A Benchmark of Selected Algorithmic. Machine Learning and Computer Vision

Størrelse: px
Begynne med side:

Download "A Benchmark of Selected Algorithmic. Machine Learning and Computer Vision"

Transkript

1 A Benchmark of Selected Algorithmic Differentiation Tools on Some Problems in Machine Learning and Computer Vision FILIP SRAJER ZUZANA KUKELOVA ANDREW FITZGIBBON AD Version for public release some illustrations removed

2 Problems Hand tracking 3D reconstruction Gaussian mixture model fitting

3 Tested Tools* OO operator overloading, ST source transformation F forward, R reverse Language Tool Approach Mode C++ Adept OO F, R C++ ADIC2 ST F, R C++ ADOL-C OO F, R C++ Ceres OO F C++ clad ST via compiler F C/Fortran Tapenade ST F, R F# DiffSharp OO F, R MATLAB ADiGator ST via OO F MATLAB ADiMat OO with help of ST F, R MATLAB MuPAD Symbolic Julia ForwardDiff OO F Python Autograd OO R Python Theano Symbolic *accessed in summer 2015

4 Tested Tools* OO operator overloading, ST source transformation F forward, R reverse Language Tool Approach Mode C++ Adept OO F, R compilation issues C++ ADIC2 ST F, R C++ ADOL-C OO F, R C++ Ceres OO F no arrays C++ clad ST via compiler F C/Fortran Tapenade ST F, R F# DiffSharp OO F, R syntactically incorrect output MATLAB ADiGator ST via OO F MATLAB ADiMat OO with help of ST F, R MATLAB MuPAD Symbolic Julia ForwardDiff OO F Python Autograd OO R Python Theano Symbolic *accessed in summer 2015

5 Gaussian Mixture Model p x; w, μ, Σ = K k=1 w k 1 det 2πΣ k exp 1 2 x μ k Σ k 1 x μ k Σ is positive semidefinite Σ 1 = Q T Q, where Q = exp q l 1 exp q 2 0 l 2 l d exp(q 3 ) K k=1 w k = 1 w k = exp α k exp(α k ) K k =1

6 GMM Log-likelihood with Prior log L α, μ, q, l x) = log N i=1 p x i ; α, μ, q, l n i=1 logsumexp α k + sum q k 1 2 Q q k, l k x i μ k 2 K k=1 n logsumexp α + C K + γ2 2 k=1 exp q k 2 + l k 2 m sum q k C 2 hyperparameters: γ R, m Z, m 1

7 GMM Log-likelihood with Prior log L α, μ, q, l x) = log N i=1 p x i ; α, μ, q, l gradient α (k) μ (kd) q (kd) l 1 kd d 1 2 d = dimension k = number of Gaussians

8 Python Theano MATLAB Julia F#, Julia (vector) Theano (vector), MuPAD MATLAB (vector) C, C++ (clean, Eigen, Eigen vector)

9 Python Theano MATLAB Julia F# Theano (vector), Julia (vector) C, C++ (clean, Eigen, Eigen vector) MATLAB (vector) MuPAD

10 Manual (Eigen vector) Manual (Eigen) Manual (C++)

11 ADOLC Adept Manual (Eigen vector) Tapenade, Manual (Eigen) Manual (C++)

12 Autograd DiffSharp DiffSharp-R ADOLC Adept Manual (Eigen vector) Tapenade, Manual (Eigen) Manual (C++)

13 Autograd DiffSharp DiffSharp-R AdiMat Theano ADOLC Adept Manual (Eigen vector) Tapenade, Theano (vector), Manual (Eigen) Manual (C++) ADiMat (vector)

14 Julia-F (vector) Julia-F Finite Differences (C++) Ceres Autograd DiffSharp DiffSharp-R AdiMat Theano ADOLC Adept Manual (Eigen vector) Tapenade, Theano (vector), Manual (Eigen) Manual (C++) ADiMat (vector)

15 Split Objective Function f θ = n i=1 g x i, θ + h(θ) f θ = n i=1 g x i, θ + h(θ)

16 Autograd (split) DiffSharp-R (split) ADOLC (split) MuPAD (split)

17 Adept (split)

18 timeout timeout timeout timeout Tapenade (split)

19 3D Reconstruction Parameters: camera R 11 3D point R 3 weight R Data: measurement R 2 Error reprojection error = weight (project camera, point measurement) weight error = 1 weight 2

20 3D Reconstruction project r, C, f, x 0, κ, X = distort κ, p2e rodriguez r, X C f + x 0 ) distort κ, x = x(1 + κ 1 x 2 + κ 2 x 4 ) p2e X = X 1..2 X 3 rodriguez r, X = X cos θ + v X sin θ + v(v T X)(1 cos θ), where θ = r, v = r r

