Puheentunnistus ja synteettinen puhe

Koko: px
Aloita esitys sivulta:

Download "Puheentunnistus ja synteettinen puhe"

Transkriptio

1 Puheentunnistus ja synteettinen puhe S Laskennallinen tiede, syksy 2005 (kuva: viite 5) Heikki Hyyti 60451P

2 1. Sisällysluettelo 1. Sisällysluettelo Tiivistelmä Yleistä Kieli ja puhe Puheentunnistuksen ja synteettisen puheen ongelmat Ratkaisumallit Luokitukset Markovin malli Modernit puheentunnistusjärjestelmät Puhesyntetisaattoriratkaisut Yksiköiden valinta tietokannasta Päätaajuus-synteesi Markovin mallien käyttö synteesissä kysaavutukset ja kehityskohteet Tavoitteet ja sovellukset Lähdeviitteet

3 2. Tiivistelmä Tässä tutkielmassa pohdin yleisesti puheen tuottamista ja tunnistamista tietokoneella. Tutustumme kielen monimutkaisuuteen ja erilaisiin tulkintatapoihin riippuen asiayhteydestä, puhujan äänenpainosta tai eleistä. Perehdyn yleisiin puheen tunnistuksen ja tuoton menetelmiin ja niiden osiin sekä laskennallisiin menetelmiin. Lopuksi keskityn pohtimaan mahdollisia käyttökohteita ja sovelluksia kyseiseltä alalta. 3. Yleistä Emme tiedä miten aivot käsittelevät, tunnistavat ja tuottavat puhetta. Siksi tietokonelingvistiikkan ongelmia pyritään ratkaisemaan kehittämällä uusia matemaattisia malleja, joilla puhetta voitaisiin parhaiten tunnistaa ja tuottaa olemassa olevalla tietoteknisellä arkkitehtuurilla. Nykyiset tietokoneet pystyvät tekemään paljon monimutkaisia laskutoimituksia lähestulkoon virheettömästi, mutta hahmon- tai kielentunnistuksessa ne ovat vielä erittäin huonoja. Jos kuitenkin kone saadaan ymmärtämään ihmisen puhumaa kieltä, helpottuu ihmisen ja koneen välinen vuorovaikutus. Puheentunnistus on maailmalla suosittu tieteenala, jolle on jo nyt olemassa jonkinlaisia käyttökelpoisia sovelluksia, kuten lääkäreille tarkoitettuja saneluohjelmia tai kännyköiden soittoautomaatioita sekä automaattisia puhelinpalveluita. Puheentunnistuksen markkinat ovat suhteellisen suuret, noin 130 miljoonaa dollaria (vuonna 2003). Markkinat ovat pääsääntöisesti olleet Yhdysvalloissa, mutta muu maailma on ottamassa tälläkin saralla kiinni. Lähivuosina tämä tieteenala tullee kasvamaan räjähdysmäisesti, kunhan kunnollisia, normaalia puhetta hyvin ymmärtäviä järjestelmiä pystytään rakentamaan. (lähde 2) Synteettisen puheen luominen, niin sanottu puhesynteesi, on kehittynyt huomattavasti pidemmälle kuin puheentunnistus. Nyt jo on saatavilla palveluita, jotka lukevat mitä tahansa tekstiä ymmärrettävälle kielelle. Tämä puhe, jota television chateista saa kuulla puhuvan pään puhumana, ei todellakaan ole mitään kaunista kuunneltavaa ja on vielä kaukana ihmisten käyttämästä kielestä. Tätä puhetta voi kuitenkin ymmärtää, ja siksi sovelluksia on alkanut nyt jo ilmestyä. Merkittävistä tutkimuksista mainittakoon suomalainen tutkimus Tampereen yliopiston tietojenkäsittelyopin laitokselta. Siellä ihmisen ja tietokoneen vuorovaikutusta tutkivassa TAUCHI-ryhmässä on puhekäyttöliittymiä tutkittu vuoden 1998 kesästä alkaen. Puhekäyttöliittymät -nimisessä projektissa työtä on tehty nimenomaan suomenkielisen järjestelmän parissa. Vaikka sovelluksessa ollaankin keskitytty erityisesti suomenkieleen, on perustutkimustyö sinällään muillekin kielille yleistettäviin tuloksiin suuntautunutta. (viite 3) Tästä tutkimuksesta syntyi valmis Postimies-järjestelmä, jolla käyttäjä pääsee käyttämään sähköpostilaatikkoaan pelkän puheen avulla. Järjestelmä osaa vastaanottaa muutamia komentoja puheella ja lukea käyttäjän haluamat sähköpostit suomeksi. 3

4 4. Kieli ja puhe Ihmisen puhuma kieli on todella monimutkaista ja erilaista kirjoitettuun kieleen verrattuna. Suomen kielessä kirjoitettu ja puhuttu kieli ovat suhteellisen samankaltaisia, mutta jos vertaamme esimerkiksi englannin puhe- ja kirjakieltä, niin erilaiset ääntämyserot alkavat tulla esiin. Ääritapauksena kielten erilaisuudesta voidaan pitää esimerkiksi kiinan kieltä, jossa jokaiselle sanalle on oma merkkinsä. Tällöin luonnollisestikin puhe- ja kirjakieli ovat täysin eri kielet. Oman erikoisuutensa kieleen tuovat tämän lisäksi erilaiset murteet ja puheviat. Jokainen ihminen puhuu omalla tavallaan, joten puhetta ymmärtävän laitteen kehittäminen on todella haastavaa. Kieli on usein myös tulkittavissa monella eri tavalla. Kielten piirteet vaikuttavat puheteknologialle asetettaviin vaatimuksiin. Suomen kielessä sanavartaloon liittyvät päätteet voivat vaikuttaa sanan merkitykseen, samoin virkkeen sanajärjestys ja asiayhteys. Lisäksi sanoihin ja ilmauksiin liittyy assosiaatioita ja symbolisia merkityksiä. Tulkitessaan sanoja ihminen hahmottaa ne osana lauserakenteita, jotka eivät ole aina yksiselitteisiä. Samojen sanojen merkitys voi muuttua myös riippuen äänenpainosta, sävystä, asiayhteydestä tai puhujan ilmeestä. Kuusi voi tarkoittaa puuta tai numeroa. (viite 1) Lisäksi puhe voi olla ivallista tai sarkastistista, jolloin kaikki ihmisetkään eivät enää ymmärrä viestiä oikein. Kuva 1: Spektrogrammissa puheesta tulee näkyvää. Kuva: Martti Vainio (Helsingin yliopisto). (viite 1) Ihminen käyttää puhuessaan suhteellisen suurta taajuuskaistaa, 100Hz:tä aina 8kHz:iin asti, kuten kuvasta 1 voimme havaita. Tosin ihmiskorva on herkimmillään taajuusalueella Hz (viite 4). Kuvassa 1 on spektrogrammikuva ilmauksesta menemme laivalla Lemille. Kapeat pystyviivat osoittavat äänihuulten värähtelyä. Niiden välisestä 4

