Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida?

Koko: px
Aloita esitys sivulta:

Download "Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida?"

Transkriptio

1

2 Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? 2

3 Tieto on koodattu aikaisempaa yleisemmin digitaaliseen muotoon, jonka tietoyksikkö on bitti. Tiedon havainnollistamisella on sen käytön kannalta olennainen rooli, koska binääriluvut kertovat ihmiselle kovin vähän. Tiedon toisintaminen ja visualisointi on yksinkertaisissa tapauksissa suoraviivaista, kunhan on olemassa tarkoitukseen soveltuvat laitteet ja tiedon muuntamiseen tarvittavat menetelmät. Moniulotteisen tiedon kohdalla sen havainnollistaminen ei olekaan niin yksinkertaista. 3

4 Tietojenkäsittelyn perusteet II Tiedon visualisointia ja lineaarialgebraa 4

5 Tiedon visualisointia ja lineaarialgebraa 5

6 Tiedon visualisoinnista Tieto ja sen koodaus Tiedon havainnollistaminen Tiedon muunnoksia: "Yksinkertainen" tapaus: Lineaarialgebra geometriset muunnokset tietokonegrafiikka "Monimutkainen" tapaus: Ulottuvuuksien vähentäminen moniulotteisen tiedon havainnollistaminen 6

7 Pohjustusta: Laskentaa vai tietojenkäsittelyä? Eräs karkea näkemys laskennan ja tietojenkäsittelyn välisistä eroista: Ongelmanratkaisu Algoritminen Heuristinen Numeerinen tieto Teknismatemaattinen laskenta Simulointi, signaalinkäsittely Symbolinen tieto Kaupallishallinnollinen tietojenkäsittely Tekoäly, tietämystekniikka 7

8 Kertausta: Algoritmien syötetiedonlähteet Data vs. informaatio vs. tieto vs. tietämys Todellisen maailman signaalit: Analoginen vs. digitaalinen signaali Signaalien ulottuvuudet: 1 (esim. yksittäinen aikariippuva suure) 2 (esim. harmaasävykuva) 3 (esim. värikuva, spektrikuva) 4 (esim. värillinen video) n (esim. n-kanavainen aivosähkökäyrä) Synteettiset (keinotekoiset) signaalit: Todellisen maailman mallit, virtuaalimaailmat,... 8

9 Kertausta: Tiedon koodaus Tieto koodataan kokonais- ja liukulukuina jossakin lukujärjestelmässä (tyypillinen kantaluku 2 tai 10). Liukulukujen koodaustavat: Kiinteä (desimaali)pilkku: kokonais- ja desimaaliosien tarkkuus rajoitettu. Liukuluku: desimaalipilkku liikkuu tarpeen mukaan (vrt. 6, ). Merkkitiedon koodaamiseen jokaiselle merkille oma bittikuvio: ASCII tai ISO 8859: 7- tai 8-bittiä/merkki. Unicode transformation format (UTF): 8-, 16- tai 32-bittiä/merkki. ISO standardi Universal Character Set: (1), 2 tai 4 tavua/merkki. 9

10 Kertausta: Informaatio Informaatio ~ kohteen luonteesta kertova data, tuloksen todennäköisyys Shannonin tulkinta: kommunikaatio osapuolten välillä Tapahtuman A informaatiosisältö: 1 i ( A) = log b = log b P( A) P ( A) P(A) = tapahtuman A todennäköisyys b = logaritmifunktion kantaluku eli tietoyksikön merkistö i ( AB) = i ( A) + i ( B ) 10

11 Kertausta: Entropia Tapahtumasarjan informaatio Lyhyin keskimääräinen viestin pituus bitteinä, millä satunnainen tieto voidaan välittää: Shannonin entropia Kolikon heitto: 1 bittiä/heitto Aina samana toistuva tieto: 0 bittiä/merkki Keskimääräinen bittien määrä, joka tarvitaan yhden symbolin koodaamiseen Määrittää vähimmäiskapasiteetin kommunikaatiokanavalle luotettavaan binääriseen tiedonsiirtoon 11

12 Kertausta: Tiedon tiivistäminen Jokaiselle koodattavalle merkkijonon merkille (jostakin aakkostosta) oma koodisana: N log b K, missä N koodisanan pituus, L on koodattavan merkkijonon L pituus, b koodiaakkoston koko ja K koodattavan aakkoston koko. Tiivistämissuhde: kuinka paljon uudelleen koodaaminen hyödyttää. Kiinteäpituinen/muuttuvapituinen koodi 12

13 Kertausta: Tiivistämisen perusmenetelmät Häviötön tiivistäminen: Alkuperäisestä tiedosta ei katoa tai muutu mitään Tiivistämisessä tulee raja vastaan entropian mukaisesti Häviöllinen tiivistäminen: Alkuperäistä tietoa katoaa Huomattavasti parempi tiivistämissuhde 13

14 Yhteenveto tiedosta Tieto edustaa jotakin suuretta, ilmiötä tai asiaa todellisesta tai keinotekoisesta maailmasta. Tieto on koodattu yleisesti digitaaliseen muotoon, jonka tietoyksikkö on bitti. Digitaalisen tiedon toisintaminen (reproduktio) on yksinkertaisissa tapauksissa suoraviivaista: lineaarialgebra geometriset muunnokset tietokonegrafiikan algoritmit tiedon visualisointi 14

15 Tapaus 1: Lineaarialgebra ja tiedon havainnollistaminen Kaarna, A., 2008 Tiedon toisintamisen välineitä Geometrisen tiedon muunnoksia Geometrisen tiedon saamisesta ja esittämisestä: Valot ja varjot (shape from shading / fotometrinen stereo) Esim. tietokonepeleissä paljon käytetty (kolmiulotteista grafiikkaa) 15

16 Geometrisen tiedon muunnoksista 16

17 Geometrisen tiedon saamisesta: Fotometrinen stereo Ikonen L

18 Pinnanmuodot (topografia) fotometrisellä stereolla 18

19 Kolmiulotteinen kasvomallinnus Kasvomalli yhdestä valo-varjo-kuvasta Rakenteinen valo kolmiulotteiseen rekonstruktioon 19

20 Monimutkaisesta tiedosta Ihminen on kuitenkin tottunut havainnoimaan ja toimimaan "vain" neljässä ulottuvuudessa: Entä piste (2, 1, 4, 3,...) n-ulotteisessa (n 4) koordinaatistossa? Ihmiselle onkin vaikeaa käsitellä monimutkaista (esim. monikanavaista) tietoa, jossa on lukuisia ulottuvuuksia. 20

