JOHDATUS TEKOÄLYYN TEEMU ROOS
|
|
- Anna Päivi Mikkonen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 JOHDATUS TEKOÄLYYN TEEMU ROOS
2 NEUROVERKOT TURINGIN KONE (TAI TAVALLINEN OHJELMOINTI) VAIN YKSI LASKENNAN MALLI ELÄINTEN HERMOSTOSSA LASKENTA ERILAISTA: - RINNAKKAISUUS - STOKASTISUUS (SATUNNAISUUS) - MASSIIVINEN SKAALA - ADAPTIIVISUUS (OPPIMINEN) YKSI TEKOÄLYN KESKEISIMMISTÄ MENETELMISTÄ 1960 LUVUILLA KIINNOSTUS HIIPUI, KOSKA NEGATIIVISIA TULOKSIA 1980-LUVULTA ALKAEN UUSI AALTO: NYT DEEP LEARNING-BUUMI
3 NEUROVERKOT LUONNOLLINEN LÄHDE: ERTEL: INTRODUCTION TO ARTIFICIAL INTELLIGENCE, SPRINGER, 2011.
4 NEUROVERKOT KEINOTEKOINEN KOPIOITU VAIN IDEA: JOUKKO YKSIN- KERTAISIA PROSES- SOREITA, JOTKA KYTKE- TÄÄN YHTEEN SUU- REKSI VERKOKSI. LÄHDE: ERTEL: INTRODUCTION TO ARTIFICIAL INTELLIGENCE, SPRINGER, 2011.
5 OIKEAT VS KEINOTEKOISET NEUROVERKOT OIKEAT NEURONIT TOIMIVAT EPÄSYNKRONISESTI (ERI NEURONIT SUORITTAVAT LASKENTA-ASKELEEN ERI AIKAAN) KEINOTEKOISET (USEIN) SYNKRONISESTI OIKEAT NEURONIT VÄLITTÄVÄT BINÄÄRISIÄ SIGNAALEJA (PÄÄLLÄ/POIS) KEINOTEKOISET (USEIN) JATKUVA- ARVOISIA OIKEISSA NEUROVERKOISSA ESIINTYY (USEIN) TAKAISINKYTKENTÄÄ KEINOTEKOISISSA HARVEMMIN OIKEAT NEUROVERKOT OVAT MASSIIVISIA KEINOTEKOISET (LÄHES KOSKAAN) EIVÄT
6 PERUSESIMERKKI SYÖTTEET x 1,..., x n PAINOKERTOIMET w i1,..., w in AKTIVAATIOFUNKTIO f TULOSTE x i HUOM: TULOSTE VOI OLLA TOISEN NEURONIN SYÖTE LÄHDE: ERTEL: INTRODUCTION TO ARTIFICIAL INTELLIGENCE, SPRINGER, 2011.
7 PERUSESIMERKKI LÄHDE: ERTEL: INTRODUCTION TO ARTIFICIAL INTELLIGENCE, SPRINGER, 2011.
8 NEUROVERKKOTYYPPEJÄ 1. ETEENPÄIN SYÖTTÄVÄ (FEEDFORWARD) VERKKO: - NEURONIT JÄRJESTYKSESSÄ A B C D TAKAISINKYTKEYTYVÄ (RECURRENT) VERKKO: - YHTEYDET MUODOSTAVAT SYKLEJÄ: A B C A B C ITSEORGANISOIVA (SELF-ORGANIZING) VERKKO - VERKON SOLMUT KILPAILEVAT SIITÄ, KUKA SAA AKTIVOITUA
9 NEUROVERKKOTYYPPEJÄ 1. ETEENPÄIN SYÖTTÄVÄ (FEEDFORWARD) VERKKO: - NEURONIT JÄRJESTYKSESSÄ A B C D TAKAISINKYTKEYTYVÄ (RECURRENT) VERKKO: - YHTEYDET MUODOSTAVAT SYKLEJÄ: A B C A B C ITSEORGANISOIVA (SELF-ORGANIZING) VERKKO - VERKON SOLMUT KILPAILEVAT SIITÄ, KUKA SAA AKTIVOITUA
10 NEUROVERKKOTYYPPEJÄ 1. ETEENPÄIN SYÖTTÄVÄ (FEEDFORWARD) VERKKO: - NEURONIT JÄRJESTYKSESSÄ A B C D TAKAISINKYTKEYTYVÄ (RECURRENT) VERKKO: - YHTEYDET MUODOSTAVAT SYKLEJÄ: A B C A B C ITSEORGANISOIVA (SELF-ORGANIZING) VERKKO - VERKON SOLMUT KILPAILEVAT SIITÄ, KUKA SAA AKTIVOITUA