5 etäisyydestä voi päätellä ilmauksen perustaajuuden eli sen, millä äänenkorkeudella puhuja puhuu. Kuvan puhuja on mies. Puheessa ei juuri ole taukoja sanojen välillä, vaan kaikki lauseen sanat ovat lomittuneet toisiinsa. Puhuessamme emme tuota erillisiä sanoja, vaan yhteensulautuneiden sanojen virtaa. (viite 1) 5. Puheentunnistuksen ja synteettisen puheen ongelmat Puheessa sanat ovat yleensä yhtenäisesti liittyneet toisiinsa, ja vasta lauseiden välillä saattaa olla havaittava tauko. Erillisiä sanoja ei välttämättä pystytä erottamaan toisistaan, vaan on kyettävä tunnistamaan äänteitä ja tavuja, joiden perusteella päätellään mihin sanaan kokonaisuuden eri äänteet kuuluvat. Oletetaan että tarkastellaan pidempää ääninäytettä, jossa on useampia toisiinsa liittyviä lauseita. Selvitetyistä äänteistä saadaan rakennettua nippu vaihtoehtoisia lauseita, jotka ovat tulkittavissa analysoitavan materiaalin perusteella. Äänteistä pitää vielä valita kielellisesti järkevä ja asiayhteyteen liittyvä lause, jonka puhuja on tarkoittanut kuulijoidensa havaitsevan. Ihmisen aivot tekevät tätä tulkintatyötä koko ajan puhetta kuunnellessaan. Tietokoneelle tämä todennäköisimmin oikean lauseen löytäminen on haastavaa. Tehtävä vaatii täydellistä puheen ymmärtämystä, jota ei nykykapasiteetilla pystytä läheskään saavuttamaan. Vaikka puheentunnistin tunnistaa sanat, niiden merkityksen tulkinta voi olla hankalaa, koska kieli on tulkittavissa monella eri tavalla kuten edellä mainitsin. Sana kuusi voi tarkoittaa numeroa tai puulajia, ja sanan oikea taivutus pitää tehdä merkitykseen sopivan sanan mukaan. (viite 1) Lisähaastetta puheentunnistukseen aiheuttavat ihmisten erilaiset murteet, puhetyylit, puhenopeudet sekä puheviat. Eri murrealueilta tulevien ihmisten on aluksi vaikea ymmärtää toisiaan, mutta he oppivat nopeasti toisen erityyppisen puhetyylin, minkä jälkeen kuuntelu helpottuu. Sama pätee muihin puhetyylien eroavaisuuksiin. Tietokoneen pitäisi pystyä jatkuvasti oppimaan kuulemastaan puheesta ja pyrkiä ymmärtämään viestiä, jotta puhe voitaisiin tunnistaa luotettavasti. Synteettisen puheen tuottamisessa on osaltaan samat ongelmat kuin puheentunnistuksessakin. Tietyntasoista puhetta voidaan tuottaa taulukoimalla kaikki mahdolliset äänteet niissä tilanteissa, joissa ne esiintyvät puheessa. Puhe tuotetaan muuntamalla tekstiä suoraan taulukon avulla äänteiksi. Kieliteknologia kehittää koneille sääntöjä ja tekniikoita, joiden pohjalta äänteitä yhdistellään. (viite 1) Nämä yksinkertaiset puhesyntetisaattorit jättävät kuitenkin huomioimatta asiayhteyksien pakottamat intonaatioiden muutokset ja puheäänen viestittämät tunnetilat. Osaltaan siksi ääni kuulostaa kylmältä ja synteettiseltä. Näiden tunteiden mallintaminen vaatisi myös asiasisällön täydellistä ymmärtämistä, jolloin voidaan liittää oikeanlainen ele tai väri ääneen oikealle paikalleen. Näin voitaisiin lisätä myös taukoja ja muita inhimillisiä puhetyylin ominaisuuksia syntetisoituun puheeseen. Kaiken lisäksi puheentunnistuksen ja puhesynteesin pitäisi olla lähes realiaikaista, jotta kommunikointi koneen kanssa onnistuisi. Harva käyttäjä suostuu odottamaan 5

6 minuuttiakaan tietokoneen laskiessa mitä sille on sanottu. Itse ainakin tyytyisin mielummin näppäimistöön ja hiireen. 6. Ratkaisumallit 6.1. Luokitukset Puheentunnistusjärjestelmät voidaan luokitella ominaisuuksiensa mukaan. Se mitä järjestelmältä toivotaan muttaa täysin sen rakennetta. Esimerkiksi kokonaisia lauseita ymmärtävä ohjelma saattaa olla rakenteeltaan tyystin erilainen kuin joitakin komentoja vastaanottava järjestelmä. Komennot voidaan tallentaa kokonaisuudessaan muistiin ja verrata kaikkea saatavaa äänimateriaalia näihin muutamiin muistissa oleviin ääninäytteisiin. Näin saadaan muutaman komennon tunnistus tehtyä yksinkertaisesti. Se että järjestelmä pystyisi ymmärtämään kaikkia sanoja ja lauseita, vaatii aivan erilaisen näkökulman. Kaikki puhetta tunnistavat järjestelmät voidaan jaotella seuraavalla tavalla: (viite 8) Järjestelmät voivat vaatia käyttäjän opettamaan itselleen oman puheensa äänteet ja rakenteet tai vaihtoehtoisesti järjestelmää ei tarvitse erikseen opettaa. Järjestelmä ymmärtää vain yhtä käyttäjää, joka on mahdollisesti koulutettu järjestelmälle tai se ymmärtää kaikkia puhujia samalla tavalla. Järjestelmä ymmärtää joko kokonaisia lauseita ja virkkeitä tai sille täytyy luetella sana kerrallaan. Järjestelmä on suunniteltu toimimaan vain puhtaalla puhemateriaalilla tai järjestelmä toimii myös vääristyneillä kanavilla kuten puhelimen välityksellä tai se sietää häiriöitä tai jopa useata puhetta päällekäin. Järjestelmän ymmärtämä sanasto on lyhyt eli se kattaa vain muutamia satoja sanoja tai se ymmärtää tuhansia sanoja. Luokittelu sen mukaan, ymmärtääkö laitteisto parhaiten numeroita, nimiä, kokonaisia lauseita vai vain komentoja Markovin malli Suurin osa nykyisistä puheentunnistusjärjestelmistä perustuu piilotettuun Markovin malliin (hidden Markov model, HMM). Se on tilastollinen malli, joka palauttaa luettelon arvoja eri vaihtoehdoille. Malli laskee kirjoitetun datan, jota puhe todennäköisimmin tarkoittaa. Tunnistuksen todennäköisyys on Bayesin sääntöjen mukaan laskettuna: (viite 8) 6

7 Pr( sana ääni) = Pr( ääni sana) * Pr( sana) Pr( ääni) Tietyllä ääninäytteellä (vaikkapa audiotiedosto) äänen todennäköisyys Pr(ääni) on jatkuva ja se voidaan jättää huomiotta. Pr(sana) on sanan todennäköisyys sopia tunnistuksessa tähän kohtaan. Pr(sana) lasketaan kielen mallinnuksen kautta, joka on itsessäänkin jo oma tieteenalansa. On siis tärkeä erottaa toisistaan se että esimerkiksi autoton on eri asia kuin autot on. Näille saadaan eri todennäköisyydet kieliteorioiden mukaan. Monimutkaisin todennäköisyystermi on Pr(ääni sana) ja se haetaankin juuri piilotetun Markovin mallin mukaan. Piilotettu Markovin malli on suosittu, koska se voidaan helposti harjotuttaa mihin tahansa puhemateriaaliin ja se on laskennallisesti toteutuskelpoinen. (viite 8) Puheentunnistuksessa piilotettu Markovin malli palauttaa luettelon n-ulotteisia realiarvoisia vektoreita. Vektorit taas sisältävät yksinkertaisimmassa tapauksessa lyhyen aikavälin Fourier-muunnoksesta saatavat ääntä kuvaavat kertoimet. Ne saadaan kun ääni pätkitään lyhyiksi jaksoiksi, ja jokainen jakso kosinimuunnetaan ja otetaan ensimmäiset, tärkeimmät Fourier-kertoimet. Piilotetulla Markovin mallilla on jokaisessa tilanteessa tilastollinen jakauma, jota käytetään verrattaessa äänidataa muistissa olevaan dataan. Jokaiseen tavuun tai äänteeseen voidaan soveltaa omaa prosessiaan, jolloin voidaan mahdollisesti tunnistaa puhetta kirjain tai äänne kerrallaan. Malli opetetaan kuitenkin tunnistamaan vain yhden ihmisen puhetta kerrallaan. (viite 8) 6.3. Modernit puheentunnistusjärjestelmät Kehittyneemmät järjestelmät käyttävät monia erilaisia tekniikoita ja niiden yhdistelmiä puheen tulkitsemiseen. Tyypillisessä jatkuvaa puhetta ymmärtävässä suurisanastoisessa järjestelmässä on seuraavat osat: Järjestelmä, joka muuntaa kuultua puhetta puhtaammaksi puhesignaaliksi eli suodattaa pois häiriöitä ja muuttaa kaikkien puhujien äänen samalle taajuusalueelle ja -kaistalle. Jos ääni kuullaan puhelimen läpi, pitää ottaa huomioon eri taajuuksien erilaiset vaihesiirtymät ja puuttuvat taajuuskomponentit, sillä ääni muokkautuu moneen kertaan esimerkiksi puhelimella puhuttaessa. Naisen ja miehen äänten erot pitää myös normalisoida eli muuntaa muotoon josta voidaan helpoiten tulkita niin miehen kuin naisenkin puhetta ilman, että järjestelmää pitää kouluttaa erikseen toiselle sukupuolelle. Lisäksi pitää ottaa huomioon erilaiset puhenopeudet. (viite 8) 7

