Praktisk bruk av maskinlæring i vedlikehold
|
|
- Britt Dahlen
- 5 år siden
- Visninger:
Transkript
1 Praktisk bruk av maskinlæring i vedlikehold MainTech konferansen 2018 Andreas Marhaug. Trondheim
2 Alpinlandslaget
3 Agenda Hvorfor prediktivt vedlikehold Maskinlæring vs matematiske modeller Digitalisering caser
4 Reelle løsninger på reelle problem. Alltid. RCM ML RBI RCA Lean
5 Prediktivt vedlikehold Mange faktorer påvirker påliteligheten: Vedlikeholdsrutiner Klima Kjøremønster Osv...
6 Prediktivt vedlikehold Preventivt vedlikehold Tid Mange faktorer påvirker påliteligheten: Vedlikeholdsrutiner Klima Kjøremønster Osv...
7 Prediktivt vedlikehold Preventivt vedlikehold? Tid Mange faktorer påvirker påliteligheten: Vedlikeholdsrutiner Klima Kjøremønster Osv...
8 Samle og analysere data Predikere teknisk tilstand Unngå kostbare havarier og unødvendig vedlikehold
9 "Field of study that gives computers the ability to learn without being explicitly programmed Arthur Samuel 1959
10 Matematiske modeller vs maskinlæring Datasett Datasett Matematisk bevis Læringsalgoritme x f(x) y x h(x) y Fungerer veldig bra for enkle sammenhenger For mer komplekse sammenhenger må vi gjøre antagelser Fanger opp mer komplekse sammenhenger Ingen antagelser Ingen matematisk bevis
11 Domenekunnskap vedlikehold Kontekst Egenskaper / nedbrytning Rådata Rådata Pre-prosessering av data Trene ML algoritmer Prediksjonsmodell Vedlikeholdsorganisasjon Rådata Forståelse for data science Data science
12
13 Diagnosemetoder Kunnskapsbaserte: Deterministisk Modellbaserte Fysisk og kjemiske beregningsmodeller Datadrevne: Enkle Statistiske metoder Kontrollgrenser/Varians/kovarians/ korrelasjon/antikorrelasjon mm. Årsak effekt baserte Ichikawa, RCM/FMEA, FTA, ETA, +5W Avanserte (Lineære og ikke-lineære) Modellbaserte Sett av I/O data, NN, FL, Kalman mm. Test og hendels baserte Målinger, Alarmer og vurderinger Ledet Maskin læring (supervised) Læresett I/O Feilsignatur, mønstergjenkjenning og klassifisering - Algoritmer Regel-erfaringsbaserte FMSA Ekspertsystemer Ikke ledet Maskin læring (unsupervised) Kun inputsvariablenes innbyrdes forhold - Algoritmer
14 Digitalisering caser
15 Alcoa Mosjøen «the sexy little thing up North»
16 Alcoa Mosjøen Prediksjon Fremtidig tilstand: Hvilken svikt kommer? Hvilket vedlikehold bør gjøres og når? Er data gode nok?
17 Alcoa Mosjøen Kan vi bruke datagrunnlaget til å si noe om framtidig tilstand? Hvis ikke, hvordan skal vi samle data i framtiden?
18 Domenekunnskap vedlikehold Kontekst Egenskaper / nedbrytning Rådata Rådata Pre-prosessering av data Trene ML algoritmer Prediksjonsmodell Vedlikeholdsorganisasjon Rådata Forståelse for data science Data science Valg av relevante parametere Tidsperioder passende for treningsdata Formatere data Håndtere manglende verdier og utstikkere Feature engineering Valg av maskinlæringsalgoritme Optimering av hyper-parametere Koordinering mellom drift og vedlikehold Interaksjon med preventivt vedlikehold Reservedeler Logistikk Kompetanse
19 Tidlig varsling av svikt, 1. modell Diagrammet viser reelle utstyrssvikt og prediksjon for utstyrssvikt Ingen klare trender eller mønster er observert
20 Tidlig varsling av svikt, 4. modell Diagrammet er resultatet etter anvendt domenekunnskap og maskinlæring Diagrammet viser reelle utstyrssvikt og prediksjon for utstyrssvikt Vi kan forutse ~25% av svikt
21 Variabler som driver nedetid Input til skiftplan Input til modifikasjoner Input til ressursprioritering Input til reservedeler Input til kompetanse og opplæring Input til
22
23 Det eneste som er sikkert «Nothing worth having comes easy» - Theodore Roosevelt
24 Tiden. Vi reduserer effekten av den.
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?
DetaljerAnvendt Maskinlæring. MainTech Konferansen Anton Eskov, Data Scientist, Inmeta.