21 Jacobian Sparsity Pattern camera 1 camera 2 X 1 X 2 X 3 w 1 w 2 w 3 w 4 w 5 w 6 err 1 err 2 err 3 err 4 err 5 err 6 w_err 1 w_err 2 w_err 3 w_err 4 w_err 5 w_err 6

22 Manual (Eigen)

23 ADOLC (Eigen) ADOLC Ceres Adept Tapenade Manual (Eigen)

24 ADiMat Autograd DiffSharp Theano ADOLC (Eigen), Julia-F ADOLC DiffSharp-R Ceres Adept Finite differences (C++) Tapenade Manual (Eigen), MuPAD

25 Hand Tracking Parameters θ = (r, t, φ) Global rotation r R 3 Global translation t R 3 Fingers parameters φ R 4 5 Data: Hand model vertices v = R 3 M Data points x = R 3 N Correspondences c = 1,, M N Error: e i = x i transform(v ci ; θ)

26 Hand Tracking Assemble 22 transformations from fingers parameters: T R Transform all vertices by all transformations: 22 u = T i v 1 v i=1 R 22 4 M Weight by transformations that are relevant: z = 22 i=1 u i w i R 4 M Apply global rotation and translation y = R t 0 1 z R3 M

27 Roaming Correspondences New parameters: u R 2 N (2 for every correspondence) Correspondences to triangles C u 1 A + u 2 B + 1 u 1 u 2 C A B

28 Jacobian Sparsity Pattern u 1 u 2 u 3 u 4 Hand parameters err 1 err 2 err 3 err 4

29

30

31 Conclusion Useful tools in most languages Features are important Sparsity support Matrix operations Forward and reverse modes Memory optimization for big problem instances Thank you

Qi-Wu-Zhang model. 2D Chern insulator. León Martin. 19. November 2015

Qi-Wu-Zhang model. 2D Chern insulator. León Martin. 19. November 2015 Qi-Wu-Zhang model 2D Chern insulator León Martin 19. November 2015 Motivation Repeat: Rice-Mele-model Bulk behavior Edge states Layering 2D Chern insulators Robustness of edge states Motivation topological

Detaljer

Existence of resistance forms in some (non self-similar) fractal spaces

Existence of resistance forms in some (non self-similar) fractal spaces Existence of resistance forms in some (non self-similar) fractal spaces Patricia Alonso Ruiz D. Kelleher, A. Teplyaev University of Ulm Cornell, 12 June 2014 Motivation X Fractal Motivation X Fractal Laplacian

Detaljer

TFY4170 Fysikk 2 Justin Wells

TFY4170 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

Detaljer

SVM and Complementary Slackness

SVM 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

Detaljer

OPPA European Social Fund Prague & EU: We invest in your future.

OPPA European Social Fund Prague & EU: We invest in your future. OPPA European Social Fund Prague & EU: We invest in your future. Talk Outline appearance based tracking patch similarity using histogram tracking by mean shift experiments, discussion Mean shift Tomáš

Detaljer

OPPA European Social Fund Prague & EU: We invest in your future.

OPPA European Social Fund Prague & EU: We invest in your future. OPPA European Social Fund Prague & EU: We invest in your future. Talk Outline appearance based tracking patch similarity using histogram tracking by mean shift experiments, discussion Mean shift Tomáš

Detaljer

Moving Objects. We need to move our objects in 3D space.

Moving 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

Detaljer

Neural Network. Sensors Sorter

Neural 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]

Detaljer

Graphs similar to strongly regular graphs

Graphs 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

Detaljer

Øystein Haugen, Professor, Computer Science MASTER THESES Professor Øystein Haugen, room D

Øystein 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

Detaljer

Physical origin of the Gouy phase shift by Simin Feng, Herbert G. Winful Opt. Lett. 26, (2001)

Physical 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

Detaljer

Ressurser. OpenCV documentation: Eigen documentation : C++: Image Watch: An image debugger plug-in for Visual Studio

Ressurser. OpenCV documentation: Eigen documentation : C++: Image Watch: An image debugger plug-in for Visual Studio Lab 2 04.02.2016 Ressurser OpenCV documentation: http://opencv.org/documentation.html Eigen documentation : http://eigen.tuxfamily.org/dox/ Quick reference quide: http://eigen.tuxfamily.org/dox/group QuickRefPage.html

Detaljer

Oppgave 1. ( xφ) φ x t, hvis t er substituerbar for x i φ.

