Unik4590/Unik9590/TTK Mønstergjenkjenning

Størrelse: px
Begynne med side:

Download "Unik4590/Unik9590/TTK Mønstergjenkjenning"

Transkript

1 Sammendrag og eksempler UiO : Institutt for teknologisystemer Høsten 2017 (14. august 2017)

2 Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning ˆ Gjenkjenne objekter - tilordne objekter til én av ere mulige klasser eller kategorier (klassisering) ˆ Beskrive sammensatte objekter eller hele scener består av mange objekter/delobjekter.

3 Hva er mønstergjenkjenning? Eksempler på anvendelser ˆ Fjernanalyse (vegetasjonstyper, overvåking av klimaendringer) ˆ Automatisk inspeksjon (kvalitetskontroll, askeautomater) ˆ Medisin (karakterisering av EEG- og EKG-signaler, blodlegemer, kromosomer) ˆ Seismisk analyse (oljeleting, kjernefysiske prøver) ˆ Talegjenkjenning ˆ Karaktergjenkjenning (postnummer, adresser, bilskilt, trykte dokumenter, håndskreven tekst) ˆ Maskinsyn (robotsyn), sceneanalyse, bruk i overvåkingssensorer ˆ Gjenkjenning av ansikter og ngeravtrykk ˆ Økonomi, psykologi (gjenkjenning av tilstander) ˆ Arkeologi (klassisering av gjenstander til ulike kulturer) ˆ...

4 Hva er mønstergjenkjenning? Inngangsdata ˆ Digitale bilder ˆ Tidsrekker (éndimensjonale signaler) ˆ Enkle (manuelle) målinger.

5 Hva er mønstergjenkjenning? Metoder Beslutningsteoretiske (statistiske) metoder: ˆ Bayesisk beslutningsteori (desisjonsteori) ˆ Klassisering (tilordning av objekter til én av ere mulige klasser) ˆ Numerisk informasjon. Strukturelle (syntaktiske) metoder: ˆ Syntaktisk angrepsmåte ˆ Beskrivelse og klassisering ˆ Symbolsk informasjon, hierarkisk beskrivelse, grammatikk.

6 Metoder Statistiske metoder - eksempel Tallmessig representasjon av objekter basert på f.eks.: Kamera lysstyrke farge form Samlebånd Tilordning av objekter til et endelig antall mulige klasser. Eksempel på bruk av bildeanalyse og mønstergjenkjenning til å skille mellom to typer produkter i en produksjonsprosess, dvs. diskriminering mellom to klasser.

7 Metoder Strukturelle metoder - eksempel Syntaktisk beskrivelse av skipskontur i form av en streng av primitiver (til venstre), hierarkisk beskrivelse (øverst til høyre) og regelverket (grammatikken) som angir hvilke sammenhenger som er tillatt mellom de ulike elementene (nederst til høyre).

8 Klassiseringsproblemet Klassisering - eksempel på klassiseringssystem Eksempel på klassiseringssystem for å skille mellom trestykker fra de to klassene bjørk og ask.

9 Klassiseringsproblemet Egenskapsvektor, egenskapsrom og desisjonsgrenser Egenskapsrom: Egenskapsvektor: x 1 x 2 x =. x d R 1 R 3 R 2 Egenskapsvektor med d komponenten (t.v.) og todimensjonalt egenskapsrom (t.h.) inndelt i desisjonsregioner R 1,R 2 og R 3 for et problem med tre klasser. Det ukjente objektet (svart kvadrat) blir her klassisert til klasse 2.

10 Klassiseringsproblemet Eksempel - objekter fra to klasser Todimensjonalt egenskapsrom med sampler fra to klasser (syntetiske data).

11 Klassiseringsproblemet Eksempel - objekter fra to klasser (2) Det samme egenskapsrommet delt i to desisjonsregioner ved hjelp av en ikke-lineær desisjonsgrense.

12 Klassiseringsproblemet Metodikk - Ledet læring Treningssett Trening Beslutningsregel Treningsfasen Bruksfasen Ukjent objekt Klassifisering Klasse Illustrasjon av prinsippet for ledet læring. I treningsfasen (analysefasen) brukes et sett av sampler med kjent klassetilhørighet (treningssettet) som input til en av mange mulige treningsmetoder for å generere en beslutningsregel. Denne regelen inngår i klassikatoren som i bruksfasen (gjenkjenningsfasen) foretar klassisering av ukjente sampler til (forhåpentligvis) riktig klasse.

13 Klassiseringsproblemet Klassiseringssystem Sensor Egenskapsuttrekker Klassifikator! i Typisk klassiseringssystem. En sensor henter inn rådata fra objekter i omverdenen. Egenskapsuttrekkeren bearbeider rådataene og henter ut informasjon om de ukjente objektene i form av et sett av egenskaper for hvert objekt. Egenskapsvektorene sendes deretter til klassikatoren, som tilordner objektene til én av ere mulig klasser. Systemet foretar en stor grad av datareduksjon på veien fra rådata til klasse.

14 Mønstergjenkjenningsmetoder

15 Hjelpemidler Programvare ˆ Matlab: ˆ Statistics and Machine Learning Toolbox ˆ Neural Network Toolbox ˆ Computer Vision System Toolbox ˆ Image Processing Toolbox ˆ PRtools ( - gratis toolbox til Matlab ˆ perclass ( ˆ OpenCV ( - gratis (C++, Python, Matlab) ˆ Octave ( - gratis alternativ til Matlab ˆ...