8 Kuva 2: Amerikan englantilaisen miespuhujan lausuma phonetician. Sana on pätkitty äänteittäin osiin, joita tulkitaan erikseen. (viite 5) Seuraavaksi laitteessa tarvitaan puhetta osiin jakava osa, joka etsii puheesta esimerkiksi äänteitä. Sana jaetaan äänteisiin esimerkiksi kuten kuvassa 2 on esitetty. Tämän jälkeen pyritään tunnistamaan jokainen äänne oikeaksi merkikseen, jotka on lueteltu kuvan 2 oskillogrammin alapuolella. Tässä vaiheessa voidaan siis käyttää piilotettua Markovin mallia (HMM) tai vastaavaa äänen tunnistusalgoritmia. Kuvassa 3 on Fourier-muunnetut äänteet listattuna peräkkäin. Tästä Markovin mallit laskevat todennäköisimmät äänteet. Kuva 3: Sama phonetician kuin kuvassa 2 kuvattuna spectrogrammina. Jokaisessa ikkunassa on kuvattu kyseisen äänteen spektrianalyysi nopean Fourier-muunnoksen (FFT) avulla. (viite 5) Tämän jälkeen tunnistetuista äänteiden jonosta pitää vielä tunnistaa erilliset sanat ja lauseet. Tähän tarvitaan kehittynyttä sanakirjaa ja oikeinkirjoitustyökalua, joka ymmärtää myös slangi- ja murresanoja sekä taivutuksia. Tämä on jo oma uusi ongelmansa, joka vaatii omat todella massiiviset järjestelmänsä Puhesyntetisaattoriratkaisut Puhesyntetisaattoreita on tehty jo paljon pidempään kuin puheentunnistusjärjestelmiä, joten erilaisia ratkaisuvaihtoehtojakin on paljon enemmän. Tutustutaan tässä niistä muutamaan. 8

9 Yksiköiden valinta tietokannasta Laskennallisesti yksinkertaisin malli, jossa on taulukoitu todella paljon erilaisia valmiita äänteitä jokaista erilaista tapausta varten. Lauseen alkua varten on omat äänteensä ja lauseen loppua varten omansa. Sama pätee jokaiseen sanaan ja sanojen vaihtokohtaan. Tämä syntetisoitu puhe kuulostaa ehkä aidoimmalta koska se on ihmisen puhumaa kieltä, jota ei ole hirvittävästi muokattu, vain pätkitty ja sovitettu yhteen. Tällainen järjestelmä vaatii mittavat tietokannat ja valtavasti työtä tietokantojen rakentamiseen. (viite 10) Edellä mainitsemiani järjestelmiä on käytössä pienessä mittakaavassa esimerkiksi VR:llä jossa saapumisajat ilmoitetaan sana kerrallaan puhetta syntetisoimalla. Puhe kuulostaa todella huvittavalta koska sanojen välillä on pitkiäkin taukoja ja se saa puheen kuulostamaan vähäjärkisen tuotokselta. Toki tälläkin tavalla voi tehdä toimivan ratkaisun, mutta sen jälkeen sanat pitää onnistua lomittamaan toistensa sekaan niin kuin ihminenkin sekoittaa puheessaan sanat toisiinsa Päätaajuus-synteesi Tässä synteesissä ei ole ollenkaan äänitietokantaa, vaan vain puhetta simuloiva matemaattinen malli. Tässä puhetta luodaan syntetisoimalla puheessa esiintyviä äänteitä kuten syntetisoidaan musiikki-instrumenttejakin. Tässäkin siis luodaan muutamat tärkeimmät äänteiden päätaajuudet ja niiden amplitudit. Tätä ääntä soitetaan oikea aika, saadaan jotenkin äännettä muistuttavaa ääntä. Näitä äänteitä yhdistelemällä saadaan syntetisoitua jonkintasoista puhetta. (viite 10) Tällä tavalla, ilman tietokantoja tehdyssä synteesissä äänen aitous riippuu täysin matemaattisen mallin monimutkaisuudesta. Jotta päästäisiin aidolta kuulostaviin ratkaisuihin, vaaditaan todella paljon laskentakapasiteettia. Monet ohjelmistojen mukana tulevat pienet syntetisaattoriohjelmat toimivat tällä periaatteella, jolloin suuria tietokantoja ei tarvitse lisätä mukaan, vaan syntetisaattori mahtuu pieneen tilaan. TV:stä tuttu puhuva pääkin toimii todennäköisimmin näin ja tuloksen kyllä kuulee Markovin mallien käyttö synteesissä Myös piilotettua Markovin mallia voidaan hyödyntää puheen synteesissä. Siinä jollakin tavalla tuotettua ääntä pyritään tulkitsemaan kuten puheentunnistuksessakin. Näin voidaan laskea tarvittavat muunnokset joita alkuperäiseen ääneen pitää tehdä, jotta ääni kuulostaisi luonnollisemmalta ja oikeammalta. (viite 10) 7. kysaavutukset ja kehityskohteet Yleensä puheentunnistimet vertaavat havainnoimaansa ääntä puhetietokantaan tallennettuihin puhenäytteisiin. Tunnistaminen on todennäköisempää, jos verrattavat näytteet ovat lyhyitä. Jos ne ovat kokonaisia lauseita, on tunnistaminen lähes mahdotonta. Osa puheentunnistimista kykenee erottamaan puhevirrasta tietyt komentosanat, jotka ne on ohjelmoitu tunnistamaan ja toteuttamaan. (viite 1) 9

10 Nykyisin puhetta pystytään tunnistamaan niin, että yksittäisiä sanoja ja komentoja voidaan luotettavasti tunnistaa. Tämän lisäksi, jos järjestelmä koulutetaan tietylle henkilölle, voidaan pystyä kohtalaisesti tunistamaan hänen puheensa. Nykyiset järjestelmät pystyvät tunnistamaan 80-90% puhtaasta puheesta, (viite 8) mutta hälyn seasta tai useamman ihmisen puheen tunnistuksesta ei voida vielä puhua. Jos halutaan tunnistaa puhetta realiajassa, huononee tunnistustarkkuus entisestään, koska laskentatehoa ei vielä ole riittävästi. Onneksi tämä alue kehittyy nopeasti. 8. Tavoitteet ja sovellukset Puheentunnistusta ja synteettistä puhetta sovelletaan käytännössä muun muassa matkapuhelinten ja tietokoneiden käyttöliittymissä ja erilaisissa puhelinpalveluissa. Niiden avulla ihmisen ja koneen välistä vuorovaikutusta voidaan muokata luontevammaksi ja helpommaksi. (viite 1) Kaikkiin viidennessä kohdassa luettelemiini ongelmiin pitää löytää kunnolliset ratkaisut. Tietotekniikan ja laskentatehon lisääntyminen auttaa jo paljon, mutta puhe olisi parhaiten tunnistettavissa tehokkaalla rinnakkaislaskennalla kuten aivot puhetta tunnistavat. Voimme tietysti simuloida massiivisia itseorganisoituvia neuroverkkoja, mutta tavoitteellista olisi rakentaa fyysisesti tällaisia massiivisia rinnakkaislaskentaa hyödyntäviä järjestelmiä. Ne olisivat huomattavasti tehokkaampia niin puheen kuin kuvienkin analysoimisessa ja tunnistuksessa. 9. Lähdeviitteet 1) 2) 3) 4) 5) 6) 7) 8) 9) 10) 10

Eväspussi. Onko lähipiirissä esiintynyt hitautta tai vaikeutta lukemaan ja kirjoittamaan oppimisessa? Millaista?

Eväspussi. Onko lähipiirissä esiintynyt hitautta tai vaikeutta lukemaan ja kirjoittamaan oppimisessa? Millaista? Liite Pienten Kielireppuun. Eväspussi Oman äidinkielen vahva hallinta tukee kaikkea oppimista. Tämän vuoksi keskustelemme kielten kehityksestä aina varhaiskasvatuskeskustelun yhteydessä. Kopio Kielirepusta

Lisätiedot

4. Lausekielinen ohjelmointi 4.1

4. Lausekielinen ohjelmointi 4.1 4. Lausekielinen ohjelmointi 4.1 Sisällys Konekieli, symbolinen konekieli ja lausekieli. Lausekielestä konekieleksi: - Lähdekoodi, tekstitiedosto ja tekstieditorit. - Kääntäminen ja tulkinta. - Kääntäminen,

Lisätiedot

LUKUVUOSITODISTUKSEN ARVIOINTILAUSEET VUOSILUOKILLE 1 4

LUKUVUOSITODISTUKSEN ARVIOINTILAUSEET VUOSILUOKILLE 1 4 LUKUVUOSITODISTUKSEN ARVIOINTILAUSEET VUOSILUOKILLE 1 4 tuetusti / vaihtelevasti / hyvin / erinomaisesti vuosiluokka 1 2 3 4 käyttäytyminen Otat muut huomioon ja luot toiminnallasi myönteistä ilmapiiriä.

