JOHDATUS TEKOÄLYYN TEEMU ROOS
|
|
- Onni Heikkinen
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 JOHDATUS TEKOÄLYYN TEEMU ROOS
2 TERMINATOR
3 SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN T (AIKA) FUNKTIONA (TAI MUUTTUJAN F (TAAJUUS) => FREQUENCY DOMAIN )
4 SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN T (AIKA) FUNKTIONA (TAI MUUTTUJAN F (TAAJUUS) => FREQUENCY DOMAIN )
5 SIGNAALINKÄSITTELY KUVAN TAI ÄÄNITIEDOSTON KOKO ON USEIN SUURI: ESIM X 1000 PIKSELIÄ = PIKSELIÄ KUVA: RESOLUUTIO [DPI] ÄÄNI: NÄYTTEENOTTOTAAJUUS [HZ] KOHINAA ESIINTYY AINA LUONNOLLISESSA SIGNAALISSA SIGNAALI RIIPPUU MYÖS OLOSUHTEISTA: - KUVAKULMA, VALAISTUS, ETÄISYYS,... - KAIKU, MIKROFONI, TAUSTAHÄLY,... TUNNISTAMINEN TAI LUOKITTELU VAIKEAA
6 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN
7 MOTION CAPTURE
8 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN
9 MICROSOFT PHOTOSYNTH
10 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN
11 AFGHAN GIRL
12 AFGHAN GIRL
13 AFGHAN GIRL INVARIANSSI
14 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN
15 KOHINANPOISTO Example: Denoising Occam s Razor MDL Principle Universal Source Coding MDL Principle (contd.) Modern MDL Histogram Density Estimation Clustering Linear Regression Wavelet Denoising Teemu Roos Introduction to Information-Theoretic Modeling
16 KOHINANPOISTO Example: Denoising Occam s Razor MDL Principle Universal Source Coding MDL Principle (contd.) Modern MDL Histogram Density Estimation Clustering Linear Regression Wavelet Denoising Teemu Roos Introduction to Information-Theoretic Modeling
17 KOHINANPOISTO ALKUPERÄINEN KÄSITELTY
18 KOHINANPOISTO SIGNAALI (ÄÄNI TAI KUVA) ESITETÄÄN NIIN SANOTUSSA AALLOKEMUODOSSA (WAVELET) HIUKAN KUIN TAAJUUS- ESITYS ÄÄNELLÄ KÄSITELLÄÄN SIGNAALIA VEKTORINA
19 KOHINANPOISTO AALLOKEMUODOSSA SIGNAALIN OLENNAINEN OSA KESKITTYNYT VAIN HARVOIHIN, ISOIHIN ELEMENTTEIHIN [0,0,0, 45, 12, 0,0,0,0, 2, 0,0, 120, 0,0,0,...] KOHINA JAKAUTUU TASAISESTI KAIKILLE ELEMENTEILLE [ε,ε,ε,45±ε, 12±ε,ε,ε,ε,ε, 2±ε,ε,ε, 120±ε,ε,ε,ε,...] MENETELMÄ: ASETA NOLLAA LÄHELLÄ OLEVAT ELEMENTIT NOLLIKSI [0,0,0,45±ε, 12±ε,0,0,0,0, 0,0,0, 120±ε,0,0,0,...] TULOS: SUURIN OSA KOHINASTA HÄVIÄÄ VAIN PIENI OSA SIGNAALISTA HÄVIÄÄ
