Darwinian Evolution. Evolutionary Algorithms. Genetiske og Adferdsbaserte metoder -> Evolusjonære metoder. Semantic. Physiological, Behavioral
|
|
- Tone Engebretsen
- 7 år siden
- Visninger:
Transkript
1 Kunstig intelligens (IT-272) Forelesning Genetiske og Adferdsbaserte metoder -> Evolusjonære metoder 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 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'. Darwinian Evolution Physiological, Behavioral Phenotypes Natural Selection Ptypes Evolutionary Algorithms Parameters, Code, Neural Nets, Rules Semantic Performance Test P,C,N,R Morphogenesis Genotypes Reproduction Recombination & Mutation Sex Gtypes Translate Bit Strings R &M Generate Recombination & Mutation Bits Genetic Syntactic
2 Evolutionary Computation = Parallel Stochastic Search A general form of the genetic algorithm: Indiv Fitness Translation & Performance Test Selection Biasing Biased Roulette Wheel 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) Figure.: Use of crossover on two bit strings of length eight. # is don t care. 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)
3 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 Travelling Salesman Problem (TSP) Given: N cities & matrix of distances between them. Find: Shortest cyclic tour that visits all cities. P P2 P3 7 4 X 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... Applying GAs to TSP Representational Issues for GA-based 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 => X x 6; x 4 2 x 4; x 6 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. Standard Crossover & Mutation are purely syntactic => pay no attention to semantics (i.e. The meanings of the bits or integers that they manipulate). Direct representations often embody constraints that simple crossover & mutation cannot enforce. Indirect representations usually involve fewer constraints, so simple crossover & mutation are often sufficient. Compare to Process Scheduling (Kidwell), where constraints (i.e. All alleles between and N) were easy to enforce.
4 Inheritance For GA s to make progress, they must pass on many of the good features from generation G to generation G+. Hence, when parents crossover, the good features of each should be preserved in at least one of the children. Biology: Heritability = degree to which children resemble their parents (X kid-avg -X pop-avg ) = heritability*(x parent-avg -X pop-avg ) Location Preservation ( ) With PMX & Subtour exchanges, kids inherit many cities in the same position as in one of the parents. Results not that promising => GA viewed as inappropriate for TSP. Table.: The gray coded bit pattern for the binary numbers,,..., 5. Edge Preservation (989 - present) Edges are the key contributors to TSP costs (fitness), so what we really need to preserve are city pairs (i.e. Edges) of TSP tours. GA s with edge focus perform much better, near optimal => GA useful for TSP! Figure.2: Genetic algorithms visualized as parallel hill climbing, adapted from Holland (986). 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
5 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.. 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) Properties of Alife Systems Synthetic: Bottom-up, multiple interacting agents Self-regulating: No global/centralized control. Self-Organizing: Global structure is emergent. Global Structure Adaptive: Learning and/or evolving Constraints Emergence Complex: On the edge of chaos; dissipative Agents
6 Relevant Domains for Alife Individual organisms: physiology, behavior, ontogeny Social insect colonies (Ants!!): emergence of super-organism Populations of organisms: evolution Ecosystems: emergence & evolution MicroEconomics: populations of buyers & sellers Sociology: emergence & evolution of societies Traffic: emergence of flow/jam patterns Robotics: Emergence of Intelligent behaviors w/o global control Abstract computational models: logic, chemistry, physics 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 Research Methodology: AI as Empirical Science 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 Kunstig intelligens - revidert definisjon: Kunstig intelligens er studiet av de underliggende mekanismene for intelligent adferd, gjennom konstruksjon og testing av systemer som forsøker å realisere slike mekanismer. Vitenskapelig vinkling: Studiet av intelligente systemer relatert til datamaskinelle prosesser. Teknologsk vinkling: Utvikle smartere datasystemer Seriøs men todelt
7 Fundamentals - The knowledge level Based on our experience of the last 5 chapters, we offer a revised definition of artificial intelligence: AI is the study of the mechanisms underlying intelligent behavior through the construction and evaluation of artifacts that attempt to enact those mechanisms. 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: Knowledge Bh. laws: Principle of Rationality Symbol level Medium: Programs, data structures Bh. laws: Sequential interpretation of progra Register-transfer level Medium: Bit vectors Bh. laws: Paralell logic Logic circuit level Medium: Bits Bh. laws: 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 The Physical Symbols System Hypothesis: The necessary and sufficient condition for a physical system to exhibit general intelligent action is that it be a physical symbol system. Sufficient means that intelligence can be achieved by any appropriately organized physical symbol system. Necessary means that any agent that exhibits general intelligence must be an instance of a physical symbol system. The necessity of the physical symbol system hypothesis requires that any intelligent agent, whether human, space alien, or computer, achieve intelligence through the physical implementation of operations on symbol structures. General intelligent action means the same scope of action seen in human action. Within physical limits, the system exhibits behavior appropriate to its ends and adaptive to the demands of its environment.