Lisätiedot

9.2.3. Englanti. 3. luokan keskeiset tavoitteet

9.2.3. Englanti. 3. luokan keskeiset tavoitteet 9.2.3. Englanti Koulussamme aloitetaan A1 kielen (englanti) opiskelu kolmannelta luokalta. Jos oppilas on valinnut omassa koulussaan jonkin toisen kielen, opiskelu tapahtuu oman koulun opetussuunnitelman

Lisätiedot

Osaamispisteet. Vapaasti valittava

Osaamispisteet. Vapaasti valittava Hyväksymismerkinnät 1 (5) Ammattiopiskelun S2 3 osp Osaaminen arvioidaan opiskelijan keräämän oman alan sanaston sekä portfolion avulla. Oman alan sanavaraston Tekstien ymmärtäminen Luku- ja opiskelustrategioiden

Lisätiedot

Aasian kieliä ja kulttuureita tutkimassa. Paja

Aasian kieliä ja kulttuureita tutkimassa. Paja Esittäytyminen Helpottaa tulevan päivän kulkua. Oppilaat saavat lyhyesti tietoa päivästä. Ohjaajat ja oppilaat näkevät jatkossa toistensa nimet nimilapuista, ja voivat kutsua toisiaan nimillä. Maalarinteippi,

Lisätiedot

8003051 Puheenkäsittelyn menetelmät

8003051 Puheenkäsittelyn menetelmät 8003051 Puheenkäsittelyn menetelmät Luento 7.10.2004 Puhesynteesi Sisältö 1. Sovelluskohteita 2. Puheen ja puhesyntetisaattorin laatu 3. Puhesynteesin toteuttaminen TTS-syntetisaattorin komponentit Kolme

Lisätiedot

E. Oja ja H. Mannila Datasta Tietoon: Luku 2

E. Oja ja H. Mannila Datasta Tietoon: Luku 2 2. DATASTA TIETOON: MITÄ DATAA; MITÄ TIETOA? 2.1. Data-analyysin ongelma Tulevien vuosien valtava haaste on digitaalisessa muodossa talletetun datan kasvava määrä Arvioita: Yhdysvaltojen kongressin kirjasto

Lisätiedot

Selkokeskus 2014. Selkoa selkokielestä Kuka sitä tarvitsee? Mitä se on?

Selkokeskus 2014. Selkoa selkokielestä Kuka sitä tarvitsee? Mitä se on? Selkoa selkokielestä Kuka sitä tarvitsee? Mitä se on? Copyright: Selkokeskus 2014 Onko tämä selkokieltä? Kuntayhtymän kotihoitokeskuksen hoitohenkilökunta tukee monella tavalla kotiaskareissa sekä antaa

Lisätiedot

Luonnollisella kielellä keskustelevat järjestelmät

Luonnollisella kielellä keskustelevat järjestelmät Luonnollisella kielellä keskustelevat järjestelmät Jussi Lepistö (jussi.lepisto@cs.helsinki.fi) Helsingin Yliopisto Tieteellisen kirjoittamisen kurssi Johdanto Esittelen luonnollisella kielellä keskustelevien

Lisätiedot

Kuule - luonnollisesti

Kuule - luonnollisesti Kuule - luonnollisesti Täydellisen tasapainoinen ääni Kuvittele, millaista olisi pystyä seuraamaan keskusteluja. Kuulla kaikki ympäristön äänet. Siirtyä mukavasti hiljaisesta paikasta meluisaan. Kuulla

Lisätiedot

Liite A: Kyselylomake

Liite A: Kyselylomake 1/4 2/4 3/4 4/4 Liite B: Kyselyyn liitetty viesti 1/1 Hei, olen Saija Vuorialho Helsingin yliopiston Fysikaalisten tieteiden laitokselta. Teen Pro gradu tutkielmaani fysiikan historian käytöstä lukion

Lisätiedot

Tavoite Opiskelija osaa käyttää englannin kielen rakenteita, hallitsee kielen perusilmaukset ja ymmärtää opiskelijan arkielämään liittyvää kieltä

Tavoite Opiskelija osaa käyttää englannin kielen rakenteita, hallitsee kielen perusilmaukset ja ymmärtää opiskelijan arkielämään liittyvää kieltä Kuvaukset 1 (6) Englanti, Back to basics, 1 ov (YV3EN1) Tavoite osaa käyttää englannin kielen rakenteita, hallitsee kielen perusilmaukset ja ymmärtää opiskelijan arkielämään liittyvää kieltä Teemat ja

Lisätiedot

Kielellisen datan käsittely ja analyysi tutkimuksessa

Kielellisen datan käsittely ja analyysi tutkimuksessa Kielellisen datan käsittely ja analyysi tutkimuksessa Kimmo Koskenniemi 4.4.2007 Yleisen kielitieteen laitos Humanistinen tiedekunta Kielidataa on monenlaista Tekstiä erilaisista lähteistä kirjoista, lehdistä,

Lisätiedot

Esimerkkejä vaativuusluokista

Esimerkkejä vaativuusluokista Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään

Lisätiedot

S-114.2720 Havaitseminen ja toiminta

S-114.2720 Havaitseminen ja toiminta S-114.2720 Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 3 puheen havaitseminen Mikä on akustinen vihje (acoustic cue)? Selitä seuraavat käsitteet ohjelman ja kirjan tietoja käyttäen: Spektrogrammi

Lisätiedot

Äi 8 tunti 6. Tekstin rakenne, sitaattitekniikka

Äi 8 tunti 6. Tekstin rakenne, sitaattitekniikka Äi 8 tunti 6 Tekstin rakenne, sitaattitekniikka Tekstin kirjoittaminen on prosessi Ensimmäinen versio sisältää ne asiat, mitä tekstissäsi haluat sanoa. Siinä ei vielä tarvitse kiinnittää niin paljon huomiota

Lisätiedot

CHERMUG-pelien käyttö opiskelijoiden keskuudessa vaihtoehtoisen tutkimustavan oppimiseksi

CHERMUG-pelien käyttö opiskelijoiden keskuudessa vaihtoehtoisen tutkimustavan oppimiseksi Tiivistelmä CHERMUG-projekti on kansainvälinen konsortio, jossa on kumppaneita usealta eri alalta. Yksi tärkeimmistä asioista on luoda yhteinen lähtökohta, jotta voimme kommunikoida ja auttaa projektin

Lisätiedot

Projektisuunnitelma. Projektin tavoitteet

Projektisuunnitelma. Projektin tavoitteet Projektisuunnitelma Projektin tavoitteet Projektin tarkoituksena on tunnistaa erilaisia esineitä Kinect-kameran avulla. Kinect-kamera on kytkettynä tietokoneeseen, johon projektissa tehdään tunnistuksen

Lisätiedot

2 Suomen kielen äänteet

2 Suomen kielen äänteet 1 Ruudulla on ensin vain Ali. Linkit kolmeen suomen kielen äänteiden alakokonaisuuteen (2.1 Kirjaintarjottimeen, 2.2 Yksittäisiin äänteisiin sekä 2.3 Äänteistä tavuiksi ja sanoiksi) ilmestyvät ruudulle

Lisätiedot

PUHUMINEN Harjoit- Osaa KUULLUN YMMÄRTÄMINEN Harjoit-Osaa. pvm pvm pvm pvm TAITOTASO A1 Suppea viestintä kaikkien tutuimmissa tilanteissa

PUHUMINEN Harjoit- Osaa KUULLUN YMMÄRTÄMINEN Harjoit-Osaa. pvm pvm pvm pvm TAITOTASO A1 Suppea viestintä kaikkien tutuimmissa tilanteissa PIENTEN KIELIREPPU SUOMEN KIELEN OPPIMISEN SEURANTA VARHAISKASVATUKSESSA JA ALKUOPETUKSESSA (sovellus eurooppalaisesta viitekehyksestä) Lapsen nimi : Päiväkoti/koulu: Lomakkeen täyttäjä: PUHUMINEN Harjoit-

Lisätiedot

Matlab-tietokoneharjoitus

Matlab-tietokoneharjoitus Matlab-tietokoneharjoitus Tämän harjoituksen tavoitteena on: Opettaa yksinkertaisia piirikaavio- ja yksikkömuunnoslaskuja. Opettaa Matlabin perustyökaluja mittausten analysoimiseen. Havainnollistaa näytteenottotaajuuden,

Lisätiedot

Kuulokoje, joka avaa maailmasi

Kuulokoje, joka avaa maailmasi Kuulokoje, joka avaa maailmasi Perinteinen teknologia Uusi teknologia keskittyy yhteen puhujaan ja vaimentaa kaikki muut puhujat avaa äänimaiseman, johon mahtuu useita puhujia Luultavasti tiedät tunteen.

