvenih dreves ponovno vzeta pod drobnogled vključno s parametri, ki vplivajo na postopek izgradnje odločitvenega drevesa. Članek opozori na nekatere detajle, ki so pri uporabi te metode pogosto spregledani, vendar vplivajo na uspešnost sistemov razpoznavanja govora. Podana je tudi ena od možnih razlag, zakaj do teh vplivov pride. Abstract The method of decision trees is a very well known and a very frequently used method in the process of building automatic speech recognition systems. At the same time, the method is so accepted that this part of the process is usually dealt with as a finished chapter. In this article the method of decision trees is again taken under thorough consideration, including the parameters which influence the process of building the decision tree. The article points out some details which are frequently overlooked when using this method, but they influence the success of the speech recognition systems. There is also one possible explanation given why these influences appear. 1. Uvod V naravnem govoru lahko velik del variabilnosti govornega signala pripišemo kontekstni variabilnosti. Ker naši govorni organi niso sposobni nenadnih in velikih sprememb v gibanju, se to odraža na akustični realizaciji posameznega fona, ki je zelo odvisna od pozicije govoril pred in po izgovorjavi le-tega. Temu pojavu pravimo koartikulacija. V sistemih za razpoznavanje govora, ki temeljijo na prikritih Markovih modelih (PMM), lahko to lastnost govora uspešno modeliramo. To storimo tako, da za vsak fon ustvarimo modele, ki predstavljajo fon v poljubnem levo-desnem kontekstu. Takšni modeli tipično vsebujejo tri oddajna stanja in jim pravimo trifonski modeli. Vendar z ustvarjanjem različnih modelov za vse možne kontekste postane število le-teh zelo visoko. S tem se pojavi problem natančne ocenitve parametrov, saj bi za tako veliko množico modelov potrebovali tudi ogromno količino dobro uravnoteženih učnih podatkov v obliki izgovorjav s pripadajočo transkripcijo, ki pa pogosto niso na voljo. Za reševanje tega problema se ponavadi poslužujemo tehnik povezovanja parametrov posameznih modelov. Največkrat uporabljeni metodi sta podatkovno vodena metoda in pa metoda odločitvenih dreves. Ti metodi nam omogočata, da se za ocenitev določenih parametrov podobnih modelov uporabljajo isti učni podatki. Vključitev teh metod v postopek gradnje sistema za avtomatsko razpoznavanje govora je tako pogosto uporabljena, da se zdi že skoraj samoumevna. Ta prispevek pa ponovno odpira analizo metode odločitvenih dreves ter predstavi probleme podajanja ekspertnega lingvističnega znanja pri tej metodi. Tako nam članek v 2. poglavju predstavi tehnike povezovanja parametrov PMM in podrobno prikaže metodo odločitvenih dreves ter parametre, ki vplivajo na izgradnjo odločitvenega drevesa. V 3. poglavju so opisani načini določanja skupin fonov ter problemi, povezani s tem. V 4. poglavju so opisani poskusi, izvedeni z različnimi definicijami skupin fonov, ki jim sledijo rezultati v 5. poglavju. Poglavje 6 predstavi zaključke in postavi smernice za nadaljnje delo. 2. Tehnike povezovanja parametrov PMM Kot je že omenjeno v uvodu, naletimo pri gradnji sistemov za razpoznavanje govora z velikim besediščem (slovarjem) na problem velikega števila modelov trifonov in ponavadi neuravnotežene in nezadostne količine učnih podatkov. V teh primerih se ponavadi poslužujemo ene izmed dveh metod vezanja parametrov. Pri podatkovno vodeni metodi najprej zgradimo ločene trifonske modele za vse kontekste, ki se pojavijo v učnih podatkih. Nato modele razbijemo tako, da vsako stanje predstavlja svojo skupino. Velikost skupine se definira kot največja razdalja med katerimakoli stanjema v določeni skupini. Sledi združevanje skupin. Najprej se združita tisti dve skupini, ki sta si najbolj podobni; to pomeni, da združeni ustvarita najmanjšo možno novo skupino. Ta postopek se ponavlja, dokler velikost največje skupine ne preseže postavljenega praga ali pa število skupin pade pod določeno vrednost. Slabost podatkovne metode je, da ustvari modele le za tiste trifone, ki se vsaj enkrat pojavijo v učnih podatkih. Metoda odločitvenih dreves pa v nasprotju s podatkovno vodeno metodo uporabi podano ekspertno lingvistično znanje za definiranje modelov tudi tistih trifonov, ki se nikoli ne pojavijo v učnih podatkih. To znanje je ponavadi podano v obliki datoteke, kjer so navedene skupine fonov za določen jezik Metoda odločitvenih dreves Metoda odločitvenih dreves temelji na ustvarjanju binarnega drevesa, kjer se na vprašanje v vsakem vozlišču odgovarja le z da ali ne. Torej so pri tej metodi na
2 začetku vsa izbrana stanja združena v korenu drevesa. Glede na postavljena vprašanja se skupine stanj razdeli. Ta postopek se nadaljuje, dokler ne pridemo do listov drevesa. Vsa stanja, ki se nahajajo v istem listu, se nato združijo in učijo iz istih učnih podatkov. Zaradi lažje predstavitve samega postopka gradnje odločitvenega drevesa predpostavimo, da imamo trifonske modele, ki so zgrajeni iz treh stanj. Preden se postopek gradnje odločitvenega drevesa lahko začne, moramo zgraditi modele za vse trifone, ki se pojavijo v učnih podatkih. Kot je bilo že omenjeno, so na začetku gradnje drevesa vsa izbrana stanja združena v korenu drevesa. Izbrana stanja so tipično vsa začetna, vsa srednja ali vsa končna stanja določenega fona. To pomeni, da imamo na začetku N korenskih vozlišč, kjer je N število fonov pomnoženo s številom stanj, s katerimi je predstavljen vsak model. Iz teh N korenskih vozlišč se zgradi tudi N odločitvenih dreves. podobnost za manj kot je to določeno z že zgoraj omenjenim pragom, se nato združijo. Seveda se lahko tako združujejo le listi, ki pripadajo istemu drevesu. Algoritem, ki se uporablja pri izgradnji odločitvenega drevesa, je prikazan na sliki Parametri, ki vplivajo na izgradnjo odločitvenega drevesa s programskim paketom HTK Preden se lahko začne avtomatski postopek gradnje odločitvenih dreves, je potrebno definirati posebno datoteko (za lažjo razlago jo poimenujmo destree.hed) z vsemi določenimi fonetičnimi vprašanji, ukazi za ustvarjanje korenskih vozlišč dreves in vrednostmi pragov. HTK uporablja določilo, da prikrit Markov model z imenom a-b+c predstavlja kontekstno odvisno verzijo fona b, ki se uporablja, ko je njegov levi kontekst fon a in desni fon c. Vsako vprašanje, postavljeno znotraj odločitvenega drevesa, ima obliko Ali je levi (desni) kontekst pripadnik fonetične skupine M?, kjer kontekst pomeni neposrednega levega ali desnega soseda fona, na katerega se glasi vprašanje. Vsakemu vprašanju je zaradi pripravnosti dodeljeno ime. Tako na primer vrstica QS "L_SL_Nasal" {m-*, n-*} pomeni vprašanje Ali je levi kontekst nosnik?, pri čemer levi kontekst fona pripada skupini slovenskih nosnikov, kjer je skupina določena z elementoma m in n. V našem primeru