Genetiske og Adferdsbaserte metoder -> Evolusjonære metoder
|
|
- Kato Nesse
- 7 år siden
- Visninger:
Transkript
1 Kunstig intelligens (IT-272) Forelesning Emner: Evolusjonær komputasjon - Genetiske algoritmer - Genetisk programmering - Kunstig liv Forskningsmetodikk innen Kunstig intelligens - Revidert definisjon - AI som empirisk vitenskap - Kognitiv vitenskap som metodisk tilnærming - Epistemologiske problemer Genetiske og Adferdsbaserte metoder -> Evolusjonære metoder Fra kognitive til biologiske - og etologiske - modeller av intelligent adferd. Intelligent adferd forårsakes ikke av modeller som er representert i maskinen, den oppstår i vekselvirkning med omgivelsene. Basis for det nye fagfeltet 'Artificial Life'.
2 Darwinian Evolution Physiological, Behavioral Phenotypes Natural Selection Ptypes Morphogenesis Reproduction Sex Genotypes Recombination & Mutation Gtypes Genetic Evolutionary Algorithms Parameters, Code, Neural Nets, Rules Semantic Performance Test P,C,N,R Translate R &M Generate Bit Strings Syntactic Recombination & Mutation Bits
3 Evolutionary Computation = Parallel Stochastic Search Indiv Biased Roulette Wheel Fitness Translation & Performance Test Selection Biasing Selection Next Generation Mutation Crossover Types of Evolutionary Algorithms Genetic Algorithms (Holland, 975) Representation: Bit Strings => Integer or real feature vectors Syntactic crossover (main) & mutation (secondary) Evolutionary Strategies (Recehenberg, 972; Schwefel, 995) Representation: Real-valued feature vectors Semantic mutation (main) & crossover (secondary) Evolutionary Programs (Fogel, Owens & Walsh, 966; Fogel, 995) Representation: Real-valued feature vectors or Finite State Machines Semantic mutation (only) View each individual as a whole species, hence no crossover Genetic Programs (Koza, 992) Representation: Computer programs (typically in LISP) Syntactic crossover (main) & mutation (secondary)
4 Evolutionary Computation Requirements Domain that supports quantitative fitness assignment Fitness function that accurately evaluates performance Representation for solutions that tolerates mutation & crossover Classic Genetic Algorithm P P2 P3 7 4 X Travelling Salesman Problem (TSP) Given: N cities & matrix of distances between them. Find: Shortest cyclic tour that visits all cities. NP-Hard: Exponential to both find solutions & to verify solutions Heuristic Methods: Find optimal solutions when N<. Genetic Algorithm: Find good solutions for any N Applications: Network building, Delivery routing, Sequence scheduling...
5 Applying GAs to TSP Fitness Function: /tour-length or optimal-tour-length/tour-length Chromosome: Direct Representation: List of cities (standard approach) Indirect Representation: List of next city to pull from ordered list and insert into the solution sequence => Crossover Standard Bit or Integer Cross: Only works for indirect representations Location Preserving: Children inherit, as much as possible, cities in same gene location as parents Edge Preserving: Children inherit, as much as possible, city-city edges from parents (actual edge locations in the chromosome may vary from parent to kid) *Crossover is the key element to TSP GA s - and where most research is done. Using Evolutionary Algorithms When Large, rough search spaces Satisficing or Optimization problems Entire solutions are easily generated and tested Exhaustive search methods are too slow Heuristic search methods cannot find good solutions (e.g. Stuck at local max) How Determine EA-amenable representation of solutions Define fitness function Define selection function = roulette-wheel biasing function (f: fitness -> area) Set key EA parameters: population size, mutation rate, crossover rate, # generations, etc. * EA s are easy to write, and there s lots of freeware! * Specific problems often require specific representations & genetic operators
6 Application Areas for Evolutionary Algorithms Optimization: Controllers, Job Schedules, Networks(TSP) Electronics: Circuit Design (GP) Finance: Stock time-series analysis & prediction Economics: Emergence of Markets, Pricing & Purchasing Strategies Sociology: cooperation, communication, ANTS! Computer Science Machine Learning: Classification, Prediction Algorithm design: Sorting networks Biology Immunology: natural & virtual (computer immune system) Ecology: arms races, coevolution Population genetics: roles of mutation, crossover & inversion Evolution & Learning: Baldwin Effect, Lamarckism Artificial Life Biology = study of carbon-based life life as we know it Alife = study of the dynamics of living systems, regardless of substrate. life as it could be Substrates: abstract chemistries, logical networks, cellular automata, abstract ecosystems, emulated computers..