Lisätiedot

KUN LUKEMINEN ON HANKALAA. Helena Sorsa

KUN LUKEMINEN ON HANKALAA. Helena Sorsa KUN LUKEMINEN ON HANKALAA Helena Sorsa Lukemisen ja kirjoittamisen vaikeudet Lukivaikeus dysleksia fonologinen häiriö: henkilö ei kykene muuttamaan lukemaansa puheeksi näkee sanat, mutta ei löydä äänneasua

Lisätiedot

Puheentunnistus Mikko Kurimo

Puheentunnistus Mikko Kurimo Puheentunnistus Mikko Kurimo Mitä automaattinen puheentunnistus on? Automaattinen puheentunnistin on laite, joka määrittää ja tulostaa sanan tai tekstin, joka parhaiten vastaa äänitettyä puhesignaalia.

Lisätiedot

Lapsen kielen kehitys I. Alle vuoden ikäisen vanhemmille. www.eksote.fi

Lapsen kielen kehitys I. Alle vuoden ikäisen vanhemmille. www.eksote.fi Lapsen kielen kehitys I Alle vuoden ikäisen vanhemmille www.eksote.fi Lapsi- ja nuorisovastaanotto Puheterapia 2010 LAPSEN KIELEN KEHITYS Lapsen kieli kehittyy rinnan hänen muun kehityksensä kanssa. Puhetta

Lisätiedot

Tähtitieteen käytännön menetelmiä Kevät 2009

Tähtitieteen käytännön menetelmiä Kevät 2009 Tähtitieteen käytännön menetelmiä Kevät 2009 2009-01-12 Yleistä Luennot Luennoija hannu.p.parviainen@helsinki.fi Aikataulu Observatoriolla Maanantaisin 10.00-12.00 Ohjattua harjoittelua maanantaisin 9.00-10.00

Lisätiedot

PUHU MINULLE KUUNTELE MINUA

PUHU MINULLE KUUNTELE MINUA Helsingin terveyskeskus poliklinikka Puheterapeutit: K. Laaksonen, E. Nykänen, R. Osara, L. Piirto, K. Pirkola, A. Suvela, T. Tauriainen ja T. Vaara PUHU MINULLE KUUNTELE MINUA Lapsi oppii puheen tavallisissa

Lisätiedot

Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun

Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään

Lisätiedot

Musiikkipäiväkirjani: Tanssitaan ja liikutaan (DM1) Liikutaan kuten (karhu, nukahtava kissa, puun lehti, puu myrskyssä).

Musiikkipäiväkirjani: Tanssitaan ja liikutaan (DM1) Liikutaan kuten (karhu, nukahtava kissa, puun lehti, puu myrskyssä). Musiikkipäiväkirjani: Tanssitaan ja liikutaan (DM1) Liikutaan kuten (karhu, nukahtava kissa, puun lehti, puu myrskyssä). Musiikkipäiväkirjani: Tanssitaan ja liikutaan (DM1) Liikutaan kuten (karhu, nukahtava

Lisätiedot

Ahmed, välkkä ja kielimuuri. Kielen käyttö koulutuksessa

Ahmed, välkkä ja kielimuuri. Kielen käyttö koulutuksessa Ahmed, välkkä ja kielimuuri Kielen käyttö koulutuksessa Viivi Heikura viivi.heikura@stadinao.fi Tulityöseminaari Jyväskylä 8.9.2016 Stadin aikuisopiston toiminta Ammatillinen aikuiskoulutus Orientoiva

Lisätiedot

TIEDONHAKU INTERNETISTÄ

TIEDONHAKU INTERNETISTÄ TIEDONHAKU INTERNETISTÄ Internetistä löytyy hyvin paljon tietoa. Tietoa ei ole mitenkään järjestetty, joten tiedonhaku voi olla hankalaa. Tieto myös muuttuu jatkuvasti. Tänään tehty tiedonhaku ei anna

Lisätiedot

KERHOPAKETIN OHJELMA JA TAVOITTEET ( ARABIAN KIELI )

KERHOPAKETIN OHJELMA JA TAVOITTEET ( ARABIAN KIELI ) KERHOPAKETIN OHJELMA JA TAVOITTEET ( ARABIAN KIELI ) OPETTAJA : FARID BEZZI OULU 2013 1/5 Ohjelman lähtökohdat Arabian kieli kuuluu seemiläisiin kieliin, joita ovat myös heprea ja amhara. Äidinkielenä

Lisätiedot

Kielen hyvän osaamisen taso on 6. luokan päättyessä taitotasokuvauksen mukaan:

Kielen hyvän osaamisen taso on 6. luokan päättyessä taitotasokuvauksen mukaan: Luokat 3-6 A2-espanja AIHEKOKONAISUUDET luokilla 4-6 Ihmisenä kasvaminen korostuu omien asioitten hoitamisessa, ryhmässä toimimisessa ja opiskelutaitojen hankkimisessa. Kulttuuri-identiteetti ja kansainvälisyys

Lisätiedot

GDAL ja WFS: suora muunnos ogr2ogr-ohjelmalla

GDAL ja WFS: suora muunnos ogr2ogr-ohjelmalla GDAL ja WFS: suora muunnos ogr2ogr-ohjelmalla Viimeksi muokattu 30. tammikuuta 2012 GDAL tukee WFS-palvelun käyttämistä vektoritietolähteenä yhtenä muiden joukossa. WFS-ajurin käyttöohjeet löytyvät osoitteesta

Lisätiedot

HAMK Pähkinäkori > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

HAMK Pähkinäkori > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain HAMK Pähkinäkori > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien Arviointialue Ominaisuuksien Valmis/

Lisätiedot

GSRELE ohjeet. Yleistä

GSRELE ohjeet. Yleistä GSRELE ohjeet Yleistä GSM rele ohjaa Nokia 3310 puhelimen avulla releitä, mittaa lämpötilaa, tekee etähälytyksiä GSM-verkon avulla. Kauko-ohjauspuhelin voi olla mikä malli tahansa tai tavallinen lankapuhelin.

Lisätiedot

Opetuksen tavoite: T1 tukea oppilaan innostusta ja kiinnostusta matematiikkaa kohtaan sekä myönteisen minäkuvan ja itseluottamuksen kehittymistä

Opetuksen tavoite: T1 tukea oppilaan innostusta ja kiinnostusta matematiikkaa kohtaan sekä myönteisen minäkuvan ja itseluottamuksen kehittymistä MATEMATIIKKA JOENSUUN SEUDUN OPETUSSUUNNITELMASSA Merkitys, arvot ja asenteet Opetuksen tavoite: T1 tukea oppilaan innostusta ja kiinnostusta matematiikkaa kohtaan sekä myönteisen minäkuvan ja itseluottamuksen

Lisätiedot

Eväitä yhteistoimintaan. Kari Valtanen Lastenpsykiatri, VE-perheterapeutti Lapin Perheklinikka Oy

Eväitä yhteistoimintaan. Kari Valtanen Lastenpsykiatri, VE-perheterapeutti Lapin Perheklinikka Oy Eväitä yhteistoimintaan Kari Valtanen Lastenpsykiatri, VE-perheterapeutti Lapin Perheklinikka Oy 3.10.2008 Modernistinen haave Arvovapaa, objektiivinen tieto - luonnonlaki Tarkkailla,tutkia ja löytää syy-seuraussuhteet

Lisätiedot

Muotoilumaailman hahmottaminen - Tuotesemantiikka

Muotoilumaailman hahmottaminen - Tuotesemantiikka TUOTESEMANTIIKAN TEORIA kreik. semeion = merkki Tuotesemantiikka kiinnostaa tutkimusmielessä monia erilaisia tuotteiden kanssa tekemisiin joutuvia elämänalueita. Sellaisia ovat esimerkiksi Markkinointi,

Lisätiedot

Vastaus 1. Lasketaan joukkojen alkiot, ja todetaan, että niitä on 3 molemmissa.