20 KOHINANPOISTO AALLOKEMUODOSSA SIGNAALIN OLENNAINEN OSA KESKITTYNYT VAIN HARVOIHIN, ISOIHIN ELEMENTTEIHIN [0,0,0, 45, 12, 0,0,0,0, 2, 0,0, 120, 0,0,0,...] KOHINA JAKAUTUU TASAISESTI KAIKILLE ELEMENTEILLE [ε,ε,ε,45±ε, 12±ε,ε,ε,ε,ε, 2±ε,ε,ε, 120±ε,ε,ε,ε,...] MENETELMÄ: ASETA NOLLAA LÄHELLÄ OLEVAT ELEMENTIT NOLLIKSI [0,0,0,45±ε, 12±ε,0,0,0,0, 0,0,0, 120±ε,0,0,0,...] TULOS: SUURIN OSA KOHINASTA HÄVIÄÄ VAIN PIENI OSA SIGNAALISTA HÄVIÄÄ
21 KOHINANPOISTO kohinanpoisto(x,t): n length(x) c dwt(x) // discrete wavelet transform for i = 1,...,n: if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x
22 KOHINANPOISTO kohinanpoisto(x,t): AALLOKEMUUNNOS n length(x) c dwt(x) // discrete wavelet transform for i = 1,...,n: if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x
23 KOHINANPOISTO kohinanpoisto(x,t): n length(x) KYNNYSARVO t c dwt(x) // discrete wavelet transform for i = 1,...,n: if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x
24 KOHINANPOISTO kohinanpoisto(x,t): n length(x) c dwt(x) // discrete wavelet transform for i = 1,...,n: KÄÄNTEISMUUNNOS if c[i] < t: c[i] = 0 end-for x idwt(c) // inverse wavelet transform return x
25 KOHINANPOISTO AALLOKEMUUNNOS LUONNOLLINEN SIGNAALI
26 KOHINANPOISTO LUONNOLLINEN SIGNAALI 120 AALLOKEMUUNNOS
27 KOHINANPOISTO KOHINAA LUONNOLLINEN SIGNAALI AALLOKEMUUNNOS
28 KOHINANPOISTO KYNNYSARVO T LUONNOLLINEN SIGNAALI AALLOKEMUUNNOS
29 KOHINANPOISTO LUONNOLLINEN SIGNAALI 121 AALLOKEMUUNNOS
30 KOHINANPOISTO AALLOKEMUUNNOS -8 8 SIGNAALI SILEÄMPI KUIN ENNEN JA VÄHEMMÄN KOHINAA LUONNOLLINEN SIGNAALI
31 KOHINANPOISTO
32 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN
33 RADIOHEAD
34 SIGNAALINKÄSITTELY GRAFIIKKA KUVAN- PHOTO- SHOPPAILU TIETOKONE- LIIKKEEN- KAAPPAUS HAHMON- TUNNISTUS TAMINEN
35 SEURANTA (TRACKING)
36 HAHMONTUNNISTUS TAVOITE TUNNISTAMISESSA LÖYTÄÄ PIIRTEET, JOIDEN PERUSTEELLA VOIDAAN TUNNISTAA SAMA HAHMO ERI KUVISSA TAI ÄÄNINÄYTTEISSÄ KUVASSA TYYPILLISIÄ PIIRRETYYPPEJÄ: - REUNAT - KULMAT ÄÄNESSÄ: - TAAJUUS - TAAJUUDEN MUUTOKSET (YLÖS, ALAS,...) - RYTMI -...
37 SURF HAHMONTUNNISTUKSESSA SUOSIOSSA INVARIANTIT PIIRTEET, KUTEN SIFT (Scale Invariant Feature Transform) JA SURF (Speeded Up Robust Features). H. Bay, T. Tuytelaars & l. van Gool. SURF: Speeded Up Robust Features, Computer Vision and Image Understanding (CVIU), Vol. 110, No. 3, pp , 2008 IDEANA LÖYTÄÄ KUVASTA JOUKKO PIIRTEITÄ (FEATURE), JOTKA SÄILYVÄT SAMANA - ERI KOOSSA INVARIANSSI - ERI KULMASSA JA JOTKA VOI LASKEA - NOPEASTI.
