Tällä kerralla ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus Kertausta: Perseptronin oppimissääntö

Save this PDF as:
 WORD  PNG  TXT  JPG

Koko: px
Aloita esitys sivulta:

Download "Tällä kerralla ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus Kertausta: Perseptronin oppimissääntö"

Transkriptio

1 Tällä kerralla ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus Nelli Salminen D433 vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko oppimissääntöjen vertailua yleistä tiedonkäsittelystä neuroverkoissa verkkojen toteutuksesta käytännössä Kertausta: Perseptronin oppimissääntö Kohta 4. voisi olla myös tällainen 0. w = satunnaislukuja 1. y = Σ i w i * x i 2. y == haluttu tuloste? 3. jos y == haluttu tuloste, siirrytään kohtaan dw = ε * x, jos x on kohde, dw = -1 * ε * x, jos x ei ole kohde, w(t+1) = w(t)+dw, jatketaan kohdasta 1. alkuperäinen: dw = ε * x, jos x on kohde dw = -1 * ε * x, jos x ei ole kohde toinen vaihtoehto: dw = ε * (x-w), jos x on kohde dw = -1 * ε * (x-w), jos x ei ole kohde kolmas vaihtoehto: dw = ε * (t-y), jossa t on haluttu tuloste ja y saatu tuloste pysytään ensimmäisessä vaihtoehdossa yksinkertaisuuden vuoksi 1

2 Kertausta: Hebbiläinen/assosiatiivinen oppiminen otetaan yksi solu kerrallaan w on painokerroin Δw on muutos painokertoimessa a on neuronin aktivaatio ε on oppimisnopeus Δw jk = ε * a j * a k eli painokertoimien muutos on suhteessa neuronien aktiviteettiin jos neuroni ei ole aktiivinen painokertoimissa ei tapahdu muutoksia Kertausta: Backpropagation lasketaan virhe output-soluille kuljetetaan virhettä verkossa vastavirtaa kuten aktivaatiota kuljetetaan myötävirtaan Demo: monikerroksinen verkko opetetaan kaksikerroksinen verkko luokittelemaan käsinkirjoitettuja lukuja backpropagation-oppimissäännöllä jokainen input-solu vastaa yhtä pikseliä, jokainen outputsolu yhtä lukua kuvassa jälleen vain osa verkon soluista Demo: monikerroksinen verkko tulkitaan aktiivisin output-solu verkon vastaukseksi lasketaan oikeiden vastausten määrä joukolle syötteitä joita ei käytetty opetuksen aikana 2

3 Demo: monikerroksinen verkko piilokerros muodostaa inputista edustuksen joka on tehtävän kannalta hyvä joskus on vaikea löytää tulkintaa piilokerroksen edustukselle Verkkojen virheensietokyky piilokerroksen soluja voidaan poistaa ja verkko toimii edelleen kohtuullisen hyvin Kilpaileva oppiminen (competitive learning) yksikerroksinen verkko jossa useita outputneuroneita verkon output-neuronit kilpailevat mahdollisuudesta aktivoitua kun verkkoa opetetaan valitaan voittajaksi yksi tai useampia neuroneita, joiden aktiviteetti on suurin vain voittaja oppii, muiden painokertoimia pienennetään Kilpaileva oppiminen 0. annetaan painokertoimille satunnaiset alkuarvot 1. esitetään syöte 2. valitaan voittaja neuronien joukosta 3. muutetaan voittajan painokertoimia syötteen suuntaan (4. pienennetään muiden neuronien painokertoimia) 3

4 Kilpaileva oppiminen Demo: kilpaileva oppiminen 0. w = satunnaislukuja 1. y = Σi wi* xi 2. winner = neuroni jolla suurin y 3. dw = ε * (x-w), mutta vain voittajaneuronin painokertoimille, jatketaan kohdasta 1. opetetaan jälleen verkko jossa syöte on pikseleitä kuvista käsinkirjoitettuja numeroita verkolle ainoastaan esitetään kuvat, outputneuronit kilpailevat siitä mikä niistä saa oppia Demo: kilpaileva oppiminen Demo: kilpaileva oppiminen yhdeksän outputsolua, syötteinä ainoastaan nollia ja ykkösiä, kuvassa painokertoimet kaksi solua pääsee oppimaan, toinen nollista ja toinen ykkösistä yhdeksän outputsolua, syötteinä ainoastaan kakkosia ja kaseja ainoastaan yksi solu oppii, kakkonen ja kasi ovat samankaltaisia joten sama solu voittaa molempien kohdalla 4

5 Kilpaileva oppiminen oppimissääntö on itseorganisoituva, sille ei anneta tietoa virheistä tai halutuista tulosteista löytää syötteissä luonnostaan olevan luokittelun, jos sellaista ei ole itseorganisoituva verkko ei tee mitään järkevää Kilpaileva oppiminen itseorganisoituva oppiminen on hyvin herkkä syötteen rakenteelle jos kaikissa syötteistä on paljon yhteistä voi olla että yksi neuroni voittaa kaikilla syötteillä syötteen normalisointi voi olla ratkaisevaa Kilpaileva oppiminen biologinen realismi neuronien välinen kilpailu voidaan tulkita lateraaliseksi inhibitioksi oppimissääntö on lokaali eli painokertoimen muutos perustuu ainoastaan tietoon niiden neuronien aktiviteetista joiden välisestä yhteydestä on kyse oppiminen on itseorganisoituvaa, ei tarvita ulkopuolisia virhesignaaleja tai oikeita vastauksia kilpaileva oppiminen on siis varsin realistista Itseorganisoituvat kartat kun verkossa vierekkäiset solut aktivoituvat samantyyppisille syötteille sitä kutsutaan usein kartaksi Kohosen verkko on tällainen kartta 5