Oppgave 1. ( xφ) φ x t, hvis t er substituerbar for x i φ. Oppgave 1 Beviskalklen i læreboka inneholder sluttningsregelen QR: {ψ φ}, ψ ( xφ). En betingelse for å anvende regelen er at det ikke finnes frie forekomste av x i ψ. Videre så inneholder beviskalklen

Detaljer

Analysis of ordinal data via heteroscedastic threshold models

Analysis of ordinal data via heteroscedastic threshold models Analysis of ordinal data via heteroscedastic threshold models JL Foulley/Applibugs 1 Example Koch s 1990 data on a clinical trial for respiratory illness Treatment (A) vs Placebo (P) 111 patients (54 in

Detaljer

Estimating Peer Similarity using. Yuval Shavitt, Ela Weinsberg, Udi Weinsberg Tel-Aviv University

Estimating Peer Similarity using. Yuval Shavitt, Ela Weinsberg, Udi Weinsberg Tel-Aviv University Estimating Peer Similarity using Distance of Shared Files Yuval Shavitt, Ela Weinsberg, Udi Weinsberg Tel-Aviv University Problem Setting Peer-to-Peer (p2p) networks are used by millions for sharing content

Detaljer

Energy Calibration for the Forward Detector at WASA-at-COSY

Energy Calibration for the Forward Detector at WASA-at-COSY Energy Calibration for the Forward Detector at WASA-at-COSY Kay Demmich Westfälische Wilhelms-Universität Münster, Institut für Kernphysik DPG Spring Meeting (HK 42.7) 5. März 23 K. Demmich (WWU) Calibration

Detaljer

Eksamen i FY3466 KVANTEFELTTEORI II Tirsdag 20. mai :00 13:00

Eksamen i FY3466 KVANTEFELTTEORI II Tirsdag 20. mai :00 13:00 NTNU Side 1 av 3 Institutt for fysikk Faglig kontakt under eksamen: Professor Kåre Olaussen Telefon: 9 36 52 eller 45 43 71 70 Eksamen i FY3466 KVANTEFELTTEORI II Tirsdag 20. mai 2008 09:00 13:00 Tillatte

Detaljer

Du må håndtere disse hendelsene ved å implementere funksjonene init(), changeh(), changev() og escape(), som beskrevet nedenfor.

Du 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

Detaljer

Databases 1. Extended Relational Algebra

Databases 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 ---

Detaljer

Unit Relational Algebra 1 1. Relational Algebra 1. Unit 3.3

Unit 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

Detaljer

SEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING

SEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING SEGMENTERING IN 106, V-2001 Segmentering er en prosess som deler opp bildet i meningsfulle regioner. I det enkleste tilfelle har vi bare to typer regioner BILDE-SEGMENTERING DEL I Forgrunn Bakgrunn Problemet

Detaljer

Filter-egenskaper INF Fritz Albregtsen

Filter-egenskaper INF Fritz Albregtsen Filter-egenskaper INF 60-04.03.2002 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 2: - Lineær filtrering - Gradient-detektorer - Laplace-operatorer Linearitet H [af (x, y) + bf 2 (x, y)] ah [f (x, y)]

Detaljer

PSi Apollo. Technical Presentation

PSi Apollo. Technical Presentation PSi Apollo Spreader Control & Mapping System Technical Presentation Part 1 System Architecture PSi Apollo System Architecture PSi Customer label On/Off switch Integral SD card reader/writer MENU key Typical

Detaljer

Lab 1 Kamerageometri med Eigen

Lab 1 Kamerageometri med Eigen Lab 1 Kamerageometri med Eigen 26.01.2017 Del 1: Introduksjon til Eigen 2 Eigen 3 C++ bibliotek for lineær algebra http://eigen.tuxfamily.org/ «Template bibliotek» «Header only» Flerplatform, Ingen linking!

Detaljer

Lattice Simulations of Preheating. Gary Felder KITP February 2008

Lattice Simulations of Preheating. Gary Felder KITP February 2008 Lattice Simulations of Preheating Gary Felder KITP February 008 Outline Reheating and Preheating Lattice Simulations Gravity Waves from Preheating Conclusion Reheating and Preheating Reheating is the decay

Detaljer

Rotation-driven Magnetohydrodynamic Flow Using Local Ensemble Transform Kalman Filtering

Rotation-driven Magnetohydrodynamic Flow Using Local Ensemble Transform Kalman Filtering Rotation-driven Magnetohydrodynamic Flow Using Local Ensemble Transform Kalman Filtering Kayo Ide 2 ide@umd.edu Sarah Burnett 1 burnetts@math.umd.edu Nathanaël Schaeffer 4 nathanael.schaeffer@ univ-grenoble-alpes.fr

Detaljer

Stationary Phase Monte Carlo Methods

Stationary Phase Monte Carlo Methods Stationary Phase Monte Carlo Methods Daniel Doro Ferrante G. S. Guralnik, J. D. Doll and D. Sabo HET Physics Dept, Brown University, USA. danieldf@het.brown.edu www.het.brown.edu Introduction: Motivations