izdelave sistema za razpoznavanje govora pa je dovolj, da ustvarimo datoteko (za lažjo razlago jo poimenujmo broad.cls), v kateri definiramo vse skupine fonov določenega jezika. Nadalje se iz teh skupin v procesu izgradnje odločitvenega drevesa vprašanja ustvarijo avtomatsko. Definicije skupin fonov izgledajo tako: SL_Stop p b t d k g SL_Nasal m n SL_Vowel i: E: e: a: O: o: u: i e E a O o Slika 1: Algoritem za izgradnjo odločitvenega drevesa (Woodland et al., 2000) Pri gradnji dreves se izmed omejenega nabora vprašanj za vsako vozlišče izbere tisto vprašanje, ki razdeli vozlišče tako, da se lokalno najbolj poveča podobnost učnih podatkov. Za merjenje podobnosti podatkov se uporablja ocena logaritemske podobnosti (log likelihood), (Young et al., 2000). Deljenje vsakega vozlišča v dve novi povzroči povečanje logaritemske podobnosti podatkov v novih vozliščih, saj za opis (modeliranje) iste količine podatkov uporabimo dvakrat več parametrov. Postopek deljenja vozlišč v odločitvenem drevesu se ustavi šele, ko porast logaritemske podobnosti podatkov, pri deljenju določenega vozlišča, pade pod določen prag. Nazadnje se izračuna še, kakšen bi bil upad logaritemske podobnosti pri združevanju posameznih listov drevesa, ki pripadajo različnim staršem (vozliščem iz katerih izhajajo). Vsi pari listov, ki bi se jim z združevanjem zmanjšala logaritemska Poleg vprašanj, če levi ali desni kontekst fona pripada katerikoli od teh skupin, pa se avtomatsko ustvarijo tudi vprašanja, kjer je vsak fon obravnavan kot samostojna fonetična skupina. Ukazi za definiranje korenskih vozlišč dreves v datoteki destree.hed izgledajo tako: TB ST_a_2 {(a,*-a+*,a+*,*-a).state[2]} Zgornji ukaz nam pove, da naj se v korenskem vozlišču združijo vsa začetna stanja vseh prikritih Markovih modelov fona a. To vozlišče se bo v procesu gradnje odločitvenega drevesa delilo glede na definirana vprašanja vse dokler porast logaritemske podobnosti, pri deljenju posameznega vozlišča, ne pade pod prag Torej se z ukazom TB določi tudi minimalni porast logaritemske podobnosti, ki je potreben, da se določeno vozlišče sploh lahko deli. Hkrati pa je s tem določen tudi prag, ki vpliva v zadnji fazi izgradnje drevesa na odločitev, katere liste bomo združili. Za vsak par listov, ki pripada istemu drevesu, ne pa tudi istim staršem, se izračuna, kakšen bi bil upad logaritemske podobnosti pri
3 njunem združevanju. Če je ta upad manjši od vrednosti praga, določenega z ukazom TB, se ta dva lista združita. Če bi odločitveno drevo gradili le na osnovi praga, določenega z ukazom TB, bi naleteli na problem, da bi večina zunanjih stanj modelov hotela ustvariti svoje liste, za katere pa ne bi obstajalo dovolj učnih podatkov za dobro ocenitev njihovih parametrov. To preprečimo z uporabo ukaza RO v datoteki destree.hed, kot nam prikazuje spodnji primer. RO state.cnt Ukaz RO nam določa še en prag, ki se upošteva pri izgradnji odločitvenega drevesa. Določa nam, koliko učnih podatkov mora obstajati za določen list v drevesu, da lahko ta list samostojno predstavlja določeno skupino stanj. Oceno količine učnih podatkov (v zgornjem primeru datoteko z imenom state.cnt) pridobimo med procesom preračunavanja trifonskih modelov pred postopkom spajanja le-teh. Ocena količine učnih podatkov se upošteva že pri izračunu porasta logaritemske podobnosti podatkov pri deljenju določenega vozlišča. Ta izračun je v programskem paketu HTK implementiran tako, da če je ocena količine učnih podatkov premajhna (pod določenim pragom), postane vrednost porasta logaritemske podobnosti podatkov enaka nič, kar prepreči nadaljnje deljenje določenega vozlišča (Odell, 1995). Kot glavna prednost postopka odločitvenih dreves pred podatkovno vodenim postopkom povezovanja parametrov je bilo omenjeno dejstvo, da nam ta postopek omogoča natančno modeliranje trifonov, ki se ne pojavijo med učnimi podatki. To storimo npr. z ukazom AU fulltri.lis kjer v tem primeru predstavlja fulltri.lis datoteko, v kateri so napisana imena vseh trifonov, ki jih želimo uporabljati v določenem sistemu razpoznavanja govora. Če je v tem seznamu kakšen trifon, za katerega model še ni določen, se za ta trifon začne preiskovanje odločitvenega drevesa. Med preiskovanjem se odgovarja na zastavljena vprašanja o kontekstu tega trifona, dokler ne pridemo skozi drevo do končnih listov, ki nam tako predstavljajo stanja modela novega trifona. 3. Načini določanje skupin fonov za proces izgradnje odločitvenega drevesa Z definiranjem fonetičnih skupin nam je v metodi odločitvenih dreves omogočeno vnašanje ekspertnega lingvističnega znanja v proces gradnje akustičnih modelov. Najbolje je, če lahko to delo opravi ekspert s področja jezikoslovja. Problem pa nastane, ko je potrebno določiti skupine fonov za nove jezike ali pa za podatkovne baze z različnim naborom fonov. Ena od možnosti reševanja tega problema je podatkovno voden postopek kreiranja teh skupin (Žgank et al., 2003). Tu pa se pojavi vprašanje, kako uporaben je ta postopek pri večjezikovnih sistemih za razpoznavanje govora ter pri podatkovnih bazah, kjer je nivo šuma visok (telefonski govor). V teh primerih lahko pride do velike zamenljivosti med akustičnimi modeli, ki predstavljajo različne fone, kjer predvsem izstopa model fona s (Iskra et al., 2001). Druga možnost reševanja tega problema je uporaba SPE (The Sound Pattern of English), (Chomsky et al., 1968) teorije pri definiranju skupin fonov (Rodman et al., 2002). Vendar ima tudi ta metoda svojo slabost, in ta je vprašanje razvrščanja diftongov. Postavlja pa se tudi vprašanje, kako pomembno je sploh določiti prave skupine fonov in ali bi nam naključno generirane skupine fonov močno pokvarile rezultat pravilnega razpoznavanja govora (Žgank et al., 2003), (Rodman, 2002). Predpostavimo primer, kjer bi izdelali skupine, ki bi vsebovale vse možne kombinacije fonov določenega jezika, nato pa prepustimo postopku gradnje odločitvenega drevesa, da izbere najbolj primerne izmed njih po svojih lastnih kriterijih. Tako bi proces gradnje odločitvenega drevesa izbral za tvorbo vprašanj le zanj pomembne skupine in izpustil nepomembne. Takšna zamisel se porodi zaradi razlage, kako definirati vprašanja za odločitveno drevo v knjigi The HTK book (Young, 2000), ki pravi: Nobene škode ni, če definiramo nekaj dodatnih nepotrebnih (nepomembnih) vprašanj, saj bodo tista, ki se ugotovijo kot nepomembna za podatke, ignorirana. Hkrati pa se je postavilo tudi vprašanje, ali je določitev vrstnega reda skupin fonov v datoteki broad.cls pomembna. Na ti dve vprašanji poskušam odgovoriti v naslednjih poglavjih. 