6 Kohosen verkon opetus 0. annetaan painokertoimille satunnaiset alkuarvot 1. esitetään syöte 2. valitaan voittaja neuronien joukosta 3. muutetaan voittajan ja sen lähimpien naapureiden painokertoimia syötteen suuntaan (4. pienennetään muiden neuronien painokertoimia) Kohosen verkon opetus 0. w = satunnaislukuja 1. y = Σ i w i * x i 2. winner = neuroni jolla suurin y 3. dw = m * ε * (x-w), m riippuu neuronin etäisyydestä voittajaan, mitä lähempänä sen suurempi m, jatketaan kohdasta 1. Vertaillaan oppimissääntöjä assosiatiivinen oppiminen: dw jk = ε * a j * a k perseptronin oppimissääntö: dw = ε * x, jos x tai dw = -1 * ε * x kilpaileva oppiminen: dw = ε * (x-w) kaikki muuttavat painokertoimia kohti syötettä Ohjattu vai itseohjautuva (supervised or self-organized) assosiatiivinen oppiminen on tähän astisissa tapauksissa ollut ohjattua, verkolle on annettu oikeat tulosteet, samalla säännöllä voidaan opettaa myös itseohjautuvaa perseptronin oppimissääntö ja backpropagation ovat ohjattuja, verkko saa tiedon tekemistään virheistä kilpaileva oppiminen on itseohjautuvaa 6

7 Vertaillaan oppimissääntöjä mitä tapahtuu eri oppimissäännöillä? Rinnakkaisten ja hajautettujen systeemien yleisiä ominaisuuksia rinnakkaisuus, tiedonkäsittelyä tapahtuu kaikkialla verkossa samanaikaisesti (eli kaikkien solujen aktiviteetti lasketaan samalla kertaa) hajautettu edustus, samaa tietoa edustaa useat eri neuronit, sama neuroni edustaa useita eri tietoja, (esim. kaikki piilokerroksen neuronit osallistuivat kaikkien numeroiden tunnistukseen backpropagation-verkossa) Yleisiä ominaisuuksia: virheensietokyky virheet syötteessä: syöte voi olla kohinaista tai muuten epätäydellistä ja silti se on tunnistettavissa (näin kävi esim. assosiatiivisessa verkossa) virheet verkossa itsessään: yhteyksiä tai neuroneita voi poistaa ja verkko toimii edelleen kohtuullisen hyvin (esim. backpropagation-verkko toimi vaikka soluja poistettiin) suoriutuminen kärsii riippuen virheen koosta, ei yhtäkkistä tai täydellistä epäonnistumista Yleisiä ominaisuuksia: muistista haku verkoista voi hakea informaatiota sisällöllä itsellään, ei tarvita esim. muistiosoitetta (kuten tietokoneessa) tai kohtaa aakkosjärjestyksessä (kuten sanakirjassa tai kirjastossa) content addressable memory tulee esille ensi kerran autoassosiatiivisissa verkoissa 7

8 Yleisiä ominaisuuksia: ehtojen täyttäminen ristiriitaisissa tilanteissa neuroverkot etsivät kompromissin, eivät esim. epäonnistu totaalisesti tai ole tuottamatta tulostetta tulee myös esiin ensi kerralla Yleisiä ominaisuuksia: muisti ja prosessointi muistia ja prosessointia ei ole erotettu toisistaan, kaikki on painokertoimissa (ja aktivaatiofunktioissa) esimerkkiverkoissa tieto syötteistä tallentui oppimisen yhteydessä painokertoimiin myös prosessointi perustuu painokertoimiin, niiden perusteella lasketaan neuronien aktiviteetti Neuroverkkojen ongelmia neuroverkoissa eri muistot häiritsevät toisiaan, voivat jopa hävittää toisensa ihmisen tiedonkäsittelyssä ei vastaavaa häirintää ole Neuroverkkojen ongelmia neuroverkoissa oppiminen vaatii useita toistoja ihminen voi oppia yhdestä kerrasta 8

9 Verkon opettaminen käytännössä syötemateriaali jaetaan kahteen osaan: opetus- ja testimateriaaliin opetusmateriaalilla verkko opetetaan testimateriaalilla arvioidaan jälkikäteen opetuksen onnistuneisuutta, opitun on tarkoitus yleistyä, eli verkon olisi tarkoitus toimia myös uusilla syötteillä Verkon opettaminen käytännössä ylioppiminen, verkko oppii opetusmateriaalin hyvin muttei yleisty muihin materiaaleihin, voi tapahtua erityisesti jos opetusmateriaalia on vähän voidaan estää lopettamalla opetus ajoissa tai rajoittamalla neuronien määrää verkossa voidaan välttää testaamalla verkkoa kesken opetuksen testimateriaalilla, opetus lopetetaan kun suoriutuminen ei enää parane testimateriaalille vaikka se opetusmateriaalille vielä paranisi Verkon opettaminen käytännössä opetusnopeus eli learning rate liian suurella nopeudella verkko lähestyy sopivaa tilaa epätasaisesti liian hitaalla nopeudella opetus kestää pitkään Verkon opettaminen käytännössä miten monta kerrosta ja solua? pienempi määrä saattaa joissain tilanteissa olla parempi, pakottaa verkon keskittymään syötteen suuriin linjoihin eikä tallentamaan yksityiskohtia useammalla kuin kolmella kerroksella ei saavuteta enää lisähyötyä (Kolmogorivin teoreema) 9

10 Verkon opettaminen käytännössä kuinka pitkään jatkaa opetusta? yleensä asetetaan virheelle yläraja, opetus lopetetaan kun tämä raja saavutetaan liian pitkästä opetuksesta voi olla haittaa, yleistyminen voi kärsiä Verkon opettaminen käytännössä syötemateriaalin normalisointi voi auttaa oppimista huomattavasti itseorganisoituvassa oppimisessa Verkon opettaminen käytännössä painokertoimien alkuarvoilla on usein myös merkitystä itseorganisoituvissa verkoissa alkuarvot voivat ratkaisevasti vaikuttaa lopputulokseen ohjatussa oppimisessa sopiva suuruusluokka ja hajonta auttaa nopeaan alkuun oppimisessa 10

Kognitiivinen mallintaminen. Nelli Salminen

Kognitiivinen mallintaminen. Nelli Salminen Kognitiivinen mallintaminen Neuraalimallinnus 24.11. Nelli Salminen nelli.salminen@tkk.fi Tällä kerralla ohjelmassa vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko oppimissääntöjen

Lisätiedot

Kognitiivinen mallintaminen Neuraalimallinnus, luento 1

Kognitiivinen mallintaminen Neuraalimallinnus, luento 1 Kognitiivinen mallintaminen Neuraalimallinnus, luento 1 Nelli Salminen nelli.salminen@helsinki.fi D433 Neuraalimallinnuksen osuus neljä luentokertaa, muutokset alla olevaan suunnitelmaan todennäköisiä

Lisätiedot

Tänään ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus laskarit. Ensi kerralla (11.3.)