11 ETEENPÄINSYÖTTÄVÄ VERKKO: CASE PERSEPTRONI SYÖTTEET JOKO REAALI- TAI BINÄÄRILUKUJA PAINOKERTOIMET REAALILUKUJA AKTIVAATIOFUNKTIONA f ON KYNNYSFUNKTIO: n f(z) = 0, JOS z < 0, (z = Σ w ij x j ) 1, MUUTEN j=1
12 PERSEPTRONI TAVOITE SAADA TULOSTE SOPIMAAN YHTEEN OIKEAN VASTAUKSEN KANSSA SYÖTE VOI OLLA ESIM LÄJÄ PIKSELEITÄ TAVOITE TUNNISTAA ONKO KYSEESSÄ TIETTY HAHMO PAINOKERTOIMIEN MÄÄRÄÄMINEN SITEN ETTÄ TOIMII, SAATTAA OLLA TYÖLÄSTÄ RATKAISU: KONEOPPIMINEN, ELI OPITAAN PAINOT DATASTA
13 PERSEPTRONI PAINOKERTOMIEN VAIKUTUS AKTIVAATIOFUNKTION n ARGUMENTTIIN Σ w ij x j ON LINEAARINEN j=1 PÄÄTÖSRAJAPINTA, JOKA MÄÄRÄÄ TULOSTEEN ON SIKSI HYPERTASO (PINNAN KORKEADIMENSIOINEN YLEISTYS) 2D: x i = 1, JOS PISTE x = (x 1, x 2 ) ON ORIGON KAUTTA KULKEVAN SUORAN OIKEALLA PUOLELLA
14 PERSEPTRONI x 1 X O X O X X O O x 2 PÄÄTÖSRAJAPINTA (SUORA) w i1 x 1 + w i2 x 2 = 0
15 PERSEPTRONI x 1 X O O X x 2 O X X O PÄÄTÖSRAJAPINTA (SUORA)
16 PERSEPTRONI x 1 X O O X? x 2 O X X O PÄÄTÖSRAJAPINTA (SUORA)
17 PERSEPTRONI PERSEPTRONIALGORITMI (ROSENBLATT, 1958) PERCEPTRON-LUOKITTELIJA(Data): w = [0,...,0] // painovektori. dimensio=n; sama kuin datan while Luokitteluvirhe(Data, w) > 0 (x,y) = PoimiSatunnainenEsimerkki(Data) z = w 1 x w n x n // kynnysfunktion argumentti if z 0 and y = 0: // luokiteltiin nolla rastiksi w = w x // vektorien erotus if z < 0 and y = 1: // luokiteltiin rasti nollaksi w = w + x // vektorien summa end-while return(w)
18 PERSEPTRONI
19 PERSEPTRONI PERUSONGELMA: PERSEPTRONIALGORITMI LÖYTÄÄ ENNEN PITKÄÄ OIKEAN PÄÄTÖSRAJAPINNAN, JOS (!) SELLAINEN ON OLEMASSA OIKEA PÄÄTÖSRAJAPINTA ON OLEMASSA AINEISTO ON LINEAARISESTI EROTELTAVISSA MUUSSA TAPAUKSESSA SE JÄÄ IKUISESTI MUUTTELEMAAN PAINOJA
20 PERSEPTRONI YLEISTYKSIÄ: OPPIMISALGORITMIA SÄÄTÄMÄLLÄ VOIDAAN LÖYTÄÄ PARAS MAHDOLLINEN (PIENIMMÄN VIRHEEN) RAJAPINTA TOIMII MYÖS SILLOIN KUN DATA EI LIN. EROTELTAVISSA MONIKERROSPERSEPTRONI!
21 MONIKERROSPERSEPTRONI PIILOKERROKSIA AKTIVAATIOFUNKTIO EI YLEENSÄ KYNNYSFUNKTIO, VAAN JOTAIN MUUTA. TULOSTEARVOT YLEENSÄ REAALILUKUJA UNIVERSAALI MALLI: PYSTYY ESITTÄMÄÄN MITÄ VAAN (JOS PIILOKERROSTEN NEURONEITA RIITTÄVÄSTI)!
