Deep learning. 1 Johdanto. Toni Helenius
|
|
- Petteri Tikkanen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Deep learning Toni Helenius 1 Johdanto Koneoppiminen on viime vuosina tullut yhä lähemmäksi kuluttajaa. Erilaiset puheentunnistukseen, kielen kääntämiseen ja kuvantunnistukseen liittyvät sovellukset ovat käytännössä jo kaikkien käytettävissä (kuva 1). Tähän mullistukseen on vaikuttanut erityisesti neuroverkot ja syväoppimisen (deep learning) teknologia. Yhdessä tietokoneiden laskentakyvyn ja tiedon määrän kasvun kanssa se on mahdollistanut ennen valtavia työmääriä vaatineiden tehtävien suorittamisen itsenäisesti. Perinteisemmissä koneoppimisen tekniikoissa tietoa pyritään luokittelemaan ja ymmärtämään laatimalla piirteenirroittajia, joiden tehtävä on tunnistaa tietyn tyyppisiä tiedossa ilmeneviä ominaisuuksia tai rakenteita eli piirteitä. Piirteet voivat olla esimerkiksi jonkinlaisia ääniä nauhoitteissa tai muotoja kuvissa. Piirteenirroittajien (feature extractor) suunnittelu ja laatiminen vaatii kuitenkin huomattavia määriä työtä, joten viime aikoina ollaan keskitytty enemmän piirreoppimisen (feature learning) tekniikoihin. (Lecun et al., 2015; Lenz et al., 2015) Piirreoppimisessa, jota esimerkiksi neuroverkot edustaa, tiedon sisältämät piirteet pyritään oppimaan automaattisesti käyttämällä opetusmateriaalina valmiiksi prosessoituja tietolähteitä. Neuroverkko opetetaan tunnistamaan tarvittavat piirteet näyttämällä sille opetusesimerkkejä eli syötteiden ja syötettä vastaavien luokittelujen pareja. Opetusesimerkkejä voivat olla vaikkapa käsinkirjoitettujen kirjaimien kuvat ja niitä vastaavat ASCII-merkit. Näyttämällä tällaisia pareja suuri määrä neuroverkolle se vähitellen opetetaan tunnistamaan käsinkirjoitettujen kirjainten kaarien ja viivojen avulla oikeat merkit. Syväoppimisessa, useimmiten syvissä neuroverkoissa, edelleen jatketaan ja laajennetaan tavallisia neuroverkkoja ja pyritään hyödyntämään yhä paremmin niiden piirreoppimisen kykyjä. Siinä missä tavallisempi matala neuroverkko etsii suoraan raa'asta tiedosta piirteitä, syvissä neuroverkoissa piirteitä luokitellaan useammalla tasolla. Kun neuroverkko löytää alemmalla tasolla olevista piirteistä uudenlaisen rakenteen tai yhdistelmän, luodaan uusi korkeamman tason eli abstraktimpi piirre. Korkeamman tason piirteet auttavat esimerkiksi kuvan luokittelussa sietämällä paremmin objektien valaistuksen, suunnan ja sijainnin vaihtelua (Lecun et al., 2015). Syväoppimisella pyritään syötetiedon ulottuvuuksien ja laajuuden kasvaessa löytämään tiedosta ns. 'olennaiset' piirteet, joilla tieto saadaan ymmärrettyä. Esittelen neuroverkot ensin yleisemmältä tasolta ja sitten muutamia sovelluksia, joissa niitä ja syväoppimista käytetään.
2 Kuva 1: Applen Siri, henkilökohtainen älykäs avustaja ja tiedonhakija, tunnistaa käyttäjän puheen ja osaa vastata kysymyksiin ja suorittaa yksinkertaisia tehtäviä. 2 Neuroverkot Keinotekoiset neuroverkot (articial neural networks) ovat piirreoppimisen tekniikka, jolla pyritään tunnistamaan tiedosta piirteitä ja tekemään niiden avulla luokitteluja. Neuroverkot esitetään usein kerroksina (kuva 2), jolloin se koostuu syötekerroksesta, piilokerroksista ja tuloskerroksesta. Syötekerros koostuu tämänhetkisestä syötteestä, joka voi olla vaikkapa kuvan sisältämien pikselien harmaasävyt (kuva 3) tai värikuvien tapauksessa väri-intensiteetit. Syötekerros on liitetty painotettujen yhteyksien kautta piilokerrokselle ja piilokerros jälleen samalla tavalla tuloskerrokselle. Piilokerroksia voi olla myös useampia, jolloin ne on liitetty alemmalta piilokerrokselta ylemmälle. Painotetut yhteydet ovat kertoimia, joiden avulla neuroverkko pyrkii muuttamaan syötteestä piilokerrosten ja painotettujen yhteyksien läpi tuloksen tai approksimaation. Neuroverkkoa opettaessa suurella määrällä opetusesimerkkejä painokertoimia muutetaan hiljalleen siten, että approksimaatio parantuu eli neuroverkon tulokset lähestyvät opetusesimerkkien haluttuja tuloksia (Lecun et al., 2015). Samalla neuroverkko oppii yleistämään tiedosta piirteitä, joita se voi käyttää jatkossa myös tietoon jota ei ole aiemmin opetettu. Piilokerrosten tehtävän neuroverkossa voi nähdä olevan tiedon piirteiden tunnistaminen. Matalat neuroverkot (shallow neural networks) sisältävät yhden piilokerroksen, jolloin se oppii vain raa'asta tiedosta suoraan löydettäviä piirteitä, eikä syvien neuroverkkojen tapaan voi koota piirteistä abstraktimpia ominaisuuksia ylemmillä piilokerroksillaan. Matalat neuroverkkojen piilokerrokset pyritään siis yleisesti tekemään yhtä leveiksi kuin erilaisia piirteitä arvioidaan tiedossa olevan. Tiedon kasvaessa mahdollisten piirteiden lukumäärä kasvaa kuitenkin erittäin nopeasti, joten esimerkiksi kuvaa tai ääntä käsitellessä siirrytään usein käyttämään syväoppimista eli syviä neuroverkkoja.