Anvendt Maskinlæring MainTech Konferansen - 2017 Anton Eskov, Data Scientist, Inmeta www.inmeta.no 130 Ansatte Oslo & Trondheim Solid og lønnsomt selskap Del av Crayon Group med over 1000 ansatte Portal
DetaljerKUNSTIG INTELLIGENS I PRAKSIS NOKIOS 2018 KURS 1.
KUNSTIG INTELLIGENS I PRAKSIS NOKIOS 2018 KURS 1. HVEM ER VI Fabian Sødal Dietrichson Accenture Technology Martin Kowalik Gran Accenture Technology Runar Gunnerud Accenture Consulting XKCD.COM AGENDA 1.
DetaljerHelsedata og analyse Hvilken forskning kan Helseplattformen ha nytte av?
Helsedata og analyse Hvilken forskning kan Helseplattformen ha nytte av? Hvordan kan data fra EPJ benyttes for avansert beslutningsstøtte? Dataanalyse i HUNT Cloud SINTEF helsedataprosjekter Anne Torill
DetaljerForbedret kundeopplevelse og reduserte driftskostnader ved bruk av maskinlæring i nettskyen. Heidi Brunborg IT-direktør i Lånekassen
Forbedret kundeopplevelse og reduserte driftskostnader ved bruk av maskinlæring i nettskyen Heidi Brunborg IT-direktør i Lånekassen Før vi starter Utbetaler årlig 30 milliarder kroner i utdanningsstøtte
DetaljerNøyaktig prediksjon av grunnstøtinger, fartøysbevegelser, og ankomsttider
Nøyaktig prediksjon av grunnstøtinger, fartøysbevegelser, og ankomsttider og andre røverhistorier om kunstig intelligens Andreas Ravnestad Gruppeleder Systemutvikling & AI Norconsult Informasjonssystemer
DetaljerModellering av Customer Lifetime Value og hvordan bruke det Øystein Sørensen Data Scientist
Modellering av Customer Lifetime Value og hvordan bruke det Øystein Sørensen Data Scientist Customer Lifetime Value (CLV) Diskontert nåverdi av hele det fremtidige kundeforholdet CLV for alle kunder gir
DetaljerSAMBA Smartere anleggsforvaltning med Big Data
SAMBA Smartere anleggsforvaltning med Big Data Presentasjon MainTech Konferansen 27.mars 2019, Trondheim Arne Smisethjell, prosjektleder SAMBA, Statnett SF Hvorfor SAMBA? Forutsi nå tilstand på kritiske
DetaljerIntroduksjon til vedlikeholdsstyring Vedlikeholdsstyringssløyfen og sentrale standarder. Andreas Marhaug
Introduksjon til vedlikeholdsstyring Vedlikeholdsstyringssløyfen og sentrale standarder Andreas Marhaug Mål for undervisningen: Teoridel ca 45 minutter: Vedlikeholdsstyrings sløyfen - gjennomgang Standarder
DetaljerRobotene kommer - Introduksjon om RPA og AI
Robotene kommer - Introduksjon om RPA og AI Hva er kunstig intelligens, hva kan det brukes til og hvordan må man bygge compliance inn i jobben som utføres? Høstseminar 18. oktober 2017 18.10.2017 Knowit
DetaljerTil: Aktuelle studenter for Cyberneticas studentprogram Antall sider: 5 Dato: 2015-11-01
Address: Cybernetica AS Leirfossveien 27 N-7038 Trondheim Norway Phone.: +47 73 82 28 70 Fax: +47 73 82 28 71 STUDENTOPPGAVER 2016 Til: Aktuelle studenter for Cyberneticas studentprogram Antall sider:
DetaljerRekurrens. MAT1030 Diskret matematikk. Rekurrens. Rekurrens. Eksempel. Forelesning 16: Rekurrenslikninger. Dag Normann
MAT1030 Diskret matematikk Forelesning 16: likninger Dag Normann Matematisk Institutt, Universitetet i Oslo INGEN PLENUMSREGNING 6/3 og 7/3 5. mars 008 MAT1030 Diskret matematikk 5. mars 008 Mandag ga
DetaljerMer om WSD Ordlikhet. Ordlikhet INF5820 H2008. Jan Tore Lønning. Institutt for Informatikk Universitetet i Oslo. 17. september
INF5820 H2008 Institutt for Informatikk Universitetet i Oslo 17. september Outline 1 Utfyllende om glatting Andre WSD-metoder Bootstrapping 2 Samforekomstvektor Kontekstassosiasjon Vektorlikhet Glatting
DetaljerDepartment of Mathematics University of Oslo
Department of Mathematics University of Oslo Masterprogram i matematikk (20 studieplasser) Opptakskrav for studieretning "Matematikk" MAT1100 Kalkulus MAT2200 - Grupper, ringer og kropper MAT2400 - Reell
DetaljerTEK5020/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