21 Monimutkaisesta tiedosta Nykytekniikka mahdollistaa hyvin monipuolisen tiedon mittaamisen ympäristöstä. Erilaiset tietoaineistot sisältävät runsaasti moniulotteista tietoa. Tieto onkin tällöin muunnettava sellaiseen muotoon, että ihminen pystyy hahmottamaan tiedon luonteen: Olennaisen tiedon rajaaminen Ulottuvuuksien vähentäminen 21

22 Taustaa: Neurolaskenta Neuroverkot mallintavat ihmisen aivojen rakennetta ja toimintaa: Skaala vain huomattavasti rajoitetumpi eli vähemmän hermosoluja ja niitä yhdistäviä synapseja Hermosoluilla matemaattinen malli, jota hyödynnetään laskennassa Neuroverkolla voi mallintaa mitä tahansa funktiota Ohjattua tai ohjaamatonta oppimista, jolla verkon toiminta kehittyy haluttuun suuntaan 22

23 Taustaa: Neuroni 23

24 Taustaa: Neuronin laskennallinen malli Perseptronin ulostulo 0 tai 1 kertoo kumpaan luokkaan syöte kuuluu (lineaarisesti erottuvien datajoukkojen luokittelu): 24

25 Taustaa: Perseptroni Mallintaa hermosolun toimintaa: y = f (u ) u = w1 x1 + w2 x2 θ 1, u > 0 f (u ) = 0, u 0 x1 w1 w2 x2 f(u) y Σ -1 θ missä xi on neuronin syöte, wi syötteen painoarvo, θ biaksen painoarvo, f(u) siirtofunktio ja y ulostulo 25

26 Taustaa: Monikerrosperseptroni 26

27 Taustaa: Monikerrosperseptroni Neuroneissa on lineaarinen tai epälineaarinen funktio (esim. sigmoidi), jonka avulla lähdön arvo lasketaan neuronin sisääntulojen painotetusta summasta. 27

28 Taustaa: Monikerrosverkon hyödyntäminen Monikerrosverkossa voi olla mielivaltainen määrä kerroksia (käyttäjän määriteltävä): Piilokerros/piilokerroksia (välitulokset) Ulostulokerros Mitä enemmän muuttujia mallinnettavassa ongelmassa on, sitä enemmän kerroksia sekä perseptroneita kerrosta kohti tarvitaan. Neuroverkko, jossa on riittävästi neuroneita, yksi sigmoidifunktiolla varustettu piilokerros ja lineaarinen ulostulokerros, voi oppia minkä tahansa funktion, jossa äärellinen määrä epäjatkuvuuskohtia. 28

29 Taustaa: Monikerrosverkon käyttötarkoituksia Luokittelu Stokastinen ongelmanratkaisu, optimointi Monimutkaisen ilmiön approksimointi, esim. prosessin säätö: Ei toimi kaikissa tapauksissa kovin hyvin miksi? Mikä rajoittaa suorituskykyä? 29

30 Itseorganisoituva kartta (Engl. Self-Organizing Map, SOM) Ohjaamatonta oppimista: Neuroverkosta haetaan painoarvoltaan lähimpänä syötettä oleva neuroni. Neuronien painot päivitetään oppimisalgoritmin mukaan: mi(t+1) = mi(t) + α (x(t) mi(t)), i Nc mi(t+1) = mi(t) muulloin missä mi on neuronin i painoarvo, t on aika, α on oppimisnopeusvakio (voi muuttua ajan mukana), x on syöte ja Nc on neuronin i naapurusto. 30

31 Yhteenveto Tieto edustaa joko todellista tai keinotekoista maailmaa. Tieto on koodattu yleisesti digitaaliseen muotoon, jonka tietoyksikkö on bitti. Digitaalisen tiedon reproduktio on yksinkertaisissa tapauksissa suoraviivaista: lineaarialgebra geometriset muunnokset tietokonegrafiikan algoritmit tiedon havainnollistaminen Monimutkaisen tiedon kohdalla sen havainnollistaminen vaatii usein ulottuvuuksien vähentämistä. 31

Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä?

Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä? Ongelma 1: Onko datassa tai informaatiossa päällekkäisyyttä? 2012-2013 Lasse Lensu 2 Ongelma 2: Voidaanko dataa tai informaatiota tallettaa tiiviimpään tilaan koodaamalla se uudelleen? 2012-2013 Lasse

Lisätiedot

Ongelma(t): Voiko älykkyyden määritellä ja voiko sitä mitata, myös objektiivisesti? Onko älykkyyttä ilman (näkyvää) toimintaa? Voiko kone olla älykäs

Ongelma(t): Voiko älykkyyden määritellä ja voiko sitä mitata, myös objektiivisesti? Onko älykkyyttä ilman (näkyvää) toimintaa? Voiko kone olla älykäs Ongelma(t): Voiko älykkyyden määritellä ja voiko sitä mitata, myös objektiivisesti? Onko älykkyyttä ilman (näkyvää) toimintaa? Voiko kone olla älykäs ja jos voi, niin tulisiko sellainen rakentaa? 2012-2013

Lisätiedot

Kuvan pakkaus JPEG (Joint Photographic Experts Group)

Kuvan pakkaus JPEG (Joint Photographic Experts Group) Kuvan pakkaus JPEG (Joint Photographic Experts Group) Arne Broman Mikko Toivonen Syksy 2003 Historia 1840 1895 1920-luku 1930-luku Fotografinen filmi Louis J. M. Daguerre, Ranska Ensimmäinen julkinen elokuva

Lisätiedot

Successive approximation AD-muunnin

Successive approximation AD-muunnin AD-muunnin Koostuu neljästä osasta: näytteenotto- ja pitopiiristä, (sample and hold S/H) komparaattorista, digitaali-analogiamuuntimesta (DAC) ja siirtorekisteristä. (successive approximation register

Lisätiedot

Neurolaskentamenetelmien soveltamisesta puheen tuoton häiriöiden mallintamiseen. Antti Järvelin

Neurolaskentamenetelmien soveltamisesta puheen tuoton häiriöiden mallintamiseen. Antti Järvelin Neurolaskentamenetelmien soveltamisesta puheen tuoton häiriöiden mallintamiseen Antti Järvelin Tampereen yliopisto Tietojenkäsittelytieteiden laitos Pro gradu -tutkielma Kesäkuu 2003 ii iii Tampereen yliopisto