Vastaus 1. Lasketaan joukkojen alkiot, ja todetaan, että niitä on 3 molemmissa. Miten perustella, että joukossa A = {a, b, c} on yhtä monta alkiota kuin joukossa B = {d, e, f }? Vastaus 1. Lasketaan joukkojen alkiot, ja todetaan, että niitä on 3 molemmissa. Vastaus 2. Vertaillaan

Lisätiedot

Suomen virtuaaliammattikorkeakoulu The XML Dokuments > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

Suomen virtuaaliammattikorkeakoulu The XML Dokuments > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu The XML Dokuments > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien

Lisätiedot

Approbatur 3, demo 1, ratkaisut A sanoo: Vähintään yksi meistä on retku. Tehtävänä on päätellä, mitä tyyppiä A ja B ovat.

Approbatur 3, demo 1, ratkaisut A sanoo: Vähintään yksi meistä on retku. Tehtävänä on päätellä, mitä tyyppiä A ja B ovat. Approbatur 3, demo 1, ratkaisut 1.1. A sanoo: Vähintään yksi meistä on retku. Tehtävänä on päätellä, mitä tyyppiä A ja B ovat. Käydään kaikki vaihtoehdot läpi. Jos A on rehti, niin B on retku, koska muuten

Lisätiedot

Palaute kuvapuhelinpalveluiden toteuttamisesta ammattilaisen näkökulmasta

Palaute kuvapuhelinpalveluiden toteuttamisesta ammattilaisen näkökulmasta Palaute kuvapuhelinpalveluiden toteuttamisesta ammattilaisen näkökulmasta virtu.fi sähköiset palvelut lappilaisille Pohjois-Suomen sosiaalialan osaamiskeskus Käyttäjien osallistuminen suunnitteluprosessiin

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 1 1 Matemaattisesta päättelystä Matemaattisen analyysin kurssin (kuten minkä tahansa matematiikan kurssin) seuraamista helpottaa huomattavasti, jos opiskelija ymmärtää

Lisätiedot

Suomen virtuaaliammattikorkeakoulu Teknillinen mekaniikka: Voima ja sen komponentit > 80 % % % < 50 %

Suomen virtuaaliammattikorkeakoulu Teknillinen mekaniikka: Voima ja sen komponentit > 80 % % % < 50 % Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu Teknillinen mekaniikka: Voima ja sen komponentit > 80 % 80 60 % 60 50 %

Lisätiedot

Oppilas vahvistaa opittuja taitojaan, kiinnostuu oppimaan uutta ja saa tukea myönteisen minäkuvan kasvuun matematiikan oppijana.

Oppilas vahvistaa opittuja taitojaan, kiinnostuu oppimaan uutta ja saa tukea myönteisen minäkuvan kasvuun matematiikan oppijana. Tavoitteet S L 3. lk 4. lk 5. lk 6. lk Merkitys, arvot ja asenteet T1 pitää yllä oppilaan innostusta ja kiinnostusta matematiikkaa kohtaan sekä tukea myönteistä minäkuvaa ja itseluottamusta L1, L3, L5

Lisätiedot

Kommunikaatio ja vuorovaikutus

Kommunikaatio ja vuorovaikutus Kommunikaatio ja vuorovaikutus Vuorovaikutus Vuorovaikutusta on olla kontaktissa ympäristöön ja toisiin ihmisiin. Vuorovaikutus on tiedostettua tai tiedostamatonta. Kommunikaatio eli viestintä Kommunikaatio

Lisätiedot

Puhesynteesin perusteet: Lingvistinen esikäsittely

Puhesynteesin perusteet: Lingvistinen esikäsittely Puhesynteesin perusteet: Lingvistinen esikäsittely Nicholas Volk 24.1.2008 Käyttäytymistieteellinen tiedekunta Tekstin esikäsittely Jaetaan syöteen luettaviin saneisiin ja äännevastineettomiin välimerkkeihin

Lisätiedot

Suomen virtuaaliammattikorkeakoulu Mobile IP > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

Suomen virtuaaliammattikorkeakoulu Mobile IP > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu Mobile IP > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien Arviointialue

Lisätiedot

Kulttuuritaidot Oppilas oppii tuntemaan Ranskaa ja ranskankielisiä alueita ranskankielisille kulttuureille ominaisia tapoja ja kohteliaisuussääntöjä

Kulttuuritaidot Oppilas oppii tuntemaan Ranskaa ja ranskankielisiä alueita ranskankielisille kulttuureille ominaisia tapoja ja kohteliaisuussääntöjä Ylöjärven opetussuunnitelma 2004 B2 RANSKA VUOSILUOKKA: 8 VUOSIVIIKKOTUNTEJA: 2 Tavoitteet ymmärtämään erittäin selkeästi puhuttuja tai kirjoitettuja lyhyitä viestejä viestintää tavallisimmissa arkielämän

Lisätiedot

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos: 8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Savonia ammattikorkeakoulu Miten tilintarkastajan tulee toimia? v. 0.5 > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

Savonia ammattikorkeakoulu Miten tilintarkastajan tulee toimia? v. 0.5 > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Savonia ammattikorkeakoulu Miten tilintarkastajan tulee toimia? v. 0.5 > 80 % 80 60 % 60 50 % < 50 % Arviointialue

Lisätiedot

Kulttuuritaidot Oppilas tutustuu ruotsinkieliseen ja pohjoismaiseen elämänmuotoon ja oppii arvostamaan omaa ja muiden kulttuuria

Kulttuuritaidot Oppilas tutustuu ruotsinkieliseen ja pohjoismaiseen elämänmuotoon ja oppii arvostamaan omaa ja muiden kulttuuria 9.2.2. Toinen kotimainen kieli: ruotsi B1 Ruotsin kielen opetuksessa oppilas saa valmiuksia vuorovaikutukseen ja yhteistyöhön ruotsinkielisten kanssa. Opetuksen tavoitteena on kannustaa ja rohkaista oppilasta

Lisätiedot

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly

Bayesin pelit. Kalle Siukola. MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly Bayesin pelit Kalle Siukola MS-E2142 Optimointiopin seminaari: Peliteoria ja tekoäly 12.10.2016 Toistetun pelin esittäminen automaatin avulla Ekstensiivisen muodon puu on tehoton esitystapa, jos peliä

Lisätiedot

Miten tietokone näkee suomen murteet?

Miten tietokone näkee suomen murteet? Miten tietokone näkee suomen murteet? Antti Leino antti.leino@cs.helsinki.fi suomen kielen ja kotimaisen kirjallisuuden laitos tietojenkäsittelytieteen laitos Kotimaisten kielten tutkimuskeskus 2.11.2009

Lisätiedot

EKAPELI-ALKU LUKEMAAN OPETTAMISEN TUKENA

EKAPELI-ALKU LUKEMAAN OPETTAMISEN TUKENA JY/EOK-2016-2017 / ryhmä 2 Marjo Maula ERIA260 Teknologia ja apuvälineet vuorovaikutuksen ja viestinnän tukena Johanna Kainulainen 10.1.2017 EKAPELI-ALKU LUKEMAAN OPETTAMISEN TUKENA Ekapeli-sivusto tarjoaa

Lisätiedot

Ylöjärven opetussuunnitelma 2004. Valinnainen kieli (B2)

Ylöjärven opetussuunnitelma 2004. Valinnainen kieli (B2) Ylöjärven opetussuunnitelma 2004 Valinnainen kieli (B2) B 2 -SAKSA Valinnaisen kielen opiskelun tulee painottua puheviestintään kaikkein tavanomaisimmissa arkipäivän tilanteissa ja toimia samalla johdantona

Lisätiedot

Korkean resoluution ja suuren kuva-alueen SAR

Korkean resoluution ja suuren kuva-alueen SAR Korkean resoluution ja suuren kuva-alueen SAR MATINE tutkimusseminaari 17.11.2016 Risto Vehmas, Juha Jylhä, Minna Väilä, Ari Visa Tampereen teknillinen yliopisto Signaalinkäsittelyn laitos Hankkeelle myönnetty

Lisätiedot

Kiinan kursseilla 1 2 painotetaan suullista kielitaitoa ja kurssista 3 alkaen lisätään vähitellen myös merkkien lukemista ja kirjoittamista.