DetaljerMainTech. Reelle løsninger på reelle problemer. Alltid! Kurs i Vedlikeholdsplanlegging november, TRONDHEIM 2018
MainTech Reelle løsninger på reelle problemer. Alltid! Kurs i Vedlikeholdsplanlegging 14. 15. november, TRONDHEIM 2018 Grunnleggende forbedringsteori, kreativitet vs innovasjon, kunde/leverandørforhold
DetaljerMAT1030 Forelesning 17
MAT1030 Forelesning 17 Rekurrenslikninger Roger Antonsen - 18. mars 009 (Sist oppdatert: 009-03-18 19:3) Forelesning 17 Forrige gang ga vi en rekke eksempler på bruk av induksjonsbevis og rekursivt definerte
DetaljerBred 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
DetaljerMarkedets mest intelligente sikring av nødstrøm
BMS Battery Management Systems Markedets mest intelligente sikring av nødstrøm BMS overvåker: Cellespenninger Temperaturer Mellomforbindelser BMS analyserer: Batteriets tilstand Cellens gjenværende levetid
DetaljerRegning er en grunnleggende ferdighet som går på tvers av fag. Ferdigheten å kunne regne er å bruke matematikk på en rekke livsområder
Aspekter ved regning som skal vektlegges i ulike fag Regning er en grunnleggende ferdighet som går på tvers av fag. Ferdigheten å kunne regne er å bruke matematikk på en rekke livsområder ARTIKKEL SIST
DetaljerBedre kalibrerte prognoser med ensembleteknikker
Bedre kalibrerte prognoser med ensembleteknikker John Bjørnar Bremnes Kraftrelatert hydrologi, meteorologi og klima, Trondheim, 2008-11-18. Oversikt 1. Bedre oppløsning i LAMEPS (2006) 2. Kalibrering ved
DetaljerMNFIT-272 Kunstig intelligens Forelesning 4.
MNFIT-272 Kunstig intelligens Forelesning 4. Emner: Søkesystemer - styring og kontroll av søk - søkesystemer i praksis Produksjonssystemer - regelbasert søking - som generell problemløsningsmodell - praktiske
DetaljerWeb-basert OpenLab Drilling simulator: Erfaringer, status og muligheter ved bruk av maskinlæring og automatisering. Erich Suter Post.Doc.
Web-basert OpenLab Drilling simulator: Erfaringer, status og muligheter ved bruk av maskinlæring og automatisering Erich Suter Post.Doc. NORCE Produksjon på norsk kontinentalsokkel Boring av nye brønner
DetaljerMainTech Konferansen. Big data hva betyr dette i forhold til gjennomføring av olje og gass prosjekter. Working together for a safer world
MainTech Konferansen Big data hva betyr dette i forhold til gjennomføring av olje og gass prosjekter Working together for a safer world Olje og gass en titt i glasskulen Mer prosessutstyr under vann The
DetaljerKan du forutse fremtiden?
Kan du forutse fremtiden? Demand forecasting Dynamics 365 for Operations Demand forecasting i Dynamics 365 Dynamics 365 gjør intelligent forecasting tilgjengelig for alle virksomheter. Systemet bryter
DetaljerKap. 6.1: Fordelingen til en observator og stok. simulering
Kap. 6.1: Fordelingen til en observator og stok. simulering Data, observatorer og relaterte fordelinger. Stokastisk simulering. Illustrasjon: - Sammenligning av jury bedømmelser i idrett. Fra data til
DetaljerPunktlighetsseminar Anna Gjerstad leder Digital Innovasjon Digitalisering og teknologi
Punktlighetsseminar 13.11.2018 Anna Gjerstad leder Digital Innovasjon Digitalisering og teknologi Sprint - 24/7 overvåking av sporveksler og sporfelt Askerbanen Primærmål (baseline 4Q 2017): redusere antall
DetaljerEndring over tid. Endringsskårer eller Ancova? Data brukt i eksemplene finner dere som anova-4-1.sav, anova-4-2.sav og likelonn.sav.
Endring over tid. Endringsskårer eller Ancova? Data brukt i eksemplene finner dere som anova-4-1.sav, anova-4-2.sav og likelonn.sav. Analyse av endringsskårer (change scores). Vi så forrige gang på analyser
DetaljerDenne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner
DetaljerSirkulærøkonomi : - Nye forretningsmodeller - Nye arbeidsplasser - Nye sosiale møteplasser Hva tenker vi i Bergen?