Detaljer

Model Based Pose Estimator Using Linear-Programming Λ

Model Based Pose Estimator Using Linear-Programming Λ Model Based Pose Estimator Using Linear-Programming Λ Moshe Ben-Ezra Shmuel Peleg Michael Werman School of Computer Science and Engineering The Hebrew University of Jerusalem 91904 Jerusalem, Israel Email:

Detaljer

Gradient. Masahiro Yamamoto. last update on February 29, 2012 (1) (2) (3) (4) (5)

Gradient. Masahiro Yamamoto. last update on February 29, 2012 (1) (2) (3) (4) (5) Gradient Masahiro Yamamoto last update on February 9, 0 definition of grad The gradient of the scalar function φr) is defined by gradφ = φr) = i φ x + j φ y + k φ ) φ= φ=0 ) ) 3) 4) 5) uphill contour downhill

Detaljer

Information search for the research protocol in IIC/IID

Information 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

Detaljer

Implementing Bayesian random-effects meta-analysis

Implementing Bayesian random-effects meta-analysis Implementing Bayesian random-effects meta-analysis Christian Röver 1, Beat Neuenschwander 2, Tim Friede 1 1 Department of Medical Statistics University Medical Center Göttingen 2 Novartis Pharma AG, Basel,

Detaljer

Kurskategori 2: Læring og undervisning i et IKT-miljø. vår

Kurskategori 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,

Detaljer

Ma Flerdimensjonal Analyse Øving 11

Ma Flerdimensjonal Analyse Øving 11 Ma3 - Flerdimensjonal Analyse Øving Øistein Søvik 7.3. Oppgaver 5.3 5. Find the moment of inertie about the -axis. Eg the value of δ x + y ds, for a wire of constant density δ lying along the curve : r

Detaljer

An Anticorrelation Kernel for Improved System Combination in Speaker Verification

An Anticorrelation Kernel for Improved System Combination in Speaker Verification An Anticorrelation Kernel for Improved System Combination in Speaker Verification Luciana Ferrer, Kemal Sönmez, Elizabeth Shriberg Stanford University SRI International Overview The problem Analysis: Maximum

Detaljer

Level Set methods. Sandra Allaart-Bruin. Level Set methods p.1/24

Level 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

Detaljer

Baltic Sea Region CCS Forum. Nordic energy cooperation perspectives

Baltic Sea Region CCS Forum. Nordic energy cooperation perspectives Norsk mal: Startside Baltic Sea Region CCS Forum. Nordic energy cooperation perspectives Johan Vetlesen. Senior Energy Committe of the Nordic Council of Ministers 22-23. april 2015 Nordic Council of Ministers.

Detaljer

Optimization Design of a Fluxswitching. Ruiwu Cao University of Michigan-Dearborn

Optimization Design of a Fluxswitching. Ruiwu Cao University of Michigan-Dearborn Optimization Design of a Fluxswitching PM machine for HEV 1 ANSYS, Inc. September 21, Ruiwu Cao ruiwucao@gmail.com University of Michigan-Dearborn Content Structure and Operation Principle of Flux-switching

Detaljer

Andrew Gendreau, Olga Rosenbaum, Anthony Taylor, Kenneth Wong, Karl Dusen

Andrew 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

Detaljer

The internet of Health

The internet of Health The internet of Health! Biler, helse og fremtiden!! Velkon 2014, 22. October 2014 Nard Schreurs, IKT-Norge Få ut begrepet «pasient» av tanker om helse. Aldring 1980-2010 Menn 72 år til 79 år Kvinner 79

Detaljer

Second Order ODE's (2P) Young Won Lim 7/1/14

Second Order ODE's (2P) Young Won Lim 7/1/14 Second Order ODE's (2P) Copyright (c) 2011-2014 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or

Detaljer

Finite Elements Methods. Formulary for Prof. Estor's exam

Finite Elements Methods. Formulary for Prof. Estor's exam Finite Elements Methods Formulary for Prof. Estor's exam Finite Element Method in General One wants to obtain the equilibrium eqautions for the body, discretized by nite elements in the form M Ü + C U

Detaljer

Solutions #12 ( M. y 3 + cos(x) ) dx + ( sin(y) + z 2) dy + xdz = 3π 4. The surface M is parametrized by σ : [0, 1] [0, 2π] R 3 with.

Solutions #12 ( M. y 3 + cos(x) ) dx + ( sin(y) + z 2) dy + xdz = 3π 4. The surface M is parametrized by σ : [0, 1] [0, 2π] R 3 with. Solutions #1 1. a Show that the path γ : [, π] R 3 defined by γt : cost ı sint j sint k lies on the surface z xy. b valuate y 3 cosx dx siny z dy xdz where is the closed curve parametrized by γ. Solution.