7 Emergence & Self-Regulation The signal feature of life is not the carbon-based substrate...(but)...that the local dynamics of a set of interacting entities (e.g. molecules, cells, etc.) supports an emergent set of global dynamical structures which stabilize themselves by setting the boundary conditions within which the local dynamics operates (Charles Taylor, biologist, UCLA) Global Structure Constraints Emergence Agents Properties of Alife Systems Synthetic: Bottom-up, multiple interacting agents Self-regulating: No global/centralized control. Self-Organizing: Global structure is emergent. Adaptive: Learning and/or evolving Complex: On the edge of chaos; dissipative
8 Why Study Alife? Understanding Emergent Phenomena Synthetic approaches -vs- analytic reductionism Chaos, complexity, self-organization Biological Research Test effects of local behaviors upon populations Genetic Engineering Computer Science Nanotechnology, Animation AI: Intelligence Architectures, Evolutionary Computation Educational Toolkits: Social systems (SimCity) Ecosystems (SimLife, SimEarth), Economical systems What s a living system? (Capra, The Web of Life (996) Pattern: Autopoietic Network Self-bounded Self-generating Self-perpetuating Structure: Dissipative Far From Equilibrium Edge of Chaos Self-Organized Criticality Process: Cognition Embodiment of pattern within structure Life & Cognition are inseparable
9 Fra første leksjon: KUNSTIG INTELLIGENS AI - Artificial Intelligence Foresltåtte definisjoner Den delen av informatikk-feltet som dreier seg om automatisering av intelligent adferd. Det som kunstig intelligens forskerne driver med. "Det som datamaskiner ikke kan". Generell men ullen Pragmatisk Lite informativ Vitenskapelig vinkling: Studiet av intelligente systemer relatert til datamaskinelle prosesser. Seriøs men todelt Teknologsk vinkling: Utvikle smartere datasystemer Kunstig intelligens - revidert definisjon: Kunstig intelligens er studiet av de underliggende mekanismene for intelligent adferd, gjennom konstruksjon og testing av systemer som realiserer slike mekanismer.
10 Fundamentals - The knowledge level LEVELS OF SYSTEM DESCRIPTION Knowledge Level Functional Level Physical Level THE KNOWLEDGE LEVEL IN AI: A. Newell: "There exists a distinct computer system level, lying immediately above the symbol level, which is characterized by knowledge as the medium and the principle of rationality as the law of behavior." Knowledge level Medium: Bh. laws: Symbol level Medium: Bh. laws: Knowledge Principle of Rationality Programs, data structures Sequential interpretation of programs Register-transfer level Medium: Bit vectors Bh. laws: Paralell logic Logic circuit level Medium: Bh. laws: Bits Boolean algebra Electrical circuit level Medium: Voltage/current Bh. laws: Ohm's law, Kirchhoff's law Electronic device level Medium: Electrons Bh. laws: Electron physics
11 Kunstig intelligens som empirisk vitenskap Det kunnskapsbaserte paradigmet (symbolprosesserende metoder) Fysisk symbolsystem hypotesen Den nødvendige og tilstrekkelige betingelse for at et fysisk system kan oppvise intelligent adferd, er at det er et fysisk symbolsystem. nødvendig?, tilstrekkelig? Utfordringer til det kunnskapsbaserte paradigmet Nevrale nett, konneksjonisme Evolusjonære, adferdsbaserte metoder (subsymbolske metoder) (sub/ikke-symbolske metoder) erstatning av eller tillegg til kunnskapsbaserte metoder? Felles for alle: Den empiriske forskningsmetode dvs. at datamaskin-programmer er eksperimenter: En forsøker å forstå intelligent adferd ved å - foreslå modeller for representasjon/problemløsning/læring - utvikle metoder og bygge systemer som realiserer dem - teste og evaluere resultatet - revidere de opprinnelige modellene og/eller enkeltmetodene - osv.
12 Gir opphav til 3 generelle forskningstilnærminger: - Teoretisk, analytisk rettet - Design- og modelleringsrettet - Konstruksjons- og implementasjonsrettet. Symbolprosesserende metoder Metodologisk basis Objekter og fenomener i den reelle verden kan representeres som symbolstrukturer i datamaskiner. Søkemekansimer - spesielt heuristiske metoder - opererer over symbolstrukturene, og muliggjør kognitive prosesser (persepsjon, problemløsning, læring, resonnering). Separasjon av kognisjon og kognitive arkitekturer fra dens spesielle fysiske realisering. Kalles ofte 'funksjonalisme'.
13 2. Sub- og non-symbolske metoder Metodologisk basis ANN (artificial neural networks): Implisitt kunnskap er distribuert i et nettverk av sammenkoblede noder, og intelligent adferd oppstår som resultat av oppretting, styrking, svekking og nedkobling av forbindelser mellom nodene. EC (evolutionary computation): Implisitt kunnskap er bitstrenger eller andre sekvenser som konkurrerer om å overleve og å få bidra til videre utvikling av intelligent adferd. AL (artificial life): Intelligent adferd utvikles fra enkle basismekanismer som styrkes, endres, forsvinner, eller kombineres avhengig av stimulus fra omverdenen. Generelt for all AI To prinsipielt forskjellige måter å utvikle intelligent oppførset på: bunn-opp dvs. fra data, observasjon, interaksjon i omverden topp-ned dvs. fra en initiell modell av omverden Mye oppmerksomhet rundt: -> hvordan kombinere de to?
