Kunstig intelligens (MNFIT-272) - høst 2002.
|
|
- Marthe Gulbrandsen
- 7 år siden
- Visninger:
Transkript
1 Kunstig intelligens (MNFIT-272) - høst Forelesning 10 Emner: Maskinlæring symbolorientert - intro til maskinlæring generelt - induktiv symbol-prosessering - læring i versjonsrom - læring av beslutningstrær
2 Hva er læring? Any process by which a system improves performance (H. Simon) Making useful changes in our minds (M. Minsky) The organisation of experience (M. Scott) Constructing or modifying representations of what is being experienced (R. Michalski)
3 Hva er maskinlæring? Metoder og teknikker som gjør datasystemer i stand til selv å oppdatere sin kunnskap og problemløsnings-evne
4 Hvorfor maskinlæring? Modellere menneskers læring Studere læring og intelligens som fenomen Automatisere utvikling av kunnskapsbaserte systemer det siste er mest vektlagt i dette kurset
5 Maskinlæringmetoder kan klassifiseres utifra flere perspektiver Grad av selvlæring - pugging (rote learning) - instruksjon - læring ved eksempler - læring ved analogi - læring ved oppdagelse Læringsmål - begrepslæring - problemløsning - situasjonsforståelse - produsere forklaringer Representasjonsspråk - attributt-verdi vektor - beslutningstrær - regler - predikatlogiske uttrykk - semantiske nett, rammer Grad av bakgrunnskunnskap - kunnskapsfattige metoder - kunnskapsrike metoder Grad av lærerstyring - veiledet læring - ikke-veiledet læring Grad av inkrementalitet - alle eksempler samtidig - inkrementell læring - læring gjennom problemløsing - lærlingteknikker
6 Maskinlæring - kort historikk Nevrale modeller, Rosenblatt s PERCEPTRON, Selvorganiserende systemer, Adaptive systemer, Læring som mønstergjenkjenning, Parameterjustering Samuel s Checkers Player Kunnskapsbaserte metoder, Winston s Analogy system, Symbolske teknikker for eksempelbasert læring, Michalski s AQ system, Mitchell s Version Space metode, Quinland s ID3 system, Discovery systemer, Langley s BACON, Lenat s AM. Kunnskapsrike metoder, Buchanan s Meta-Dendral, læring ved instruksjon, Davis Teresias, Ny giv for nevrale modeller, Forklaringsbasert læring (EBL), læring under problemløsning, case-basert læring, integrerte læremetoder Kunstig liv, Statistiske metoder, Data mining, Induktiv logikk-programmering, Genetiske algoritmer, Reinforcement læring, Bayesianske nett Integrerte læringsmetoder, læring under problemløsing
7 Eksempelbasert læring instansrommet: begrepsrommet: Generaliseringsbasert læring: eksempler hypoteser kandidater begrep Instansbasert læring: eksempler eksempler
8 Lærings-systemer i MNFIT 272: Generaliserings-baserte Læring i Versjonsrom (VS metoden) - Inkrementell læring - Lærer kun konjunktive begreper - Lærer klassifikasjonsregel Læring av beslutningstrær (ID3 metoden) - Ikke-inkrementell læring - Lærer konjunktive og disjunktive begreper - Lærer beslutningstre Forklaringsbasert læring (EBL) - bruker bakgrunnskunnskap Instans-baserte: CBR Analogi-læring
9 Version Space The version space is the set of all generalizations which are consistent with all of the examples It is described by the S and G sets: S is a generalization which is consistent with the examples and no other consistent generalization is more specific than it G is a generalization which is consistent with the examples and no other consistent generalization is more general than it
10 Version Space G more general consistent generalizations S more specific + examples move S up - examples move G down
11 Generality Lattice - Example (??) (? circle) (red?) (blue?) (? square) (red circle) (blue circle) (red square) (blue square)
12 Versjonsrom-algoritmen S summerer info fra de positive exempler G summerer info fra de negative exempler Når S=G er begrepet lært - dvs. flere eksempler tilfører ikke noe nytt Ikke nødvendig å ta vare på enkelteksemplene
13 Versjonsrom-algoritmen er en prinsipielt sterk læringsalgoritme - garanterer konsistens - er inkrementell men har store begrensninger i representasjonens uttrykkskraft - dvs. i hva som kan læres - kun konjunktive uttrykk - over-ivrig generalisering (mister muligheter)
