INTELIGENŢĂ ARTIFICIALĂ
|
|
- Lauren Hancock
- 6 years ago
- Views:
Transcription
1 INTELIGENŢĂ ARTIFICIALĂ Curs 12 Sisteme inteligente Sisteme care învaţă singure maşini cu support vectorial - K-means - Laura Dioşan
2 Sumar A. Scurtă introducere în Inteligenţa Artificială (IA) B. Rezolvarea problemelor prin căutare Definirea problemelor de căutare Strategii de căutare Strategii de căutare neinformate Strategii de căutare informate Strategii de căutare locale (Hill Climbing, Simulated Annealing, Tabu Search, Algoritmi evolutivi, PSO, ACO) Strategii de căutare adversială C. Sisteme inteligente Sisteme bazate pe reguli în medii certe Sisteme bazate pe reguli în medii incerte (Bayes, factori de certitudine, Fuzzy) Sisteme care învaţă singure Arbori de decizie Reţele neuronale artificiale Algoritmi evolutivi Maşini cu suport vectorial Algoritmi de clusterizare Sisteme hibride
3 Materiale de citit şi legături utile capitolul 15 din C. Groşan, A. Abraham, Intelligent Systems: A Modern Approach, Springer, 2011 Capitolul 9 din T. M. Mitchell, Machine Learning, McGraw-Hill Science, 1997 Documentele din directorul svm
4 Sisteme inteligente Sisteme expert Sisteme bazate pe reguli Bayes Fuzzy Arbori de decizie Reţele neuronale artificiale Maşini cu suport vectorial Algoritmi evolutivi Obiecte, frame-uri, agenţi Sisteme bazate pe cunoştinţe Inteligenţă computaţională
5 Sisteme inteligente SIS Învăţare automată Tipologie În funcţie de experienţa acumulată în timpul învăţării: SI cu învăţare supervizată SI cu învăţare nesupervizată SI cu învăţare activă SI cu învăţare cu întărire În funcţie de modelul învăţat (algoritmul de învăţare): Arbori de decizie Reţele neuronale artificiale Maşini cu suport vectorial (MSV) Algoritmi evolutivi Modele Markov ascunse
6 Sisteme inteligente SIS MSV Maşini cu suport vectorial (MSV) Definire Tipuri de probleme rezolvabile Avantaje Dificultăţi Tool-uri
7 Sisteme inteligente SIS MSV Definire Dezvoltate de Vapnik în 1970 Popularizate după 1992 Clasificatori liniari care identifică un hiperplan de separare a clasei pozitive de clasa negativă Au o fundamentare teoretică foarte riguroasă Funcţionează foarte bine pentru date de volum mare (analiza textelor, analiza imaginilor) Reamintim Problemă de învăţare supervizată în care avem un set de date de forma: (x d, t d ), cu: x d R m x d =(x d 1, x d 2,..., x d m) t d R t d {1, -1}, 1 clasă pozitivă, -1 clasă negativă cu d = 1,2,...,n,n+1,n+2,...,N Primele n date (se cunosc x d şi t d ) vor fi folosite drept bază de antrenament a MSV Ultimele N-n date (se cunosc doar x d, fără t d ) vor fi folosite drept bază de testare a MSV
8 Sisteme inteligente SIS MSV Definire MSV găseşte o funcţie liniară de forma f(x) = w x + b, (w -vector pondere) a.î. y i 1 1 if if w x w x i i b 0 b 0 w x + b = 0 hiperplanul de decizie care separă cele 2 clase
9 Sisteme inteligente SIS MSV Definire Pot exista mai multe hiperplane Care este cel mai bun hiperplan? MSV caută hiperplanul cu cea mai largă margine (cel care micşorează eroarea de generalizare) Algoritmul SMO (Sequential minimal optimization)
10 Sisteme inteligente SIS MSV Tipuri de probleme rezolvabile Probleme de clasificare Cazuri de date Liniar separabile Separabile Eroarea = 0 Ne-separabile Se relaxează constrângerile se permit unele erori C coeficient de penalizare
11 Sisteme inteligente SIS MSV Cazuri de date Non-liniar separabile Spaţiul de intrare se transformă într-un spaţiu cu mai multe dimensiuni (feature space), cu ajutorul unei funcţii kernel, unde datele devin liniar separabile În MSV, funcţiile kernel calculează distanţa între 2 puncte kernelul ~ funcţie de similaritate
12 Sisteme inteligente SIS MSV Cazuri de date Non-liniar separabile Kernele posibile Clasice Polynomial kernel: K(x d1, x d2 ) = (x d1, x d2 + 1) p RBF kernel: K(x d1, x d2 ) = exp(- x d1 - x d2 2 /2σ 2 ) Kernele multiple Liniare: K(x d1, x d2 ) = w i K i (x d1, x d2 ) Ne-liniare Fără coeficienţi: K(x d1, x d2 ) = K 1 (x d1, x d2 )+ K 2 (x d1, x d2 )* exp(k 3 (x d1, x d2 )) Cu coeficienţi: K(x d1, x d2 ) = K 1 (x d1, x d2 )+ c 1 * K 2 *(x d1, x d2 ) exp(c 2 + K 3 (x d1, x d2 )) Kernele pentru stringuri Kernele pentru imagini Kernele pentru grafe
13 Sisteme inteligente SIS MSV Configurarea MSV Parametrii unei MSV Coeficientul de penalizare C C mic convergenţă lentă C mare convergenţă rapidă Parametrii funcţiei kernel (care kernel şi cu ce parametri) Dacă m (nr de atribute) este mult mai mare decât n (nr de instanţe) MSV cu kernel liniar (MSV fără kernel) K(x d1, x d2 ) = xd1 xd2 Dacă m (nr de atribute) este mare, iar n (nr de instanţe) este mediu MSV cu kernel Gaussian K(x d1, x d2 ) = exp(- x d1 - x d2 2 /2σ 2 ) σ dispersia datelor de antrenament Atributele instanţelor trebuie normalizate (scalate la (0,1)) m (nr de atribute) este mic, iar n (nr de instanţe) este mare Se adaugă noi atribute, iar apoi MSV cu kernel liniar
14 Sisteme inteligente SIS MSV MSV pentru probleme de clasificare supervizate cu mai mult de 2 clase Una vs. restul (one vs. all)
15 Sisteme inteligente SIS MSV MSV structurate Învăţare automată Normală f:x R Intrări de orice fel Ieşiri numerice (naturale, întregi, reale) Structurată:X Y Intrări de orice fel Ieşiri de orice fel (simple sau structurate) Informaţii structurate Texte şi hiper-texte Molecule şi structuri moleculare Imagini
16 Sisteme inteligente SIS MSV MSV structurate Aplicaţii Procesarea limbajului natural Traduceri automate (ieşiri propoziţii) Analiza sintactică şi/sau morfologică a propoziţiilor (ieşiri arborele sintactic şi/sau morfologic) Bioinformatică Predicţia unor structuri secundare (ieşirile grafe bi-partite) Predicţia funcţionării unor enzime (ieşirile path-uri în arbori) Procesarea vorbirii Transcrieri automate (ieşiri propoziţii) Transformarea textelor în voce (ieşiri semnale audio) Robotică Planificare (ieşirile secvenţe de acţiuni)