8 Kunstig intelligens som empirisk vitenskap Det kunnskapsbaserte paradigmet 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 (symbolprosesserende metoder) (subsymbolske metoder) (sub/ikke-symbolske 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. erstatning av eller tillegg til kunnskapsbaserte metoder?. Symbolprosesserende metoder Gir opphav til 3 generelle forskningstilnærminger: - Teoretisk, analytisk rettet - Design- og modelleringsrettet - Konstruksjons- og implementasjonsrettet Metodologisk basis KBS (Knowledge-Based Systems): 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'.
9 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? 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 Kognisjonsvitenskap (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)
10 Kognisjonsvitenskap (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? Figure 6. Truncated chessboard with two squares covered by a domino. Figure 6.2 A set of data points and three function approximations.
11 Critical questions that remain for creating artificial intelligence:. The representation problem. 2. The role of embodiment in cognition. 3. Culture and intelligence. 4. Characterizing the nature of interpretation. 5. Representational indeterminacy. 6. The necessity of designing computational models that are falsifiable. 7. The limitations of the scientific method.
12 Anbefales:. Dra nytte av tilbudet innen AI-fag ved IDI.. Maskinlæring og Case-basert resonnering (vår, as). 2. Intelligente brukergrensesnitt (vår, as). 3. Distribuert kunstig intelligens og intelligente agenter (vår, ts). 4. Datasyn (vår, ts). 5. Funksjonell programmering (høst, as). 6. Logikk (høst, ts). 7. Kunnskapsrepresentasjon (høst, as). 8. Subsymbolsk AI (høst, as). 9. Naturlig språk grensesnitt.. Statistisk bildeanalyse og -læring + Fordypningsemner, Dr.gradsfag. 2. Mye spennende skjer følg med.. Vår forskning: Ansattes Web-sider 2. Generelt:
)RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV
.XQVWLJLQWHOOLJHQV01),7 )RUHOHVQLQJ Emner: )RUVNQLQJVPHWRGLNNLQQHQ.XQVWLJLQWHOOLJHQV - Revidert definisjon - AI som empirisk vitenskap - Kognitiv vitenskap som metodisk tilnærming - Epistemologiske problemer
DetaljerGenetiske og Adferdsbaserte metoder -> Evolusjonære metoder
Kunstig intelligens (IT-272) Forelesning Emner: Evolusjonær komputasjon - Genetiske algoritmer - Genetisk programmering - Kunstig liv Forskningsmetodikk innen Kunstig intelligens - Revidert definisjon
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
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
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]
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
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 ---
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
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
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
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
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
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
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 /
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
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
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
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)
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
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
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
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)
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
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
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
DetaljerMaple Basics. K. Cooper
Basics K. Cooper 2012 History History 1982 Macsyma/MIT 1988 Mathematica/Wolfram 1988 /Waterloo Others later History Why? Prevent silly mistakes Time Complexity Plots Generate LATEX This is the 21st century;
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
DetaljerImproving Customer Relationships
Plain Language Association International s 11 th conference Improving Customer Relationships September 21-23, 2017 University of Graz, Austria hosted by Klarsprache.at Copyright of this presentation belongs
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
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
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
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
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)
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
DetaljerEuropean Crime Prevention Network (EUCPN)
European Crime Prevention Network (EUCPN) The EUCPN was set up by Council Decision 2001/427/JHA in May 2001 to promote crime prevention activity in EU Member States. Its principal activity is information
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
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
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
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.
