Innledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt
|
|
- Åge Aronsen
- 7 år siden
- Visninger:
Transkript
1 Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer Ikke-ledet læring Klyngeanalyse.
2 Oversikt Lineære og generaliserte diskriminantfunksjoner Lineære diskriminantfunksjoner for c klasser: Parametre (vekter): g i (x)=w t i x + w i0, i = 1,...,c w i - vektvektor (d komponenter) for klasse w i w i0 - tersklingsvekt (skalar) for klasse w i. Lineære diskriminantfunksjoner kan i noen tilfeller gi den optimale løsningen. Beslutningsregel: Velg w m hvis g m (x)=max{g i (x)} i
3 Toklasseproblemet To klasser Lineær toklasse diskriminantfunksjon: g(x)=g 1 (x) g 2 (x) =(w1x t + w 10 ) (w2x t + w 20 ) =(w 1 w 2 ) t +(w 10 w 20 ) =w t x + w 0 Her er: w t = w 1 w 0 = w 10 w 2 vektvektoren og w 20 tersklingsvekten. Desisjonsregelen blir da: Velg w 1 hvis g(x) > 0, w 2 ellers
4 Toklasseproblemet Desisjonsgrensen er et hyperplan w x p x Avstanden fra et punkt x til hyperplanet er: r = g(x) kwk. dvs. proporsjonal med verdien til diskriminantfunksjonen i x. Avstanden mellom origo og hyperplanet blir derved: 8 d = g(0) kwk = w >< w 0 > 0 : origo på positiv side av hyperplanet 0 kwk ) w 0 = 0 : hyperplanet gjennom origo >: w 0 < 0 : origo på negativ side av hyperplanet
5 Toklasseproblemet Hyperplan med w 0 > 0 w Origo ligger på den positive siden av hyperplanet (d > 0).
6 Toklasseproblemet Hyperplan med w 0 = 0 w Hyperplanet går gjennom origo (d = 0).
7 Toklasseproblemet Hyperplan med w 0 < 0 w Origo ligger på den negative siden av hyperplanet (d < 0).
8 Mange klasser Lineær maskin Diskriminantfunksjoner på formen: g 1 (x) g i (x)=w t i x + w i0, i = 1,...,c x g 2 (x) med beslutningsregelen: Velg w i hvis g i (x)=max{g j (x)} j g c (x) Lineær maskin. Alternativer: Dele inn problemet i c toklasseproblemer (hver klasse mot alle de andre), Behandle alle c(c 1)/2 par av klasser hver for seg. Begge alternativer leder til udefinerte eller tvetydige regioner i egenskapsrommet.
9 Mange klasser Eksempel - Minste avstand klassifisering Klassifisering til klassen med nærmeste forventningsverdi (mht. Euclidsk avstand) gir diskriminantfunksjonene: g i (x)= kx µ i k 2 = x t x + 2x t µ i µ t i µ i Første leddet er felles for alle klasser og kan sløyfes, slik at diskriminantfunksjonene kan skrives som: apple 1 = ai t y. x Her er: g i (x)=2x t µ i kµ i k 2 =[ kµ i k 2,2µ t i {z } ] ai t a i utvidet vektvektor for klasse w i og y utvidet egenskapsvektor. {z} y
10 Mange klasser Stykkevis lineære desisjonsgrenser - tre klasser Todimensjonale desisjonsregioner for minimum avstand klassifisering.
11 Mange klasser Stykkevis lineære desisjonsgrenser - fem klasser Todimensjonale desisjonsregioner for minimum avstand klassifisering.
12 Generalisering Generaliserte lineære diskriminantfunksjoner Lineær diskriminantfunksjon: g(x)=w t x + w 0 = w 0 + Generalisering til høyere orden: g(x)=w 0 + = ˆd  i=1 d  i=1 w i x i + a i y i (x)=a t y d  i=1 d d   i=1 j=1 w i x i w ij x i x j + (klasseangivelse utelatt) d d d    i=1 j=1 k=1 (rekkeutvikling til orden ˆd). w ijk x i x j x k +... Dette er en lineær diskriminantfunksjon i y med utvidede vektorer: a 1 y 1 (x) a 2 y 2 (x) a = 6 7 (vektvektor) og y = (egenskapsvektor). a ˆd y ˆd(x)
13 Generalisering Lineære diskriminantfunksjoner Skal bruke lineære diskriminantfunksjoner transformert til y-rommet: g i (x)=wi t d x 1 x + w i0 = w i0 + Â w ij x ij =[w i0,w i1,...,w id ] = a i t y. j=1 Avbildning fra d! d + 1dimensjonererder: a = utvidet vektvektor y = utvidet egenskapsvektor Sampler fra x-rommet ligger i d-dimensjonalt underrom i y-rommet. Desisjonsregelen velger klassen med størst skalarprodukt av utvidet vektvektor med utvidet egenskapsvektor. x d
14 Generalisering Toklasseproblemet Den felles diskriminantfunksjonen for toklasseproblemet kan skrives på formen: g(x)=g 1 (x) g 2 (x)=a1y t a2y t =(a1 t a2)y t = a t y, der a = a 1 a 2 normalvektor til desisjonsflaten (generelt et hyperplan), Hyperplanet går gjennom origo i y-rommet. Desisjonsregel: Velg w 1 hvis a t y > 0ogw 2 hvis a t y apple 0
15 Utvidet egenskapsrom Transformasjon fra x-rom til y-rom Separerende hyperplan a Éndimensjonalt datasett i x-rom og y-rom (grønne sirkler fra w 1 og røde kvadrater fra w 2 ). I y-rommet kan klassene her separeres vha. et hyperplan gjennom origo, med a som normalvektor.