17 Sisteme inteligente SIS MSV Avantaje Pot lucra cu orice fel de date (liniar separabile sau nu, distribuit uniform sau nu, cu distribuţie cunoscută sau nu) Funcţiile kernel care crează noi atribute (features) straturile ascunse dintr-o RNA Dacă problema e convexă oferă o soluţie unică optimul global RNA pot asocia mai multe soluţii optime locale Selectează automat mărimea modelului învăţat (prin vectorii suport) În RNA straturile ascunse trebuie configurate de către utilizator apriori Nu învaţă pe derost datele (overfitting) RNA se confruntă cu problema overfitting-ului chiar şi cţnd modelul se învaţă prin validare încrucişată Dificultăţi Doar atribute reale Doar clasificare binară Background matematic dificil Tool-uri LibSVM Weka SMO SVMLight SVMTorch
18 Sisteme inteligente SIS Învăţare automată Tipologie În funcţie de experienţa acumulată în timpul învăţării: SI cu învăţare supervizată SI cu învăţare nesupervizată SI cu învăţare activă SI cu învăţare cu întărire În funcţie de modelul învăţat (algoritmul de învăţare): Arbori de decizie Reţele neuronale artificiale Maşini cu suport vectorial (MSV) Algoritmi evolutivi Modele Markov ascunse K-means
19 Învăţare nesupervizată Scop Găsirea unui model sau a unei structuri utile a datelor Tip de probleme Identificara unor grupuri (clusteri) Analiza genelor Procesarea imaginilor Analiza reţelelor sociale Segmentarea pieţei Analiza datelor astronomice Clusteri de calculatoare Reducerea dimensiunii Identificarea unor cauze (explicaţii) ale datelor Modelarea densităţii datelor Caracteristic Datele nu sunt adnotate (etichetate)
20 Învăţare ne-supervizată definire Împărţirea unor exemple neetichetate în submulţimi disjuncte (clusteri) astfel încât: exemplele din acelaşi cluster sunt foarte similare exemplele din clusteri diferiţi sunt foarte diferite Definire Se dă un set de date (exemple, instanţe, cazuri) Se determină Date de antrenament Sub forma atribute_data i, unde i =1,N (N = nr datelor de antrenament) atribute_data i = (atr i1, atr i2,..., atr im ), m nr atributelor (caracteristicilor, proprietăţilor) unei date Date de test Sub forma (atribute_data i ), i =1,n (n = nr datelor de test) o funcţie (necunoscută) care realizează gruparea datelor de antrenament în mai multe clase Nr de clase poate fi pre-definit (k) sau necunoscut Datele dintr-o clasă sunt asemănătoare clasa asociată unei date (noi) de test folosind gruparea învăţată pe datele de antrenament Alte denumiri Clustering
21 Învăţare ne-supervizată definire Supervizată vs. Ne-supervizată
22 Învăţare ne-supervizată definire Distanţe între 2 elemente p şi q є R m Euclideana d(p,q)=sqrt( j=1,2,...,m (p j -q j ) 2 ) Manhattan d(p,q)= j=1,2,...,m p j -q j Mahalanobis d(p,q)=sqrt(p-q)s -1 (p-q)), unde S este matricea de variaţie şi covariaţie (S= E[(p-E[p])(q-E[q])]) Produsul intern d(p,q)= j=1,2,...,m p j q j Cosine d(p,q)= j=1,2,...,m p j q j / (sqrt( j=1,2,...,m p j2 ) * sqrt( j=1,2,...,m q j2 )) Hamming numărul de diferenţe între p şi q Levenshtein numărul minim de operaţii necesare pentru a-l transforma pe p în q Distanţă vs. Similaritate Distanţa min Similaritatea max
23 Învăţare ne-supervizată exemple Gruparea genelor Studii de piaţă pentru gruparea clienţilor (segmentarea pieţei) news.google.com
24 Învăţare ne-supervizată proces Procesul 2 paşi: Antrenarea Învăţarea (determinarea), cu ajutorul unui algoritm, a clusterilor existenţi Testarea Plasarea unei noi date într-unul din clusterii identificaţi în etapa de antrenament Calitatea învăţării (validarea clusterizării): Criterii interne Similaritate ridicată în interiorul unui cluster şi similaritate redusă între clusteri Criteri externe Folosirea unor benchmark-uri formate din date pre-grupate
25 Învăţare ne-supervizată evaluare Măsuri de performanţă Criterii interne Distanţa în interiorul clusterului Distanţa între clusteri Indexul Davies-Bouldin Indexul Dunn Criteri externe Compararea cu date cunoscute în practică este imposibil Precizia Rapelul F-measure
26 Învăţare ne-supervizată evaluare Măsuri de performanţă Criterii interne Distanţa în interiorul clusterului c j care conţine n j instanţe Distanţa medie între instanţe (average distance) D a (c j ) = xi1,xi2єcj x i1 x i2 / (n j (n j -1)) Distanţa între cei mai apropiaţi vecini (nearest neighbour distance) D nn (c j ) = xi1єcj min xi2єcj x i1 x i2 / n j Distanţa între centroizi D c (c j ) = xi,єcj x i µ j / n j, unde µ j = 1/ n j xiєcj x i
27 Învăţare ne-supervizată evaluare Măsuri de performanţă Criterii interne Distanţa între 2 clusteri c j1 şi c j2 Legătură simplă d s (c j1, c j2 ) = min xi1єcj1, xi2єcj2 { x i1 x i2 } Legătură completă d co (c j1, c j2 ) = max xi1єcj1, xi2єcj2 { x i1 x i2 } Legătură medie d a (c j1, c j2 ) = xi1єcj1, xi2єcj2 { x i1 x i2 } / (n j1 * n j2 ) Legătură între centroizi d ce (c j1, c j2 ) = µ j1 µ j2
28 Învăţare ne-supervizată evaluare Măsuri de performanţă Criterii interne Indexul Davies-Bouldin min clusteri compacţi DB = 1/nc* i=1,2,...,nc max j=1, 2,..., nc, j i ((σ i + σ j )/d(µ i, µ j )) unde: nc numărul de clusteri µ i centroidul clusterului i σ i media distanţelor între elementele din clusterul i şi centroidul µ i d(µ i, µ j ) distanţa între centroidul µ i şi centroidul µ j Indexul Dunn Identifică clusterii denşi şi bine separaţi D=d min /d max Unde: d min distanţa minimă între 2 obiecte din clusteri diferiţi distanţa intracluster d max distanţa maximă între 2 obiecte din acelaşi cluster distanţa intercluster
29 Învăţare ne-supervizată - tipologie După modul de formare al clusterilor C. ierarhic C. ne-ierarhic (partiţional) C. bazat pe densitatea datelor C. bazat pe un grid
30 Învăţare ne-supervizată - tipologie După modul de formare al clusterilor Ierarhic se crează un arbore taxonomic (dendogramă) crearea clusterilor (recursiv) nu se cunoaşte k (nr de clusteri) aglomerativ (de jos în sus) clusteri mici spre clusteri mari diviziv (de sus în jos) clusteri mari spre clusteri mici Ex. Clustering ierarhic aglomerativ