38 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN
39 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN
40 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN
41 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN
42 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN
43 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN 3. TOISTA ERI SKAALAUKSILLA (SKAALAINVARIANTTI) 4. VALITSE det(h):n PAIKALLISET MAKSIMIT AVAINPISTEIKSI
44 SURF VAIHE I: AVAINPISTEIDEN VALINTA: 1. ESITETÄ KUVA INTEGRAALIMUODOSSA (NOPEUTUS) X Y I(X,Y) = Σ Σ F(i,j) i=1 j=1 2. LASKE HESSEN MATRIISIN (HESSIAN) DETERMINANTTI : INTENSITEETIN 2. DERIVAATAT ERI SUUNTIIN 3. TOISTA ERI SKAALAUKSILLA (SKAALAINVARIANTTI) 4. VALITSE det(h):n PAIKALLISET MAKSIMIT AVAINPISTEIKSI
45 SURF VAIHE II: PIIRTEIDEN KUVAUS: 1. TARKASTELE JOKAISEN AVAINPISTEEN YMPÄRISTÖÄ 2. LASKE ORIENTAATIO (INTENSITEETIN PERUSTEELLA) 3. KONSTRUOI INTENSITEETIN VAIHTELUN PERUSTEELLA KUVAAJAVEKTORI (SURFISSA 64-DIMENSIOINEN)
46 SURF VAIHE II: PIIRTEIDEN KUVAUS: 1. TARKASTELE JOKAISEN AVAINPISTEEN YMPÄRISTÖÄ 2. LASKE ORIENTAATIO (INTENSITEETIN PERUSTEELLA) 3. KONSTRUOI INTENSITEETIN VAIHTELUN PERUSTEELLA KUVAAJAVEKTORI (SURFISSA 64-DIMENSIOINEN)
47 SURF VAIHE II: PIIRTEIDEN KUVAUS: 1. TARKASTELE JOKAISEN AVAINPISTEEN YMPÄRISTÖÄ 2. LASKE ORIENTAATIO (INTENSITEETIN PERUSTEELLA) 3. KONSTRUOI INTENSITEETIN VAIHTELUN PERUSTEELLA KUVAAJAVEKTORI (SURFISSA 64-DIMENSIOINEN) TULOKSENA PIIRREVEKTORI: (X,Y,SKAALA,ORIENTAATIO,KUVAAJAVEKTORI)
48 SURF
49 SURF-ESIMERKKI
50 SURF VAIHE III: HAHMONTUNNISTUS 1. ETSI PIIRTEET YHDESTÄ KUVASTA 2. ETSI PIIRTEET TOISESTA KUVASTA 3. ETSI ERI KUVISSA ESIINTYVIÄ PIIRREPAREJA, JOTKA OVAT RIITTÄVÄN LÄHELLÄ TOISIAAN (EUKLIDINEN ETÄIYYS) 4. VOI PARANTAA GEOMETRISILLA RAJOITTEILLA (KORVAT ERI PUOLELLA PÄÄTÄ, SILMÄT SIINÄ VÄLISSÄ, JNE.)
51 SURF
52 SURF
53 SURF
54 ENSI VIIKOSTA LEGOILLA LEIKKIMISTÄ LASKUHARJOITUSRYHMISSÄ PAJAMEININKIÄ LISÄRYHMIÄ PERUSTETAAN LISÄOHJEITA KURSSIN SIVULLA (MYÖHEMMIN)
JOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN
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 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 AI-TUTKIJAN URANÄKYMIÄ AJATUSTENLUKUA COMPUTER VISION SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA MUUTTUJIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA
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
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 (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
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
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
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
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.
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 4
Inversio-ongelmien laskennallinen peruskurssi Luento 4 Kevät 20 Regularisointi Eräs keino yrittää ratkaista (likimääräisesti) huonosti asetettuja ongelmia on regularisaatio. Regularisoinnissa ongelmaa
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
LisätiedotKuvan pakkaus JPEG (Joint Photographic Experts Group)
Kuvan pakkaus JPEG (Joint Photographic Experts Group) Arne Broman Mikko Toivonen Syksy 2003 Historia 1840 1895 1920-luku 1930-luku Fotografinen filmi Louis J. M. Daguerre, Ranska Ensimmäinen julkinen elokuva
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
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
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
Lisätiedot2.8. Kannanvaihto R n :ssä
28 Kannanvaihto R n :ssä Seuraavassa kantavektoreiden { x, x 2,, x n } järjestystä ei saa vaihtaa Vektorit ovat pystyvektoreita ( x x 2 x n ) on vektoreiden x, x 2,, x n muodostama matriisi, missä vektorit
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
LisätiedotAHTI OKSANEN SIFT-MENETELMÄ PIIRTEENSOVITUKSESSA. Kandidaatintyö
AHTI OKSANEN SIFT-MENETELMÄ PIIRTEENSOVITUKSESSA Kandidaatintyö Tarkastaja: lehtori Heikki Huttunen Jätetty tarkastettavaksi 8. toukokuuta 2011 ii TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Signaalinkäsittelyn
LisätiedotLineaarialgebra MATH.1040 / voima
Lineaarialgebra MATH.1040 / voima 1 Seuraavaksi määrittelemme kaksi vektoreille määriteltyä tuloa; pistetulo ja. Määritelmät ja erilaiset tulojen ominaisuudet saattavat tuntua, sekavalta kokonaisuudelta.