Lisätiedot

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti Luku 6 Dynaaminen ohjelmointi Dynaamisessa ohjelmoinnissa on ideana jakaa ongelman ratkaisu pienempiin osaongelmiin, jotka voidaan ratkaista toisistaan riippumattomasti. Jokaisen osaongelman ratkaisu tallennetaan

Lisätiedot

7. Laskutoimitukset eri lukujärjestelmissä 1 / 31

7. Laskutoimitukset eri lukujärjestelmissä 1 / 31 7. Laskutoimitukset eri lukujärjestelmissä 1 / 31 Johdanto Lukujen esitykset eri lukujärjestelmissä Muunnokset lukujärjestelmien välillä Laskutoimitukset eri lukujärjestelmissä. 2 / 31 7.1. Muunnokset

Lisätiedot

Laskennan vaativuus ja NP-täydelliset ongelmat

Laskennan vaativuus ja NP-täydelliset ongelmat Laskennan vaativuus ja NP-täydelliset ongelmat TRAK-vierailuluento 13.4.2010 Petteri Kaski Tietojenkäsittelytieteen laitos Tietojenkäsittelytiede Tietojenkäsittelytiede tutkii 1. mitä tehtäviä voidaan

Lisätiedot

Tietorakenteet ja algoritmit - syksy 2015 1

Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 1 Tietorakenteet ja algoritmit - syksy 2015 2 Tietorakenteet ja algoritmit Johdanto Ari Korhonen Tietorakenteet ja algoritmit - syksy 2015 1. JOHDANTO 1.1 Määritelmiä

Lisätiedot

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen

Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari Korhonen Tietorakenteet ja algoritmit Johdanto Lauri Malmi / Ari 1 1. JOHDANTO 1.1 Määritelmiä 1.2 Tietorakenteen ja algoritmin valinta 1.3 Algoritmit ja tiedon määrä 1.4 Tietorakenteet ja toiminnot 1.5 Esimerkki:

Lisätiedot

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä

Lisätiedot

Malleja ja menetelmiä geometriseen tietokonenäköön

Malleja ja menetelmiä geometriseen tietokonenäköön Malleja ja menetelmiä geometriseen tietokonenäköön Juho Kannala 7.5.2010 Johdanto Tietokonenäkö on ala, joka kehittää menetelmiä automaattiseen kuvien sisällön tulkintaan Tietokonenäkö on ajankohtainen

Lisätiedot

Johdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]

Johdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ] Johdatus tekoälyyn Luento 6.10.2011: Koneoppiminen Patrik Hoyer [ Kysykää ja kommentoikaa luennon aikana! ] Koneoppiminen? Määritelmä: kone = tietokone, tietokoneohjelma oppiminen = ongelmanratkaisukyvyn

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 1 Ti 6.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 1 Ti 6.9.2011 p. 1/28 p. 1/28 Numeriikan termejä Simulointi: Reaalimaailman ilmiöiden jäljitteleminen (yleensä)

Lisätiedot

Hahmon etsiminen syotteesta (johdatteleva esimerkki)

Hahmon etsiminen syotteesta (johdatteleva esimerkki) Hahmon etsiminen syotteesta (johdatteleva esimerkki) Unix-komennolla grep hahmo [ tiedosto ] voidaan etsia hahmon esiintymia tiedostosta (tai syotevirrasta): $ grep Kisaveikot SM-tulokset.txt $ ps aux

Lisätiedot

6. Analogisen signaalin liittäminen mikroprosessoriin 2 6.1 Näytteenotto analogisesta signaalista 2 6.2. DA-muuntimet 4

6. Analogisen signaalin liittäminen mikroprosessoriin 2 6.1 Näytteenotto analogisesta signaalista 2 6.2. DA-muuntimet 4 Datamuuntimet 1 Pekka antala 19.11.2012 Datamuuntimet 6. Analogisen signaalin liittäminen mikroprosessoriin 2 6.1 Näytteenotto analogisesta signaalista 2 6.2. DA-muuntimet 4 7. AD-muuntimet 5 7.1 Analoginen

Lisätiedot

v 8 v 9 v 5 C v 3 v 4

v 8 v 9 v 5 C v 3 v 4 Verkot Verkko on (äärellinen) matemaattinen malli, joka koostuu pisteistä ja pisteitä toisiinsa yhdistävistä viivoista. Jokainen viiva yhdistää kaksi pistettä, jotka ovat viivan päätepisteitä. Esimerkiksi

Lisätiedot

Ongelma(t): Mistä loogisista lausekkeista ja niitä käytännössä toteuttavista loogisista piireistä olisi hyötyä tietojenkäsittelyssä ja tietokoneen

Ongelma(t): Mistä loogisista lausekkeista ja niitä käytännössä toteuttavista loogisista piireistä olisi hyötyä tietojenkäsittelyssä ja tietokoneen Ongelma(t): Mistä loogisista lausekkeista ja niitä käytännössä toteuttavista loogisista piireistä olisi hyötyä tietojenkäsittelyssä ja tietokoneen rakentamisessa? 2012-2013 Lasse Lensu 2 Transistori yhdessä

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

SISÄLLYS - DIGITAALITEKNIIKKA

SISÄLLYS - DIGITAALITEKNIIKKA SISÄLLYS - DIGITAALITEKNIIKKA Digitaalitekniikan perusteita...2 Bitti (bit)...2 Tavu (bytes)...2 Sana (word)...2 Yksiköt...2 Binääri järjestelmän laskutapa...2 Esimerkki: Digikuvan siirron kestoaika...2

Lisätiedot

Kiinnostuspohjainen topologian hallinta järjestämättömissä vertaisverkoissa

Kiinnostuspohjainen topologian hallinta järjestämättömissä vertaisverkoissa Kiinnostuspohjainen topologian hallinta järjestämättömissä vertaisverkoissa Lektio 20.12.2012, Annemari Soranto Tietotekniikan laitos annemari.k.soranto@jyu.fi 1 Agenda Vertaisverkon määritelmä Haku vertaisverkossa

Lisätiedot

Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan?

Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan? Ongelma(t): Miten merkkijonoja voidaan hakea tehokkaasti? Millaisia hakuongelmia liittyy bioinformatiikkaan? 2012-2013 Lasse Lensu 2 Ihmisen, eläinten ja kasvien hyvinvoinnin kannalta nykyaikaiset mittaus-,

Lisätiedot

Digitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Johdatus digitaalitekniikkaan

Digitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Johdatus digitaalitekniikkaan Digitaalitekniikan matematiikka Luku 1 Sivu 1 (19) Digitaalitekniikan matematiikka Luku 1 Sivu 2 (19) Johdanto Tässä luvussa esitellään tiedon lajeja ja tiedolle tehtävää käsittelyä käsitellään tiedon

Lisätiedot

Tiedonsiirron perusteet ja fyysinen kerros. Tietoliikenne kohtaa todellisuuden OSI-mallin alimmainen kerros Kirja sivut 43-93

Tiedonsiirron perusteet ja fyysinen kerros. Tietoliikenne kohtaa todellisuuden OSI-mallin alimmainen kerros Kirja sivut 43-93 Tiedonsiirron perusteet ja fyysinen kerros Tietoliikenne kohtaa todellisuuden OSI-mallin alimmainen kerros Kirja sivut 43-93 Data ja informaatio Data: koneiden tai ihmisten käsiteltävissä oleva tiedon

Lisätiedot

Signaalien datamuunnokset. Näytteenotto ja pito -piirit

Signaalien datamuunnokset. Näytteenotto ja pito -piirit Signaalien datamuunnokset Muunnoskomponentit Näytteenotto ja pitopiirit Multiplekserit A/D-muuntimet Jännitereferenssit D/A-muuntimet Petri Kärhä 26/02/2008 Signaalien datamuunnokset 1 Näytteenotto ja

Lisätiedot

Shannonin ensimmäinen lause

Shannonin ensimmäinen lause Shannonin ensimmäinen lause Pro gradu Maija-Liisa Metso Matemaattisten tieteiden laitos Oulun yliopisto Syksy 2014 Sisältö Tiivistelmä 2 1 Johdanto informaatioteoriaan 2 1.1 Informaatioteorian historiaa...................

Lisätiedot

Logistinen regressio, separoivat hypertasot

Logistinen regressio, separoivat hypertasot Logistinen regressio, separoivat hypertasot Topi Sikanen Logistinen regressio Aineisto jakautunut K luokkaan K=2 tärkeä erikoistapaus Halutaan mallintaa luokkien vedonlyöntikertoimia (odds) havaintojen

Lisätiedot

Harjoitus 6: Simulink - Säätöteoria. Syksy 2006. Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1

Harjoitus 6: Simulink - Säätöteoria. Syksy 2006. Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoitus 6: Simulink - Säätöteoria Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen säätötekniikkaan Takaisinkytkennän

Lisätiedot

1. Johdanto. Johdanto 1. Johdanto 2. Johdanto 3. Johdanto 4

1. Johdanto. Johdanto 1. Johdanto 2. Johdanto 3. Johdanto 4 1. Johdanto Kuvanprosessointi tai käsittely juontaa juurensa kahdesta pääasiallisesta alueesta, jotka ovat kuvainformaation parantaminen ihmisen tulkintaa varten ja kuvadatan käsittely talletusta, siirtoa

Lisätiedot

Matematiikka ja teknologia, kevät 2011

Matematiikka ja teknologia, kevät 2011 Matematiikka ja teknologia, kevät 2011 Peter Hästö 3. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:

Lisätiedot

Kuva maailmasta Pakettiverkot (Luento 1)

Kuva maailmasta Pakettiverkot (Luento 1) M.Sc.(Tech.) Marko Luoma (1/20) M.Sc.(Tech.) Marko Luoma (2/20) Kuva maailmasta Pakettiverkot (Luento 1) WAN Marko Luoma TKK Teletekniikan laboratorio LAN M.Sc.(Tech.) Marko Luoma (3/20) M.Sc.(Tech.) Marko

Lisätiedot

Anturit ja Arduino. ELEC-A4010 Sähköpaja Tomi Pulli Signaalinkäsittelyn ja akustiikan laitos Mittaustekniikka

Anturit ja Arduino. ELEC-A4010 Sähköpaja Tomi Pulli Signaalinkäsittelyn ja akustiikan laitos Mittaustekniikka Anturit ja Arduino Tomi Pulli Signaalinkäsittelyn ja akustiikan laitos Mittaustekniikka Anturit ja Arduino Luennon sisältö 1. Taustaa 2. Antureiden ominaisuudet 3. AD-muunnos 4. Antureiden lukeminen Arduinolla

Lisätiedot

Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin?

Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin? Ongelma(t): Mikä on Turingin kone? Miten Turingin kone liittyy funktioihin ja algoritmeihin? Miten Turingin kone liittyy tietokoneisiin? 2013-2014 Lasse Lensu 2 Algoritmit ovat deterministisiä toimintaohjeita

Lisätiedot

Digitaalinen signaalinkäsittely Kuvankäsittely

Digitaalinen signaalinkäsittely Kuvankäsittely Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,

Lisätiedot

OHJ-1010 Tietotekniikan perusteet 4 op Syksy 2012

OHJ-1010 Tietotekniikan perusteet 4 op Syksy 2012 OHJ-1010 Tietotekniikan perusteet 4 op Syksy 2012 Luento 6: Tiedon esittäminen tietokoneessa, osa 1 Tekijät: Antti Virtanen, Timo Lehtonen, Matti Kujala, Kirsti Ala-Mutka, Petri M. Gerdt et al. Luennon

Lisätiedot

Tiedon esitys tietokoneessa. Jyry Suvilehto T-110.1100 Johdatus tietoliikenteeseen ja multimediatekniikkaan kevät 2010

Tiedon esitys tietokoneessa. Jyry Suvilehto T-110.1100 Johdatus tietoliikenteeseen ja multimediatekniikkaan kevät 2010 Tiedon esitys tietokoneessa Jyry Suvilehto T-110.1100 Johdatus tietoliikenteeseen ja multimediatekniikkaan kevät 2010 Luennon sisältö 1. Kurssin loppupuolen rakenne 2. Tiedon binääriluonne AD-muunnos 3.

