INF5820 Natural Language Processing - NLP. H2009 Jan Tore Lønning
|
|
- Erna Mortensen
- 7 år siden
- Visninger:
Transkript
1 INF5820 Natural Language Processing - NLP H2009 jtl@ifi.uio.no
2 HMM Tagging INF5830 Lecture 3 Sep
3 Today More simple statistics, J&M sec 4.2: Product rule, Chain rule Notation, Stochastic variable J & M,Chap , slide Markov-models slides, J&M, Sec Not: Formulas in sec 4.5.3, sec
4 INF5830 H2009 Institutt for Informatikk Universitetet i Oslo 8. september
5 Outline Markov-modeller 1 Markov-modeller
6 Outline Markov-modeller 1 Markov-modeller
7 Markov-egenskapen Markov-egenskapen P(X n+1 = x X n = x n,... X 1 = x 1 ) = P(X n+1 = x X n = x n ) Neste tilstand avhenger bare av nåværende tilstand, ikke av fortidige. P(X 1, X 2,..., X T ) = P(X 1 )P(X 2 X 1 )P(X 3 X 1, X 2 ) P(X T X 1,... X T 1 ) = P(X 1 )P(X 2 X 1 )P(X 3 X 2 ) P(X T X T 1 ) T 1 = P(X 1 ) P(X t+1 X t ) t=1
8 Markov-modell a ij = P(X t+1 = s j X t = s i ) Da vil N j=n a ij = 1 for alle i π i = P(X 1 = s i ) ( alternativt spesielle start og sluttilstander, s 0, s F, og a 0i = π i ).
9 Sammenheng med FSA Dette svarer til en endelig-tilstandsautomat (FSA) der Kantene er merket med sannsynligheter, summen av sannsynligheter ut i fra en node er 1. Inputalfabetet er lik navnet på tilstandene og en input svarer til tilsvarende gjennomløp av tilstander.
10 Language models If we assume that word strings have the Markov property: P(w 1, w 2,..., w T ) = P(w 1 )P(w 2 w 1 )P(w 3 w 1, w 2 ) P(w T w 1,... w T 1 ) P(w 1 )P(w 2 w 1 )P(w 3 w 2 ) P(w T w T 1 ) T 1 = P(w 1 ) P(w t+1 w t ) t=1 We get a bigram language model, also called a first-order language model Used in tagging, speech processing, translation, etc.
11 Language models Consider words instead of tags. ˆP(w i ) = C(w i ) N ˆP(w i w i 1 ) = C(w i 1w i ) C(w i 1 ), first-order language model or bigram model ˆP(w i w i 2 w i 1 ) = C(w i 2w i 1 w i ) C(w i 2 w i 1 ) second-order language model or trigram model ˆP(w i w i n+1... w i 1 ) = C(w i n+1...w i 1 w i ) C(w i n+1...w i 1 ) n-gram model or n 1th-order language model. These are approximations to the probabilities. Indicated by hats.
12 Outline Markov-modeller 1 Markov-modeller
13 Skjult Markov-modell Det vi observerer Det underliggende nivå ( årsakene )
14 Skjult Markov-modell Definition 1 En endelig mengde tilstander, Q = {q 1, q 2,,..., q N } 2 Et endelig signal alfabet, V = {V 1, v 2,,..., v V } 3 En matrise av overgangssannsynligheter, A = {a ij 1 i N, 1 j N} 4 En mengde emisjonssannsynligheter, B = {b i (v t ) 1 i N, v t V } (b ij = b i (v j )) 5 En mengde initialsannsynligheter, π i = P(X 1 = s i ), sannsynligheten for å starte i tilstand s i. (Litt unøyaktig definisjon i J&M.)
15 Alternativt til siste punktet 5 En mengde initialsannsynligheter, π i = P(X 1 = s i ), sannsynligheten for å starte i tilstand s i. kan en operere med Definition 5 En spesielle start og sluttilstander, q 0, q F. Disse har ikke emisjoner. Det er overganger ut fra (men ikke inn i) q 0, og inn i (men ikke ut fra) q F
16 Enkle spørsmål: Spm. Gitt en sekvens av skjulte tilstander q i1 q i2... q in, hva er sannsynligheten for en outputsekvens v k1 v k2... v kn? Svar P(v k1 v k2... v kn q i1 q i2... q in ) = n j=1 b i j (v kj ) Spm. Gitt en outputsekvens v k1 v k2... v kn, hva er sannsynligheten for en sekvens av tilstander q i1 q i2... q in? Svar P(q i1 q i2... q in v k1 v k2... v kn ) = P(v k1 v k2...v k n q i 1 q i2...q i n )P(q i 1 q i2...q i n ) P(v k1 v k2...v k n ) = n j=1 b i j (v kj ) n j=1 a i (j 1) i j P(v k1 v k2...v k n )
17 Mer kompliserte spørsmål Gitt en bestemt HMM 1 Sannsynlighet ( likelihood ): Hva er sannsynligheten for en outputsekvens v k1 v k2... v kn = v kn k 1? 2 Dekoding: Gitt en outputsekvens v k1 v k2... v kn, hva er den mest sannsynlige sekvensen av tilstander q i1 q i2... q in? 3 Trening: Gitt en sekvens av observasjoner v k1 v k2... v kn og en mengde tilstander, finn overgangs-, A, og emisjonssannsynlighetene B.