31 Învăţare ne-supervizată - tipologie După modul de formare al clusterilor Ne-ierarhic Partiţional se determină o împărţire a datelor toţi clusterii deodată Optimizează o funcţie obiectiv definită Local doar pe anumite atribute Global pe toate atributele care poate fi Pătratul erorii suma patratelor distanţelor între date şi centroizii clusterilor min Ex. K-means Bazată pe grafuri Ex. Clusterizare bazată pe arborele minim de acoperire Bazată pe modele probabilistice Ex. Identificarea distribuţiei datelor Maximizarea aşteptărilor Bazată pe cel mai apropiat vecin Necesită fixarea apriori a lui k fixarea clusterilor iniţiali Algoritmii se rulează de mai multe ori cu diferiţi parametri şi se alege versiunea cea mai eficientă Ex. K-means, ACO
32 Învăţare ne-supervizată - tipologie După modul de formare al clusterilor bazat pe densitatea datelor Densitatea şi conectivitatea datelor Formarea clusterilor de bazează pe densitatea datelor într-o anumită regiune Formarea clusterilor de bazează pe conectivitatea datelor dintr-o anumită regiune Funcţia de densitate a datelor Se încearcă modelarea legii de distribuţie a datelor Avantaj: Modelarea unor clusteri de orice formă
33 Învăţare ne-supervizată - tipologie După modul de formare al clusterilor Bazat pe un grid Nu e chiar o metodă nouă de lucru Poate fi ierarhic, partiţional sau bazat pe densitate Pp. segmentarea spaţiului de date în zone regulate Obiectele se plasează pe un grid multi-dimensional Ex. ACO
34 Învăţare ne-supervizată - tipologie După modul de lucru al algoritmului Aglomerativ 1. Fiecare instanţă formează iniţial un cluster 2. Se calculează distanţele între oricare 2 clusteri 3. Se reunesc cei mai apropiaţi 2 clusteri 4. Se repetă paşii 2 şi 3 până se ajunge la un singur cluster sau la un alt criteriu de stop Diviziv 1. Se stabileşte numărul de clusteri (k) 2. Se iniţializează centrii fiecărui cluster 3. Se determină o împărţire a datelor 4. Se recalculează centrii clusterilor 5. Se reptă pasul 3 şi 4 până partiţionarea nu se mai schimbă (algoritmul a convers) După atributele considerate Monotetic atributele se consideră pe rând Politetic atributele se consideră simultan
35 Învăţare ne-supervizată - tipologie După tipul de apartenenţă al datelor la clusteri Clustering exact (hard clustering) Asociază fiecarei intrări x i o etichetă (clasă) c j Clustering fuzzy Asociază fiecarei intrări x i un grad (probabilitate) de apartenenţă f ij la o anumită clasă c j o instanţă x i poate aparţine mai multor clusteri
36 Învăţare ne-supervizată algoritmi Clustering ierarhic aglomerativ K-means AMA Modele probabilistice Cel mai apropiat vecin Fuzzy Reţele neuronale artificiale Algoritmi evolutivi ACO
37 Învăţare ne-supervizată algoritmi Clustering ierarhic aglomerativ Se consideră o distanţă între 2 instanţe d(x i1, x i2 ) Se formează N clusteri, fiecare conţinând câte o instanţă Se repetă Determinarea celor mai apropiaţi 2 clusteri Se reunesc cei 2 clusteri un singur cluster Până când se ajunge la un singur cluster (care conţine toate instanţele)
38 Învăţare ne-supervizată algoritmi Clustering ierarhic aglomerativ Distanţa între 2 clusteri c i şi c j : Legătură simplă minimul distanţei între obiectele din cei 2 clusteri d(c i, c j ) = max xi1єci, xi2єcj sim(x i1, x i2 ) Legătură completă maximul distanţei între obiectele din cei 2 clusteri d(c i, c j ) = min xi1єci, xi2єcj sim(x i1, x i2 ) Legătură medie media distanţei între obiectele din cei 2 clusteri d(c i, c j ) = 1 / (n i *n j ) xi1єci xi2єcj d(x i1, x i2 ) Legătură medie peste grup distanţa între mediile (centroizii) celor 2 clusteri d(c i, c j ) = ρ(µ i, µ j ), ρ distanţă, µ j = 1/ n j xiєcj x i
39 Învăţare ne-supervizată algoritmi K-means (algoritmul Lloyd/iteraţia Voronoi) Pp că se vor forma k clusteri Iniţializează k centroizi µ 1, µ 2,..., µ k Un centroid µ j (i=1,2,..., k) este un vector cu m valori (m nr de atribute) Repetă până la convergenţă Asociază fiecare instanţă celui mai apropiat centroid pentru fiecare instanţă x i, i = 1, 2,..., N c i = arg min j = 1, 2,..., k x i - µ j 2 Recalculează centroizii prin mutarea lor în media instanţelor asociate fiecăruia pentru fiecare cluster c j, j = 1, 2,..., k µ j = i=1,2,...n 1 ci=j x i / i=1,2,...n 1 ci=j
40 Învăţare ne-supervizată algoritmi K-means
41 Învăţare ne-supervizată algoritmi K-means Iniţializarea a k centroizi µ 1, µ 2,..., µ k Cu valori generate aleator (în domeniul de definiţie al problemei) Cu k dintre cele N instanţe (alese în mod aleator) Algoritmul converge întotdeauna? Da, pt că avem funcţia de distorsiune J J(c, µ) = i=1,2,..., N x i - µ cj 2 care este descrescătoare Converge într-un optim local Găsirea optimului global NP-dificilă
42 Învăţare ne-supervizată algoritmi Clusterizare bazată pe arborele minim de acoperire (AMA) Se construieşte AMA al datelor Se elimină din arbore cele mai lungi muchii, formându-se clusteri
43 Învăţare ne-supervizată algoritmi Modele probabilistice e04/ul.pdf t.pdf
44 Învăţare ne-supervizată algoritmi Cel mai apropiat vecin Se etichetează câteva dintre instanţe Se repetă până la etichetarea tuturor instanţelor O instanţă ne-etichetată va fi inclusă în clusterul instanţei cele mai apropiate dacă distanţa între instanţa neetichetată şi cea etichetată este mai mică decât un prag
45 Învăţare ne-supervizată algoritmi Clusterizare fuzzy Se stabileşte o partiţionare fuzzy iniţială Se construieşte matricea gradelor de apartenenţă U, unde u ij gradul de apartenenţă al instanţei x i (i=1,2,..., N) la clusterul c j (j = 1, 2,..., k) (u ij є [0,1]) Cu cât u ij e mai mare, cu atât e mai mare încrederea că instanţa x i face parte din clusterul c j Se stabileşte o funcţie obiectiv E 2 (U) = i=1,2,..., N j=1,2,...,k u ij x i - µ j 2, unde µ j = i=1,2,..., N u ij x i centrul celui de-al j-lea fuzzy cluster care se optimizează (min) prin re-atribuirea instanţelor (în clusteri noi) Clusering fuzzy clusterizare hard (fixă) impunerea unui prag funcţiei de apartenenţă u ij
