https://vik.wiki/api.php?action=feedcontributions&feedformat=atom&user=Sweid%C3%A1n+Om%C3%A1r 2026-05-14T15:09:08Z Felhasználó közreműködései MediaWiki 1.43.8 https://vik.wiki/index.php?title=Szoftvertechnol%C3%B3gia_(r%C3%A9gi)/Igaz-Hamis_kik%C3%A9rdez%C5%91&diff=204750 2023-11-06T00:17:47Z

<p>Sweidán Omár: Elgépelések javítása</p> <hr /> <div>{{Vissza|Szoftvertechnológia}}<br /> <br /> ''Kikérdező a tárgyhonlapon lévő igaz/hamis kérdésekhez + Wikin fenn található vizsgákból.'' <br /> <br /> {{kvízoldal|cím=Szoftvertechnológia Igaz/Hamis|pontozás=-}}<br /> <br /> == A &quot;Ez jó szoftver?&quot; kérdés a validációhoz kapcsolódik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A &quot;Jó ez a szoftver?&quot; kérdés a verifikációhoz kapcsolódik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Burndown Chart az agilis projekttervezés és/vagy agilis projektkövetés eszköze. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMM egy adott szoftver termék fejlettségét, érettségét vizsgálja. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMM egy szervezet által készített összes szoftver minőségét értékeli. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMM előírja, hogy az orchestration elvén szervezzék a technológiai folyamatokat. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMM érettségi szint (maturity level) kifejezi a szervezet vezetésének minőségét is. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI (Capability Maturity Model Integration) modellben a méréseket a 2-es érettségi szinten el kell kezdeni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI (Capability Maturity Model Integration) modellben az összes fejlesztési folyamat (Engineering Processes) a 2-es érettségi szinten kötelező. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI (Capability Maturity Model Integration) modellben az összes fejlesztési folyamat (Engineering Processes) a 3-as érettségi szinten kötelező. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI 3-as szintjétől a szoftverfejlesztési folyamat tevékenységei dokumentáltak, szabványosítva vannak, és a szervezet szabványos szoftverfejlesztési folyamatává integrálták őket. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI 5-ös szintjétől a termelési folyamatok méréseiből számszerűsíthető visszacsatolások segítik a folyamatos folyamat-fejlesztést, amiben új, innovatív elemeket is felhasználnak. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI előírja, hogy a funkcionális követelményeket egy szoftverre vonatkozóan UML jelölésrendszert használó Use-case modellekkel kell leírni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI előírja, hogy a nemfunkcionális követelményeket egy szoftverre vonatkozóan az ISO 9126 / ISO 25000 szabvány szerint kell meghatározni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI előírja, hogy a termék méréséhez a GQM paradigmát kell használni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI folytonos reprezentációja (continuous representation) a képességi szinteken (capability levels) alapul. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI folytonos reprezentációja (continuous representation) megfelel a szoftver CMM-nek. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI modell alkalmazása során elfogadható, hogy a projekt előrehaladását a Kanban Board-ról készült fotókkal dokumentálják. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI modell folytonos nézetének (a folytonos CMMI-modellnek) előnye, hogy a szervezetek saját szükségleteiknek és követelményeiknek megfelelő folyamatokat tudják kiválasztani és továbbfejleszteni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI modellben 4-es érettségi szinten az összes, 4-es érettségi szinten kötelező folyamatnak legalább 4-es képességi szintűnek kell lennie. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI modellben 5-ös érettségi szinten az összes 5-ös érettségi szinten kötelező folyamatnak legalább 5-ös képességi szintűnek kell lennie. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI modellben a sajátos célok (Specific Goals) és általános célok (Generic Goals) informatív elemek. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A CMMI modellben a sajátos célok (Specific Goals) és általános célok (Generic Goals) kötelező elemek. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A COSMIC agilis szoftverfejlesztési módszertan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A COSMIC projekttervezési és követési eszköz. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Continuous Integration projekttervezési és követési eszköz. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Continuous Integration az agilis projekttervezés és/vagy projektkövetés eszköze. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A DD-path tesztelési technika követelményspecifikáción alapul. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Definition of Done az agilis projekttervezés és/vagy projektkövetés eszköze. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A GQM (Goal Question Metric) paradigma az agilis projekttervezés és/vagy projektkövetés eszköze. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A GQM (Goal-Question-Metric) a QIP (Quality Improvement Paradigm) egyik eszköze. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A GQM paradigma a kód minőségének mérésére nem alkalmazható. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A GQM paradigma az emberi erőforrások mérésére nem alkalmazható. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A GQM paradigma tesztelési folyamatok mérésére nem alkalmazható. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A GUI tervezése során figyelni kell a felhasználók sokféleségére. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Java generikus osztályok példányosításakor sosem lehet primitív típus a template-paraméter. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Követelménymenedzsment (REQM) folyamat a CMMI modell 4-es érettségi szintjén (ML4) jelenik meg. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A PRINCE a RUP továbbfejlesztett változata. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Projekt követés (PMC) folyamat a CMMI modellben a 2-es érettségi szinten (ML2) van. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Projekt tervezés (PPL) folyamat a CMMI modell 3-as érettségi szintjén jelenik meg. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A RUP agilis szoftverfejlesztési életciklus modell. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A RUP egyik fázisai közé tartozik a IECT, azaz Inception-Elaboration-Collaboration-Transition. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A RUP egyik fázisai közé tartozik a IECT, azaz Inception-Elaboration-Construction-Transition. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A RUP előírja, hogy a szoftvermérnökök nem fogalmazhatnak meg funkcionális követelményeket egy szoftverre vonatkozóan, mert ez mindig a felhasználók feladata. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A RUP nem agilis fejlesztési módszertan. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A RUP nem tartalmaz projektirányítási eljárásokat. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A RUP szekvenciális szoftverfejlesztési módszertan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A SPICE modell 6 képességi szintet határoz meg egy folyamat esetében. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A SPICE modell 6 érettségi szintet határoz meg egy szoftverfejlesztő cég számára, 0-tól 5-ig, így a szoftverfejlesztő cégek érettsége összemérhető. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A SPICE modell szoftverfolyamatokra határoz meg képességi szinteket, 0-tól 5-ig. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Scrum előírja, hogy a követelményeket kötelező a projekt elején teljeskörűen dokumentálni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Scrum kifejezetten ellenzi, hogy a csapat kódolási szabványokat használjon. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Scrum szekvenciális szoftverfejlesztési életciklus modell. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Scrum szerint a cég vezetői „Csirkék”. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Scrum-ban, szerepük szerint, „Disznók”-nak nevezzük a cég felsővezetését. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A TSP projekttervezési és követési eszköz. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A TSP-t alkalmazó csapat minden tagja CMMI szerint dolgozik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A TSP-t alkalmazó csapat minden tagja PSP szerint dolgozik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A V-modell a vízesés-modellből kialakított iteratív modell. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A V-modell az agilis fejlesztésből kialakult életciklus modell, melyet a RUP is alkalmaz. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A V-modellben a felhasználói követelményeket a rendszerteszt során teszteljük. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A V-modellben a rendszerteszt során a teljes követelményrendszert validáljuk. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A V-modellben megjelenik a dinamikus teszt. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A V-modellben megjelenik a regressziós teszt. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A V-modellben megjelenik a stressz teszt. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A bejelentkező képernyőn nem kell megadni a felhasználó keresztnevét, csak a vezetéknevét. (Webes alkalmazás nemfunkcionális követelménye) ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A bemenetek és kimenetek kombinációi kimutatják az összes hibát a szoftverben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A bevásárlólistának nyomtathatónak kell lennie.(Webes alkalmazás nemfunkcionális követelménye) ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A biztonságkritikus rendszerek tesztelése hasonló a webalkalmazások teszteléséhez. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A csapat sebessége (Team velocity) az agilis projekttervezés és/vagy projektkövetés eszköze. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A csapat sebessége projekttervezési és követési eszköz. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A design (rendszertervezés) során mindig meg kell vizsgálni, hogy milyen architektúra stílusokat, mintákat lehetne alkalmazni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A dinamikus teszt explicit módon megjelenik a CMMI modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A dinamikus tesztelés alapulhat követelményspecifikáción és a kód belső szerkezetén is. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A döntési tábla alapú tesztelési technika követelményspecifikáción alapul. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A fehér doboz teszt megjelenik explicit módon a V-modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A fehér-doboz tesztelés a kód belső szerkezetén alapul. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A fehér-doboz tesztelési technika követelményspecifikáción alapul. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A fehérdoboz tesztelés alapja az UML diagramok. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A felülvizsgálat, átvizsgálás, review, audit dinamikus verifikációs technikák. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A for (X x : c) típusú (foreach) ciklusban a c változóval referált objektum meg kell valósítsa a java.util.Collection interfészt. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A funkciópont számolás kötelező minden CMMI 3-as érettségi szinten levő cégnél. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A határérték analízis a kód belső szerkezetén alapul. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A határérték tesztelés és az ekvivalencia particionálás funkcionális tesztelési technikák, a követelményspecifikáción alapszanak. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A hibák részletes dokumentálása az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A jó szoftver esetében a rövid válaszidő és a folyamatos rendelkezésre állás mindig alapkövetelmény. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A jó szoftver esetében a rövid válaszidő és a megfelelő felhasználói dokumentáció mindig alapkövetelmény. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A jó szoftvertervező nem vizsgál meg több alternatívát egy rendszer tervezése során, mert tapasztalatai alapján ismeri a legjobbat, és azt választja. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A jó szoftvertervező többféle alternatívát is megvizsgál egy rendszer tervezése során. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A keresés egy ténylegesen létező egyeztetési technika a követelmények meghatározása során. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A kockázatmenedzsment célja, hogy a kockázatokat azonosítva előfordulási valószínűségüket minimálisra csökkentsük. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A kockázatmenedzsment célja, hogy a kockázatokat azonosítva előfordulási valószínűségüket nullára csökkentsük. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A kockázatmenedzsment lényege, hogy a megjelenő problémákat felmerülésük után a lehető legrövidebb időn belül megoldjuk. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A kockázatmenedzsment lényege, hogy az előre nem tervezett események előfordulására felkészüljünk, és ezáltal hatásukat minimálisra csökkentsük. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A kockázatmenedzsment lényege, hogy az előre nem tervezett események előfordulását teljesen megakadályozzuk, és ezáltal hatásukat nullára csökkentsük. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A kommunikációs diagramon az üzenetek sorrendjét számozással lehet megadni. (UML2) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A konfigurációkezelésre időt kell tervezni a projektben. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A konfigurációkezelésre nem kell időt tervezni a projektben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A készítendő rendszer bonyolultságát Planning Poker módszerrel becsülik, mely egy projekttervezési és követési eszköz. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A kötegelt feldolgozás (batch) az adatfolyam (pipes and filters) architektúratípushoz illeszkedik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A követelményeket a kódban is pontosan be kell tudni azonosítani. Ennek egyik módja, hogy a kódrészletekbe kommentként beírjuk a vonatkozó követelményeket. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A követelményeket össze kell tudni rendelni a design elemekkel, a kóddal és a tesztesetekkel is. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A követelménymenedzsment egyik feladata a követelmények változásának követése. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A beszállókártyát ki lehet nyomtatni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A lefoglalt repülőjegyet a rendszer 10 percig megőrzi, ezalatt a felhasználónak fizetnie kell. Ha nem fizet, a foglalás megszűnik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A rendszer 99%-os rendelkezésre állással működjön. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A rendszernek PC-n, tableten és Androidot használó okostelefonon is működnie kell. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A rendszernek maximum 1000 felhasználót kell egyszerre kezelnie. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A rendszernek titkosított csatornán kommunikálnia kell a fizetésre elfogadott bankkártyákat kibocsátó bankokkal. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A repülőjegyet Mastercard vagy Visa bankkártyával ki lehet fizetni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A repülőjegyet bankkártyával ki lehet fizetni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: A válaszidőnek mindig 10 sec alatt kell lennie. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A következő követelmény lehet egy repülőjegyeket árusító webes alkalmazás nemfunkcionális követelménye: Egyszerre maximum 5 repülőjegyet lehet foglalni ugyanarra a járatra. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A megbízhatósági követelmények nemfunkcionális követelmények. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A minőségbiztosítás a szoftverfejlesztésben a jó tesztelést jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A moderálás egy ténylegesen létező egyeztetési technika a követelmények meghatározása során. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A mérséklés, a megegyezés, a csökkentés és az elkerülés lehetséges intézkedések a kockázat elhárítására. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A napi scrum meeting zártkörű, csak a csapat és a scrum master vehet rajta részt. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A nem definiált láthatóságú attribútum publikusnak számít. (UML2) ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A polimorfizmus alkalmazásával általában csökken a leszármazott osztályok közötti csatolás (coupling). ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A polimorfizmus alkalmazásával általában csökken a leszármazott osztályokon belüli kohézió (cohesion). ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A polimorfizmus alkalmazásával általában csökken a relációban szereplő osztályok metódusainak száma. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A polimorfizmus alkalmazásával általában csökken az alternatívák (case és if szerkezetek) száma. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A posztkondíciók biztosítása a hívott metódus feladata. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A prekondíciók biztosítása a hívott metódus feladata. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A primitív típusokhoz tartozó csomagoló osztályok (wrapper classes) nem változtathatók (immutable). ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A progressziós teszt explicit módon megjelenik a CMMI modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt elején a követelmények teljes halmazát nagyon pontosan meghatározzák, ha az a vízesés modellt követi. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt elején a követelmények teljes halmazát nagyon pontosan meghatározzák. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt olyan tevékenységsorozat, amely korlátos (többek között) a készülő szoftver válaszidejére vonatkozóan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt olyan tevékenységsorozat, amely korlátos (többek között) a minőségre vonatkozóan. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt olyan tevékenységsorozat, amely nem korlátos (többek között) a minőségre vonatkozóan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt tervben a kritikus úton levő tevékenységek hossza nem változtatható meg anélkül, hogy ez a projekt teljes átfutását befolyásolná. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt tervben nem kell megemlíteni a tesztelési tevékenységeket, mert ezeket a teszt tervezők fogják leírni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt tervében a kritikus úton azok a tevékenységek foglalnak helyet, amelyeknek teljes időjátéka nem egyenlő 0-val. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektben a kritikus úton mindig a legköltségesebb tevékenységek foglalnak helyet. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektben a tesztelők külön csoportban dolgoznak, munkájuk teljesen elkülönül a programozókétól, az objektivitás megőrzése céljából. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektben csak fejlesztési tevékenységeket (mint: követelményspecifikáció, design, kódolás, tesztelés) kell megtervezni idő, költség és erőforrás szempontjából. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektben időt kell tervezni a mérések és elemzések végzésére is. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektben szigorúan követik a V-modell előírásait az életciklusra vonatkozóan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektben érdekelt felek vagy „Disznók”, vagy „Csirkék”. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektirányítási folyamatok egyik mérőszáma lehet a projekt tervezéssel eltöltött idő. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projektvezetőnek nem kell követnie a készülő kód méretét, mert ez a fejlesztők dolga. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A refaktorálás az, amikor a szoftvert úgy fejlesztjük tovább, hogy a belső viselkedés változatlan marad, de külső szerkezet megújul. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A regressziós teszt explicit módon megjelenik a CMMI modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rendszer architektúrája befolyásolja a rendszer hibatűrését, rendelkezésre állását, robusztusságát. Az alkalmazás számára választott szerkezet ezért nemfunkcionális rendszerkövetelményektől is függhet. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rendszernek 1 órán belül visszaállíthatónak kell lennie. (Webes alkalmazás nemfunkcionális követelménye) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rendszernek PC-n, tableten és Androidot használó okostelefonon is működnie kell. (Webes alkalmazás nemfunkcionális követelménye) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rendszernek a hét minden napján, 0-24 óra között működnie kell. (Webes alkalmazás nemfunkcionális követelménye) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rendszernek maximum 15000 felhasználót kell egyszerre kezelnie. (Webes alkalmazás nemfunkcionális követelménye) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rendszertervezés során alapvetően a rendszer statikus és dinamikus nézetét írjuk le. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rendszerteszt a specifikáció ellenőrzésére irányul. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rövid válaszidő minden szoftver esetében alapkövetelmény. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A rövid válaszidő nem minden szoftver esetében alapkövetelmény. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A scrum csapatban – naponta többször cserélődő – párokban programoznak. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A scrum master legfőbb feladata a csapat előtt álló nehézségek, problémák elhárítása. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A sikeres teszteseteket nem szükséges dokumentálni, ha agilisan dolgozunk. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A sprint addig tart, amíg a sprint backlogban felsorolt célkitűzéseket a csapat el nem éri. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A sprintben csak kódolás és tesztelés történik. A tervezésre a “sprint planning” során kerül sor. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A strukturális tesztelés előnye, hogy pontos méréseket tesz lehetővé a teszt lefedettséggel kapcsolatban. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A strukturális tesztelés esetében a teszteseteket a követelmények alapján hozzuk létre. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A strukturális tesztelés nem feltételezi a kód futtatását. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A strukturális teszt explicit módon megjelenik a CMMI modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szekvenciadiagramon a neg-gel jelzett dobozban (combined fragment) olyan interakciót írunk le, amely nem megengedett. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver az elkészült forráskódot jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver implementálása nem csak a kódolást jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver implementálása pontosan a kódolást jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver jó minősége pontosan a jó teszteléssel biztosítható. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver jó minősége pontosan a jó és rendszeres auditokkal biztosítható. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver magában foglalja a működéséhez szükséges eljárásokat, szabályokat. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver megjelenhet koncepciók, ügyletek vagy eljárások alakjában. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver minőségét pontosan a kód jó minősége jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftver tesztelése nem csak a kód futtatását jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverfejlesztés spirális modelljének 1. Szektorában a megoldandó feladat a fejlesztés és validálás. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverfejlesztés spirális modelljének 2. Szektorában a megoldandó feladat a kockázat elemzése. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverfejlesztés spirális modelljének 3. Szektorában a megoldandó feladat a célok kijelölés. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverfejlesztés spirális modelljének 4. Szektorában a megoldandó feladat az új fázis tervezése. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverfejlesztés vízesésmodellje szerint a fejlesztésnek eslő fázisa a követelmény. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverfejlesztésnél a Specifikáció célja &quot;a követelményeket kielégítő rendszer magas absztrakciós szintű formális leírása”. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftvermérnökök nem fogalmazhatnak meg funkcionális követelményeket egy szoftverre vonatkozóan; ez mindig a felhasználók feladata. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverspecifikálást a követelmény előzi meg. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftverspecifikálást a tervezés követi. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftvertermék minőségét nem lehet egységesen meghatározni; minőségi profilt kell kialakítani az egyes esetek sajátosságait figyelembe véve. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftvertermék tartalmazza a felhasználói adatokat. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szoftvertesztelés a hibák jelenlétét és nem a hibamentességet mutatja meg. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szálak képesek saját magukat közvetlenül waiting állapotból notify-jal felébreszteni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tanonckodás egy ténylegesen létező egyeztetési technika a követelmények meghatározása során. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tanúsítás egy ténylegesen létező egyeztetési technika a követelmények meghatározása során. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tapasztalatok elemzése az elkövetkező projektek számára az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tapasztalt szoftvertervezőnek nem kell több alternatívát megvizsgálnia egy rendszer tervezése során, mert mindig a legjobbat fogja választani. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tervezést az implementáció követi. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A teszt összefoglaló jelentésének megírása az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A teszteljárások fejlesztése az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelés a kulcsfontosságú fejlesztések után kezdődik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelés a szoftver minőségének biztosítására szolgáló egyetlen lehetséges módszer, mert csak a tesztelés teszi lehetővé minőségi jellemzők mérését. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelés egyik módszere a TDD (Test Driven Development, tesztvezérelt fejlesztés) agilis szoftverfejlesztés esetén. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelés pontosan a hibakeresést és hibajavítást jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelés pontosan a tesztek futtatását jelenti, de nem azonos a hibakereséssel. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelés során készülő dokumentumokat verziókövetésnek kell alávetni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelés statikus verifikációs technika. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A teszteléshez szükséges erőforrások meghatározása az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztelési folyamatokat leíró TMMI modell szerkezete teljesen megegyezik a CMMI modell szerkezetével. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tesztesetek kialakítása az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A teszteseteknek tartalmazniuk kell a teszt végrehajtása során kapott kimenő adatokat. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tulajdonos jó szerepkör típus szoftver átvizsgálásakor. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A tényleges és az elvárt eredmények összehasonlítása az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A use-case diagramon nem szerepelhet függőség (dependency). ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A use-case diagramon szereplő asszociációnak is van multiplicitása. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A use-case leírás és az adatfolyamábra egyenértékű. (UML2) ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A use-case leírásban szerepelhetnek az elő- és utófeltételek is. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A validáció explicit módon megjelenik a CMMI modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A validálás a követelmények ellenőrzésére irányul. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A verifikáció explicit módon megjelenik a CMMI modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A válaszidőnek mindig 2 sec alatt kell lennie. (Webes alkalmazás nemfunkcionális követelménye.) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A válaszidőre vonatkozó követelményt nemfunkcionális követelményként szoktuk kezelni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A vízesés modell és a V-modell iteratív életciklus modellek. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A vízesés modell és a V-modell szekvenciális életciklus modellek. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A wait() függvény csak olyan objektumon hívható, amelyre rászinkronizáltunk. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A “projekt terv” pontosan a tevékenységek hálódiagramját vagy sávdiagramját jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A “sprint review” eredménye a product backlog új változata. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A “tesztelési terv” pontosan a tesztesetek leírását jelenti. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „feladatok váltogatása” a szoftverfejlesztésben a Hét Pazarlás egyike. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „felesleges funkciók” a szoftverben a Hét Pazarlás egyike. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „félig kész munka” a szoftverben a Hét Pazarlás egyike. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „félig kész munka” a szoftverfejlesztésben a Hét Pazarlás egyike. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „féregirtó paradoxon” egy tesztelési technika, amely szerint a teszteseteket rendszeresen felül kell vizsgálni és módosítani kell. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „féregírtó paradoxon” a „Hét Pazarlás” egyike. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „megvalósult érték számítás” segít előrejelezni, hogy mi várható a projekt következő szakaszaiban. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A „tesztvezérelt fejlesztés” során cél, hogy minden funkcióra már az implementálása előtt elkészüljenek a tesztesetek. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Abstract osztálynak lehet final metódusa. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis fejlesztés esetében semmit sem kell dokumentálni, lényeg, hogy a kód legyen minél előbb kész. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis környezetben a készülő kód méretét lehet Cosmic módszerrel becsülni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis környezetben a készülő kód méretét nem lehet becsülni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis környezetben a készülő kód méretét nem lehet mérni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis környezetben a kódot nem kell kommentezni, mert a refaktorálás során úgyis változni fog. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis környezetben minden projektben szigorúan követik a V-modell előírásait az életciklusra vonatkozóan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis munkavégzésben a projektet indító szervezet Lean filozófiát alkalmaz. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis munkavégzésben a projektvezetői szerepkört a „Scrum master” látja el. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis projektben Burn Down Chart-tal lehet a projekt előrehaladását követni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis projektben a követelményeket a kódban nem kell tudni beazonosítani, mert a követelmények gyakran változnak. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis projektekben a követelményeket User Story / Story Point formájában szokás dokumentálni, és annak szerves része is. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis projektekben a tesztelést nem kell megtervezni, mert a tesztelők tapasztalat alapján gyorsabban le tudják futtatni a teszteket. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilis szoftverfejlesztésnél előfordulhat, hogy a projektben az érdekelt felek többféle szerepet is betölthetnek (pl. Tesztelő és fejlesztő lehet ugyanaz a személy). ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilisan dolgozó cégnél a CMMI nem alkalmazható. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Agilisan dolgozó cégnél nem kell a becsléseket dokumentálni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Amikor egy szál véget ér, a szálat reprezentáló objektum bármely metódusának meghívása kivételdobást eredményez. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az EF (Experience Factory) a QIP (Quality Improvement Paradigm) egyik eszköze. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az Extreme Programming szerinti életciklusban a User Story központi helyen van. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az Extreme Programming szerinti életciklusban a User Story-val nem kell foglalkozni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az IREB (International Requirements Engineering Board) szerint a követelmények modellezésének hármas csoportosítása: adat, viselkedés, funkcionalitás. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 15504 alapú audit a szoftverfejlesztő cég szoftvertermékeit vizsgálja. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 25000 szabványcsalád a szoftvertermék minőségével foglalkozik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 9001 alapú audit a kód minőségét vizsgálja. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 9001 alapú audit a szoftverfejlesztő cég folyamatait vizsgálja. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 9001 szabvány előírja, hogy a cégnek regressziós tesztelést kell végeznie. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 9001 szabvány kiemelten foglalkozik a cégnél végzett mérésekkel és elemzésekkel. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 9001 szabvány és a CMMI modell együttesen is alkalmazható egy szoftvercégnél. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO 9001 szabvány és a TMMI modell együttesen is alkalmazható egy agilisan működő szoftvercégnél. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ISO/IEC 12207 szabvány semmilyen életciklus modellt nem ír le. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az UML2 szabvány definiálja a RUP (Rational Unified Process) fejlesztési módszertant is. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az adott helyzetben legmegfelelőbb tesztelési technikák kiválasztása az alapvető tesztelési folyamat „Végrehajtás” fázisába tartozik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az agilis projektekben nem kell időt fordítani arra, hogy megértsük és elemezzük, mi a siker vagy kudarc oka. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az aktivitás diagramon szereplő úszósávokat a konkurencia leírására használják. (UML2) ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az aktor és a use-case is classifier (osztályszerű). ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az asszociáció, a kompozíció, a függőség és a specializáció közül a specializáció a leggyengébb. (UML2) ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az egyenrangú szemle (Peer review) az egyetlen (statikus) tesztelési technika, amelyet a CMMI modell név szerint említ a VER (Verifikáció) folyamat sajátos céljaként. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az egyetlen agilis projekt menedzsment eszköz a Scrum. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ekvivalencia osztály alapú tesztelés jellemzője, hogy független változókat feltételez. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ekvivalencia osztály alapú tesztelés segítségével szeretnénk biztosítani, hogy a tesztelésünk „teljes”. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ekvivalencia osztály alapú tesztelés segítségével szeretnénk elkerülni a redundáns adatokkal való tesztelést. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az elnök jó szerepkör típus szoftver átvizsgálásakor. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az implementáció a kódoláson kívül egyéb elemeket is tartalmaz, például a műszaki dokumentáció elkészítését és a változásmenedzsmentet. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az inspekció a leghatásosabb az összes szemle között, viszont költséges és nehéz a bevezetése. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az iteratív és inkrementális fejlesztések egyik előnye, hogy a felhasználói visszajelzések viszonylag korán megjelennek a fejlesztési folyamatban. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az iteratív és inkrementális fejlesztések hátránya, hogy a felhasználói visszajelzések későn jelennek meg a fejlesztési folyamatban. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az objektum diagramon szereplő “link”-nek nincs multiplicitása. (UML2) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az Önt alkalmazó cég műszaki igazgatója azt a feladatot adta Önnek, hogy irányítsa egy idősek számára készülő, kulturális híreket megjelenítő rendszer tervezését. Az adatokat a hasonló, mobil platformokon futó alkalmazásukból vegye át. Elmondja még, hogy vegye figyelembe az időskorúak gyenge látását, lassú reakcióidejét és azt, hogy a kezük gyakran nem tudja pontosan végezni a finom mozgásokat. Milyen alapelveket kell Önnek alkalmaznia a GUI tervezés során? ==<br /> {{kvízkérdés|típus=több|válasz=2,5|pontozás=-}}<br /> # A rövid válaszidőt.<br /> # A könnyű tanulhatóságot.<br /> # Demeter törvényét az architektúra tervezésekor.<br /> # Kohéziót elvét az objektumok meghatározásakor.<br /> # A felhasználói sokféleséget.<br /> # Az adatvesztés minimalizálását.<br /> <br /> == Az öröklés alkalmazásával általában csökken a forráskódban az alternatívák (case és if szerkezetek) száma. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az útvonal alapú tesztelés a kód belső szerkezetén (white box) alapul. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az „elkerülés”, „csökkentés”, „kompenzálás” és „megegyezés” olyan lehetséges intézkedések, amelyekkel a kockázat nullára csökkenthető egy projektben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az, hogy a szabványos folyamatokat dokumentáltak, a CMMI modellben legkorábban a 3-as érettségi szintre jellemző. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Azért, hogy a csapattagok koncentrálni tudjanak szakmai feladataikra, csak maximum havi 1 projektmegbeszélést tartanak. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Béta-teszt megjelenik explicit módon a V-modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Catch blokkjában lehet újonnan létrehozott kivételt dobni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Csak kéthetente tartanak projekt megbeszéléseket, hogy a fejlesztők munkáját ne szakítsák meg. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy cég alkalmazhatja együttesen a CMMI modellt és a TMMI (Test Maturity Model Integration) modellt. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy cég alkalmazhatja együttesen az Automotive SPICE modellt és a GQM paradigmát. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy interfészben csak operációk deklarálhatóak, attribútumok nem. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy metódust el lehet látni egyszerre abstract és final módosítóval is. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy objektum notifyAll() metódusának meghívásakor a végrehajtó szál kilép az objektum monitorából. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy objektum referenciáját tartalmazó változón csak olyan metódus hívható meg, amilyen a változó statikus típusában is szerepel. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy objektum wait() metódusának meghívásakor a végrehajtó szálnak nem kell az objektum monitorában tartózkodnia. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy osztály lehet akkor is absztrakt, ha nincs absztrakt metódusa. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy osztály refaktorálása során módosulhat a metódusai paraméterlistája. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy osztálynak több egymástól független ősosztálya is lehet. (UML2) ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt hálódiagramjában a kritikus úton azok a tevékenységek helyezkednek el, amelyeknek teljes időjátéka nem 0. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a kódminőséget a refaktorálás (refactoring) tevékenység hivatott növelni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a projekt elején van egy két hónapos időszak, amikor a felhasználói követelményeket nagyon pontosan dokumentálják. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a projekt előrehaladását a Kanban Boardról készült fotókkal dokumentálják, mely egy projekttervezési és követési eszköz. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a projekt előrehaladását a falra ragasztott cédulákkal követik, és az ezekről készült fotókkal dokumentálják. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a projektben az érdekelt felek többféle szerepet is betölthetnek (pl. Tesztelő és fejlesztő lehet ugyanaz a személy). ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a projektben szigorúan követik a RUP (Rational Unified Process) előírásait az életciklusra vonatkozóan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a projektben szigorúan követik a V-modell előírásait az életciklusra vonatkozóan. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a projektben érdekelt felek vagy „Disznók”, vagy „Csirkék”. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha a „szoftvertervezés” (mint műszaki, mérnöki munka) és a „projekttervezés” (mint menedzsment feladat) élesen elkülönül egymástól. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha előfordul, hogy a teszteseteket hamarabb írják meg, mint a kódot. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy projekt lehet agilis, ha naponta tartanak rövid megbeszélést a projekt előrehaladásáról. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy tevékenység teljes időjátéka az adott tevékenység legkésőbbi kezdésének és legkorábbi kezdésének különbségeként számolható ki. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy változó dinamikus típusa nem lehet absztrakt osztály. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Egy állapotdiagramnak (state chart) csak akkor lehet két vagy több végállapota, ha a modelben párhuzamos régiók vannak. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Előfordul, hogy naponta akár több build is készül. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Előfordulhat, hogy két szál (T1 és T2) ugyanazon objektum ugyanazon synchronized metódusát futtatva T1 T2 sorrendben lép be, de T2 T1 sorrendben lép ki. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Fehér doboz tesztelési technikát agilis fejlesztés esetében nem lehet alkalmazni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Final metódus nem módosíthatja az attribútumok értékét. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Final metódusban használható a this változó. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Folyamatos integráció (Continuous integration) történik, ehhez automatizált eszközkészletet használnak. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Garvin ötféle szoftverminőségi definíciója között van termék alapú és folyamat alapú definíció is. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Generikus osztály példányosításakor lehet másik generikus osztály a paraméter. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha CMMI modellt alkalmazunk, a cég érettségi szintjét és a folyamatok képességi szintjét is vizsgálnunk kell. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha SPICE modellt alkalmazunk, a szoftverfejlesztési projektekben nem kell időt fordítani arra, hogy a kockázatokat azonosítsuk, mert ezzel a modell egy külön folyamata foglalkozik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha SPICE modellt alkalmazunk, nekünk kell kiválasztani, hogy mely folyamatok képességi szintjét szeretnénk fejleszteni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha Scrum-ot alkalmazunk, a kód méretét COSMIC módszerrel lehet becsülni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha Scrum-ot alkalmazunk, kötelező COSMIC módszerrel funkciópont-számolást végezni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha Scrumot alkalmazunk, a kód méretét kötelezően IFPUG módszerrel kell mérni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha Scrumot alkalmazunk, nem lehet kritikus utat számolni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha egy szál véget ért, akkor start() metódushívással újraindítható. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Ha van két szálunk, akkor a join metódusaikat tetszőleges sorrendben meghívhatjuk. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Határérték tesztelés esetében a teszteseteket a kód belső szerkezete alapján hozzuk létre. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Integrációs teszt megjelenik explicit módon a V-modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Kommunikációs diagramon nem ábrázolható a párhuzamosság. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Konfigurációs elemeket nem csak a kód esetében, hanem a szoftverfejlesztés során végrehajtott összes tevékenység munkatermékeinek esetében azonosítani kell. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Konfigurációs elemeket nemcsak a kódra, hanem a szoftverfejlesztési projekt során készülő összes munkatermékre azonosítani kell. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Konstruktornak nem lehet láthatósága. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Késedelmes sprint esetén a csapatot új emberekkel bővítik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Késedelmes sprint esetén a csapatot új emberekkel bővítik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Két interfész csak akkor valósítható meg egy osztályban, ha az interfészeknek nincsen közös metódusa. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Lehet olyan private tag, aminek többször is lehet értéket adni. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Milyen elemek lehetnek egy adatfolyamábrán, beleértve a (context) diagramot is? ==<br /> {{kvízkérdés|típus=több|válasz=1,2,3,4|pontozás=-}}<br /> # Terminátor<br /> # Procesz<br /> # Adatfolyam<br /> # Adattár<br /> <br /> == Más jelszavát csak rendszergazda jogosultságú felhasználó tudja megváltoztatni. (Webes alkalmazás nemfunkcionális követelménye) ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Nem a validációs tesztelés célja megmutatni, hogy a szoftver megfelel a követelményeinek, vagy ez az, amit a vásárló szeretne. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Primitív típus is lehet generikus osztály template-paramétere. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Primitív típus tömbje is a primitív típusok közé számít. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Private tag nem szerializálódik. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Privát metódust csak privát metódusból lehet hívni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Sprint közben folytonosan követik a felhasználó igényeinek változását. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Statikus metódus nem dobhat kivételt. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Statikus metódusban használható a this változó. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Statikus tag nem szerializálódik. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Strukturális tesztelés esetében a teszteseteket a kód belső szerkezete alapján hozzuk létre. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Subversionben update-kor változhat a munkapéldány. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Subversionben update-kor változhat a repository. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Synchronized módosítójú metódusban nem lehet wait() metódust hívni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Szerializálás körkörös hivatkozású adatszerkezeten (pl. Gyűrű) kivételt dob. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Szoftverfejlesztésnél az architekturális tervezéskor a rendszer fő komponenseinek azonosítását és a közöttük fennálló együttműködéseket definiáljuk. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Unit teszt megjelenik explicit módon a V-modellben. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Általában a szoftverfejlesztési életciklusban először a statikus tesztelés, majd a strukturális tesztelés, végül a funkcionális tesztelés technikái jutnak szerephez. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Öröklés során a leszármazott invariánsai mindig megegyeznek az ős invariánsaival. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Öröklés során a leszármazottakban a prekondíciók gyengülhetnek az őséhez képest. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az ekvivalencia particionális fehérdoboz tesztelési technika. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A Konfigurációmenedzsment (CM) folyamat a CMMI modell 2-es érettségi szintjén jelenik meg (ML2). ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A projekt tervében a kritikus úton azok a tevékenységek foglalnak helyet, amelyeknek teljes időjátéka = 0. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A SPICE modell lépcsős folyamatfejlesztési modell. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A szekvenciális életciklus modelll szerint minden fejlesztési fázis az előző fázis eredményeire alapul; a fázisok időben egymás után következnek. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Nemfunkcionális követelményeket a CMMI 2-es érettségi szintjén levő cégnél nem lehet meghatározni. ==<br /> {{kvízkérdés|típus=egy|válasz=2|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == Az útvonal alapú tesztelés és az adatfolyam alapú tesztelés a strukturális tesztelés két alapvető megközelítése. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> <br /> == A feketedoboz tesztelés a függyvényelmélet elemeit használja. ==<br /> {{kvízkérdés|típus=egy|válasz=1|pontozás=-}}<br /> # Igaz<br /> # Hamis<br /> ----<br /> {{Vissza|Szoftvertechnológia}}</div>

Sweidán Omár https://vik.wiki/index.php?title=Szoftvertechnol%C3%B3gia_(r%C3%A9gi)&diff=201654 2022-02-10T13:34:05Z

<p>Sweidán Omár: /* DTD */ Halott link javítása</p> <hr /> <div>{{Tantárgy<br /> |nev=Szoftvertechnológia<br /> |tárgykód=VIIIAB01<br /> |régitárgykód=VIIIA217<br /> |kredit=4<br /> |felev=3<br /> |kereszt=nincs<br /> |tanszék= IIT<br /> |nagyzh= nincs<br /> |kiszh= nincs<br /> |vizsga= írásbeli<br /> |hf=1 db<br /> |szak=info|tad=https://www.vik.bme.hu/kepzes/targyak/VIIIAB01/<br /> |targyhonlap=https://www.iit.bme.hu/oktatas/tanszeki_targyak/BMEVIIIAB01<br /> |levlista=szofttechATsch.bme.hu<br /> |facebook = https://www.facebook.com/groups/187015754977649/<br /> }}<br /> <br /> A tárgy anyaga 2015-től tiszta elmélet, a Javás részek átkerültek a [[A programozás alapjai 3]] tárgyba. &lt;br&gt;<br /> [[Tantárgynevek rövidítései levlistás levelek tárgyához|Ajánlott rövidítés]]: &quot;szofttech&quot; &lt;br&gt;<br /> <br /> <br /> == Követelmények ==<br /> <br /> === Előtanulmányi rend ===<br /> <br /> * [[A_programozás_alapjai_II. | A programozás alapjai 2.]] tárgyból kredit megszerzése szükséges a tárgy felvételéhez.<br /> <br /> === A szorgalmi időszakban ===<br /> <br /> * Felváltva van heti két előadás (páros héten 2, páratlan héten 1), nincs kötelező jelenléti ív.<br /> * Az '''aláírás''' feltétele:<br /> ** Egy nagy feladat (mindenkinek ugyanaz) UML modelljét kell elkészíteni és rögzíteni a megadott template szerint. Teljesíteni kell az összes elvárást, amely meg van adva, és kerülni a halálfejes hibákat. Max 1 halálfejes hibád lehet a teljes háziban. Egy nagyjából 15-20 oldalas dokumentációt kell készítened, és azt PDF formában beadni. (Leírások a program elméleti részéből, képek lementve a WhiteStarUML programból.)<br /> * '''Pótlási lehetőségek:'''<br /> ** A házi feladat egyszer pótolható a szorgalmi időszakban, különeljárási díjat nem kell fizetni érteni, viszont póthéten már nem pótolható.<br /> * '''Megajánlott jegy:''' nincs.<br /> <br /> === A vizsgaidőszakban ===<br /> <br /> * '''Elővizsga:''' nincs.<br /> * '''Vizsga:''' írásbeli, amely két részből áll. Az első (beugró) részben 24, a másodikban 26 pont szerezhető. A vizsga első 30 percében kell megírni a beugrót, majd azt beszedik és utána lehet folytatni a vizsgát. A vizsga sikeres, ha a beugró 24 pontjából min. 14 megvan (~58%), valamint a vizsga összpontszáma eléri a 21 pontot (42%).<br /> ** Előfeltétele: az aláírás megléte.<br /> <br /> === Félévvégi jegy ===<br /> <br /> * A házi feladat eredménye nem számít bele a a félévvégi jegybe, azt tisztán a vizsgaeredményre kapod.<br /> * Ponthatárok:<br /> :{| class=&quot;wikitable&quot; style=&quot;text-align: center; width: 110px; height: 40px;&quot;<br /> !Pont!!Jegy<br /> |-<br /> |0 - 20|| 1<br /> |-<br /> |21 - 27|| 2<br /> |-<br /> |28 - 34|| 3<br /> |-<br /> |35 - 41|| 4<br /> |-<br /> |42 - || 5<br /> |}<br /> <br /> == Segédanyagok ==<br /> <br /> <br /> <br /> === Jegyzet ===<br /> * [[Media:SzofttechJegyzet8_jav.pdf | Szofttech Jegyzet 2011]] Nem hivatalos jegyzet + feladatok megoldással, előfordulnak benne hibák/elírások<br /> ** ''[[Szerkesztő:Ferrero| A készítő elérhetősége]]''<br /> * Dropbox-os link, hogy mindig elérhető legyen a legfrissebb változat: [http://www.fos.hu/8wm Ultrabrutál Jegyzet by Kris 2015]<br /> ** ''Aki átment ennek a jegyzetnek a segítségével, hívjon meg egy sörre gondolatban.''<br /> * [https://goo.gl/Z06Fx1 Mindmap a diákban található rövidítésekből] - by Nagy Péter<br /> * [[Media:Tomor_szofttech_2020.PDF | Tömör szofttech összefoglaló - 2020]]<br /> <br /> === Könyv ===<br /> <br /> ==== Főbb könyvek ====<br /> * Kondorosi, László, Szirmay-Kalos: [[Media:szofttech_objektumorientaltszoftverfejlesztes_konyv.pdf|Objektum orientált szoftver fejlesztés]], ComputerBooks, Bp., 1997 , Kempelen Farkas Digitális Tankönyvtár<br /> * Sommerville, I. – Szoftver rendszerek fejlesztése 2. bővített kiadás, Panem Kiadó, Debrecen, 2007. <br /> * '''Harald Störrle: UML 2, Panem Kiadó, Budapest, 2007''' <br /> ** Az UML 2 szabvány van benne. Egy esettanulmányt vezet végig a könyvön és az '''összes''' diagramtípust részletesen kivesézi. A mély megértéshez nagy segítség.