3 Kuva 2: Neuroverkon neuronit esitettynä kerroksina. Kuva 3: Neuroverkolle annettavan kuvan muuttaminen syötteeksi. Syvissä neuroverkoissa (deep neural networks) käytetään useampaa piilokerrosta, jotta alimmainen piilokerros voi keskittyä yksinkertaisten, tai 'matalan tason', piirteiden tunnistamiseen ja ylemmät aiemmalta kerrokselta saatujen piirteiden abstrahointiin. Piilokerrokset ovat yleensä kapeampia kuin matalissa neuroverkossa, koska tunnistettavia piirteitä tarvitaan vähemmän piilokerroksittain. Näin ne toimivat usein tehokkaammin ja syvät neuroverkot ovatkin usein esimerkiksi kuvanluokitteluun käytettävien neuroverkkojen kulmakivi. (Lecun et al., 2015) Yksi tällainen neuroverkkotyyppi on konvoluutioverkot (convolutional neural networks). Konvoluutioverkot hyödyntävät syviä neuroverkkoja ja kuvatiedon monia ominaisuuksia: tiedon läheisiä yhteyksiä eli esimerkiksi kuvan eri kohtien pikseleiden keskinäisiä yhteyksiä, ja tiedossa olevien ominaisuuksien riippumattomuutta sijainnista eli esimerkiksi objektien mahdollisuutta olla monessa eri kohtaa kuvassa (Lecun et al., 2015). Konvoluutioverkot ovat syviä neuroverkkoja, jotka käyttävät monia erilaisia piilokerroksia ja painotettuja yhteyksiä saavuttaakseen tehokkaan luokittelukyvyn kuvia, ja myös
4 monia muita tietotyyppejä kuten äänisignaaleja, käsitellessä. 3 Syväoppiminen kaistantunnistuksessa Huval et al. (2015) tutkivat syväoppimisen käyttöä moottoritiellä. Toisin kuin haastavammat kaupunkitiet, moottoritiet ovat järjestäytymiseltään ennalta arvattavampia ja kaistat huolella merkittyjä. Itseohjaavien autojen sensoreina käytetään tutkia, kaikuluotaimia ja kameroita. Tutkiin ja kaikuluotaimiin liittyy erilaisia ongelmia; tutkat tuottavat usein vääriä havaintoja autoja tunnistaessa, ja kaikuluotain ei toimi suurilla nopeuksilla ja välimatkoilla. Tutkimusryhmä päätti siis rajoittaa tutkimuksen auton edessä olevan videokameran käyttöön moottoritieliikenteessä. Moottoritieliikenteen autonomisten ajoneuvojen tarvitsee tunnistaa kaista ja edessä liikkuvat ajoneuvot. Tutkijaryhmän tavoitteena oli tehdä järjestelmä, joka tunnistaa nämä kohteet videokamerasta saaduista kuvista vähintään 10 kertaa sekunnissa ja vähintään 100 metrin etäisyydeltä. Kohteita kuvista tunnistava neuroverkko vaatii paljon opetusmateriaalia, jota tutkijaryhmä keräsi ajamalla moottoritietä eri paikoissa ja säätiloissa kuvaten samalla videota. Videosta sen jälkeen irrotettiin ruudut, joista saatiin tulevien opetusesimerkkien syötteet. Amazon Mechanical Turk -palvelua (Amazon, 2016a) käytettiin syötteitä vastaavien tulosten keräämiseen, eli autojen ja kaistojen sijaintien selvittämiseen ruuduissa. Ruuduista ja niissä olevien kohteiden sijainneista koottiin neuroverkolle opetettavat opetusesimerkit. Neuroverkoksi valittiin konvoluutioverkko, joka opetusesimerkkien avulla oppii tunnistamaan kuvista autoja sisältävät suorakulman muotoiset alueet ja kaistojen reunat. Autojen etäisyydet saadaan samalla mitattua niiden sijainnilla kuvassa (kuva 4) ottamalla videokuvaa aina samasta kohdasta autossa. Kaistat neuroverkko oppi tunnistamaan, vaikka ne olisivatkin välillä osittain objektien takana, eli neuroverkko ei pelkästään tunnistanut kaistaviivojen valkoista maalia vaan osasi käyttää koko kuvaa kontekstina (kuva 5). Tutkijaryhmä huomaa, että autonomiseen liikkumiseen moottoritiellä on vielä työtä. Auton tunnistuksessa tuli järjestelmää testattaessa välillä ongelmia puiden tai ylikulkusiltojen varjojen kanssa, kun neuroverkko tunnisti ne autoiksi. Järjestelmä toimi kuitenkin muuten tehokkaasti käyttämällä tavallisen tietokoneen suoritustehoa, ja on lupaava alku syväoppimisen käytöstä moottoritieliikenteessä. 4 Syväoppiminen robotiikassa Lenz et al. (2015) tutkivat syvien neuroverkkojen käyttämistä robottikouran
5 Kuva 4: Autojen tunnistamista, kohteet muutetaan suorakulmiksi 'ruudukossa', josta on helppo laskea muun muassa kohteiden etäisyys. (Huval et al., 2015) Kuva 5: Kaistaviivojen tunnistamista, neuroverkko osaa arvioida kaistat vaikka kaistaviivat olisivat osittain peitossa. (Huval et al., 2015) toiminnassa. Robottikouran toteuttaminen vaatii konenäköä, liikkeen suunnittelua ja ohjausta. Käsinlaaditut piirteenirroittajat ovat ennen olleet käytössä monissa robotiikan ongelmissa, mutta Lenz et al. mukaan niiden toteutus on erittäin vaivalloista ja aikaavievää. Tutkijaryhmä toteaa, että syväoppiminen on tuonut uusia mahdollisuuksia kuvanluokitteluun ja muiden ongelmien ratkaisemiseen, mutta huomauttavat, että robottikouran toiminta vaatii myös objektin tunnistamista ja tarkempaa paikantamista (object detection). Robotin syötteiden eli kuvien lähteeksi valittiin RGB-D kamera. RGB- D kuvat sisältää pikselien väri-intensiteettien lisäksi myös syvyystietoa. Robottina käytettiin Rethink Roboticsin Baxteria (kuva 6) ja Willow Garagen PR2:ta. Nämä robotit ovat yleisemmin käytössä sekä teollisuudessa että tutkimuksessa. Tutkijaryhmä päätyi kaksivaiheiseen järjestelmään, jossa otteen etsimi-