Tänään ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus laskarit. Ensi kerralla (11.3.) Tänään ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus 26.2. Nelli Salminen nelli.salminen@helsinki.fi D433 autoassosiaatio, attraktorin käsite esimerkkitapaus: kolme eri tapaa mallintaa kategorista

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

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN

Lisätiedot

Kognitiivinen mallintaminen. Nelli Salminen

Kognitiivinen mallintaminen. Nelli Salminen Kognitiivinen mallintaminen Neuraalimallinnus 1.12. Nelli Salminen nelli.salminen@tkk.fi Tänään ohjelmassa autoassosiaatio, Hopfieldin verkko attraktorin käsite ajan esittäminen hermoverkoissa esimerkkitapaus:

Lisätiedot

Kognitiivinen mallintaminen Neuraalimallinnus 11.3.

Kognitiivinen mallintaminen Neuraalimallinnus 11.3. Kognitiivinen mallintaminen Neuraalimallinnus 11.3. Nelli Salminen nelli.salminen@helsinki.fi D433 Tällä kertaa ajan esittäminen neuroverkoissa dynaamiset systeemit esimerkkitapaus: lyhytkestoinen muisti

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN

Lisätiedot

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä

Lisätiedot

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI

1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä

Lisätiedot

TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA)

TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA) JOHDATUS TEKOÄLYYN TEEMU ROOS (KALVOT MUOKATTU PATRIK HOYERIN LUENTOMATERIAALISTA) KONEOPPIMISEN LAJIT OHJATTU OPPIMINEN: - ESIMERKIT OVAT PAREJA (X, Y), TAVOITTEENA ON OPPIA ENNUSTAMAAN Y ANNETTUNA X.

Lisätiedot

ImageRecognition toteutus

ImageRecognition toteutus ImageRecognition toteutus Simo Korkolainen 27 kesäkuuta 2016 Projektin tarkoituksena on tehdä ohjelma, joka opettaa neuroverkon tunnistamaan kuvia backpropagation-algoritmin avulla Neuroverkon opetuksessa

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3. luento 17.11.2017 Neuroverkon opettaminen (ohjattu oppiminen) Neuroverkkoa opetetaan syöte-tavoite-pareilla

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3.11.2017 Mitä tekoäly on? Wikipedia: Tekoäly on tietokone tai tietokoneohjelma, joka kykenee älykkäiksi

Lisätiedot

Backpropagation-algoritmi

Backpropagation-algoritmi Backpropagation-algoritmi Hyvin yleisesti käytetty Backpropagation (BP) -algoritmi on verkon halutun ja todellisen vasteen eroa kuvastavan kustannusfunktion minimointiin perustuva menetelmä. Siinä MLP-verkon

Lisätiedot

KOHTI TIETOISIA ROBOTTEJA

KOHTI TIETOISIA ROBOTTEJA SESKOn kevätseminaari 2017 KOHTI TIETOISIA ROBOTTEJA Dr. Pentti O A Haikonen Adjunct Professor Department of Philosophy University of Illinois at Springfield pentti.haikonen@pp.inet.fi ESITYKSEN PÄÄAIHEET

Lisätiedot

1. NEUROVERKKOMENETELMÄT

1. NEUROVERKKOMENETELMÄT 1. NEUROVERKKOMENETELMÄT Ihmisten ja eläinten loistava hahmontunnistuskyky perustuu lukuisiin yksinkertaisiin aivosoluihin ja niiden välisiin kytkentöihin. Mm. edellisen innoittamana on kehitelty laskennallisia

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

Evolutiivisesti stabiilin strategian oppiminen

Evolutiivisesti stabiilin strategian oppiminen Evolutiivisesti stabiilin strategian oppiminen Janne Laitonen 8.10.2008 Maynard Smith: s. 54-60 Johdanto Käytös voi usein olla opittua perityn sijasta Tyypillistä käytöksen muuttuminen ja riippuvuus aikaisemmista

Lisätiedot

Näköjärjestelmän mallintamisesta

Näköjärjestelmän mallintamisesta Näköjärjestelmän mallintamisesta Cog241 Kognitiivinen mallintaminen I 16.11.2010 Henri Kauhanen Muistutus: mallinnusparadigmat Symbolinen, konnektionistinen, dynamistinen Marrin (1982) tasot yksi keino

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

1. NEUROVERKKOMENETELMÄT

1. NEUROVERKKOMENETELMÄT 1. NEUROVERKKOMENETELMÄT Ihmisten ja eläinten loistava hahmontunnistuskyky perustuu lukuisiin yksinkertaisiin aivosoluihin ja niiden välisiin kytkentöihin. Mm. edellisen innoittamana on kehitelty laskennallisia

Lisätiedot

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

Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? 2 Tieto on koodattu aikaisempaa yleisemmin digitaaliseen muotoon,

Lisätiedot

Johdatus tekoälyn taustalla olevaan matematiikkaan

Johdatus tekoälyn taustalla olevaan matematiikkaan Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 2. luento 10.11.2017 Keinotekoiset neuroverkot Neuroverkko koostuu syöte- ja ulostulokerroksesta

Lisätiedot

Tuotteen oppiminen. Käytettävyyden psykologia syksy 2004. T-121.200 syksy 2004

Tuotteen oppiminen. Käytettävyyden psykologia syksy 2004. T-121.200 syksy 2004 Tuotteen oppiminen Käytettävyyden psykologia syksy 2004 Oppiminen Havainto Kognitiiviset muutokset yksilössä Oppiminen on uuden tiedon omaksumista, joka perustuu havaintoon Ärsyke Behavioristinen malli