Sirkulærøkonomi : - Nye forretningsmodeller - Nye arbeidsplasser - Nye sosiale møteplasser Hva tenker vi i Bergen? LINN CECILIE MOHOLT- BIR PRIVAT AS LEDER GJENVINNINGSTJENESTER Sirkulær økonomi og gjenvinning
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler UiO : Institutt for teknologisystemer Høsten 2017 (14. august 2017) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning ˆ Gjenkjenne objekter - tilordne objekter til én
DetaljerBusiness Intelligence og Datavarehus
Business Intelligence og Datavarehus Gode råd på veien Avfall Norge onsdag 16 januar, 2018 Kort om Webstep Webstep hvor er vi? Noen kundeeksempler BI i Webstep 70 teknologieksperter innen det utvidede
DetaljerBRIDGE- prosjektet. Nye løsninger for krisehåndtering og samhandling. Jan Håvard Skjetne. Skandinavisk Aku3medisin 2015 17.
BRIDGE- prosjektet Nye løsninger for krisehåndtering og samhandling Jan Håvard Skjetne Skandinavisk Aku3medisin 2015 17. mars 2015 Bridging resources and agencies in large- scale emergency management Startet
DetaljerKunstig intelligens og telesektoren: hva blir det neste? Dr. Mohammed Sourouri Seniorkonsulent, Acando Mai, 2018
Kunstig intelligens og telesektoren: hva blir det neste? Dr. Seniorkonsulent, Acando Mai, 2018 Agenda Introduksjon til AI Muligheter for telesektoren Tips på veien Agenda Introduksjon til AI Muligheter
DetaljerEksamen i TDT Oppgaver. Ruben Spaans. December 6, 2012
Eksamen i TDT4173 Ruben Spaans December 6, 2012 1 Oppgaver Oppgave 1. Dener hva et velformulert læringsproblem (well-posed learning problem) er. Svar Det betyr at læringen vil forbedres med erfaring for
DetaljerStordata og kunstig intelligens forandrer medisinen. Erik Fosse Intervensjonssenteret Oslo Universitetssykehus
Stordata og kunstig intelligens forandrer medisinen Erik Fosse Intervensjonssenteret Oslo Universitetssykehus HELSEVESENET BLIR STADIG MER TEKNOLOGIAVHENGIG I SYKEHUS.. erik.fosse@medisin.uio.no Intervensjonssenteret,
DetaljerRegresjon med GeoGebra
Praksis og Teori Askim videregående skole 14.08.14 1 Lærplanmål 2 Punkter og Lister 3 Regresjon 4 Teori 5 Nytt verktøy Læreplanmål i 2P Modellering gjere målingar i praktiske forsøk og formulere matematiske
DetaljerIN2110 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
DetaljerHCI, Interaksjon, grensesnitt og kontekst. Intervju, spørsmålstyper og observasjon
VELKOMMEN REPETISJON HCI, Interaksjon, grensesnitt og kontekst UCD og livssyklusmodell Kognisjon og mentale modeller Intervju, spørsmålstyper og observasjon Behov, krav, personas og scenario DEL 1 HCI,
DetaljerImplementering av kvalifikasjonsrammeverket ved Kjemisk institutt UiB. Førsteamanuensis John Seland Leder for programstyret
Implementering av kvalifikasjonsrammeverket ved Kjemisk institutt UiB Førsteamanuensis John Seland Leder for programstyret På MN-fakultetet, UiB MN-fakultetet satte H-2010 ned en arbeidsgruppe som skulle
DetaljerKONTINUASJONSEKSAMEN I TMA4140 LØSNINGSFORSLAG
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 KONTINUASJONSEKSAMEN I TMA440 LØSNINGSFORSLAG Oppgave Sannhetsverditabell for det logiske utsagnet ( (p q) ) ( q r
DetaljerTMA4240 Statistikk 2014
TMA4240 Statistikk 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 12, blokk II Oppgave 1 På ein av vegane inn til Trondheim er UP interessert i å måle effekten
DetaljerEksamen - 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
DetaljerForebygging av trafikkulykker ved bruk av avansert dataanalyse