6 Kuva 6: Baxter robotti. nen tapahtuu kahta syvää neuroverkkoa käyttämällä. Pienemmän neuroverkon tarkoituksena on tyhjentävästi etsiä esineestä mahdolliset otteet ja valita näistä parhaiksi arvioimansa otteet. Otteet sen jälkeen syötetään isommalle neuroverkolle, jonka tarkoitus on löytää tästä pienemmästä joukosta otteita parasta otetta edustava kohta ja suunta (kuva 7). Kun pienempi neuroverkko on ensin harventanut kohteiden lukumäärää, voi isompi neuroverkko käyttää enemmän aikaa eli tunnistettavia piirteitä ja prosessointiaikaa hyvän otteen selvittämiseen. Kuva 7: Pienempi neuroverkko etsii ensin kuvasta joukon mahdollisia otteita, joista parhaat syötetään isommalle neuroverkolle parhaan otteen löytämiseksi. (Lenz et al., 2015) Tutkijaryhmä huomasi, että kahden syvän neuroverkon käyttäminen eli tehtävien jakaminen kahteen vaiheeseen robottikouran toteuttamiseksi oli tehokkaampi ratkaisu kuin yhden syvän neuroverkon käyttäminen. Lisäksi heidän lähestymistapansa oli tehokkaampi kuin aikaisemmissa tutkimuksissa käytetyt käsin laadittuja piirteenirroittajia käyttävät kaksivaiheiset järjestelmät.
7 5 Luonnollinen kieli Luonnollisen kielen mallinnus neuroverkoilla on yksi alkuperäisistä 'syväoppimisen' alueista. Luonnollista kieltä eli merkkijonoja, sanojen jonoja tai äänien jonoja on käsitelty jo pidemmän aikaa useammalla piilokerroksella käyttämällä ns. takaisinkytkeytyviä neuroverkkoja (recurrent neural networks) Lecun et al. (2015). Koska luonnollista kieltä käsitellään aina jonomuodossa, ja jossa aikaisemmin annetut syötteet vaikuttavat myöhemmin annettuihin, takaisinkytkeytyvät neuroverkot käyttävät useampia piilokerroksia säilyttääkseen näiden aikaisempien annettujen syötteiden merkityksen. Esimerkiksi, jos lause on aloitettu sanoilla 'Taivas on' ja seuraava sana on 'sininen', neuroverkon tulee ymmärtää, että sana 'sininen' liittyy jotenkin sanaan 'taivas'. Luonnollisen kielen ymmärrystä on helpottanut edelleen sanojen vektorisoinnin kehittyminen. Vektorisoimalla syötetekstien sanoja ne saadaan sijoitettua lähemmäs sukulaissanoja (kuva 8). Esimerkiksi sanat 'Tiistai' ja 'Keskiviikko' sijoittuvat jollain lailla lähekkäin tällaiseen sanojen avaruudessa (Goth, 2016). Sanojen vektorisoinnin tekniikoita on muun muassa Glo- Ve (Pennington et al., 2014), joka voi käyttää esimerkiksi Wikipedian koko tietokantaa selvittämään kaikkien siellä esiintyvien sanojen sukulaisuussuhteet. Kun tekstisyötteet annetaan sanoittain kukin sana vektorisoituna, neuroverkko oppii helpommin yleistämään lauseita, käsityksiä tai ymmärrystä sukulaissuhteisiin (Goth, 2016). Kuva 8: Sanojen sijoittumista sukulaisuussuhteiden mukaan kahteen ulottuvuuteen. Todellisuudessa vektorisoidut sanat sijoitetaan hyvin moniulotteisempaan avaruuteen. (Lecun et al., 2015)
8 6 Pohdinta Netix järjesti kilpailuja suosittelujärjestelmänsä parantamiseksi (Netix, 2009). Suosittelujärjestelmä, joka päihitti Netixin oman järjestelmän tarkkuudessa, tuotti kehittäjälleen miljoonan dollarin palkinnon. Järjestelmän kouluttamista varten Netix tarjosi valmiita tietolähteitä. Verkkokauppajätti Amazon järjestää robottikourien kehitykseen tarkoitettua poimintahaaste -kilpailua (Amazon, 2016b). Kilpailussa on tarkoitus kehittää robotti, joka tunnistaa erilaisia esineitä ja osaa poimia niitä ja siirtää paikasta toiseen. Näin Amazon pyrkii kiihdyttämään varastojensa automatisointia. Tutkija- ja opiskelijaryhmille tarkoitetut kilpailut ovat usein aloilta, joissa ollaan aiemmin tukeuduttu perinteiseen koneoppimiseen. Hyödyntämällä automatisoidumpaan oppimiseen perustuvia syväoppimisen tekniikoita sovelluksia on kuitenkin paljon tehokkaampi toteuttaa entistä pienemmillä työryhmillä. Vaativatkin luonnollista kieltä mallintavat järjestelmät eivät ole enää vain suurten yritysten suursijoituksia tai pelkästään akateemisiin tarkoituksiin (Goth, 2016), ja sama siis pätee myös muihin piirreoppimista ja syväoppimista hyödyntäviin aloihin. Tekniikka kehittyy koko ajan yhä enemmän ja avoimesti niin suurten yrityksen kuin yksittäisten kehittäjienkin työn tuloksena. Suuria tietovarastoja avataan monien tahojen toimesta antaen uusia mahdollisuuden niiden käyttöön syväoppimista ja piirreoppimista käyttävissä järjestelmissä. Samalla tiedon määrä ja järjestelmien vaatimukset kuitenkin kasvavat. Esimerkiksi kuvia käsittelevät sovellukset saattavat analysoida miljoona pikseliä sisältäviä kuvia. Tällaiset neuroverkot sisältävät miljardeja painotettuja yhteyksiä, ja niiden operaatiot joudutaan prosessoimaan kutakin kuvaa käsitellessä (Edwards, 2015). Entistä suurempia tietomääriä oppivia ja käsitteleviä syväoppimisjärjestelmiä on pyritty toteuttamaan muun muassa käyttämällä FPGA-mikropiirejä. Järjestelmät yleensä suoritetaan näytönohjaimilla, mutta suuri määrä FPGAmikropiirejä voivat olla helpompi ottaa käyttöön palvelinkeskuksissa kuin vastaavan suoritustehon tarjoava määrä näytönohjaimia (Edwards, 2015). Samalla tutkijat yrittävät kehittää uusia piirreoppimisen tekniikoita, jotka tarvitsisivat pienempiä tietomääriä oppiakseen.