22 MONIKERROSPERSEPTRONI PIILOKERROKSET TEKEVÄT OPPIMISESTA PALJON HAASTAVAMPAA TAKAISINVIRTAUSALGORITMI (BACKPROPAGATION): - ARVIOIDAAN JOKAISEN SOLMUN KOHDALLA PALJONKO SE AIHEUTTAA VIRHETTÄ JA KORJATAAN SEN MUKAAN EI VÄLTTÄMÄTTÄ LÖYDÄ PARASTA RATKAISUA VAAN LOKAALIN OPTIMIN
23 MONIKERROSPERSEPTRONI ANIMAATIO MONIKERROS- PERSEPTRONIN OPPIMISESTA: TAVOITE LUOKITELLA (X,Y)-TASON PISTEITÄ KAHTEEN ERI LUOKKAAN, JOTKA KUMPIKIN OVAT SPIRAALIN MUOTOISIA.
24 TAKAISINKYTKEYTYVÄ NEUROVERKKO NEURONI VOI VAIKUTTAA MUIDEN NEURONIEN KAUTTA OMIIN SYÖTTEISIINSÄ TAKAISINKYTKENTÄ AIHEUTTAA MONIMUTKAISIA DYNAAMISIA ILMIÖITÄ:
25 TAKAISINKYTKEYTYVÄ VERKKO: CASE HOPFIELDIN VERKKO SYÖTTEET PAINOKERTOIMET
26 TAKAISINKYTKEYTYVÄ VERKKO: CASE HOPFIELDIN VERKKO OPPIMINEN TAPAHTUU ESITTÄMÄLLÄ JOUKKO TILOJA (SYÖTE JOKAISELLE NEURONILLE) PAINOKERTOIMET KUVAAVAT SITÄ, KUINKA USEIN KAKSI NEURONIA OVAT PÄÄLLÄ SAMANAIKAISESTI SYÖTTEET PAINOKERT KUN PAINOKERTOIMET ON OPITTU, VERKKO ALUSTETAAN HALUTTUUN ALKUTILAAN (SYÖTE) NEURONIT VALITSEVAT UUDEN TILAN MUIDEN NEURONIEN TILOJEN JA PAINOKERTOIMIEN PERUSTEELLA UUSI TILA TOIMII SYÖTTEENÄ SEURAAVASSA ITERAATIOSSA
27 OPPIMISSÄÄNTÖ: HOPFIELDIN VERKKO N w ij = Σ q ik q jk / N k=1 q ik = +1 JOS NEURONI i PÄÄLLÄ k NNESSA ESIMERKISSÄ; 1 MUUTEN. NEURONIN AKTIVAATIOSÄÄNTÖ (VRT. PERSEPTRONIN TOIMINTA SAMA SÄÄNTÖ!): x i = +1 JOS Σ w ij x j > 0 j i 1 MUUTEN. INTUITIO: LASKEE KUINKA USEIN NEURONIT i JA j SAAVAT SAMAN ARVON OPETUS- DATASSA OLEVISSA SYÖTTEISSÄ
28 BOLTZMANNIN KONE TOINEN ESIMERKKI TAKAISINKYTKEYTYVISTÄ VERKOISTA STOKASTINEN (=SATUNNAINEN) VERSIO HOPFIELDIN VERKOISTA SYÖTTEET SYÖTTEINÄ USEIN VAIN OSA NEURONEISTA RESTRICTED B-KONE : KAIKKI NEURONIT EIVÄT KYTKETTY KAIKKIIN MUIHIN HIEMAN ERILAINEN OPPIMIS- SÄÄNTÖ
29 BOLTZMANNIN KONE SYÖTTEENÄ EPÄSELVIÄ NUMEROITA (PIKSELI = NEURONI) VERKON TILA KEHITTYY KOHTI OPETUSAINEISTOSSA ESIINTYVIÄ TILOJA (SELVEMPIÄ NUMEROITA) TÄSSÄ SATUNNAISUUS SAA VERKON VAELTELEMAAN ERI NUMEROIDEN VÄLILLÄ LOPUTTOMASTI
30 BOLTZMANNIN KONE
31 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA NEURONIT SIJAITSEVAT YLEENSÄ KAKSIULOTTEISELLA RUUDUKOLLA JOKAISELLA NEURONILLA ON TILA (VEKTORI) SYÖTEVEKTORI AKTIVOI NEURONIN, JONKA TILA ON SITÄ LÄHINNÄ ( VOITTAJA ) SYÖTE
32 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA NEURONIT SIJAITSEVAT YLEENSÄ KAKSIULOTTEISELLA RUUDUKOLLA JOKAISELLA NEURONILLA ON TILA (VEKTORI) SYÖTEVEKTORI AKTIVOI NEURONIN, JONKA TILA ON SITÄ LÄHINNÄ ( VOITTAJA ) SYÖTE
33 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA NEURONIT SIJAITSEVAT YLEENSÄ KAKSIULOTTEISELLA RUUDUKOLLA JOKAISELLA NEURONILLA ON TILA (VEKTORI) SYÖTEVEKTORI AKTIVOI NEURONIN, JONKA TILA ON SITÄ LÄHINNÄ ( VOITTAJA ) VOITTAJAN TILAA MUOKATAAN SITEN, ETTÄ SE MUISTUTTAA ENEMMÄN SYÖTETTÄ SYÖTE