46 Învăţare ne-supervizată algoritmi Algoritmi evolutivi Algoritmi Inspiraţi din natură (biologie) Iterativi Bazaţi pe populaţii de potenţiale soluţii căutare aleatoare ghidată de Operaţii de selecţie naturală Operaţii de încrucişare şi mutaţie Care procesează în paralel mai multe soluţii Metafora evolutivă Evoluţie naturală Individ Populaţie Cromozom Genă Fitness (măsură de adaptare) Încrucişare şi mutaţie Mediu Rezolvarea problemelor Soluţie potenţială (candidat) Mulţime de soluţii Codarea (reprezentarea) unei soluţii Parte a reprezentării Calitate Operatori de căutare Spaţiul de căutare al problemei
47 Învăţare ne-supervizată algoritmi Algoritmi evolutivi Initializare populaţie P(0) Evaluare P(0) g := 0; //generaţia CâtTimp (not condiţie_stop) execută Repetă Selectează 2 părinţi p1 şi p2 din P(g) Încrucişare(p1,p2) =>o1 şi o2 Mutaţie(o1) => o1* Mutaţie(o2) => o2* Evaluare(o1*) Evaluare(o2*) adăugare o1* şi o* în P(g+1) Până când P(g+1) este completă g := g + 1 Sf CâtTimp Selecţie pentru perturbare Populaţie (părinţi) Încrucişare Selecţie de supravieţuire Mutaţie Populaţie (urmaşi)
48 Învăţare ne-supervizată algoritmi Algoritmi evolutivi Reprezentare Cromozomul = o partiţionare a datelor Ex. 2 clusteri cromozom = vector binar Ex. K clusteri cromozom = vector cu valori din {1,2,,k} Fitness Calitatea partiţionării Iniţializare Aleatoare Încrucişare Punct de tăietură Mutaţie Schimbarea unui element din cromozom
49 Învăţare ne-supervizată algoritmi ACO Preferinţa pentru drumuri cu nivel ridicat de feromon Pe drumurile scurte feromonul se înmulţeşte Furnicile comunică pe baza urmelor de feromon
50 Învăţare ne-supervizată algoritmi ACO Algoritm de clusterizare bazat pe un grid Obiectele se plasează aleator pe acest grid, urmând ca furnicuţele să le grupeze în funcţie de asemănarea lor 2 reguli pentru furnicuţe Furnica ridică un obiect-obstacol Probabilitatea de a-l ridica e cu atât mai mare cu cât obiectul este mai izolat (în apropierea lui nu se află obiecte similare) p(ridica)=(k + /(k + +f)) 2 Furnica depune un obiect (anterior ridicat) într-o locaţie nouă Probabilitatea de a-l depune e cu atât mai mare cu cât în vecinătatea locului de plasare se afla mai multe obiecte asemănătoare p(depune)=(f/(k - +f)) 2 k +, k - - constante f procentul de obiecte similare cu obiectul curent din memoria furnicuţei Furnicuţele au memorie reţin obiectele din vecinătatea poziţiei curente se mişcă ortogonal (N, S, E, V) pe grid pe căsuţele neocupate de alte furnici
51 Recapitulare Sisteme care învaţă singure (SIS) Maşini cu suport vectorial (MSV) Modele computaţionale care K-means rezolvă (în special) probleme de învăţare supervizată prin identificarea celui mai bun hyper-plan de separare a datelor Modele computaţionale care rezolvă probleme de clusterizare prin nu se cunosc etichetele claselor minimizarea diferenţelor între elementele aceleaşi calse maximizarea diferenţelor între elementele claselor diferite
52 Cursul următor A. Scurtă introducere în Inteligenţa Artificială (IA) B. Rezolvarea problemelor prin căutare Definirea problemelor de căutare Strategii de căutare Strategii de căutare neinformate Strategii de căutare informate Strategii de căutare locale (Hill Climbing, Simulated Annealing, Tabu Search, Algoritmi evolutivi, PSO, ACO) Strategii de căutare adversială C. Sisteme inteligente Sisteme bazate pe reguli în medii certe Sisteme bazate pe reguli în medii incerte (Bayes, factori de certitudine, Fuzzy) Sisteme care învaţă singure Arbori de decizie Reţele neuronale artificiale Maşini cu suport vectorial Algoritmi evolutivi Sisteme hibride
53 Informaţiile prezentate au fost colectate din diferite surse de pe internet, precum şi din cursurile de inteligenţă artificială ţinute în anii anteriori de către: Conf. Dr. Mihai Oltean Lect. Dr. Crina Groşan - Prof. Dr. Horia F. Pop -
INTELIGENŢĂ ARTIFICIALĂ
INTELIGENŢĂ ARTIFICIALĂ Curs 10 Sisteme inteligente Sisteme care învaţă singure arbori de decizie Laura Dioşan Sumar A. Scurtă introducere în Inteligenţa Artificială (IA) B. Rezolvarea problemelor prin
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Curs 8 Sisteme inteligente Sisteme care învaţă singure arbori de decizie Laura Dioşan Sumar A. Scurtă introducere
More informationProcesarea Imaginilor
Procesarea Imaginilor Curs 11 Extragerea informańiei 3D prin stereoviziune Principiile Stereoviziunii Pentru observarea lumii reale avem nevoie de informańie 3D Într-o imagine avem doar două dimensiuni
More informationISBN-13:
Regresii liniare 2.Liniarizarea expresiilor neliniare (Steven C. Chapra, Applied Numerical Methods with MATLAB for Engineers and Scientists, 3rd ed, ISBN-13:978-0-07-340110-2 ) Există cazuri în care aproximarea
More informationSISTEME INTELIGENTE DE SUPORT DECIZIONAL. Ș.l.dr.ing. Laura-Nicoleta IVANCIU. Curs 7 Sisteme inteligente de suport decizional bazate pe RNA
SISTEME INTELIGENTE DE SUPORT DECIZIONAL Ș.l.dr.ing. Laura-Nicoleta IVANCIU Curs 7 Sisteme inteligente de suport decizional bazate pe RNA Cuprins RNA pentru aproximare de funcții Clasificatori cu RNA Studii
More informationMETODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE. Laura Dioşan Tema 4
METODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE Laura Dioşan Tema 4 Text mining Task-uri Regăsirea informaţiei Clasificarea automată a textelor Text mining Task-uri Regăsirea informaţiei Clasificarea
More informationVersionare - GIT ALIN ZAMFIROIU
Versionare - GIT ALIN ZAMFIROIU Controlul versiunilor - necesitate Caracterul colaborativ al proiectelor; Backup pentru codul scris Istoricul modificarilor Terminologie și concepte VCS Version Control
More informationMetrici LPR interfatare cu Barix Barionet 50 -
Metrici LPR interfatare cu Barix Barionet 50 - Barionet 50 este un lan controller produs de Barix, care poate fi folosit in combinatie cu Metrici LPR, pentru a deschide bariera atunci cand un numar de