Kiinan kursseilla 1 2 painotetaan suullista kielitaitoa ja kurssista 3 alkaen lisätään vähitellen myös merkkien lukemista ja kirjoittamista. Kiina, B3kielen opetussuunnitelma (lukiossa alkava oppimäärä) Kiinan kursseilla tutustutaan kiinankielisen alueen elämään, arkeen, juhlaan, historiaan ja nykyisyyteen. Opiskelun ohessa saatu kielen ja

Lisätiedot

AV-muotojen migraatiotyöpaja - ääni. KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen

AV-muotojen migraatiotyöpaja - ääni. KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen AV-muotojen migraatiotyöpaja - ääni KDK-pitkäaikaissäilytys 2013 -seminaari 6.5.2013 / Juha Lehtonen Äänimuodot Ääneen vaikuttavia asioita Taajuudet Äänen voimakkuus Kanavien määrä Näytteistys Bittisyvyys

Lisätiedot

LIITE 8 Toiminnan aloittain etenevän opiskelun opetussuunnitelmaan

LIITE 8 Toiminnan aloittain etenevän opiskelun opetussuunnitelmaan LIITE 8 Toiminnan aloittain etenevän opiskelun opetussuunnitelmaan 1. Motoriset taidot Kehon hahmotus Kehon hallinta Kokonaismotoriikka Silmän ja jalan liikkeen koordinaatio Hienomotoriikka Silmän ja käden

Lisätiedot

Lukemisvaikeuden arvioinnista kuntoutukseen. HYVÄ ALKU- messut Jyväskylä, Elisa Poskiparta, Turun yliopisto, Oppimistutkimuksen keskus

Lukemisvaikeuden arvioinnista kuntoutukseen. HYVÄ ALKU- messut Jyväskylä, Elisa Poskiparta, Turun yliopisto, Oppimistutkimuksen keskus Lukemisvaikeuden arvioinnista kuntoutukseen HYVÄ ALKU- messut Jyväskylä, 2.- 3.9. 2004 Elisa Poskiparta, Turun yliopisto, Oppimistutkimuksen keskus Tapa tunnistaa sanoja vaihtelee lukutaidon kehittymisen

Lisätiedot

Interaktiivisten järjestelmien arkkitehtuuriratkaisu, jolla käyttöliittymä erotetaan sovelluslogiikasta.

Interaktiivisten järjestelmien arkkitehtuuriratkaisu, jolla käyttöliittymä erotetaan sovelluslogiikasta. Malli-näkym kymä-ohjain arkkitehtuurit (Model-View View-Controller, MVC) Interaktiivisten järjestelmien arkkitehtuuriratkaisu, jolla käyttöliittymä erotetaan sovelluslogiikasta. Lähtökohdat: Sovelluksen

Lisätiedot

SPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö

SPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS-pikaohje Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS on ohjelmisto tilastollisten aineistojen analysointiin. Hyvinvointiteknologian ATK-luokassa on asennettuna SPSS versio 13.. Huom! Ainakin joissakin

Lisätiedot

Suomen virtuaaliammattikorkeakoulu VPN peli > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

Suomen virtuaaliammattikorkeakoulu VPN peli > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu VPN peli > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien Arviointialue

Lisätiedot

Puheteknologia Informaa2oteknologian perusteet. Kalle Palomäki Signaalinkäsi8elyn ja akus2ikan laitos

Puheteknologia Informaa2oteknologian perusteet. Kalle Palomäki Signaalinkäsi8elyn ja akus2ikan laitos Puheteknologia Informaa2oteknologian perusteet Kalle Palomäki Signaalinkäsi8elyn ja akus2ikan laitos Määritelmä: Puhekäy8ölii8ymä Kone8a ohjataan ja käytetään puhumalla Kone voi olla hardwarea, sobaa,

Lisätiedot

Suomen virtuaaliammattikorkeakoulu Teknillinen mekanikka fem tutorials > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

Suomen virtuaaliammattikorkeakoulu Teknillinen mekanikka fem tutorials > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu Teknillinen mekanikka fem tutorials > 80 % 80 60 % 60 50 % < 50 % Arviointialue

Lisätiedot

T3 ohjata oppilasta havaitsemaan kieliä yhdistäviä ja erottavia ilmiöitä sekä tukea oppilaan kielellisen uteliaisuuden ja päättelykyvyn kehittymistä

T3 ohjata oppilasta havaitsemaan kieliä yhdistäviä ja erottavia ilmiöitä sekä tukea oppilaan kielellisen uteliaisuuden ja päättelykyvyn kehittymistä A2-VENÄJÄ vl.4-6 4.LUOKKA Opetuksen tavoitteet Kasvu kulttuuriseen moninaisuuteen ja kielitietoisuuteen T1 ohjata oppilasta havaitsemaan lähiympäristön ja maailman kielellinen ja kulttuurinen runsaus sekä

Lisätiedot

T Luonnollisten kielten tilastollinen käsittely Vastaukset 11, ke , 12:15 14:00 Puheentunnistus ja kielimallien evaluointi Versio 1.

T Luonnollisten kielten tilastollinen käsittely Vastaukset 11, ke , 12:15 14:00 Puheentunnistus ja kielimallien evaluointi Versio 1. T-61.020 Luonnollisten kielten tilastollinen käsittely Vastaukset 11, ke 18.4.2007, 12:1 14:00 Puheentunnistus ja kielimallien evaluointi Versio 1.0 1. Käytämme siis jälleen viterbi-algoritmia todennäköisimmän

Lisätiedot

Arcada yrkeshögskola Hållbar utveckling v 0.5 > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

Arcada yrkeshögskola Hållbar utveckling v 0.5 > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Arcada yrkeshögskola Hållbar utveckling v 0.5 > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien Arviointialue

Lisätiedot

Lukutaidon kehitykseen yhteydessä olevia tekijöitä luokalla

Lukutaidon kehitykseen yhteydessä olevia tekijöitä luokalla Lukutaidon kehitykseen yhteydessä olevia tekijöitä 1.-2. luokalla Jyväskylän yliopisto Kielellisen kehityksen yhteys lukutaitoon Esikielelliset Sanavarasto Lauseet ja taivutukset Kielellinen tietoisuus

Lisätiedot

Kompleksisuus ja kuntien kehittäminen

Kompleksisuus ja kuntien kehittäminen Kompleksisuus ja kuntien kehittäminen Kuntatutkijoiden seminaari 25.5.2011, Lapin yliopisto, Rovaniemi Pasi-Heikki Rannisto, HT Tampereen yliopisto Haasteita johtamiselle ja johtamisteorioille Miksi ennustaminen

Lisätiedot

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 4 Ratkaisut palautettava viimeistään maanantaina 862015 klo 1615 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin

Lisätiedot

Sangen lyhyt L A T E X-johdatus

Sangen lyhyt L A T E X-johdatus Sangen lyhyt L A T E X-johdatus Lari Koponen ja Eetu Ahonen 23.1.2013 Koulutuksen tavoitteet Koulutuksen jälkeen pystyy kirjoittamaan työselostuksen L A T E X:illa, eli Dokumentin rakenne tutuksi Tekstin

Lisätiedot

Haastattelut e-kioskin käyttäjäkokemuksista. Mira Hänninen Haaga-Helia ammattikorkeakoulu

Haastattelut e-kioskin käyttäjäkokemuksista. Mira Hänninen Haaga-Helia ammattikorkeakoulu Haastattelut e-kioskin käyttäjäkokemuksista Mira Hänninen Haaga-Helia ammattikorkeakoulu Sukupuoli ja ikä Haastattelin Kirjasto 10:ssä 14 henkilöä, joista seitsemän oli naisia (iät 24, 25, 36, 36, 50,

Lisätiedot

Sisällysluettelo. Moi Vastaajan käyttöohje 1/6

Sisällysluettelo. Moi Vastaajan käyttöohje 1/6 1/6 Sisällysluettelo 1 Vastaaja 3 1.1 Hyödyllistä tietoa vastaajasta 3 1.2 Vastaajan käyttöönotto 3 1.3 Vastaajan numero 3 1.4 Viestien kuuntelu 4 1.5 Vastaajan käyttö ulkomailla 4 1.6 Vastaajan tunnusluku

Lisätiedot

ÄÄNEKKÄÄMMÄN KANTELEEN MALLINTAMINEN ELEMENTTIME- NETELMÄLLÄ

ÄÄNEKKÄÄMMÄN KANTELEEN MALLINTAMINEN ELEMENTTIME- NETELMÄLLÄ ÄÄNEKKÄÄMMÄN KANTELEEN MALLINTAMINEN ELEMENTTIME- NETELMÄLLÄ Henna Tahvanainen 1, Jyrki Pölkki 2, Henri Penttinen 1, Vesa Välimäki 1 1 Signaalinkäsittelyn ja akustiikan laitos Aalto-yliopiston sähkötekniikan

Lisätiedot

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi. Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i

Lisätiedot

Mitä suomen intonaatiosta tiedetään

Mitä suomen intonaatiosta tiedetään Mitä suomen intonaatiosta tiedetään ja mitä ehkä tulisi tietää? Tommi Nieminen Itä-Suomen yliopisto AFinLAn syyssymposium Helsinki 13. 14. 11. 2015 Johdanto Jäsennys 1 Johdanto 2 Mitä intonaatiosta tiedetään?