Lisätiedot

Näkökulmia tietoyhteiskuntavalmiuksiin

Näkökulmia tietoyhteiskuntavalmiuksiin Näkökulmia tietoyhteiskuntavalmiuksiin Tietotekniikka oppiaineeksi peruskouluun Ralph-Johan Back Imped Åbo Akademi & Turun yliopisto 18. maaliskuuta 2010 Taustaa Tietojenkäsittelytieteen professori, Åbo

Lisätiedot

Takaisinkytkeytyvät neuroverkot. 1 Johdanto. Toni Helenius. Tiivistelmä

Takaisinkytkeytyvät neuroverkot. 1 Johdanto. Toni Helenius. Tiivistelmä Takaisinkytkeytyvät neuroverkot Toni Helenius Tiivistelmä Takaisinkytkeytyvät neuroverkot ovat tarkoitettu sekvenssimuotoisen tiedon mallintamiseen, jossa tieto on toisistaan riippuvaista. Tällaista tietoa

Lisätiedot

Tilastotiede ottaa aivoon

Tilastotiede ottaa aivoon Tilastotiede ottaa aivoon kuinka aivoja voidaan mallintaa todennäköisyyslaskennalla, ja mitä yllättävää hyötyä siitä voi olla Aapo Hyvärinen Laskennallisen data-analyysin professori Matematiikan ja tilastotieteen

Lisätiedot

Vuonohjaus: ikkunamekanismi

Vuonohjaus: ikkunamekanismi J. Virtamo 38.3141 Teleliikenneteoria / Ikkunointiin perustuva vuonohjaus 1 Vuonohjaus: ikkunamekanismi Kuittaamattomina liikkeellä olevien segmenttien (data unit) lkm W (ikkuna) Lähetyslupien kokonaismäärä

Lisätiedot

Rinnakkaisuuden hyväksikäyttö peleissä. Paula Kemppi

Rinnakkaisuuden hyväksikäyttö peleissä. Paula Kemppi Rinnakkaisuuden hyväksikäyttö peleissä Paula Kemppi 24.4.2008 Esityksen rakenne Johdantoa Rinnakkaisuus Pelimoottorien rinnakkaisuuden mallit Funktionaalisen rinnakkaisuuden malli Rinnakkaisen tiedon malli

Lisätiedot

Vaikuta ja vaikutu - digikansalainen tänään ja huomenna seminaari Yritys opiskelun tukena

Vaikuta ja vaikutu - digikansalainen tänään ja huomenna seminaari Yritys opiskelun tukena Vaikuta ja vaikutu - digikansalainen tänään ja huomenna seminaari Yritys opiskelun tukena Pertti Parpala Ritaharjun monitoimitalo, Oulu HANKESUUNNITELMASSA Eri käyttäjätahojen toiminnassa ja tilojen käytössä

Lisätiedot

Yliopistopedagogiikan suuntaviivoja

Yliopistopedagogiikan suuntaviivoja Yliopistopedagogiikan suuntaviivoja Sari Lindblom Ylänne Yliopistopedagogiikan professori Yliopistopedagogiikan tutkimus ja kehittämisyksikkö Kasvatustieteen laitos Tutkimuspohjainen opetuksen kehittäminen

Lisätiedot

JAANA KORPELA KÄSINKIRJOITETTUJEN NUMEROIDEN TUNNISTUS NEU- ROVERKKOJEN AVULLA. Kandidaatintyö

JAANA KORPELA KÄSINKIRJOITETTUJEN NUMEROIDEN TUNNISTUS NEU- ROVERKKOJEN AVULLA. Kandidaatintyö JAANA KORPELA KÄSINKIRJOITETTUJEN NUMEROIDEN TUNNISTUS NEU- ROVERKKOJEN AVULLA Kandidaatintyö Tarkastaja: Simo Ali-Löytty Tarkastaja: Henri Hansen Palautettu 19.5.2016 i TIIVISTELMÄ JAANA KORPELA: Käsinkirjoitettujen

Lisätiedot

Taitava taitoharjoittelu kehittymisen tukena Sami Kalaja

Taitava taitoharjoittelu kehittymisen tukena Sami Kalaja Taitava taitoharjoittelu kehittymisen tukena Sami Kalaja Huippu-urheilupäivät 2014 Vierumäki Esityksen sisällöstä Harjoittelun määrästä Näytöt ja mallin seuraaminen Vaihtelun ja monipuolisuuden merkityksestä

Lisätiedot

Automatisoituminen, resurssit ja monitehtäväsuoritus

Automatisoituminen, resurssit ja monitehtäväsuoritus Automatisoituminen, resurssit ja monitehtäväsuoritus Mitä automatisoitumisella tarkoitetaan? Hyvin pitkälti automatisoitunut tehtävä... voidaan suorittaa ilman tarkkaavaisuutta ei välttämättä tuota minkäänlaista

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN

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

Laaja-alaisten erityisopettajien syysseminaari. Siikaranta 13.9.2012

Laaja-alaisten erityisopettajien syysseminaari. Siikaranta 13.9.2012 Laaja-alaisten erityisopettajien syysseminaari Siikaranta Ketä kannattaa opettaa? Onko toivottomia tapauksia? Älä pienennä minua oikeasta koostani vertaamalla minua jättiläiseen. Juhani Siljo Mitä kannattaa

Lisätiedot

Tekstuurintunnistuksen lyhyt oppimäärä. Ts. pari tapaa erottaa tiiliseinä pensaasta.

Tekstuurintunnistuksen lyhyt oppimäärä. Ts. pari tapaa erottaa tiiliseinä pensaasta. Tekstuurintunnistuksen lyhyt oppimäärä Ts. pari tapaa erottaa tiiliseinä pensaasta. Mitä on tekstuuri? Vaikea määritellä, mutta: Pintakuvio Ornamentti tuntu kuviointi Miksi tämän pitäisi kiinnostaa? (Maantienmerkkausrobotti)

Lisätiedot

4. Monikerroksinen perceptron

4. Monikerroksinen perceptron 37 38 4. Monikerroksinen perceptron 4.. Johdanto Tämä kappale käsittelee monikerroksista perceptronia kuvaten tarvittavat muutokset neuronin perusmalliin, jotta monimutkaisempia ongelmia kuin edellä pystytään

Lisätiedot

Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä

Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Mat-2.4142 Optimointiopin seminaari kevät 2011 Esityksen rakenne I osa Tehokkuudesta yleisesti DEA-mallin perusajatus CCR-painotus II osa

Lisätiedot

Tule tule hyvä tieto!