Detaljer

Digital Transformasjon

Digital Transformasjon Digital Transformasjon HVORDAN KAN DU TA GREP OM DIGITALISERINGEN? KURT S. HELLAND EVRY Key Highlights # 1 Norway # 4 Sweden # 1 Financial Services in the Nordics NOR FIN Offices in9countries 9,100 employees

Detaljer

Splitting the differential Riccati equation

Splitting 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

Detaljer

Bærekraftig FM til tiden/ Bærekraftig FM på tid

Bærekraftig 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

Detaljer

HONSEL process monitoring

HONSEL 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

Detaljer

BYFE/EMFE 1000, 2012/2013. Numerikkoppgaver uke 33

BYFE/EMFE 1000, 2012/2013. Numerikkoppgaver uke 33 BYFE/EMFE 1000, 2012/2013 Numerikkoppgaver uke 33 Oppgave 2 Litt aritmetikk a) Her har vi skrevet ut det som kommer opp i Octave-vinduet når vi utfører operasjonene. octave-3.2.4.exe:9> 2+2 4 octave-3.2.4.exe:10>

Detaljer

Slope-Intercept Formula

Slope-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

Detaljer

Forelesning 11 STK3100/4100

Forelesning 11 STK3100/4100 Forelesning STK300/400 Plan for forelesning: 3. oktober 20 Geir Storvik. Generaliserte lineære blandede modeller Eksempler R-kode - generell formulering av modell Tillater innbygging av avhengigheter mellom

Detaljer

Eksamensoppgave i TMA4135 Matematikk 4D

Eksamensoppgave i TMA4135 Matematikk 4D Institutt for matematiske fag Eksamensoppgave i TMA435 Matematikk 4D Faglig kontakt under eksamen: Helge Holden a, Gard Spreemann b Tlf: a 92038625, b 93838503 Eksamensdato: 0. desember 205 Eksamenstid

Detaljer

UNIK 4690 Maskinsyn Introduksjon

UNIK 4690 Maskinsyn Introduksjon UNIK 4690 Maskinsyn Introduksjon 21.01.2016 Trym Vegard Haavardsholm (trymh@ifi.uio.no) Idar Dyrdal (idar@unik.no) Thomas Opsahl (Thomas-Olsvik.Opsahl@ffi.no) Ragnar Smestad (Ragnar.Smestad@ffi.no) Maskinsyn

Detaljer

E-Learning Design. Speaker Duy Hai Nguyen, HUE Online Lecture

E-Learning Design. Speaker Duy Hai Nguyen, HUE Online Lecture E-Learning Design Speaker Duy Hai Nguyen, HUE Online Lecture Design Educational Design Navigation Design Educational Design Some Important Considerations: 1. Authentic learning environment: For effective

Detaljer

Eksamen i TMA4123/TMA4125 Matematikk 4M/N

Eksamen i TMA4123/TMA4125 Matematikk 4M/N Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 7 Faglig kontakt under eksamen: Anne Kværnø: mobil 92663824 Eksamen i TMA423/TMA425 Matematikk 4M/N Bokmål Mandag 2.

Detaljer

Server-Side Eclipse. Martin Lippert akquinet agile GmbH

Server-Side Eclipse. Martin Lippert akquinet agile GmbH Server-Side Eclipse Martin Lippert akquinet agile GmbH martin.lippert@akquinet.de 2006 by Martin Lippert, martin.lippert@akquinet.de; made available under the EPL v1.0 Outline Introduction Why Eclipse?

Detaljer

Grunnleggende Matematiske Operasjoner

Grunnleggende Matematiske Operasjoner Grunnleggende Matematiske Operasjoner Lars Vidar Magnusson January 16, 2017 Delkapittel 2.6 Array vs Matrise Operasjoner Det er vanlig med både array- og matrise-operasjoner på bilder. Array-multiplikasjon

Detaljer

Kneser hypergraphs. May 21th, CERMICS, Optimisation et Systèmes

Kneser hypergraphs. May 21th, CERMICS, Optimisation et Systèmes Kneser hypergraphs Frédéric Meunier May 21th, 2015 CERMICS, Optimisation et Systèmes Kneser hypergraphs m, l, r three integers s.t. m rl. Kneser hypergraph KG r (m, l): V (KG r (m, l)) = ( [m]) l { E(KG

Detaljer

verktøyskrin Grafisk profil ved Norges teknisk-naturvitenskapelige universitet

verktøyskrin 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

Detaljer

En praktisk anvendelse av ITIL rammeverket

En praktisk anvendelse av ITIL rammeverket NIRF 17. april 2012 En praktisk anvendelse av ITIL rammeverket Haakon Faanes, CIA,CISA, CISM Internrevisjonen NAV NAVs ITIL-tilnærming - SMILI NAV, 18.04.2012 Side 2 Styring av tjenestenivå Prosessen omfatter

Detaljer

MES. løsninger. jan.strandhagen@sintef.no. www.smartlog.no. Jan Ola Strandhagen, NTNU/SINTEF

MES. løsninger. jan.strandhagen@sintef.no. www.smartlog.no. Jan Ola Strandhagen, NTNU/SINTEF MES Manufacturing Execution system teknologiske k muligheter krevende løsninger Infoteam Gardermoen 23 mars 2010 Jan Ola Strandhagen, NTNU/SINTEF jan.strandhagen@sintef.no www.smartlog.no 1 Hva er MES?