18 Svar Markov-modeller Gitt en bestemt HMM 1 Sannsynlighet ( likelihood ): Hva er sannsynligheten for en outputsekvens v k1 v k2... v kn = v kn k 1? Svar q i n i1 Q n P(v k n k 1 q in i 1 ) = q i n i1 Q n n b ij (v kj ) j=1 n j=1 a i(j 1) i j Problemet for de store spørsmålene er ikke så mye å gi en formel for en løsning, men en effektiv algoritme for det. Viterbi-algoritmen er et effektivt svar på spm. 2. Se INF4820.
19 Outline Markov-modeller 1 Markov-modeller
20 Stokastisk tagging Gitt en sekvens av ord w 1 w 2... w n (som vi vil skrive w n 1 ) Hva er den mest sannsynlige taggsekvensen t n 1 = t 1t 2... t n? arg max P(t1 n w n P(w1 n 1 ) = arg max tn 1 )P(tn 1 ) t1 n t1 n P(w1 n) = arg max P(w1 n tn 1 )P(tn 1 ) t1 n
21 Ordsannsynlighetene Uttrykket vi ser på: P(w n 1 tn 1 )P(tn 1 ) P(w n 1 tn 1 ) = P(w n w n 1 1 t n 1 )P(w n 1 w n 2 1 t n 1 ) P(w 1 t n 1 ) Antar P(w i w 1,i t n 1 ) = P(w i t i ) Altså (feilaktig) at et ord ikke avhenger av ordene før og etter, bare av sin tagg. P(w n 1 tn 1 ) = P(w n t n )P(w n 1 t (n 1) ) P(w 1 t 1 ) = n i=1 P(w i t i )
22 Tagg-sannsynlighetene Antar Markov-egenskapen P(t (j+1) t j 1 ) = P(t j+1 t j ) P(t1 n ) = P(t 1)P(t 2 t 1 )P(t 3 t1 2 ) P(t n t (n 1) 1 ) = P(t 1 )P(t 2 t 1 )P(t 3 t 2 ) P(t n t n 1 ) n 1 = P(t 1 ) P(t i+1 t i ) = i=1 n P(t i t i 1 ) i=1 (Hvis P(t 1 t 0 ) er sannsynligheten for å starte i t 1 )
23 Som gir Markov-modeller n P(w1 n tn 1 )P(tn 1 ) = P(w i t i ) = i=1 n P(t i t i 1 ) i=1 n P(w i t i )P(t i t i 1 ) i=1 ˆt 1 n = arg max P(t1 n w 1 n ) t1 n = arg max P(w1 n tn 1 )P(tn 1 ) t1 n = arg max t n 1 i=1 n P(w i t i )P(t i t i 1 )
24 Markov-modeller Stokastisk tagging kan altså sees på som en HMM, der Ord er det vi observerer Tagger er de skjulte tilstandene Vi har gjort en del litt grove antagelser
25 Outline Markov-modeller 1 Markov-modeller
26 Trigrams Markov-modeller We know the Markov-property P(t (j+1) t j 1 ) = P(t j+1 t j ) is not accurate. A better approximation P(t (j+1) t j 1 ) P(t j+1 t (j 1) t j ) P(t1 n ) = P(t 1)P(t 2 t 1 )P(t 3 t1 2 ) P(t n t (n 1) 1 ) P(t 1 )P(t 2 t 1 )P(t 3 t 1 t 2 ) P(t n t n 2 t n 1 ) n 1 = P(t 1 )P(t 2 t 1 ) P(t i+2 t i t (i+1) ) = i=1 n P(t i t i 2 t i 1 ) i=1 (Assuming two initial start states t 1, t 0 )
27 The trigram tagging formula ˆt 1 n = arg max P(t1 n w 1 n ) t1 n = arg max P(w1 n tn 1 )P(tn 1 ) t1 n [ n arg max t n 1 i=1 If t n+1 is an extra end state. P(w i t i )P(t i t i 2 t i 1 ) ] P(t n+1 t n )
28 Counting Markov-modeller ˆP(t i ) = C(t i ) N ˆP(t i t i 1 ) = C(t i 1t i ) C(t i 1 ) ˆP(t i t i 2 t i 1 ) = C(t i 2t i 1 t i ) C(t i 2 t i 1 ) These are approximations to the probabilities. Indicated by hats. MLE: maximum-likelihood estimates
