Tämän luennon sisältö. Luku 7. Itseorganisoiva kartta. SOM-algoritmin perusidea Kertaus: c-means. Itseorganisoiva kartta (SOM)
|
|
- Esa Järvinen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Tämän luennon sisältö Luku 7. T-6.2 Datasta tietoon, syksy 2 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto (SOM) Itseorganisoivan kartan yhteys biologiaan Itseorganisoivan kartan suppenevuus -ulotteisessa tapauksessa Käytännön valintoja Mihin SOM:ia käytetään? / 44 2 / 44 (SOM) SOM-algoritmin perusiea Kertaus: c-means (Self-Organizing Map, SOM) on informaatiotekniikan laboratoriossa professori Teuvo Kohosen 98-luvun alussa kehittämä neuroverkkomalli Siitä on tullut 25 vuoen aikana eräs eniten käytettyjä neuroverkkoalgoritmeja maailmassa (viitteitä SOM:ään löytyy yli 7) Katsotaan tässä luvussa mikä SOM on, mikä on sen yhteys neuroverkkoihin, miten se toimii ja esimerkkien avulla joitakin sovellusmahollisuuksia. SOM-foneemikirjoitin SOM-köyhyyskartta Hyvä lähtökohta SOM-algoritmin ymmärtämiselle on ryhmittelyanalyysin c-means-algoritmi (Luku 6). Sehän meni seuraavasti: Valitse satunnaisesti c vektoria opetusjoukosta x,..., x n pisteiksi m,..., m c ; 2 Toista kunnes pisteet m,..., m c eivät muutu Sijoita kukin vektori x,..., x n siihen ryhmään C i jonka keskipiste m i on lähinnä; Laske uuet keskipisteet kaavalla m i = n i x C i x missä n i on C i :n vektoreien lukumäärä. 3 / 44 4 / 44
2 SOM-algoritmin perusiea (2) Kertaus: c-means SOM-algoritmin perusiea (3) Kertaus: c-means Tässä on oleellisesti kaksi vaihetta:. Voittajan valinta: Voiaan ajatella että ryhmät, joita eustavat niien keskipistevektorit m,..., m c, kilpailevat kustakin opetusvektorista x j ja se, joka on lähinnä, voittaa kilpailun. Matemaattisesti: voittaja vektorille x j on ineksi b jolle b = b(x j ) = argmin i=,...,c x j m i 2. Voittajan mukautuminen/oppiminen: kun voittaja on kaapannut uuen vektorin, sen täytyy päivittää keskipistevektorinsa m b. c-means-algoritmissa tämä tehään vasta kun kaikki x j :t on uuelleensijoitettu ryhmiin, mutta sen voi tehä myös lennossa eli aina heti kun yksikin vektori on uuelleensijoitettu (ns. ISODATA-algoritmi). 5 / 44 SOM-algoritmi on helpompi ymmärtää jos kirjoitetaan keskipisteen päivitys uuella tavalla: olkoon b keskipiste sen jälkeen, kun uusi vektori x j on lisätty ryhmään C b Silloin myös ryhmän koko n b kasvaa yhellä Pätee: b = = = n b + [ x C b x + x j ] () n b + [x j + n b m b ] (2) n b + [x j + (n b + )m b m b ] (3) = m b + n b + [x j m b ] (4) 6 / 44 SOM-algoritmin perusiea (4) Kertaus: c-means SOM-algoritmin perusiea Voittajan yhteistyö naapurien kanssa Geometrisesti tämä merkitsee että uusi keskipiste b on liikkunut vanhan keskipisteen m b ja uuen opetusvektorin x j välisellä janalla pienen matkan kohti x j :tä, ikään kuin x j vetäisi sitä puoleensa. Liike on sitä pienempi mitä enemmän ryhmässä on pisteitä Kuva: c-means-algoritmin päivitysaskel SOM sisältää vielä yhen aivan uuen periaatteen, joka tekee siitä eri menetelmän kuin c-means: 3. Voittajan yhteistyö naapureiensa kanssa: Kun eellä vain voittajan keskipistevektori m b liikkui, niin SOM-menetelmässä myös voittajan naapureien keskipistevektorit liikkuvat. Tämä sisältää kaksi kysymystä:. Mikä on voittajan naapuri? 2. Miten naapureien keskipistevektorit liikkuvat? Siinä siis oli c-means-algoritmi hiukan uuelleenmuokattuna. 7 / 44 8 / 44
3 SOM-algoritmin perusiea Voittajan naapurusto SOM-algoritmin perusiea (2) Voittajan naapurusto Naapurusto määritellään aivan uuella tavalla (ei ole sama kuin esim. lähimmän naapurin luokitin!) Ajatellaan että itse asiassa keskipistevektorit ovat joienkin laskentayksiköien tai keinotekoisten neuroneien painovektoreita, ja nämä yksiköt tai neuronit on järjestetty säännölliseen hilaan m m 2 m 5 m 6 m 9 m m 3 m 4 Kuva: Kaksiulotteinen SOM-verkko: neuronin m naapureita ovat m 7, m, m 2 ja m 5 Tämä voisi vastata toellista fyysistä laskentapiiriä tai pientä aivokuoren osaa, vaikka SOM lähes aina toteutetaan ohjelmoimalla Hila on yleensä 2-ulotteinen kuten kuvassa, mutta voi olla myös - tai 3-ulotteinen (tai K-ulotteinen mutta silloin visualisointi vaikeaa). m 3 m 7 m m 5 m 4 m 8 m 2 m 6 9 / 44 / 44 SOM-algoritmin perusiea (3) Voittajan naapurusto SOM-algoritmin perusiea Naapureien keskipistevektorien päivittäminen Nyt hila määrittelee naapurit: esim. 2-ulotteisessa hilassa lähimmät naapurit ovat viereiset laskentayksiköt oikealle, vasemmalle, ylös, alas (ns. 4-naapurusto, kuvassa m :n naapurit ovat m 7, m, m 2 ja m 5 ), tai lisäksi iagonaalisesti (ns. 8-naapurusto) tai siihen voi kuulua myös seuraavat 6 ympäröivää yksikköä jne. -ulotteisessa hilassa yksiköt b, b +, tai myös b 2, b + 2 jne. (naapuruston koosta myöhemmin) Entäs toinen kysymys: Miten naapureien keskipistevektorit liikkuvat? Merkitään kaavassa (4) olevaa kerrointa /(n b + ) merkinnällä α, ja nyt saaaan SOM-päivityskaava painovektoreille: b = m b + α[x j m b ] voittajayksikölle b k = m k + α[x j m k ] voittajan b naapuriyksiköille k l = m l muille yksiköille. Osoittautuu että α:ksi voiaan valita sopivan pieni luku, jonka ei tarvitse olla yhtäsuuri kuin /(n b + ) / 44 2 / 44
4 SOM-algoritmin perusiea (2) Naapureien keskipistevektorien päivittäminen SOM poikkeaa c-means:stä siinä, että myös voittajan naapureita opetetaan. Alla olevassa kuvassa on -ulotteinen SOM, jossa painovektorit m, m 2 ja m 3 vierekkäisen vektorin naapurustolla. Kun m 3 voittaa ( best matching unit, BMU), niin sitä ja myös sen naapuria m 2 siirretään uuen atan suuntaan Kuva: SOM-kartan (D) päivittyminen: sekä voittaja että sen naapuri päivittyvät SOM-algoritmin perusiea (3) Naapureien keskipistevektorien päivittäminen Tässä kaavassa esitetään vain yksi askel SOM-algoritmia, yhelle opetusvektorille Opetusta on jatkettava koko opetusjoukon yli, ja useaan kertaan (joitakin kymmeniä kertoja tyypillisesti) Koko esimerkki 2D-ata ja 2D-kartta opetuksen aikana Mitä tapahtuu? Kaksi asiaa:. Painovektorit levittäytyvät koko opetusjoukon alueelle (vrt. ryhmittely) 2. Naapuriyksiköien painovektorit pyrkivät olemaan lähekkäin (ns. topologinen kartta) 3 / 44 4 / 44 SOM-algoritmin perusiea Kartan ja atan visualisointi SOM-algoritmin perusiea (2) Kartan ja atan visualisointi Opetuksen tuottaman painovektorien levittäytyminen ja naapureien läheisyys voiaan kuvata graafisesti kahella tavalla näyttämällä itse SOM-karttahilan ja kussakin neuronissa sen painovektorin SepalL SepalW PetalL PetalW näyttämällä syöteavaruuen (jonka silloin oltava -, 2- tai tietokoneavusteisesti 3-ulotteinen) ja siinä olevat opetusvektorit ja SOM-painovektorit. Naapuruus näytetään yhistämällä naapurineuronien painovektorit viivalla ( elastinen verkko ) Kohosen kaktus Kuva: 2-ulotteisen SOM-kartan neljä kompenttitasoa (4-ulotteiset painovektorit), kun syötteenä 4-ulotteista ataa. Karttahila ja painovektorit komponenteittain 5 / 44 6 / 44
5 Yhteys biologiaan Yhteys biologiaan (2) Isojen aivojen aivokuorella (apinoilla, kissoilla, hiirillä, ihmisillä, yms.) on sensorisia alueita, jotka käsittelevät esim. näköhavaintoja Erityisen paljon on tutkittu, kuinka yksinkertaiset visuaaliset havainnot, esimerkiksi tietynsuuntaiset viivat, kuvautuvat aivoihin Osoittautuu että näköaivokuoren tietyllä alueella on ns. suuntakarttoja, joissa kaikki eri suuntaiset viivat on kooattu samaan tapaan kuin SOM-pinnalla: kaikki suunnat ovat eustettuina, ja viereiset neuronit kooaavat lähes samansuuntaisia viivoja Suuntakartat eivät määräyy geneettisesti vaan oppimisen kautta SOM-algoritmi jäljittelee yksinkertaista oppimislakia, jolla toelliset hermosolut saattaisivat muoostaa topologisia suuntakarttoja. Kuva: Hermosoluja 7 / 44 8 / 44 Suppenevuus -ulotteisessa tapauksessa Suppenevuus -ulotteisessa tapauksessa (2) Katsotaan nyt eellä esitettyä SOM-algoritmia: b = m b + α[x j m b ] voittajayksikölle b k = m k + α[x j m k ] voittajan b naapuriyksiköille k l = m l muille yksiköille. Oletetaan mahollisimman yksinkertainen tapaus: -ulotteinen hila, - ulotteinen opetusata: silloin painovektorit ovat skalaareja, suoran pisteitä m,..., m c. Naapurusto määritellään niin että neuronin j naapurit ovat j, j + paitsi päissä joissa neuronilla on naapurina vain 2 ja neuronilla c vain c. Ajatellaan iso joukko opetusvektoreita (nyt skalaareja) x. Tässä tapauksessa on mahollista toistaa että painoluvut m i järjestyvät varmasti opetuksessa joko suuruus- tai pienuusjärjestykseen, jos < α <. Ensinnäkin, voiaan aina konstruoia sopiva joukko opetuslukuja x siten että ne järjestävät m i :t D-kartan järjestyminen Toiseksi, jos m i :t ovat järjestyksessä, niitä on mahoton saaa enää epäjärjestykseen. Oletetaan että m c > m c >... > m 2 > m. Oletetaan että b:s yksikkö voittaa. Silloin vain m b, m b, m b+ muuttavat paikkaa, muut pysyvät ennallaan. 9 / 44 2 / 44