Detaljer

Løsningsforslag for oppgavene i operativsystemer og C, uke 38 ( )

Løsningsforslag for oppgavene i operativsystemer og C, uke 38 ( ) Løsningsforslag for oppgavene i operativsystemer og C, uke 38 (19.9-23.9) På terminalstue: Oppgave 1: List alle filer og kataloger under /usr/bin som har filnavn som begynner på b. ls /usr/bin/b* Oppgave

Detaljer

SAS FANS NYTT & NYTTIG FRA VERKTØYKASSA TIL SAS 4. MARS 2014, MIKKEL SØRHEIM

SAS FANS NYTT & NYTTIG FRA VERKTØYKASSA TIL SAS 4. MARS 2014, MIKKEL SØRHEIM SAS FANS NYTT & NYTTIG FRA VERKTØYKASSA TIL SAS 4. MARS 2014, MIKKEL SØRHEIM 2 TEMA 1 MULTIPROSESSERING MED DATASTEGET Multiprosessering har lenge vært et tema i SAS Stadig ny funksjonalitet er med på

Detaljer

INF2120 Tools at your fingertips

INF2120 Tools at your fingertips INF2120 Tools at your fingertips Version 070124 23-Jan-07 INF2120 Prosjekt i modellering 1 Eclipse og RSM en god IDE? med foiler også av Andreas Limyr og Gøran K. Olsen før begge Ifi, nå begge Sintef 23-Jan-07

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET 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

Detaljer

Motzkin monoids. Micky East. York Semigroup University of York, 5 Aug, 2016

Motzkin monoids. Micky East. York Semigroup University of York, 5 Aug, 2016 Micky East York Semigroup University of York, 5 Aug, 206 Joint work with Igor Dolinka and Bob Gray 2 Joint work with Igor Dolinka and Bob Gray 3 Joint work with Igor Dolinka and Bob Gray 4 Any questions?

Detaljer

EM Algorithm for Latent Variable Models

EM Algorithm for Latent Variable Models EM Algorithm for Latent Variable Models Julia Kempe & David S. Rosenberg New York University May 7, 2019 Julia Kempe & David S. Rosenberg (New York University) DS-GA 1003 / CSCI-GA 2567 May 7, 2019 1 /

Detaljer

MeijerG1. Notations. Primary definition. Traditional name. Traditional notation. Mathematica StandardForm notation. Generalized Meijer G-function

MeijerG1. Notations. Primary definition. Traditional name. Traditional notation. Mathematica StandardForm notation. Generalized Meijer G-function MeijerG Nottions Trditionl nme Generlied Meijer G-function Trditionl nottion Mthemtic StndrdForm nottion MeijerG,, n, n,,, b,, b m, b m,, b,, r Primry definition 07.5.0.000.0 m k n r r 0 m n m n n b k

Detaljer

Eksamen TFY 4210 Kvanteteorien for mangepartikkelsystem, våren 2012

Eksamen TFY 4210 Kvanteteorien for mangepartikkelsystem, våren 2012 NTNU Fakultet for Naturvitskap og Teknologi Institutt for fysikk Eksamen TFY 4210 Kvanteteorien for mangepartikkelsystem, våren 2012 Faglærar: Førsteamanuensis John Ove Fjærestad Institutt for fysikk Telefon:

Detaljer

Kortreist kvalitet - muligheter og utfordringer for ledelse. Nettverkssamling Oslo Lars Wang, insam as

Kortreist kvalitet - muligheter og utfordringer for ledelse. Nettverkssamling Oslo Lars Wang, insam as Kortreist kvalitet - muligheter og utfordringer for ledelse Nettverkssamling Oslo 22.01.19 Lars Wang, insam as Dagsorden i Davos i dag Det har aldri vært et mer presserende behov for samarbeid om å løse

Detaljer

Elektronisk innlevering/electronic solution for submission:

Elektronisk innlevering/electronic solution for submission: VIKINGTIDSMUSEET Plan- og designkonkurranse/design competition Elektronisk innlevering/electronic solution for submission: Det benyttes en egen elektronisk løsning for innlevering (Byggeweb Anbud). Dette