LisätiedotJOHDATUS TEKOÄLYYN TEEMU ROOS
JOHDATUS TEKOÄLYYN TEEMU ROOS ROBOTIIKKA TEKOÄLYN GRAND CHALLENGE YHDISTÄÄ LÄHES KAIKKI TEKOÄLYN OSA-ALUEET: ROBOTIIKKA TEKOÄLYN GRAND CHALLENGE YHDISTÄÄ LÄHES KAIKKI TEKOÄLYN OSA-ALUEET: AIVOT : + KONENÄKÖ
LisätiedotTiedonkeruu ja analysointi
Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala 30.9.2015 ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat
Lisätiedot2D piirrelaskennan alkeet, osa I
2D piirrelaskennan alkeet, osa I Ville Tirronen aleator@jyu.fi University of Jyväskylä 18. syyskuuta 2008 Näkökulma Aiheet Tarkastellaan yksinkertaisia 2D kuvankäsittelyoperaattoreita Näkökulmana on tunnistava
LisätiedotTiedonkeruu ja analysointi
Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat laakerit,
LisätiedotRadioastronomian käsitteitä
Radioastronomian käsitteitä allonpituusalue ~ 100 m - 1 mm MHz 300 GHz Leveä aallonpituusalue: erilaisia antenneja, monenlaista tekniikkaa Ei (suoraan) kuvia Signaali yleensä
LisätiedotKuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
Lisätiedotr > y x z x = z y + y x z y + y x = r y x + y x = r
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Osoita, että avoin kuula on avoin joukko ja suljettu kuula on suljettu joukko. Ratkaisu.
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14
LisätiedotJos sinulla on kysyttävää 10. Vastaanotin toimi.
Tärkeät turvallisuustiedot ennen käyttöönottoa 1 Onnea uuden Langattoman Baby Guardin johdosta. Ennen kuin otat langattoman Baby Guardin käyttöösi, lue kaikki turvallisuus- ja käyttööhjeet huolellisesti,
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta
Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden
LisätiedotVektorilaskenta, tentti
Vektorilaskenta, tentti 27102017 Tentin kesto n 3 tuntia Vastaa NELJÄÄN tehtävään Jos vastaat kaikkiin, niin neljä PARASTA otetaan huomioon Kuvat vievät tilaa, joten muista kurkistaa paperin toiselle puolelle
LisätiedotDifferentiaaliyhtälöryhmä
Differentiaaliyhtälöryhmä Ensimmäisen kertaluvun differentiaaliyhtälöryhmä vaikkapa korkeamman kertaluvun yhtälöä vastaava normaaliryhmä voidaan ratkaista numeerisesti täsmälleen samanlaisilla kaavoilla
LisätiedotTarvitseeko informaatioteknologia matematiikkaa?
Tarvitseeko informaatioteknologia matematiikkaa? Oulun yliopisto Matemaattisten tieteiden laitos 1 Kyllä kai IT matematiikkaa tarvitsee!? IT ja muu korkea teknologia on nimenomaan matemaattista teknologiaa.