Lisätiedot

Korkean resoluution ja suuren kuva-alueen SAR

Korkean resoluution ja suuren kuva-alueen SAR Korkean resoluution ja suuren kuva-alueen SAR Risto Vehmas, Juha Jylhä, Minna Väilä ja prof. Ari Visa Tampereen teknillinen yliopisto Signaalinkäsittelyn laitos Myönnetty rahoitus: 50 000 euroa Esityksen

Lisätiedot

A/D-muuntimia. Flash ADC

A/D-muuntimia. Flash ADC A/D-muuntimia A/D-muuntimen valintakriteerit: - bittien lukumäärä instrumentointi 6 16 audio/video/kommunikointi/ym. 16 18 erikoissovellukset 20 22 - Tarvittava nopeus hidas > 100 μs (

Lisätiedot

Lineaarisen ohjelman määritelmä. Joonas Vanninen

Lineaarisen ohjelman määritelmä. Joonas Vanninen Lineaarisen ohjelman määritelmä Joonas Vanninen Sisältö Yleinen optimointitehtävä Kombinatorinen tehtävä Optimointiongelman tapaus Naapurusto Paikallinen ja globaali optimi Konveksi optimointitehtävä Lineaarinen

Lisätiedot

ModerniOptiikka. InFotonics Center Joensuu

ModerniOptiikka. InFotonics Center Joensuu ModerniOptiikka InFotonics Center Joensuu Joensuun Tiedepuistossa sijaitseva InFotonics Center on fotoniikan ja informaatioteknologian yhdistävä kansainvälisen tason tutkimus- ja yrityspalvelukeskus. Osaamisen

Lisätiedot

SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND

SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND 98 SUOMEN AKTUAARIYHDISTYS THE ACTUARIAL SOCIETY OF FINLAND WORKING PAPERS ISSN 0781-4410 SUOMEN AKTUAARIYHDISTYS The Actuarial Society of Finland 98 Tähtinen, Sami Neuroverkkolaskenta ja sen soveltaminen

Lisätiedot

Ajattelemme tietokonetta yleensä läppärinä tai pöytäkoneena

Ajattelemme tietokonetta yleensä läppärinä tai pöytäkoneena Mikrotietokone Moderni tietokone Ajattelemme tietokonetta yleensä läppärinä tai pöytäkoneena Sen käyttötarkoitus on yleensä työnteko, kissavideoiden katselu internetistä tai pelien pelaaminen. Tietokoneen

Lisätiedot

Esimerkkejä polynomisista ja ei-polynomisista ongelmista

Esimerkkejä polynomisista ja ei-polynomisista ongelmista Esimerkkejä polynomisista ja ei-polynomisista ongelmista Ennen yleisempiä teoriatarkasteluja katsotaan joitain tyypillisiä esimerkkejä ongelmista ja niiden vaativuudesta kaikki nämä ongelmat ratkeavia

Lisätiedot

Visualisointi kansanedustajista neljässä eri ulottuvuudessa

Visualisointi kansanedustajista neljässä eri ulottuvuudessa Visualisointi kansanedustajista neljässä eri ulottuvuudessa Jaakko Talonen talonen.dm@gmail.com Johdanto Helsingin Sanomat julkaisi eduskuntavaalien 2011 vaalikoneensa avoimena tietona. Vaalikoneen tietojen

Lisätiedot

Ongelma(t): Miten mikro-ohjelmoitavaa tietokonetta voisi ohjelmoida kirjoittamatta binääristä (mikro)koodia? Voisiko samalla algoritmin esitystavalla

Ongelma(t): Miten mikro-ohjelmoitavaa tietokonetta voisi ohjelmoida kirjoittamatta binääristä (mikro)koodia? Voisiko samalla algoritmin esitystavalla Ongelma(t): Miten mikro-ohjelmoitavaa tietokonetta voisi ohjelmoida kirjoittamatta binääristä (mikro)koodia? Voisiko samalla algoritmin esitystavalla ohjelmoida useita komponenteiltaan ja rakenteeltaan

Lisätiedot

Digitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Virheen havaitseminen ja korjaus

Digitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Virheen havaitseminen ja korjaus Digitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Digitaalitekniikan matematiikka Luku 13 Sivu 2 (10) Johdanto Tässä luvussa esitetään virheen havaitsevien ja korjaavien koodaustapojen perusteet ja käyttösovelluksia

Lisätiedot

Kohosen itseorganisoituva kartta virtualisoitujen laskentaresurssien eksploratiivisessa data-analyysissa. Jaakko Routamaa

Kohosen itseorganisoituva kartta virtualisoitujen laskentaresurssien eksploratiivisessa data-analyysissa. Jaakko Routamaa Kohosen itseorganisoituva kartta virtualisoitujen laskentaresurssien eksploratiivisessa data-analyysissa Jaakko Routamaa Tampereen yliopisto Informaatiotieteiden yksikkö Tietojenkäsittelyoppi Pro gradu

Lisätiedot

Ongelma 1: Miten tieto kannattaa koodata, jos sen halutaan olevan hyvin vaikeasti luettavaa?

Ongelma 1: Miten tieto kannattaa koodata, jos sen halutaan olevan hyvin vaikeasti luettavaa? Ongelma 1: Miten tieto kannattaa koodata, jos sen halutaan olevan hyvin vaikeasti luettavaa? 2012-2013 Lasse Lensu 2 Ongelma 2: Miten tietoa voidaan (uudelleen)koodata tehokkaasti? 2012-2013 Lasse Lensu

Lisätiedot

Kaupunkimallit ja Mallintava kaavoitus. Vianova Systems Finland Oy Jarkko Sireeni 9.2.2011

Kaupunkimallit ja Mallintava kaavoitus. Vianova Systems Finland Oy Jarkko Sireeni 9.2.2011 Kaupunkimallit ja Mallintava kaavoitus Vianova Systems Finland Oy Jarkko Sireeni 9.2.2011 Kaupunkimalli? Mallintamisen eri skaalat Kaavoitus ja aluerakentaminen Infra ja kunnallistekniikka Talonrakennus

Lisätiedot

Animaatio Web-sivuilla

Animaatio Web-sivuilla Ihmisen koko huomio kiinnittyy vaistomaisesti (hyökkääjiltä suojautuminen) liikkuvaan kuvaan. Yleisesti ottaen animaatioita kannattaa käyttää mahdollisimman vähän. Suunnitteluvaiheessa on hyvä pohtia,

Lisätiedot

Parinmuodostuksesta tietojenkäsittelytieteen silmin. Petteri Kaski Tietojenkäsittelytieteen laitos Aalto-yliopisto

Parinmuodostuksesta tietojenkäsittelytieteen silmin. Petteri Kaski Tietojenkäsittelytieteen laitos Aalto-yliopisto Parinmuodostuksesta tietojenkäsittelytieteen silmin Petteri Kaski Tietojenkäsittelytieteen laitos Aalto-yliopisto Suomalainen Tiedeakatemia Nuorten Akatemiaklubi 18.10.2010 Sisältö Mitä tietojenkäsittelytieteessä

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

puheen laatu kärsii koodauksesta mahdollisimman vähän. puhe pakkautuu mahdollisimman pieneen määrään bittejä.