DetaljerISO 41001:2018 «Den nye læreboka for FM» Pro-FM. Norsk tittel: Fasilitetsstyring (FM) - Ledelsessystemer - Krav og brukerveiledning
ISO 41001:2018 «Den nye læreboka for FM» Norsk tittel: Fasilitetsstyring (FM) - Ledelsessystemer - Krav og brukerveiledning ISO 41001:2018 Kvalitetsverktøy i utvikling og forandring Krav - kapittel 4 til
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
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
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
DetaljerSamhandling i prosjekter et forskerblikk på Nødnettprosjektet. Therese Dille, PhD
Samhandling i prosjekter et forskerblikk på Nødnettprosjektet Therese Dille, PhD Bakgrunn Forskningsprosjekt (2008-2012) ved Handelshøyskolen BI, Institutt for ledelse og organisasjon Tilknyttet FoU-prosjektet
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?
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.
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
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
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
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
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
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
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
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
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
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
DetaljerBostøttesamling
Bostøttesamling 2016 Teresebjerke@husbankenno 04112016 2 09112016 https://wwwyoutubecom/watch?v=khjy5lwf3tg&feature=youtube 3 09112016 Hva skjer fremover? 4 09112016 «Gode selvbetjeningsløsninger» Kilde:
DetaljerExamination paper for (BI 2015) (Molekylærbiologi, laboratoriekurs)
Department of (Biology) Examination paper for (BI 2015) (Molekylærbiologi, laboratoriekurs) Academic contact during examination: Thorsten Hamann Phone: 91825937 Examination date: 19.12.2016 Examination
DetaljerTFY4170 Fysikk 2 Justin Wells
TFY4170 Fysikk 2 Justin Wells Forelesning 5: Wave Physics Interference, Diffraction, Young s double slit, many slits. Mansfield & O Sullivan: 12.6, 12.7, 19.4,19.5 Waves! Wave phenomena! Wave equation
DetaljerGEO231 Teorier om migrasjon og utvikling
U N I V E R S I T E T E T I B E R G E N Institutt for geografi Emnerapport høsten 2013: GEO231 Teorier om migrasjon og utvikling Innhold: 1. Informasjon om emnet 2. Statistikk 3. Egenevaluering 4. Studentevaluering
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
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
DetaljerMidler til innovativ utdanning
Midler til innovativ utdanning Hva ser jeg etter når jeg vurderer et prosjekt? Utdanningsseminar Onsdag 10 Januari 2018 Reidar Lyng Førsteamanuensis Institutt for pedagogikk og livslang læring, NTNU/ Leder
Detaljerbuildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata
buildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata IFD International Framework for Dictionaries Hvordan bygges en BIM? Hva kan hentes ut av BIM? Hvordan
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
DetaljerLevel-Rebuilt B-Trees
Gerth Stølting Brodal BRICS University of Aarhus Pankaj K. Agarwal Lars Arge Jeffrey S. Vitter Center for Geometric Computing Duke University August 1998 1 B-Trees Bayer, McCreight 1972 Level 2 Level 1
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
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
DetaljerMID-TERM EXAM TDT4258 MICROCONTROLLER SYSTEM DESIGN. Wednesday 3 th Mars Time:
Side 1 av 8 Norwegian University of Science and Technology DEPARTMENT OF COMPUTER AND INFORMATION SCIENCE MID-TERM EXAM TDT4258 MICROCONTROLLER SYSTEM DESIGN Wednesday 3 th Mars 2010 Time: 1615-1745 Allowed
DetaljerKurskategori 2: Læring og undervisning i et IKT-miljø. vår
Kurskategori 2: Læring og undervisning i et IKT-miljø vår Kurs i denne kategorien skal gi pedagogisk og didaktisk kompetanse for å arbeide kritisk og konstruktivt med IKT-baserte, spesielt nettbaserte,
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:
Detaljerkoordinering og samhandling i perioperativt arbeid
koordinering og samhandling i perioperativt arbeid Arild Faxvaag (1), Andreas Seim (2) og Pieter Toussaint (3) (1) Norsk Senter for Elektronisk pasientjournal (NSEP), IME, DMF, NTNU (2) SINTEF Teknologi
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
DetaljerMay legally defined terms be useful for improved interoperability in the public sector?