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-100 Signaalinkäsittelyn menetelmät Välikoe 6.4.010 Sivuilla 1- on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
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
LisätiedotKJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 15.3.2016 Susanna Hurme Päivän aihe: Translaatioliikkeen kinematiikka: asema, nopeus ja kiihtyvyys (Kirjan luvut 12.1-12.5, 16.1 ja 16.2) Osaamistavoitteet Ymmärtää
LisätiedotAjatellaan jotakin datajoukkoa joka on talletettu datamatriisiin X: n vectors. TKK, Informaatiotekniikan laboratorio 1
3. DATA VEKTORINA 3.1. Vektorit, matriisit, etäisyysmitat Ajatellaan jotakin datajoukkoa joka on talletettu datamatriisiin X: n vectors {}}{ d vector elements X TKK, Informaatiotekniikan laboratorio 1
LisätiedotTaso 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste, suora
Taso 1/5 Sisältö Taso geometrisena peruskäsitteenä Kolmiulotteisen alkeisgeometrian peruskäsitteisiin kuuluu taso pisteen ja suoran lisäksi. Intuitiivisesti sitä voidaan ajatella joka suunnassa äärettömyyteen
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:
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
LisätiedotTalousmatematiikan perusteet: Luento 9
Talousmatematiikan perusteet: Luento 9 Vektorien peruslaskutoimitukset Lineaarinen riippumattomuus Vektorien sisätulo ja pituus Vektorien välinen kulma Motivointi Tähän asti olemme tarkastelleet yhden
LisätiedotS-108-2110 OPTIIKKA 1/10 Laboratoriotyö: Polarisaatio POLARISAATIO. Laboratoriotyö
S-108-2110 OPTIIKKA 1/10 POLARISAATIO Laboratoriotyö S-108-2110 OPTIIKKA 2/10 SISÄLLYSLUETTELO 1 Polarisaatio...3 2 Työn suoritus...6 2.1 Työvälineet...6 2.2 Mittaukset...6 2.2.1 Malus:in laki...6 2.2.2
LisätiedotSGN-4200 Digitaalinen Audio Harjoitustyö-info
1 SGN-4200 Digitaalinen Audio Harjoitustyö-info 04.04.2012 Joonas Nikunen Harjoitystyö - 2 Suorittaminen ja Käytännöt Kurssin pakollinen harjoitustyö: Harjoitellaan audiosignaalinkäsittelyyn tarkoitetun
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotJanne Mustaniemi Eemeli Ristimella Joonas Jyrkkä Esineiden mittaaminen älypuhelimella
TIETO- JA SÄHKÖTEKNIIKAN TIEDEKUNTA Janne Mustaniemi Eemeli Ristimella Joonas Jyrkkä Esineiden mittaaminen älypuhelimella Kandidaatintyö Tietotekniikan tutkinto-ohjelma Toukokuu 2017 Mustaniemi Janne,
Lisätiedot(1.1) Ae j = a k,j e k.
Lineaarikuvauksen determinantti ja jälki 1. Lineaarikuvauksen matriisi. Palautetaan mieleen, mikä lineaarikuvauksen matriisi annetun kannan suhteen on. Olkoot V äärellisulotteinen vektoriavaruus, n = dim
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7 8
Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan
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
LisätiedotDifferentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40
Differentiaali- ja integraalilaskenta 2 Laskuharjoitus 4 / vko 40 Alkuviikolla harjoitustehtäviä lasketaan harjoitustilaisuudessa. Loppuviikolla näiden harjoitustehtävien tulee olla ratkaistuina harjoituksiin
LisätiedotRadiointerferometria II
Radiointerferometria II Kolme ALMA-antennia ALMA tulevaisuudessa Puuttuva informaatio Epätäydellinen uv-tason peitto: 1. Keskusaukko : pintamaisen lähteen kokonaisvuontiheys jää mittaamatta, V (0, 0) =
Lisätiedot2. harjoitus - malliratkaisut Tehtävä 3. Tasojännitystilassa olevan kappaleen kaksiakselista rasitustilaa käytetään usein materiaalimalleissa esiintyv
2. harjoitus - malliratkaisut Tehtävä 3. Tasojännitystilassa olevan kappaleen kaksiakselista rasitustilaa käytetään usein materiaalimalleissa esiintyvien vakioiden määrittämiseen. Jännitystila on siten
LisätiedotVideoista voimaa! Parempia videoita mobiilisti. Jonne Hirvonen.