6 Suppenevuus -ulotteisessa tapauksessa (3) Silloin b mb uusi = m b + α(x m b ) m b α(x m b ) = ( α)(m b m b ) > joten niien kohalla järjestys säilyy. Aivan samoin osoitetaan että mb+ uusi muusi b >. Sitten Käytännön valintoja Yleisimmät hilat ovat - tai 2-imensioisia, koska kartta on silloin helppo visualisoia 2-imensioisella hilalla on kaksi perusrakennetta: suorakaiehila ja kuusikulmiohila m m 4 m 7 m m 3 m m 4 m 7 m m 3 mb uusi b 2 = m b + α(x m b ) m b 2 = m b m b 2 + α(x m b ) m 2 m 3 m 5 m 6 m 8 m 9 m m 2 m 4 m 5 m 3 m 2 m 6 m 5 m 9 m 8 m m 4 m 2 m 5 mutta tämä on positiivinen koska m b m b 2 > ja toisaalta x m b >. Jälkimmäinen pätee siksi, että yksikkö b on voittaja ja siis x on lähempänä m b :tä kuin m b :tä. Aivan samoin osoitetaan että mb+2 uusi muusi b+ >. 2 / 44 Kuva: SOM:n suorakaiehila ja kuusikulmiohila Kuusikulmio- eli heksagonaalihilan etu on se, että kullakin yksiköllä on 6 naapuria jotka kaikki ovat yhtä etäällä siitä 22 / 44 Käytännön valintoja (2) Reunoilla naapurusto on epätäyellinen, paitsi jos hila ajatellaan kierretyksi munkkirinkeliksi (toruspinnaksi), jolloin se on jatkuva eikä mitään reunoja ole Toroii Kuva: SOM-hila munkkirinkilinä 2 Käytännön valintoja (3) Naapuruston koko: käytännössä osoittautuu, että SOM-algoritmissa on syytä pienentää naapurustoa vähitellen, samoin algoritmissa olevaa α-kerrointa. Näin saaaan parempia tuloksia. Nämä molemmat voiaan itse asiassa yhistää kirjoittamalla SOM-algoritmi hieman toiseen muotoon: Sen sijaan että olisi b = m b + α[x j m b ] voittajayksikölle b k = m k + α[x j m k ] b:n naapuriyksiköille k l = m l muille yksiköille. kirjoitetaankin tämä seuraavasti: k = m k + αh(k, b)[x j m k ] kaikille yksiköille k 23 / / 44
7 Käytännön valintoja (4) Tämä on täysin sama kuin eellä oleva SOM-algoritmi, jos kaavassa oleva uusi termi, ns. naapuruusfunktio on { jos k kuuluu voittajan b naapurustoon h(k, b) = muuten Jotta kaavat olisivat aivan yhenpitävät, on oltava myös h(b, b) = eli pitää ajatella että b itsekin kuuluu omaan naapurustoonsa Nyt naapuruston valintaa voiaan pehmentää valitsemalla funktioksi h(k, b) sileämpi funktio, esim. gaussinen h(k, b) = e β 2 (k,b) missä (k, b) on yksikön k etäisyys voittajasta b hilaa pitkin mitattuna (huomaa että nytkin h(b, b) = ) Käytännön valintoja (5) Esim. yksiulotteisessa hilassa missä on yksiköt, 2,..., c, määritellään (k, b) = k b Paljon tämänkaltaisia virityksiä on valmiina ohjelmapaketissa SOM Toolbox 25 / / 44 Mihin SOM:ia käytetään? Mihin SOM:ia käytetään? (2) On taas erotettava toisistaan SOM:in oppimisalgoritmi, josta eellä puhuttiin, ja valmiin opetetun SOM-kartan käyttö Kartan käyttöä luonnehtii oheinen kuva: SOM muoostaa kuvauksen (funktion) syöteavaruuen R ja karttahilan välille Kuva: SOM: kuvaus syöteavaruuen ja karttahilan välillä 27 / / 44
8 Mihin SOM:ia käytetään? (3) Kukin syöteavaruuen piste x (esim. kukin opetusjoukon vektori) kuvautuu hilaan siihen yksikköön joka on x:lle voittaja, eli yksikköön b = b(x) = argmin i=,...,c x m i Siten SOM on ryhmittelyalgoritmi, jos kukin hilapiste ajatellaan omana ryhmänään (klusterinaan). Tiettyyn hilapisteeseen kuvautuu samankaltaisia vektoreita x Verrattuna tavalliseen ryhmittelyyn (esim. c-means) SOM:illa on ylimääräinen ominaisuus: vierekkäisiin hilapisteisiin kuvautuu yleensä myös samankaltaisia vektoreita Siten syöteavaruuen se alue, johon opetusvektorit kuuluvat, kuvautuu lähes jatkuvasti (topologisesti) hilaan Mihin SOM:ia käytetään? (4) Hilaa voi nyt käyttää ikäänkuin karttapintana tietokoneen ruuulla hakemaan erilaisia syöteavaruuen osia, se on siis tehokas visualisointikeino hyvinkin korkeaimensioiselle atalle Kukin hilapiste k kuvautuu vastaavasti syöteavaruuteen R pisteeseen m k Siten SOM on myös vektorikooausalgoritmi. Kuvaus syöteavaruuen ja SOM-hilan välillä ei kuitenkaan matemaattisessa mielessä voi olla puhtaasti topologinen (jatkuva molempiin suuuntiin), koska hilan imensio on yleensä 2 ja syöteavaruuen > 2. Kartassa on siellä täällä hyppäyksiä (vrt. tapaus 2-ulotteinen syöteavaruus, -ulotteinen kartta). 29 / 44 3 / 44 Mihin SOM:ia käytetään? Esimerkkejä Yhteenveto WEBSOM: menetelmä suurten tekstiaineistojen kuvaamiseksi kartalle PicSOM: kuvatietokantojen interaktiivinen hakumenetelmä Teollisuusssovelluksia. Tässä luvussa esiteltiin itseorganisoiva kartta (SOM), jota voiaan käyttää korkeaulotteisen atan ryhmittelyyn ja visualisointiin. SOM:n keksijä on akateemikko Teuvo Kohonen. 3 / / 44