More informationReflexia şi refracţia luminii. Aplicaţii. Valerica Baban
Reflexia şi refracţia luminii. Aplicaţii. Sumar 1. Indicele de refracţie al unui mediu 2. Reflexia şi refracţia luminii. Legi. 3. Reflexia totală 4. Oglinda plană 5. Reflexia şi refracţia luminii în natură
More informationSemnale şi sisteme. Facultatea de Electronică şi Telecomunicaţii Departamentul de Comunicaţii (TC)
Semnale şi sisteme Facultatea de Electronică şi Telecomunicaţii Departamentul de Comunicaţii (TC) http://shannon.etc.upt.ro/teaching/ssist/ 1 OBIECTIVELE CURSULUI Disciplina îşi propune să familiarizeze
More informationMetoda BACKTRACKING. prof. Jiduc Gabriel
Metoda BACKTRACKING prof. Jiduc Gabriel Un algoritm backtracking este un algoritm de căutare sistematică și exhausivă a tuturor soluțiilor posibile, dintre care se poate alege apoi soluția optimă. Problemele
More informationARBORI AVL. (denumiti dupa Adelson-Velskii si Landis, 1962)
ARBORI AVL (denumiti dupa Adelson-Velskii si Landis, 1962) Georgy Maximovich Adelson-Velsky (Russian: Гео ргий Макси мович Адельсо н- Ве льский; name is sometimes transliterated as Georgii Adelson-Velskii)
More informationModalitǎţi de clasificare a datelor cantitative
Modalitǎţi de clasificare a datelor cantitative Modul de stabilire a claselor determinarea pragurilor minime şi maxime ale fiecǎrei clase - determinǎ modul în care sunt atribuite valorile fiecǎrei clase
More informationSubiecte Clasa a VI-a
(40 de intrebari) Puteti folosi spatiile goale ca ciorna. Nu este de ajuns sa alegeti raspunsul corect pe brosura de subiecte, ele trebuie completate pe foaia de raspuns in dreptul numarului intrebarii
More information2. Setări configurare acces la o cameră web conectată într-un router ZTE H218N sau H298N
Pentru a putea vizualiza imaginile unei camere web IP conectată într-un router ZTE H218N sau H298N, este necesară activarea serviciului Dinamic DNS oferit de RCS&RDS, precum și efectuarea unor setări pe
More informationMETODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE. Laura Dioşan Tema 2
METODE INTELIGENTE DE REZOLVARE A PROBLEMELOR REALE Laura Dioşan Tema 2 Conţinut Probleme de optimizare combinatorială Problema rucsacului şi problema comisului voiajor Formularea problemei şi exemple
More informationTitlul lucrării propuse pentru participarea la concursul pe tema securității informatice
Titlul lucrării propuse pentru participarea la concursul pe tema securității informatice "Îmbunătăţirea proceselor şi activităţilor educaţionale în cadrul programelor de licenţă şi masterat în domeniul
More informationGHID DE TERMENI MEDIA
GHID DE TERMENI MEDIA Definitii si explicatii 1. Target Group si Universe Target Group - grupul demografic care a fost identificat ca fiind grupul cheie de consumatori ai unui brand. Toate activitatile
More informationD în această ordine a.î. AB 4 cm, AC 10 cm, BD 15cm
Preparatory Problems 1Se dau punctele coliniare A, B, C, D în această ordine aî AB 4 cm, AC cm, BD 15cm a) calculați lungimile segmentelor BC, CD, AD b) determinați distanța dintre mijloacele segmentelor
More informationStructura și Organizarea Calculatoarelor. Titular: BĂRBULESCU Lucian-Florentin
Structura și Organizarea Calculatoarelor Titular: BĂRBULESCU Lucian-Florentin Chapter 3 ADUNAREA ȘI SCĂDEREA NUMERELOR BINARE CU SEMN CONȚINUT Adunarea FXP în cod direct Sumator FXP în cod direct Scăderea
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare informată algoritmi inspiraţi de natură Laura Dioşan 2
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare neinformată Laura Dioşan Sumar A. Scurtă introducere în
More informationINSTRUMENTE DE MARKETING ÎN PRACTICĂ:
INSTRUMENTE DE MARKETING ÎN PRACTICĂ: Marketing prin Google CUM VĂ AJUTĂ ACEST CURS? Este un curs util tuturor celor implicați în coordonarea sau dezvoltarea de campanii de marketingși comunicare online.
More informationGrafuri bipartite. Lecție de probă, informatică clasa a XI-a. Mihai Bărbulescu Facultatea de Automatică și Calculatoare, UPB
Grafuri bipartite Lecție de probă, informatică clasa a XI-a Mihai Bărbulescu b12mihai@gmail.com Facultatea de Automatică și Calculatoare, UPB Colegiul Național de Informatică Tudor Vianu București 27 februarie
More informationOlimpiad«Estonia, 2003
Problema s«pt«m nii 128 a) Dintr-o tabl«p«trat«(2n + 1) (2n + 1) se ndep«rteaz«p«tr«telul din centru. Pentru ce valori ale lui n se poate pava suprafata r«mas«cu dale L precum cele din figura de mai jos?
More informationReţele Neuronale Artificiale în MATLAB
Reţele Neuronale Artificiale în MATLAB Programul MATLAB dispune de o colecţie de funcţii şi interfeţe grafice, destinate lucrului cu Reţele Neuronale Artificiale, grupate sub numele de Neural Network Toolbox.
More informationExcel Advanced. Curriculum. Școala Informală de IT. Educație Informală S.A.
Excel Advanced Curriculum Școala Informală de IT Tel: +4.0744.679.530 Web: www.scoalainformala.ro / www.informalschool.com E-mail: info@scoalainformala.ro Cuprins 1. Funcții Excel pentru avansați 2. Alte
More informationINFORMAȚII DESPRE PRODUS. FLEXIMARK Stainless steel FCC. Informații Included in FLEXIMARK sample bag (article no. M )
FLEXIMARK FCC din oțel inoxidabil este un sistem de marcare personalizată în relief pentru cabluri și componente, pentru medii dure, fiind rezistent la acizi și la coroziune. Informații Included in FLEXIMARK
More informationI. STRATEGII ÎN REZOLVAREA PROBLEMELOR
I. STRATEGII ÎN REZOLVAREA PROBLEMELOR Goldstein și Levin (987) au definit rezolvarea problemelor ca fiind procesul cognitiv de ordin înalt care necesită modulația și controlul mai multor capacități /
More informationMetoda de programare BACKTRACKING
Metoda de programare BACKTRACKING Sumar 1. Competenţe............................................ 3 2. Descrierea generală a metodei............................. 4 3......................... 7 4. Probleme..............................................