16 Oversikt Innhold i kurset ˆ Beslutningsteori (desisjonsteori) ˆ Parametriske metoder ˆ Ikke-parametriske metoder ˆ Lineære og generaliserte diskriminantfunksjoner ˆ Feilrateestimering og evaluering av klassikatorer ˆ Ikke-ledet læring ˆ Klyngeanalyse.

TEK5020/TEK Mønstergjenkjenning

TEK5020/TEK Mønstergjenkjenning Sammendrag og eksempler Innledning UiO : Institutt for teknologisystemer Høsten 2018 (18. august 2018) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter

Detaljer

Unik4590/Unik9590/TTK Mønstergjenkjenning

Unik4590/Unik9590/TTK Mønstergjenkjenning Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (17. august 2016) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere

Detaljer

Innledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt

Innledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer

Detaljer

Innledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt

Innledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer

Detaljer

Generalisering til mange klasser - feilrettingsmetodene

Generalisering til mange klasser - feilrettingsmetodene Mange klasser Generalisering til mange klasser - feilrettingsmetodene Kesslers konstruksjon - omskriving av c-klasseproblemet til et toklasseproblem. Her innføres en sammensatt vektvektor a og et sett

Detaljer

Dimensjonalitetsproblemer (3)

Dimensjonalitetsproblemer (3) Dimensjonalitetsproblemer Dimensjonalitetsproblemer (3) Ved å inkludere flere uavhengige egenskaper der µ i1 6= µ i2 i egenskapsvektoren vil r 2 øke og P(e) avta, slik at: P d+1 (e) apple P d (e). Dette

Detaljer

FFI-RAPPORT. Teknologiske muligheter for Tolletaten. mønstergjenkjenning og maskinlæring

FFI-RAPPORT. Teknologiske muligheter for Tolletaten. mønstergjenkjenning og maskinlæring FFI-RAPPORT 17/17026 Teknologiske muligheter for Tolletaten mønstergjenkjenning og maskinlæring - Idar Dyrdal Lars Aurdal Kristin Hammarstrøm Løkken Thor Engøy Teknologiske muligheter for Tolletaten mønstergjenkjenning

Detaljer

TEK5020/TEK Mønstergjenkjenning

TEK5020/TEK Mønstergjenkjenning Sammendrag og eksempler Lineære diskriminantfunksjoner (Gradientsøk, perceptronmetoden) UiO : Institutt for teknologisystemer Høsten 2018 (22. oktober 2018) Diskriminantfunksjoner Utvidet egenskapsrom

Detaljer

Unik4590/Unik9590/TTK Mønstergjenkjenning

Unik4590/Unik9590/TTK Mønstergjenkjenning Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (15. oktober 2016) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere

Detaljer

Optisk lesing av en lottokupong

Optisk lesing av en lottokupong Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Halden 22.10.2012 17.10.12 Mindre revisjon Log

Detaljer

Optisk lesing av en lottokupong

Optisk lesing av en lottokupong Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Halden 20.10.2011 17.10.11 Mindre revisjon Log

Detaljer

Sampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP

Sampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP INF 2310 22.01.2008 Ukens temaer Hovedsakelig fra kap. 2.4 i DIP Romlig oppløsning og sampling av bilder Kvantisering Introduksjon til pikselmanipulasjon i Matlab (i morgen på onsdagstimen) Naturen er

Detaljer

EN LITEN INNFØRING I USIKKERHETSANALYSE

EN LITEN INNFØRING I USIKKERHETSANALYSE EN LITEN INNFØRING I USIKKERHETSANALYSE 1. Forskjellige typer feil: a) Definisjonsusikkerhet Eksempel: Tenk deg at du skal måle lengden av et noe ullent legeme, f.eks. en sau. Botemiddel: Legg vekt på

Detaljer

Praktisk bruk av maskinlæring i vedlikehold

Praktisk bruk av maskinlæring i vedlikehold Praktisk bruk av maskinlæring i vedlikehold MainTech konferansen 2018 Andreas Marhaug. Trondheim 04.04.2018 Alpinlandslaget https://www.dagbladet.no/sport/osterrike-og-sveits-fortviler-etter-norskalpinrevolusjon---hva-i-all-verden-driver-norge-med/67657591/amp

Detaljer

Dagens plan. INF3170 Logikk. Obliger og eksamen. Forelesning 1: Introduksjon. Utsagnslogikk og sekventkalkyle. Arild Waaler. 21.

Dagens plan. INF3170 Logikk. Obliger og eksamen. Forelesning 1: Introduksjon. Utsagnslogikk og sekventkalkyle. Arild Waaler. 21. INF3170 Logikk Dagens plan Forelesning 1: Introduksjon. og sekventkalkyle Arild Waaler Institutt for informatikk, Universitetet i Oslo 1 Praktisk informasjon 2 21. januar 2008 3 Institutt for informatikk

Detaljer

Optisk lesing av en lottokupong

Optisk lesing av en lottokupong Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Sarpsborg 03.02.2005 01.02.05 Ny oppgave Log LMN

Detaljer

Anbefalt løp etter basisblokka for spesialisering i anvendt matematikk: MAT-3941 Master s thesis in applied physics and mathematics

Anbefalt løp etter basisblokka for spesialisering i anvendt matematikk: MAT-3941 Master s thesis in applied physics and mathematics ANVENDT MATEMATIKK En spesialisering innen anvendt matematikk er rettet mot utvikling av matematiske og numeriske modeller som har relevans for kjemi, biologi og fysikk. Gruppa i anvendt matematikk kan

Detaljer

Eksamen i TDT Oppgaver. Ruben Spaans. December 6, 2012

Eksamen 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

Detaljer

Dagens plan. INF3170 Logikk. Induktive definisjoner. Eksempel. Definisjon (Induktiv definisjon) Eksempel

Dagens plan. INF3170 Logikk. Induktive definisjoner. Eksempel. Definisjon (Induktiv definisjon) Eksempel INF3170 Logikk Dagens plan Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen Institutt for informatikk, Universitetet i Oslo 1 Induktive definisjoner 2 29.