29 Order Markov-modeller A first-order HMM uses bigrams. A second-order HMM uses trigrams. etc.
30 Second order HMM This is similar to the first-order model if we let a state represent a pair of tags. s ij represents the tag sequence t i t j the transition probability a <ij,kl> for going from s ij to s kl : a <ij,kl> = 0 for j k a <ij,jl> = P(s jl s ij ) = P(t j t l t i t j ) = P(t l t i t j ) b ij (v m ) = P(v m t j ) Similarly a second-order language model is an ordinary second-order markov model, where states represent bigrams.
HMM-tagging INF4820 H2008. Jan Tore Lønning. 30. september. Institutt for Informatikk Universitetet i Oslo
INF4820 H2008 Institutt for Informatikk Universitetet i Oslo 30. september Outline 1 2 3 4 5 Outline 1 2 3 4 5 Flertydighet Example "" "fisk" subst appell mask ub fl @løs-np "fisker" subst appell
DetaljerINF1820: Introduksjon til språk-og kommunikasjonsteknologi
INF1820: Introduksjon til språk-og kommunikasjonsteknologi Syvende forelesning Lilja Øvrelid 6 mars, 2017 1 Ordklassetagging Ordklasser? Bindeledd mellom ordet og setningen (syntaks): Sier noe om hva slags
DetaljerINF1820: Introduksjon til språk-og kommunikasjonsteknologi
INF1820: Introduksjon til språk-og kommunikasjonsteknologi Syvende forelesning Lilja Øvrelid 6 mars, 2017 1 Ordklassetagging Ordklasser? Bindeledd mellom ordet og setningen (syntaks): Sier noe om hva slags
DetaljerINF1820: Ordklassetagging
NF1820: Ordklassetagging NF1820: Ordklassetagging Arne Skjærholt 6. mars NF1820: Ordklassetagging Arne Skjærholt 6. mars NF1820: Ordklassetagging Ordklassetagging Never gonna give you up Never gonna let
DetaljerINF2820 Datalingvistikk V2015. Jan Tore Lønning
INF2820 Datalingvistikk V2015 Jan Tore Lønning ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK DEL 2 26. januar 2015 2 ENDELIGE AUTOMATER «FINITE STATE AUTOMATA» (FSA) 26. januar 2015
DetaljerINF2820 Datalingvistikk V2017 Forelesning 1.2 Jan Tore Lønning
INF2820 Datalingvistikk V2017 Forelesning 1.2 Jan Tore Lønning ENDELIGE TILSTANDSMASKINER OG REGULÆRE SPRÅK 19. januar 2017 2 Fysisk modell En tape delt opp i ruter. I hver rute står det et symbol. En
DetaljerDokument-embeddings / Markov-kjeder. Fredrik Jørgensen, Schibsted Media/UiO
Dokument-embeddings / Fredrik Jørgensen, Schibsted Media/UiO Oversikt 1. 2. Dokument-embeddings: Repetisjon + ord => dokumenter Markovkjeder: Vi bygger en robot-journalist! 1. Dokument-embeddings Word2Vec:
DetaljerINF2820 Datalingvistikk V2016. Jan Tore Lønning
INF2820 Datalingvistikk V2016 Jan Tore Lønning ENDELIGE AUTOMATER «FINITE STATE AUTOMATA» (FSA) 25. januar 2016 2 Fysisk modell En tape delt opp i ruter. I hver rute står det et symbol. En innretning som
DetaljerINF2820 Datalingvistikk V2016. Jan Tore Lønning
INF2820 Datalingvistikk V2016 Jan Tore Lønning ENDELIGE AUTOMATER «FINITE STATE AUTOMATA» (FSA) 3. februar 2016 2 Fysisk modell En tape delt opp i ruter. I hver rute står det et symbol. En innretning som
DetaljerTMA4240 Statistikk Høst 2013
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 6, blokk I Løsningsskisse Oppgave 1 Vi antar X er normalfordelt, X N(3315, 575 2 ). Ved bruk av tabell A.3 finner
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
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
DetaljerEksamensoppgave i TMA4265 Stokastiske prosesser
Institutt for matematiske fag Eksamensoppgave i TMA4265 Stokastiske prosesser Faglig kontakt under eksamen: Andrea Riebler Tlf: 4568 9592 Eksamensdato: 16. desember 2013 Eksamenstid (fra til): 09:00 13:00
DetaljerINF2820 Datalingvistikk V2012. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2012 Jan Tore Lønning & Stephan Oepen ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK 17. januar 2012 2 Naturlige språk En mann kjøpte en bil av en mann som hadde
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
Detaljer1. Explain the language model, what are the weaknesses and strengths of this model?