Videoista voimaa! Parempia videoita mobiilisti Jonne Hirvonen Miksi video? Herättää huomiota Kertoo tarinoita Synnyttää tunteita Jää mieleen Videoita mobiilisti? Älypuhelin = tietokone + kamera = kaikki
LisätiedotJohdatus materiaalimalleihin
Johdatus materiaalimalleihin 2 kotitehtäväsarja - kimmoisat materiaalimallit Tehtävä Erään epälineaarisen kimmoisen isotrooppisen aineen konstitutiivinen yhtälö on σ = f(i ε )I + Ge () jossa venymätensorin
LisätiedotTässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa.
Laskuharjoitus 1A Mallit Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. 1. tehtävä %% 1. % (i) % Vektorit luodaan
LisätiedotOrganization of (Simultaneous) Spectral Components
Organization of (Simultaneous) Spectral Components ihmiskuulo yrittää ryhmitellä ja yhdistää samasta fyysisestä lähteestä tulevat akustiset komponentit yhdistelyä tapahtuu sekä eri- että samanaikaisille
LisätiedotTampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus
Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)
LisätiedotKULJETUSSUUREET Kuljetussuureilla tai -ominaisuuksilla tarkoitetaan kaasumaisen, nestemäisen tai kiinteän väliaineen kykyä siirtää ainetta, energiaa, tai jotain muuta fysikaalista ominaisuutta paikasta
LisätiedotUltraäänen kuvausartefaktat. UÄ-kuvantamisen perusoletukset. Outi Pelkonen OYS, Radiologian Klinikka 29.4.2005
Ultraäänen kuvausartefaktat Outi Pelkonen OYS, Radiologian Klinikka 29.4.2005 kaikissa radiologisissa kuvissa on artefaktoja UÄ:ssä artefaktat ovat kaikuja, jotka näkyvät kuvassa, mutta eivät vastaa sijainniltaan
LisätiedotDigitaalinen audio
8003203 Digitaalinen audio Luennot, kevät 2005 Tuomas Virtanen Tampereen teknillinen yliopisto Kurssin tavoite Johdanto 2 Tarjota tiedot audiosignaalinkäsittelyn perusteista perusoperaatiot, sekä niissä
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
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )
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
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 30.1.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotÄänen eteneminen ja heijastuminen
Äänen ominaisuuksia Ääni on ilmamolekyylien tihentymiä ja harventumia. Aaltoliikettä ja värähtelyä. Värähtelevä kappale synnyttää ääntä. Pistemäinen äänilähde säteilee pallomaisesti ilman esteitä. Käytännössä
Lisätiedot9. Vektorit. 9.1 Skalaarit ja vektorit. 9.2 Vektorit tasossa
9. Vektorit 9.1 Skalaarit ja vektorit Skalaari on koon tai määrän mitta. Tyypillinen esimerkki skalaarista on massa. Lukumäärä on toinen hyvä esimerkki skalaarista. Vektorilla on taas suuruus ja suunta.