puheen laatu kärsii koodauksesta mahdollisimman vähän. puhe pakkautuu mahdollisimman pieneen määrään bittejä. Luku 1 Puheen koodaus Puheen koodauksella tarkoitetaan puhesignaalin esittämiseen tarvittavan bittimäärän pienentämistä sillä tavalla, että puhesignaalin laatu ja ymmärrettävyys kärsivät mahdollisimman

Lisätiedot

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA TIETOTEKNIIKAN LAITOS

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA TIETOTEKNIIKAN LAITOS VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA TIETOTEKNIIKAN LAITOS Jyrki Kankaanpää AIKASARJAN MALLINTAMINEN MULTI-LAYER- PERCEPTRON -NEUROVERKOLLA KTM, tietotekniikka Pro Gradu tutkielma VAASA 2007 2 3 SISÄLLYSLUETTELO

Lisätiedot

Malliratkaisut Demo 1

Malliratkaisut Demo 1 Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,

Lisätiedot

T-61.246 DSP: GSM codec

T-61.246 DSP: GSM codec T-61.246 DSP: GSM codec Agenda Johdanto Puheenmuodostus Erilaiset codecit GSM codec Kristo Lehtonen GSM codec 1 Johdanto Analogisen puheen muuttaminen digitaaliseksi Tiedon tiivistäminen pienemmäksi Vähentää

Lisätiedot

11. Tilavuusrenderöinti

11. Tilavuusrenderöinti 11. Tilavuusrenderöinti Tilavuusrenderöinti tarkoittaa vokseliperusteisen datan käsittelyä tai visualisointia. Luvussa 2 esitettiin vokselien merkintään perustuvia tiedonesitysmenetelmiä. Suuret homogeeniset

Lisätiedot

Digitaalinen audio & video I

Digitaalinen audio & video I Digitaalinen audio & video I Johdanto Digitaalinen audio + Psykoakustiikka + Äänen digitaalinen esitys Digitaalinen kuva + JPEG 1 Johdanto Multimediassa hyödynnetään todellista ääntä, kuvaa ja videota

Lisätiedot

A / D - MUUNTIMET. 2 Bittimäärä 1. tai. A / D muunnin, A/D converter, ADC, ( Analog to Digital Converter )

A / D - MUUNTIMET. 2 Bittimäärä 1. tai. A / D muunnin, A/D converter, ADC, ( Analog to Digital Converter ) A / D - MUUNTIMET A / D muunnin, A/D converter, ADC, ( Analog to Digital Converter ) H. Honkanen Muuntaa analogisen tiedon ( yleensä jännite ) digitaalimuotoon. Lähtevä data voi olla sarja- tai rinnakkaismuotoista.

Lisätiedot

Syötteen ainoalla rivillä on yksi positiivinen kokonaisluku, joka on alle 1000000000000 = 10 12. Luvussa ei esiinny missään kohtaa numeroa 0.

Syötteen ainoalla rivillä on yksi positiivinen kokonaisluku, joka on alle 1000000000000 = 10 12. Luvussa ei esiinny missään kohtaa numeroa 0. A Alkulukuosat Tehtävänä on laskea annetusta kokonaisluvusta niiden osajonojen määrä, joita vastaavat luvut ovat alkulukuja. Esimerkiksi luvun 123 kaikki osajonot ovat 1, 2, 3, 12, 23 ja 123. Näistä alkulukuja

Lisätiedot

Approksimatiivinen päättely

Approksimatiivinen päättely 218 Approksimatiivinen päättely Koska tarkka päättely on laskennallisesti vaativaa, niin on syytä tarkastella ratkaisujen approksimointia Approksimointi perustuu satunnaiseen otantaan tunnetusta todennäköisyysjakaumasta

Lisätiedot

TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen

TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen

Lisätiedot

T 61.3030 Neuraalilaskennan perusteet

T 61.3030 Neuraalilaskennan perusteet T 61.3030 Neuraalilaskennan perusteet Harjoitustyö time series prediction 31.5.2007 Heikki Hyyti 60451P EST hhyyti@cc.hut.fi Yleistä Harjoitustehtävässä piti Matlabin Neural Network Toolbox:n avulla luoda

Lisätiedot

Digitaalinen audio & video, osa I. Johdanto. Digitaalisen audion sovellusalueet. Johdanto. Taajuusalue. Psykoakustiikka. Johdanto Digitaalinen audio

Digitaalinen audio & video, osa I. Johdanto. Digitaalisen audion sovellusalueet. Johdanto. Taajuusalue. Psykoakustiikka. Johdanto Digitaalinen audio Digitaalinen audio & video, osa I Johdanto Digitaalinen audio + Psykoakustiikka + Äänen digitaalinen esitys Digitaalinen kuva +JPEG Petri Vuorimaa 1 Johdanto Multimediassa hyödynnetään todellista ääntä,

Lisätiedot

Tietokoneohjelmien käyttö laadullisen aineiston analyysin apuna

Tietokoneohjelmien käyttö laadullisen aineiston analyysin apuna Tietokoneohjelmien käyttö laadullisen aineiston analyysin apuna Laadullinen, verbaalinen, tulkinnallinen aineisto kootaan esimerkiksi haastattelemalla, videoimalla, ääneenpuhumalla nauhalle, yms. keinoin.

Lisätiedot

TYÖPAJAT 2016 UUDENLAINEN TYÖPAJA NUORILLE

TYÖPAJAT 2016 UUDENLAINEN TYÖPAJA NUORILLE TYÖPAJAT 2016 UUDENLAINEN TYÖPAJA NUORILLE LÄHTÖKOHTA: TARVE 1 Työelämä kehittyy ja työpaikat sen myötä Uusia aloja, joissa työpaikkoja syntyy koko ajan myös meidän seudulla Uudet toimialat tarvitsevat

Lisätiedot

LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä

LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä Esri Finland LAS- ja ilmakuva-aineistojen käsittely ArcGIS:ssä November 2012 Janne Saarikko Agenda Lidar-aineistot ja ArcGIS 10.1 - Miten LAS-aineistoa voidaan hyödyntää? - Aineistojen hallinta LAS Dataset

Lisätiedot

Riemannin pintojen visualisoinnista

Riemannin pintojen visualisoinnista Riemannin pintojen visualisoinnista eli Funktioiden R R kuvaajat Simo K. Kivelä 7.7.6 Tarkastelun kohteena olkoon kompleksimuuttujan kompleksiarvoinen funktio f : C C, f(z) = w eli f(x + iy) = u(x, y)

Lisätiedot

LAPPEENRANNAN TEKNILLINEN KORKEAKOULU Tietotekniikan osasto

LAPPEENRANNAN TEKNILLINEN KORKEAKOULU Tietotekniikan osasto LAPPEENRANNAN TEKNILLINEN KORKEAKOULU Tietotekniikan osasto SPEKTRIKUVIEN TIIVISTÄMINEN ITSEORGANISOITUVAN KARTAN AVULLA Diplomityön aihe hyväksytty Tietotekniikan osaston osastoneuvostossa 15.9.1999.