16 Utvidet egenskapsrom Separerende hyperplan, løsningsvektor og løsningsregion Separerende hyperplan Løsningsregion a
17 Utvidet egenskapsrom Representasjon i y-rom med fortegnskonvensjon Separerende hyperplan Løsningsregion a
18 Trening av vektvektor - gradientsøk Minimalisering av kriteriefunksjon - gradientsøk En kriteriefunksjon J(a) skal minimaliseres for å finne en optimal vektvektor. Gradientsøk: a 1 = vilkårlig startverdi a k+1 = a k r k J(a k ), k = 1,2,... der r k er en positiv skrittlengde (inkrementet). Forhåpentligvis oppnås konvergens mot et globalt minimum, men løsningen vil avhenge av J(a),a 1 og r k. For stort inkrement kan gi divergens, mens for liten verdi kan føre til langsom konvergens.
TEK5020/TEK Mønstergjenkjenning
Sammendrag og eksempler Lineære diskriminantfunksjoner (Gradientsøk, perceptronmetoden) UiO : Institutt for teknologisystemer Høsten 2018 (22. oktober 2018) Diskriminantfunksjoner Utvidet egenskapsrom
DetaljerInnledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt
Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer
DetaljerGeneralisering til mange klasser - feilrettingsmetodene
Mange klasser Generalisering til mange klasser - feilrettingsmetodene Kesslers konstruksjon - omskriving av c-klasseproblemet til et toklasseproblem. Her innføres en sammensatt vektvektor a og et sett
DetaljerDimensjonalitetsproblemer (3)
Dimensjonalitetsproblemer Dimensjonalitetsproblemer (3) Ved å inkludere flere uavhengige egenskaper der µ i1 6= µ i2 i egenskapsvektoren vil r 2 øke og P(e) avta, slik at: P d+1 (e) apple P d (e). Dette
DetaljerMinimalisering av kriteriefunksjon - gradientsøk
Trening av vektvektor - gradientsøk Minimalisering av kriteriefunksjon - gradientsøk En kriteriefunksjon J(a) skal minimaliseres for å finne en otimal vektvektor. Gradientsøk: a 1 = vilkårlig startverdi
DetaljerIkke-separable problemer
Feilrettingsmetoder Ikke-separable problemer Feilrettingsmetodene konvergerer under gitte betingelser til løsningsvektorer for lineært separable problemer, men kan også gi gode resultater på ikke-separable
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (15. oktober 2016) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere
DetaljerTEK5020/TEK Mønstergjenkjenning
Sammendrag og eksempler Innledning UiO : Institutt for teknologisystemer Høsten 2018 (18. august 2018) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler UiO : Institutt for teknologisystemer Høsten 2017 (14. august 2017) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning ˆ Gjenkjenne objekter - tilordne objekter til én
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (17. august 2016) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere
DetaljerNormalfordelingen. Univariat normalfordeling (Gaussfordelingen): der µ er forventningsverdien og σ 2 variansen. Multivariat normalfordeling:
Normalfordelingen Univariat normalfordeling (Gaussfordelingen): p(x µ,σ 2 ) = 1 µ)2 (x e 2σ 2 = N(µ,σ 2 ) 2πσ der µ er forventningsverdien og σ 2 variansen. Multivariat normalfordeling: [ 1 p(x µ,σ) =
DetaljerRF5100 Lineær algebra Leksjon 12
RF5100 Lineær algebra Leksjon 12 Lars Sydnes, NITH 26. november 2013 I. GAUSS-ELIMINASJON 2x + 3y + z = 1 2x + 5y z = 1 4x + 7y + 4z = 3 x + 3/2 y + 1/2 z = 1/2 x + 2z = 2 y z = 1 3z = 2 x + 2z = 2 y z
Detaljer+ (y b) F y. Bruker vi det siste på likningen z = f(x, y) i punktet (a, b, f(a, b)) kan vi velge F (x, y, z) = f(x, y) z.