34 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA NEURONIT SIJAITSEVAT YLEENSÄ KAKSIULOTTEISELLA RUUDUKOLLA JOKAISELLA NEURONILLA ON TILA (VEKTORI) SYÖTEVEKTORI AKTIVOI NEURONIN, JONKA TILA ON SITÄ LÄHINNÄ ( VOITTAJA ) VOITTAJAN TILAA MUOKATAAN SITEN, ETTÄ SE MUISTUTTAA ENEMMÄN SYÖTETTÄ SYÖTE
35 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA KARTAN POINTTINA ON, ETTÄ SAMALLA KUN VOITTAJAN TILAA MUOKATAAN, MUOKATAAN MYÖS NAAPUREIDEN TILAA SYÖTE
36 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA KARTAN POINTTINA ON, ETTÄ SAMALLA KUN VOITTAJAN TILAA MUOKATAAN, MUOKATAAN MYÖS NAAPUREIDEN TILAA SYÖTE
37 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA KARTAN POINTTINA ON, ETTÄ SAMALLA KUN VOITTAJAN TILAA MUOKATAAN, MUOKATAAN MYÖS NAAPUREIDEN TILAA SYÖTE
38 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA KARTAN POINTTINA ON, ETTÄ SAMALLA KUN VOITTAJAN TILAA MUOKATAAN, MUOKATAAN MYÖS NAAPUREIDEN TILAA SYÖTE
39 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA KARTAN POINTTINA ON, ETTÄ SAMALLA KUN VOITTAJAN TILAA MUOKATAAN, MUOKATAAN MYÖS NAAPUREIDEN TILAA SYÖTE
40 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA KARTAN POINTTINA ON, ETTÄ SAMALLA KUN VOITTAJAN TILAA MUOKATAAN, MUOKATAAN MYÖS NAAPUREIDEN TILAA SYÖTE
41 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA KARTAN POINTTINA ON, ETTÄ SAMALLA KUN VOITTAJAN TILAA MUOKATAAN, MUOKATAAN MYÖS NAAPUREIDEN TILAA NAAPURIT ALKAVAT MUISTUTTAA TOISIAAN OPPIMISEN EDETESSÄ NAAPURUSTON KOKOA VOIDAAN PIENENTÄÄ NEURONIEN TILOIHIN TEHDÄÄN MYÖS PIENEMPIÄ JA PIENEMPIÄ MUUTOKSIA SYÖTE
42 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA SYÖTE X VOI OLLA MIKÄ TAHANSA VEKTORI ESIMERKKEJÄ: PUHEENTUNNISTUS: X =PUHESIGNAALI PROSESSINVALVONTA: X =(PAPERI- YMS.) KONEEN TILA TIEDONHAKU: X =SANOJEN ESIINTYMIS- MÄÄRÄT DOKUMEN- TISSA SYÖTE
43 ITSEORGANISOIVA VERKKO: KOHOSEN KARTTA
44 NEUROVERKKOTYYPIT 1. ETEENPÄINSYÖTTÄVÄ VERKKO: PERSEPTRONI MONIKERROSPERSEPTRONI TAKAISINKYTKEYTYVÄ VERKKO: HOPFIELDIN VERKKO BOLTZMANNIN KONE ITSEORGANISOIVA KARTTA KOHOSEN SOM
45 NEUROVERKKOJEN SOVELLUKSET ERI NEUROVERKKOTYYPEILLÄ ON OMAT SOVELLUKSENSA ETEENPÄIN SYÖTTÄVIÄ VERKKOJA VOI KÄYTTÄÄ MM. OHJATTUUN KONEOPPIMISEEN JA FUNKTIOIDEN APPROKSIMOINTIIN TAKAISINKYTKEYTYVIÄ VERKKOJA VOI KÄYTTÄÄ MM. VIKASIETOISINA MUISTEINA ITSEORGANISOIVIA KARTTOJA VOI KÄYTTÄÄ DATAN VISUALISOINTIIN
46 NEUROVERKOT SUHTEESSA MUIHIN MENETELMIIN NEUROVERKOT KUULUVAT JAOTTELUSSA GOFAI VS MODERNI AI JÄLKIMMÄISEEN RYHMÄÄN (SYMBOLINEN VS SUBSYMBOLINEN TAI DIGITAALINEN) JOTKUT NEUROVERKOT OVAT PROBABILISTISIA (ESIM. BOLTZMANNIN KONE), JOTEN PROB. MENETELMIÄ VOI SOVELTAA NIIHIN VOIDAAN SOVELTAA ESIM. KONEOPPIMISESSA JA VISUALISOINNISSA (SOM) PERINTEINEN TEKOÄLYN OSA-ALUE ONGELMA: BLACK BOX ELI VAIKEA YMMÄRTÄÄ MIKSI
47 NEUROVERKOT SUHTEESSA MUIHIN MENETELMIIN LÄHDE: ERTEL: INTRODUCTION TO ARTIFICIAL INTELLIGENCE, SPRINGER, 2011.
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
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 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