9 Viitteet Amazon (2016a). Amazon mechanical turk. Accessed: Amazon (2016b). Amazon picking challenge. amazonpickingchallenge.org/. Accessed: Edwards, C. (2015). Growing pains for deep learning. Commun. ACM, 58(7):1416. Goth, G. (2016). Deep or shallow, nlp is breaking out. Commun. ACM, 59(3):1316. Huval, B., Wang, T., Tandon, S., Kiske, J., Song, W., Pazhayampallil, J., Andriluka, M., Rajpurkar, P., Migimatsu, T., Cheng-Yue, R., Mujica, F., Coates, A., and Ng, A. Y. (2015). An empirical evaluation of deep learning on highway driving. CoRR, abs/ Lecun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521: Lenz, I., Lee, H., and Saxena, A. (2015). Deep learning for detecting robotic grasps. Int. J. Rob. Res., 34(4-5): Netix (2009). Netix prize. Accessed: Pennington, J., Socher, R., and Manning, C. D. (2014). Glove: Global vectors for word representation. In Empirical Methods in Natural Language Processing (EMNLP), pages
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
LisätiedotTee-se-itse -tekoäly
Tee-se-itse -tekoäly Avainsanat: koneoppiminen, tekoäly, neuroverkko Luokkataso: 6.-9. luokka, lukio, yliopisto Välineet: kynä, muistilappuja tai kertakäyttömukeja, herneitä tms. pieniä esineitä Kuvaus:
LisätiedotNeuroverkkojen 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
LisätiedotPuheentunnistus. Joel Pyykkö 1. 1 DL-AT Consulting
Puheentunnistus Joel Pyykkö 1 1 DL-AT Consulting 2018 Sisällysluettelo Puheentunnistus Yleisesti Chattibotin Luonti Esimerkkinä - Amazon Lex Puheentunnistus Yleisesti Puheentunnistus Yleisesti Puheentunnistus
LisätiedotKognitiivinen 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
LisätiedotJohdatus 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
LisätiedotTällä kerralla ohjelmassa. Kognitiivinen mallintaminen Neuraalimallinnus Kertausta: Perseptronin oppimissääntö
Tällä kerralla ohjelmassa Kognitiivinen mallintaminen Neuraalimallinnus 19.2. Nelli Salminen nelli.salminen@helsinki.fi D433 vielä perseptronista ja backpropagationista kilpaileva oppiminen, Kohosen verkko
LisätiedotJOHDATUS 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
LisätiedotJOHDATUS 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
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS AI-TUTKIJAN URANÄKYMIÄ AJATUSTENLUKUA COMPUTER VISION SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA MUUTTUJIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA
LisätiedotTEEMU 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.
LisätiedotJOHDATUS 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
LisätiedotJOHDATUS 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
LisätiedotKognitiivinen 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
LisätiedotJOHDATUS 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
LisätiedotTekoäly ja sen soveltaminen yrityksissä. Mika Rantonen
Tekoäly ja sen soveltaminen yrityksissä Mika Rantonen Tekoäly- paljon puhetta, mistä kyse? Lyhyesti sanottuna: tekoäly on sellaista koneen tekemää toimintaa, joka ihmisen tekemänä olisi älykästä Otetaan
LisätiedotTST-01700 Tehtävä ulkomailla TTY:n Amazing Race
TST-01700 Tehtävä ulkomailla TTY:n Amazing Race Alpo Värri 19.11.2014 Tampereen teknillisen yliopisto Alpo.Varri@tut.fi 1 Kauppakamarien terveisiä 2 Työnantajan odotukset ja valmistujien valmiudet poikkeavat
LisätiedotKoodaamme uutta todellisuutta FM Maarit Savolainen https://blog.edu.turku.fi/matikkaajakoodausta/
Koodaamme uutta todellisuutta FM Maarit Savolainen 19.1.2017 https://blog.edu.turku.fi/matikkaajakoodausta/ Mitä on koodaaminen? Koodaus on puhetta tietokoneille. Koodaus on käskyjen antamista tietokoneelle.