Lisätiedot

12.5. Vertailua. Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 12.8. luonnehtii vaihtoehtoja.

12.5. Vertailua. Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 12.8. luonnehtii vaihtoehtoja. 1.5. Vertailua Silmäillään laskostumisen estoa tietokonegrafiikan kannalta. Kuva 1.8. luonnehtii vaihtoehtoja. (1)Esisuodatus äärettömästi näytteitä pikseliä kohti Lasketaan projisoidun kohteen palojen

Lisätiedot

Harmaasävykuvien häviötön tiivistäminen

Harmaasävykuvien häviötön tiivistäminen Harmaasävykuvien häviötön tiivistäminen Kaisa Komulainen 9. huhtikuuta 2001 Joensuun yliopisto Tietojenkäsittelytiede Pro gradu -tutkielma Tiivistelmä Digitaalisessa muodossa olevien kuvien määrä kasvaa

Lisätiedot

Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi

Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Viikko 1: Johdantoa Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 29-31.10.2008. 1 Tällä viikolla 1. Käytännön järjestelyistä 2. Kurssin sisällöstä ja aikataulusta 3. Johdantoa Mitä koneoppiminen

Lisätiedot

Kollektiivisesta ajattelusta ja neuroverkoista

Kollektiivisesta ajattelusta ja neuroverkoista Kollektiivisesta ajattelusta ja neuroverkoista Henrik Ingo Ajattelua vaimon kanssa Muistan erään keskustelun vaimoni kanssa, jota en muista. Tarkoitan, että muistan erään mielenkiintoisen keskustelun viime

Lisätiedot

DIGI PRINT. Aineistovaatimukset ja aineiston siirto

DIGI PRINT. Aineistovaatimukset ja aineiston siirto DIGI PRINT Aineistovaatimukset ja aineiston siirto Glass Jet - Digitaalipainotekniikka Tulostettavan kuvan maksimikoko 2400 x 4000 mm. 6 perusväriä ja hiekkapuhallusta jäljittelevä etch-väri. Väreistä

Lisätiedot

Kuulohavainnon perusteet

Kuulohavainnon perusteet Kuulohavainnon ärsyke on ääni - mitä ääni on? Kuulohavainnon perusteet - Ääni on ilmanpaineen nopeaa vaihtelua: Tai veden tms. Markku Kilpeläinen Käyttäytymistieteiden laitos, Helsingin yliopisto Värähtelevä

Lisätiedot

TODE@OPPIA Todellista todenmukaista oppimista TERHYn opinnoissa

TODE@OPPIA Todellista todenmukaista oppimista TERHYn opinnoissa TODE@OPPIA Todellista todenmukaista oppimista TERHYn opinnoissa Anu Havisto, Katriina Niemelä, Katja Heikkinen ja Anna-Kaisa Sjölund (Turun yliopisto) Kuviin ja videoihin on Turun AMK/TERHYllä kaikki tekijänoikeudet

Lisätiedot

Tietotyypit ja operaattorit

Tietotyypit ja operaattorit Tietotyypit ja operaattorit Luennossa tarkastellaan yksinkertaisten tietotyyppien int, double ja char muunnoksia tyypistä toiseen sekä esitellään uusia operaatioita. Numeeriset tietotyypit ja muunnos Merkkitieto

Lisätiedot

OPPIMISKYVYKKYYS DIGITALISOITUVASSA MAAILMASSA

OPPIMISKYVYKKYYS DIGITALISOITUVASSA MAAILMASSA OPPIMISKYVYKKYYS DIGITALISOITUVASSA MAAILMASSA Sisältö Ihmisen oppiminen ja ohjautuvuus Ihminen digitalisoituvassa elinympäristössä Oleellisen oppimiskyvykkyys, mikä meitä vie? Yhteistyötä yrityksissä

Lisätiedot

Yhden bitin tiedot. Binaariluvun arvon laskeminen. Koodin bittimäärä ja vaihtoehdot ? 1

Yhden bitin tiedot. Binaariluvun arvon laskeminen. Koodin bittimäärä ja vaihtoehdot ? 1 Luku Digitaalitekniikan matematiikka Täsmätehtävät.9. Fe Digitaalitekniikan matematiikka Täsmätehtävät.9. Fe Opetuskerta Sivu Luku Opetuskerta Sivu Yhden bitin tiedot Luettele esimerkkejä yhden bitin tiedoista.

Lisätiedot

Sähkönjakelujärjestelmistä. Kojeistoista, asemista ja muuntamoista

Sähkönjakelujärjestelmistä. Kojeistoista, asemista ja muuntamoista Sähkönjakelujärjestelmistä Kojeistoista, asemista ja muuntamoista Verkostorakenteet Säteittäisverkko Rengasverkko Silmukkaverkko Säteittäisverkko Etuja selkeä rakenne suojaaminen helppoa yksinkertainen

Lisätiedot

Kontrollilaitteet. Arsenaali

Kontrollilaitteet. Arsenaali Arsenaali Kontrollilaitteet Tietokonepeleissä käytettäviä kontrollilaitteita on valtava määrä Kaikilla alustoilla, joilla pelejä pelataan on jokin vakio kontrolleri PC: Hiiri ja näppäimistö Konsolit: Controller

Lisätiedot

Muuttujien eliminointi

Muuttujien eliminointi 228 Muuttujien eliminointi Toistuvat alilauseet voidaan evaluoida kerran ja niiden arvo talletetaan käytettäväksi aina tarvittaessa Tarkastellaan muuttujien eliminointi -algoritmia lausekkeen P(Murto jussikäy,

Lisätiedot

Matematiikka vuosiluokat 7 9

Matematiikka vuosiluokat 7 9 Matematiikka vuosiluokat 7 9 Matematiikan opetuksen ydintehtävänä on tarjota oppilaille mahdollisuus hankkia sellaiset matemaattiset taidot, jotka antavat valmiuksia selviytyä jokapäiväisissä toiminnoissa

Lisätiedot

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto

FUNKTIONAALIANALYYSIN PERUSKURSSI 1. 0. Johdanto FUNKTIONAALIANALYYSIN PERUSKURSSI 1. Johdanto Funktionaalianalyysissa tutkitaan muun muassa ääretönulotteisten vektoriavaruuksien, ja erityisesti täydellisten normiavaruuksien eli Banach avaruuksien ominaisuuksia.