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

Matematikk Øvingsoppgaver i numerikk leksjon 4 m-ler

Matematikk Øvingsoppgaver i numerikk leksjon 4 m-ler Matematikk 1000 Øvingsoppgaver i numerikk leksjon 4 m-ler I denne øvinga skal vi lære oss å lage m-ler små tekstler som vi bruker i MATLAB-sammenheng. Der nst to typer m-ler: Funksjonsler og skript. Funksjonsler

Detaljer

IN2110 Obligatorisk innlevering 1a

IN2110 Obligatorisk innlevering 1a IN2110 Obligatorisk innlevering 1a Oppsett Leveres innen fredag 15. februar kl. 23.59 i Devilry. For IN2110 har vi laget et utviklingsmiljø for Python som inneholder programvare og data for de obligatoriske

Detaljer

Eksamen - INF 283 Maskinlæring

Eksamen - INF 283 Maskinlæring Eksamen - INF 283 Maskinlæring 23 feb. 2016 Tid: 3 timer Eksamen inneholder 15 oppgaver, som vil bli vektet likt ved evaluering. 1 Table 1 attributt antall personer forsørget av låntaker månedlig inntekt

Detaljer

Dyp læring. Sigmund Rolfsjord

Dyp læring. Sigmund Rolfsjord Dyp læring Sigmund Rolfsjord Oversikt 1. Grunnleggende om dyp læring og nevrale nett 2. Konvolusjonsnett 3. Synsfelt med konvolusjonsnett Lær mer: Kurs fra Stanford: http://cs231n.stanford.edu/ Mer inngående

Detaljer

INF1040 Digital representasjon

INF1040 Digital representasjon INF1040 Digital representasjon av tekster, tall, former, lyd, bilder og video Forelesere: Gerhard Skagestein Fritz Albregtsen Første forelesning: Onsdag 23. august 12:15 14:00, Sophus Lies Auditorium.

Detaljer

«Big data» bedrer punktligheten

«Big data» bedrer punktligheten «Big data» bedrer punktligheten 28.november 2017 Sverre Kjenne Digitalisering og teknologi 73,7 million passengers 1.900 trains per day 336 stations 4.500 employees Bane NOR by numbers 12 freight terminals

Detaljer

21.09.2015. Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Bilder kommer fra mange kilder

21.09.2015. Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Bilder kommer fra mange kilder Bilder kommer fra mange kilder Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Torbjørn Skauli og Trym Haavardsholm Optisk avbildning - et felt i forandring Hva kan et kamera

Detaljer

Bruksanvisning Unitronics Vision

Bruksanvisning Unitronics Vision Bruksanvisning Unitronics Vision Ole Einar Moe Innhold 1 Oppsett... 1 1.1 PLS... 1 1.2 Datamaskin... 2 1.3 Kommunikasjon... 2 2 Planlegging... 6 2.1 Digitale Inn/Ut ganger... 6 2.2 Analoge Inn/Ut ganger...

Detaljer

Prøveeksamen IN1000. IN Prøveeksamen. Dato november 2017 Tid 12:30-12:00 Alle trykte og skrevne hjelpemidler er tillatt.

Prøveeksamen IN1000. IN Prøveeksamen. Dato november 2017 Tid 12:30-12:00 Alle trykte og skrevne hjelpemidler er tillatt. IN000-207-Prøveeksamen Prøveeksamen IN000 Dato 3-20. november 207 Tid 2:30-2:00 Alle trykte og skrevne hjelpemidler er tillatt. Les nøye gjennom oppgavene før du løser dem. Du kan legge dine egne forutsetninger

Detaljer

ting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte.

ting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte. Kapittel : Beskrivende statistikk Etter at vi har samlet inn data er en naturlig første ting å gjøre å prøve å oppsummere informasjonen i dataene på en hensiktsmessig måte. Hva som er hensiktsmessig måter

Detaljer

Grafisk løsning av ligninger i GeoGebra

Grafisk løsning av ligninger i GeoGebra Grafisk løsning av ligninger i GeoGebra Arbeidskrav 2 Læring med digitale medier 2013 Magne Svendsen, Universitetet i Nordland Innholdsfortegnelse INNLEDNING... 3 GRAFISK LØSNING AV LIGNINGER I GEOGEBRA...

Detaljer

Bred profil på statistikk?