Forebygging av trafikkulykker ved bruk av avansert dataanalyse Make Data Smart Again 2017 Stefan Mandaric Arild Engebretsen Oslo 31.05.2017 Agenda Trafikksikkerhet i Statens vegvesen Analytisk problemstilling
DetaljerMøt Freddie! GeoForum GeoLett Håvard Watland
Møt Freddie! GeoForum 2019 - GeoLett 04.04.2019 Håvard Watland 1 Ambita er ledende aktør på eiendomsdata - Ambita tilbyr produkter og tjenester til alle ledd i en eiendomstransaksjon fra start til slutt,
DetaljerBrukergrensesnittdesign
Brukergrensesnittdesign Hva er brukergrensesnittet? Tone Bratteteig INF-102, 7/3 2003 se lenke fra INF102s web-side: http://www.sylvantech.com/~talin/projects/ui_design.html A summary of principles for
DetaljerInformasjon om studieprogrammet Beregningsorientert informatikk
Informasjon om studieprogrammet Beregningsorientert informatikk Beregningsorientert informatikk kombinerer kunnskaper og ferdigheter i matematikk og informatikk, og legger spesielt vekt på utvikling av
DetaljerTilstandsovervåkning av pumper
Stig Petersen, Bård Myhre og Svein P. Berge, SINTEF IKT Tilstandsovervåkning av pumper VA-dagene i Midt-Norge Trondheim, 28-29 oktober, 2015 Presentert av Stig Petersen, SINTEF IKT stig.petersen@sintef.no
Detaljer(Først litt mer om konneksjonisme, og så) maskinlæring. ITSLP /04/2008 Erik Velldal
(Først litt mer om konneksjonisme, og så) maskinlæring ITSLP1100-15/04/2008 Erik Velldal En liten oppsummering fra forrige gang.. Vi så litt på forskjellen mellom datamaskiner (von Neumann-arkitektur)
DetaljerKort om Smart Produksjon sammenligning LEAN. Frode Brakstad Seminar PROSIN - konferansen 16 august 2012, Fevik
Kort om Smart Produksjon sammenligning LEAN Frode Brakstad Seminar PROSIN - konferansen 16 august 2012, Fevik Partners at present: Wood Pharmacy IVD tools Metallurgy Alimentary Fish feed Sensors/instrumentation
DetaljerEKSAMEN I TMA4255 ANVENDT STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 11 Faglig kontakt under eksamen: Mette Langaas (988 47 649) BOKMÅL EKSAMEN I TMA4255 ANVENDT STATISTIKK Fredag 7.
DetaljerHvilke konsekvenser kan restrukturering av norsk VA-bransje få for samfunnssikkerheten?
Hvilke konsekvenser kan restrukturering av norsk VA-bransje få for samfunnssikkerheten? Av Petter Almklov, NTNU Samfunnsforskning Jon Røstum, SINTEF Vann og Miljø NOU 2006:6 Når sikkerheten er viktigst
DetaljerEn sammenligning av metoder for mekanistisk-empirisk dimensjonering av vegoverbygninger for norske forhold
En sammenligning av metoder for mekanistisk-empirisk dimensjonering av vegoverbygninger for norske forhold Ida Elise Trangen Masteroppgave, vår 2016 Kilde: Statens vegvesen (oversatt: Ida Elise Trangen)
Detaljerår i 1 2 3 4 5 6 7 8 9 alder x i 37 38 39 40 41 42 43 44 45 tid y i 45.54 41.38 42.50 38.80 41.26 37.20 38.19 38.05 37.45 i=1 (x i x) 2 = 60, 9
TMA424 Statistikk Vår 214 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 11, blokk II Oppgave 1 Matlabkoden linearreg.m, tilgjengelig fra emnets hjemmeside, utfører
DetaljerHva er kunstig intelligens og maskinlæring? Cathrine Pihl Lyngstad 18. Oktober 2018
Hva er kunstig intelligens og maskinlæring? Cathrine Pihl Lyngstad 18. Oktober 2018 Agenda Hva er AI og ML? Hvor står teknologien? Anvendelsesområder (i offentlig forvaltning) Hva gjør vi konkret i AI
DetaljerMaskinlæring for tryggere veger
Maskinlæring for tryggere veger Vebjørn Axelsen, leder for avanserte analyser, BearingPoint Teknologidagene, 30. oktober 2018 1950 1952 1954 1956 1958 1960 1962 1964 1966 1968 1970 1972 1974 1976 1978
DetaljerGjør gjerne analysene under her selv, så blir dere mer fortrolige med utskriften fra Spss. Her har jeg sakset og klippet litt.