9 /5 opetusaskelta 5/5 opetusaskelta /5 opetusaskelta 25/5 opetusaskelta /5 opetusaskelta 5/5 opetusaskelta Foneemikirjoitin Köyhyyskartta Kuva: Erilaiset puheen spektrit kuvautuvat SOM-karttapinnalle. Neuronissa on piirrettynä äännettä vastaava spektrikuvio. Kuva: Valtioien talouelliset inikaattorit SOM-karttapinnalla. Korkeaulotteinen ata on saatu visualisoitua mielekkääksi 2-ulotteiseksi kuvaksi. Vierekkäisiin neuroneihin kuvautuu samankaltaisia atavektoreita (maita). Takaisin kalvoihin Takaisin kalvoihin 33 / / 44 Esimerkki 2D-ata ja 2D-kartta opetuksen aikana Esimerkki 2D-ata ja 2D-kartta opetuksen aikana (2) Alkutilanne: atanäytteitä (+) yksikköneliössä ja 6 6 -kokoinen suorakulmaisen hilan SOM-kartta järjestäytymättömänä. Mustat pallot painovektoreita m j. Opetuksen aikana kartta levittäytyy ja järjestyy opetusjoukon alueelle. Kuvat 5,, 5, 5, 25 ja 5 kierroksen jälkeen. 2 Data ja alkuperainen SOM kartta / / 44
10 /5 opetusaskelta 5/5 opetusaskelta /5 opetusaskelta 25/5 opetusaskelta /5 opetusaskelta 5/5 opetusaskelta Esimerkki 2D-ata ja 2D-kartta opetuksen aikana (3) Alkutilanne #2: atanäytteitä (+) yksikköneliössä ja 6 6 -kokoinen suorakulmaisen hilan SOM-kartta järjestäytymättömänä. Mustat pallot painovektoreita m j. Esimerkki 2D-ata ja 2D-kartta opetuksen aikana (4) Opetuksen aikana kartta levittäytyy ja järjestyy opetusjoukon alueelle. Kuvat 5,, 5, 5, 25 ja 5 kierroksen jälkeen. 2 Data ja alkuperainen SOM kartta Lähe: SOM Toolboxin som_emo. Takaisin kalvoihin 37 / / 44 SOM:n komponenttitasoesitys SOM:n komponenttitasoesitys (2) Datana tässä esimerkissä on käytetty klassista Fisherin liljaataa (Iris), jossa 5 neliulotteista havaintoa kolmesta liljalajista ( Setosa, Virginica, Versicolor ). Mitatut ominaisuuet aluslehen ( Sepal ) pituus ( L ) ja leveys ( W ) sekä terälehen ( Petal ) vastaavat. SepalL SepalW X = PetalL PetalW Setosa Setosa... SepalL SepalW Painovektorikartat komponenteittain eli ns. komponenttitasot. Yhen painovektorin m 2 R 4 kohta on osoitettu punaisella pisteellä. Kyseisen kohan arvot ovat pieniä muuttujille SepalL, PetalL ja PetalW, mutta verrattain suuri muuttujalle SepalW. PetalL PetalW Koska ata x R 4, niin myös painovektorit m R / 44 4 / 44
11 SOM:n komponenttitasoesitys (3) Elastinen verkko: Kohosen kaktus Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Setosa Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Versicolor Virginica Versicolor Versicolor Virginica Virginica Virginica Versicolor Versicolor Versicolor Versicolor Virginica Virginica Virginica Virginica Virginica Virginica Virginica Virginica Virginica Virginica Virginica Virginica Virginica Vasemmalla ns. U-matriisi, joka näyttää harmaasävyllä vierekkäisten m i :n etäisyyet, joista voi päätellä klusterirajoja. Värillinen täplä osoittaa kuinka monen havainnon lähin m i on. Setosa-laji (punainen) on selkeästi erillään kahesta muusta lajista, koska PetalL ja PetalW ovat pieniä (kts. komponenttitasot). Oikealla kunkin neuronin pääasiallisin laji. Takaisin kalvoihin Kuva: Kohosen kaktus : kolmiulotteinen ata ja kaksiulotteinen SOM. Kartta pyrkii täyttämään kolmiulotteisen muoon taipumalla atan mukaan. Takaisin kalvoihin 4 / / 44 D-kartan järjestyminen sopivalla D-atalla x D-kartan järjestyminen sopivalla D-atalla x (2) Uusi opetuspiste x. Lähimpänä m. Yksiulotteiset painovektorit m 4, m, m 3 ja m 2 suoralla. Tavoitteena etsiä sellainen atasyöte x, x 2,... että painovektorit tulevat järjestykseen. Voittaja m ja sen naapuri m 2 liikkuvat. Opetusvektori (piste) x vasemmalla. Lähimpänä m 4. Uusi opetuspiste x 3. Lähimpänä m 3. Voittaja m 4 ja sen naapuri m 3 liikkuvat. 43 / 44 Liikutetaan voittajaa m 3 ja sen naapureita m 2 ja m 4. Nyt kartta on järjestynyt m 4 < m 3 < m 2 < m. Takaisin kalvoihin 44 / 44