Bred profil på statistikk? Bred profil på statistikk? Geir Storvik Juleseminar CSE 30. November 2012 Statistikk Statistikk involverer innsamling, organisering, analysering, tolkning og presentasjon av data Sentralt: Ta hensyn til

Detaljer

Grunnleggende om Digitale Bilder (ITD33515)

Grunnleggende om Digitale Bilder (ITD33515) Grunnleggende om Digitale Bilder (ITD33515) Lars Vidar Magnusson January 13, 2017 Delkapittel 2.2, 2.3, 2.4 og 2.5 Lys og det Elektromagnetiske Spektrum Bølgelengde, Frekvens og Energi Bølgelengde λ og

Detaljer

SMF3081F Videregående metodekurs

SMF3081F Videregående metodekurs SMF3081F Videregående metodekurs - 2016-2017 Emnekode: SMF3081F Emnenavn: Videregående metodekurs Faglig nivå: Bachelor (syklus 1) Studiepoeng: 5 Varighet: Høst Varighet (fritekst): Høst Språk: Norsk Forutsetter

Detaljer

Hvem vil ha råtne epler i kurven?

Hvem vil ha råtne epler i kurven? Hvem vil ha råtne epler i kurven? Bruk av visionteknologi i matanvendelser Jens T. Thielemann, SINTEF IKT jtt@sintef.no Agenda Kort om SINTEF IKT/Optiske målesystemer Visionteknologi Hvor har teknologien

Detaljer

Eksamensoppgave i TMA4140 Diskret matematikk

Eksamensoppgave i TMA4140 Diskret matematikk Institutt for matematiske fag Eksamensoppgave i TMA44 Diskret matematikk Faglig kontakt under eksamen: Christian Skau Tlf: 7359755 Eksamensdato: 8 desember 25 Eksamenstid (fra til): 9:-3: Hjelpemiddelkode/Tillatte

Detaljer

Utforsking av funksjonsuttrykk og de tilhørende grafene ved hjelp av GeoGebra

Utforsking av funksjonsuttrykk og de tilhørende grafene ved hjelp av GeoGebra Anne-Mari Jensen Utforsking av funksjonsuttrykk og de tilhørende grafene ved hjelp av GeoGebra Innledning I ungdomsskolen kommer funksjoner inn som et av hovedområdene i læreplanen i matematikk. Arbeidet

Detaljer

Matematisk morfologi V

Matematisk morfologi V Matematisk morfologi V Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag 5 Segmentering: Watershedtransformen. Copyright Lars Aurdal, NTNU/NR

Detaljer

INF1400. Tilstandsmaskin

INF1400. Tilstandsmaskin INF4 Tilstandsmaskin Hovedpunkter Tilstandsmaskin Tilstandstabell Tilstandsdiagram Analyse av D-flip-flop tilstandsmaskin Reduksjon av antall tilstander Tilordning av tilstandskoder Designprosedyre for

Detaljer

Matematikk Øvingeoppgaver i numerikk leksjon 1 Å komme i gang

Matematikk Øvingeoppgaver i numerikk leksjon 1 Å komme i gang Matematikk 1000 Øvingeoppgaver i numerikk leksjon 1 Å komme i gang I denne øvinga skal vi bli litt kjent med MATLAB. Vi skal ikkje gjøre noen avanserte ting i dette oppgavesettet bare få et visst innblikk

Detaljer

Gir vi IKT-kandidatene egnet kompetanse for fremtiden? Morten Dæhlen Dekan

Gir vi IKT-kandidatene egnet kompetanse for fremtiden? Morten Dæhlen Dekan Gir vi IKT-kandidatene egnet kompetanse for fremtiden? Morten Dæhlen Dekan Lange linjer i utviklingen av IKT-faget/informatikk Hvordan blir (IKT-)utdanninger til? Digital kompetanse i bredden og på alle

Detaljer

TDT4105/TDT4110 Informasjonsteknologi grunnkurs:

TDT4105/TDT4110 Informasjonsteknologi grunnkurs: 1 TDT4105/TDT4110 Informasjonsteknologi grunnkurs: Uke 38 Digital representasjon, del 2 - Representasjon av lyd og bilder - Komprimering av data Rune Sætre satre@idi.ntnu.no 2 Digitalisering av lyd Et

Detaljer

EKSAMEN. EMNEANSVARLIG: Terje Bokalrud og Hans Petter Hornæs. TILLATTE HJELPEMIDLER: Kalkulator og alle trykte og skrevne hjelpemidler.

EKSAMEN. EMNEANSVARLIG: Terje Bokalrud og Hans Petter Hornæs. TILLATTE HJELPEMIDLER: Kalkulator og alle trykte og skrevne hjelpemidler. KANDIDATNUMMER: EKSAMEN EMNENAVN: EMNENUMMER: Kvalitetsledelse med Statistikk. SMF2121 EKSAMENSDATO: 1. juni 2010 KLASSE: Ingeniørutdanning TID: kl. 9.00 13.00. EMNEANSVARLIG: Terje Bokalrud og Hans Petter

Detaljer

IKTiSU KJ1041 Pilotprosjekt. Eirik Hjertenæs og Henrik Koch Høsten 2013

IKTiSU KJ1041 Pilotprosjekt. Eirik Hjertenæs og Henrik Koch Høsten 2013 IKTiSU KJ1041 Pilotprosjekt Eirik Hjertenæs og Henrik Koch Høsten 2013 KJ1041- Kjemisk binding, spektroskopi og kinetikk Obligatorisk emne for MTKJ i 2. klasse og BKJ 3. klasse Teoretisk fundament for

Detaljer

MUS Lydanalyse

MUS Lydanalyse MUS4831 - Lydanalyse 31 oktober 2013 Denne forelesningen: Gjennomgang av Oppgave 3 Tips til semesteroppgaven Music Information Retrieval del 2: Sound, mønstre, likhet, osv. Teoretisk og praktisk Obligatorisk