14 ? (version-space example1) Example: (+ (BIG RED CIRCLE)) S= ((BIG RED CIRCLE)) G= ((???)) Example: (- (SMALL RED SQUARE)) S= ((BIG RED CIRCLE)) G= ((?? CIRCLE) (BIG??)) Example: (+ (SMALL RED CIRCLE)) S= ((? RED CIRCLE)) G= ((?? CIRCLE)) Example: (- (BIG BLUE CIRCLE)) S= ((? RED CIRCLE)) G= ((? RED CIRCLE)) Convergence. Concept must be: (? RED CIRCLE)
15 ? (version-space example2) Example: (+ (BIG RED CIRCLE)) S= ((BIG RED CIRCLE)) G= ((???)) Example: (- (SMALL BLUE TRIANGLE)) S= ((BIG RED CIRCLE)) G= ((?? CIRCLE) (? RED?) (BIG??)) Example: (+ (SMALL RED CIRCLE)) S= ((? RED CIRCLE)) G= ((?? CIRCLE) (? RED?)) Example: (- (MEDIUM GREEN SQUARE)) S= ((? RED CIRCLE)) G= ((?? CIRCLE) (? RED?)) Did not converge S= ((? RED CIRCLE)) G= ((?? CIRCLE) (? RED?))
16 ? (version-space example5) Example: (+ (BIG RED CIRCLE)) S= ((BIG RED CIRCLE)) G= ((???)) Example: (- (BIG BLUE CIRCLE)) S= ((BIG RED CIRCLE)) G= ((? RED?)) Example: (+ (SMALL BLUE SQUARE)) S= NIL G= NIL Langauage is insufficient to describe the concept
17 Decision Trees Data structure for clasifying objects Restricted to featural descriptions Allows for disjunction color red blue green size - shape big small circle square something red and small or green and square-shaped
18 Learning EXAMPLE Feature-names: (size color shape) (+ (big red circle)) (+ (small red square)) (- (medium red circle)) size small medium big The concept of a big or small, but not medium-sized, object
19 ID3 s information theoretic measure Picking the right feature for the root is crucial to building simple trees Choose feature which gives the most information regarding the class of an instance: I(C): Information content of tree for set of instances C P: Feature selected as splitting node E(P): Expected information needed to complete tree given splitting on P gain(p):information gain from feature P, gain(p) = I(C) - E(P)
20 ? *domains* ((BIG MEDIUM SMALL) (BLUE RED GREEN) (SQUARE TRIANGLE CIRCLE))? *feature-names* (SIZE COLOR SHAPE)? *categories* (+ -)? example1 ((+ (BIG RED CIRCLE)) (- (SMALL RED SQUARE)) (+ (SMALL RED CIRCLE)) (- (BIG BLUE CIRCLE)))? (id3 example1) Considering splitting on SIZE Gain = Chi square stat = (NOGOOD) Considering splitting on COLOR Gain = Chi square stat = (NOGOOD) Considering splitting on SHAPE Gain = Chi square stat = (NOGOOD) Gain Tie- Randomly choosing
21 Splitting on COLOR Looking at COLOR = BLUE All examples in class - Looking at COLOR = RED Considering splitting on SIZE Gain = Chi square stat = (NOGOOD) Considering splitting on SHAPE Gain = Chi square stat = (NOGOOD) Splitting on SHAPE Looking at SHAPE = SQUARE All examples in class - Looking at SHAPE = TRIANGLE No examples. Using most common class of parent node + Looking at SHAPE = CIRCLE All examples in class + Looking at COLOR = GREEN No examples. Using most common class of parent node + Feature: COLOR BLUE (0.250) Class is: - RED (0.750) Feature: SHAPE SQUARE (0.333) Class is: - TRIANGLE (0.000) Class is: + CIRCLE (0.667) Class is: + GREEN (0.000) Class is: + color red blue shape - square circle triangle green +
22 ? example5 ((+ (BIG RED CIRCLE)) (- (BIG BLUE CIRCLE)) (+ (SMALL BLUE SQUARE)))? (id3 example5) Considering splitting on SIZE Gain = Chi square stat = (NOGOOD) Considering splitting on COLOR Gain = Chi square stat = (NOGOOD) Considering splitting on SHAPE Gain = Chi square stat = (NOGOOD) Gain Tie- Randomly choosing Splitting on SHAPE Looking at SHAPE = SQUARE All examples in class + Looking at SHAPE = TRIANGLE No examples. Using most common class of parent node + Looking at SHAPE = CIRCLE Considering splitting on SIZE Gain = Chi square stat = (NOGOOD) Considering splitting on COLOR Gain = Chi square stat = (NOGOOD)
23 Splitting on COLOR Looking at COLOR = BLUE All examples in class - Looking at COLOR = RED All examples in class + Looking at COLOR = GREEN No examples. Using most common class of parent node + Feature: SHAPE SQUARE (0.333) Class is: + TRIANGLE (0.000) Class is: + CIRCLE (0.667) Feature: COLOR BLUE (0.500) Class is: - RED (0.500) Class is: + GREEN (0.000) Class is: + One way to treat missing data