14 Vitenskapelig <-> ingeniørmessig vinkling Vitenskapelige studier innen AI - har økt forståelse av fenomenet intelligens som generelt mål - er koblet til utvikling av praktiske applikasjoner ved at - problemstillinger i verden gir input til forskningshypoteser - utviklingen av praktiske applikasjoner blir endel av den eksperimentelle basis for metodeutviklingen - forskningen gir resultater som benyttes for å bygge bedre og mer nyttige datamaskinsystemer Kognitiv vitenskap (Cognitive Science) Samlebetegnelse for tverrfaglig fagområde for studiet av kognitive prosesser ( tenkning ) i mennesker - og andre komplekse systemer Kombinerer innsikt og metoder fra områdene - informatikk (AI, HCI) - psykologi (kognitiv psykologi) - filosofi (epistemologi) - lingvistikk (setningsanalyse, språkforståelse) - nevro-vitenskap (kognitiv neuroscience) - antropologi (kognitiv antropologi)
15 Kognitiv vitenskap (Cognitive Science) Basis - funksjonalisme, dvs. kognitive prosesser kan realiseres i ulike fysiske systemer - computasjonalisme intelligens kan modelleres og/eller realiseres i komputasjonelle modeller - dvs. i datamaskiner Nyere retning - situated cognition intelligens kan ikke løsrives fra situasjonen den oppstår og utøves i - modeller konstrueres I interaksjon med omgivelsene AI som vitenskap - åpne spørsmål Representasjonell ubestembarhet - hvordan finne en god representasjon av et problem? Fysisk symbolsystem antagelsen - vs. embodyment and situatedness? Behovet for falsifiserbare modeller - under hvilke forhold virker ikke metoden? Tolkning av mening - begrenset semantisk tolkning vs. pragmatikk? Begrensninger i den vitenskapelige metode - har ført oss langt, men komme vi langt nok?
16
)RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV
.XQVWLJLQWHOOLJHQV01),7 )RUHOHVQLQJ Emner: )RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV - Revidert definisjon - AI som empirisk vitenskap - Kognitiv vitenskap som metodisk tilnærming - Epistemologiske problemer
DetaljerDarwinian Evolution. Evolutionary Algorithms. Genetiske og Adferdsbaserte metoder -> Evolusjonære metoder. Semantic. Physiological, Behavioral
Kunstig intelligens (IT-272) Forelesning Genetiske og Adferdsbaserte metoder -> Evolusjonære metoder Emner: Evolusjonær komputasjon - Genetiske algoritmer - Genetisk programmering - Kunstig liv Forskningsmetodikk
DetaljerKunstig intelligens (MNFIT-272) - høst 2002.
Kunstig intelligens (MNFIT-272) - høst 22. Leksjon Emne: Subsymbolske metoder Nevrale nett - Biologisk basis - Perceptron - Backpropagation Evolusjonær komputasjon - Genetiske algoritmer - Genetisk programmering
Detaljer.XQVWLJLQWHOOLJHQV01),7K VW )RUHOHVQLQJ. Emne: Subsymbolske metoder
.XQVWLJLQWHOOLJHQV),7K VW )RUHOHVQLQJ Emne: Subsymbolske metoder HYUDOHQHWW - Biologisk basis - Perceptron - Backpropagation (YROXVMRQ UNRPSXWDVMRQ - Genetiske algoritmer - Genetisk programmering - Kunstig
DetaljerMolare forsterkningsbetingelser
Molare forsterkningsbetingelser Hva er mekanismen(e) bak forsterkning? Hvor langt opp eller ned skal man skru mikroskopet for å se godt nok? Kjetil Viken 1 2 ARBEIDSDAG sitte ved pc formelle samtaler møter
DetaljerMNFIT 272. Kunstig intelligens (AI) 2002
MNFIT 272 Kunstig intelligens (AI) 2002 Fagansvarlig: Professor Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap, IT Vest, Rom 322, Email agnar.aamodt@idi.ntnu.no Kunstig intelligens (MNFIT-272)
DetaljerNeural Network. Sensors Sorter
CSC 302 1.5 Neural Networks Simple Neural Nets for Pattern Recognition 1 Apple-Banana Sorter Neural Network Sensors Sorter Apples Bananas 2 Prototype Vectors Measurement vector p = [shape, texture, weight]
DetaljerIT 272. Kunstig intelligens (AI) 2000
IT 272 Kunstig intelligens (AI) 2000 Fagansvarlig: Professor Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap, Seksjon Lade, Rom 459, Email agnar@idi.ntnu.no Kunstig intelligens (MNFIT-272)
DetaljerUnit Relational Algebra 1 1. Relational Algebra 1. Unit 3.3
Relational Algebra 1 Unit 3.3 Unit 3.3 - Relational Algebra 1 1 Relational Algebra Relational Algebra is : the formal description of how a relational database operates the mathematics which underpin SQL
DetaljerIT Kunstig intelligens (AI) 2006
IT 2702 Kunstig intelligens (AI) 2006 Fagansvarlig: Professor Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap, IT Vest, Rom 322, Email agnar.aamodt@idi.ntnu.no Kunstig intelligens (IT-2702)
DetaljerCall function of two parameters
Call function of two parameters APPLYUSER USER x fµ 1 x 2 eµ x 1 x 2 distinct e 1 0 0 v 1 1 1 e 2 1 1 v 2 2 2 2 e x 1 v 1 x 2 v 2 v APPLY f e 1 e 2 0 v 2 0 µ Evaluating function application The math demands
DetaljerDynamic Programming Longest Common Subsequence. Class 27
Dynamic Programming Longest Common Subsequence Class 27 Protein a protein is a complex molecule composed of long single-strand chains of amino acid molecules there are 20 amino acids that make up proteins
Detaljer8.7 Artificial Intelligence
Hva er Kunstig intelligens 1 Kunstig intelligens - en kort introduksjon AI = Things that make you go WOW eller?? Agnar Aamodt Institutt for datateknikk og informasjonsvitenskap Gruppe for Intelligente
DetaljerGir vi IKT-kandidatene egnet kompetanse for fremtiden? Morten Dæhlen Dekan
Gir vi IKT-kandidatene egnet kompetanse for fremtiden? Morten Dæhlen Dekan Lange linjer i utviklingen av IKT-faget/informatikk Hvordan blir (IKT-)utdanninger til? Digital kompetanse i bredden og på alle
DetaljerLevel Set methods. Sandra Allaart-Bruin. Level Set methods p.1/24
Level Set methods Sandra Allaart-Bruin sbruin@win.tue.nl Level Set methods p.1/24 Overview Introduction Level Set methods p.2/24 Overview Introduction Boundary Value Formulation Level Set methods p.2/24
DetaljerDatabases 1. Extended Relational Algebra
Databases 1 Extended Relational Algebra Relational Algebra What is an Algebra? Mathematical system consisting of: Operands --- variables or values from which new values can be constructed. Operators ---
DetaljerPsychology as the Behaviorist Views it. John B. Watson (1913).