Tule tule hyvä tieto! Tule tule hyvä tieto! Jyväskylän kirjastojen ja kaupungin opetuspalvelujen suunnitelma informaatiolukutaidon edistämisestä IV Valtakunnalliset koulukirjastopäivät Kuopiossa 25.-26.4.2012 - Koulukirjastot

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN

Lisätiedot

Verkon värittämistä hajautetuilla algoritmeilla

Verkon värittämistä hajautetuilla algoritmeilla Verkon värittämistä hajautetuilla algoritmeilla 5 12 30 19 72 34 Jukka Suomela 15 77 18 4 9. tammikuuta 2012 19 2 68 Verkko 2 Verkko solmu 3 Verkko solmu kaari 4 Hajautettu järjestelmä solmu (tietokone)

Lisätiedot

D B. Levykön rakenne. pyöriviä levyjä ura. lohko. Hakuvarsi. sektori. luku-/kirjoituspää

D B. Levykön rakenne. pyöriviä levyjä ura. lohko. Hakuvarsi. sektori. luku-/kirjoituspää Levyn rakenne Levykössä (disk drive) on useita samankeskisiä levyjä (disk) Levyissä on magneettinen pinta (disk surface) kummallakin puolella levyä Levyllä on osoitettavissa olevia uria (track), muutamasta

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

9.2.6. Biologia ja maantieto vuosiluokilla 5 6

9.2.6. Biologia ja maantieto vuosiluokilla 5 6 9.2.6. Biologia ja maantieto vuosiluokilla 5 6 Biologian opetuksen avulla oppilas oppii tuntemaan luonnon moninaisuutta, ihmisen toimintaa, ihmisen ja luonnon vuorovaikutusta sekä itseään. Oma vastuu itsestä

Lisätiedot

Matemaattiset oppimisvaikeudet

Matemaattiset oppimisvaikeudet Matemaattiset oppimisvaikeudet Matemaattiset taidot Lukumäärien ja suuruusluokkien hahmottaminen synnynnäinen kyky, tarkkuus (erottelukyky) lisääntyy lapsen kasvaessa yksilöllinen tarkkuus vaikuttaa siihen,

Lisätiedot

TEAMGOLF-KUTSU. Kilpailu järjestetään Veritas-Stadionin sisähallissa (Hippoksentie 6, Kupittaa, Turku) sunnuntaina 22.1.2006.

TEAMGOLF-KUTSU. Kilpailu järjestetään Veritas-Stadionin sisähallissa (Hippoksentie 6, Kupittaa, Turku) sunnuntaina 22.1.2006. TEAMGOLF-KUTSU Ajankohta Kilpailu järjestetään Veritas-Stadionin sisähallissa (Hippoksentie 6, Kupittaa, Turku) sunnuntaina 22.1.2006. Lähtöaika Ensimmäinen lähtö klo 10.00. Pelitapa Kierrokset Parikilpailu

Lisätiedot

OPISKELUTYÖN MITOITUS Opetuksen suunnittelun työväline, jolla arvioidaan opiskelijan työmäärää suhteessa 1 PERUSTIEDOT

OPISKELUTYÖN MITOITUS Opetuksen suunnittelun työväline, jolla arvioidaan opiskelijan työmäärää suhteessa 1 PERUSTIEDOT OPISKELUTYÖN MITOITUS Opetuksen suunnittelun työväline, jolla arvioidaan opiskelijan työmäärää suhteessa 1 PERUSTIEDOT Tiedekunta Laitos Yksikkö Taso (kandidaatti, maisteri, jatkoopinnot) Moduuli Kurssikoodi

Lisätiedot

Numeeriset arviot. Opintojaksolla vallinnut ilmapiiri loi hyvät puitteet oppimiselle. Saavutin opintojaksolle määritellyt osaamistavoitteet

Numeeriset arviot. Opintojaksolla vallinnut ilmapiiri loi hyvät puitteet oppimiselle. Saavutin opintojaksolle määritellyt osaamistavoitteet Tämä asiakirja sisältää opiskelijoiden antaman palautteen opettajan Metropoliassa vuoteen 2014 mennessä opettamista kursseista. Palautteet on kerätty Metropolian anonyymin sähköisen palautejärjestelmän

Lisätiedot

Kuvasommittelun lähtökohta

Kuvasommittelun lähtökohta KUVASOMMITTELU Kuvasommittelun lähtökohta jäsentämisen ja järjestämisen tarve hahmottaa maailmaa, sen yksityiskohtia ja kokonaisuuksia paremmin. Kuvassa jäsentäminen tapahtuu sommittelullisin keinoin.

Lisätiedot

TOIMINNALLISET OPETUSMENETELMÄT MAAHANMUUTTAJA- OPETUKSESSA. J. Kaipainen, J. Koskela, S. Partanen

TOIMINNALLISET OPETUSMENETELMÄT MAAHANMUUTTAJA- OPETUKSESSA. J. Kaipainen, J. Koskela, S. Partanen TOIMINNALLISET OPETUSMENETELMÄT MAAHANMUUTTAJA- OPETUKSESSA J. Kaipainen, J. Koskela, S. Partanen Toiminnalliset opetusmenetelmät Ajatuksia oppimisesta Miten opimme? Mitä opimme? Taustaa Oppiminen alkaa

Lisätiedot

Virheen kasautumislaki

Virheen kasautumislaki Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain

Lisätiedot

Kombinatorinen optimointi

Kombinatorinen optimointi Kombinatorinen optimointi Sallittujen pisteiden lukumäärä on äärellinen Periaatteessa ratkaisu löydetään käymällä läpi kaikki pisteet Käytännössä lukumäärä on niin suuri, että tämä on mahdotonta Usein

Lisätiedot

STEFAN KARKULAHTI HARJOITTELUN JA OPPIMISEN OPTIMOINTI. - case Black Knights korkeakoulujoukkue