Luku 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
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
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
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
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
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
LisätiedotSarjoja ja analyyttisiä funktioita
3B Sarjoja ja analyyttisiä funktioita 3B a Etsi funktiolle z z 5 potenssisarjaesitys kiekossa B0, 5. b Etsi funktiolle z z potenssisarjaesitys kiekossa, jonka keskipiste on z 0 4. Mikä on tämän potenssisarjan
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
LisätiedotT Kevät 2003 Logiikka tietotekniikassa: erityiskysymyksiä I Laskuharjoitus 11 Ratkaisut
T-79.146 Kevät 2003 Logiikka tietotekniikassa: erityiskysymyksiä I Laskuharjoitus 11 Ratkaisut 1. M : a P P f Q, R Q e P a) M, a = A(P UQ), sillä (esim.) (a,,,,,...) on tilasta a alkava täysi polku, joka
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
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 =
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:
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
LisätiedotMatemaatiikan tukikurssi
Matemaatiikan tukikurssi Kurssikerta 1 1 Funktiot Funktion määritelmä Funktio on sääntö, joka liittää kahden eri joukon alkioita toisiinsa. Ollakseen funktio tämän säännön on liitettävä jokaiseen lähtöjoukon
LisätiedotMatematiikan tukikurssi: kurssikerta 10
Matematiikan tukikurssi: kurssikerta 10 1 Newtonin menetelmä Oletetaan, että haluamme löytää funktion f(x) nollakohan. Usein tämä tehtävä on mahoton suorittaa täyellisellä tarkkuuella, koska tiettyjen
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
LisätiedotMatematiikan tukikurssi: kurssikerta 12
Matematiikan tukikurssi: kurssikerta 2 Tenttiin valmentavia harjoituksia Huomio. Tähän tulee lisää ratkaisuja sitä mukaan kun ehin niitä kirjoittaa. Kurssilla käyään läpi tehtävistä niin monta kuin mahollista.
Lisätiedotjens 1 matti Etäisyydet 1: 1.1 2: 1.4 3: 1.8 4: 2.0 5: 3.0 6: 3.6 7: 4.0 zetor
T-1.81 Luonnollisten kielten tilastollinen käsittely Vastaukset 11, ti 8.4., 1:1-18: Klusterointi, Konekääntäminen. Versio 1. 1. Kuvaan 1 on piirretty klusteroinnit käyttäen annettuja algoritmeja. Sanojen
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
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
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
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
LisätiedotKenguru Student (lukion 2. ja 3. vuosi) sivu 1 / 6
Kenguru Student (lukion 2. ja 3. vuosi) sivu 1 / 6 NIMI LUOKKA/RYHMÄ Pisteet: Kenguruloikan pituus: Irrota tämä vastauslomake tehtävämonisteesta. Merkitse tehtävän numeron alle valitsemasi vastausvaihtoehto.
LisätiedotOsoita, että kaikki paraabelit ovat yhdenmuotoisia etsimällä skaalauskuvaus, joka vie paraabelin y = ax 2 paraabelille y = bx 2. VASTAUS: , b = 2 2
8. Geometriset kuvaukset 8.1. Euklidiset kuvaukset 344. Esitä muodossa x = Ax + b se avaruuden E 3 peilauskuvaus, jonka symmetriatasona on x 1 3x + x 3 = 6. A = 1 3 6 6 3, b = 1 1 18. 3 6 6 345. Tason
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
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
Lisätiedot2. M : T kevät 2007 Laskennallisen logiikan jatkokurssi Laskuharjoitus 11 Ratkaisut 1. M :
T-79.5101 kevät 2007 Laskennallisen logiikan jatkokurssi Laskuharjoitus 11 Ratkaisut 2. M : a 1. M : a c b, e b f,r c e a) M,a = A(U), sillä (esim.) (a,b,,,,...) on tilasta a alkava täysi polku, joka ei
LisätiedotDerivointiesimerkkejä 2
Derivointiesimerkkejä 2 (2.10.2008 versio 2.0) Parametrimuotoisen funktion erivointi Esimerkki 1 Kappale kulkee pitkin rataa { x(t) = sin 2 t y(t) = cos t. Määritetään raan suuntakulma positiiviseen x-akseliin
LisätiedotLineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44
Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44 Tehtävät 1-3 lasketaan alkuviikon harjoituksissa, verkkotehtävien dl on lauantaina aamuyöllä. Tehtävät 4 ja 5 lasketaan loppuviikon harjoituksissa.