Vi husker fra sist Gradientvektoren F ( a) peker i den retningen u der den retningsderiverte D u F ( a) er størst, og der er D u F ( a) = u F ( a) = F ( a). Gradientvektoren er normalvektoren til (hyper)flata
DetaljerOppgave 14 til 9. desember: I polynomiringen K[x, y] i de to variable x og y over kroppen K definerer vi undermengdene:
HJEMMEOPPGAVER utgave av 8-12-2002): Oppgave 15 til 16 desember: La H være mengden av alle matriser på formen A = a 1 a 12 a 13 a 1n 0 a 2 0 0 0 0 a 3 0 0 0 a n der a 1 a 2 a n 0 Videre la SH være matrisene
DetaljerKap. 6 Ortogonalitet og minste kvadrater
Kap. 6 Ortogonalitet og minste kvadrater IR n er mer enn bare et vektorrom: den har et naturlig indreprodukt, nemlig prikkproduktet av vektorer. Dette indreproduktet gjør det mulig å tenke geometrisk og
DetaljerMA1201/MA6201 Høsten 2016
MA/MA6 Høsten 6 Norges teknisk naturvitenskapelige universitet Institutt for matematikk Med forebehold om feil Hvis du finner en, ta kontakt med Karin Kapittel 4 8 Vi benevner matrisen vi skal frem til
DetaljerDiskrete egenskaper. Egenskapsvektoren x antar kun diskrete verdier: v 1,v 2,...,v m. Endringer fra det kontinuerlige tilfellet er at:
Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Diskrete egeskaper Diskrete egeskaper Egeskapsvektore x atar ku diskrete verdier:
DetaljerOptimeringsmetoder anvendt på klassifikasjon av hyperspektrale data. Hovedoppgave. Bjørn Terjei Austenaa
Universitetet i Oslo Institutt for informatikk Optimeringsmetoder anvt på klassifikasjon av hyperspektrale data Hovedoppgave Bjørn Terjei Austenaa 2. mai 2006 Forord Formålet med denne oppgaven har vært
DetaljerPrøveeksamen STK2100 (fasit) - vår 2018
Prøveeksamen STK2100 (fasit) - vår 2018 Geir Storvik Vår 2018 Oppgave 1 (a) Vi har at E = Y Ŷ =Xβ + ε X(XT X) 1 X T (Xβ + ε) =[I X(X T X) 1 X T ]ε Dette gir direkte at E[E] = 0. Vi får at kovariansmatrisen
Detaljer4.4 Koordinatsystemer
4.4 Koordinatsystemer Minner om at B = { b 1, b 2,..., b n } kalles en basis for et vektorrom V dersom B er lineært uavhengig og utspenner V. I samme vektorrom kan vi innføre ulike koordinatsystemer ;
DetaljerDenne veka. Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon
Denne veka Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon Notat: Ordningsvariable og ekstremvariable Ordnings variable Maksimum Minumum Transformasjon
DetaljerTest, 1 Geometri. 1.2 Regning med vektorer. X Riktig. X Galt. R2, Geometri Quiz løsning. Grete Larsen. 1) En vektor har lengde.
Test, 1 Geometri Innhold 1.2 Regning med vektorer... 1 1.3 Vektorer på koordinatform... 6 1.4 Vektorproduktet... 11 1.5 Linjer i rommet... 16 1.6 Plan i rommet... 18 1.7 Kuleflater... 22 Grete Larsen 1.2
DetaljerSammendrag R2. www.kalkulus.no. 31. mai 2009
Sammendrag R2 www.kalkulus.no 31. mai 2009 1 1 Trigonometri Definisjon av sinus og cosinus Sirkelen med sentrum i origo og radius 1 kalles enhetssirkelen. La v være en vinkel i grunnstilling, og la P være
DetaljerKarakterer. Kapittel Homomorfier av grupper. 8.2 Representasjoner
Kapittel 8 Karakterer 8. Homomorfier av grupper I forrige kapittel definerte vi begrepet abstrakt gruppe, som en abstrakt versjon av begrepet symmetrigruppe. For å studere forbindelsen mellom abstrakte
DetaljerArne B. Sletsjøe. Oppgaver, MAT 1012
Arne B. Sletsjøe Oppgaver, MAT 101 1 En-variabel kalkulus 1.1 I de følgende oppgavene, i) finn alle kritiske punkter til f(x), ii) beskriv monotoniegenskapene til funksjonene ved å se på fortegnet til
DetaljerA.3.e: Ortogonale egenfunksjonssett
TFY4250/FY2045 Tillegg 2 1 Tillegg 2: A.3.e: Ortogonale egenfunksjonssett Ikke-degenererte egenverdier La oss først anta at en operator ˆF har et diskret og ikke-degeneret spektrum. Det siste betyr at
Detaljer3.9 Teori og praksis for Minste kvadraters metode.