More informationTextul si imaginile din acest document sunt licentiate. Codul sursa din acest document este licentiat. Attribution-NonCommercial-NoDerivs CC BY-NC-ND
Textul si imaginile din acest document sunt licentiate Attribution-NonCommercial-NoDerivs CC BY-NC-ND Codul sursa din acest document este licentiat Public-Domain Esti liber sa distribui acest document
More informationREVISTA NAŢIONALĂ DE INFORMATICĂ APLICATĂ INFO-PRACTIC
REVISTA NAŢIONALĂ DE INFORMATICĂ APLICATĂ INFO-PRACTIC Anul II Nr. 7 aprilie 2013 ISSN 2285 6560 Referent ştiinţific Lector univ. dr. Claudiu Ionuţ Popîrlan Facultatea de Ştiinţe Exacte Universitatea din
More informationAspecte controversate în Procedura Insolvenţei şi posibile soluţii
www.pwc.com/ro Aspecte controversate în Procedura Insolvenţei şi posibile soluţii 1 Perioada de observaţie - Vânzarea de stocuri aduse în garanţie, în cursul normal al activității - Tratamentul leasingului
More informationAILab Scripting Language for Artificial Intelligence
AILab Scripting Language for Artificial Intelligence Ionuţ Budişteanu elev, clasa a XI-a, Colegiul Naţional Mircea cel Bătrân, ibudisteanu@acm.org Mirela Mlisan profesor îndrumător, Colegiul Naţional Mircea
More informationCAIETUL DE SARCINI Organizare evenimente. VS/2014/0442 Euro network supporting innovation for green jobs GREENET
CAIETUL DE SARCINI Organizare evenimente VS/2014/0442 Euro network supporting innovation for green jobs GREENET Str. Dem. I. Dobrescu, nr. 2-4, Sector 1, CAIET DE SARCINI Obiectul licitaţiei: Kick off,
More informationBaze de date distribuite și mobile
Universitatea Constantin Brâncuşi din Târgu-Jiu Facultatea de Inginerie Departamentul de Automatică, Energie şi Mediu Baze de date distribuite și mobile Lect.dr. Adrian Runceanu Curs 3 Model fizic şi model
More informationAuditul financiar la IMM-uri: de la limitare la oportunitate
Auditul financiar la IMM-uri: de la limitare la oportunitate 3 noiembrie 2017 Clemente Kiss KPMG in Romania Agenda Ce este un audit la un IMM? Comparatie: audit/revizuire/compilare Diferente: audit/revizuire/compilare
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare informată locală Algoritmi Evolutivi Laura Dioşan Sumar
More informationUNIVERSITATEA BABEŞ-BOLYAI CLUJ-NAPOCA
UNIVERSITATEA BABEŞ-BOLYAI CLUJ-NAPOCA FACULTATEA DE MATEMATICǍ ŞI INFORMATICǍ SPECIALIZAREA INFORMATICĂ LUCRARE DE DIPLOMǍ Conducător ştiinţific Prof. univ. dr. Czibula Gabriela Absolvent Morariu Alina
More informationGhid identificare versiune AWP, instalare AWP şi verificare importare certificat în Store-ul de Windows
Ghid identificare versiune AWP, instalare AWP 4.5.4 şi verificare importare certificat în Store-ul de Windows Data: 28.11.14 Versiune: V1.1 Nume fişiser: Ghid identificare versiune AWP, instalare AWP 4-5-4
More informationMS POWER POINT. s.l.dr.ing.ciprian-bogdan Chirila
MS POWER POINT s.l.dr.ing.ciprian-bogdan Chirila chirila@cs.upt.ro http://www.cs.upt.ro/~chirila Pornire PowerPoint Pentru accesarea programului PowerPoint se parcurg următorii paşi: Clic pe butonul de
More informationPrelucrarea numerică a semnalelor
Prelucrarea numerică a semnalelor Assoc.Prof. Lăcrimioara GRAMA, Ph.D. http://sp.utcluj.ro/teaching_iiiea.html 27 februarie 2017 Lăcrimioara GRAMA (sp.utcluj.ro) Prelucrarea numerică a semnalelor 27 februarie
More informationLa fereastra de autentificare trebuie executati urmatorii pasi: 1. Introduceti urmatoarele date: Utilizator: - <numarul dvs de carnet> (ex: "9",
La fereastra de autentificare trebuie executati urmatorii pasi: 1. Introduceti urmatoarele date: Utilizator: - (ex: "9", "125", 1573" - se va scrie fara ghilimele) Parola: -
More informationVol.I ALGORITMI GENETICI LUȚĂ COSTINA CLAUDIA ALGORITMI GENETICI VOL.I ISBN
LUȚĂ COSTINA CLAUDIA ALGORITMI GENETICI ISBN 978-973-0-16089-5 VOL.I 0 S L A T I N A 2014 Tehnoredactare : Luță Costina Claudia Referent ştiinţific: Profesor gradul I ~ Gabriela Raluca Ionică ~ Inspector
More informationO ALTERNATIVĂ MODERNĂ DE ÎNVĂŢARE
WebQuest O ALTERNATIVĂ MODERNĂ DE ÎNVĂŢARE Cuvinte cheie Internet WebQuest constructivism suport educational elemente motivationale activitati de grup investigatii individuale Introducere Impactul tehnologiilor
More informationManagementul Proiectelor Software Metode de dezvoltare
Platformă de e-learning și curriculă e-content pentru învățământul superior tehnic Managementul Proiectelor Software Metode de dezvoltare 2 Metode structurate (inclusiv metodele OO) O mulțime de pași și
More informationEvoluția pieței de capital din România. 09 iunie 2018
Evoluția pieței de capital din România 09 iunie 2018 Realizări recente Realizări recente IPO-uri realizate în 2017 și 2018 IPO în valoare de EUR 312.2 mn IPO pe Piața Principală, derulat în perioada 24
More informationOptimizarea regăsirii informaţiilor prin modelarea matematică. Abstract: The Optimization of Retrieving Information Through Mathematical Modeling
Biblioteca Judeţeană Mureş Optimizarea regăsirii informaţiilor prin modelarea matematică MIHAELA VOINICU Biblioteca Judeţeană Dinicu Golescu Argeş Abstract: The Optimization of Retrieving Information Through
More informationPrintesa fluture. Мобильный портал WAP версия: wap.altmaster.ru
Мобильный портал WAP версия: wap.altmaster.ru Printesa fluture Love, romance and to repent of love. in romana comy90. Formular de noastre aici! Reduceri de pret la stickere pana la 70%. Stickerul Decorativ,
More informationManagementul referinţelor cu
TUTORIALE DE CULTURA INFORMAŢIEI Citarea surselor de informare cu instrumente software Managementul referinţelor cu Bibliotecar Lenuţa Ursachi PE SCURT Este gratuit Poţi adăuga fişiere PDF Poţi organiza,
More informationRAPORTUL STIINTIFIC SI TEHNIC FAZA DE EXECUTIE NR. 2
RAPORTUL STIINTIFIC SI TEHNIC FAZA DE EXECUTIE NR. 2 CU TITLUL Schitarea unei noi paradigme RAPORTUL STIINTIFIC SI TEHNIC 1.1. Cuprins 1.2. Obiective generale... 4 1.3. Obiectivele fazei de executie...
More informationRestaurarea frontierelor unei imagini: abordare genetica
8 Revista Informatica Economica, nr./999 Restaurarea frontierelor unei imagini: abordare genetica Prof.dr. Luminita STATE, Universitatea Pitesti Conf.dr. Doina FUSARU, Universitatea Spiru Haret Bucuresti
More informationMods euro truck simulator 2 harta romaniei by elyxir. Mods euro truck simulator 2 harta romaniei by elyxir.zip
Mods euro truck simulator 2 harta romaniei by elyxir Mods euro truck simulator 2 harta romaniei by elyxir.zip 26/07/2015 Download mods euro truck simulator 2 harta Harta Romaniei pentru Euro Truck Simulator
More informationArbori. Figura 1. struct ANOD { int val; ANOD* st; ANOD* dr; }; #include <stdio.h> #include <conio.h> struct ANOD { int val; ANOD* st; ANOD* dr; }
Arbori Arborii, ca şi listele, sunt structuri dinamice. Elementele structurale ale unui arbore sunt noduri şi arce orientate care unesc nodurile. Deci, în fond, un arbore este un graf orientat degenerat.