STEFAN KARKULAHTI HARJOITTELUN JA OPPIMISEN OPTIMOINTI. - case Black Knights korkeakoulujoukkue STEFAN KARKULAHTI HARJOITTELUN JA OPPIMISEN OPTIMOINTI - case Black Knights korkeakoulujoukkue Harjoittelu Toistetaan määriteltyä toimintaa tai sen osaa jotta saavutetaan haluttu oppimistaso. Osaamistasot:

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

Martingaalit ja informaatioprosessit

Martingaalit ja informaatioprosessit 4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu

Lisätiedot

Pelin kautta opettaminen

Pelin kautta opettaminen Pelin kautta opettaminen Pelin kautta opettaminen Pelaamaan oppii vain pelaamalla?? Totta, mutta myös harjoittelemalla pelinomaisissa tilanteissa havainnoimista, päätöksentekoa ja toimintaa. Pelikäsitystä

Lisätiedot

Kieli merkitys ja logiikka. 2: Helpot ja monimutkaiset. Luento 2. Monimutkaiset ongelmat. Monimutkaiset ongelmat

Kieli merkitys ja logiikka. 2: Helpot ja monimutkaiset. Luento 2. Monimutkaiset ongelmat. Monimutkaiset ongelmat Luento 2. Kieli merkitys ja logiikka 2: Helpot ja monimutkaiset Helpot ja monimutkaiset ongelmat Tehtävä: etsi säkillinen rahaa talosta, jossa on monta huonetta. Ratkaisu: täydellinen haku käy huoneet

Lisätiedot

11. Oppimismotivaatio ja tehokas oppiminen. (s )

11. Oppimismotivaatio ja tehokas oppiminen. (s ) 11. Oppimismotivaatio ja tehokas oppiminen (s. 124-133) Käsitys itsestä oppijana käsitys itsestä oppijana muodostuu kokemusten pohjalta vaikuttavat esim. skeemat itsestä oppijana ja oppiaineesta tunteet

Lisätiedot

1 YLEISTÄ 1. 2 KARTAT 2 2.1 yleistä 2 2.2 Avoimien aineistojen tiedostopalvelu 2 3 KARTAN TEKEMINEN JA SIIRTÄMINEN PUHELIMEEN 4

1 YLEISTÄ 1. 2 KARTAT 2 2.1 yleistä 2 2.2 Avoimien aineistojen tiedostopalvelu 2 3 KARTAN TEKEMINEN JA SIIRTÄMINEN PUHELIMEEN 4 MyKartta Ohje SISÄLLYS 1 YLEISTÄ 1 2 KARTAT 2 2.1 yleistä 2 2.2 Avoimien aineistojen tiedostopalvelu 2 3 KARTAN TEKEMINEN JA SIIRTÄMINEN PUHELIMEEN 4 LIITTEET 1 1 YLEISTÄ Tähän oppaaseen on koottu suppeasti

Lisätiedot

5. Kohosen itseorganisoituvat verkot. 5.1. Johdanto

5. Kohosen itseorganisoituvat verkot. 5.1. Johdanto 76 77 5. Kohosen itseorganisoituvat verkot 5.1. Johdanto Edellä on tarkasteltu ohjattuun oppimiseen pohjautuvia algoritmeja. Tässä kappaleessa pohdiskellaan ohjaamattoman oppimisen menetelmiä, erikoisesti

Lisätiedot

Tulevaisuuden tietoyhteiskuntataidot

Tulevaisuuden tietoyhteiskuntataidot Tulevaisuuden tietoyhteiskuntataidot Perusopetuksen yleisten tavoitteiden ja tuntijaon uudistaminen 18.3.2010 Jyrki Koskinen Sisältö Mitkä tiedot, taidot ja osaamisen muodot korostuvat tulevaisuuden tietoyhteiskunnassa?

Lisätiedot

Työn kehittäminen vertaisryhmässä Informaatikkotiimi. Kainuun ja Pohjois-Pohjanmaan kirjastopäivät Elina Kauppila

Työn kehittäminen vertaisryhmässä Informaatikkotiimi. Kainuun ja Pohjois-Pohjanmaan kirjastopäivät Elina Kauppila Työn kehittäminen vertaisryhmässä Informaatikkotiimi Kainuun ja Pohjois-Pohjanmaan kirjastopäivät 30.11.2016 Elina Kauppila Tiimin lähtötilanne toimeksianto kirjaston johdolta tavoitteena luoda pohja systemaattiseen

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN

Lisätiedot

perustelu Noudatetaan sääntöjä. Opetuskortit (tehtävät 16 28), palikoita, supermarketin pohjapiirustus, nuppineuloja, tangram-palat

perustelu Noudatetaan sääntöjä. Opetuskortit (tehtävät 16 28), palikoita, supermarketin pohjapiirustus, nuppineuloja, tangram-palat Harjoitus 12: INDUKTIIVISEN PÄÄTTELYN KERTAUS Tavoiteltava toiminta: Kognitiivinen taso: Ominaisuuksien ja suhteiden kertaus Toiminnan tavoite ja kuvaus: Oppilaat ratkaisevat paperi- ja palikkatehtäviä

Lisätiedot

811120P Diskreetit rakenteet

811120P Diskreetit rakenteet 811120P Diskreetit rakenteet 2016-2017 1. Algoritmeista 1.1 Algoritmin käsite Algoritmi keskeinen laskennassa Määrittelee prosessin, joka suorittaa annetun tehtävän Esimerkiksi Nimien järjestäminen aakkosjärjestykseen

Lisätiedot

8.3.2012 Eeva Karttunen. www.pkamk.fi

8.3.2012 Eeva Karttunen. www.pkamk.fi Tradenomin tutkinto monimuoto-opintoina opintoina: kokemuksia ja kehittämistä SULOP2012 Sulautuva opetus ja oppiminen Tausta Sisältö Toteutuksen rakenne Onnistuneen oppimisen ja opetuksen edellytykset

Lisätiedot

Nelli-opetus Helsingin yliopiston kirjastoissa

Nelli-opetus Helsingin yliopiston kirjastoissa Nelli-opetus Helsingin yliopiston kirjastoissa Nicola Nykopp 19.5. 2005 Humanistisen tiedekunnan kirjasto Kouluttavat kirjastot Helsingin Yliopistolla useita kirjastoja, joista useimmat ovat järjestäneet