4. Metodologija 4.1. Opis testnih sistemov za avtomatsko razpoznavanje govora Kot del projekta COST 249 je bil ustvarjen sistem za razpoznavanje govora, ki je posebej namenjen uporabi na podatkovni bazi SpeechDat(II) (Lindberg et al., 2000). Zgrajen je bil z namenom, da služi kot referenčni sistem pri raziskavah večjezikovnih sistemov za razpoznavanje govora. Za izgradnjo sistema se uporabljajo HTK orodja (Young et al., 2000) ter tudi nekatera dodatna orodja, ki so bila napisana v okviru projekta SpeechDat(II). Vse procedure za izdelavo in testiranje sistema so napisane v PERL skriptnem jeziku in so prosto dosegljive na Refrecovi spletni strani (Refrec, 2000). Tu najdemo tudi rezultate testov, ki so bili narejeni na ostalih podatkovnih bazah SpeechDat(II). Za testiranje domnev, navedenih v 3. poglavju, sem tako ustvaril referenčni sistem za razpoznavanje govora, ki pa se je šele pri procesu ustvarjanja odločitvenih dreves razdelil na dva različna sistema. Tako je bilo poskrbljeno, da so bili trifonski modeli in tudi vse ostale datoteke, ki se ustvarijo pred samim procesom gradnje odločitvenega drevesa, identične za oba sistema. Edina datoteka, ki se je razlikovala pri gradnji obeh sistemov, je bila datoteka broad.cls, v kateri so določene skupine fonov, ki jih v postopku gradnje sistemov podamo kot ekspertno lingvistično znanje. Tu je bilo uporabljenih 45 skupin fonov za slovenski jezik, ki so jih določili stokovnjaki s področja jezikoslovja, v okviru projekta COST 249. Vrstni red teh skupin sem v teh datotekah generiral naključno. Za fonetični zapis izgovorjav je bilo uporabljenih 46 slovenskih SAMPA simbolov. S tako določenima sistemoma za avtomatsko razpoznavanje govora so bili zagotovljeni pogoji, da je bil edini faktor, ki bi lahko vplival na razliko v uspešnosti razpoznavanja govora obeh sistemov, vrstni red določanja skupin fonov v datoteki broad.cls.
4 Na enak način sta bila zgrajena še dva sistema. Tu so bile v datoteki broad.cls določene skupine fonov, ki temeljijo na SPE teoriji. Tudi tu je bil vrstni red 174 skupin fonov naključno generiran. Zaradi narave teorije SPE se je pri fonetični transkripciji, v nasprotju z zgoraj opisanima sistemoma, uporabilo le 39 slovenskih SAMPA simbolov Testiranje V okvirju projekta COST 249 je bilo ustvarjenih 6 testov, namenjenih ocenjevanju kvalitete razpoznavanja govora sistemov zgrajenih na osnovi podatkovne baze SpeechDat(II): Test da/ne ( seznam vsebuje le 2 besedi) Test izoliranih števk (seznam vsebuje 10 besed) Test niza števk (seznam vsebuje 10 besed) Test ukaznih besed (seznam vsebuje 31 besed) Test imen krajev (seznam vsebuje 597 besed) Test fonetično uravnoteženih besed (seznam vsebuje 1491 besed) Z namenom analize zgradbe čim večjega dela odločitvenega drevesa sem se odločil uporabiti le zadnja dva testa. Pri prvih štirih testih je število uporabljenih besed majhno in posledično je temu primerno tudi majhno število uporabljenih trifonov. Zato nam ti štirje testi dajo vpogled le v zelo ozko področje odločitvenega drevesa. 5. Rezultati Testa imen krajev in fonetično uravnoteženih besed sem izvedel na vseh štirih sistemih v opisanih poglavju 4.1. Za ocene uspešnosti razpoznavanja govora sem uporabil akustične modele trifonov predstavljene z 32 Gausovimi verjetnostnimi porazdelitvami. V tabeli 1 so prikazani rezultati poskusov na referenčnih sistemih in na sistemih, ki temeljita na teoriji SPE. SPE-1 SPE-2 Ref-1 Ref-2 Test-FUB 16,31 15,78 17,51 18,04 Test-IK 7,65 6,63 6,12 7,14 Tabela 1: Vrednosti napake razpoznavanja besed (%) za sistema, ki temeljita na teoriji SPE (SPE-1,2) ter za referenčna sistema (REF-1,2) pri testih fonetično bogatih besed (Test-FUB) in imen krajev (Test-IK) Iz rezultatov v tabeli 1 je razvidno, da obstaja vpliv spremembe vrstnega reda skupin fonov na uspešnost sistemov za razpoznavanje govora. Vidimo da se ta vpliv prikaže pri testu fonetično uravnoteženih besed kot 0,53% spremembe absolutne napake razpoznavanja besed (3,25% relativno), pri testu imen krajev pa je ta sprememba celo 1,02% (13,3% relativno) Analiza rezultatov Analiziral sem dve, med postopkom gradnje odločitvenih dreves zgrajeni datoteki, tied.lis in pa fulltri.des. Datoteka tied.lis se ustvari, da nam po procesu gradnje odločitvenega drevesa poda seznam vseh zgrajenih modelov trifonov. V tej datoteki lahko vidimo, kateri trifoni si po postopku vezanja parametrov v celoti delijo isti akustični model. V datoteki fulltri.des pa je določena struktura odločitvenega drevesa za vsako oddajno stanje vsakega fona. Napisal sem program v skriptnem jeziku PERL, ki pregleda datoteko fulltri.des in nam pove, kolikokrat je bilo določeno vprašanje uporabljeno v drevesu ter kolikokrat na prvem, drugem, tretjem, četrtem in petem nivoju odločitvenega drevesa. Izkazalo se je, da se je vrsta vprašanj in njihova zastopanost po nivojih odločitvenih dreves spremenila pri spremembi vrstnega reda skupin fonov. Tudi v datoteki tied.lis je opaziti, da je v teh primerih prišlo do združevanja različnih trifonskih modelov. Tako je npr. v enem sistemu prišlo do popolne združitve trifona E-k+o: s trifonom E-k+u: v drugem sistemu pa s trifonom i-k+o:. Tudi primerjava zgrajenih modelov trifonov nam pokaže, da modeli niso identični. Seveda se postavlja vprašanje, kako lahko le vrstni red definiranja skupin fonov tako močno spremeni zgrajene sisteme. Slika 2: Vpliv vrstnega reda skupin fonov na odločitveno drevo Glede na to, katera vprašanja se izbirajo v procesu gradnje odločitvenega drevesa in na kakšen način, sem našel možno razlago za takšno spremembo. Predpostavimo, da imamo vozlišče v drevesu, ki predstavlja prvo stanje prikritega Markovega modela generaliziranega 1 trifona *-n+* z vsemi možnimi levimi in desnimi konteksti. Denimo, da imamo v podatkovni bazi le učne primere trifona n z levimi konteksti a, b, u, v (a-n+*, b-n+*, u-n+*, v-n+*) ter da imamo med skupinami fonov definirani tudi skupini skupina 1 = (a, b, x) ter skupina 2 = (a, b). Kot vidimo, je skupina 2 podmnožica skupine 1. Skupina 1 vsebuje še fon x, ki ga skupina 2 ne vsebuje. Ker pa vidimo, da se v učnih podatkih trifon n z levim kontekstom x ne pojavlja (xn+*), vemo, da imata ti dve skupini enako moč deljenja tega vozlišča, saj se ocena logaritemske podobnosti (Young et al., 2000) računa le za vzorce, ki se pojavijo med učnimi podatki. Torej ne glede na to, katera od teh dveh skupin razdeli to vozlišče, bo izračunan porast ocene logaritemske podobnosti v novih vozliščih enak. Predpostavimo še, da ti dve skupini med vsemi skupinami fonov najbolje delijo to vozlišče. Torej bo verjetno za delitev tega vozlišča izbrana tista izmed teh dveh skupin, ki bo prej definirana v datoteki broad.cls. Če je v datoteki skupina 1 definirana pred skupino 2, se bo vozlišče razdelilo na dve novi, kot je prikazano na sliki 2a, v nasprotnem primeru pa nastane situacija, prikazana na sliki 2b. V primeru, da skupina 1 deli to vozlišče, lahko iz 1 Če en trifonski model predstavlja fon znotraj več različnih kontekstov, pravimo takim modelom generalizirani (generalised) oziroma posplošeni trifonski modeli.