More informationMecanismul de decontare a cererilor de plata
Mecanismul de decontare a cererilor de plata Autoritatea de Management pentru Programul Operaţional Sectorial Creşterea Competitivităţii Economice (POS CCE) Ministerul Fondurilor Europene - Iunie - iulie
More informationCalculul evolutiv contine paradigmele optimizarii si clasificarii cu masini instruibile (machine learning), care se bazeaza pe mecanisme evolutive:
Paradigme ale CE Calculul evolutiv contine paradigmele optimizarii si clasificarii cu masini instruibile (machine learning), care se bazeaza pe mecanisme evolutive: genetica biologica, selectia naturala
More informationLIDER ÎN AMBALAJE EXPERT ÎN SISTEMUL BRAILLE
LIDER ÎN AMBALAJE EXPERT ÎN SISTEMUL BRAILLE BOBST EXPERTFOLD 80 ACCUBRAILLE GT Utilajul ACCUBRAILLE GT Bobst Expertfold 80 Aplicarea codului Braille pe cutii a devenit mai rapidă, ușoară și mai eficientă
More informationClass D Power Amplifiers
Class D Power Amplifiers A Class D amplifier is a switching amplifier based on pulse-width modulation (PWM) techniques Purpose: high efficiency, 80% - 95%. The reduction of the power dissipated by the
More informationPropuneri pentru teme de licență
Propuneri pentru teme de licență Departament Automatizări Eaton România Instalație de pompare cu rotire în funcție de timpul de funcționare Tablou electric cu 1 pompă pilot + 3 pompe mari, cu rotirea lor
More informationUniversitatea Lucian Blaga din Sibiu Facultatea de inginerie Hermann Oberth Catedra de Calculatoare şi automatizări
Universitatea Lucian Blaga din Sibiu Facultatea de inginerie Hermann Oberth Catedra de Calculatoare şi automatizări Dezvoltarea unei ontologii de domeniu (Support Vector Machine versus Bayes Naive) Referat
More informationTransmiterea datelor prin reteaua electrica
PLC - Power Line Communications dr. ing. Eugen COCA Universitatea Stefan cel Mare din Suceava Facultatea de Inginerie Electrica PLC - Power Line Communications dr. ing. Eugen COCA Universitatea Stefan
More informationINTELIGENŢĂ ARTIFICIALĂ
UNIVERSITATEA BABEŞ-BOLYAI Facultatea de Matematică şi Informatică INTELIGENŢĂ ARTIFICIALĂ Rezolvarea problemelor de căutare Strategii de căutare neinformată Laura Dioşan Sumar A. Scurtă introducere în
More informationUpdate firmware aparat foto
Update firmware aparat foto Mulţumim că aţi ales un produs Nikon. Acest ghid descrie cum să efectuaţi acest update de firmware. Dacă nu aveţi încredere că puteţi realiza acest update cu succes, acesta
More informationDocumentaţie Tehnică
Documentaţie Tehnică Verificare TVA API Ultima actualizare: 27 Aprilie 2018 www.verificaretva.ro 021-310.67.91 / 92 info@verificaretva.ro Cuprins 1. Cum funcţionează?... 3 2. Fluxul de date... 3 3. Metoda
More informationALGORITMI DE OPTIMIZARE EVOLUTIVI UTILIZAȚI ÎN PROIECTAREA DISPOZITIVELOR DE ÎNCĂLZIRE PRIN INDUCȚIE
ALGORITMI DE OPTIMIZARE EVOLUTIVI UTILIZAȚI ÎN PROIECTAREA DISPOZITIVELOR DE ÎNCĂLZIRE PRIN INDUCȚIE Mihaela NOVAC 1, Ecaterina VLADU 1, Ovidiu NOVAC 1, Adriana GRAVA 1 1 Universitatea din Oradea, Facultatea
More informationUpdating the Nomographical Diagrams for Dimensioning the Concrete Slabs
Acta Technica Napocensis: Civil Engineering & Architecture Vol. 57, No. 1 (2014) Journal homepage: http://constructii.utcluj.ro/actacivileng Updating the Nomographical Diagrams for Dimensioning the Concrete
More informationProcesarea Imaginilor
Procesarea Imaginilor Curs 12 Modele de culoare. Procesarea și segmentarea imaginilor color. Senzori color Achiziția imaginilor color http://www.siliconimaging.com/rgb%20bayer.htm http://en.wikipedia.org/wiki/three-ccd_camera
More informationThe First TST for the JBMO Satu Mare, April 6, 2018
The First TST for the JBMO Satu Mare, April 6, 08 Problem. Prove that the equation x +y +z = x+y +z + has no rational solutions. Solution. The equation can be written equivalently (x ) + (y ) + (z ) =
More informationMODELUL UNUI COMUTATOR STATIC DE SURSE DE ENERGIE ELECTRICĂ FĂRĂ ÎNTRERUPEREA ALIMENTĂRII SARCINII
MODELUL UNUI COMUTATOR STATIC DE SURSE DE ENERGIE ELECTRICĂ FĂRĂ ÎNTRERUPEREA ALIMENTĂRII SARCINII Adrian Mugur SIMIONESCU MODEL OF A STATIC SWITCH FOR ELECTRICAL SOURCES WITHOUT INTERRUPTIONS IN LOAD
More informationHEAPSORT I. CONSIDERAŢII TEORETICE
I. CONSIDERAŢII TEORETICE HEAPSORT Algoritm de sortare care combină calităţile sortării prin inserţie cu cele ale sortării prin interclasare. A fost inventat de Williams 1964. Prin heapsort se ordonează
More informationClusterizarea ierarhică cu aplicaţii în analiza financiară
Clusterizarea ierarhică cu aplicaţii în analiza financiară Dr. Ștefan-Alexandru IONESCU Academia Română, Universitatea Româno-Americană, București ionescusa@gmail.com Abstract Analiza cluster poate fi
More informationM C I O H L BAZE DE CUNOŞTINŢE A H E O L N S I S T E M E D E R E P R E Z E N A R E Ş I P R O C E S A R E A A C U N O Ş T I N Ţ E L O R
BAZE DE CUNOŞTINŢE S I S T E M E D E R E P R E Z E N A R E Ş I P R O C E S A R E A C U N O Ş T I N Ţ E L O R M C I O H L A H E O L N A TIPURI DE CUNOŞTINŢE Pentru a putea rezolva problemele complexe de
More informationearning every day-ahead your trust stepping forward to the future opcom operatorul pie?ei de energie electricã și de gaze naturale din România Opcom
earning every day-ahead your trust stepping forward to the future opcom operatorul pie?ei de energie electricã și de gaze naturale din România Opcom RAPORT DE PIA?Ã LUNAR MARTIE 218 Piaţa pentru Ziua Următoare
More informationMANAGEMENTUL CALITĂȚII - MC. Proiect 5 Procedura documentată pentru procesul ales
MANAGEMENTUL CALITĂȚII - MC Proiect 5 Procedura documentată pentru procesul ales CUPRINS Procedura documentată Generalități Exemple de proceduri documentate Alegerea procesului pentru realizarea procedurii
More informationEN teava vopsita cu capete canelate tip VICTAULIC
ArcelorMittal Tubular Products Iasi SA EN 10217-1 teava vopsita cu capete canelate tip VICTAULIC Page 1 ( 4 ) 1. Scop Documentul specifica cerintele tehnice de livrare pentru tevi EN 10217-1 cu capete
More informationNume şi Apelativ prenume Adresa Număr telefon Tip cont Dobânda Monetar iniţial final
Enunt si descriere aplicatie. Se presupune ca o organizatie (firma, banca, etc.) trebuie sa trimita scrisori prin posta unui numar (n=500, 900,...) foarte mare de clienti pe care sa -i informeze cu diverse
More informationTEZĂ DE DOCTORAT Metode nucleu pentru date structurate
Universitatea din Bucureşti Facultatea de Matematică şi Informatică Şcoala Doctorală de Informatică TEZĂ DE DOCTORAT Metode nucleu pentru date structurate Rezumat Coordonator ştiinţific: Prof. Dr. Denis
More informationCapitolul 7. Data mining. F. Radulescu. Curs: Utilizarea bazelor de date, anul IV C5.
Capitolul 7 Data mining 1 Ce este Data mining? Iniţial data mining (căutarea în date, extragerea de cunostinte din date) a fost un termen din statistică însemnând suprautilizarea datelor pentru a deduce
More informationSolutii avansate pentru testarea si diagnoza masinilor industriale.