Psychology as the behaviorist views it is a purely objective experimental branch of natural science. Its theoretical goal is the prediction and control of behavior. Hva innebærer kontroll (EK)? Er det
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MAT2400 Analyse 1. Eksamensdag: Onsdag 15. juni 2011. Tid for eksamen: 09.00 13.00 Oppgavesettet er på 6 sider. Vedlegg: Tillatte
Detaljer5 E Lesson: Solving Monohybrid Punnett Squares with Coding
5 E Lesson: Solving Monohybrid Punnett Squares with Coding Genetics Fill in the Brown colour Blank Options Hair texture A field of biology that studies heredity, or the passing of traits from parents to
DetaljerHvordan komme i gang med ArchiMate? Det første modelleringsspråket som gjør TOGAF Praktisk
Hvordan komme i gang med ArchiMate? Det første modelleringsspråket som gjør TOGAF Praktisk Logica 2012. All rights reserved No. 3 Logica 2012. All rights reserved No. 4 Logica 2012. All rights reserved
DetaljerNasjonalt kvalifikasjonsrammeverk og læringsmål i forskerutdanningen
Nasjonalt kvalifikasjonsrammeverk og læringsmål i forskerutdanningen Roger Strand Senterleder, Senter for vitenskapsteori, UiB Medlem, Dannelsesutvalget Styreleder, Vestnorsk nettverk forskerutdanninga
DetaljerEn praktisk innføring i team-basert læring
En praktisk innføring i team-basert læring Børge Lillebo borge.lillebo@ntnu.no Frank Alexander Kraemer kraemer@item.ntnu.no Teambasert Læring utviklet av Larry K. Michaelsen i USA aktiv læring flipped
DetaljerSnapshots of AI methods and applications
Snapshots of AI methods and applications Agnar Aamodt and Keith Downing Institutt for datateknikk og informasjonsvitenskap Seksjon for Intelligente Systemer NTNU Hva er Kunstig Intelligens 1 AI = Things
DetaljerIN2010: Algoritmer og Datastrukturer Series 2
Universitetet i Oslo Institutt for Informatikk S.M. Storleer, S. Kittilsen IN2010: Algoritmer og Datastrukturer Series 2 Tema: Grafteori 1 Publisert: 02. 09. 2019 Utvalgte løsningsforslag Oppgave 1 (Fra
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON20/420 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON20/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Fredag 2. mai
DetaljerUNIVERSITY OF OSLO. Make sure that your copy of this examination paperis complete before answering.
UNIVERSITY OF OSLO Faculty of Mathematics and Natural Sciences Exam in BIO4200 Molecular Evolution Day of exam: Wednesday December 17th Exam hours: 14.30 17.30 This examination paper consists of 2 pages.
DetaljerHONSEL process monitoring
6 DMSD has stood for process monitoring in fastening technology for more than 25 years. HONSEL re- rivet processing back in 990. DMSD 2G has been continuously improved and optimised since this time. All
DetaljerSeksjon for Intelligente Systemer. Agnar Aamodt (Seksjonsleder) Keith Downing (Nestleder)
Seksjon for Intelligente Systemer Agnar Aamodt (Seksjonsleder) Keith Downing (Nestleder) Hypen rundt A.I. in three to eight years we will have a machine with the general intelligence of an average human
DetaljerReferansearkitektur use cases. Kjell Sand SINTEF Energi AS NTNU Institutt for elkraftteknikk
Referansearkitektur use cases Kjell Sand SINTEF Energi AS NTNU Institutt for elkraftteknikk 1 Begrunnelse for arkitektur use cases Med det brede perspektivet Smart grids har, er det nødvendig å dele det
DetaljerSpeed Racer Theme. Theme Music: Cartoon: Charles Schultz / Jef Mallett Peanuts / Frazz. September 9, 2011 Physics 131 Prof. E. F.