5 slike 2a vidimo, da se bo prvo stanje modela trifona n z levim kontekstom x učilo iz istih učnih podatkov kot tudi prva stanja modelov trifonov a-n+*, b-n+*, saj je levi kontekst x uvrščen v skupino 1. Če pa je skupina 2 definirana v datoteki broad.cls pred skupino 1, nam nastala situacija na sliki 2b prikazuje, da se bo prvo stanje modela trifona n z levim kontekstom x učilo iz istih učnih podatkov kot tudi prva stanja modelov trifonov u- n+*, v-n+*. To torej pomeni, da se bo prvo stanje fona n z levim kontekstom x učilo iz popolnoma drugačnih podatkov kot bi se, če bi imeli ti dve skupini obrnjen vrstni red v datoteki broad.cls. 6. Zaključek V prispevku je bilo pokazano, da obstaja vpliv določanja vrstnega reda skupin fonov na uspešnost sistemov za avtomatsko razpoznavanje govora, ki uporabljajo metodo odločitvenih dreves. Zaradi razlogov, opisanih v podpoglavju 5.1, je tudi jasno, da skupine fonov ne smejo biti definirane brez vsakršnega lingvističnega znanja in potem prepuščene avtomatičnemu procesu gradnje odločitvenega drevesa, da izbere najboljše med njimi. Tak način ne bi imel problemov s klasifikacijo trifonov, ki se pojavijo v učnih podatkih, vodi pa do nepravilne razvrstitve trifonov, ki se med učnimi podatki ne pojavijo. Ti trifoni bi bili na tak način razvrščeni v liste drevesa brez vsakršne lingvistične osnove. Na njihovo razvrstitev bi v tem primeru še najbolj vplival vrstni red definiranih skupin fonov v datoteki broad.cls. Zato bi bilo smiselno še enkrat premisliti o uporabi unije skupin fonov več jezikov za postopek izgradnje odločitvenega drevesa novega ciljnega jezika, ki se je uporabljal pri nekaterih večjezikovnih sistemih za razpoznavanje govora (Žgank et al., 2001), (Lindberg et al., 2000). Potrebno pa bo bolj natančno oceniti, kako pomemben je lahko ta vpliv ob pojavljanju velikega števila trifonov, ki se ne pojavijo v učnih podatkih. Sprememba uspešnosti razpoznavanja govora v opisanih poskusih res ni velika. Vendar je treba upoštevati, da bi lahko ta sprememba ob drugačni razvrstitvi skupin še narastla. Hkrati pa, če upoštevamo dejstva, da gre ta napaka le na račun spremembe vrstnega reda skupin fonov v datoteki broad.cls ter da se pri testu fonetično uravnoteženih besed pojavi le 50 trifonov, ki se ne pojavijo med učnimi podatki (pri testu imen krajev celo manj), skupno pa imamo v odločitvenem drevesu definiranih 6954 trifonov, lahko vidimo, da ta del predstavlja le dobrih 0.7 % vseh trifonov. Iz rezultatov testov je razvidno, da to spremeni vrednost absolutne napake razpoznavanja besed za 0,53 % oz %. To pa ni zanemarljivo glede na tako majhno število trifonov, ki se ne pojavijo v postopku učenja sistema. Vsekakor so ti rezultati bolj pomembni v raziskavah tistih jezikov, kjer nimamo dovolj učnih podatkov, saj je tam ekspertno vneseno lingvistično znanje eden ključnih faktorjev za uspešno razpoznavanje govora. Pri jezikih, kjer imamo kvalitetnih učnih podatkov dovolj, pa je tudi alternativna podatkovno vodena metoda povezovanja parametrov akustičnih modelov ustrezna in v takih primerih mogoče celo priporočljiva. Najosnovnejši test, ki bo za potrditev omenjene teorije še nujno potreben, bo sestaviti testni set izgovorjav, kjer bodo besede vsebovale le tiste trifone, ki se pojavijo tudi znotraj učnih podatkov sistema za avtomatsko razpoznavanje govora. Nato bo potrebno ponoviti poskusa z naključno generiranima vrstnima redoma skupin fonov. Pri tako definiranem testu vrstni red skupin ne bi smel več vplivati na izgradnjo odločitvenega drevesa in s tem tudi na uspešnost takega sistema za avtomatsko razpoznavanje govora. 7. Literatura Chomsky, N., in Halle, M The Sound Pattern of English. Harper & Row, New York, Evanston, and London. Iskra, A., Petek, B., in Brøndsted, T Recognition of Slovenian Speech: Within and Cross Language Experiments on Monophones using the SpeechDat(II), V Proc. EUROSPEECH, European Conference on Speech Communication and Technology. Aalborg, str Lindberg, B., Johansen, F.T., Warakagoda, N., Lehtinen, G., Kačič, Z., Žgank, A., Elenius, K., in Salvi, G A Noise Robust Multilingual Reference Recognizer Based on SpeechDat(II). V Proc. ICSLP, International Conference on Spoken Language Processing, Beijing. Odell, J.J The Use of Context in Large Vocabulary Speech Recognition. Doktorsko delo, University of Cambridge. Queens College. Rodman, M., Petek, B., in Brøndsted, T SPE- Based Selection of Context-Dependent Units for Speech Recognition, V Proc. LREC, Workshop on Portability Issues in Human Language Technologies. Gran Canaria, str Rodman, M., Analiza izbire enot za razpoznavanje govora. Magistrsko delo, Univerza v Ljubljani. Žgank, A., Imperl, B., Johansen, F.T., Kačič, Z., in Horvat, B Crosslingual Speech Recognition with Multilingual Acoustic Models Based on Agglomerative and Tree-Based Triphone Clustering. V Proc. EUROSPEECH, European Conference on Speech Communication and Technology. Aalborg, str Žgank, A., Kačič, Z., in Horvat, B Data driven generation of broad classes for decision tree construction in acoustic modeling. V Proc. EUROSPEECH, European Conference on Speech Communication and Technology. Geneva. Welcome to the Refrec homepage [online]. Telenor, 2000, obnovljeno [citirano ]. Dostopno na svetovnem spletu: < Woodland, P., in Evermann, G Speech Recognition for Information Access. Elsnet TeSTIA Summer School. Chios. Greece. Young, S., Kershaw, D., Odell, J., Ollason, D., Valtchev, V., in Woodland, P The HTK Book (for HTK Version 3.0). Cambridge. Entropic Cambridge Research Laboratory.