Solutii avansate pentru testarea si diagnoza masinilor industriale 15 ani de activitate in domeniul procesarii numerice a semnalelor Solutii de inalta acuratete pentru analiza sunetelor, vibratiilor si
More informationmanivelă blocare a oglinzii ajustare înclinare
Twister MAXVIEW Twister impresionează prin designul său aerodinamic și înălțime de construcție redusă. Oglinda mai mare a îmbunătăți gama considerabil. MaxView Twister este o antenă de satelit mecanică,
More informationStructuri de date: ARBORI
Structuri de date: ARBORI Organizarea liniară de tip listă este adecvată pentru aplicaţiile în care datele (elementele din listă) formează o mulţime omogenă si deci se află pe acelasi nivel. În multe aplicaţii,
More informationCandlesticks. 14 Martie Lector : Alexandru Preda, CFTe
Candlesticks 14 Martie 2013 Lector : Alexandru Preda, CFTe Istorie Munehisa Homma - (1724-1803) Ojima Rice Market in Osaka 1710 devine si piata futures Parintele candlesticks Samurai In 1755 a scris The
More informationSpectral Graph Matching, Learning, and Inference for Computer Vision
Scurt rezumat al tezei de doctorat cu titlul (in limba engleza): Spectral Graph Matching, Learning, and Inference for Computer Vision Marius Dan Leordeanu Numar de Raport Tehnic: CMU-RI-TR-09-27 Conferita
More informationStudiu comparat asupra tehnicilor de data mining utilizate în rezolvarea problemelor de regresie si clasificare
Revista Informatica Economica, nr. 3(27)/2003 105 Studiu comparat asupra tehnicilor de data mining utilizate în rezolvarea problemelor de regresie si clasificare Ec. Valentin MILITARU Catedra de Informatica
More informationLaborator 2. Definirea tablourilor şi a funcţiilor (în linia de comandă) în Matlab 7.0
Laborator Definirea tablourilor şi a funcţiilor (în linia de comandă) în Matlab 70 Bibliografie 1 NH Bingham, John M Fry, Regression Linear Models in Statistics, Springer, New York, 010 M Ghinea, V Fireţeanu,
More information10. Modelarea şi eliminarea zgomotelor din imaginile digitale
Procesarea Imaginilor - Laborator 0: Modelarea şi eliminarea zgomotelor din imagini 0. Modelarea şi eliminarea zgomotelor din imaginile digitale 0.. Introducere Zgomotul este o informaţie nedorită care
More informationLucrarea de laborator nr. 4
Metode merice - Lucrarea de laborator 4 Lucrarea de laborator nr. 4 I. Scopul lucrării Elemente de programare în MAPLE II. III. Conţinutul lucrării 1. Atribuirea. Decizia. Structuri repetitive. 2. Proceduri
More informationF. Radulescu. Curs: Utilizarea bazelor de date, anul IV C5.
Capitolul 8 Data mining date corelate Reprezentarea datelor Vom continua să considerăm modelul de date coşuri de produse şi vom vizualiza datele ca o matrice booleană unde: linii=coşuri şi coloane=articole.
More informationMetodologie de comparare a reţelelor 4G prin evaluarea QoS-ului total
Metodologie de comparare a reţelelor 4G prin evaluarea QoS-ului total Ing. Simona Livia Constantin 1, Ing. Mihaela Tache 1 Cuvinte cheie: QoS, 4G, AHP, GRA, Reţele heterogene. Rezumat. Tema acestui articol
More informationSINGULAR PERTURBATION DETECTION USING WAVELET FUNCTION REPRESENTATION
U.P.B. Sci. Bull., Series C, Vol. 7, No., 8 ISSN 454-34x SINGULAR PERTURBATION DETECTION USING WAVELET FUNCTION REPRESENTATION Dan OLARU, Mihai Octavian POPESCU Calitatea distribuţiei energiei electrice
More informationSPREADING CODES 1. INTRODUCTION. Ion POPA Societatea Română de Televiziune Studioul Teritorial Iaşi
SPREADING CODES Ion POPA Societatea Română de Televiziune Studioul Teritorial Iaşi REZUMAT. În această lucrare am realizat un studiu al codurilor de împrăştiere pe baza caruia am conceput mai multe programe
More informationProcesarea Imaginilor - Laborator 5: Etichetarea componentelor conexe 1
Procesarea Imaginilor - Laborator 5: Etichetarea componentelor conexe 1 5. Etichetarea componentelor conexe 5.1. Introducere În această lucrare de laborator se vor prezenta algoritmi pentru etichetarea
More informationLaborator 2 - Statistică descriptivă
Laborator 2 - Statistică descriptivă Statistica descriptivă are rolul de a descrie trăsăturile principale ale unor eşantioane şi constă în determinarea unor măsuri simple şi analize grafice ale datelor
More informationItemi Sisteme de Operare
Itemi Sisteme de Operare 1. Pentru a muta un dosar (folder) de pe partiţia C: pe partiţia D: folosim: a. New Folder b. Ctrl + C din bara de instrumente şi Copy; c. Ctrl + X şi Ctrl + V; d. Edit Paste;
More informationCapete terminale şi adaptoare pentru cabluri de medie tensiune. Fabricaţie Südkabel Germania
CAPETE TERMINALE ŞI ADAPTOARE PENTRU CABLURI DE MEDIE TENSIUNE Capete terminale şi adaptoare pentru cabluri de medie tensiune. Fabricaţie Südkabel Germania Terminale de interior pentru cabluri monopolare
More informationSAG MITTIGATION TECHNICS USING DSTATCOMS
Eng. Adrian-Alexandru Moldovan, PhD student Tehnical University of Cluj Napoca. REZUMAT. Căderile de tensiune sunt una dintre cele mai frecvente probleme care pot apărea pe o linie de producţie. Căderi
More informationCOMUNICAȚII INFORMATIZARE
COMUNICAȚII INFORMATIZARE 120 Migrare servicii telefonie la Vodafone S-a asigurat suportul tehnic și s-a colaborat cu echipele Vodafone la portarea numerelor UPT și migrarea infrastructuri: 1200 linii
More informationTEZĂ DE DOCTORAT. Ing. ALEXANDRINA MIRELA PATER. Conducător ştiinţific: Prof. Univ. Dr. Ing. IONEL JIAN TIMIŞOARA
UNIVERSITATEA POLITEHNICA TIMIŞOARA FACULTATEA DE AUTOMATICĂ ŞI CALCULATOARE Ing. ALEXANDRINA MIRELA PATER TEZĂ DE DOCTORAT Conducător ştiinţific: Prof. Univ. Dr. Ing. IONEL JIAN TIMIŞOARA -2006- ING.
More informationANTICOLLISION ALGORITHM FOR V2V AUTONOMUOS AGRICULTURAL MACHINES ALGORITM ANTICOLIZIUNE PENTRU MASINI AGRICOLE AUTONOME TIP V2V (VEHICLE-TO-VEHICLE)
ANTICOLLISION ALGORITHM FOR VV AUTONOMUOS AGRICULTURAL MACHINES ALGORITM ANTICOLIZIUNE PENTRU MASINI AGRICOLE AUTONOME TIP VV (VEHICLE-TO-VEHICLE) 457 Florin MARIAŞIU*, T. EAC* *The Technical University
More information9. Memoria. Procesorul are o memorie cu o arhitectură pe două niveluri pentru memoria de program și de date.
9. Memoria Procesorul are o memorie cu o arhitectură pe două niveluri pentru memoria de program și de date. Primul nivel conține memorie de program cache (L1P) și memorie de date cache (L1D). Al doilea
More information