Gjør gjerne analysene under her selv, så blir dere mer fortrolige med utskriften fra Spss. Her har jeg sakset og klippet litt. Data fra likelonn.sav og vi ser på variablene Salnow, Edlevel og Sex (hvor
DetaljerDatainnsamling og analyse Tussa kraftverk
Kunnskap. Ytelse. Pålitelighet. Datainnsamling og analyse Tussa kraftverk Anders Willersrud, PhD Digitalisering i Vattenkraften, Arlanda, 9. maj 2019 Hymatek Controls Del av Rainpower Group Leverandør
DetaljerTDT4165 PROGRAMMING LANGUAGES. Exercise 02 Togvogn-skifting
TDT4165 PROGRAMMING LANGUAGES Fall 2012 Exercise 02 Togvogn-skifting Problembeskrivelse Du er sjef for å skifte vognene til et tog. Vi antar at hver vogn selv har en motor og at toget ikke har noe lokomotiv.
DetaljerMange 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,
DetaljerECON Etterspørsel, investeringer og konsum. Enkle Keynes-modeller
ECON 1310 - Etterspørsel, investeringer og konsum. Enkle Keynes-modeller Helene Onshuus 29. januar 2018 Realligningen i en lukket økonomi En lukket økonomi har ikke handel med utlandet, ser også vekk fra
DetaljerHvordan predikere sikkerhet mht. endring
Hvordan predikere sikkerhet mht. endring Seminar om sikkerhetsstyring 19. april 2012 Aida Omerovic SINTEF IKT Nettbaserte systemer og tjenester aida.omerovic@sintef.no 1 Agenda Hvorfor predikere PREDIQT
DetaljerNTNU Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap
NTNU Norges teknisk-naturvitenskapelige universitet Institutt for sosiologi og statsvitenskap SENSORVEILEDNING SOS1002 SAMFUNNSVITENSKAPELIG FORSKNINGSMETODE Eksamensdato: 29. mai 2009 Eksamenstid: 5 timer
DetaljerB O R N T O I N N O V AT E M A I N T E C H K O N F E R A N S E N
B O R N T O I N N O V AT E FRA TRADISJONELL ASSET MANAGEMENT TIL ASSET PERFORMANCE M A I N T E C H K O N F E R A N S E N 2 0 1 7 DAGENS HISTORIER Kai Erik Dahlen Data Scientist Cocreation med Data Science
DetaljerBruk av digitale læringsmidler, læringsressurser og læringsomgivelser. Sten Ludvigsen, InterMedia, Universitetet ioslo Udir, Nov 2011
Bruk av digitale læringsmidler, læringsressurser og læringsomgivelser Sten Ludvigsen, InterMedia, Universitetet ioslo Udir, Nov 2011 Digitale Elever: lære om globale klimaendringer 66% virtuelle forsøk,
DetaljerAksiom 3.1 (Likhet av mengder). La A og B være mengder. Da er A og B like hvis og bare hvis de har akkurat de samme elementene.
Notat 3 for MAT1140 3 Mengder 3.1 Mengder definert ved en egenskap Det matematiske begrepet mengde har sin opprinnelse i vår intuisjon om samlinger. Objekter kan samles sammen til et nytt objekt kalt mengde.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2 Maskinlæring og statistiske metoder for prediksjon og klassifikasjon Eksamensdag: Torsdag 4. juni 28. Tid for eksamen: 4.3
DetaljerTekstmining: En kort innføring
www.nr.no Tekstmining: En kort innføring Pierre Lison Seniorforsker, NR Norsk evalueringsforening 30.08.2018 Litt om NR Et forskningsinstitutt (privat stiftelse) Utfører oppdragsforskning for både næringsliv
DetaljerKapittel 5 - Advanced Hypertext Model Kapittel 6 - Overview of the WebML Development Process
INF 329 Web-teknologier Kapittel 5 - Advanced Hypertext Model Kapittel 6 - Overview of the WebML Development Process Navn: Bjørnar Pettersen bjornarp.ii.uib.no Daniel Lundekvam daniell.ii.uib.no Presentasjonsdato:
DetaljerM A M M estre A mbisiøs M atematikkundervisning. Novemberkonferansen 2015
M A M M estre A mbisiøs M atematikkundervisning Novemberkonferansen 2015 Ambisiøs matematikkundervisning En undervisningspraksis hvor lærerne engasjerer seg i elevens tenkning, stiller spørsmål, observerer