Lisätiedot

Tuen tarpeen tunnistaminen

Tuen tarpeen tunnistaminen Tuen tarpeen tunnistaminen Matematiikan arviointi esiopetus talvi Esitysohjeet opettajalle Arvioinnin yleisiä periaatteita Tutustu ennen tehtävien esittämistä ohjeisiin ja materiaaliin sekä tarkista, että

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

Ehto- ja toistolauseet

Ehto- ja toistolauseet Ehto- ja toistolauseet 1 Ehto- ja toistolauseet Uutena asiana opetellaan ohjelmointilauseet / rakenteet, jotka mahdollistavat: Päätösten tekemisen ohjelman suorituksen aikana (esim. kyllä/ei) Samoja lauseiden

Lisätiedot

teknologia kielenopetuksessa Teknologia on monimuotoista

teknologia kielenopetuksessa Teknologia on monimuotoista teknologia kielenopetuksessa Teknologia on monimuotoista kirjapainotaito piirtoheitin, monistuskone, nauhurit, kielistudio, televisio tietokone, internet, sosiaalinen media, mobiililaitteet Ari Huhta,

Lisätiedot

Oulujoen koulu Tulevaisuuden koulu -projekti

Oulujoen koulu Tulevaisuuden koulu -projekti Oulujoen koulu Tulevaisuuden koulu -projekti Miksi lähdettiin l mukaan Tulevaisuuden koulu projektiin? Ritaharjuun valmistuva monitoimitalo 2010 (School of the Future-hanke) Oulun opetustoimi julisti haun

Lisätiedot

Flash AD-muunnin. Ominaisuudet. +nopea -> voidaan käyttää korkeataajuuksisen signaalin muuntamiseen (GHz) +yksinkertainen

Flash AD-muunnin. Ominaisuudet. +nopea -> voidaan käyttää korkeataajuuksisen signaalin muuntamiseen (GHz) +yksinkertainen Flash AD-muunnin Koostuu vastusverkosta ja komparaattoreista. Komparaattorit vertailevat vastuksien jännitteitä referenssiin. Tilanteesta riippuen kompraattori antaa ykkösen tai nollan ja näistä kootaan

Lisätiedot

Inversio-ongelmien laskennallinen peruskurssi Luento 2

Inversio-ongelmien laskennallinen peruskurssi Luento 2 Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +

Lisätiedot

Assari 2.0 Kevät 2011. Aloitustapaamisen ajatuksia (muistiinpanot Systeemianalyysin laboratorion assistenttikoulutukseen 17.1.2011 osallistuneille)

Assari 2.0 Kevät 2011. Aloitustapaamisen ajatuksia (muistiinpanot Systeemianalyysin laboratorion assistenttikoulutukseen 17.1.2011 osallistuneille) Assari 2.0 Kevät 2011 Aloitustapaamisen ajatuksia (muistiinpanot Systeemianalyysin laboratorion assistenttikoulutukseen 17.1.2011 osallistuneille) Kevään valmennuksen tavoitteet Assarijoukkue Yksittäisten

Lisätiedot

Tekoäly tänään , Vadim Kulikov (Helsingin Yliopisto)

Tekoäly tänään , Vadim Kulikov (Helsingin Yliopisto) Tekoäly tänään 6.6.2017, Vadim Kulikov (Helsingin Yliopisto) Lyhyesti: kehitys kognitiotieteessä Representationalismi, Kognitio on symbolien manipulointia. Symbolinen tekoäly. Sääntöpohjaiset järjestelmät

Lisätiedot

Netiketti. Ohjeita nuorten verkkoviestintään Timo Kiravuo timo.kiravuo@tkk.fi

Netiketti. Ohjeita nuorten verkkoviestintään Timo Kiravuo timo.kiravuo@tkk.fi Netiketti Ohjeita nuorten verkkoviestintään Timo Kiravuo timo.kiravuo@tkk.fi Netti Netti on aivan yhtä oikeaa elämää kuin muukin maailma Samat käytössäännöt kuin netin ulkopuolellakin ovat voimassa Ruma

Lisätiedot

7.4 Sormenjälkitekniikka

7.4 Sormenjälkitekniikka 7.4 Sormenjälkitekniikka Tarkastellaan ensimmäisenä esimerkkinä pitkien merkkijonojen vertailua. Ongelma: Ajatellaan, että kaksi n-bittistä (n 1) tiedostoa x ja y sijaitsee eri tietokoneilla. Halutaan

Lisätiedot

Itsestabilointi: perusmääritelmiä ja klassisia tuloksia

Itsestabilointi: perusmääritelmiä ja klassisia tuloksia Itsestabilointi: perusmääritelmiä ja klassisia tuloksia Jukka Suomela Hajautettujen algoritmien seminaari 12.10.2007 Hajautetut järjestelmät Ei enää voida lähteä oletuksesta, että kaikki toimii ja mikään

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN

Lisätiedot

Horisontti

Horisontti Horisontti 19.11.2015 Vuosiluokkaistaminen. Mitä tehdään ennen sitä? Oppimiskäsitys Eriyttäminen ja oppimisen tuki Oppiaine Laaja-alainen osaaminen Oppimisen arvioinnin periaatteet Oppimisympäristöt Tärkeää

Lisätiedot

Paikkatiedon opetus ja sähköiset ylioppilaskirjoitukset

Paikkatiedon opetus ja sähköiset ylioppilaskirjoitukset Paikkatiedon opetus ja sähköiset ylioppilaskirjoitukset Paikkatietomarkkinat: Paikkatietoikkuna opetuksessa 4.11.2014 Sanna Mäki Maantieteen ja geologian laitos Esityksen aiheita Paikkatieto-osaaminen

Lisätiedot

Sisällys. Mitä opetussuunnitelman perusteissa sanotaan?... 22

Sisällys. Mitä opetussuunnitelman perusteissa sanotaan?... 22 Sisällys Lukijalle...12 Johdanto...16 Ajattelutehtävä kokeiltavaksi... 18 1 Arvot, ihmiskäsitys ja oppimiskäsitys... 20 Mitä opetussuunnitelman perusteissa sanotaan?... 22 Mitä tästä voisi ajatella?...