Detaljer

INF1510 Oblig #1. Kjetil Heen, februar 2016

INF1510 Oblig #1. Kjetil Heen, februar 2016 INF1510 Oblig #1 Kjetil Heen, februar 2016 1 2 Etch-a-sketch Det ferdige sluttproduktet skal simulere en klassisk leke, Etch-a-sketch, et tegnebrett, hvor man tegner på en flate ved å skru på 2 hjul, og

Detaljer

Eksamensoppgave i TMA4240 Statistikk

Eksamensoppgave i TMA4240 Statistikk Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806

Detaljer

SMF3081F Videregående metodekurs

SMF3081F Videregående metodekurs SMF3081F Videregående metodekurs - 2015-2016 Emnekode: SMF3081F Emnenavn: Videregående metodekurs Faglig nivå: Bachelor (syklus 1) Studiepoeng: 5 Varighet: Høst Språk: Norsk Forutsetter bestått: REA1131F

Detaljer

Mønstergjenkjenning i bildesekvenser

Mønstergjenkjenning i bildesekvenser 1 Mønstergjenkjenning i bildesekvenser Mønstergjenkjenning i bildesekvenser Line Eikvil og Ragnar Bang Huseby Kveldsseminar i bildeanalyse, 6. mai 00 : Ønsker å se på bildesekvenser i sammenheng for å:

Detaljer

MUS Lydanalyse

MUS Lydanalyse MUS4831 - Lydanalyse 22 august 2013 Hovedmålsetning Å kunne knytte flest mulig forbindelser mellom musikkopplevelsen og lyden, med andre ord: å bli en enda bedre lytter Hovedområder 1 Lyd, signal, representasjoner,

Detaljer

Fingeravtrykk til autentisering. hvor gode er dagens løsninger?

Fingeravtrykk til autentisering. hvor gode er dagens løsninger? Fingeravtrykk til autentisering - hvor gode er dagens løsninger? Kåre Presttun kaare@mnemonic.no Agenda Autentisering og identifisering Sterk autentisering Biometriske metoder Autentisering med fingeravtrykk

Detaljer

EKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00

EKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00 Side 1 av 5 EKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00 Oppgavestillere: Kvalitetskontroll: Richard Blake Jo Skjermo Torbjørn Hallgren Kontakt under eksamen: Richard Blake tlf.

Detaljer

Forelesning 1: Introduksjon. Utsagnslogikk og sekventkalkyle Arild Waaler januar 2008

Forelesning 1: Introduksjon. Utsagnslogikk og sekventkalkyle Arild Waaler januar 2008 Forelesning 1: Introduksjon. Utsagnslogikk og sekventkalkyle Arild Waaler - 21. januar 2008 1 Praktisk informasjon 1.1 Forelesere og tid/sted Forelesere: Martin Giese (martingi@ifi.uio.no) Arild Waaler

Detaljer

6.4 (og 6.7) Gram-Schmidt prosessen

6.4 (og 6.7) Gram-Schmidt prosessen 6.4 (og 6.7) Gram-Schmidt prosessen La W {0} være et endeligdimensjonalt underrom av et indreprodukt rom V. Man kan starte med en vanlig basis for W og konstruere en ortogonal basis for W. Ønskes det en

Detaljer

Analyse av luktedata

Analyse av luktedata Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 6 Analyse av luktedata Sarpsborg 18.02.2005 18.02.05 Log GKS Log, GKS 07.10.03 Ny

Detaljer

ÅRSRAPPORT FRA PROGRAMSENSOR

ÅRSRAPPORT FRA PROGRAMSENSOR ÅRSRAPPORT FRA PROGRAMSENSOR Navn: Bjørn H. Auestad Prgramsensr fr Masterprgram i statistikk ved Det matematisk-naturvitenskapelige fakultet, Universitetet i Bergen Oppnevnt fr årene 2011-2014. Rapprten

Detaljer

Bestilling av nye kurs

Bestilling av nye kurs DataPower Learning Online Bestilling av nye kurs for bedriftskunder Versjon 2.x OKOKOK 1 Nye kurs Logg på nettbutikken Når du først er registrert som kunde i nettbutikken er det nok å logge seg på med

Detaljer

Ikke-separable problemer

Ikke-separable problemer Feilrettingsmetoder Ikke-separable problemer Feilrettingsmetodene konvergerer under gitte betingelser til løsningsvektorer for lineært separable problemer, men kan også gi gode resultater på ikke-separable

Detaljer

MET 3431 Statistikk Forelesning 1: Introduksjon til Statistikk

MET 3431 Statistikk Forelesning 1: Introduksjon til Statistikk MET 3431 Statistikk Forelesning 1: Introduksjon til Statistikk Eivind Eriksen BI, Institutt for Samfunnsøkonomi 10. januar 2012 Eivind Eriksen (BI) Forelesning 1 10. januar 2012 1 / 32 Praktisk Informasjon

Detaljer

Vektorligninger. Kapittel 3. Vektorregning

Vektorligninger. Kapittel 3. Vektorregning Kapittel Vektorligninger I denne uken skal vi bruke enkel vektorregning til å analysere lineære ligningssystemer. Vi skal ha et spesielt fokus på R, for det går an å visualisere; klarer man det, går det

Detaljer

Bayesisk estimering. Tettheten i punkt x er her gitt ved: der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )=