LisätiedotJohdatus 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
LisätiedotTänään 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
LisätiedotTekoäly ja alustatalous. Miten voit hyödyntää niitä omassa liiketoiminnassasi
Tekoäly ja alustatalous Miten voit hyödyntää niitä omassa liiketoiminnassasi AI & Alustatalous AI Digitaalisuudessa on 1 ja 0, kumpia haluamme olla? Alustatalouden kasvuloikka Digitaalisen alustatalouden
LisätiedotOhjelmistojen mallintaminen, mallintaminen ja UML
582104 Ohjelmistojen mallintaminen, mallintaminen ja UML 1 Mallintaminen ja UML Ohjelmistojen mallintamisesta ja kuvaamisesta Oliomallinnus ja UML Käyttötapauskaaviot Luokkakaaviot Sekvenssikaaviot 2 Yleisesti
LisätiedotKONEOPPIMISEN HYÖDYNTÄMINEN: AUTOMAATTINEN TIKETTIEN KÄSITTELY. Esa Sairanen
KONEOPPIMISEN HYÖDYNTÄMINEN: AUTOMAATTINEN TIKETTIEN KÄSITTELY Esa Sairanen 29.03.2017 Sisältö Taustaa Tavoite Mitä on koneoppiminen? Azure Machine Learning koneoppimismenetelmiä Projektin vaiheet Data
LisätiedotTekoäly ja koneoppiminen metsävaratiedon apuna
Tekoäly ja koneoppiminen metsävaratiedon apuna Arbonaut Oy ja LUT University 26. marraskuuta 2018 Metsätieteen päivä 2018 Koneoppimisen kohteena ovat lukujen sijasta jakaumat Esimerkki 1 Koneoppimisessa
LisätiedotS-114.2720 Havaitseminen ja toiminta
S-114.2720 Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 2 visuaalinen prosessointi Treismanin FIT Kuva 1. Kuvassa on Treismanin kokeen ensimmäinen osio, jossa piti etsiä vihreätä T kirjainta.
LisätiedotLiiketoimintaa metsäkonetiedosta?
Liiketoimintaa metsäkonetiedosta? Matti Rahikka 21/11/2018 1 Agenda Esittäjä Internet of Things Esineiden internet Kuvantunnistus Dronen käyttömahdollisuudet @450-laajakaista - Liikkuva tukiasema Kuka
LisätiedotKieli 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
LisätiedotOppimistavoitematriisi
Oppimistavoitematriisi Lineaarialgebra ja matriisilaskenta I Arvosanaan 1 2 riittävät Arvosanaan 5 riittävät Yhtälöryhmät (YR) Osaan ratkaista ensimmäisen asteen yhtälöitä ja yhtälöpareja Osaan muokata
LisätiedotTehtävä 1. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi
Tehtävä. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi lyhyesti. a) a, c, e, g, b),,, 7,, Ratkaisut: a) i ja k - oikea perustelu ja oikeat kirjaimet, annetaan
LisätiedotS11-04 Kompaktikamerat stereokamerajärjestelmässä. Projektisuunnitelma
AS-0.3200 Automaatio- ja systeemitekniikan projektityöt S11-04 Kompaktikamerat stereokamerajärjestelmässä Projektisuunnitelma Ari-Matti Reinsalo Anssi Niemi 28.1.2011 Projektityön tavoite Projektityössä
LisätiedotOppimistavoitematriisi
Oppimistavoitematriisi Lineaarialgebra ja matriisilaskenta I Esitiedot Arvosanaan 1 2 riittävät Arvosanaan 3 4 riittävät Arvosanaan 5 riittävät Yhtälöryhmät (YR) Osaan ratkaista ensimmäisen asteen yhtälöitä
LisätiedotSavonlinnan ammatti- ja aikuisopiston vieraiden kielten opetusta verkossa ja integroituna ammattiaineisiin. Johanna Venäläinen
Savonlinnan ammatti- ja aikuisopiston vieraiden kielten opetusta verkossa ja integroituna ammattiaineisiin Johanna Venäläinen Kenelle ja miksi? Lähtökohtana ja tavoitteena on - tarjota opiskelijoille vaihtoehtoinen
LisätiedotJohdatus tekoälymatematiikkaan (kurssilla Johdatus Watson-tekn
Johdatus tekoälymatematiikkaan (kurssilla Johdatus Watson-tekniikkaan ITKA352) Informaatioteknologian tiedekunta Jyväskylän yliopisto 23.3.2018 Tekoälyn historiaa 6 1 Introduction Kuva Fig. lähteestä 1.3
LisätiedotLuonnollisella kielellä keskustelevat järjestelmät
Luonnollisella kielellä keskustelevat järjestelmät Jussi Lepistö (jussi.lepisto@cs.helsinki.fi) Helsingin Yliopisto Tieteellisen kirjoittamisen kurssi Johdanto Esittelen luonnollisella kielellä keskustelevien
LisätiedotÄärellisten automaattien ja säännöllisten kielten ekvivalenssi
Äärellisten automaattien ja säännöllisten kielten ekvivalenssi Osoitamme seuraavan keskeisen tuloksen: Lause 1.8: [Sipser Thm. 1.54] Kieli on säännöllinen, jos ja vain jos jokin säännöllinen lauseke esittää
LisätiedotTHE audio feature: MFCC. Mel Frequency Cepstral Coefficients
THE audio feature: MFCC Mel Frequency Cepstral Coefficients Ihmiskuulo MFCC- kertoimien tarkoituksena on mallintaa ihmiskorvan toimintaa yleisellä tasolla. Näin on todettu myös tapahtuvan, sillä MFCC:t
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS LUONNOLLISEN KIELEN KÄSITTELY (NATURAL LANGUAGE PROCESSING, NLP) TEKOÄLYSOVELLUKSET, JOTKA LIITTYVÄT IHMISTEN KANSSA (TAI IHMISTEN VÄLISEEN) KOMMUNIKAATIOON, OVAT TEKEMISISSÄ
LisätiedotMitä 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
LisätiedotDatatähti 2019 loppu
Datatähti 2019 loppu task type time limit memory limit A Summa standard 1.00 s 512 MB B Bittijono standard 1.00 s 512 MB C Auringonlasku standard 1.00 s 512 MB D Binääripuu standard 1.00 s 512 MB E Funktio
LisätiedotE. 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
LisätiedotKäyttöohje HERE Drive
Käyttöohje HERE Drive 1.0. painos FI HERE Drive HERE Drive ohjaa sinut haluamaasi paikkaan ääniopastettujen reittiohjeiden avulla. Voit löytää kotimaassasi tai -alueellasi perille tarkkojen reittiohjeiden
LisätiedotJohdatus 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
Lisätiedot1 Kannat ja kannanvaihto
1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:
LisätiedotJOHDATUS 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
LisätiedotBIOMETRINEN TUNNISTUS MIKA RÖNKKÖ
BIOMETRINEN TUNNISTUS MIKA RÖNKKÖ MITÄ ON BIOMETRINEN TUNNISTUS Tapa ja sen taustalla oleva teknologia, jolla henkilö voidaan tunnistaa käyttämällä yhtä tai useampaa biologista piirrettä. Nykyään osataan
LisätiedotMaailma visuaalivalmistajan näkökulmasta
Maailma visuaalivalmistajan näkökulmasta Haasteita ja motivointia projektille Esityksen sisältö Laaja-alaiset tietokannat ja niiden rakentaminen Geospesifinen ja geotyyppinen tietokanta Lähtömateriaaliongelmia
LisätiedotMITÄ ON GEMBA-WALK? Janne Metsolahti Työnjohtaja YIT Infra Oy
MITÄ ON GEMBA-WALK? Janne Metsolahti Työnjohtaja YIT Infra Oy janne.metsolahti@yit.fi MITÄ ON GEMBA-WALK? Sana gemba tulee japanin kielestä ja tarkoittaa todellista paikkaa, paikkaa jossa arvo tuotetaan
LisätiedotMalleja 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
LisätiedotSinulle on annettu bittijono, ja tehtäväsi on muuttaa jonoa niin, että jokainen bitti on 0.