Detaljer2.2 Korrelasjon. Våre øyne ikke gode til å bedømme hvor sterk en sammenheng er Trenger kvantitativt mål på sammenheng Korrelasjon et slikt mål
2.2 Korrelasjon Våre øyne ikke gode til å bedømme hvor sterk en sammenheng er Trenger kvantitativt mål på sammenheng Korrelasjon et slikt mål Korrelasjon Korrelasjon: Kvantitativt mål på lineær sammenheng
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Forelesning 27: Trær Dag Normann Matematisk Institutt, Universitetet i Oslo 30. april 2008 Oppsummering Mandag så vi på hvordan vi kan finne uttrykk og termer på infiks form,
DetaljerHvorfor utføre pålitelighetsanalyser for skråningsstabilitet? Maj Gøril G. Bæverfjord SINTEF Byggforsk
Hvorfor utføre pålitelighetsanalyser for skråningsstabilitet? Maj Gøril G. Bæverfjord SINTEF Byggforsk Hva er en pålitelighetsanalyse? Usikkerhetsanalyse: modellering av usikkerhet i geometri og materialparametre
DetaljerDigitalisering skal gi sikre og effektive reiser
Transport og logistikk, 24. oktober 2017 Sverre Kjenne Digitalisering og teknologi Digitalisering skal gi sikre og effektive reiser Ingen skades da jernbanen overvåkes kontinuerlig Signalsystem setter
DetaljerKompleksitetsanalyse Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder
Helge Hafting 25.1.2005 Opphavsrett: Forfatter og Stiftelsen TISIP Lærestoffet er utviklet for faget LO117D Algoritmiske metoder Innhold 1 1 1.1 Hva er en algoritme?............................... 1 1.2
DetaljerTilstandsestimering Oppgaver
University College of Southeast Norway Tilstandsestimering Oppgaver HANS-PETTER HALVORSEN http://home.hit.no/~hansha Innholdsfortegnelse 1 Grunnlag... 3 1.1 Statistikk og Stokastiske systemer... 3 1.2
DetaljerKompleksitet. IN algoritmer og datastrukturer Plenumstime / repetisjon
Kompleksitet IN2010 - algoritmer og datastrukturer Plenumstime / repetisjon Dagens agenda Kompleksitet - hva er det? Avgjørelsesproblemer Kompleksitetsklassene P og NP Reduksjoner - å redusere et problem
DetaljerBeslutningsstøtte og forskrivningsstøtte
Beslutningsstøtte og forskrivningsstøtte Thomas Brox Røst Øystein Nytrø Inger Dybdahl Sørby Institutt for datateknikk og informasjonsvitenskap, NTNU Hva er klinisk beslutningsstøtte? Påminnere og advarsler
DetaljerMaskinlæring for predikering av live odds
Maskinlæring for predikering av live odds Christian Hunstad Daniel Reinholdt Master i datateknologi Innlevert: juni 2017 Hovedveileder: Trond Aalberg, IDI Medveileder: Ole Markus With, Sportradar Norges
DetaljerIntelligent digitalisering av dialogen: hvordan komme i gang?
Intelligent digitalisering av dialogen: hvordan komme i gang? Anne Johanne Solhjell og Ståle Sørensen Winorg Fokusområder for forbedringer «Empower» de ansatte Engasjere medlemmer, givere, frivillige og
DetaljerIndustri prosess. Hvordan produsere smartere. Per-Olav Hansen
Industri prosess Hvordan produsere smartere Per-Olav Hansen Fakta om Unger Fabrikker Etablert : 1922 Omsetning : 646 MNOK* Resultat før skatt : 86 MNOK* Volum : >40.000 MT Eksportandel : >90%, 75 land
DetaljerTilrettelegging for læring av grunnleggende ferdigheter
Tilrettelegging for læring av grunnleggende ferdigheter Sørlandske lærerstemne 21. oktober 2005 Stein Dankert Kolstø Institutt for fysikk og teknologi Universitetet i Bergen 1 Oversikt Kompetanser og læring
DetaljerForskning og kvalitetsutvikling - 2 sider av samme sak? Gro Sævil Helljesen, prosessleder, RN, MSc Helse Sør-Øst RHF 26 august 2010
Forskning og kvalitetsutvikling - 2 sider av samme sak? Gro Sævil Helljesen, prosessleder, RN, MSc Helse Sør-Øst RHF 26 august 2010 WHO (1993) fem hovedområder for å vurdere og evaluere kliniske virksomheter:
DetaljerQuo vadis prosessregulering?