September 9, 2011 Physics 131 Prof. E. F. Redish Theme Music: Speed Racer Theme Cartoon: Charles Schultz / Jef Mallett Peanuts / Frazz 1 Reading questions Are the lines on the spatial graphs representing
DetaljerSplitting the differential Riccati equation
Splitting the differential Riccati equation Tony Stillfjord Numerical Analysis, Lund University Joint work with Eskil Hansen Innsbruck Okt 15, 2014 Outline Splitting methods for evolution equations The
DetaljerUNIVERSITY OF OSLO DEPARTMENT OF ECONOMICS
UNIVERSITY OF OSLO DEPARTMENT OF ECONOMICS Postponed exam: ECON420 Mathematics 2: Calculus and linear algebra Date of exam: Tuesday, June 8, 203 Time for exam: 09:00 a.m. 2:00 noon The problem set covers
DetaljerDen europeiske byggenæringen blir digital. hva skjer i Europa? Steen Sunesen Oslo,
Den europeiske byggenæringen blir digital hva skjer i Europa? Steen Sunesen Oslo, 30.04.2019 Agenda 1. 2. CEN-veileder til ISO 19650 del 1 og 2 3. EFCA Guide Oppdragsgivers krav til BIMleveranser og prosess.
DetaljerOn Capacity Planning for Minimum Vulnerability
On Capacity Planning for Minimum Vulnerability Alireza Bigdeli Ali Tizghadam Alberto Leon-Garcia University of Toronto DRCN - October 2011 Kakow - Poland 1 Outline Introduction Network Criticality and
DetaljerAndrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen
Andrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen The Process Goal Definition Data Collection Data Preprocessing EDA Choice of Variables Choice of Method(s) Performance Evaluation
DetaljerMastergrad Læring i Komplekse Systemer
Mastergrad Læring i Komplekse Systemer Storefjell 26.04.08 Master of Science; Learning in Complex Systems Backgound AUC runs one of the most highly profiled research programs in applied behavior analysis
DetaljerTDT4117 Information Retrieval - Autumn 2014
TDT4117 Information Retrieval - Autumn 2014 Assignment 1 Task 1 : Basic Definitions Explain the main differences between: Information Retrieval vs Data Retrieval En samling av data er en godt strukturert
DetaljerSlope-Intercept Formula
LESSON 7 Slope Intercept Formula LESSON 7 Slope-Intercept Formula Here are two new words that describe lines slope and intercept. The slope is given by m (a mountain has slope and starts with m), and intercept
DetaljerGraphs similar to strongly regular graphs
Joint work with Martin Ma aj 5th June 2014 Degree/diameter problem Denition The degree/diameter problem is the problem of nding the largest possible graph with given diameter d and given maximum degree
Detaljercase forts. Alternativ 1 Alternativer Sammensetning Objekt-interaktor med valg
Objekt-interaktor med valg AMS- case forts. Eksemplifisering av modellbasert tilnærming til design av brukergrensesnitt Relatert objekt velges ofte blant mange kandidater Output av kandidat-sett Input
DetaljerEXAM TTM4128 SERVICE AND RESOURCE MANAGEMENT EKSAM I TTM4128 TJENESTE- OG RESSURSADMINISTRASJON
Side 1 av 5 NTNU Norges teknisk-naturvitenskapelige universitet Institutt for telematikk EXAM TTM4128 SERVICE AND RESOURCE MANAGEMENT EKSAM I TTM4128 TJENESTE- OG RESSURSADMINISTRASJON Contact person /
DetaljerHvordan etablere "objektive" standarder ved eksamen?» Rolf Vegar Olsen Institutt for lærerutdanning og skoleforskning
Hvordan etablere "objektive" standarder ved eksamen?» Rolf Vegar Olsen Institutt for lærerutdanning og skoleforskning Oversikt standard setting is the proper following of a prescribed, rational system
DetaljerEN Skriving for kommunikasjon og tenkning
EN-435 1 Skriving for kommunikasjon og tenkning Oppgaver Oppgavetype Vurdering 1 EN-435 16/12-15 Introduction Flervalg Automatisk poengsum 2 EN-435 16/12-15 Task 1 Skriveoppgave Manuell poengsum 3 EN-435
DetaljerSVM and Complementary Slackness
SVM and Complementary Slackness David Rosenberg New York University February 21, 2017 David Rosenberg (New York University) DS-GA 1003 February 21, 2017 1 / 20 SVM Review: Primal and Dual Formulations
DetaljerHARP-Hybrid Ad Hoc Routing Protocol
HARP-Hybrid Ad Hoc Routing Protocol Navid NIKAEIN Christian BONNET Neda NIKAEIN Eurecom Institute Sophia-Antipolis France http://www.eurecom.fr/~nikaeinn 2001 Navid Nikaein Outline ❶ Introduction ❷ Routing
DetaljerSamferdselsdepartementet. Kunstig intelligens. Anders Martin Fon. April Samferdselsdepartementet
Kunstig intelligens Anders Martin Fon April 2019 Bakteppe Kunstig intelligens vil prege utviklingen i tiden som kommer både i privat og i offentlig sektor. Kunstig intelligens åpner for nyvinninger og
DetaljerINF5820. Language technological applications. H2010 Jan Tore Lønning
INF5820 Language technological applications H2010 Jan Tore Lønning jtl@ifi.uio.no Maskinoversettelse INF 5820 H2008 Forelesning 2 Machine Translation 1. Some examples 2. Why is machine translation a problem?