24 Summary: Similarity-based Learning Empirical, data-intensive Requires many examples and counter-examples Knowledge poor Generates unjustified concept definitions
25 Alternative paradigm: - Explanation-based Learning Analytical Learns from 1 example Knowledge rich Generates justified concept definitions
26 Explanation-based Learning: Use exisiting domain knowledge to explain why an example is a member of a concept or why a plan works. Explanations determines relevant features Generalise the explanation made, to obtain a justified (explained) operational definition of the concept
27 Explanation-based Generalization Problem Given Goal concept Training example Domain theory Operationality criterion Determine A generalisation of the training example which is an operational sufficient concept definition
28 EBL method: 1. Explain Use the domain theory to explain why the example is an example of the goal concept 2. Generalise Determine the most general condictions under whch the explanation holds, and generalise the explanation
29 Meta-Dendral Lærer kløvningsregler for molekyler under massespektrometri Gitt: - et representasjonsspråk for å beskrive molekylstrukturer - et trenings-sett bestående av et sett molekyler fra en molekylfamilie, samt deres molekylstruktur og massespektrogram - en viss generell kunnskap om molekylkløving unde massespektrometri Finn: - et sett kløvningsregler for den aktuelle molekylfamilien
Kunstig intelligens (MNFIT-272) - høst 1999.
Kunstig intelligens (MNFIT-272) - høst 1999. Forelesning 9 Emner: Tolkning av naturlig språk - Kontekst-frie gramatikker - Chomsky hierarkiet - Kontekst-sensitive gramatikker Maskinlæring - induktiv symbol-prosessering
DetaljerKunstig intelligens (IT-2702) - høst 2006.
Kunstig intelligens (IT-2702) - høst 2006. Forelesning 10 Emner: Tolking av naturlig språk - Kontekst-frie gramatikker Maskinlæring symbolorientert - Induktiv symbol-prosessering - Læring i versjonsrom
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
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
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]
DetaljerFagevalueringsrapport FYS Diffraksjonsmetoder og elektronmikroskopi
Fagevalueringsrapport FYS4340 - Diffraksjonsmetoder og elektronmikroskopi Fall 08 Lecturer:Arne Olsen and Anette Eleonora Gunnæs Fysisk Fagutvalg 4. november 2008 Fagutvalgets kommentar: Fysisk fagutvalg
DetaljerHvor mye praktisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
INF283 Er du? Er du? - Annet PhD 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 = mye)
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.
DetaljerEmnedesign for læring: Et systemperspektiv
1 Emnedesign for læring: Et systemperspektiv v. professor, dr. philos. Vidar Gynnild Om du ønsker, kan du sette inn navn, tittel på foredraget, o.l. her. 2 In its briefest form, the paradigm that has governed
DetaljerEmneevaluering GEOV272 V17
Emneevaluering GEOV272 V17 Studentenes evaluering av kurset Svarprosent: 36 % (5 av 14 studenter) Hvilket semester er du på? Hva er ditt kjønn? Er du...? Er du...? - Annet PhD Candidate Samsvaret mellom
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
DetaljerEksamen i TDT Oppgaver. Ruben Spaans. December 6, 2012
Eksamen i TDT4173 Ruben Spaans December 6, 2012 1 Oppgaver Oppgave 1. Dener hva et velformulert læringsproblem (well-posed learning problem) er. Svar Det betyr at læringen vil forbedres med erfaring for
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
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
DetaljerTrianguleringer og anvendelser
INF-MAT5370 Trianguleringer og anvendelser Fra seilflysimulatoren Silent Wings Bakgrunn for kurset: Kurset ble til til mens vi vi (foreleserne) arbeidet med oppdrag for industrien på SINTEF. Samtlige deler
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,
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
DetaljerDecisionMaker Frequent error codes (valid from version 7.x and up)
DecisionMaker Frequent error codes (valid from version 7.x and up) DM Frequent Error Codes Bisnode Credit IT 03.02.2014 1 (5) CONTENTS 1 Target... 3 2 About this document... 3 3 Error codes an messages...