Bayesisk estimering. Tettheten i punkt x er her gitt ved: der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )= Bayesisk estimering Bayesisk estimering Tettheten i punkt x er her gitt ved: Z p(x X )= p(x q)p(q X )dq der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )= p(x q)p(q) R p(x q)p(q)dq og p(x q)

Detaljer

Innhold uke 9. Objektorientert programmering i Python. Om ukens pensum. Referanser og objekter Tema: Mer komplekse strukturer

Innhold uke 9. Objektorientert programmering i Python. Om ukens pensum. Referanser og objekter Tema: Mer komplekse strukturer Objektorientert programmering i Python IN1000 Høst 2017 uke 9 Siri Moe Jensen Innhold uke 9 Tema: Mer komplekse strukturer Referanser versus objekter Referanser mellom objekter Lister av objekter inkl

Detaljer

INF1400. Tilstandsmaskin

INF1400. Tilstandsmaskin INF4 Tilstandsmaskin Hovedpunkter Tilstandsmaskin Tilstandstabell Tilstandsdiagram Analyse av D-flip-flop tilstandsmaskin Reduksjon av antall tilstander Tilordning av tilstandskoder Designprosedyre for

Detaljer

Erik Espe, Viatech as, Kongsberg. Teknologidagene 2012

Erik Espe, Viatech as, Kongsberg. Teknologidagene 2012 Erik Espe, Viatech as, Kongsberg Teknologidagene 2012 Introduksjon Det er 15 operative ViaPPS biler i landet, fra Nordkapp til Lindesnes Disse kjører regulære spor- og jevnhetsmålinger Alle riks- og fylkesveier

Detaljer

Eksamen i Elementær Diskret Matematikk - (MA0301)

Eksamen i Elementær Diskret Matematikk - (MA0301) Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Steffen Junge (73 59 17 73 / 94 16 27 27) Eksamen i Elementær Diskret Matematikk -

Detaljer

Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen januar 2007

Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen januar 2007 Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen - 29. januar 2007 1 Induktive definisjoner Induktive definisjoner Definisjon 1.1 (Induktiv definisjon). Å

Detaljer

Halvårsplan i norsk 3.trinn våren 2018 Karuss skole

Halvårsplan i norsk 3.trinn våren 2018 Karuss skole Ord for farge Ord for tid: månedene og årstidene Lureord: Ord med o for å 1 Mål fra kunnskapsløftet Læringsmål Læringsressurser Vurdering Skrive enkle fortellende, beskrivende og argumenterende tekster.

Detaljer

HVA SA ODDVAR BRÅ DA HAN BRAKK STAVEN?

HVA SA ODDVAR BRÅ DA HAN BRAKK STAVEN? HVA SA ODDVAR BRÅ DA HAN BRAKK STAVEN? THIS IS A LIVING DOCUMENT that will be updated over time. It consist of a set of illustration pictures that you can use in your own presentations. ROBERT ENGELS Tel:

Detaljer

Læreplan, nivå 1. Innhold / tema. Hovedområde Kompetansemål Elevene skal kunne: Tall og algebra:

Læreplan, nivå 1. Innhold / tema. Hovedområde Kompetansemål Elevene skal kunne: Tall og algebra: Kartlegging / vurdering av nivå Begynn året med et kort kurs i tall-lære og matematiske symboler. Deretter kartlegging som plasserer elevene i nivågruppe. De som kan dette, jobber med tekstoppgaver / problemløsning.

Detaljer

Snøtetthet. Institutt for matematiske fag, NTNU 15. august Notat for TMA4240/TMA4245 Statistikk

Snøtetthet. Institutt for matematiske fag, NTNU 15. august Notat for TMA4240/TMA4245 Statistikk Snøtetthet Notat for TMA424/TMA4245 Statistikk Institutt for matematiske fag, NTNU 5. august 22 I forbindelse med varsling av om, klimaforskning og særlig kraftproduksjon er det viktig å kunne anslå hvor

Detaljer

Modul nr Elektrisitet med digitale hjelpemidler - vgs

Modul nr Elektrisitet med digitale hjelpemidler - vgs Modul nr. 1219 Elektrisitet med digitale hjelpemidler - vgs Tilknyttet rom: Ikke tilknyttet til et rom 1219 Newton håndbok - Elektrisitet med digitale hjelpemidler - vgs Side 2 Kort om denne modulen Denne

Detaljer

Fylkeskommunenes landssamarbeid. Eksamensveiledning. - om vurdering av eksamensbesvarelser LOKALT GITT SKRIFTLIG EKSAMEN

Fylkeskommunenes landssamarbeid. Eksamensveiledning. - om vurdering av eksamensbesvarelser LOKALT GITT SKRIFTLIG EKSAMEN Fylkeskommunenes landssamarbeid Eksamensveiledning - om vurdering av eksamensbesvarelser LOKALT GITT SKRIFTLIG EKSAMEN MED1003 - Medieproduksjon Eksamensveiledning for lokalt gitt skriftlig eksamen i fylkeskommunenes

Detaljer

Tidsdomene analyse (kap 3 del 2)

Tidsdomene analyse (kap 3 del 2) INF3470 Digital signalbehandling Tidsdomene analyse (kap 3 del 2) Sverre Holm 3.9 Diskret konvolusjon Metode for å finne responsen fra et filter med 0 initialbetingelser, fra impulsresponsen h[n] Enkelt

Detaljer

Turingmaskiner en kortfattet introduksjon. Christian F Heide

Turingmaskiner en kortfattet introduksjon. Christian F Heide 13. november 2014 Turingmaskiner en kortfattet introduksjon Christian F Heide En turingmaskin er ikke en fysisk datamaskin, men et konsept eller en tankekonstruksjon laget for å kunne resonnere omkring