DetaljerPublic roadmap for information management, governance and exchange. 2015-09-15 SINTEF david.norheim@brreg.no
Public roadmap for information management, governance and exchange 2015-09-15 SINTEF david.norheim@brreg.no Skate Skate (governance and coordination of services in egovernment) is a strategic cooperation
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: KJB 492 Bioinformatikk Eksamensdag: Fredag 14. desember 2001 Tid for eksamen: Kl.: 9.00 13.00 Oppgavesettet er på 7 sider. Vedlegg:
DetaljerLitteraturoversikter i vitenskapelige artikler. Hege Hermansen Førsteamanuensis
Litteraturoversikter i vitenskapelige artikler Hege Hermansen Førsteamanuensis Litteraturoversiktens funksjon Posisjonere bidraget Vise at du vet hvor forskningsfeltet står Ta del i en større debatt Legge
DetaljerOverview. Heuristic search 1. Target function and optimization. Minimum vertex cover
Overview Heuristic search Combinatorial optimization Local search and simulated annealing Population-based search Principles and methods Pål Sætrom Traveling sales person (TSP) Combinatorial optimization
DetaljerDagens tema: Eksempel Klisjéer (mønstre) Tommelfingerregler
UNIVERSITETET I OSLO INF1300 Introduksjon til databaser Dagens tema: Eksempel Klisjéer (mønstre) Tommelfingerregler Institutt for informatikk Dumitru Roman 1 Eksempel (1) 1. The system shall give an overview
DetaljerDu må håndtere disse hendelsene ved å implementere funksjonene init(), changeh(), changev() og escape(), som beskrevet nedenfor.
6-13 July 2013 Brisbane, Australia Norwegian 1.0 Brisbane har blitt tatt over av store, muterte wombater, og du må lede folket i sikkerhet. Veiene i Brisbane danner et stort rutenett. Det finnes R horisontale
DetaljerNoen lærdommer fra Internetts historie (Hanseth & Lyytinens design-prinsipper for II)
Noen lærdommer fra Internetts historie (Hanseth & Lyytinens design-prinsipper for II) INF 3290, mandag 29. oktober 2012 Margunn Aanestad, margunn@ifi.uio.no 1 Plan for i dag: Tema: Internetts historie
DetaljerSnapshots of AI methods and applications
Snapshots of AI methods and applications Agnar Aamodt and Lester Solbakken (with thanks to Keith Downing) Institutt for datateknikk og informasjonsvitenskap Seksjon for Intelligente Systemer NTNU Hva er
DetaljerFIRST LEGO League. Härnösand 2012
FIRST LEGO League Härnösand 2012 Presentasjon av laget IES Dragons Vi kommer fra Härnosänd Snittalderen på våre deltakere er 11 år Laget består av 4 jenter og 4 gutter. Vi representerer IES i Sundsvall
DetaljerGuidance. CBEST, CSET, Middle Level Credential
Guidance CBEST, CSET, Middle Level Credential Liberal Studies for Teachers, 2009 CBEST California Basic Educational Skills Test Measures basic educational skills needed for teachers Reading Writing Math
DetaljerGeneralization of age-structured models in theory and practice
Generalization of age-structured models in theory and practice Stein Ivar Steinshamn, stein.steinshamn@snf.no 25.10.11 www.snf.no Outline How age-structured models can be generalized. What this generalization
DetaljerOle Isak Eira Masters student Arctic agriculture and environmental management. University of Tromsø Sami University College
The behavior of the reindeer herd - the role of the males Ole Isak Eira Masters student Arctic agriculture and environmental management University of Tromsø Sami University College Masters student at Department
DetaljerStore og komplekse informasjonssystemer
Store og komplekse informasjonssystemer Gruppetime uke 35 kribrae@ifi.uio.no Agenda - Repetisjon av begrepene fra rammeverket (miniforelesningene) - Gjennomgang av Hanseth og Lyytinen (2010) - Gjennomgang
DetaljerEspecially terrestrial BIODIVERSITY EVOLUTION ECOLOGY. And various combinations!
How do I Decide? What sort of biology excites and intrigues you? Is there a special organism group you are interested in? Are there special questions you are interested in? What are your career plans?
DetaljerFASMED. Tirsdag 21.april 2015
FASMED Tirsdag 21.april 2015 SCHEDULE TUESDAY APRIL 21 2015 0830-0915 Redesign of microorganism lesson for use at Strindheim (cont.) 0915-1000 Ideas for redesign of lessons round 2. 1000-1015 Break 1015-1045
DetaljerOppgave 1a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet.
TDT445 Øving 4 Oppgave a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet. Nøkkel: Supernøkkel: Funksjonell avhengighet: Data i en database som kan unikt identifisere (et sett
DetaljerSRP s 4th Nordic Awards Methodology 2018
SRP s 4th Nordic Awards Methodology 2018 Stockholm 13 September 2018 Awards Methodology 2018 The methodology outlines the criteria by which SRP judges the activity of Manufacturers, Providers and Service
DetaljerSTØTTEMATERIALE TIL FORELESNINGENE OM SKATT
STØTTEMATERIALE TIL FORELESNINGENE OM SKATT ECON3610, H2017 Kristoffer Midttømme Eksempler på skattevridninger: Den britiske vindusskatten Fordeling av antall vinduer (1) Oates, Wallace E., and Robert
DetaljerHvordan kvalitetssikre åpne tidsskrift?