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
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
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
DetaljerHvor mye teoretisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
Emneevaluering GEOV325 Vår 2016 Kommentarer til GEOV325 VÅR 2016 (emneansvarlig) Forelesingsrommet inneholdt ikke gode nok muligheter for å kunne skrive på tavle og samtidig ha mulighet for bruk av power
DetaljerHvor mye teoretisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
INF234 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 = mye) Hvor
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
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
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
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 ---
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,
DetaljerCAMES. Technical. Skills. Overskrift 27pt i to eller flere linjer teksten vokser opad. Brødtekst 22pt skrives her. Andet niveau.
CAMES Overskrift 27pt i to eller flere linjer Technical Skills Leizl Joy Nayahangan, RN, MHCM Leizl.joy.nayahangan@regionh.dk IMPORTANCE Challenges Brødtekst 22pt of patient skrives her care Increasing
DetaljerDen som gjør godt, er av Gud (Multilingual Edition)
Den som gjør godt, er av Gud (Multilingual Edition) Arne Jordly Click here if your download doesn"t start automatically Den som gjør godt, er av Gud (Multilingual Edition) Arne Jordly Den som gjør godt,
DetaljerKartleggingsskjema / Survey
Kartleggingsskjema / Survey 1. Informasjon om opphold i Norge / Information on resident permit in Norway Hvilken oppholdstillatelse har du i Norge? / What residence permit do you have in Norway? YES No
DetaljerSAMPOL115 Emneevaluering høsten 2014
SAMPOL115 Emneevaluering høsten 2014 Om emnet SAMPOL 270 ble avholdt for førsten gang høsten 2013. Det erstatter til dels SAMPOL217 som sist ble avholdt høsten 2012. Denne høsten 2014 var Michael Alvarez
DetaljerBærekraftig FM til tiden/ Bærekraftig FM på tid
Downloaded from orbit.dtu.dk on: Sep 28, 2019 Bærekraftig FM til tiden/ Bærekraftig FM på tid Nielsen, Susanne Balslev Publication date: 2015 Document Version Peer reviewed version Link back to DTU Orbit
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 3230 Formell modellering og analyse av kommuniserende systemer Eksamensdag: 4. juni 2010 Tid for eksamen: 9.00 12.00 Oppgavesettet
DetaljerHvordan jobber reiselivsgründere med sine etableringer? Sølvi Solvoll Klyngesamling, Bodø
Hvordan jobber reiselivsgründere med sine etableringer? Sølvi Solvoll Klyngesamling, Bodø 14.02.2018 Hvilke beslutninger har du tatt i dag? Planlegge eller effektuere? Effectuation; måten ekspertgründeren
DetaljerSTILLAS - STANDARD FORSLAG FRA SEF TIL NY STILLAS - STANDARD
FORSLAG FRA SEF TIL NY STILLAS - STANDARD 1 Bakgrunnen for dette initiativet fra SEF, er ønsket om å gjøre arbeid i høyden tryggere / sikrere. Både for stillasmontører og brukere av stillaser. 2 Reviderte
DetaljerEndelig ikke-røyker for Kvinner! (Norwegian Edition)
Endelig ikke-røyker for Kvinner! (Norwegian Edition) Allen Carr Click here if your download doesn"t start automatically Endelig ikke-røyker for Kvinner! (Norwegian Edition) Allen Carr Endelig ikke-røyker
DetaljerBIBSYS Brukermøte 2011 Live Rasmussen og Andreas Christensen. Alt på et brett? -om pensum på ipad og lesebrett
BIBSYS Brukermøte 2011 Live Rasmussen og Andreas Christensen Alt på et brett? -om pensum på ipad og lesebrett Prosjektet epensum på lesebrett Vi ønsker å: Studere bruk av digitalt pensum i studiesituasjonen.