ŠTEVCI 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 večRAM stroj Nataša Naglič 4. junij RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni
RAM stroj Nataša Naglič 4. junij 2009 1 RAM RAM - random access machine Bralno pisalni, eno akumulatorski računalnik. Sestavljajo ga bralni in pisalni trak, pomnilnik ter program. Bralni trak- zaporedje
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 večAvtomatizirano modeliranje pri celostnem upravljanju z vodnimi viri
Univerza v Ljubljani Fakulteta za gradbeništvo in geodezijo 36. Goljevščkov spominski dan Modeliranje kroženja vode in spiranja hranil v porečju reke Pesnice Mateja Škerjanec 1 Tjaša Kanduč 2 David Kocman
Prikaži večMicrosoft Word - M docx
Š i f r a k a n d i d a t a : Državni izpitni center *M15245112* JESENSKI IZPITNI ROK Izpitna pola 2 / 90 minut Dovoljeno gradivo in pripomočki: Kandidat prinese nalivno pero ali kemični svinčnik in računalo.
Prikaži večStrojna oprema
Asistenta: Mira Trebar, Miha Moškon UIKTNT 2 Uvod v programiranje Začeti moramo razmišljati algoritmično sestaviti recept = napisati algoritem Algoritem za uporabo poljubnega okenskega programa. UIKTNT
Prikaži več%
OSNOVNA ŠOLA NARODNEGA HEROJA RAJKA HRASTNIK PODRUŽNIČNA ŠOLA DOL PRI HRASTNIKU PODRUŽNICA LOG AKTIV TJA IN NI KRITERIJ OCENJEVANJA 2018/2019 0-44 % nzd (1) 45-64 % zd (2) 65-79 % db (3) 80-89 % pdb (4)
Prikaži večPostopek poracuna 2007 za JU
POSTOPEK PORAČUNA PLAČ V JAVNEM SEKTORJU ZA OBDOBJE JANUAR-JUNIJ 2007 Ljubljana, julij 2007 verzija 1.00 Stran - 1 Skladno z objavo Zakona o spremembah in dopolnitvah zakona o sistemu plač v javnem sektorju
Prikaži večRazpoznavanje govora Uvod
Razpoznavanje govora splošni pojmi, zgodovinski pregled Osnove računalništva za jezikoslovce prof. France Mihelič Osnovni pojmi Govor Akustični signal, ki ga ljudje uporabljajo za sporazumevanje. Samodejno
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 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 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 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 večAleš Štempihar Agile in IIBA poslovni analitiki dodana vrednost za organizacijo in njene kupce Povzetek: Kaj je pravzaprav Agile? Je to metodologija z
Aleš Štempihar Agile in IIBA poslovni analitiki dodana vrednost za organizacijo in njene kupce Povzetek: Kaj je pravzaprav Agile? Je to metodologija za izvajanje projektov, je to tehnika in orodje za razvoj
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 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 več(Microsoft Word - U\350enje telegrafije po Kochovi metodi.doc)
MORSE UČENJE PO KOCHOVI METODI Računalniški program za učenje skupaj z nekaterimi dodatnimi datotekami dobite na spletni strani avtorja: http://www.g4fon.net/. Zanimive strani so tudi: - http://www.qsl.net/n1irz/finley.morse.html
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 večDocument ID / Revision : 0519/1.3 ID Issuer System (sistem izdajatelja identifikacijskih oznak) Navodila za registracijo gospodarskih subjektov
ID Issuer System (sistem izdajatelja identifikacijskih oznak) Navodila za registracijo gospodarskih subjektov Gospodarski subjekti Definicija: V skladu z 2. členom Izvedbene uredbe Komisije (EU) 2018/574
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 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 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 večNaslov:
Kaj in zakaj v referenčni govorni korpus slovenščine Jana Zemljarič Miklavčič, Marko Stabej, Simon Krek, Ana Zwitter Vitez Eden izmed ciljev nacionalnega projekta Sporazumevanje v slovenskem jeziku je
Prikaži večDiapozitiv 1
9. Funkcije 1 9. 1. F U N K C I J A m a i n () 9.2. D E F I N I C I J A F U N K C I J E 9.3. S T A V E K r e t u r n 9.4. K L I C F U N K C I J E I N P R E N O S P A R A M E T R O V 9.5. P R E K R I V
Prikaži večACAD-BAU-Analiza-prostorov
ANALIZA PROSTOROV Ko obdelujemo večje projekte, je analiza prostorov zelo pomembna v vseh fazah projektiranja. Pri idejnem snovanju moramo npr. za določeno površino trgovske namembnosti zagotoviti primerno
Prikaži večMicrosoft Word - M docx
Š i f r a k a n d i d a t a : Državni izpitni center *M12224223* Višja raven JESENSKI IZPITNI ROK Izpitna pola 3 Pisno sporočanje A) Pisni sestavek (v eni od stalnih sporočanjskih oblik) (150 180 besed)
Prikaži večPOTEK POUKA TUJIH JEZIKOV - dolžnost učencev je, da redno in točno obiskujejo pouk, - pri pouku sodelujejo, pišejo zapiske - k pouku redno prinašajo u
POTEK POUKA TUJIH JEZIKOV - dolžnost učencev je, da redno in točno obiskujejo pouk, - pri pouku sodelujejo, pišejo zapiske - k pouku redno prinašajo učbenik in delovni zvezek, ki sta obvezna učna pripomočka
Prikaži večPisanje strokovnih in znanstvenih del doc. dr. Franc Brcar Prirejeno po: Brcar, F. (2016). Pi
Pisanje strokovnih in znanstvenih del doc. dr. Franc Brcar franc.brcar@gmail.com http://www.uporabna-statistika.si/ Prirejeno po: Brcar, F. (2016). Pisanje strokovnih in znanstvenih del. Novo mesto: 1
Prikaži večProtokoli v računalniškem komuniciranju TCP, IP, nivojski model, paket informacij.