Hvordan kvalitetssikre åpne tidsskrift? Innlegg ved Halvdagsseminar om åpen tilgang til vitenskapelige artikler I forbindelse med den internasjonale Open Access-uken, Universitetsbiblioteket i Bergen 26.
Detaljerverktøyskrin Grafisk profil ved Norges teknisk-naturvitenskapelige universitet
1 Services and Systems Development Grafisk verktøyskrin Grafisk profil ved Norges teknisk-naturvitenskapelige universitet Selvhjelpspakken for informasjon og formidling ved NTNU: www.ntnu.no/info/selvhjelp
DetaljerMoving Objects. We need to move our objects in 3D space.
Transformations Moving Objects We need to move our objects in 3D space. Moving Objects We need to move our objects in 3D space. An object/model (box, car, building, character,... ) is defined in one position
DetaljerHvordan vokser informasjonsinfrastrukturer? Noen lærdommer fra Internetts historie
Hvordan vokser informasjonsinfrastrukturer? Noen lærdommer fra Internetts historie INF 3290, mandag 14. november 2011 Margunn Aanestad, margunn@ifi.uio.no 1 Plan for i dag: Tema: Internetts historie Eksempel
DetaljerVerifiable Secret-Sharing Schemes
Aarhus University Verifiable Secret-Sharing Schemes Irene Giacomelli joint work with Ivan Damgård, Bernardo David and Jesper B. Nielsen Aalborg, 30th June 2014 Verifiable Secret-Sharing Schemes Aalborg,
DetaljerHvor mye teoretisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
INF283, HØST 16 Er du? Er du? - Annet Hvor mye teoretisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye) Hvor mye praktisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 =
DetaljerMonitoring water sources.
Monitoring water sources. Generell Informasjon Versjon 2 Url http://com.mercell.com/permalink/38336681.aspx Ekstern anbuds ID 223314-2013 Konkurranse type: Tildeling Dokument type Kontraktstildeling Prosedyre
DetaljerQuality in career guidance what, why and how? Some comments on the presentation from Deidre Hughes
Quality in career guidance what, why and how? Some comments on the presentation from Deidre Hughes Erik Hagaseth Haug Erik.haug@inn.no Twitter: @karrierevalg We have a lot of the ingredients already A
Detaljer0:7 0:2 0:1 0:3 0:5 0:2 0:1 0:4 0:5 P = 0:56 0:28 0:16 0:38 0:39 0:23
UTKAST ENGLISH VERSION EKSAMEN I: MOT100A STOKASTISKE PROSESSER VARIGHET: 4 TIMER DATO: 16. februar 2006 TILLATTE HJELPEMIDLER: Kalkulator; Tabeller og formler i statistikk (Tapir forlag): Rottman: Matematisk
DetaljerUNIVERSITY OF OSLO. Faculty of Mathematics and Natural Sciences
Page 1 UNIVERSITY OF OSLO Faculty of Mathematics and Natural Sciences Exam in BIO4210/9210 Classification and Phylogeny Day of exam: 13. December 2011 Exam hours: 9.00-12.00 (3 hours) This examination
DetaljerExercise 1: Phase Splitter DC Operation
Exercise 1: DC Operation When you have completed this exercise, you will be able to measure dc operating voltages and currents by using a typical transistor phase splitter circuit. You will verify your
DetaljerKundetilfredshetsundersøkelse FHI/SMAP
Kundetilfredshetsundersøkelse FHI/SMAP Sluttrapport pr. 20. April 2010 Alle 9 kunder av FHI s produksjonsavdeling for biofarmasøytiske produkter (SMAP) i perioden 2008-2009 mottok i januar 2010 vårt spørreskjema
DetaljerUke 5. Magnus Li INF /
Uke 5 Magnus Li magl@ifi.uio.no INF3290 26/27.09.2017 Repetisjon av begreper Diskusjonsoppgaver I første innlevering ønsker vi et brukerperspektiv i et informasjonssystem - Hva kan inngå i et slikt informasjonssystem?
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT BOKMÅL Utsatt eksamen i: ECON2915 Vekst og næringsstruktur Eksamensdag: 07.12.2012 Tid for eksamen: kl. 09:00-12:00 Oppgavesettet er på 5 sider Tillatte hjelpemidler:
Detaljerverktøyskrin Grafisk profil ved Norges teknisk-naturvitenskapelige universitet
1 Services and Systems Development Grafisk verktøyskrin Grafisk profil ved Norges teknisk-naturvitenskapelige universitet Selvhjelpspakken for informasjon og formidling ved NTNU: www.ntnu.no/info/selvhjelp
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Bokmål Eksamen i: ECON1210 Forbruker, bedrift og marked Exam: ECON1210 Consumer Behaviour, Firm behaviour and Markets Eksamensdag: 12.12.2014 Sensur kunngjøres:
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 3230 Formell modellering og analyse av kommuniserende systemer Eksamensdag: 4. april 2008 Tid for eksamen: 9.00 12.00 Oppgavesettet
DetaljerSyntax/semantics - I INF 3110/ /29/2005 1
Syntax/semantics - I Program program execution Compiling/interpretation Syntax Classes of langauges Regular langauges Context-free langauges Scanning/Parsing Meta models INF 3/4-25 8/29/25 Program
DetaljerSystem integration testing. Forelesning Systems Testing UiB Høst 2011, Ina M. Espås,
System integration testing Forelesning Systems Testing UiB Høst 2011, Ina M. Espås, Innhold Presentasjon Hva er integration testing (pensum) Pros og cons med integrasjonstesting Når bruker vi integration
DetaljerINF2820 Datalingvistikk V2011. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 Jan Tore Lønning & Stephan Oepen TABELLPARSING 1. mars 2011 2 I dag Oppsummering fra sist: Recursive-descent og Shift-reduce parser Svakheter med disse Tabellparsing: Dynamisk
DetaljerEnglish Notice! Start your answer to every main question on a new page.