LisätiedotHelsingin seitsemäsluokkalaisten matematiikkakilpailu Ratkaisuita
Helsingin seitsemäsluokkalaisten matematiikkakilpailu 22..204 Ratkaisuita. Laske 23 45. a) 4000 b) 4525 c) 4535 d) 5525 e) 5535 Ratkaisu. Lasketaan allekkain: 45 23 35 90 45 5535 2. Yhden maalipurkin sisällöllä
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Sarjakehitelmiä Palautetaan mieliin, että potenssisarja on sarja joka on muotoa a n (x x 0 ) n = a 0 + a 1 (x x 0 ) + a 2 (x x 0 ) 2 + a 3 (x x 0 ) 3 +. n=0 Kyseinen
LisätiedotKenguru 2012 Student sivu 1 / 8 (lukion 2. ja 3. vuosi)
Kenguru 2012 Student sivu 1 / 8 Nimi Ryhmä Pisteet: Kenguruloikan pituus: Irrota tämä vastauslomake tehtävämonisteesta. Merkitse tehtävän numeron alle valitsemasi vastausvaihtoehto. Väärästä vastauksesta
Lisätiedot3.2.2 Tikhonovin regularisaatio
3 Tikhonovin regularisaatio Olkoon x 0 R n tuntematon, M R m n teoriamatriisi ja y Mx + ε R m (316 annettu data Häiriöherkässä ongelmassa pienimmän neliösumman miniminormiratkaisu x M + y Q N (M x + M
Lisätiedot6.4. Järjestyssuhteet
6.4. Järjestyssuhteet Joukon suhteilla voidaan kuvata myös alkioiden järjestystä tietyn ominaisuuden suhteen. Järjestys on myös kaksipaikkainen suhde (ja on monia erilaisia järjestyksiä). Suhde R joukossa
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 7 Differentiaalikehitelmä Funktion f erivaatta pisteessä x 0 eli f (x 0 ) on erotusosamäärän rajaarvo: f (x) f (x 0 ). x x 0 x x 0 Tämä voiaan esittää hieman eri muoossa
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kertausta 2. välikokeeseen Toisessa välikokeessa on syytä osata ainakin seuraavat asiat: 1. Potenssisarjojen suppenemissäe, suppenemisväli ja suppenemisjoukko. 2. Derivaatan laskeminen
LisätiedotEpäeuklidista geometriaa
Epäeuklidista geometriaa 7. toukokuuta 2006 Sisältö 1 Johdanto 1 1.1 Euklidinen geometria....................... 1 1.2 Epäeuklidinen geometria..................... 2 2 Poincarén kiekko 2 3 Epäeuklidiset
LisätiedotDerivaatta: funktion approksimaatio lineaarikuvauksella.
Viikko 5 Tällä viikolla yleistetään R 2 :n ja R 3 :n vektorialgebran peruskäsitteet n-ulotteiseen avaruuteen R n, ja määritellään lineaarikuvaus. Tarkastellaan funktioita, joiden määrittelyjoukko on n-ulotteisen
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista x + αd, α 0, on pisteestä x R n alkava puolisuora, joka on vektorin d suuntainen. Samoin
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.
MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Riikka Korte Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto
Lisätiedot. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
1 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
LisätiedotMS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 1: Moniulotteiset integraalit
MS-A35 ifferentiaali- ja integraalilaskenta 3 Luento : Moniulotteiset integraalit Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Syksy 26 Antti Rasila (Aalto-yliopisto) MS-A35 Syksy
LisätiedotNopeus, kiihtyvyys ja liikemäärä Vektorit
Nopeus, kiihtyvyys ja liikemäärä Vektorit Luento 2 https://geom.mathstat.helsinki.fi/moodle/course/view.php?id=360 Luennon tavoitteet: Vektorit tutuiksi Koordinaatiston valinta Vauhdin ja nopeuden ero
Lisätiedot5.6 Yhdistetty kuvaus
5.6 Yhdistetty kuvaus Määritelmä 5.6.1. Oletetaan, että f : æ Y ja g : Y æ Z ovat kuvauksia. Yhdistetty kuvaus g f : æ Z määritellään asettamalla kaikilla x œ. (g f)(x) =g(f(x)) Huomaa, että yhdistetty
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
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
Lisätiedot10. lokakuuta 2011 Basics of Multivariate Methods 2011 Laskuharjoitus 4: Itseorganisoituva kartta (SOM) ja Sammon-kartta
Nina Hänninen nhannine@student.uef.fi 10. lokakuuta 2011 Mikko Kolehmainen Basics of Multivariate Methods 2011 Laskuharjoitus 4: Itseorganisoituva kartta (SOM) ja Sammon-kartta 1 Johdanto Itseorganisoituva
LisätiedotJohdatus matematiikkaan
Johdatus matematiikkaan Luento 6 Mikko Salo 6.9.2017 Sisältö 1. Kompleksitaso 2. Joukko-oppia Kompleksiluvut Edellisellä luennolla huomattiin, että toisen asteen yhtälö ratkeaa aina, jos ratkaisujen annetaan
LisätiedotRatkaisuehdotukset LH 8 / vko 47
Ratkaisuehdotukset LH 8 / vko 47 Tehtävä 1: Olkoot A R n n matriisi, jonka singulaariarvohajotelma on A [ ] [ ] Σ U 1 U r 0 [V1 ] T 2 V 0 0 2 Jossa Σ r on kääntyvä matriisi, [ U 1 U 2 ] ja [ V1 V 2 ] ovat
LisätiedotInduktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa. väite P(n) on totta kaikille n = 0,1,2,...
Induktiotodistus Induktiota käyttäen voidaan todistaa luonnollisia lukuja koskevia väitteitä, jotka ovat muotoa väite P(n) on totta kaikille n = 0,1,2,.... Tässä väite P(n) riippuu n:n arvosta. Todistuksessa
Lisätiedotax + y + 2z = 0 2x + y + az = b 2. Kuvassa alla on esitetty nesteen virtaus eräässä putkistossa.
BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 7, Syksy 206 Tutkitaan yhtälöryhmää x + y + z 0 2x + y + az b ax + y + 2z 0 (a) Jos a 0 ja b 0 niin mikä on yhtälöryhmän ratkaisu? Tulkitse ratkaisu
LisätiedotDiplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 2017 Insinöörivalinnan matematiikan koe , Ratkaisut (Sarja A)
Diplomi-insinööri- ja arkkitehtikoulutuksen yhteisvalinta 017 Insinöörivalinnan matematiikan koe 30..017, Ratkaisut (Sarja A) 1. a) Lukujen 9, 0, 3 ja x keskiarvo on. Määritä x. (1 p.) b) Mitkä reaaliluvut
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 4 Jatkuvuus Jatkuvan funktion määritelmä Tarkastellaan funktiota f x) jossakin tietyssä pisteessä x 0. Tämä funktio on tässä pisteessä joko jatkuva tai epäjatkuva. Jatkuvuuden
LisätiedotLaskennallinen data-analyysi II
Laskennallinen data-analyysi II Ella Bingham, ella.bingham@cs.helsinki.fi Kevät 2008 Muuttujien valinta Kalvot perustuvat Saara Hyvösen kalvoihin 2007 Laskennallinen data-analyysi II, kevät 2008, Helsingin
LisätiedotSimplex-algoritmi. T Informaatiotekniikan seminaari , Susanna Moisala
Simplex-algoritmi T-6.5 Informaatiotekniikan seminaari..8, Susanna Moisala Sisältö Simplex-algoritmi Lähtökohdat Miten ongelmasta muodostetaan ns. Simplextaulukko Miten haetaan käypä aloitusratkaisu Mitä
Lisätiedot1 Sisätulo- ja normiavaruudet
1 Sisätulo- ja normiavaruudet 1.1 Sisätuloavaruus Määritelmä 1. Olkoon V reaalinen vektoriavaruus. Kuvaus : V V R on reaalinen sisätulo eli pistetulo, jos (a) v w = w v (symmetrisyys); (b) v + u w = v
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
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
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z
LisätiedotJatkuva-aikaisten Markov-prosessien aikakehitys
5A Jatkuva-aikaisten Markov-prosessien aikakehitys Tämän harjoituksen tavoitteena on harjoitella jatkuva-aikaisiin Markov-prosesseihin liittyviä hetkittäisiä jakaumia ja tutkia niien muutoksia ajassa.
LisätiedotKertausosa. 5. Merkitään sädettä kirjaimella r. Kaaren pituus on tällöin r a) sin = 0, , c) tan = 0,
Kertausosa. a),6 60 576 Peruuttaessa pyörähdyssuunta on vastapäivään. Kulma on siis,4 60 864 a) 576 864 0,88m. a) α b 0,6769... 0,68 (rad) r,m 8cm β,90...,9 (rad) 4cm a) α 0,68 (rad) β,9 (rad). a) 5,0
Lisätiedot802320A LINEAARIALGEBRA OSA II
802320A LINEAARIALGEBRA OSA II Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 64 Sisätuloavaruus Määritelmä 1 Olkoon V reaalinen vektoriavaruus. Kuvaus on reaalinen
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
LisätiedotDifferentiaali- ja integraalilaskenta 1 Ratkaisut 3. viikolle /
MS-A008 Differentiaali- ja integraalilaskenta, V/07 Differentiaali- ja integraalilaskenta Ratkaisut 3. viikolle / 5. 7.4. Taylorin Polynomit, Taylorin sarjat, potenssisarjat, Newtonin menetelmä Tehtävä
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus / vko 5 Tehtävä 1 (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 3 =, b) z + 3 i < 3, c) 1/z >. Yleisesti: ehto z = R, z C muodostaa kompleksitasoon
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 22 R. Kangaslampi matriisiteoriaa Kertaus: ominaisarvot
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Ryhmittelyn perusperiaate Tästä lähdetään liikkeelle: Tähän pyritään: a b c bc d e f de def bcdef abcdef monimuuttujamenetelmiin,
LisätiedotMatriisit, kertausta. Laskutoimitukset. Matriisikaavoja. Aiheet. Määritelmiä ja merkintöjä. Laskutoimitukset. Matriisikaavoja. Matriisin transpoosi
Matriisit, kertausta Merkintöjä 1 Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ( 2 0.4 8 0 2 1 ) ( 0, 4 ), ( ) ( 1 4 2, a 11 a 12 a 21 a 22 ) Kaavio kirjoitetaan kaarisulkujen väliin
Lisätiedotz z 0 (m 1)! g(m 1) (z0) k=0 Siksi kun funktioon f(z) sovelletaan Cauchyn integraalilausetta, on voimassa: sin(z 2 dz = (z i) n+1 k=0
TKK, Matematiian laitos v.pfaler/pursiainen Mat-.33 Matematiian perusurssi KP3-i sysy 2007 Lasuharjoitus 4 viio 40 Tehtäväsarja A viittaa aluviion ja L loppuviion tehtäviin. Valmistauu esittämään nämä
LisätiedotMatriisien tulo. Matriisit ja lineaarinen yhtälöryhmä
Matriisien tulo Lause Olkoot A, B ja C matriiseja ja R Tällöin (a) A(B + C) =AB + AC, (b) (A + B)C = AC + BC, (c) A(BC) =(AB)C, (d) ( A)B = A( B) = (AB), aina, kun kyseiset laskutoimitukset on määritelty
Lisätiedots = 11 7 t = = 2 7 Sijoittamalla keskimmäiseen yhtälöön saadaan: k ( 2) = 0 2k = 8 k = 4
BM0A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 5, Syksy 05. (a) i. Jotta vektori c sijaitsisi a:n ja b:n virittämällä tasolla, c on voitava esittää a:n ja b:n lineaarikombinaationa. c ta + sb
LisätiedotTietotekniikan valintakoe
Jyväskylän yliopisto Tietotekniikan laitos Tietotekniikan valintakoe 2..22 Vastaa kahteen seuraavista kolmesta tehtävästä. Kukin tehtävä arvostellaan kokonaislukuasteikolla - 25. Jos vastaat useampaan
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Ominaisarvoteoriaa Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Ominaisarvot Kertaus: ominaisarvot Määritelmä
Lisätiedot2 Pistejoukko koordinaatistossa
Pistejoukko koordinaatistossa Ennakkotehtävät 1. a) Esimerkiksi: b) Pisteet sijaitsevat pystysuoralla suoralla, joka leikkaa x-akselin kohdassa x =. c) Yhtälö on x =. d) Sijoitetaan joitain ehdon toteuttavia
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit
MS-A25/MS-A26 ifferentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 216 1 Perustuu
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotMatematiikan ja tilastotieteen laitos Matematiikka tutuksi Harjoitus 2, malliratkaisut
Matematiikan ja tilastotieteen laitos Matematiikka tutuksi Harjoitus, malliratkaisut 1.-5.9.009 1. Muodosta joukot A B, A B ja A\B sekä laske niiden alkioiden lukumäärät (mikäli kyseessä on äärellinen
Lisätiedotjäsentäminen TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho 26. marraskuuta 2015 TIETOTEKNIIKAN LAITOS
TIEA241 Automaatit ja kieliopit, syksy 2015 Antti-Juhani Kaijanaho TIETOTEKNIIKAN LAITOS 26. marraskuuta 2015 Sisällys Tunnistamis- ja jäsennysongelma Olkoon G = (N, Σ, P, S) kontekstiton kielioppi ja
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
LisätiedotTykillä ampuminen 2. missä b on ilmanvastuskerroin, v skalaarinen nopeus, nopeus vektorina ja nopeuden suuntainen yksikkövektori.