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
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 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
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
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
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.
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
Lisätiedot1. NEUROVERKKOMENETELMÄT
1. NEUROVERKKOMENETELMÄT Ihmisten ja eläinten loistava hahmontunnistuskyky perustuu lukuisiin yksinkertaisiin aivosoluihin ja niiden välisiin kytkentöihin. Mm. edellisen innoittamana on kehitelty laskennallisia
LisätiedotOngelma(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,
Lisätiedot1. NEUROVERKKOMENETELMÄT
1. NEUROVERKKOMENETELMÄT Ihmisten ja eläinten loistava hahmontunnistuskyky perustuu lukuisiin yksinkertaisiin aivosoluihin ja niiden välisiin kytkentöihin. Mm. edellisen innoittamana on kehitelty laskennallisia
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:
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
LisätiedotImageRecognition toteutus
ImageRecognition toteutus Simo Korkolainen 27 kesäkuuta 2016 Projektin tarkoituksena on tehdä ohjelma, joka opettaa neuroverkon tunnistamaan kuvia backpropagation-algoritmin avulla Neuroverkon opetuksessa
LisätiedotJohdatus tekoälyyn (T. Roos) Kurssikoe ARVOSTELUPERUSTEET
582216 Johdatus tekoälyyn (T. Roos) Kurssikoe 10.3.2016 ARVOSTELUPERUSTEET 1. Tekoälyn filosofiaa yms. a. (5 p) Esseekysymys. Sopivan pituinen vastaus on yli yhden, mutta mielellään alle kahden sivun mittainen.
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 4. luento 24.11.2017 Neuroverkon opettaminen - gradienttimenetelmä Neuroverkkoa opetetaan syöte-tavoite-pareilla
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 4 OP PERIODI 1: 6.9.2012-12.10.2012 (6 VIIKKOA) LUENNOT (B123, LINUS TORVALDS -AUDITORIO): TO 10-12, PE 12-14 LASKUHARJOITUKSET
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 18.1.2016-6.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ
LisätiedotKognitiivinen 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
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
LisätiedotTakaisinkytkeytyvät 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
LisätiedotKokeessa piti vastata viiteen (5) tehtävään kuudesta (6). Jokaisen tehtävän maksimipistemäärä on 8.
582216 Johdatus tekoälyyn (T. Roos) Kurssikoe 19.10.2012 ARVOSTELUPERUSTEET Kokeessa piti vastata viiteen (5) tehtävään kuudesta (6). Jokaisen tehtävän maksimipistemäärä on 8. 1. Tekoälyn filosofiaa yms.
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 3: 16.1.2017-3.3.2016 (7 VIIKKOA+KOE) LUENNOT (CK112): MA 14-16, TI 14-16 LASKUHARJOITUKSET: RYHMÄ
Lisätiedota. (2 p) Selitä Turingin koe. (Huom. ei Turingin kone.) Minkälainen tekoäly on saavutettu, kun Turingin koe ratkaistaan?