Øving 2 Task 1 Language Model 1. Explain the language model, what are the weaknesses and strengths of this model? En language model er en model som brukes til å forenkle spørringer etter ord i dokumenter.
DetaljerINF2820 Datalingvistikk V2015. Jan Tore Lønning
INF2820 Datalingvistikk V2015 Jan Tore Lønning ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK DEL 2 22. januar 2015 2 ENDELIGE AUTOMATER «FINITE STATE AUTOMATA» (FSA) 23. januar 2015
DetaljerMønstergjenkjenning 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:
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,
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
DetaljerTrigonometric Substitution
Trigonometric Substitution Alvin Lin Calculus II: August 06 - December 06 Trigonometric Substitution sin 4 (x) cos (x) dx When you have a product of sin and cos of different powers, you have three different
DetaljerINF2820 Datalingvistikk V2011. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 Jan Tore Lønning & Stephan Oepen ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK DEL 2 31. januar 2011 2 SAMMENHENGER FSA OG REGULÆRE UTTRYKK 31. januar
DetaljerINF2820 Datalingvistikk V2014. Jan Tore Lønning
INF2820 Datalingvistikk V2014 Jan Tore Lønning ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK 19. januar 2014 2 Naturlige språk En mann kjøpte en bil av en mann som hadde eid bilen i
DetaljerSyntax/semantics - I INF 3110/ /29/2005 1
Syntax/semantics - I Program program execution Compiling/interpretation Syntax Classes of langauges Regular langauges Context-free langauges Scanning/Parsing Meta models INF 3/4-25 8/29/25 Program
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
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
DetaljerINF1820: Introduksjon til språk-og kommunikasjonsteknologi
INF1820: Introduksjon til språk-og kommunikasjonsteknologi Sjette forelesning Lilja Øvrelid 27 februar, 2017 1 Sannsynlighet Sannsynlighet spiller en svært viktig rolle i språkteknologi... og også i dette
DetaljerINF1820: Introduksjon til språk-og kommunikasjonsteknologi
INF1820: Introduksjon til språk-og kommunikasjonsteknologi Sjette forelesning Lilja Øvrelid 27 februar, 2017 1 Sannsynlighet Sannsynlighet spiller en svært viktig rolle i språkteknologi... og også i dette
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
DetaljerDynamic Programming Longest Common Subsequence. Class 27
Dynamic Programming Longest Common Subsequence Class 27 Protein a protein is a complex molecule composed of long single-strand chains of amino acid molecules there are 20 amino acids that make up proteins
Detaljer5 E Lesson: Solving Monohybrid Punnett Squares with Coding
5 E Lesson: Solving Monohybrid Punnett Squares with Coding Genetics Fill in the Brown colour Blank Options Hair texture A field of biology that studies heredity, or the passing of traits from parents to
DetaljerEksamensoppgave i TMA4265 Stokastiske Prosesser
Institutt for matematiske fag Eksamensoppgave i TMA4265 Stokastiske Prosesser Faglig kontakt under eksamen: Jo Eidsvik Tlf: 901 27 472 Eksamensdato: Desember 1, 2016 Eksamenstid (fra til): 09:00 13:00
DetaljerMer om Markov modeller
Høyere ordens Markov modeller Mer om Markov modeller p h mnr = Pr( Y j+ 3 = ah Y j+ 2 = am, Y j+ 1 = an, Y j = a : r For en k-te ordens Markov modell som modellerer en DNA prosess vil det være 3*4 k mulige
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
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]
DetaljerInformasjonsgjenfinning
INF5820 H2008 Institutt for Informatikk Universitetet i Oslo 18. september Outline 1 Hva er IR? Tradisjonell evaluering Invertert indeks 2 Rangering Evaluering av rangering 3 Grunnleggende egenskaper Vektorer
Detaljer3/1/2011. I dag. Recursive descent parser. Problem for RD-parser: Top Down Space. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 TABELLPARSING Jan Tore Lønning & Stephan Oepen 1. mars 2011 2 I dag Oppsummering fra sist: Recursive-descent og Shift-reduce parser Svakheter med disse Tabellparsing: Dynamisk
DetaljerINF2820 Datalingvistikk V2011. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 Jan Tore Lønning & Stephan Oepen TABELLPARSING 1. mars 2011 2 I dag Oppsummering fra sist: Recursive-descent og Shift-reduce parser Svakheter med disse Tabellparsing: Dynamisk
DetaljerINF2820 Datalingvistikk V2012. Jan Tore Lønning