English Notice! Start your answer to every main question on a new page. Question 1: a) Bryophytes consist of three separate evolutionary land plant lines. What is the name of these three groups? All bryophytes
DetaljerBarbara Wasson, Director. NIFU Workshop on Learning Analytics 25 May 2016
U N I V E R S I T Y O F B E R G E N Barbara Wasson, Director NIFU Workshop on Learning Analytics 25 May 2016 OVERVIEW SLATE Mandate Learning Analysis? SLATE Organisation & Collaboration Partners Research
Detaljer20.01.2012. Brukerkrav og use case diagrammer og -tekst 19. januar 2012. Agenda. Brukerkrav og use case. Diagrammer Tekst.
Brukerkrav og use case diagrammer og -tekst 19. januar 2012 Agenda Brukerkrav og use case Diagrammer Tekst Praktisk eksempel 1 OOAD i livsløpsperspektiv Krav Design Konstruksjon Her er vi i nå Testing
DetaljerSimon Fraser University
Simon Fraser University Geoscience Course Equivalent Listing (Updated June 2013) NOTE: This course listing is a reflection of APEGBC s adoption of the Geoscientists Canada Geoscience Knowledge Requirements.
Detaljer3/1/2011. I dag. Recursive descent parser. Problem for RD-parser: Top Down Space. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 TABELLPARSING Jan Tore Lønning & Stephan Oepen 1. mars 2011 2 I dag Oppsummering fra sist: Recursive-descent og Shift-reduce parser Svakheter med disse Tabellparsing: Dynamisk
DetaljerKDL utvikling av 4 emnebeskrivelser. Presentasjon i portefølje fellesmøte Anders Mørch, KDL koordinator
KDL utvikling av 4 emnebeskrivelser Presentasjon i portefølje fellesmøte 08.05.17 Anders Mørch, KDL koordinator Medlemmer i KDL gruppen Jan Dolonen Per Hetland Anders Kluge Sten Ludvigsen (dekan, permisjon)
DetaljerINTELLIGENT TEKNOLOGISK LIV
INTELLIGENT TEKNOLOGISK LIV Mennesket som utgangspunkt AVGRENSNING AVGRENSNING Teknologi: "The application of scientific knowledge for practical purposes, especially in industry" (oxford dictionary). AVGRENSNING
DetaljerClimate change and adaptation: Linking. stakeholder engagement- a case study from
Climate change and adaptation: Linking science and policy through active stakeholder engagement- a case study from two provinces in India 29 September, 2011 Seminar, Involvering ved miljøprosjekter Udaya
DetaljerØystein Haugen, Professor, Computer Science MASTER THESES Professor Øystein Haugen, room D
Øystein Haugen, Professor, Computer Science MASTER THESES 2015 Professor Øystein Haugen, room D1-011 1 Hvem er jeg? Øystein Haugen, nytilsatt professor i anvendt informatikk på Høyskolen i Østfold, avdeling
DetaljerDet matematisk-naturvitenskapelige fakultet
Side 1 UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: BIO1000 Eksamensdag: 9. Januar 2014 Tid for eksamen: Kl.14:30, 3 timer Oppgavesettet er på 2 sider Vedlegg: Ingen Tillatte
DetaljerDean Zollman, Kansas State University Mojgan Matloob-Haghanikar, Winona State University Sytil Murphy, Shepherd University
Dean Zollman, Kansas State University Mojgan Matloob-Haghanikar, Winona State University Sytil Murphy, Shepherd University Investigating Impact of types of delivery of undergraduate science content courses
DetaljerAMOR MUNDI Av kjærlighet til verden
AMOR MUNDI Av kjærlighet til verden Da filsofen Hannah Arendt skrev The Human Condition (Arendt 1958) hadde hun opprinnelig tenkt å kalle boken Amor Mundi - For love of the world. Fagdagene Holbergprisen
DetaljerBokmål / Nynorsk / English NORGES TEKNISK- NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR FYSIKK. Eksamen TFY4185 Måleteknikk
Bokmål / Nynorsk / English Side 1 av 5 NORGES TEKNISK- NATURITENSKAPELIGE UNIERSITET INSTITUTT FOR FYSIKK Steinar Raaen tel. 482 96 758 Eksamen TFY4185 Måleteknikk Mandag 17. desember 2012 Tid: 09.00-13.00
Detaljereoperasjoner OMS oppgaver
Computas AS kunnskap system eoperasjoner OMS oppgaver Roar Fjellheim, prof. II, IfI/OMS Slide 1 17.08.2007 eoperasjoner Floater Sanntidskontroll Oil platform Distributed operations, collaboration Fiber
Detaljer