Lisätiedot

Tieteellinen visualisointi. Esityksen rakenne. Taustaa. Motivointi 2. Motivointi 1

Tieteellinen visualisointi. Esityksen rakenne. Taustaa. Motivointi 2. Motivointi 1 Tieteellinen visualisointi Richard Hamming:" The purpose of scientific computing is insight not numbers." Matti Gröhn Esityksen rakenne Taustaa Taustaa Käyttökohteita, rajoituksia ja tavoitteita Visualisointitekniikoita

Lisätiedot

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi

DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi DBN Mitä sillä tekee? Dynaamisten Bayes-verkkojen määrittely aikasarja-analyysissä Janne Toivola jtoivola@iki.fi Historiaa Bayesin kaavan hyödyntäminen BN-ohjelmistoja ollut ennenkin Tanskalaisten Hugin

Lisätiedot

Pörisevä tietokone. morsetusta äänikortilla ja mikrofonilla

Pörisevä tietokone. morsetusta äänikortilla ja mikrofonilla Pörisevä tietokone morsetusta äänikortilla ja mikrofonilla 1 Tiivistelmä Idea toteuttaa seuraavat vaatimukset: 1. kommunikointi toisen opiskelijan kanssa (morsetus) 2. toisen opiskelijan häirintä (keskittymistä

Lisätiedot

1 Diskreettiaikainen näytteistys. 1.1 Laskostuminen. Laskostuminen

1 Diskreettiaikainen näytteistys. 1.1 Laskostuminen. Laskostuminen AD/DA muunnos Lähteet: Pohlman. (1995). Principles of digital audio (3rd ed). Zölzer. (008). Digital audio signal processing (nd ed). Reiss. (008), Understanding sigma-delta modulation: The solved and

Lisätiedot

Luku 2. Datasta tietoon: mitä dataa? mitä tietoa?

Luku 2. Datasta tietoon: mitä dataa? mitä tietoa? 1 / 14 Luku 2. Datasta tietoon: mitä dataa? mitä tietoa? T-61.2010 Datasta tietoon, syksy 2011 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 31.10.2011 2 / 14 Tämän luennon sisältö

Lisätiedot

811312A Tietorakenteet ja algoritmit 2015-2016. I Johdanto

811312A Tietorakenteet ja algoritmit 2015-2016. I Johdanto 811312A Tietorakenteet ja algoritmit 2015-2016 I Johdanto Sisältö 1. Algoritmeista ja tietorakenteista 2. Algoritmien analyysistä 811312A TRA, Johdanto 2 I.1. Algoritmeista ja tietorakenteista I.1.1. Algoritmien

Lisätiedot

Lukutaitotutkimukset arviointiprosessina. Sari Sulkunen Koulutuksen tutkimuslaitos, JY sari.sulkunen@jyu.fi

Lukutaitotutkimukset arviointiprosessina. Sari Sulkunen Koulutuksen tutkimuslaitos, JY sari.sulkunen@jyu.fi Lukutaitotutkimukset arviointiprosessina Sari Sulkunen Koulutuksen tutkimuslaitos, JY sari.sulkunen@jyu.fi Kansainväliset arviointitutkimukset Arvioinnin kohteena yleensä aina (myös) lukutaito Kansallisista

Lisätiedot

Computing Curricula 2001 -raportin vertailu kolmeen suomalaiseen koulutusohjelmaan

Computing Curricula 2001 -raportin vertailu kolmeen suomalaiseen koulutusohjelmaan Computing Curricula 2001 -raportin vertailu kolmeen suomalaiseen koulutusohjelmaan CC1991:n ja CC2001:n vertailu Tutkintovaatimukset (degree requirements) Kahden ensimmäisen vuoden opinnot Ohjelmistotekniikan

Lisätiedot

Harjoitus 4: Matlab - Optimization Toolbox

Harjoitus 4: Matlab - Optimization Toolbox Harjoitus 4: Matlab - Optimization Toolbox Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Optimointimallin muodostaminen

Lisätiedot

Kappale 20: Kantaluvut

Kappale 20: Kantaluvut Kappale 20: Kantaluvut 20 Johdanto: Kantaluvut... 328 Kantalukujen syöttäminen ja muuntaminen... 329 Matemaattiset toiminnot Hex- ja Bin-luvuilla... 330 Bittien vertaileminen ja manipulointi... 331 Huom!

Lisätiedot

13. Värit tietokonegrafiikassa

13. Värit tietokonegrafiikassa 13.1. Värijoukot tietokonegrafiikassa 13. Värit tietokonegrafiikassa Tarkastellaan seuraavaksi värien kvantitatiivista pohjaa. Useimmiten käytännön tilanteissa kiinnitetään huomiota kvalitatiiviseen. Värien

Lisätiedot

Kombinatorisen logiikan laitteet

Kombinatorisen logiikan laitteet Kombinatorisen logiikan laitteet Kombinatorinen logiikka tarkoittaa logiikkaa, jossa signaali kulkee suoraan sisääntuloista ulostuloon Sekventiaalisessa logiikassa myös aiemmat syötteet vaikuttavat ulostuloon

Lisätiedot

CT30A2800. Osa I: (n. 90 min) Käyttäjäkeskeinen Suunnittelu?

CT30A2800. Osa I: (n. 90 min) Käyttäjäkeskeinen Suunnittelu? CT30A2800 Osa I: (n. 90 min) Käyttäjäkeskeinen Suunnittelu? Sisältö Mitä on käyttäjäkeskeisyys ( 5 kalvoa ) Käyttäjäkeskeisyyteen vaikuttavat voimat (8 kalvoa) Käyttäjäkeskeisyys on usein kontekstisidonnaista

Lisätiedot

TYÖPAJAT 2016 UUDENLAINEN TYÖPAJA NUORILLE

TYÖPAJAT 2016 UUDENLAINEN TYÖPAJA NUORILLE TYÖPAJAT 2016 UUDENLAINEN TYÖPAJA NUORILLE LÄHTÖKOHTA: TARVE 1 Työelämä kehittyy ja työpaikat sen myötä Uusia aloja, joissa työpaikkoja syntyy koko ajan myös meidän seudulla Uudet toimialat tarvitsevat

Lisätiedot