Detaljer

Matematikk 1000. Øvingeoppgaver i numerikk leksjon 1 Å komme i gang

Matematikk 1000. Øvingeoppgaver i numerikk leksjon 1 Å komme i gang Matematikk 1000 Øvingeoppgaver i numerikk leksjon 1 Å komme i gang I denne øvinga skal vi bli litt kjent med MATLAB. Vi skal ikkje gjøre noen avanserte ting i dette oppgavesettet bare få et visst innblikk

Detaljer

* + & 2 ( 3+ /. + 4 ( ' 5 ' " 5 0 *. :(( 4 4( " 5

* + & 2 ( 3+ /. + 4 ( ' 5 '  5 0 *. :(( 4 4(  5 *+&", -./0 "!"# $%&'&()'&' '&' *+&2(3+/.+4(+ 567'5' 468 9 " 5 0 *.:((44(4 " 5 ! " ((44.+&& 5&&! # $! % $!! &'& ( -; " -( )# * #' +!, + -; -( - -; -(.,! -; -( $ -; -( ( " -; " -( / - &0. -; -( * 0 $ # -;

Detaljer

Første bestilling av kurs

Første bestilling av kurs DataPower Learning Online Første bestilling av kurs for bedriftskunder Versjon 2.x OKOKOK 1 Bestilling Finn aktuelt kurs For å finne det kurset du er på utkikk etter, kan du enten søke i søkefeltet eller

Detaljer

Læringsmål og pensum. if (be): else (not_to_be):

Læringsmål og pensum. if (be): else (not_to_be): 1 TDT4110 Informasjonsteknologi grunnkurs: Tema: Betingelser og logiske uttrykk - 3rd edition: Kapittel 3 Professor Alf Inge Wang 2 if (be): else (not_to_be): 3 Læringsmål og pensum Mål Lære å bruke og

Detaljer

Maskin læring et praktisk eksempel

Maskin læring et praktisk eksempel Maskin læring et praktisk eksempel Introduksjon og erfaringer fra forprosjekt Alcoa Gunnar Andreas Aarvold Mo I Rana Olje & Gassklynge Helgeland 14.02.2018 Mål for møtet: Hva er prediktivt vedlikehold?

Detaljer

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015 Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015 Periode 1: UKE 34-38 Tema: Kap.1 «Tall og tallforståelse» sammenligne og omregne hele tall ( ) og tall på standardform,

Detaljer

INF2820 Datalingvistikk V2014. Jan Tore Lønning

INF2820 Datalingvistikk V2014. Jan Tore Lønning INF2820 Datalingvistikk V2014 Jan Tore Lønning INF2820 Datalingvistikk 19. januar 2014 2 I dag: 1. Time: Datalingvistikk: motivasjon og eksempler Praktisk informasjon 2. Time: Endelige tilstandsteknikker

Detaljer

TMA4245 Statistikk Eksamen desember 2016

TMA4245 Statistikk Eksamen desember 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer

Detaljer

Brukerveiledning - secure.nhh.no og secure.privnett.nhh.no

Brukerveiledning - secure.nhh.no og secure.privnett.nhh.no Brukerveiledning - secure.nhh.no og secure.privnett.nhh.no NHH tilbyr ansatte og studenter ekstern tilgang til NHH-interne ressurser slik som M-området, felles filområder, bibliotektjenester m.m. Tjenesten

Detaljer

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE I MATEMATIKK 9.TRINN SKOLEÅR Side 1 av 9

Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE I MATEMATIKK 9.TRINN SKOLEÅR Side 1 av 9 Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE I MATEMATIKK 9.TRINN SKOLEÅR 2016-2017 Side 1 av 9 Periode 1: UKE 33-UKE 39 Tema: Tall og tallforståelse sammenligne og omregne hele tall,

Detaljer

Høgskolen i Oslo og Akershus. c) Et annet likningssystem er gitt som. t Bestem parametrene s og t slik at likningssystemet blir inkonsistent.

Høgskolen i Oslo og Akershus. c) Et annet likningssystem er gitt som. t Bestem parametrene s og t slik at likningssystemet blir inkonsistent. Innlevering i BYFE 000 Oppgavesett Innleveringsfrist: 0 oktober klokka :00 Antall oppgaver: 6 Noen av disse oppgavene løses ved hjelp av papir blyant, mens andre oppgaver løses ved hjelp av MATLAB til

Detaljer

INF INF1820. Arne Skjærholt. Negende les INF1820. Arne Skjærholt. Negende les

INF INF1820. Arne Skjærholt. Negende les INF1820. Arne Skjærholt. Negende les Arne Skjærholt egende les Arne Skjærholt egende les σύνταξις Syntaks, fra gresk for oppstilling, er studiet av hvordan vi bygger opp setninger fra ord. Pāṇini (ca. 400 år f.kr.) er den første som formulerer

Detaljer

Sensor-styrt ugrasharving* i bygg**

Sensor-styrt ugrasharving* i bygg** Nya tekniker för hållbar ogräsbekämpning Sensor-styrt ugrasharving* i bygg** Therese W. Berge Norsk Institutt for Bioøkonomi (NIBIO) therese.berge@nibio.no *) sv/da=ogräsharvning/ukrudtsstrigling; **)

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2. Eksamensdag: Mandag 30. mai 2005. Tid for eksamen: 14.30 17.30. Oppgavesettet er