Protokoli v računalniškem komuniciranju TCP, IP, nivojski model, paket informacij. Protokoli - uvod Protokol je pravilo ali zbirka pravil, ki določajo načine transporta sporočil po računalniškem omrežju
Prikaži večPowerPoint Presentation
Upravljanje tveganj nabave VSEBINA predavanj Opredelitev TVEGANJ, njihovih OBLIK in VZROKOV Upravljanje tveganja PRISTOPI in STRATEGIJE upravljanja tveganj METODE ublažitve tveganj Primer analize tveganja.
Prikaži večSKUPNE EU PRIJAVE PROJEKTOV RAZISKOVALNE SFERE IN GOSPODARSTVA Maribor, Inovacije v MSP Innovation in SMEs dr. Igor Milek, SME NKO SPIRIT S
SKUPNE EU PRIJAVE PROJEKTOV RAZISKOVALNE SFERE IN GOSPODARSTVA Maribor, 10.10.2016 Inovacije v MSP Innovation in SMEs dr. Igor Milek, SME NKO SPIRIT Slovenija, javna agencija Pregled predstavitve Koncept
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 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 večIztok KOSEM in Špela ARHAR HOLDT Trojina, zavod za uporabno slovenistiko ANALIZA BESEDIŠČA IN SKLADNJE V BESEDILIH TESTA BRALNE PISMENO
Iztok KOSEM in Špela ARHAR HOLDT Trojina, zavod za uporabno slovenistiko www.trojina.si ANALIZA BESEDIŠČA IN SKLADNJE V BESEDILIH TESTA BRALNE PISMENOSTI PISA 2009 TEMA POROČILA PISA (The Programme for
Prikaži večProtege, I.Savnik
Protégé Iztok Savnik Uporabljeni viri: A Practical Guide To Building OWL Ontologies Using Protege 4 and CO ODE Tools, Edition 1.1 http://protege.stanford.edu/ Protégé OWL ontologije za Semantični splet
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 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 večPMJ, XPath
Imenski prostori, poti in kazalci v XML Iztok Savnik 1 Imenski prostori v XML XML dokument lahko uporablja atribute, elemente in definicije, ki se nahajajo v drugih datotekah Modularna zasnova Ne sme priti
Prikaži več6.1 Uvod 6 Igra Chomp Marko Repše, Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru
6.1 Uvod 6 Igra Chomp Marko Repše, 30.03.2009 Chomp je nepristranska igra dveh igralcev s popolno informacijo na dvo (ali vec) dimenzionalnem prostoru in na končni ali neskončni čokoladi. Igralca si izmenjujeta
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 večINDUSTRIJA 4.0: PRILOŽNOSTI DIGITALNE PREOBRAZBE PROCESA RAZVOJA BARV IN PREMAZOV TOMAŽ KERN, BENJAMIN URH, MARJAN SENEGAČNIK, EVA KRHAČ
INDUSTRIJA 4.0: PRILOŽNOSTI DIGITALNE PREOBRAZBE PROCESA RAZVOJA BARV IN PREMAZOV TOMAŽ KERN, BENJAMIN URH, MARJAN SENEGAČNIK, EVA KRHAČ AGENDA IZZIV OZADJE RAZISKAVE POSNETEK STANJA ANALIZA STANJA in
Prikaži večMicrosoft PowerPoint - Lapajne&Randl2015.pptx
RAZISKAVA OB PREDVIDENI SELITVI KNJIŽNIC OHK Raziskava je potekala v okviru predmetov Raziskovalne metode in Uporabniki informacijskih virov in storitev pod mentorstvom treh profesorjev (dr. Pisanski,
Prikaži večUPRAVLJANJE RAZPRŠENIH PODATKOV Shranjevanje, zaščita in vzdrževanje informacij, ki jih najbolj potrebujete
UPRAVLJANJE RAZPRŠENIH PODATKOV Shranjevanje, zaščita in vzdrževanje informacij, ki jih najbolj potrebujete ELEKTRONSKI PODATKI, KI JIH ORGANIZACIJA USTVARJA IN POTREBUJE ZA DOSTOP, SE KAŽEJO V RAZLIČNIH
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 večMicrosoft Word - Visoko_citirane_3.doc
Visoko citirane objave (1%) v obdobju 23-213 glede na predhodno obdobje Visoko citirane objave so znanstvene objave, ki se po številu citatov uvrščajo v zgornji odstotek najbolj citiranih objav. Gibanje
Prikaži večMicrosoft PowerPoint - MSPO_4_DiagramiVpliva.pptx
8. Diagrami vpliva Odločitveno drevo alternative status quo razširitev gradnja povezovanje izidi 28 30 24 42 16 44 30 34, Univerza v Novi Gorici, Poslovno-tehniška fakulteta 1 Slabosti odločitvenih dreves
Prikaži večTuringov stroj in programiranje Barbara Strniša Opis in definicija Definirajmo nekaj oznak: Σ abeceda... končna neprazna množica simbolo
Turingov stroj in programiranje Barbara Strniša 12. 4. 2010 1 Opis in definicija Definirajmo nekaj oznak: Σ abeceda... končna neprazna množica simbolov (običajno Σ 2) Σ n = {s 1 s 2... s n ; s i Σ, i =
Prikaži večMicrosoft PowerPoint - IPPU-V2.ppt
Informatizacija poslovnih procesov v upravi VAJA 2 Procesni pogled Diagram aktivnosti IPPU vaja 2; stran: 1 Fakulteta za upravo, 2006/07 Procesni pogled Je osnova za razvoj programov Prikazuje algoritme
Prikaži večDNEVNIK
POROČILO PRAKTIČNEGA USPOSABLJANJA Z DELOM PRI DELODAJALCU DIJAKA / DIJAKINJE. ( IME IN PRIIMEK) Izobraževalni program FRIZER.. Letnik:.. oddelek:. PRI DELODAJALCU. (NASLOV DELODAJALCA) Šolsko leto:..