Tykillä ampuminen Mallinnettaessa heittoliikettä, kuten esimerkiksi tykillä ampumista, keskeisinä vaikuttavina tekijöinä ovat painovoima sekä ilmanvastuksen aiheuttama nopeuelle vastakkaissuuntainen voima.
LisätiedotVektoreita GeoGebrassa.
Vektoreita GeoGebrassa 1 Miten GeoGebralla piirretään vektoreita? Työvälineet ja syöttökentän komennot Vektoreiden esittäminen GeoGebrassa on luontevaa: vektorien piirtämiseen on kaksi työvälinettä vektoreita
LisätiedotPeto- ja saaliskanta
Peto- ja saaliskanta Peto- ja saaliskantojen keskinäistä vuorovaikutusta voiaan mallintaa toisistaan riippuvien ifferentiaaliyhtälöien avulla. Tässä tarkastellaan yksinkertaista mallia, joka perustuu ns.
LisätiedotLuento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.
Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi. Konveksisuus Muista. + αd, α 0, on pisteessä R n alkava puolisuora, joka on vektorin d suuntainen. Samoin 2
Lisätiedotisomeerejä yhteensä yhdeksän kappaletta.
Tehtävä 2 : 1 Esitetään aluksi eräitä havaintoja. Jokaisella n Z + symbolilla H (n) merkitään kaikkien niiden verkkojen joukkoa, jotka vastaavat jotakin tehtävänannon ehtojen mukaista alkaanin hiiliketjua
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
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
LisätiedotRistitulolle saadaan toinen muistisääntö determinantin avulla. Vektoreiden v ja w ristitulo saadaan laskemalla determinantti
14 Ristitulo Avaruuden R 3 vektoreille voidaan määritellä pistetulon lisäksi niin kutsuttu ristitulo. Pistetulosta poiketen ristitulon tulos ei ole reaaliluku vaan avaruuden R 3 vektori. Ristitulosta on
LisätiedotYksittäisten maatilojen tarkastelu korkeaulotteisessa talousavaruudessa itseorganisoivan kartan avulla
Yksittäisten maatilojen tarkastelu korkeaulotteisessa talousavaruudessa itseorganisoivan kartan avulla Mika Sulkava 1) ja Maria Yli-Heikkilä 2) 1) Luonnonvarakeskus (Luke), PL 2, 00791 Helsinki, mika.sulkava@luke.fi
LisätiedotMatematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus Malliratkaisut (Sauli Lindberg)
Matematiikan ja tilastotieteen laitos Reaalianalyysi I Harjoitus 4 9.4.-23.4.200 Malliratkaisut (Sauli Lindberg). Näytä, että Lusinin lauseessa voidaan luopua oletuksesta m(a)
LisätiedotKönigsbergin sillat. Königsberg 1700-luvulla. Leonhard Euler ( )
Königsbergin sillat 1700-luvun Königsbergin (nykyisen Kaliningradin) läpi virtasi joki, jonka ylitti seitsemän siltaa. Sanotaan, että kaupungin asukkaat yrittivät löytää reittiä, joka lähtisi heidän kotoaan,
LisätiedotDigitaalitekniikan matematiikka Luku 5 Sivu 1 (22) Lausekkeiden sieventäminen F C F = B + A C. Espresso F = A (A + B) = A A + A B = A B
igitaalitekniikan matematiikka Luku 5 Sivu (22).9.2 e = + = ( + ) = + = Espresso igitaalitekniikan matematiikka Luku 5 Sivu 2 (22).9.2 e Johdanto Tässä luvussa esitetään perusteet lausekemuodossa esitettyjen
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 3. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotAntti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos
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
LisätiedotTekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).
Tekijä Pitkä matematiikka 4 9.12.2016 212 Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Vastaus esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4) 213 Merkitään pistettä
LisätiedotLineaarialgebra ja matriisilaskenta I, HY Kurssikoe Ratkaisuehdotus. 1. (35 pistettä)
Lineaarialgebra ja matriisilaskenta I, HY Kurssikoe 26.10.2017 Ratkaisuehdotus 1. (35 pistettä) (a) Seuraavat matriisit on saatu eräistä yhtälöryhmistä alkeisrivitoimituksilla. Kuinka monta ratkaisua yhtälöryhmällä
Lisätiedot