Detaljer

Matematikk Øvingsoppgaver i numerikk leksjon 2 Løsningsforslag

Matematikk Øvingsoppgaver i numerikk leksjon 2 Løsningsforslag Matematikk 1000 Øvingsoppgaver i numerikk leksjon Løsningsforslag Oppgave 1 Vektorer a) Variablene i MATLAB kan være tall, vektorer eller matriser. Vi kan for eksempel gi vektoren x = [1, 0, 3] på denne

Detaljer

Løsningsforslag statistikkeksamen desember 2014

Løsningsforslag statistikkeksamen desember 2014 Løsningsforslag statistikkeksamen desember 2014 Oppgave 1 a i. To hendelser er disjunke hvis det er intet overlapp mellom hendelsene, altså hvis A B = Ø. Siden vi har en sannsynlighet for å finne A B som

Detaljer

TMA4240 Statistikk 2014

TMA4240 Statistikk 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 6, blokk I Løsningsskisse Oppgave 1 Fremgangsmetode: P X 1 < 6.8 Denne kan finnes ved å sette opp integralet over

Detaljer

Verifiable Secret-Sharing Schemes

Verifiable 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,

Detaljer

Motion segmentation separating background and foreground. The Goal. Scenario. Applications

Motion segmentation separating background and foreground. The Goal. Scenario. Applications Motion segmentation separating background and foreground Tomáš Svoboda, svoboda@cmp.felk.cvut.cz Czech Technical University in Prague, Center for Machine Perception http://cmp.felk.cvut.cz Last update:

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3320 Metoder i grafisk databehandling og diskret geometri Eksamensdag: 29. november 2011 Tid for eksamen: 14.30 18.30 Oppgavesettet

Detaljer

230V 110V 25% (230V) 110V 110V 230V

230V 110V 25% (230V) 110V 110V 230V MMA Inverter range Choose your Perfect MMA Inverter Ranging from 140-400 Amps Parweld offers a range of lightweight MMA inverter machines ideal for everyday maintenance to heavy applications Enclosure

Detaljer

Løsningsforslag for Obligatorisk Oppgave 2. Algoritmer og Datastrukturer ITF20006

Løsningsforslag for Obligatorisk Oppgave 2. Algoritmer og Datastrukturer ITF20006 Løsningsforslag for Obligatorisk Oppgave 2 Algoritmer og Datastrukturer ITF20006 Lars Vidar Magnusson Frist 28.02.14 Den andre obligatoriske oppgaven tar for seg forelesning 5, 6, og 7 som dreier seg om

Detaljer

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018 Løsigsforsalg til første sett med obligatoriske oppgaver i STK1110 høste 2018 Oppgave 1 (a Et 100(1 α% kofidesitervall for forvetigsverdie µ er gitt ved formel (8.15 på side 403 i læreboka. For situasjoe

Detaljer

Universitetet i Bergen Det matematisk-naturvitenskapelige fakultet Eksamen i emnet Mat131 - Differensiallikningar I Onsdag 25. mai 2016, kl.

Universitetet 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

Detaljer

IN2010: Algoritmer og Datastrukturer Series 2

IN2010: 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

Detaljer

Oppgave 1a Definer følgende begreper: Nøkkel, supernøkkel og funksjonell avhengighet.

Oppgave 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

Detaljer

Matematikk Øvingsoppgaver i numerikk leksjon 2 Løsningsforslag

Matematikk Øvingsoppgaver i numerikk leksjon 2 Løsningsforslag Matematikk 1000 Øvingsoppgaver i numerikk leksjon 2 Løsningsforslag Oppgave 1 Vektorer a) Variablene i MATLAB kan være tall, vektorer eller matriser. Vi kan for eksempel gi vektoren x = [1, 0, 3] på denne

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 14 juni 2004 Tid for eksamen: 9.00 12.00 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler: INF-MAT2350

Detaljer

REMOVE CONTENTS FROM BOX. VERIFY ALL PARTS ARE PRESENT READ INSTRUCTIONS CAREFULLY BEFORE STARTING INSTALLATION

REMOVE 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

Detaljer

Server-Side Eclipse. Bernd Kolb Martin Lippert it-agile GmbH

Server-Side Eclipse. Bernd Kolb Martin Lippert it-agile GmbH Server-Side Eclipse Bernd Kolb b.kolb@kolbware.de Martin Lippert it-agile GmbH lippert@acm.org 2006 by Martin Lippert, lippert@acm.org; made available under the EPL v1.0 Outline Introduction Why Eclipse?