Detaljer

Oversikt, kursdag 5. Matematisk morfologi V. Hva er segmentering. Hva er segmentering. Lars Aurdal Norsk regnesentral

Oversikt, kursdag 5. Matematisk morfologi V. Hva er segmentering. Hva er segmentering. Lars Aurdal Norsk regnesentral Matematisk morfologi V Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Segmentering: Watershedtransformen. Oversikt, kursdag 5 Copyright Lars Aurdal, NTNU/NR Copyright Lars Aurdal, NTNU/NR

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2100 - FASIT Eksamensdag: Torsdag 15. juni 2017. Tid for eksamen: 09.00 13.00. Oppgavesettet er på 5 sider. Vedlegg: Tillatte

Detaljer

Vurdering av arbeidsoppgaven produksjon av juletrefot

Vurdering av arbeidsoppgaven produksjon av juletrefot Vurdering av n produksjon av juletrefot ØSTFOLD FYLKESKOMMUNE Oppgave: Arbeidsoppdrag Når du har gjennomført arbeidet, skal du vurdere ditt eget arbeid i samarbeid med læreren din. Listen [1] Oppgave Vurdering

Detaljer

Mer om Histogramprosessering og Convolution/Correlation

Mer om Histogramprosessering og Convolution/Correlation Mer om Histogramprosessering og Convolution/Correlation Lars Vidar Magnusson January 30, 2017 Delkapittel 3.3 Histogram Processing Delkapittel 3.4 Fundementals of Spatial Filtering Lokal Histogramprosessering

Detaljer

Kap. 5: Oppgaver m.m. (Noen lysark fra tidligere er gjentatt her) Stein Krogdahl, Ifi, UiO 8. Mars 2007

Kap. 5: Oppgaver m.m. (Noen lysark fra tidligere er gjentatt her) Stein Krogdahl, Ifi, UiO 8. Mars 2007 Kap. 5: Oppgaver m.m. (Noen lysark fra tidligere er gjentatt her) Stein Krogdahl, Ifi, UiO 8. Mars 2007 1 Typisk Yacc-produsert parseringstabell (merk påfyll av ekstra reduksjoner, som en plass-optimalisering

Detaljer

Mange definisjoner. Hva er datagruvedrift (data mining)?

Mange definisjoner. Hva er datagruvedrift (data mining)? Hva er datagruvedrift (data mining)? Mange definisjoner Ikke-triviell uttrekking av implisitt, tidlegere ukjent, og potensiell nyttig informasjon fra data Utforskning og analyse, automatisk eller semiautomatisk,

Detaljer

Studieretningen Digital kommunikasjon og signalbehandling. To hovedprofiler fra 4. Klasse:

Studieretningen Digital kommunikasjon og signalbehandling. To hovedprofiler fra 4. Klasse: Studieretningen Digital kommunikasjon og signalbehandling To hovedprofiler fra 4. Klasse: Lyd- og bildebehandling Trådløs kommunikasjon Kontaktinformasjon Magne H. Johnsen Studieveileder Rom C-331 Telefon:

Detaljer

MET 3431: Statistikk (våren 2011) Introduksjon. Genaro Sucarrat. Institutt for samfunnsøkonomi, BI. http://www.sucarrat.net/teaching/met3431/v2011/

MET 3431: Statistikk (våren 2011) Introduksjon. Genaro Sucarrat. Institutt for samfunnsøkonomi, BI. http://www.sucarrat.net/teaching/met3431/v2011/ MET 3431: Statistikk (våren 2011) Introduksjon Genaro Sucarrat Institutt for samfunnsøkonomi, BI http://www.sucarrat.net/teaching/met3431/v2011/ Sist endret: 11. januar 2011 1 Praktisk info 2 Typer data

Detaljer

Hvordan legge inn en medlemshage i Hageselskapets nettportal

Hvordan legge inn en medlemshage i Hageselskapets nettportal Hvordan legge inn en medlemshage i Hageselskapets nettportal Av Ole Petter Vik, Asker Versjon 2.1 06.02.2015 Alle medlemmer i Hageselskapet har mulighet til å legge inn informasjon om sin egen hage på

Detaljer

Diskrete egenskaper. Egenskapsvektoren x antar kun diskrete verdier: v 1,v 2,...,v m. Endringer fra det kontinuerlige tilfellet er at:

Diskrete egenskaper. Egenskapsvektoren x antar kun diskrete verdier: v 1,v 2,...,v m. Endringer fra det kontinuerlige tilfellet er at: Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Diskrete egeskaper Diskrete egeskaper Egeskapsvektore x atar ku diskrete verdier:

Detaljer

Tips til nettlærere: Hvordan tenke universell utforming av undervisning i Classfronter

Tips til nettlærere: Hvordan tenke universell utforming av undervisning i Classfronter Tips til nettlærere: Hvordan tenke universell utforming av undervisning i Classfronter Skrevet av Ragni Indahl, prosjektkoordinator for prosjekt om universell utforming Institutt for kulturstudier (IKS),

Detaljer

Forelesning 7. Tilstandsmaskin

Forelesning 7. Tilstandsmaskin Forelesning 7 Tilstandsmaskin Hovedpunkter Tilstandsmaskin Tilstandstabell Tilstandsdiagram Analyse av D flip-flop basert tilstandsmaskin Reduksjon av antall tilstander Tilordning av tilstandskoder Designprosedyre

Detaljer