Quo vadis prosessregulering? Morten Hovd PROST industrimøte Granfos, 24. Januar 2001 PROST Industrimøte, Granfos, 24. januar 2001 Hvor står vi? Et subjektivt bilde PROST Industrimøte, Granfos, 24. januar
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4
Stavanger, 13. august 2013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 2013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 1 En kort oppsummering. 1 2 Adaptiv
DetaljerVed hjelp av kunstig intelligens er oppgavefordelingen mellom sykepleiere og helsesekretærer endret
Ved hjelp av kunstig intelligens er oppgavefordelingen mellom sykepleiere og helsesekretærer endret Øivind Riis, PhD Sykehuset Østfold Bergen 08112018 Hva venter oss om 10-15 år. Fremtidige kostnad Status
DetaljerForelesning # 2 i ECON 1310:
Forelesning # 2 i ECON 1310: Konjunkturer 25. august 2012 Den økonomiske sirkulasjonen i et samfunn Temaer for forelesning om konjunkturer og arbeidsmarked 1 Arbeidsmarkedet Noen definisjoner To mål på
DetaljerDatabasert arbeidssett for daglig styring. Olav Roaldset Senior project manager Production Capabilities Orkla ASA
1 Databasert arbeidssett for daglig styring Olav Roaldset Senior project manager Production Capabilities Orkla ASA Agenda Økt automatiseringsgrad krever ny kompetanse Databasert arbeidssett for daglig
DetaljerUNIVERSITETET I BERGEN. STAT111 Statistiske metoder
Bokmal UNIVERSITETET I BERGEN Det matematisk naturvitenskapelige fakultet STAT111 Statistiske metoder Eksamen 28. mai 2015, 0900-1300 Tillatt hjelpemiddel: Kalkulator i henhold til fakultetets regler,
DetaljerHVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes
HVORDAN KAN MÅLINGER BIDRA TIL FORBEDRING? ved Maria Fornes 1 Agenda Hvorfor måle? Analysere data - statistisk prosesskontroll Hva skal måles, og hvordan? 2 Hva er en måling? -temperatur -blodtrykk -puls
DetaljerAv Thomas Welte, SINTEF Energi, Bjarne Børresen, Energi Norge
Av Thomas Welte, SINTEF Energi, Bjarne Børresen, Energi Norge Sammendrag Rapporten oppsummerer resultatene fra forskningsprosjektet "System for tilstands- og levetidsrelaterte data for kraftsystemkomponenter
DetaljerDatagrunnlag og metode for beregning av skolebidragsindikatorer for grunnskoler (kilde:ssb)
Datagrunnlag og metode for beregning av skolebidragsindikatorer for grunnskoler (kilde:ssb) 1.1. Datagrunnlag For 1.-4. har vi tatt utgangspunkt i elevenes gjennomsnittsresultat fra nasjonale prøver på
Detaljer«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
DetaljerTilstandsestimering Oppgaver
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics Tilstandsestimering Oppgaver HANS-PETTER HALVORSEN, 2012.01.27 Faculty of Technology, Postboks 203,
DetaljerBruk av kunstig intelligens for å søke presist etter informasjon i pasientjournalen
Bruk av kunstig intelligens for å søke presist etter informasjon i pasientjournalen Overlege/Dr.med. Tor Tveit Sykepleier/MSc IT/PhDstudent Geir Thore Berge Sørlandet Sykehus Om forskningsprosjektet Samarbeid
DetaljerEn robust BI-løsning; hva må til?
En robust BI-løsning; hva må til? Noen gode praksiser, og NTNUs skritt mot prediktiv analyse Torgeir Sesseng, Oslo 23.09.2015 Kunnskap for en bedre verden Agenda. Kort om: 1. BI-/informasjonsstrategi 2.
DetaljerKonflikt mellom operatørens og kontraktørens prosedyrer?
engineering, inspection and offshore and energy industry. Konflikt mellom operatørens og kontraktørens prosedyrer? Torkel Fyrvik ESRA-seminar, Hurdal, 2010-06-08 Agenda Hvem er Axess Hvordan jobber vi?
DetaljerHans Christian Ellefsen Leder Teknologi og Innovasjon, Regnskap Norge
Digital bevissthet, regnskapsførers innsikt i anvendelse av teknologi Hans Christian Ellefsen Leder Teknologi og Innovasjon, Regnskap Norge he@regnskapnorge.no s. 2 Hva er bevissthet? Bevissthet er erkjennelse;
DetaljerKapittel 2. Utforske og beskrive data. Sammenhenger mellom variable Kap. 2.1 om assosiasjon og kryssplott forrige uke. Kap. 2.2, 2.3, 2.
Kapittel 2 Utforske og beskrive data Sammenhenger mellom variable Kap. 2.1 om assosiasjon og kryssplott forrige uke. Kap. 2.2, 2.3, 2.4 denne uken To kryssplott av samme datasett, men med forskjellig skala
Detaljerregresjonsmodeller multippel logistisk regresjon logistisk regresjon prediksjon vs assosiasjon den logistisk funksjonen (2)
Innføring i medisinsk statistikk del 2 regresjonsmodeller Hvorfor vil man bruke regresjonsmodeller? multippel logistisk regresjon. predikere et utfall (f.eks. sykdom, død, blodtrykk) basert på et sett
Detaljer