Detaljer

EKSAMEN I TMA4285 TIDSREKKEMODELLER Fredag 7. desember 2012 Tid: 09:00 13:00

EKSAMEN I TMA4285 TIDSREKKEMODELLER Fredag 7. desember 2012 Tid: 09:00 13:00 Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 8 Bokmål Faglig kontakt under eksamen: John Tyssedal 73593534/41645376 EKSAMEN I TMA4285 TIDSREKKEMODELLER Fredag

Detaljer

What's in IT for me? Sted CAMPUS HELGELAND, MO I RANA Tid

What's in IT for me? Sted CAMPUS HELGELAND, MO I RANA Tid Pris kr. 490,- Påmelding til Tone på tj@kph.no Frist: 10. januar 2019 DET ER UTFORDRENDE Å FÅ AVGRENSET OG SATT MÅL FOR DIGITALISERINGSPROSJEKTER SOM GIR VERDI FOR VIRKSOMHETEN. SINTEF HELGELAND OG ARCTIC

Detaljer

EFFEKTIV BRUK AV VIDEO I TRENING OG FORSKNING

EFFEKTIV BRUK AV VIDEO I TRENING OG FORSKNING Canon XL-1s med en Canon EF 100-400 mm objektiv Robert C. Reid, PhD Norges skiforbund hastighet bruk av video Før Filming: Hva er du ut etter å belyse? Hvordan vil du bruke opptaket etterpå (bilde sekvens,

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET 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:

Detaljer

Løsningsforslag 2017 eksamen

Løsningsforslag 2017 eksamen Løsningsforslag 2017 eksamen Oppgave 1: O-notasjon (maks 8 poeng) 1. (i) O(n) gir 2 poeng, O(100n) gir 1 poeng (ii) O(n^2) gir 1 poeng (iii) O(n log n) gir 2 poeng 2. (i) er mest effektiv i henhold til

Detaljer

UNIVERSITETET I OSLO Det matematisk naturvitenskapelige fakultet

UNIVERSITETET I OSLO Det matematisk naturvitenskapelige fakultet UNIVERSITETET I OSLO Det matematisk naturvitenskapelige fakultet Eksamen i AST5220/9420 Kosmologi II Eksamensdag: Fredag 11. juni 2010 Tid for eksamen: 09.00 12.00 Oppgavesettet er på 4 sider. Vedlegg:

Detaljer

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2015

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2015 Løsigsforsalg til første sett med obligatoriske oppgaver i STK1110 høste 2015 Oppgave 1 (a Et 100(1 α% kofidesitervall for forvetigsverdie µ er gitt ved formel (8.15 på side 403 i læreboka. For situasjoe

Detaljer

Eksponensielle klasser

Eksponensielle klasser Eksponensielle klasser, de Jong & Heller, Kap. 3 Eksponensielle klasser STK3100-1. september 2008 Sven Ove Samuelsen En stokastisk variabel Y sies å ha fordeling i den eksponensielle fordelingsklasse dersom

Detaljer

Exercise 1, Process Control, advanced course

Exercise 1, Process Control, advanced course Exercise 1, Process Control, advanced course Henrik Manum September 22, 2005 Contents 1 Problem 1. Optimization 1 1.1 Case I................................................ 1 1.1.1 Deloppgave a........................................

Detaljer

Forelesning 8 STK3100/4100

Forelesning 8 STK3100/4100 Forelesning STK300/400 Plan for forelesning: 0. oktober 0 Geir Storvik. Lineære blandede modeller. Eksempler - data og modeller 3. lme 4. Indusert korrelasjonsstruktur. Marginale modeller. Estimering -

Detaljer

Den europeiske byggenæringen blir digital. hva skjer i Europa? Steen Sunesen Oslo,

Den 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.

Detaljer

Implementering av korreksjonsfaktorer for temperatur og trykkeffekter i ultralyd gassmålere Løypemelding fra OD-prosjekt

Implementering av korreksjonsfaktorer for temperatur og trykkeffekter i ultralyd gassmålere Løypemelding fra OD-prosjekt Implementering av korreksjonsfaktorer for temperatur og trykkeffekter i ultralyd gassmålere Løypemelding fra OD-prosjekt NFOGM Temadag 22.03.2012 Forfatter: Reidar Sakariassen, MetroPartner AS - Bakgrunn

Detaljer

TMA4329 Intro til vitensk. beregn. V2017

TMA4329 Intro til vitensk. beregn. V2017 Norges teknisk naturvitenskapelige universitet Institutt for Matematiske Fag TMA439 Intro til vitensk. beregn. V17 ving 4 [S]T. Sauer, Numerical Analysis, Second International Edition, Pearson, 14 Teorioppgaver

Detaljer

Checking Assumptions

Checking Assumptions Merlise Clyde Duke University November 16, 2016 Linear Model Linear Model: Y = µ + ɛ Assumptions: µ C(X) µ = Xβ ɛ N(0 n, σ 2 I n ) Focus on Wrong mean for a case or cases Wrong distribution for ɛ Cases

Detaljer

Key objectives in lighting design

Key objectives in lighting design Key objectives in lighting design Qualifications no strong "contrasts" good "color rendering" adequate "light levels" no "disturbing reflections" no direct "glare" Radiometry vs. Photometry absolute (energy)

Detaljer