INF2820 Datalingvistikk V2012 Jan Tore Lønning ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK DEL 2 20. januar 2012 2 Non-Determinism Speech and Language Processing - Jurafsky and Martin
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
DetaljerMAT Oblig 1. Halvard Sutterud. 22. september 2016
MAT1110 - Oblig 1 Halvard Sutterud 22. september 2016 Sammendrag I dette prosjektet skal vi se på anvendelsen av lineær algebra til å generere rangeringer av nettsider i et web basert på antall hyperlinker
DetaljerINF2820 Datalingvistikk V2014. Jan Tore Lønning
INF2820 Datalingvistikk V2014 Jan Tore Lønning ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK DEL 2 22. januar 2014 2 DFA deterministisk endelig maskin Q = {q0, q1, q2,, qn-1} Strengt
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
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
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 ---
DetaljerHvor mye teoretisk kunnskap har du tilegnet deg på dette emnet? (1 = ingen, 5 = mye)
Emneevaluering GEOV325 Vår 2016 Kommentarer til GEOV325 VÅR 2016 (emneansvarlig) Forelesingsrommet inneholdt ikke gode nok muligheter for å kunne skrive på tavle og samtidig ha mulighet for bruk av power
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
DetaljerINF2820 Datalingvistikk V2017 Forelesning 2, 23.1 Jan Tore Lønning
INF2820 Datalingvistikk V2017 Forelesning 2, 23.1 Jan Tore Lønning ENDELIGE TILSTANDSMASKINER OG REGULÆRE SPRÅK, DEL 2 19. januar 2017 2 Sist uke: FSA Brukes om hverandre: Finite state automaton - FSA
DetaljerGir vi de resterende 2 oppgavene til én prosess vil alle sitte å vente på de to potensielt tidskrevende prosessene.
Figure over viser 5 arbeidsoppgaver som hver tar 0 miutter å utføre av e arbeider. (E oppgave ka ku utføres av é arbeider.) Hver pil i figure betyr at oppgave som blir pekt på ikke ka starte før oppgave
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
DetaljerINF1820: Introduksjon til språk-og kommunikasjonsteknologi
INF1820: Introduksjon til språk-og kommunikasjonsteknologi Fjerde forelesning Lilja Øvrelid 6 februar, 2014 OVERSIKT Såkalt endelig tilstand (finite-state) -teknologi er kjapp og effektiv nyttig for et
DetaljerINF1820: Introduksjon til språk-og kommunikasjonsteknologi
INF1820: Introduksjon til språk-og kommunikasjonsteknologi Fjerde forelesning Lilja Øvrelid 6 februar, 2014 OVERSIKT Såkalt endelig tilstand (finite-state) -teknologi er kjapp og effektiv nyttig for et
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON320/420 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON320/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Tirsdag 7. juni
DetaljerMAT1030 Diskret matematikk
MAT1030 Diskret matematikk Plenumsregning 9: Diverse ukeoppgaver Roger Antonsen Matematisk Institutt, Universitetet i Oslo 10. april 2008 Oppgaver fra forelesningene Oppgave (fra forelesningen 10/3) a)
DetaljerOppgaver fra forelesningene. MAT1030 Diskret matematikk. Oppgave (fra forelesningen 10/3) Definisjon. Plenumsregning 9: Diverse ukeoppgaver
Oppgaver fra forelesningene MAT1030 Diskret matematikk Plenumsregning 9: Diverse ukeoppgaver Roger Antonsen Matematisk Institutt, Universitetet i Oslo 10. april 2008 Oppgave (fra forelesningen 10/3) a)
DetaljerLøsningsførslag i Matematikk 4D, 4N, 4M
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 6 Løsningsførslag i Matematikk 4D, 4N, 4M Oppgave (Kun før 4D Vi har f(x, y x + y x y, for x y. Dette gir For (x, y
DetaljerBasis, koordinatsystem og dimensjon
Basis, koordinatsystem og dimensjon NTNU, Institutt for matematiske fag 22.-24. oktober 2013 Basis Basis for vektorrom: En endelig mengde B = {b 1, b 2,..., b n } av vektorer i et vektorrom V er en basis
Detaljer1/31/2011 SAMMENHENGER FSA OG REGULÆRE UTTRYKK. Regulære språk. Fra FSA til RE. Fra regulært uttrykk til NFA REGULÆRE UTTRYKK I DATALINGVISTIKK DEL 2
INF2820 Datalingvistikk V2011 Jan Tore Lønning & Stephan Oepen ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK DEL 2 31. januar 2011 2 Regulære språk Følgende er ekvivalente: a) L kan
DetaljerEnkel og effektiv brukertesting. Ida Aalen LOAD september 2017
Enkel og effektiv brukertesting Ida Aalen LOAD.17 21. september 2017 Verktøyene finner du her: bit.ly/tools-for-testing Har dere gjort brukertesting? Vet du hva dette ikonet betyr? Mobil: 53% sa nei Desktop:
DetaljerSpeed Racer Theme. Theme Music: Cartoon: Charles Schultz / Jef Mallett Peanuts / Frazz. September 9, 2011 Physics 131 Prof. E. F.