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
DetaljerHan Ola of Han Per: A Norwegian-American Comic Strip/En Norsk-amerikansk tegneserie (Skrifter. Serie B, LXIX)
Han Ola of Han Per: A Norwegian-American Comic Strip/En Norsk-amerikansk tegneserie (Skrifter. Serie B, LXIX) Peter J. Rosendahl Click here if your download doesn"t start automatically Han Ola of Han Per:
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
DetaljerPhysical origin of the Gouy phase shift by Simin Feng, Herbert G. Winful Opt. Lett. 26, (2001)
by Simin Feng, Herbert G. Winful Opt. Lett. 26, 485-487 (2001) http://smos.sogang.ac.r April 18, 2014 Introduction What is the Gouy phase shift? For Gaussian beam or TEM 00 mode, ( w 0 r 2 E(r, z) = E
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
DetaljerData Sheet for Joysticks
Available with Potentiometers or Hall sensors Several handle options Small size at low installation depth The 812 series is available with several different handle options. These small joysticks are recommended
DetaljerTEKSTER PH.D.-VEILEDERE FREMDRIFTSRAPPORTERING DISTRIBUSJONS-E-POST TIL ALLE AKTUELLE VEILEDERE:
TEKSTER PH.D.-VEILEDERE FREMDRIFTSRAPPORTERING DISTRIBUSJONS-E-POST TIL ALLE AKTUELLE VEILEDERE: Kjære , hovedveileder for Den årlige fremdriftsrapporteringen er et viktig tiltak som gjør
DetaljerJuridiske aspekter ved publisering i åpne institusjonelle arkiv
Juridiske aspekter ved publisering i åpne institusjonelle arkiv Professor dr juris Olav Torvund Publisering i åpne institusjonelle arkiv Førstegangspublisering Masteroppgaver Doktoravhandlinger (?) Grålitteratur
DetaljerData Sheet for Joysticks
Available with Potentiometers or Hall sensors Several handle options Small size at low installation depth The 812 series is available with several different handle options. These small joysticks are recommended
DetaljerHvor mye praktisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
INF247 Er du? Er du? - Annet Ph.D. Student 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,
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON20 Forbruker, bedrift og marked, høsten 2004 Exam: ECON20 - Consumer behavior, firm behavior and markets, autumn 2004 Eksamensdag: Onsdag 24. november
DetaljerEKSAMEN I PSY3110 LÆRING ATFERD OG OMGIVELSER HØSTEN 2012 BOKMÅL
NTNU Fakultet for samfunnsvitenskap og teknologiledelse Psykologisk institutt EKSAMEN I PSY3110 LÆRING ATFERD OG OMGIVELSER HØSTEN 2012 DATO: 07.12.2012 Studiepoeng: 7,5 Sidetall bokmål 2 Tillatte hjelpemidler:
DetaljerMultimedia in Teacher Training (and Education)
Multimedia in Teacher Training (and Education) Bodo Eckert, Stefan Altherr, Hans-Jörg Jodl Second International GIREP Seminar 1-6 September 2003 University of Udine, Italy Content Training courses for
DetaljerGEO326 Geografiske perspektiv på mat
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 2015: GEO326 Geografiske perspektiv på mat Innhold: 1. Informasjon om emnet 2. Statistikk 3. Egenevaluering 4. Studentevaluering
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
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?
DetaljerTEKSTER PH.D.-KANDIDATER FREMDRIFTSRAPPORTERING
TEKSTER PH.D.-KANDIDATER FREMDRIFTSRAPPORTERING DISTRIBUSJONS-E-POST TIL ALLE KANDIDATER: (Fornavn, etternavn) Den årlige fremdriftsrapporteringen er et viktig tiltak som gjør instituttene og fakultetene
DetaljerRegional DNS samling. BODØ våren 2016
Regional DNS samling BODØ våren 2016 Onsdag (rom «Pauline Skar») Program 12:15-12:30 Registrering og kaffe. Velkommen til samling 12:30-13:15 Lunsj 13:15 14:30 Utforskende undervisning og læring. Eksempler
DetaljerGYRO MED SYKKELHJUL. Forsøk å tippe og vri på hjulet. Hva kjenner du? Hvorfor oppfører hjulet seg slik, og hva er egentlig en gyro?