A Bittien nollaus Sinulle on annettu bittijono, ja tehtäväsi on muuttaa jonoa niin, että jokainen bitti on 0. Saat käyttää seuraavia operaatioita: muuta jokin bitti vastakkaiseksi (0 1 tai 1 0) muuta kaikki
LisätiedotJohdatus 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
LisätiedotTekoäly tukiäly. Eija Kalliala, Marjatta Ikkala
Tekoäly tukiäly Eija Kalliala, Marjatta Ikkala 29.11.2018 Mitä on tekoäly? Unelma koneesta, joka ajattelee kuin ihminen Hype-sana, jota kuulee joka paikassa Väärinymmärretty sana -> vääriä odotuksia, pelkoja
LisätiedotMusiikkipäiväkirjani: Maalataan, kirjoitetaan ja luetaan musiikkia (PWR1) Valitaan värejä, kuvia tai symboleja erilaisille äänille.
Musiikkipäiväkirjani: Maalataan, kirjoitetaan ja luetaan musiikkia (PWR1) Valitaan värejä, kuvia tai symboleja erilaisille äänille. Musiikkipäiväkirjani: Maalataan, kirjoitetaan ja luetaan (PWR1) Valitaan
LisätiedotOpetuksen 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
LisätiedotTilastotiede 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
Lisätiedot75059 Suuri lajittelusarja
75059 Suuri lajittelusarja Peliohjeet Tämä sarjan sisältö: 632 kpl lajitteluesineitä 3 kpl onnenpyörää 6 kpl lajittelukulhoa 1 kpl muovinen lajittelualusta 1 kpl numeromerkitty arpakuutio Lajittelusarja
LisätiedotS09 04 Kohteiden tunnistaminen 3D datasta
AS 0.3200 Automaatio ja systeemitekniikan projektityöt S09 04 Kohteiden tunnistaminen 3D datasta Loppuraportti 22.5.2009 Akseli Korhonen 1. Projektin esittely Projektin tavoitteena oli algoritmin kehittäminen
LisätiedotTYÖPAJA 3. SAMAUTTAMINEN VUOROVAIKUTUKSESSA KEVÄT 2015
TYÖPAJA 3. SAMAUTTAMINEN VUOROVAIKUTUKSESSA ULLA PIIRONEN-MALMI METROPOLIA KEVÄT 2015 KIELELLINEN SAMAUTTAMINEN IHMISELLÄ ON SOSIAALISISSA TILANTEISSA MUUNTUMISEN TARVE HÄN HALUAA MUOKATA JA SOVITTAA OMAA
LisätiedotVektorien 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
LisätiedotPython-ohjelmointi Harjoitus 2
Python-ohjelmointi Harjoitus 2 TAVOITTEET Kerrataan tulostuskomento ja lukumuotoisen muuttujan muuttaminen merkkijonoksi. Opitaan jakojäännös eli modulus, vertailuoperaattorit, ehtorakenne jos, input-komento
LisätiedotRobottien aikakausi. Puhtausalan kehityspäivät Jussi Ruisniemi Diversey Suomi Oy. Presented by Diversey
Robottien aikakausi Puhtausalan kehityspäivät 19.10. 21.10.2017 Jussi Ruisniemi Diversey Suomi Oy Presented by Diversey Aiheet 01 Robottien kehitys 02 Robottien tulevaisuus Robotiikka puhtausalalla Kokemuksia
LisätiedotAlkukartoitus Opiskeluvalmiudet
Alkukartoitus Opiskeluvalmiudet Päivämäärä.. Oppilaitos.. Nimi.. Tehtävä 1 Millainen kielenoppija sinä olet? Merkitse rastilla (x) lauseet, jotka kertovat sinun tyylistäsi oppia ja käyttää kieltä. 1. Muistan
LisätiedotTIEDONHAKU 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
LisätiedotImageRecognition toteutus
ImageRecognition toteutus Simo Korkolainen 27 kesäkuuta 2016 Projektin tarkoituksena on tehdä ohjelma, joka opettaa neuroverkon tunnistamaan kuvia backpropagation-algoritmin avulla Neuroverkon opetuksessa
LisätiedotMerkkijono on palindromi, jos se säilyy samana, vaikka sen kääntää väärinpäin.