3.9 Teori og praksis for Minste kvadraters metode. Vi fortsetter med minste kvadraters problem. Nå skal vi se nærmere på noen teoretiske spørsmål, bl.a. hvordan normallikningene utledes. Minner om MK problemstillingen:
DetaljerMer om Histogramprosessering og Convolution/Correlation
Mer om Histogramprosessering og Convolution/Correlation Lars Vidar Magnusson January 30, 2017 Delkapittel 3.3 Histogram Processing Delkapittel 3.4 Fundementals of Spatial Filtering Lokal Histogramprosessering
DetaljerLineær uavhengighet og basis
Lineær uavhengighet og basis NTNU, Institutt for matematiske fag 19. oktober, 2010 Lineær kombinasjon En vektor w sies å være en lineær kombinasjon av vektorer v 1, v 2,..., v k hvis det finnes tall c
DetaljerBayesisk estimering. Tettheten i punkt x er her gitt ved: der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )=
Bayesisk estimering Bayesisk estimering Tettheten i punkt x er her gitt ved: Z p(x X )= p(x q)p(q X )dq der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )= p(x q)p(q) R p(x q)p(q)dq og p(x q)
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Deleksamen i Eksamensdag: 9. april,. Tid for eksamen: : :. Oppgavesettet er på 9 sider. Vedlegg: Tillatte hjelpemidler: MAT Kalkulus og
Detaljer9 Lineærtransformasjoner TMA4110 høsten 2018
9 Lineærtransformasjoner MA4 høsten 8 I forrige kapittel begynte vi å formulere lineær algebra på en generell måte, ved å gi en abstrakt definisjon av vektorrom For å beskrive sammenhenger mellom forskjellige
DetaljerP(x, y) ) x. Dette er sirkellikningen. Et punkt P(x, y) ligger på denne sirkelen hvis og bare hvis koordinatene passer i likningen.
5.9 Sirkellikningen Fra kapittel 4.3 vet vi at sirkelen er det geometriske stedet for de punktene som har en bestemt avstand r fra et fast punkt S. Avstanden r kaller vi radien, og punktet S kaller vi
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG SIF5045 NUMERISK LØSNING AV DIFFERENSIALLIGNINGER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 8 Faglig kontakt under eksamen: Syvert P. Nørsett 7 59 5 45 LØSNINGSFORSLAG TIL EKSAMEN I FAG SIF545 NUMERISK LØSNING
DetaljerMAT feb feb feb MAT Våren 2010
Våren 2010 Mandag 15. februar 2010 Forelesning Vi begynner med et eksempel på bruk av partiell derivasjon for å gjøre såkalt lineær regresjon, eller minste kvadraters metode. Dette er en anvendelse av
DetaljerEmne 7. Vektorrom (Del 1)
Emne 7. Vektorrom (Del 1) Første del av dette emnet innholder lite nytt regnemessig, men vi innfører en rekke nye begreper. Avbildning (image). R m T R n n image(t) Vi kan starte med samme skjematiske
DetaljerLikningssystem for maksimum likelihood løsning
Maksimum likelihood metode Likigssystem for maksimum likelihood løsig Treig av klassifikator ute merket treigssett. Atakelser (i første omgag): Atall klasser c er kjet, ÁpriorisasyligheteeP(w i ), i =
Detaljer1 Mandag 15. februar 2010
1 Mandag 15. februar 2010 Vi begynner med et eksempel på bruk av partiell derivasjon for å gjøre såkalt lineær regresjon, eller minste kvadraters metode. Dette er en anvendelse av teorien vi har gjennomgått
Detaljer1 Mandag 22. februar 2010
1 Mandag 22. februar 2010 Vi begynner med litt repetisjon fra forrige gang, med å sjekke om et vektorfelt er konservativt og dersom svaret er ja, regne ut potensialfunksjonen. Videre skal vi se på en variant
DetaljerMidtveiseksamen. INF Digital Bildebehandling
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt for eksamen:
DetaljerMAT feb feb mars 2010 MAT Våren 2010
MAT 1012 Våren 2010 Mandag 22. februar 2010 Forelesning Vi begynner med litt repetisjon fra forrige gang, med å sjekke om et vektorfelt er konservativt og dersom svaret er ja, regne ut potensialfunksjonen.