GYRO MED SYKKELHJUL Hold i håndtaket på hjulet. Sett fart på hjulet og hold det opp. Det er lettest om du sjølv holder i håndtakene og får en venn til å snurre hjulet rundt. Forsøk å tippe og vri på hjulet.
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
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
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 /
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:
DetaljerIN 211 Programmeringsspråk. Dokumentasjon. Hvorfor skrive dokumentasjon? For hvem? «Lesbar programmering» Ark 1 av 11
Dokumentasjon Hvorfor skrive dokumentasjon? For hvem? «Lesbar programmering» Ark 1 av 11 Forelesning 8.11.1999 Dokumentasjon Med hvert skikkelig program bør det komme følgende dokumentasjon: innføring
DetaljerInformation search for the research protocol in IIC/IID
Information search for the research protocol in IIC/IID 1 Medical Library, 2013 Library services for students working with the research protocol and thesis (hovedoppgaven) Open library courses: http://www.ntnu.no/ub/fagside/medisin/medbiblkurs
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON1910 Poverty and distribution in developing countries Exam: ECON1910 Poverty and distribution in developing countries Eksamensdag: 1. juni 2011 Sensur
Detaljer2018 ANNUAL SPONSORSHIP OPPORTUNITIES
ANNUAL SPONSORSHIP OPPORTUNITIES MVP SPONSORSHIP PROGRAM CALLING ALL VENDORS! Here is your chance to gain company exposure while strengthening your dealer Association at the same time. Annual Sponsorship
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:
DetaljerREMOVE CONTENTS FROM BOX. VERIFY ALL PARTS ARE PRESENT READ INSTRUCTIONS CAREFULLY BEFORE STARTING INSTALLATION
2011-2014 FORD EXPLORER PARTS LIST Qty Part Description Qty Part Description 1 Bull Bar 2 12mm x 35mm Bolt Plates 1 Passenger/Right Mounting Bracket 2 12mm Nut Plate 1 Driver/Left Mounting Bracket 2 12mm
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
DetaljerSmart High-Side Power Switch BTS730
PG-DSO20 RoHS compliant (green product) AEC qualified 1 Ω Ω µ Data Sheet 1 V1.0, 2007-12-17 Data Sheet 2 V1.0, 2007-12-17 Ω µ µ Data Sheet 3 V1.0, 2007-12-17 µ µ Data Sheet 4 V1.0, 2007-12-17 Data Sheet
DetaljerPATIENCE TÅLMODIGHET. Is the ability to wait for something. Det trenger vi når vi må vente på noe
CARING OMSORG Is when we show that we care about others by our actions or our words Det er når vi viser at vi bryr oss om andre med det vi sier eller gjør PATIENCE TÅLMODIGHET Is the ability to wait for
Detaljer5E-modellen og utforskende undervisning
Sesjon CD4.2: 5E-modellen og utforskende undervisning 5E-modellen som praktisk tilnærming til utforskende undervisning, for å hjelpe lærere til å gjøre den utforskende undervisningen mer eksplisitt og
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
DetaljerHvor mye praktisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
INF234 Er du? Er du? - Annet Årsstudent 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
DetaljerThe Union shall contribute to the development of quality education by encouraging cooperation between Member States and, if necessary, by supporting
The Union shall contribute to the development of quality education by encouraging cooperation between Member States and, if necessary, by supporting and supplementing their action, while fully respecting
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
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
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
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
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
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
DetaljerTrådløsnett med. Wireless network. MacOSX 10.5 Leopard. with MacOSX 10.5 Leopard
Trådløsnett med MacOSX 10.5 Leopard Wireless network with MacOSX 10.5 Leopard April 2010 Slå på Airport ved å velge symbolet for trådløst nettverk øverst til høyre på skjermen. Hvis symbolet mangler må
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
DetaljerAnvendt Maskinlæring. MainTech Konferansen Anton Eskov, Data Scientist, Inmeta.
Anvendt Maskinlæring MainTech Konferansen - 2017 Anton Eskov, Data Scientist, Inmeta www.inmeta.no 130 Ansatte Oslo & Trondheim Solid og lønnsomt selskap Del av Crayon Group med over 1000 ansatte Portal
DetaljerHuman Factors relevant ved subsea operasjoner?