582216 Johdatus tekoälyyn (T. Roos) Kurssikoe 19.10.2012 Kokeessa saa pitää mukana käsinkirjoitettua A4-kokoista kaksipuolista lunttilappua, joka on palautettava koepaperin mukana. Huomaa että jokaisen
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
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS KURSSIN PERUSTIEDOT VALINNAINEN AINEOPINTOTASOINEN KURSSI, 5 OP PERIODI 1: 4.9.2014-17.10.2012 (7 VIIKKOA+KOE) LUENNOT (B123, LINUS TORVALDS -AUDITORIO): TO 10-12, PE 12-14
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
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
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
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?
LisätiedotT DATASTA TIETOON
TKK / Informaatiotekniikan laboratorio Syyslukukausi, periodi II, 2007 Erkki Oja, professori, ja Heikki Mannila, akatemiaprofessori: T-61.2010 DATASTA TIETOON TKK, Informaatiotekniikan laboratorio 1 JOHDANTO:
LisätiedotUolevin reitti. Kuvaus. Syöte (stdin) Tuloste (stdout) Esimerkki 1. Esimerkki 2
Uolevin reitti Kuvaus Uolevi on ruudukon vasemmassa ylänurkassa ja haluaisi päästä oikeaan alanurkkaan. Uolevi voi liikkua joka askeleella ruudun verran vasemmalle, oikealle, ylöspäin tai alaspäin. Lisäksi
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
KURSSIN SISÄLTÖ eli TULEEKO TÄMÄ KOKEESEEN??? 582216 Johdatus tekoälyyn Syksy 2011 T. Roos KURSSIKOODI: 582216 OPINTOPISTEET: 4.0 ERIKOISTUMISLINJA: Algoritmit ja koneoppiminen TASO: Aineopinnot KUVAUS:
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
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
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 LUONNOLLISEN KIELEN KÄSITTELY (NATURAL LANGUAGE PROCESSING, NLP) TEKOÄLYSOVELLUKSET, JOTKA LIITTYVÄT IHMISTEN KANSSA (TAI IHMISTEN VÄLISEEN) KOMMUNIKAATIOON, OVAT TEKEMISISSÄ
LisätiedotKognitiivinen 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:
LisätiedotTietorakenteet 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:
LisätiedotLuku 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
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
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
Lisätiedot1. Universaaleja laskennan malleja
1. Universaaleja laskennan malleja Laskenta datan käsittely annettuja sääntöjä täsmällisesti seuraamalla kahden kokonaisluvun kertolasku tietokoneella, tai kynällä ja paperilla: selvästi laskentaa entä
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
LisätiedotTietorakenteet 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
LisätiedotLABORAATIOSELOSTUSTEN OHJE H. Honkanen
LABORAATIOSELOSTUSTEN OHJE H. Honkanen Tämä ohje täydentää ja täsmentää osaltaan selostuskäytäntöä laboraatioiden osalta. Yleinen ohje työselostuksista löytyy intranetista, ohjeen on laatinut Eero Soininen
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2
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
LisätiedotAlgoritmit 2. Luento 13 Ti Timo Männikkö
Algoritmit 2 Luento 13 Ti 30.4.2019 Timo Männikkö Luento 13 Simuloitu jäähdytys Merkkijonon sovitus Horspoolin algoritmi Ositus ja rekursio Rekursion toteutus Algoritmit 2 Kevät 2019 Luento 13 Ti 30.4.2019
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotBM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 4, Syksy 2016 1. Hahmottele karkeasti funktion f : R R 2 piirtämällä sen arvoja muutamilla eri muuttujan arvoilla kaksiulotteiseen koordinaatistoon
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
LisätiedotYhtälöryhmät 1/6 Sisältö ESITIEDOT: yhtälöt
Yhtälöryhmät 1/6 Sisältö Yhtälöryhmä Yhtälöryhmässä on useita yhtälöitä ja yleensä myös useita tuntemattomia. Tavoitteena on löytää tuntemattomille sellaiset arvot, että kaikki yhtälöt toteutuvat samanaikaisesti.
