A Benchmark of Selected Algorithmic. Machine Learning and Computer Vision
|
|
- Caroline Arntsen
- 6 år siden
- Visninger:
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 Motivation Repeat: Rice-Mele-model Bulk behavior Edge states Layering 2D Chern insulators Robustness of edge states Motivation topological
DetaljerExistence 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
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
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
DetaljerOPPA 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
DetaljerOPPA 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
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
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]
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
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
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
DetaljerRessurser. 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
DetaljerOppgave 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
DetaljerAnalysis 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
DetaljerEstimating 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
DetaljerEnergy 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
DetaljerEksamen 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
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
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 ---
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
DetaljerSEGMENTERING IN 106, V-2001 BILDE-SEGMENTERING DEL I 26/ Fritz Albregtsen SEGMENTERING SEGMENTERING
SEGMENTERING IN 106, V-2001 Segmentering er en prosess som deler opp bildet i meningsfulle regioner. I det enkleste tilfelle har vi bare to typer regioner BILDE-SEGMENTERING DEL I Forgrunn Bakgrunn Problemet
DetaljerFilter-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)]
DetaljerPSi 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
DetaljerLab 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!
DetaljerLattice 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
DetaljerRotation-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
DetaljerStationary 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
DetaljerModel 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:
DetaljerGradient. 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
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
DetaljerImplementing 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,
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,
DetaljerMa 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
DetaljerAn 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
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
DetaljerBaltic 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.
DetaljerOptimization 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
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
DetaljerThe 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
DetaljerSecond 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
DetaljerFinite 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
DetaljerSolutions #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.
DetaljerDigital 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
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
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
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
DetaljerBYFE/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>
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
DetaljerForelesning 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
DetaljerEksamensoppgave 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
DetaljerUNIK 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
DetaljerE-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
DetaljerEksamen 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.
DetaljerServer-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?
DetaljerGrunnleggende 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
DetaljerKneser 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
Detaljerverktøyskrin Grafisk profil ved Norges teknisk-naturvitenskapelige universitet
1 Services and Systems Development Grafisk verktøyskrin Grafisk profil ved Norges teknisk-naturvitenskapelige universitet Selvhjelpspakken for informasjon og formidling ved NTNU: www.ntnu.no/info/selvhjelp
DetaljerEn 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
DetaljerMES. 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?
DetaljerLøsningsforslag 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
DetaljerSAS 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
DetaljerINF2120 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
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
DetaljerMotzkin 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?
DetaljerEM 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 /
DetaljerMeijerG1. 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
DetaljerEksamen 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:
DetaljerKortreist 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
DetaljerElektronisk 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
DetaljerMatematikk 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
DetaljerLøsningsforslag 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
DetaljerTMA4240 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
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,
DetaljerMotion 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:
DetaljerUNIVERSITETET 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
Detaljer230V 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
DetaljerLøsningsforslag 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
DetaljerLøsningsforsalg 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
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
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
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
DetaljerMatematikk 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
DetaljerUNIVERSITETET 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
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
DetaljerServer-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?
DetaljerEKSAMEN 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
DetaljerWhat'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
DetaljerEFFEKTIV 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,
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:
DetaljerLøsningsforslag 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
DetaljerUNIVERSITETET 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:
DetaljerLøsningsforsalg 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
DetaljerEksponensielle 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
DetaljerExercise 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........................................
DetaljerForelesning 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 -
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.
DetaljerImplementering 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
DetaljerTMA4329 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
DetaljerChecking 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
DetaljerKey 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