September 9, 2011 Physics 131 Prof. E. F. Redish Theme Music: Speed Racer Theme Cartoon: Charles Schultz / Jef Mallett Peanuts / Frazz 1 Reading questions Are the lines on the spatial graphs representing
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 3230 Formell modellering og analyse av kommuniserende systemer Eksamensdag: 4. april 2008 Tid for eksamen: 9.00 12.00 Oppgavesettet
Detaljer0:7 0:2 0:1 0:3 0:5 0:2 0:1 0:4 0:5 P = 0:56 0:28 0:16 0:38 0:39 0:23
UTKAST ENGLISH VERSION EKSAMEN I: MOT100A STOKASTISKE PROSESSER VARIGHET: 4 TIMER DATO: 16. februar 2006 TILLATTE HJELPEMIDLER: Kalkulator; Tabeller og formler i statistikk (Tapir forlag): Rottman: Matematisk
DetaljerFINAL EXAM IN STA-2001
Page 1 of 3 pages FINAL EXAM IN STA-2001 Exam in: STA-2001 Stochastic processes. Date: Tuesday the 21. of February, 2012. Time: 09:00 13:00. Place: Aud.max. Approved aids: 4 pages of your own notes. Approved
DetaljerIN1140: Introduksjon til språkteknologi. Forelesning #5: Språkmodeller
IN1140: Introduksjon til språkteknologi Forelesning #5: Språkmodeller Lilja Øvrelid Universitetet i Oslo 27 september 2018 Agenda 2 Forrige uke Tilstandsmaskiner og regulære uttrykk Oblig 1b inn neste
DetaljerFactoid Spørsmål Svar
Grunnleggende INF5820 H2008 Institutt for Informatikk Universitetet i Oslo 25. september Outline Grunnleggende 1 Grunnleggende 2 3 4 5 Outline Grunnleggende 1 Grunnleggende 2 3 4 5 Factoide Grunnleggende
DetaljerINF2820 Datalingvistikk V2011. Jan Tore Lønning & Stephan Oepen
INF2820 Datalingvistikk V2011 Jan Tore Lønning & Stephan Oepen ENDELIGE TILSTANDSTEKNIKKER OG REGULÆRE UTTRYKK I DATALINGVISTIKK 26. januar 2011 2 Naturlige språk En mann kjøpte en bil av en mann som hadde
DetaljerBIBSYS Brukermøte 2011 Live Rasmussen og Andreas Christensen. Alt på et brett? -om pensum på ipad og lesebrett
BIBSYS Brukermøte 2011 Live Rasmussen og Andreas Christensen Alt på et brett? -om pensum på ipad og lesebrett Prosjektet epensum på lesebrett Vi ønsker å: Studere bruk av digitalt pensum i studiesituasjonen.