LisätiedotALGORITMIT & OPPIMINEN
ALGORITMIT & OPPIMINEN Mitä voidaan automatisoida? Mikko Koivisto Avoimet aineistot tulevat Tekijä: Lauri Vanhala yhdistä, kuvita, selitä, ennusta! Tekijä: Logica Mitä voidaan automatisoida? Algoritmi
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 5. luento.2.27 Lineaarialgebraa - Miksi? Neuroverkon parametreihin liittyvät kaavat annetaan monesti
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
LisätiedotICS-C2000 Tietojenkäsittelyteoria Kevät 2016
ICS-C2000 Tietojenkäsittelyteoria Kevät 206 Kierros 0, 2. 24. maaliskuuta Huom! Perjantaina 25. maaliskuuta ei ole laskareita (pitkäperjantai), käykää vapaasti valitsemassanne ryhmässä aiemmin viikolla.
LisätiedotVerkon 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)
LisätiedotEsimerkkejä vaativuusluokista
Esimerkkejä vaativuusluokista Seuraaville kalvoille on poimittu joitain esimerkkejä havainnollistamaan algoritmien aikavaativuusluokkia. Esimerkit on valittu melko mielivaltaisesti laitoksella tehtävään
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys
LisätiedotJohdatus tekoälyyn (T. Roos) Kurssikoe
582216 Johdatus tekoälyyn (T. Roos) Kurssikoe 18.10.2013 Kokeessa saa pitää mukana käsinkirjoitettua A4-kokoista kaksipuolista lunttilappua, joka on palautettava koepaperin mukana. Huomaa että jokaisen
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
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Johdatus monimuuttujamenetelmiin Luennot 30.10.13.12.-18 Tiistaina klo 12-14 (30.10., BF119-1) Keskiviikkoisin klo 10-12 (MA101,
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotTuringin koneen laajennuksia
Turingin koneen laajennuksia Turingin koneen määritelmään voidaan tehdä erilaisia muutoksia siten että edelleen voidaan tunnistaa tasan sama luokka kieliä. Moniuraiset Turingin koneet: nauha jakautuu k
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
Lisätiedot3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset
32 Idea: Lineaarikuvausten laskutoimitusten avulla määritellään vastaavat matriisien laskutoimitukset Vakiolla kertominen ja summa Olkoon t R ja A, B R n m Silloin ta, A + B R n m ja määritellään ta ta
LisätiedotTekoäly ja tietoturva Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto
Tekoäly ja tietoturva Professori, laitosjohtaja Sasu Tarkoma Tietojenkäsittelytieteen laitos Helsingin yliopisto www.cs.helsinki.fi Sisällys Johdanto Tekoäly Tekoäly ja tietoturva Tutkimusesimerkkejä www.cs.helsinki.fi
LisätiedotSUOMEN 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
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
LisätiedotKiinnostuspohjainen 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
LisätiedotLaskennan teoria (kevät 2006) Harjoitus 3, ratkaisuja
581336 Laskennan teoria (kevät 2006) Harjoitus 3, ratkaisuja 1. S! axc X! axc X! by c Y! by c Y! " 2. (a) Tehtävänä on konstruoida rajoittamaton kielioppi, joka tuottaa kielen f0 n 1 n jn 1g. Vaihe1: alkutilanteen
LisätiedotTekoäly muuttaa arvoketjuja
Tekoäly muuttaa arvoketjuja Näin kartoitat tekoälyn mahdollisuuksia projektissasi Harri Puolitaival Harri Puolitaival Diplomi-insinööri ja yrittäjä Terveysteknologia-alan start-up: Likelle - lämpötilaherkkien
LisätiedotVAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA TIETOTEKNIIKKA. Aleksi Salo NEUROVERKON KUVAAMINEN VIEREKKYYSRELAATIOJÄRJESTELMÄLLÄ
VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA TIETOTEKNIIKKA Aleksi Salo NEUROVERKON KUVAAMINEN VIEREKKYYSRELAATIOJÄRJESTELMÄLLÄ Tietotekniikan pro gradu -tutkielma Multimediajärjestelmien ja teknisen viestinnän
LisätiedotKuka (tai mikä) on älykäs? (1)
Kuka (tai mikä) on älykäs? (1) Syvien neuroverkkojen katsotaan edustavan korkeimmalle asteelle vietyä tekoälyä, joka kohta kilpailee ihmisen kanssa ja saavuttaa tietoisuuden tason ( singulariteetti ) ihmisillä
LisätiedotLogistinen 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
LisätiedotImplementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely)
Implementation of Selected Metaheuristics to the Travelling Salesman Problem (valmiin työn esittely) Jari Hast xx.12.2013 Ohjaaja: Harri Ehtamo Valvoja: Hari Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston
LisätiedotLuku 8. Aluekyselyt. 8.1 Summataulukko
Luku 8 Aluekyselyt Aluekysely on tiettyä taulukon väliä koskeva kysely. Tyypillisiä aluekyselyitä ovat, mikä on taulukon välin lukujen summa tai pienin luku välillä. Esimerkiksi seuraavassa taulukossa
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
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
LisätiedotNeuroverkoilla luokittelu ja tapausten keinotekoinen lisääminen aineistoon. Lassi Autio
Neuroverkoilla luokittelu a tapausten keinotekoinen lisääminen aineistoon Lassi Autio Tampereen yliopisto Tietoenkäsittelytieteiden laitos Tietoenkäsittelyoppi Pro gradu -tutkielma Elokuu 2003 i Tampereen
LisätiedotDiskreetin matematiikan perusteet Esimerkkiratkaisut 3 / vko 10
Diskreetin matematiikan perusteet Esimerkkiratkaisut / vko 0 Tuntitehtävät - lasketaan alkuviikon harjoituksissa ja tuntitehtävät - loppuviikon harjoituksissa. Kotitehtävät - tarkastetaan loppuviikon harjoituksissa.