Detaljerx 1 x 2 x = x n b 1 b 2 b = b m Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder
4 Noen merknader 4. Lineære systemer Ax = b Gitt systemet Ax = b, A = [a i,j ] i=,,...,m, j=,,...,n x = b = Det kan være vanskelig (beregningsmessig) og bearbeide utrykk som inneholder b i. Med det finnes
DetaljerSEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING
SEGMENTERING IN 106, V-2001 Segmentering er en prosess som deler opp bildet i meningsfulle regioner. I det enkleste tilfelle har vi bare to typer regioner BILDE-SEGMENTERING DEL I Forgrunn Bakgrunn Problemet
DetaljerPolare trekanter. Kristian Ranestad. 27. oktober Universitetet i Oslo
Universitetet i Oslo 27. oktober 2011 Pol og polare Enhetssirkelen har likningen q(x, y) = x 2 + y 2 1 = 0 For hvert punkt a = (a 1, a 2 ) på sirkelen er tangentlinja til sirkelen definert av likningen
DetaljerMOT 310 Statistiske metoder 1 Løsningsforslag til eksamen høst 2006, s. 1. Oppgave 1
MOT 310 Statistiske metoder 1 Løsningsforslag til eksamen høst 2006, s. 1 Oppgave 1 a) Normalantakelse: Målingene x 1,..., x 21 og y 1,..., y 8 betraktes som utfall av tilfeldige variable X 1,..., X 21
Detaljer(a) R n defineres som mengden av kolonnevektorer. a 1 a 2. a n. (b) R n defineres som mengden av radvektorer
5 Vektorrom Et vektorrom er en mengde V med tre algebraiske operasjoner (addisjon, negasjon og skalærmultiplikasjon) som tilfredsstiller de 10 betingelsene fra Def. 4.1.1. Jeg vil ikke gi en eksamensoppgave
DetaljerMA2501 Numeriske metoder
MA501 Numeriske metoder Vår 009 Øving 9 Oppgave 1 Bruk vedlagte matlab-program skyt.m til å løse randverdiproblemet x + e x = 0, x(0) = x(1) = 0 Oppgave Gitt startverdiproblemet x = t(x ), x(0) = 1, x
DetaljerInnlevering i FORK Matematikk forkurs OsloMet Obligatorisk innlevering 3 Innleveringsfrist Onsdag 14.november 2018 kl. 10:30 Antall oppgaver: 13
Innlevering i FORK00 - Matematikk forkurs OsloMet Obligatorisk innlevering Innleveringsfrist Onsdag 4.november 08 kl. 0:0 Antall oppgaver: Bestem vinkelen mellom vektorene u = [, 7] og v = [4, 5]. Hva
DetaljerComputers in Technology Education
Computers in Technology Education Beregningsorientert matematikk ved Høgskolen i Oslo Skisse til samlet innhold i MAT1 og MAT2 JOHN HAUGAN Både NTNU og UiO har en god del repetisjon av videregående skoles
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4
Stavanger, 13. august 2013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 2013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 1 En kort oppsummering. 1 2 Adaptiv
DetaljerOppgavesett. Kapittel Oppgavesett 1
Kapittel 9 Oppgavesett Dette kapitlet består av fire oppgavesett med oppgaver fra alle deler av kompendiet. 9. Oppgavesett Oppgave. Et dynamisk system er gitt ved x n+ = M x n der M er -matrisen.6.. M
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Adaptiv filtrering 2.
Stavanger, 23. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
Detaljer4.1 Vektorrom og underrom
4.1 Vektorrom og underrom Vektorrom er en abstraksjon av R n. De kan brukes til å utlede egenskaper, resultater og metoder for tilsynelatende svært ulike klasser av objekter : n-tupler, følger, funksjoner,
DetaljerLøsningsforslag øving 6
Løsningsforslag øving 6 7 Husk Teorem 79 i notatet: En delmengde U av et vektorrom V er et underrom hvis ) nullvektoren er i U, ) summen av to vektorer i U er i U igjen, og 3) et skalarmultiplum av en
DetaljerMAT1120 Repetisjon Kap. 1, 2 og 3
MAT1120 Repetisjon Kap. 1, 2 og 3 Kap. 1, avsn. 2.1-2.3 og kap. 3 i Lays bok er for det meste kjent fra MAT1100 og MAT1110. Fra kap. 1 repeterer vi: Matriser Vektorer og lineære kombinasjoner Lineæravbildninger
DetaljerSTK Maskinlæring og statistiske metoder for prediksjon og klassifikasjon
STK2100 - Maskinlæring og statistiske metoder for prediksjon og klassifikasjon Oppsummering av kurset 17. april 2018 Hovedproblem Input x R p. Output y Numerisk: regresjon Kategorisk: Klassifikasjon Gitt
DetaljerEksamen TMA desember 2009
Eksamen TMA41 14. desember 009 Norges teknisknaturvitenskapelige universitet Institutt for matematiske fag 1 a) Grafen. - 0 4 6 b) Dersom vi antar at f(x) = 1 (f(x + 0) + f(x 0)), har vi f(x) = Setter
DetaljerDivergens- og virvelfrie felter. Potensialstrøm
Kapittel 9 Divergens- og virvelfrie felter. Potensialstrøm Oppgave Det eksisterer et hastighetspotensiale φ hvis feltet er virvelfritt. For et to-dimensjonalt felt v v x i+v y j er virvlingen gitt ved
DetaljerPrøveeksamen STK vår 2017
Prøveeksamen STK2100 - vår 2017 Geir Storvik Vår 2017 Oppgave 1 Anta en lineær regresjonsmodell p Y i = β 0 + β j x ij + ε i, j=1 ε i uif N(0, σ 2 ) Vi kan skrive denne modellen på vektor/matrise-form:
DetaljerFASIT OG TIPS til Rinvold: Visuelle perspektiv. Lineær algebra. Caspar forlag, 1.utgave 2003 og 2.opplag 2004.