DetaljerINF2820 Datalingvistikk V2012. Jan Tore Lønning
INF2820 Datalingvistikk V2012 Jan Tore Lønning TABELLPARSING OG CHART- PARSING 24. februar 2012 2 I dag Mellomspill: Chomsky Normal Form Tabellparsing: CKY-algoritmen Innlede Chart-Parsing 24. februar
DetaljerPSY 1002 Statistikk og metode. Frode Svartdal April 2016
PSY 1002 Statistikk og metode Frode Svartdal April 2016 GANGEN I HYPOTESETESTING 1. Formuler en hypotese «Man får bedre karakterer hvis man leser pensum» 2. Formuler motstykket, nullhypotesen H 0 «Man
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON3120/4120 Mathematics 2: Calculus an linear algebra Exam: ECON3120/4120 Mathematics 2: Calculus an linear algebra Eksamensag: Tirsag 3. juni 2008
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
DetaljerHØGSKOLEN I NARVIK - SIVILINGENIØRUTDANNINGEN
HØGSKOLEN I NARVIK - SIVILINGENIØRUTDANNINGEN EKSAMEN I FAGET STE 6243 MODERNE MATERIALER KLASSE: 5ID DATO: 7 Oktober 2005 TID: 900-200, 3 timer ANTALL SIDER: 7 (inklusiv Appendix: tabell og formler) TILLATTE
DetaljerINF-MAT5370. Trianguleringer i planet (Preliminaries)
INF-MAT5370 Trianguleringer i planet (Preliminaries) Øyvind Hjelle oyvindhj@simula.no, +47 67 82 82 75 Simula Research Laboratory, www.simula.no August 23, 2009 Innhold Notasjon og terminologi Graf-egenskaper
DetaljerAvsluttende eksamen i TDT4120 Algoritmer og datastrukturer
Avsluttende eksamen i TDT4120 Algoritmer og datastrukturer Eksamensdato 18. august 2011 Eksamenstid 0900 1300 Sensurdato 8. september Språk/målform Bokmål Kontakt under eksamen Magnus Lie Hetland (tlf.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF 3230 Formell modellering og analyse av kommuniserende systemer Eksamensdag: 4. juni 2010 Tid for eksamen: 9.00 12.00 Oppgavesettet
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
DetaljerObligatorisk oppgavesett 1 MAT1120 H16
Obligatorisk oppgavesett MAT0 H6 Innleveringsfrist: torsdag /09 06, innen kl 4.30. Besvarelsen leveres på Matematisk institutt, 7. etasje i N.H. Abels hus. Husk å bruke forsiden som du finner via hjemmesiden.
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
DetaljerSurvival Chances of Mutants Starting With One Individual
Journal of Biological Physics 31: 587 597, 2005. DOI: 10.1007/s10867-005-6061-9 C Springer 2005 Survival Chances of Mutants Starting With One Individual CHRISTOPH KUHN Institut für Molekularbiologie und
DetaljerBruk av norsk talegjenkjenning for virtuelle besøk innen helsesektoren
Bruk av norsk talegjenkjenning for virtuelle besøk innen helsesektoren Anders Ravndal og Terje Kristensen Institutt for data- og realfag, ElHoucine Messaoudi Institutt for sykepleiefag, Høgskolen i Bergen
DetaljerINF2820 Datalingvistikk V gang, Jan Tore Lønning
INF2820 Datalingvistikk V2014 8. gang, 6.3.2014 Jan Tore Lønning I dag Chart parsing Implementasjon CKY og Chart: Parsing vs anerkjenning 2 Chart alternativ datastruktur (S, [0, 1]) (VP, [0,1]) (Det, [1,2])
DetaljerMathematics 114Q Integration Practice Problems SOLUTIONS. = 1 8 (x2 +5x) 8 + C. [u = x 2 +5x] = 1 11 (3 x)11 + C. [u =3 x] = 2 (7x + 9)3/2
Mathematics 4Q Name: SOLUTIONS. (x + 5)(x +5x) 7 8 (x +5x) 8 + C [u x +5x]. (3 x) (3 x) + C [u 3 x] 3. 7x +9 (7x + 9)3/ [u 7x + 9] 4. x 3 ( + x 4 ) /3 3 8 ( + x4 ) /3 + C [u + x 4 ] 5. e 5x+ 5 e5x+ + C
DetaljerEKSAMENSOPPGAVE I SØK1004 STATISTIKK FOR ØKONOMER STATISTICS FOR ECONOMISTS
NTNU Norges teknisk-naturvitenskapelige universitet Institutt for samfunnsøkonomi EKSAMENSOPPGAVE I SØK004 STATISTIKK FOR ØKONOMER STATISTICS FOR ECONOMISTS Faglig kontakt under eksamen: Hildegunn E. Stokke
DetaljerTMA4245 Statistikk. Øving nummer 12, blokk II Løsningsskisse. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
Vår 205 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 2, blokk II Løsigsskisse Oppgave a - β agir biles besiforbruk i liter/mil - Rimelig med α 0 fordi med x 0 ige
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
DetaljerSkanning del I. Kapittel 2 INF 3110/ INF
Skanning del I Kapittel 2 18.01.2013 1 Skanning: innhold (begge forelesningene) Hva gjør en skanner? Input: programteksten. Output: Ett og ett token fra programteksten (sekvensielt). Regulære uttrykk/definisjoner.
DetaljerKROPPEN LEDER STRØM. Sett en finger på hvert av kontaktpunktene på modellen. Da får du et lydsignal.