A Palindromi Sinulle annetaan merkkijono, ja tehtäväsi on poistaa siitä tarkalleen yksi merkki, minkä jälkeen merkkijonon tulisi olla palindromi. Onko tehtäväsi mahdollinen? Merkkijono on palindromi, jos
LisätiedotTekoäly 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
LisätiedotJOHDATUS 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
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
LisätiedotJOHDATUS 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
LisätiedotDatatähti 2019 alku. task type time limit memory limit. A Kolikot standard 1.00 s 512 MB. B Leimasin standard 1.00 s 512 MB
Datatähti 2019 alku task type time limit memory limit A Kolikot standard 1.00 s 512 MB B Leimasin standard 1.00 s 512 MB C Taulukko standard 1.00 s 512 MB D Ruudukko standard 1.00 s 512 MB E Sanalista
LisätiedotLauri Sintonen KEINOTEKOISTEN NEUROVERKKOJEN HYÖDYNTÄMINEN AUTOMAATTISESSA LINTUJEN TUNNISTAMISESSA ÄÄNEN PERUSTEELLA
Lauri Sintonen KEINOTEKOISTEN NEUROVERKKOJEN HYÖDYNTÄMINEN AUTOMAATTISESSA LINTUJEN TUNNISTAMISESSA ÄÄNEN PERUSTEELLA JYVÄSKYLÄN YLIOPISTO INFORMAATIOTEKNOLOGIAN TIEDEKUNTA 2018 TIIVISTELMÄ Sintonen, Lauri
Lisätiedot2. Olio-ohjelmoinnin perusteita 2.1
2. Olio-ohjelmoinnin perusteita 2.1 Sisällys Esitellään peruskäsitteitä yleisellä tasolla: Luokat ja oliot. Käsitteet, luokat ja oliot. Attribuutit, olion tila ja identiteetti. Metodit ja viestit. Olioperustainen
LisätiedotJ. Virtamo Jonoteoria / Prioriteettijonot 1
J. Virtamo 38.3143 Jonoteoria / Prioriteettijonot 1 Prioriteettijonot Tarkastellaan M/G/1-jonojärjestelmää, jossa asiakkaat on jaettu K:hon prioriteettiluokkaan, k = 1,..., K: - luokalla 1 on korkein prioriteetti
Lisätiedot2c Valokuvaa ekosysteemipalveluja
2c Valokuvaa ekosysteemipalveluja Tavoite: Oppilaat oppivat löytämään ja tunnistamaan ekosysteemipalveluja Vaikeusaste: vaikea Aineisto: - Jokaiselle ryhmälle digikamera tai puhelinkamera - Kannettava
LisätiedotTietotekniikan valintakoe
Jyväskylän yliopisto Tietotekniikan laitos Tietotekniikan valintakoe 2..22 Vastaa kahteen seuraavista kolmesta tehtävästä. Kukin tehtävä arvostellaan kokonaislukuasteikolla - 25. Jos vastaat useampaan
LisätiedotTekoäly liiketoiminnassa. Tuomas Ritola CEO, selko.io
Tekoäly liiketoiminnassa Tuomas Ritola CEO, selko.io Selko.io Automaattista teknisen tekstin luokittelua ja analysointia, eli tekoälyä tekstidatalle. Päivän agenda: Tekoäly. Muotisana? Strategia? Uhka?
LisätiedotTIEA241 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:
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
LisätiedotPinoautomaatit. TIEA241 Automaatit ja kieliopit, kesä Antti-Juhani Kaijanaho. 6. kesäkuuta 2013 TIETOTEKNIIKAN LAITOS. Pinoautomaatit.
TIEA241 Automaatit ja kieliopit, kesä 2013 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 6. kesäkuuta 2013 Sisällys Aikataulumuutos Tämänpäiväinen demotilaisuus on siirretty maanantaille klo 14:15 (Ag Delta).
LisätiedotOsoitin ja viittaus C++:ssa
Osoitin ja viittaus C++:ssa Osoitin yksinkertaiseen tietotyyppiin Osoitin on muuttuja, joka sisältää jonkin toisen samantyyppisen muuttujan osoitteen. Ohessa on esimerkkiohjelma, jossa määritellään kokonaislukumuuttuja
LisätiedotPinoautomaatit. TIEA241 Automaatit ja kieliopit, syksy Antti-Juhani Kaijanaho. 6. lokakuuta 2016 TIETOTEKNIIKAN LAITOS
.. TIEA241 Automaatit ja kieliopit, syksy 2016 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 6. lokakuuta 2016 Sisällys. Harjoitustehtävätilastoja Tilanne 6.10.2016 klo 8:28 passed potential redo submitters
LisätiedotPalvelun versio 1.0 Toimeenpanopalvelun tunnus (ks. M ) 10fea, 9c2f, 4760, 9095, f4f9295f4b19
1 5. Luokittamispalvelu 5.1. Palveluinformaatio Palvelun nimi Luokittamispalvelu Palvelun versio 1.0 Toimeenpanopalvelun tunnus (ks. M14.4.42) 10fea, 9c2f, 4760, 9095, f4f9295f4b19 5.2 Avainkäsitteet 5.2.1
LisätiedotPIENI KAMPANJAKOULU. Ohjeita onnistuneen kampanjan toteuttamiseen 1 PIENI KAMPANJAKOULU
PIENI KAMPANJAKOULU Ohjeita onnistuneen kampanjan toteuttamiseen 1 PIENI KAMPANJAKOULU PIENI KAMPANJAKOULU Sana kampanja on peräisin ranskalaisesta sanasta campagne ja tarkoittaa että, pyritään vaikuttamaan
LisätiedotOsaan.fi-sivuston hyödyntäminen osaamisen tunnistamisessa ja tunnustamisessa. Inka Koskinen, Stadin AO
Osaan.fi-sivuston hyödyntäminen osaamisen tunnistamisessa ja tunnustamisessa Inka Koskinen, Stadin AO OSAAN.FI Osaan.fi palvelu on tehty oppijan itsearvioinnin avuksi ammatillisen koulutuksen tutkintojen
LisätiedotKoneoppiminen ja tekoäly suurten tietomassojen käsittelyssä yleensä ja erityisesti sovellettuina satelliittidatan käyttöön metsien arvioinnissa