FAIT OG TIP til Rinvold: Visuelle perspektiv. Lineær algebra. Caspar forlag,.utgave og.opplag. Versjon..9. Det er ikke tatt med svar på alle oppgaver. Denne fasiten vil bli oppdatert etter hvert. Oppdager
DetaljerGENERELLE VEKTORROM. Hittil har vi bare snakket om vektorrom av type
Emne 8 GENERELLE VEKTORROM Hittil har vi bare snakket om vektorrom av type og underrom av dette. Vi definerte en mengde V som et underrom av hvis det inneholdt og var lukket under addisjon og skalar multiplikasjon.
DetaljerTemaer i dag. Repetisjon av histogrammer II. Repetisjon av histogrammer I. INF 2310 Digital bildebehandling FORELESNING 5.
Temaer i dag INF 231 Digital bildebehandling FORELESNING 5 HISTOGRAM-TRANSFORMASJONER Fritz Albregtsen Histogramtransformasjoner Histogramutjevning Histogramtilpasning Standardisering av histogram for
DetaljerFFI-RAPPORT. Teknologiske muligheter for Tolletaten. mønstergjenkjenning og maskinlæring
FFI-RAPPORT 17/17026 Teknologiske muligheter for Tolletaten mønstergjenkjenning og maskinlæring - Idar Dyrdal Lars Aurdal Kristin Hammarstrøm Løkken Thor Engøy Teknologiske muligheter for Tolletaten mønstergjenkjenning
DetaljerMA1201/MA6201 Høsten 2016
MA20/MA620 Høsten 206 Norges teknisk naturvitenskapelige universitet Institutt for matematikk Med foreehold om feil Hvis du finner en ta kontakt med Karin Kapittel 2 a) ) A + B 2A B 2 + [ ] 3 3 7 7 c)
DetaljerFasit for eksamen i MEK1100 torsdag 13. desember 2007 Hvert delspørsmål honoreres med poengsum fra 0 til 10 (10 for perfekt svar).
Fasit for eksamen i MEK torsdag 3. desember 27 Hvert delspørsmål honoreres med poengsum fra til ( for perfekt svar). Oppgave Vi har gitt to vektorfelt i kartesiske koordinater (x,y,z) A = yi+coszj +xy
Detaljer6.8 Anvendelser av indreprodukter
6.8 Anvendelser av indreprodukter Vektede minste kvadraters problemer Anta at vi approksimerer en vektor y = (y 1,..., y m ) R m med ŷ = (ŷ 1,..., ŷ m ) R m. Et mål for feilen vi da gjør er y ŷ, der betegner
DetaljerBioberegninger - notat 4: Mer om sannsynlighetsmaksimering
Bioberegninger - notat 4: Mer om sannsynlighetsmaksimering 8. mars 2004 1 Kort om Newton s metode i flere dimensjoner Newton s metode kan generaliseres til å løse sett av n ligninger med n ukjente. Skal
DetaljerDivergens- og virvelfrie felter. Potensialstrøm
Kapittel 9 Divergens- og virvelfrie felter. Potensialstrøm Oppgave Det eksisterer et hastighetspotensiale φ hvis feltet er virvelfritt. For et to-dimensjonalt felt v = v x i+v y j er virvlingen gitt ved
DetaljerKandidatene 4507, 4542, 4545 og 4569 har meget gode besvarelser supert!