Human Factors relevant ved subsea operasjoner? Arne Jarl Ringstad, Lead Advisor Human Factors and Organizational Safety Classification: Internal 2012-01-30 Hva er Human Factors? Human factors is the scientific
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT BOKMÅL Eksamen i: ECON1210 - Forbruker, bedrift og marked Eksamensdag: 26.11.2013 Sensur kunngjøres: 18.12.2013 Tid for eksamen: kl. 14:30-17:30 Oppgavesettet er
DetaljerSamarbeidsbasert forskning er det mulig også i arbeidet med systematiske kunnskapsoversikter?
Samarbeidsbasert forskning er det mulig også i arbeidet med systematiske kunnskapsoversikter? 17.11.2017 Mette Haaland-Øverby (medforsker, NK LMH) Kari Fredriksen (leder for lærings- og mestringssenteret
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)
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
DetaljerProsjektet Digital kontaktinformasjon og fullmakter for virksomheter Digital contact information and mandates for entities
Prosjektet Digital kontaktinformasjon og fullmakter for virksomheter Digital contact information and mandates for entities Nordisk Adressemøte / Nordic Address Forum, Stockholm 9-10 May 2017 Elin Strandheim,
DetaljerTUSEN TAKK! BUTIKKEN MIN! ...alt jeg ber om er.. Maren Finn dette og mer i. ... finn meg på nett! Grafiske lisenser.
TUSEN TAKK! Det at du velger å bruke mitt materiell for å spare tid og ha det kjekt sammen med elevene betyr mye for meg! Min lidenskap er å hjelpe flotte lærere i en travel hverdag, og å motivere elevene
DetaljerHva legges i begrepet Big Data Hvilke muligheter eller betydning vil dette ha for den enkelte virksomhet Bruksområder Oppsummering. Arild S.
Big data - bare for de store? Hva legges i begrepet Big Data Hvilke muligheter eller betydning vil dette ha for den enkelte virksomhet Bruksområder Oppsummering Arild S. Birkelund IT Arkitekt - Atea Hva
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON1220 Velferd og økonomisk politikk Exam: ECON1220 Welfare and politics Eksamensdag: 29.11.2010 Sensur kunngjøres: 21.12.2010 Date of exam: 29.11.2010
DetaljerOOSU 22.sept Pattern har sin opprinnelse innen arkitektur (byplanlegging / bygninger)
OOSU 22.sept 2010 PATTERNS (mønstre) Hva er et Pattern opprinnelsen Mal for en Patternbeskrivelse Hva er et Pattern Language? Ulike typer Pattern vi anvender innen systemutvikling Dagens Pensum : (kursorisk
DetaljerTUSEN TAKK! BUTIKKEN MIN! ...alt jeg ber om er.. Maren Finn dette og mer i. ... finn meg på nett! Grafiske lisenser.
TUSEN TAKK! Det at du velger å bruke mitt materiell for å spare tid og ha det kjekt sammen med elevene betyr mye for meg! Min lidenskap er å hjelpe flotte lærere i en travel hverdag, og å motivere elevene
DetaljerEXAM IN COURSES TDT4252 MODELLING OF INFORMATION SYSTEMS- ADVANCED COURSE. DT8802 MODELLING OF INFORMATION SYSTEMS (English version)
NORWEGIAN UNIVERSITY OF SCIENCE AND TECHNOLOGY DEPARTMENT OF COMPUTER AND INFORMATION SCIENCE Contact during the exam: Sobah Abbas Petersen Mobile: 92846595 EXAM IN COURSES TDT4252 MODELLING OF INFORMATION
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
DetaljerPerpetuum (im)mobile
Perpetuum (im)mobile Sett hjulet i bevegelse og se hva som skjer! Hva tror du er hensikten med armene som slår ut når hjulet snurrer mot høyre? Hva tror du ordet Perpetuum mobile betyr? Modell 170, Rev.
DetaljerNewtons fargeskive. Regnbuens farger blir til hvitt. Sett skiva i rask rotasjon ved hjelp av sveiva.
Newtons fargeskive Regnbuens farger blir til hvitt. Sett skiva i rask rotasjon ved hjelp av sveiva. Se hva som skjer med fargene. Hvitt lys består av en blanding av alle farger. Når fargeskiva roterer
Detaljer