Koneoppiminen ja tekoäly suurten tietomassojen käsittelyssä yleensä ja erityisesti sovellettuina satelliittidatan käyttöön metsien arvioinnissa Metsätieteen päivä 26.11.2018 Jorma Laaksonen, vanhempi yliopistonlehtori
LisätiedotSystem.out.printf("%d / %d = %.2f%n", ekaluku, tokaluku, osamaara);
Kysy Karilta tai Kimmolta, jos tehtävissä on jotain epäselvää. Kerro WETOon liittyvät ongelmat suoraan Jormalle sähköpostitse (jorma.laurikkala@uta.fi). Muista nimetä muuttujat hyvin sekä kommentoida ja
LisätiedotVideon tallentaminen Virtual Mapista
Videon tallentaminen Virtual Mapista Kamera-ajon tekeminen Karkean kamera ajon teko onnistuu nopeammin Katseluohjelmassa (Navigointi > Näkymät > Tallenna polku). Liikeradan ja nopeuden tarkka hallinta
LisätiedotToinen harjoitustyö. ASCII-grafiikkaa
Toinen harjoitustyö ASCII-grafiikkaa Yleistä Tehtävä: tee Javalla ASCII-merkkeinä esitettyä grafiikkaa käsittelevä ASCIIArt-ohjelma omia operaatioita ja taulukoita käyttäen. Työ tehdään pääosin itse. Ideoita
LisätiedotRumbleTools Oy. Imatralainen korkean teknologian yritys Ydinosaamisemme on prosessien automatisointi robotiikan ja ohjelmistokehityksen avulla
RumbleTools Oy Imatralainen korkean teknologian yritys Ydinosaamisemme on prosessien automatisointi robotiikan ja ohjelmistokehityksen avulla Perustettu: 2016 Rahoittajina: Pääomistaja Arto Koivuharju,
LisätiedotIdesco EPC. Ajoneuvontunnistus. 12.1.2015 Idesco Oy C00442F 1.01
Idesco EPC Ajoneuvontunnistus C00442F 1.01 Sisältö Yleistä tunnisteiden ja lukijan toiminnasta 3 Lukijan ja tunnisteiden antennien säteilykuviot 4 Idesco EPC-lukijan asennus 5 Erikoistuulilasit 8 Ajoneuvojen
Lisätiedot2. Olio-ohjelmoinnin perusteita 2.1
2. Olio-ohjelmoinnin perusteita 2.1 Sisällys Luokat ja oliot. Käsitteet, luokat ja oliot. Attribuutit, olion tila ja identiteetti. Metodit ja viestit. 2.2 Luokat ja oliot Olio-ohjelmoinnin keskeisimpiä
LisätiedotMAB3 - Harjoitustehtävien ratkaisut:
MAB3 - Harjoitustehtävien ratkaisut: 1 Funktio 1.1 Piirretään koordinaatistoakselit ja sijoitetaan pisteet: 1 1. a) Funktioiden nollakohdat löydetään etsimällä kuvaajien ja - akselin leikkauspisteitä.
LisätiedotSe mistä tilasta aloitetaan, merkitään tyhjästä tulevalla nuolella. Yllä olevassa esimerkissä aloitustila on A.
Tehtävä. Tämä tehtävä on aineistotehtävä, jossa esitetään ensin tehtävän teoria. Sen jälkeen esitetään neljä kysymystä, joissa tätä teoriaa pitää soveltaa. Mitään aikaisempaa tehtävän aihepiirin tuntemusta
LisätiedotSokkelon sisältö säilötään linkitetyille listalle ja tekstitiedostoon. Työ tehdään itsenäisesti yhden hengen ryhmissä. Ideoita voi vaihtaa koodia ei.
Harjoitustyö 1 Harjoitustyö Tehtävä: ohjelmoi olioperustainen sokkeloseikkailu peli Javakielellä. Sokkelon sisältö säilötään linkitetyille listalle ja tekstitiedostoon. Työ tehdään itsenäisesti yhden hengen
LisätiedotThe OWL-S are not what they seem
The OWL-S are not what they seem...vai ovatko? Verkkopalveluiden koostamisen ontologia OWL-S Seminaariesitelmä 15.4.2013 Emilia Hjelm Internet on hankala Nykyinternet on dokumenttien verkko Asiat, joita
LisätiedotM{ZD{ CX _14R1_MAZ_CX5_V2_COVERS.indd /02/ :50:14
M{ZD{ CX-5 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 5 2 4 3 18 19 SKYACTIV TECHNOLOGY 20 21 6 1 7 5 2 3 4 8 22 23 TURVALLISIN PAIKKA MAANTIELLÄ Jokainen valmistamamme Mazda sisältää laajan valikoiman älykkäitä
LisätiedotALTCOIN TRADING FUTURE ON TÄSTÄ! Altneuro toivottaa sinut tervetulleeksi nopeimmin kasvava altcoin-kaupankäyntialusta missä kaikkea hallitsee
www.altneuro.com ALTCOIN TRADING FUTURE ON TÄSTÄ! Altneuro toivottaa sinut tervetulleeksi nopeimmin kasvava altcoin-kaupankäyntialusta missä kaikkea hallitsee älykkäin tekniikka tietokoneen neurotiede.
LisätiedotLaskut käyvät hermoille
Laskut käyvät hermoille - Miten ja miksi aivoissa lasketaan todennäköisyyksiä Aapo Hyvärinen Matematiikan ja tilastotieteen laitos & Tietojenkäsittelytieteen laitos Helsingin Yliopisto Tieteen päivät 13.1.2011
LisätiedotValokuvien matematiikkaa
Valokuvien matematiikkaa Avainsanat: valokuva, pikseli, päättely Luokkataso: 3.-5. luokka, 6.-9. luokka, lukio, yliopisto Välineet: Kynä, tehtävämonisteet (liitteenä), mahdollisiin jatkotutkimuksiin tietokone
LisätiedotPalopaikan dokumentointi. vrk. Tuomas Teräväinen
Palopaikan dokumentointi vrk. Tuomas Teräväinen 27.11.2018 Luennon sisältö Alkuvaiheen kuvat Kalusto Ilmakuvaus Paikkatutkinta Piirrokset Tallenteiden säilyttäminen 2 Alkuvaiheen kuvat Joskus ratkaiseva
LisätiedotLapsen 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