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 večOCENA VREDNOSTI STANOVANJA Z RAZLIČNIMI NAČINI KOT PODLAGA ZA IZRAČUN NAJEMNINE Jožef Murko, dipl.inž.grad., DODOMA d.o.o., stalni sodni cenilec in iz
OCENA VREDNOSTI STANOVANJA Z RAZLIČNIMI NAČINI KOT PODLAGA ZA IZRAČUN NAJEMNINE Jožef Murko, dipl.inž.grad., DODOMA d.o.o., stalni sodni cenilec in izvedenec gradbene stroke, pooblaščeni ocenjevalec vrednosti
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 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 večTRGOVSKI PORTAL SPLETNA APLIKACIJA NAMENJENA TRGOVCEM POGOSTA VPRAŠANJA IN ODGOVORI Ljubljana, Verzija 1.0
TRGOVSKI PORTAL SPLETNA APLIKACIJA NAMENJENA TRGOVCEM POGOSTA VPRAŠANJA IN ODGOVORI Ljubljana, 12.11.2018 Verzija 1.0 KAZALO 1 REGISTRACIJA... 3 1.1 Katere podatke potrebujem za registracijo/kreiranje
Prikaži večNavodila za uporabo programske opreme OTRS verzija Administracijska navodila Avtor navodil: Sebastijan Šilec Datum: December 2007 Center odprte
Navodila za uporabo programske opreme OTRS verzija 2.2.3 Administracijska navodila Avtor navodil: Sebastijan Šilec Datum: December 2007 Center odprte kode Slovenije Spletna stran: http://www.coks.si/ Elektronski
Prikaži večSistemi Daljinskega Vodenja Vaja 3 Matej Kristan Laboratorij za Strojni Vid Fakulteta za elektrotehniko, Univerza v Ljubl
Sistemi Daljinskega Vodenja Vaja 3 Matej Kristan Laboratorij za Strojni Vid Fakulteta za elektrotehniko, Univerza v Ljubljani matej.kristan@fe.uni-lj.si Česa smo se naučili
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 večVST: 1. kviz
jsmath Učilnica / VST / Kvizi / 1. kviz / Pregled poskusa 1 1. kviz Pregled poskusa 1 Končaj pregled Začeto dne nedelja, 25. oktober 2009, 14:17 Dokončano dne nedelja, 25. oktober 2009, 21:39 Porabljeni
Prikaži večGovorne in slikovne tehnologije
Uvod GOVORNE TEHNOLOGIJE prof. dr. France Mihelič PREGLED PREDSTAVITVE Osnovni pojmi Uporaba Zahtevnost raziskovalnega področja Variabilnost govora Razumevanje govora Interdisciplinarnost Govorne podatkovne
Prikaži večPriloga 1: Pravila za oblikovanje in uporabo standardiziranih referenc pri opravljanju plačilnih storitev Stran 4012 / Št. 34 / Uradni lis
Priloga 1: Pravila za oblikovanje in uporabo standardiziranih referenc pri opravljanju plačilnih storitev Stran 4012 / Št. 34 / 24. 5. 2019 Uradni list Republike Slovenije PRILOGA 1 PRAVILA ZA OBLIKOVANJE
Prikaži večMicrosoft Word - Analiza rezultatov NPZ slovenscina 2018.docx
OSNOVNA ŠOLA SOSTRO POROČILO O ANALIZI DOSEŽKOV NACIONALNEGA PREVERJANJA ZNANJA IZ SLOVENŠČINE leta 2018 Pripravile učiteljice slovenščine: Renata More, Martina Golob, Petra Aškerc, Katarina Leban Škoda
Prikaži večMicrosoft Word - Delovni list.doc
SVETOVNE RELIGIJE Spoznal boš: krščanstvo - nastanek, širjenje, duhovna in socialna sporočila, vpliv na kulturo islam: nastanek, širjenje, duhovna in socialna sporočila, vpliv na kulturo stik med religijama
Prikaži večMicrosoft Word - M docx
Š i f r a k a n d i d a t a : Državni izpitni center *M17178111* SPOMLADANSKI IZPITNI ROK Izpitna pola 1 Četrtek, 1. junij 2017 / 90 minut Dovoljeno gradivo in pripomočki: Kandidat prinese nalivno pero
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 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 večDiapozitiv 1
FOUND POETRY Found poetry se ustvarja, piše z uporabo besedišča iz nepoetičnih kontekstov, ki se uporabi v pesniškem besedilu. Kot temeljno besedilo se lahko uporabijo teksti iz različnih virov: časopisov,
Prikaži večMicrosoft PowerPoint - cigre_c2_15.ppt [Compatibility Mode]
Univerza v Mariboru Fakulteta za elektrotehniko, računalništvo in informatiko Boštjan Polajžer, Drago Dolinar, Jožef Ritonja (FERI) bostjan.polajzer@um.si Andrej Semprimožnik (ELES) KAZALNIKI KAKOVOSTI
Prikaži večDZS, d. d. Spoštovani, pred vami je vzorčno poglavje dnevnih priprav. Priprave so uporabnikom na voljo v celoti in v obliki, ki omogoča urejanje in pr
DZS, d. d. Spoštovani, pred vami je vzorčno poglavje dnevnih priprav. Priprave so uporabnikom na voljo v celoti in v obliki, ki omogoča urejanje in prilagajanje. Komplet sestavljajo: učbenik in delovni
Prikaži večNavodila za uporabo Mini snemalnik
Navodila za uporabo Mini snemalnik www.spyshop.eu Pred vami so navodila za pravilno uporabo mini snemalnika in opis funkcionalnosti. Lastnosti snemalnika: Naziv Mere Teža Kapaciteta spomina Snemanje Format
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 večPrimer obetavne prakse za dejavnost-i z uporabo IKT 1 Učitelj: MARIJA VOK LIPOVŠEK Šola: OŠ Hruševec-Šentjur Predmet: Biologija 8 Razred: 8.b Št. ur:
Primer obetavne prakse za dejavnost-i z uporabo IKT 1 Učitelj: MARIJA VOK LIPOVŠEK Šola: OŠ Hruševec-Šentjur Predmet: Biologija 8 Razred: 8.b Št. ur: 1 Vsebinski sklop: OGRODJE Tema: VRSTE IN NALOGE KOSTI
Prikaži večDN5(Kor).dvi
Koreni Število x, ki reši enačbo x n = a, imenujemo n-ti koren števila a in to označimo z n a. Pri tem je n naravno število, a pa poljubno realno število. x = n a x n = a. ( n a ) n = a. ( n a ) m = n
Prikaži večPowerPointova predstavitev
Dostopnost elektronskih virov za slepe, slabovidne in druge osebe z motnjami branja Kristina Janc ZSSML - 27. Seja TIFLO sekcije 22.3.2012 Možnost izkoriščanja elektronskih virov za slepe, slabovidne in
Prikaži večBYOB Žogica v vesolju Besedilo naloge Glavna ideja igre je paziti, da žoga ne pade na tla igralne površine, pri tem pa zbrati čim več točk. Podobno ig
BYOB Žogica v vesolju Besedilo naloge Glavna ideja igre je paziti, da žoga ne pade na tla igralne površe, pri tem pa zbrati čim več točk. Podobno igro najdemo tudi v knjigi Scratch (Lajovic, 2011), vendar
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 večPowerPointova predstavitev
INFORMATIKA Tečaj za višjega gasilca OGZ PTUJ 2017 PRIPRAVIL: ANTON KUHAR BOMBEK, GČ VSEBINA TEORETIČNA PREDAVANJA INFORMACIJSKI SISTEMI SISTEM OSEBNIH GESEL IN HIERARHIJA PRISTOJNOSTI PRAKTIČNE VAJE ISKANJE
Prikaži večNEVTRIN d.o.o. Podjetje za razvoj elektronike, Podgorje 42a, 1241 Kamnik, Slovenia Telefon: Faks.: in
NEVTRIN d.o.o. Podjetje za razvoj elektronike, Podgorje 42a, 1241 Kamnik, Slovenia Telefon: +386 1 729 6 460 Faks.: +386 1 729 6 466 www.nevtrin.si info@elektrina.si USB RFID READER Navodila za uporabo?