MOT 310 Statistiske metoder 1 Løsningsforslag til eksamen høst 2006, s. 1 Flott! Samlet sett leverer dere gode resultater. Kandidatene 4507, 4542, 4545 og 4569 har meget gode besvarelser supert! Totalt
DetaljerR2 - Vektorer i rommet
R2 - Vektorer i rommet - 26.01.17 Del I - Uten hjelpemidler Løsningsskisser - versjon 31.01.17 Oppgave 1 Gitt vektorene u 1, 2, 3 og v 2, 1, 4. a) Regn ut u v b) Regn ut u v c) Regn ut w u t v d) Løs vektorligningen
DetaljerSeksjonene : Vektorer
Seksjonene 10.2-3: Vektorer Andreas Leopold Knutsen 22. mars 2010 Vektorer i R 3 Vektor = objekt med både størrelse (lengde) og retning. Lengden til en vektor v betegnes med v Nullvektoren 0 er vektoren
Detaljera. Hva er de inverse transformasjonene avfølgende tre transformasjoner T, R og S: θ θ sin( ) cos( ) Fasit: 1 s x cos( θ) sin( θ) 0 0 y y z
Kommentar: Svar kort og konsist. Husk at eksamen har tre oppgaver. Poengene for hver (del-) oppgave bør gi en indikasjon på hvor me tid som bør benttes per oppgave. Oppgave 1: Forskjellige emner (40 poeng)
DetaljerInnlevering FO929A - Matematikk forkurs HIOA Obligatorisk innlevering 3 Innleveringsfrist Fredag 14. november 2014 kl. 14 Antall oppgaver: 13
Innlevering FO99A - Matematikk forkurs HIOA Obligatorisk innlevering 3 Innleveringsfrist Fredag 14. november 014 kl. 14 Antall oppgaver: 13 Løsningsforslag 1 Finn volumet til tetraederet med hjørner O(0,
DetaljerLØSNINGSFORSLAG ) = Dvs
LØSNINGSFORSLAG 12 OPPGAVE 1 D j er differansen mellom måling j med metode A og metode B. D j N(µ D, 0.1 2 ). H 0 : µ D = 0 mot alternativet H 1 : µ D > 0. Vi forkaster om ˆµ D > k Under H 0 er ˆµ D =
Detaljer4.1 Vektorrom og underrom
4.1 Vektorrom og underrom Vektorrom er en abstraksjon av R n. De kan brukes til å utlede egenskaper, resultater og metoder for tilsynelatende svært ulike klasser av objekter : n-tupler, følger, funksjoner,
DetaljerLP. Kap. 17: indrepunktsmetoder
LP. Kap. 17: indrepunktsmetoder simpleksalgoritmen går langs randen av polyedret P av tillatte løsninger et alternativ er indrepunktsmetoder de finner en vei i det indre av P fram til en optimal løsning
DetaljerOppgave 1 (25 %) - Flervalgsoppgaver
Oppgaver og løsningsforslag for 4t eksamen 10.mai 006 i LO510D Lineær algebra med grafiske anvendelser. Fra og med oppgave skal alle svar begrunnes. Oppgave 1 (5 %) - Flervalgsoppgaver Denne oppgaven består
DetaljerSammendrag kapittel 9 - Geometri
Sammendrag kapittel 9 - Geometri Absolutt vinkelmål (radianer) Det absolutte vinkelmålet til en vinkel v, er folholdet mellom buelengden b, og radien r. Buelengde v = b r Med v i radianer! b = r v Omregning
DetaljerKORT INTRODUKSJON TIL TENSORER
KORT INTRODUKSJON TIL TENSORER Tensorer har vi allerede møtt i form av skalarer (tall) og vektorer. En skalar kan betraktes som en tensor av rang null (en komponent), mens en vektor er en tensor av rang
DetaljerLøsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007
Løsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007 Oppgave 1: Pengespill a) For hver deltaker har vi følgende situasjon: Deltakeren får en serie oppgaver. Hver runde har to mulige utfall: Deltakeren
DetaljerOppsummering av STK2120. Geir Storvik
Oppsummering av STK2120 Geir Storvik Vår 2011 Hovedtemaer Generelle inferensmetoder Spesielle modeller/metoder Bruk av R Vil ikke bli testet på kommandoer, men må forstå generelle utskrifter Generelle
DetaljerLitt GRUPPETEORI for Fys4170
Litt GRUPPETEORI for Fys4170 GRUPPER: Ei gruppe G = {g i } er ei samling element med disse egenskapene: * multiplikasjon slik at g i g j G ; * et enhetselement g 0 = 1 slik at g i g 0 = g 0 g i = g i ;
DetaljerSeksjonene : Vektorer
Seksjonene 10.2-3: Vektorer Andreas Leopold Knutsen 22. mars 2010 Vektorer i R 3 Vektor = objekt med både størrelse (lengde) og retning. Lengden til en vektor v betegnes med v Nullvektoren 0 er vektoren
DetaljerMAT1120 Notat 2 Tillegg til avsnitt 5.4