Lisätiedot

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on 13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu

Lisätiedot

TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 16. marraskuuta 2015

TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 16. marraskuuta 2015 ja ja TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho NFA:ksi TIETOTEKNIIKAN LAITOS 16. marraskuuta 2015 Sisällys ja NFA:ksi NFA:ksi Kohti säännöllisiä lausekkeita ja Nämä tiedetään:

Lisätiedot

Fiktion käsitteet tutuiksi. Oppitunnit 1 4

Fiktion käsitteet tutuiksi. Oppitunnit 1 4 Oppitunnit 1 4 Oppituntien kulku 1. oppitunti 2. oppitunti 3. oppitunti 4. oppitunti Fiktion käsitteet tutuiksi 1. Oppia fiktion käsitteiden hyödyntämistä kaunokirjallisten tekstien avaamisessa. 2. Oppia

Lisätiedot

VirtaaliAMK Virtuaalihotelli > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

VirtaaliAMK Virtuaalihotelli > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain VirtaaliAMK Virtuaalihotelli > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien Arviointialue Ominaisuuksien

Lisätiedot

LOUKKAANTUMISEN REFLEKTIIVINEN KOHTAAMINEN TYÖNOHJAUKSESSA

LOUKKAANTUMISEN REFLEKTIIVINEN KOHTAAMINEN TYÖNOHJAUKSESSA LOUKKAANTUMISEN REFLEKTIIVINEN KOHTAAMINEN TYÖNOHJAUKSESSA Pekka Holm pekka.holm@dialogic.fi Prologi Mihail Bahtinia mukaellen pohdin aluksi lyhyesti sanaa ja keskustelua. Sanana loukkaantuminen alkaa

Lisätiedot

Pikapaketti logiikkaan

Pikapaketti logiikkaan Pikapaketti logiikkaan Tämän oppimateriaalin tarkoituksena on tutustua pikaisesti matemaattiseen logiikkaan. Oppimateriaalin asioita tarvitaan projektin tekemisessä. Kiinnostuneet voivat lukea lisää myös

Lisätiedot

Syntyikö maa luomalla vai räjähtämällä?

Syntyikö maa luomalla vai räjähtämällä? Syntyikö maa luomalla vai räjähtämällä? Tätä kirjoittaessani nousi mieleeni eräs tuntemani insinööri T. Palosaari. Hän oli aikansa lahjakkuus. Hän oli todellinen nörtti. Hän teki heti tietokoneiden tultua

Lisätiedot

Kielenä ilmaisten Hilbertin kymmenes ongelma on D = { p p on polynomi, jolla on kokonaislukujuuri }

Kielenä ilmaisten Hilbertin kymmenes ongelma on D = { p p on polynomi, jolla on kokonaislukujuuri } 135 4.3 Algoritmeista Churchin ja Turingin formuloinnit laskennalle syntyivät Hilbertin vuonna 1900 esittämän kymmenennen ongelman seurauksena Oleellisesti Hilbert pyysi algoritmia polynomin kokonaislukujuuren

Lisätiedot

Suomen virtuaaliammattikorkeakoulu Vedenpuhdistus > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%)

Suomen virtuaaliammattikorkeakoulu Vedenpuhdistus > 80 % % % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu Vedenpuhdistus > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien

Lisätiedot

Nspire CAS - koulutus Ohjelmiston käytön alkeet Pekka Vienonen

Nspire CAS - koulutus Ohjelmiston käytön alkeet Pekka Vienonen Nspire CAS - koulutus Ohjelmiston käytön alkeet 3.12.2014 Pekka Vienonen Ohjelman käynnistys ja käyttöympäristö Käynnistyksen yhteydessä Tervetuloa-ikkunassa on mahdollisuus valita suoraan uudessa asiakirjassa

Lisätiedot

Mitä on konvoluutio? Tutustu kuvankäsittelyyn

Mitä on konvoluutio? Tutustu kuvankäsittelyyn Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa

Lisätiedot

KUULON HARJOITTELU DYSFASIALAPSELLA, HOIDON SEURANTA HERÄTEVASTETUTKIMUKSIN

KUULON HARJOITTELU DYSFASIALAPSELLA, HOIDON SEURANTA HERÄTEVASTETUTKIMUKSIN KUULON HARJOITTELU DYSFASIALAPSELLA, HOIDON SEURANTA HERÄTEVASTETUTKIMUKSIN Suur-Helsingin Sensomotorinen Keskus Puh: 09-484644 2 TUTKIMUS Esittelemme seuraavassa yhteenvedon tutkimuksesta, joka on tehty

Lisätiedot

Helsingin yliopisto WebOodi 1 Opiskelijarekisteri Versio 3.2. Tenttityökalu

Helsingin yliopisto WebOodi 1 Opiskelijarekisteri Versio 3.2. Tenttityökalu Helsingin yliopisto WebOodi 1 Tenttityökalu Tenttityökalu on oiva väline laitos- ja tiedekuntatenttien tekemiseen. Esimerkiksi tiedekuntatentissä voi tenttiä samana päivänä kymmeniä eri opintojaksoja.

Lisätiedot

Muistisairaan kuulon kuntoutus. Seminaari

Muistisairaan kuulon kuntoutus. Seminaari Muistisairaan kuulon kuntoutus Seminaari 12.12.2013 Kuulo * Kuulo on kyky havainnoida ääntä. * Korvien kautta ääni välittyy aivoihin. * Korvassa on ihmisen kuulo- ja tasapainoelimet. Johanna Juola 2 Kuulon

Lisätiedot

Integrointialgoritmit molekyylidynamiikassa

Integrointialgoritmit molekyylidynamiikassa Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin

Lisätiedot

Järjestelmän asetukset. Asetustiedostojen muokkaaminen. Pääkäyttäjä eli root. Järjestelmänhallinnan työkalut

Järjestelmän asetukset. Asetustiedostojen muokkaaminen. Pääkäyttäjä eli root. Järjestelmänhallinnan työkalut Järjestelmän asetukset Järjestelmänhallinnan työkalut Ubuntussa järjestelmän hallintaan ja asetusten muokkaamiseen tarkoitetut ohjelmat on koottu Järjestelmä-valikon alle Asetukset- ja Ylläpito -alavalikoista

Lisätiedot

Johdanto. Viittomakieli. Tiedon tuottaminen viittomakielellä. Kääntäminen ja materiaalit. Video kriteerejä ja ratkaisuja. Tilaaminen ja neuvonta

Johdanto. Viittomakieli. Tiedon tuottaminen viittomakielellä. Kääntäminen ja materiaalit. Video kriteerejä ja ratkaisuja. Tilaaminen ja neuvonta SISÄLLYS Johdanto Viittomakieli Tiedon tuottaminen viittomakielellä Kääntäminen ja materiaalit Video kriteerejä ja ratkaisuja Tilaaminen ja neuvonta Johdanto Tämän käsikirjan tarkoituksena on opastaa,

Lisätiedot

Satunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos

Satunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Satunnaisalgoritmit Topi Paavilainen Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Helsinki, 23. helmikuuta 2014 1 Johdanto Satunnaisalgoritmit ovat algoritmeja, joiden

Lisätiedot

Päivitetty 9.5.2012. Text Mining -käyttöopas

Päivitetty 9.5.2012. Text Mining -käyttöopas Päivitetty 9.5.2012 Text Mining -käyttöopas WEBROPOL ANALYTICS: TEXT MINING Mitä tarkoittaa kun asiakkaat tai henkilöstö antavat arvosanan 3.1 o Keskiarvoa informatiivisempaa ovat taustalla olevat syyt

Lisätiedot