Lisätiedot

INSSI-seminaari VOV! Risto Salminen

INSSI-seminaari VOV! Risto Salminen INSSI-seminaari VOV! Valmistuminen opiskelijasta välittämällä Risto Salminen Välittämisen trendi? Viimeisten järkyttävien tapahtumien lisäksi aiempia trendejä johtamisessa suunta yksilöjohtamiseen vanhemmuus

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

2. luento. CS-C2110 Ohjelmointistudio 1: mediaohjelmointi Syksy 2016 [Studio 1] Antti Tolppanen, Sanna Suoranta, Lauri Savioja

2. luento. CS-C2110 Ohjelmointistudio 1: mediaohjelmointi Syksy 2016 [Studio 1] Antti Tolppanen, Sanna Suoranta, Lauri Savioja 2. luento CS-C2110 Ohjelmointistudio 1: mediaohjelmointi Syksy 2016 [Studio 1] Antti Tolppanen, Sanna Suoranta, Lauri Savioja Tänään Ensimmäinen tehtävä Vinkkejä projektin aloittamiseen OLO-työskentelyn

Lisätiedot

SUOMEN AUTOKOULULIITTO RY

SUOMEN AUTOKOULULIITTO RY SUOMEN AUTOKOULULIITTO RY Opetussuunnitelma kokeilu 23.11.2016 Jarmo Jokilampi puheenjohtaja TAUSTAA KOKEILULLE Ajokorttilain 51a Kokeilulupa Autokoululiiton evp koulutuspäällikkö Tapani Rintee Simulaattorikokeilu

Lisätiedot

IL-palvelut Aalto-yliopistossa

IL-palvelut Aalto-yliopistossa IL-palvelut Aalto-yliopistossa IL 3D - ulottuvuudet esiin, IL-opetuksesta IL-palveluihin seminaari 30.11.2010 Virpi Palmgren, Otaniemen kampuskirjasto Anu Kangasaho, Töölön kampuskirjasto Eila Rämö, Arabian

Lisätiedot

Simulointi. Varianssinhallintaa Esimerkki

Simulointi. Varianssinhallintaa Esimerkki Simulointi Varianssinhallintaa Esimerkki M C Esimerkki Tarkastellaan lasersäteen sirontaa partikkelikerroksesta Jukka Räbinän pro gradu 2005 Tavoitteena simuloida sirontakuvion tunnuslukuja Monte Carlo

Lisätiedot

Opiskelijatutkimus 2014. Yhteenveto Lääkäriliiton opiskelijakyselyn tuloksista Tiedot on kerätty lokakuussa 2014

Opiskelijatutkimus 2014. Yhteenveto Lääkäriliiton opiskelijakyselyn tuloksista Tiedot on kerätty lokakuussa 2014 Opiskelijatutkimus 2014 Yhteenveto Lääkäriliiton opiskelijakyselyn tuloksista Tiedot on kerätty lokakuussa 2014 Opiskelijatutkimuksen taustatiedot Tutkimuksen aihealueet: lääketieteen perusopetuksen laatu

Lisätiedot

Johannes Lehmusvaara Konvoluutioneuroverkot kirjain- ja numeromerkkien tunnistuksessa. Kandidaatintyö

Johannes Lehmusvaara Konvoluutioneuroverkot kirjain- ja numeromerkkien tunnistuksessa. Kandidaatintyö Johannes Lehmusvaara Konvoluutioneuroverkot kirjain- ja numeromerkkien tunnistuksessa Kandidaatintyö Tarkastaja: lehtori Heikki Huttunen Jätetty tarkastettavaksi 9.5.2014 I TIIVISTELMÄ TAMPEREEN TEKNILLINEN

Lisätiedot

Opas koulujen VALO-hankintaan. Elias Aarnio Avoimet verkostot oppimiseen -hanke Educoss Innopark Oy

Opas koulujen VALO-hankintaan. Elias Aarnio Avoimet verkostot oppimiseen -hanke Educoss Innopark Oy Opas koulujen VALO-hankintaan Elias Aarnio Avoimet verkostot oppimiseen -hanke Educoss Innopark Oy Mikä ihmeen VALO? VALO = vapaat ja avoimen lähdekoodin ohjelmistot Kyse on siis Open Sourcesta eli vapaista

Lisätiedot

Ajatuksia oppimisesta

Ajatuksia oppimisesta Ajatuksia oppimisesta Turun normaalikoulun kouluttajat Tampereen normaalikoulun 3. 6. sekä 7. 9. luokkalaiset Tampereen yliopiston 2.vsk luokanopettajaopiskelijat OPPIMINEN ON MUUTOS. Luonto ja opetus

Lisätiedot

Taidon oppimisprosessi. 5.9.2012 Sirpa Rintala

Taidon oppimisprosessi. 5.9.2012 Sirpa Rintala Taidon oppimisprosessi Taito soittaa pianoa Pianokappaleen soittaminen saattaa kestää 20 minuuttia ja sisältää 10 000 soitettavaa nuottimerkkiä. Pianistin on soitettava siis keskimäärin 8 ääntä sekunnissa

Lisätiedot

Aikuisten perusopetus

Aikuisten perusopetus Aikuisten perusopetus Laaja-alainen osaaminen ja sen integrointi oppiaineiden opetukseen ja koulun muuhun toimintaan 23.1.2015 Irmeli Halinen Opetussuunnitelmatyön päällikkö OPETUSHALLITUS Uudet opetussuunnitelman

Lisätiedot

Millaisia tiedonhankinnan taitoja maisteri tarvitsee Peda-forum-päivät

Millaisia tiedonhankinnan taitoja maisteri tarvitsee Peda-forum-päivät Millaisia tiedonhankinnan taitoja maisteri tarvitsee Peda-forum-päivät 25.8.2010 Helsingin yliopiston kirjasto Päivi Helminen, Kati Syvälahti, Maija Halminen 31.8.2010 1 Työpajan tavoite Tavoitteena on

Lisätiedot