KROPPEN LEDER STRØM Sett en finger på hvert av kontaktpunktene på modellen. Da får du et lydsignal. Hva forteller dette signalet? Gå flere sammen. Ta hverandre i hendene, og la de to ytterste personene
DetaljerØvingsforelesning 2. Mengdelære, funksjoner, rekurrenser, osv. TMA4140 Diskret Matematikk. 10. og 12. september 2018
Mengdelære, funksjoner, rekurrenser, osv. Øvingsforelesning 2 TMA4140 Diskret Matematikk 10. og 12. september 2018 Dagens øvingsforelesning Spørsmål til emnene i forrige uke Oppgaver fra midtsemesterprøver
Detaljer0:6 0:3 0:1 0:4 0:2 0:4
UTKAST EKSAMEN I: MOTA STOKASTISKE PROSESSER ENGLISH VERSION VARIGHET: 4 TIMER DATO: 22. november 26 TILLATTE HJELPEMIDLER: Kalkulator; Tabeller og formler i statistikk (Tapir forlag): Rottman: Matematisk
DetaljerEksamensoppgave i TDT4120 Algoritmer og datastrukturer
Eksamensoppgave i TDT4120 Algoritmer og datastrukturer Faglig kontakt under eksamen Magnus Lie Hetland Tlf. 91851949 Eksamensdato 7. desember 2013 Eksamenstid (fra til) 0900 1300 Hjelpemiddelkode Målform/språk
Detaljerbuildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata
buildingsmart Norge seminar Gardermoen 2. september 2010 IFD sett i sammenheng med BIM og varedata IFD International Framework for Dictionaries Hvordan bygges en BIM? Hva kan hentes ut av BIM? Hvordan
DetaljerBokmål / Nynorsk / English NORGES TEKNISK- NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR FYSIKK. Eksamen TFY4185 Måleteknikk
Bokmål / Nynorsk / English Side 1 av 5 NORGES TEKNISK- NATURITENSKAPELIGE UNIERSITET INSTITUTT FOR FYSIKK Steinar Raaen tel. 482 96 758 Eksamen TFY4185 Måleteknikk Mandag 17. desember 2012 Tid: 09.00-13.00
DetaljerRepetisjon og mer motivasjon. MAT1030 Diskret matematikk. Repetisjon og mer motivasjon
Repetisjon og mer motivasjon MAT030 Diskret matematikk Forelesning 22: Grafteori Roger Antonsen Matematisk Institutt, Universitetet i Oslo 4. april 2008 Først litt repetisjon En graf består av noder og
DetaljerINF5820. Language technological applications. H2010 Jan Tore Lønning
INF5820 Language technological applications H2010 Jan Tore Lønning jtl@ifi.uio.no Maskinoversettelse INF 5820 H2008 Forelesning 2 Machine Translation 1. Some examples 2. Why is machine translation a problem?
DetaljerINF2820 Datalingvistikk V Gang 4.5 Jan Tore Lønning
INF2820 Datalingvistikk V2015 14. Gang 4.5 Jan Tore Lønning CHART PARSING 2 I dag Svakheter ved tidligere parsere RD og SR: ineffektivitet CKY: CNF Chart parsing,,dotted items og fundamentalregelen Algoritmer:
DetaljerMannen min heter Ingar. Han er også lege. Han er privatpraktiserende lege og har et kontor på Grünerløkka sammen med en kollega.
Kapittel 2 2.1.1 Familien min Hei, jeg heter Martine Hansen. Nå bor jeg i Åsenveien 14 i Oslo, men jeg kommer fra Bø i Telemark. Jeg bor i ei leilighet i ei blokk sammen med familien min. For tiden jobber
DetaljerINF2810: Funksjonell Programmering. Mer om strømmer
INF2810: Funksjonell Programmering Mer om strømmer Stephan Oepen & Erik Velldal Universitetet i Oslo 19. april 2013 Tema 2 Forrige uke Repetisjon: parallelitet Noe helt nytt: strømmer Noe quizzaktivitet
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamen i: ECON20/420 Matematikk 2: Matematisk analyse og lineær algebra Exam: ECON20/420 Mathematics 2: Calculus and Linear Algebra Eksamensdag: Fredag 2. mai
Detaljer4.9 Anvendelser: Markovkjeder
4.9 Anvendelser: Markovkjeder Markov kjeder er en spesiell type diskret dynamisk system. Stokastisk modell: grunnleggende i sannsynlighetsregning. Vinner av Abelprisen 2007, S. Varadhan, jobber i dette
DetaljerDen som gjør godt, er av Gud (Multilingual Edition)
Den som gjør godt, er av Gud (Multilingual Edition) Arne Jordly Click here if your download doesn"t start automatically Den som gjør godt, er av Gud (Multilingual Edition) Arne Jordly Den som gjør godt,
Detaljer