MAT1120 Notat 2 Tillegg til avsnitt 54 Dette notatet utfyller bokas avsnitt 54 om matriserepresentasjoner (også kalt koordinatmatriser) av lineære avbildninger mellom endeligdimensjonale vektorrom En slik
DetaljerFY2045/TFY4250 Kvantemekanikk I, øving 6 1 ØVING 6. Fermi-impulser og -energier
FY2045/TFY4250 Kvantemekanikk I, 2012 - øving 6 1 ØVING 6 Oppgave 6 1 Fermi-impulser og -energier a. Anta at en ideell gass av N (ikke-vekselvirkende) spinn- 1 -fermioner befinner seg i grunntilstanden
DetaljerLO510D Lin.Alg. m/graf. anv. Våren 2005
TF Høgskolen i Sør Trøndelag Avdeling for informatikk og e læring LO5D Lin.Alg. m/graf. anv. Våren 5 Løsningsforslag Eksamen a) Setter α = og β = i ligningssystemet og gausseliminerer totalmatrisen til
DetaljerEksamen i Geometrisk Modellering
Eksamen i Geometrisk Modellering STE6038 Sivilingeniørutdanningen ved Høgskolen i Narvik, Produktutformingsteknologi (1. PUT), 9. august 1995 Til denne eksamenen er alle skrevne hjelpemidler samt alle
DetaljerMidtveiseksamen Løsningsforslag
INSTITUTT FOR INFORMATIKK, UNIVERSITETET I OSLO Midtveiseksamen Løsningsforslag INF2310 - Digital Bildebehandling Eksamen i: INF2310 - Digital Bildebehandling Eksamensdag: Tirsdag 21. mars 2017 Tidspunkt
DetaljerFargebilder. Lars Vidar Magnusson. March 12, 2018
Fargebilder Lars Vidar Magnusson March 12, 2018 Delkapittel 6.1 Color Fundamentals Delkapittel 6.2 Color Models Delkapittel 6.3 Bildeprosessering med Pseudofarger Delkapittel 6.4 Prosessering av Fargebilder
Detaljerdg = ( g P0 u)ds = ( ) = 0
NTNU Institutt for matematiske fag TMA4105 Matematikk 2, øving 8, vår 2011 Løsningsforslag Notasjon og merknader Som vanlig er enkelte oppgaver kopiert fra tidligere års løsningsforslag. Derfor kan notasjon,
DetaljerTMA4105 Matematikk 2 vår 2013
TMA4105 Matematikk vår 013 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Løsningsforslag Øving Alle oppgavene er fra læreboka Merk: I løsningene til alle oppgavene fra seksjon
DetaljerINF februar 2017 Ukens temaer (Kap og i DIP)
1. februar 2017 Ukens temaer (Kap 2.4.4 og 2.6.5 i DIP) Geometriske operasjoner Lineære / affine transformer Resampling og interpolasjon Samregistrering av bilder 1 / 30 Geometriske operasjoner Endrer
DetaljerSuffisient observator
Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Suffisiete observatorer Suffisiet observator Statistisk størrelse s som ieholder
DetaljerEKSAMEN I NUMERISK LINEÆR ALGEBRA (TMA4205)
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Kontakt under eksamen Navn: Bawfeh Kingsley Kometa kontor: 7359975, mobil: 936 24 483) Sensur: 06.0.20 EKSAMEN I NUMERISK
DetaljerBasisoppgaver til Tall i arbeid Påbygging kap. 4 Modellering
Basisoppgaver til Tall i arbeid Påbygging kap. 4 Modellering 4.1 Mer om lineær vekst 4.2 En lineær modell på øyemål 4.3 Lineær regresjon 4.4 Modellering med polynomfunksjoner 4.5 Modellering med eksponentialfunksjoner
DetaljerVektorligninger. Kapittel 3. Vektorregning
Kapittel Vektorligninger I denne uken skal vi bruke enkel vektorregning til å analysere lineære ligningssystemer. Vi skal ha et spesielt fokus på R, for det går an å visualisere; klarer man det, går det
DetaljerDIGITALISERING Et bilde er en reell funksjon av to (eller flere) reelle variable. IN 106, V-2001 BILDE-DANNING. SAMPLING og KVANTISERING
IN 06, V-200 DIGITALISERING Et bilde er en reell funksjon av to (eller flere) reelle variable. BILDE-DANNING SAMPLING og KVANTISERING BILDE-FORBEDRING I BILDE-DOMENET 2/3 200 Fritz Albregtsen. Trinn: Legg
DetaljerSensitivitet og kondisjonering
Sensitivitet og kondisjonering Gitt en lineær likningssystem Ax = b vi skal studere effekten av perturbasjoner av input data: 1/19 på output data: Man kan A, b x perturbere bare b perturbere b og A samtidig.
DetaljerLineær algebra. H. Fausk i=1 a ix i. Her har vi oppgitt hva ledd nummer i skal være og hvilke indekser i vi summerer over.
Lineær algebra H. Fausk 09.03.2015 Andre utkast Linære likningsystem lar seg løse ved bruk av de elementære regneartene. I prinsippet er det enkelt, men det blir fort veldig mange regneoperasjoner som
Detaljer