LisätiedotExcel-harjoitus 1. Tietojen syöttö työkirjaan. Taulukon muotoilu
Excel-harjoitus 1 Tietojen syöttö työkirjaan Kuvitteellinen yritys käyttää Excel-ohjelmaa kirjanpidon laskentaan. He merkitsevät taulukkoon päivittäiset ostot, kunnostuskulut, tilapäistilojen vuokramenot,
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
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä
LisätiedotEtsintä verkosta (Searching from the Web) T Datasta tietoon Heikki Mannila, Jouni Seppänen
Etsintä verkosta (Searching from the Web) T-61.2010 Datasta tietoon Heikki Mannila, Jouni Seppänen 12.12.2007 Webin lyhyt historia http://info.cern.ch/proposal.html http://browser.arachne.cz/screen/
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
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016
LisätiedotVastepintamenetelmä. Kuusinen/Heliövaara 1
Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,
Lisätiedot3 Suorat ja tasot. 3.1 Suora. Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta.
3 Suorat ja tasot Tässä luvussa käsitellään avaruuksien R 2 ja R 3 suoria ja tasoja vektoreiden näkökulmasta. 3.1 Suora Havaitsimme skalaarikertolaskun tulkinnan yhteydessä, että jos on mikä tahansa nollasta
LisätiedotGraafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
LisätiedotValitaan alkio x 1 A B ja merkitään A 1 = A { x 1 }. Perinnöllisyyden nojalla A 1 I.
Vaihto-ominaisuudella on seuraava intuition kannalta keskeinen seuraus: Olkoot A I ja B I samankokoisia riippumattomia joukkoja: A = B = m jollain m > 0. Olkoon vielä n = m A B, jolloin A B = B A = n.
Lisätiedot58131 Tietorakenteet ja algoritmit (kevät 2014) Uusinta- ja erilliskoe, , vastauksia
58131 Tietorakenteet ja algoritmit (kevät 2014) Uusinta- ja erilliskoe, 10..2014, vastauksia 1. [9 pistettä] (a) Todistetaan 2n 2 + n + 5 = O(n 2 ): Kun n 1 on 2n 2 + n + 5 2n 2 + n 2 +5n 2 = 8n 2. Eli
LisätiedotEpädeterministisen Turingin koneen N laskentaa syötteellä x on usein hyödyllistä ajatella laskentapuuna
Epädeterministisen Turingin koneen N laskentaa syötteellä x on usein hyödyllistä ajatella laskentapuuna. q 0 x solmuina laskennan mahdolliset tilanteet juurena alkutilanne lehtinä tilanteet joista ei siirtymää,
LisätiedotAlgoritmit 2. Luento 11 Ti Timo Männikkö
Algoritmit 2 Luento 11 Ti 24.4.2018 Timo Männikkö Luento 11 Rajoitehaku Kapsäkkiongelma Kauppamatkustajan ongelma Paikallinen etsintä Lyhin virittävä puu Vaihtoalgoritmit Algoritmit 2 Kevät 2018 Luento
LisätiedotLuku 7. Itseorganisoiva kartta
1 / 44 Luku 7. Itseorganisoiva kartta T-61.2010 Datasta tietoon, syksy 2011 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 24.11.2011 2 / 44 Tämän luennon sisältö 1 Itseorganisoiva
Lisätiedot