May legally defined terms be useful for improved interoperability in the public sector? Prof. Dag Wiese Schartum, Norwegian Research Center for Computers and Law, University of Oslo How may terms be legally
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
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
DetaljerWhat is is expertise expertise? Individual Individual differ diff ences ences (three (thr ee cent cen r t a r l a lones): easy eas to to test
Expertise in planning & estimation What is it and can one improve it? Jo Hannay (Simula) 1 What is expertise? Individual differences (three central ones): easy to test Personality easy to test Intelligence
DetaljerMedisinsk statistikk, KLH3004 Dmf, NTNU 2009. Styrke- og utvalgsberegning
Styrke- og utvalgsberegning Geir Jacobsen, ISM Sample size and Power calculations The essential question in any trial/analysis: How many patients/persons/observations do I need? Sample size (an example)
DetaljerKROPPEN LEDER STRØM. Sett en finger på hvert av kontaktpunktene på modellen. Da får du et lydsignal.
KROPPEN LEDER STRØM Sett en finger på hvert av kontaktpunktene på modellen. Da får du et lydsignal. Hva forteller dette signalet? Gå flere sammen. Ta hverandre i hendene, og la de to ytterste personene
DetaljerVLSI Design for Yield on Chip Level
IBM Systems and Technology Group Markus Bühler Jeanne Bickford Jason Hibbeler Jürgen Koehl DATE 2006 Outline Catastrophic Failures Defect Mechanisms State of the Art Novel Techniques Conclusion 2 Catastrophic
DetaljerEksamensoppgaver til SOSANT1101. Regional etnografi: jordens folk og kulturelt mangfold. Utsatt skoleeksamen 12. desember 2013 kl.
Universitetet i Oslo Sosialantropologisk institutt Eksamensoppgaver til SOSANT1101 Regional etnografi: jordens folk og kulturelt mangfold Utsatt skoleeksamen 12. desember 2013 kl. 9-14 Både original og
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
DetaljerUniversitetet i Bergen Det matematisk-naturvitenskapelige fakultet Eksamen i emnet Mat131 - Differensiallikningar I Onsdag 25. mai 2016, kl.
1 MAT131 Bokmål Universitetet i Bergen Det matematisk-naturvitenskapelige fakultet Eksamen i emnet Mat131 - Differensiallikningar I Onsdag 25. mai 2016, kl. 09-14 Oppgavesettet er 4 oppgaver fordelt på
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
DetaljerThe exam consists of 2 problems. Both must be answered. English
The exam consists of 2 problems. Both must be answered. English Problem 1 (60%) Consider two polluting firms, 1 and 2, each of which emits Q units of pollution so that a total of 2Q units are released
DetaljerSFI-Norman presents Lean Product Development (LPD) adapted to Norwegian companies in a model consisting of six main components.
Hovedoppgave Masteroppgave ved ved IMM Høsten 2013 Lean Product Development Stability Drivers. Identifying Environmental Factors that Affect Performance. SFI-Norman presents Lean Product Development (LPD)
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
DetaljerNærings-PhD i Aker Solutions
part of Aker Motivasjon og erfaringer Kristin M. Berntsen/Soffi Westin/Maung K. Sein 09.12.2011 2011 Aker Solutions Motivasjon for Aker Solutions Forutsetning Vilje fra bedrift og se nytteverdien av forskning.
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
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:
DetaljerTrigonometric Substitution
Trigonometric Substitution Alvin Lin Calculus II: August 06 - December 06 Trigonometric Substitution sin 4 (x) cos (x) dx When you have a product of sin and cos of different powers, you have three different
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?
DetaljerLittle Mountain Housing
Little Mountain Housing Feedback from January 2012 Open Houses Presentation to Little Mountain Community Advisory Group Overview Open house attendance 409 signed in 600+ total Comment forms submitted 326
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
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
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:
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
DetaljerFrom Policy to personal Quality
part of Aker From Policy to personal Quality Aker Solutions Bjørn Lende VP Quality Management MMO October 2011 2011 Aker Solutions Our vision and values Built on more than 170 years of industrial tradition
Detaljer