LisätiedotEi välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:
Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti
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 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
Lisätiedot1.1 Vektorit. MS-A0007 Matriisilaskenta. 1.1 Vektorit. 1.1 Vektorit. Reaalinen n-ulotteinen avaruus on joukko. x 1. R n. 1. Vektorit ja kompleksiluvut
ja kompleksiluvut ja kompleksiluvut 1.1 MS-A0007 Matriisilaskenta 1. ja kompleksiluvut Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 26.10.2015 Reaalinen
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
LisätiedotKuvanlaadunparantaminen. Mikko Nuutinen 21.3.2013
Kuvanlaadunparantaminen Mikko Nuutinen 21.3.2013 Luennon sisältö Termistöä Kuvanentisöinti Terävyys unsharp masking Kohina non-local means Linssivääristymän korjaus Kuvanlaadunehostaminen Kontrasti Auto-levels
LisätiedotJOHDATUS ELEKTRONIIKKAAN. Oppitunti 2 Elektroniikan järjestelmät
JOHDATUS ELEKTRONIIKKAAN Oppitunti 2 Elektroniikan järjestelmät 2 ELEKTRONIIKAN JÄRJESTELMÄT Aktiivisuusranneke Mittaa liikettä Keskustelee käyttäjän kanssa ledeillä ja värinällä Keskustelee radioiden
LisätiedotTalousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta
Talousmatematiikan perusteet: Luento 15 Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta Viime luennolla Tarkastelimme usean muuttujan funktioiden rajoittamatonta optimointia:
LisätiedotSolmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä:
Frégier n lause Simo K. Kivelä Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Suorakulmaisen kolmion kaikki kärjet sijaitsevat paraabelilla y = x 2 ; suoran kulman
LisätiedotMatriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37
Matriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37 Tehtävä 1: Käynnistä Matlab-ohjelma ja kokeile laskea sillä muutama peruslaskutoimitus: laske jokin yhteen-, vähennys-, kerto- ja jakolasku. Laske
LisätiedotViikon aiheet. Funktion lineaarinen approksimointi
Viikon aiheet Funktion ääriarvot Funktion lineaarinen approksimointi Vektorit, merkintätavat, pituus, yksikkövektori, skalaarilla kertominen, kanta ja kannan vaihto Funktion ääriarvot 6 Väliarvolause Implisiittinen
Lisätiedot3 Ikkunointi. Kuvio 1: Signaalin ikkunointi.
3 Ikkunointi Puhe ei ole stationaarinen signaali, vaan puheen ominaisuudet muuttuvat varsin nopeasti ajan myötä. Tämä on täysin luonnollinen ja hyvä asia, mutta tämä tekee sellaisten signaalinkäsittelyn
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
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
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
LisätiedotMatemaattinen Analyysi, k2012, L1
Matemaattinen Analyysi, k22, L Vektorit Merkitsemme koulumatematiikasta tuttua vektoria v = 2 i + 3 j sarake matriisilla ( ) 2 v = v = = ( 2 3 ) T 3 Merkintätavan muutos helpottaa jatkossa siirtymistä
LisätiedotMatematiikka ja teknologia, kevät 2011
Matematiikka ja teknologia, kevät 2011 Peter Hästö 17. helmikuuta 2011 Matemaattisten tieteiden laitos Sisältö Kurssi koostuu kuudesta (seitsemästä) toisistaan riippumattomasta luennosta. Aihepiirit ovat:
LisätiedotSelvästi. F (a) F (y) < r x d aina, kun a y < δ. Kolmioepäyhtälön nojalla x F (y) x F (a) + F (a) F (y) < d + r x d = r x
Seuraavaksi tarkastellaan C 1 -sileiden pintojen eräitä ominaisuuksia. Lemma 2.7.1. Olkoon S R m sellainen C 1 -sileä pinta, että S on C 1 -funktion F : R m R eräs tasa-arvojoukko. Tällöin S on avaruuden
LisätiedotNumeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55
Numeeriset menetelmät TIEA381 Luento 14 Kirsi Valjus Jyväskylän yliopisto Luento 14 () Numeeriset menetelmät 15.5.2013 1 / 55 Luennon 14 sisältö Nopeat Fourier-muunnokset (FFT) Yleinen algoritmi 2-kantainen
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018 1. (a) Tunnemme vektorit a = [ 5 1 1 ] ja b = [ 2 0 1 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien
LisätiedotVektorianalyysi II (MAT21020), syksy 2018
Vektorianalyysi II (MAT21020), syksy 2018 Ylimääräisiä harjoitustehtäviä 1. Osoita, että normin neliö f : R n R, f(x) = x 2 on differentioituva pisteessä a R n ja, että sen derivaatalle on voimassa 2.
LisätiedotProjektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén
Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Sonifikaatio Menetelmä Sovelluksia Mahdollisuuksia Ongelmia Sonifikaatiosovellus: NIR-spektroskopia kariesmittauksissa
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
Lisätiedot