Prikaži večPowerPointova predstavitev
Prva LIFE delavnica za pripravo prijav Ljubljana, 15. in 16. januar 2019 Program 1. LIFE delavnice za pisanje prijav: Program delavnice Trajanje Naslov sklopa Nosilec 08.30 09.00 Registracija udeležencev
Prikaži večDiapozitiv 1
Ključne kompetence za uspešno delo knjižničarja Kako jih razvijati? Dr. Vlasta Zabukovec Oddelek za bibliotekarstvo, informacijsko znanost in knjigarstvo FF, UL Kompetence Študij, vseživljenjsko učenje
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 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 večMicrosoft Word - ARRS-MS-BR-07-A-2009.doc
RAZPIS: Javni razpis za sofinanciranje znanstvenoraziskovalnega sodelovanja med Republiko Slovenijo in Federativno Republiko Brazilijo v letih 2010 2012 (Uradni list RS št. 53/2009) Splošna opomba: Vnosna
Prikaži večMicrosoft Word - WP5 D15b infopackage supplement public buildings Slovenia.doc
ENERGETSKA IZKAZNICA KAKO SE NANJO PRIPRAVIMO Izkaznica na podlagi izmerjene rabe energije Energetske izkaznice za javne stavbe bodo predvidoma temeljile na izmerjeni rabi energije za delovanje stavbe.
Prikaži več00ABILHAND-Kids_Slovenian_Slovenia
Université catholique de Louvain Institute of NeuroScience (IoNS), System & Cognition Division (COSY), Brussels, Belgium. Haute Ecole Louvain en Hainaut Physical and Occupational Therapy Departments, Paramedical
Prikaži večChapter 1
- 1 - Poglavje 1 Uvod v podatkovne baze - 2 - Poglavje 1 Cilji (Teme).. Nekatere domene, kjer se uporabljajo podatkovne baze Značilnosti datotečnih sistemov Problemi vezani na datotečne sisteme Pomen izraza
Prikaži večTEHNIČNA DOKUMENTACIJA
TEHNIČNA DOKUMENTACIJA za OBNOVO EVIDENCE DEJANSKE RABE KMETIJSKIH IN GOZDNIH ZEMLJIŠČ (območje V in Z del SLO) Verzija 1.0 Ljubljana, marec 2016 KAZALO 1 UVOD... 3 1.1 OBMOČJE PROJEKTA... 4 1.2 ČASOVNICA
Prikaži večPOROČILO IZ KONSTRUKCIJSKE GRADBENE FIZIKE PROGRAM WUFI IZDELALI: Jaka Brezočnik, Luka Noč, David Božiček MENTOR: prof. dr. Zvonko Jagličič
POROČILO IZ KONSTRUKCIJSKE GRADBENE FIZIKE PROGRAM WUFI IZDELALI: Jaka Brezočnik, Luka Noč, David Božiček MENTOR: prof. dr. Zvonko Jagličič 1.O PROGRAMSKO ORODJE WUFI Program WUFI nam omogoča dinamične
Prikaži večOPOMNIK
OPOMNIK Za izvedbo postopkov pregleda poročil o oceni vrednosti za potrebe postopka revidiranja OCENA VREDNOSTI NEPREMIČN ZA POTREBE RAČUNOVODSKEGA POROČANJA OPOZORILO Pregled poročila o oceni 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 večEU-TPD 1 PODROBNOSTI KODIRANJA Informacije za trgovino JB za DCTA, (Final 1.2) Obveznost kodiranja izdelka, urejena s predpisom EU-TPD se n
EU-TPD 1 PODROBNOSTI KODIRANJA Informacije za trgovino Obveznost kodiranja izdelka, urejena s predpisom EU-TPD se nanaša na tobačne izdelke na trgu EU in na tobačne izdelke, izdelane v EU, vključno s tistimi
Prikaži večPodatkovni model ER
Podatkovni model Entiteta- Razmerje Iztok Savnik, FAMNIT 2018/19 Pregled: Načrtovanje podatkovnih baz Konceptualno načtrovanje: (ER Model) Kaj so entite in razmerja v aplikacijskem okolju? Katere podatke
Prikaži večVzpostavitev več nivojske varnostne infrastrukture S pomočjo Elektro Maribor, McAfee SIEM, CISCO ISE, NGFW Zorna Varga, Sfera IT d.o.o in Klemen Bačak
Vzpostavitev več nivojske varnostne infrastrukture S pomočjo Elektro Maribor, McAfee SIEM, CISCO ISE, NGFW Zorna Varga, Sfera IT d.o.o in Klemen Bačak, Sfera IT d.o.o. 1 Priprava na: Vzpostavitev več nivojske
Prikaži večIZGRADNJA PREDSTAVITVENE SPLETNE STRANI GLUCOWATCH Avtor: Marko Zajko Projekt delno financira Evropska unija, in sicer iz Evropskega socialnega sklada
IZGRADNJA PREDSTAVITVENE SPLETNE STRANI GLUCOWATCH Avtor: Marko Zajko UPORABLJENE TEHNOLOGIJE Za izdelavo predstavitvene spletne strani smo izbrali tehnologije, ki zagotavljajo: Hitro delovanje spletne
Prikaži večMicrosoft Word - IRDO doc
ANALIZA MEDIJSKEGA POJAVLJANJA IRDO Inštitut za razvoj družbene odgovornosti 1. 3. 21 28. 2. 211 Press CLIPPING d.o.o., Kraljeviča Marka ulica 5, 2 Maribor, Slovenija, tel.: +386 ()2 / 25-4-1, fax: +386
Prikaži večUradni list RS - 12(71)/2005, Mednarodne pogodbe
PRILOGA 3 Osnovne značilnosti, ki se sporočajo za usklajevanje 1. Zgradba podatkovne zbirke Podatkovno zbirko sestavljajo zapisi, ločeni po znakovnih parih "pomik na začetek vrstice pomik v novo vrstico"
Prikaži večIme in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5. februar 2018 Navodila Pazljivo preberite
Ime in priimek: Vpisna št: FAKULTETA ZA MATEMATIKO IN FIZIKO Oddelek za matematiko Verjetnost Pisni izpit 5 februar 018 Navodila Pazljivo preberite besedilo naloge, preden se lotite reševanja Nalog je
Prikaži več(Microsoft Word - Merila, metode in pravila - \350istopis )
DRŽAVNOTOŽILSKI SVET Trg OF 13, 1000 LJUBLJANA Tel.: 01 434 19 63 E-pošta: dts@dt-rs.si Številka: Dts 5/15-12 Datum: 27. 10. 2016 Državnotožilski svet (v nadaljevanju: Svet) je na svoji 64. seji dne 27.
Prikaži večVPRAŠALNIK BRALNE MOTIVACIJE ZA MLAJŠE UČENCE –
PRAŠALNIK BRALNE MOTIACIJE ZA STAREJŠE UČENCE BM-st Pred teboj je vprašalnik o branju. Prosimo te, da nanj odgovoriš tako, kot velja zate. vprašalniku ni pravilnih oz. napačnih odgovorov. Na posamezne
Prikaži več