<br /> * '''Java 2 - Útikalauz programozóknak 5.0, ISBN 9630640923, Kiadó:ELTE TTK Hallgatói Alapítvány'''<br /> * Használtan nehezen beszerezhető, ki kell fogni. A korábbi verziója (ami a közkedvelt illegaláis helyeken is megtalálhatók) egyáltalán nem váltja ki. Szájbarágós, ezért hosszú, DE ebből BÁRKI megérti! (Aki meg pro, az az olyan részekkel úgyis gyorsan halad.) A honlapon (stuser) be vannak hivatkozva a könyv szükséges fejezetei.<br /> <br /> ==== Egyéb könyvek ====<br /> * Sommerville, I. - Software Engineering 8th ed., Pearson Education Ltd, 2007, http://www.cs.st-andrews.ac.uk/%7Eifs/index.html <br /> * Booch, G., Rumbaugh, J., Jacobson, I.: The Unified Modeling Language User Guide, Addison-Wesley, 1999. <br /> * Roger s. Pressman: Software Engineering, A Practitioner's Approach, 6th ed, McGraw-Hill, 2006 <br /> * UML 2.1.1 Superstructure Specification &amp; Infrastructure Specification, http://www.omg.org/technology/documents/modeling_spec_catalog.htm#UML<br /> <br /> === Hasznos publikációk ===<br /> * [http://www.ibm.com/developerworks/rational/library/content/03July/1000/1251/1251_bestpractices_TP026B.pdf Rational Unified Process] - minden, amit a RUP-ról tudni lehet (workflow-k, fázisok)<br /> <br /> === Videó ===<br /> * 2010 őszén az EHK felvette a tárgy előadásait, akkor még nem volt Java a tananyagban, illetve azóta megváltozott a tárgy szoftvertechnológiai része is, a videók NEM fedik le teljes mértékben az anyagot!<br /> * A 2010-es videókhoz készült [[Media:szofttech_video_jegyzet_timestamps_v1.pdf|Videó-jegyzet]] időbélyegzőkkel. Segítségével könnyű megkeresni adott anyagot a videókban.<br /> * 2012 őszén a [http://videotorium.hu/hu/search/all?q=Szoftvertechnol%C3%B3gia+Java+gyakorlat Java-előadásokat] is felvették.<br /> * '''[[Szoftvertechnológia - Videójegyzet]]''' - a pdf Wiki-aloldallá alakított változata. --[[Szerkesztő:Harapeti|Haraszin Péter]] ([[Szerkesztővita:Harapeti|vita]]) 2013. június 9., 17:20 (UTC)<br /> * [http://bme.videotorium.hu/hu/channels/details/902,Szoftvertechnologia A videók itt megnézhetőek, innen letölthetőek]<br /> <br /> === Gyakorlati feladatok ===<br /> * Algebrai axiómák: [[:Media:szofttech_jegyzet_algebrai_axioma_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_algebrai_axioma_mo.pdf | Megoldások]]<br /> * Activity diagram:[[:Media:szofttech_jegyzet_activity_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_activity_diagram_mo.pdf | Megoldások]]<br /> * Állapot diagram: [[:Media:szofttech_jegyzet_UML_allapotdiagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_allapotdiagram_mo.pdf | Megoldások]]<br /> * Class Diagram: [[:Media:szofttech_jegyzet_class_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_class_diagram_mo.pdf | Megoldások]]<br /> * DTD, ELH, XML, szintakszis gráf, állapotgráf/tábla: [[:Media:DTD_XML_ELH_fs.pdf | Feladatsor]] és [[:Media:DTD_XML_ELH_mo.pdf | Megoldások]]<br /> * ERD: [[:Media:szofttech_jegyzet_ERD_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_ERD_mo.pdf | Megoldások]]<br /> * Kommunikációs diagram: [[:Media:szofttech_jegyzet_Komm_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Komm_diagram_mo.pdf | Megoldások]]<br /> * Komponens diagram: [[:Media:szofttech_jegyzet_komponens_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_komponens_diagram_mo.pdf | Megoldások]]<br /> * Szekvencia diagram: [[:Media:szofttech_jegyzet_UML_szekvenciadiagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_szekvenciadiagram_mo.pdf | Megoldások]]<br /> * Timing diagram: [[:Media:szofttech_jegyzet_timing_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_timing_diagram_mo.pdf | Megoldások]]<br /> * UML ABCDE-s class diagram: [[:Media:szofttech_jegyzet_UML_classdiagram_ABCDE_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_classdiagram_ABCDE_mo.pdf | Megoldások]]<br /> * Use-case diagram: [[:Media:szofttech_jegyzet_UML_usecasediagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_usecasediagram_mo.pdf | Megoldások]]<br /> <br /> === Elméleti feladatok ===<br /> * Agilis: [[:Media:szofttech_jegyzet_agilis_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_agilis_mo.pdf | Megoldások]]<br /> * Config. menedzsment: [[:Media:szofttech_jegyzet_CM_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_CM_mo.pdf | Megoldások]]<br /> * Design: [[:Media:szofttech_jegyzet_Design_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Design_mo.pdf | Megoldások]]<br /> * Java: [[:Media:szofttech_jegyzet_java_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_java_mo.pdf | Megoldások]]<br /> * Project menedzsment: [[:Media:szofttech_jegyzet_Proj_man_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Proj_man_mo.pdf | Megoldások]]<br /> * RUP: [[:Media:szofttech_jegyzet_RUP_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_RUP_mo.pdf | Megoldások]]<br /> * Software architecture: [[:Media:szofttech_jegyzet_SW_arch_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_SW_arch_mo.pdf | Megoldások]]<br /> * Software process: [[:Media:szofttech_jegyzet_SW_process_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_SW_process_mo.pdf | Megoldások]]<br /> * Specification: [[:Media:szofttech_jegyzet_Specification_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Specification_mo.pdf | Megoldások]]<br /> * Technology: [[:Media:szofttech_jegyzet_technology_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_technology_mo.pdf | Megoldások]]<br /> * UML: [[:Media:szofttech_jegyzet_UML_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_mo.pdf | Megoldások]]<br /> * Verification and validation: [[:Media:szofttech_jegyzet_V_V_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_V_V_mo.pdf | Megoldások]]<br /> <br /> === Egyéb segédanyagok ===<br /> <br /> ==== Java ====<br /> * [https://docs.google.com/document/d/1wfXi3eqx_KPbbc2LHxP5_dqQ75gaZou6gEknFETEdck/edit '''Közösen szerkeszthető''' Google-doksi] - nem hibátlan, egészítsd és javítsd ki Te is!<br /> * [https://sites.google.com/site/czirjakzoltan91/programozas/java Czirják Zoltán Java-anyagai]<br /> * [http://docs.oracle.com/javase/tutorial/java/generics/bounded.html Bounded Type Parameters] - Oracle Java tutorial kötött dzsókerekröl<br /> * [http://docs.oracle.com/javase/tutorial/java/nutsandbolts/_keywords.html Java Language Keywords] - Oracle Java tutorial a kulcsszavakról (pl. delete nincs benne, tehát használható változónévként)<br /> * [http://docs.oracle.com/javase/tutorial/java/javaOO/accesscontrol.html Controlling Access to Members of a Class] - Oracle Java tutorial<br /> * [[Szofttech_Java_igaz-hamis | '''Kikérdező''']] - igaz-hamis kérdések tesztje Java témakörből, 2000. december 19. és 2014. január 21. közötti összes vizsga átnézve, minden igaz-hamis beválogatva; az A-B-C-D-E jellegű Java kérdések tagmondatai is benne vannak, csak igaz/hamis válaszlehetőségekkel<br /> * [[:Media:JavaIntro_v3.pdf | '''Java összefoglaló''']] - AUT tanszékről, Android alapú szoftverfejlesztés c. tárgy Java gyorstalpalója<br /> <br /> ==== Órai jegyzet ====<br /> * [[Media:Szofttech_elekescsaba_szofttech_oraijegyzet_2008.pdf|Elekes Csaba órai jegyzete]] - 2008-as előadáson kézzel írt jegyzet<br /> <br /> ==== UML ====<br /> * UML quick reference (angolul): [https://holub.com/uml/ Allen Holub's UML Quick Reference]<br /> * [[Media:Szofttech_UML_diagramok.pdf|Szofttech UML diagramok]] - diagramok magyarul<br /> * [[Media:szofttech_diplomamunkaUML2.pdf|UML2 diplomamunka]] - Az UML eszközeinek bemutatása egy komplex rendszer tervezésén keresztül.<br /> * [http://www.visual-paradigm.com/VPGallery/diagrams/Class.html az UML2 specifikációból kigyűjtve nagyon jó UML diagram magyarázatok (angolul)]<br /> * [http://www.zicomi.com/viewDictionaryHome.jsp UML2 Diagramok - interaktív gyakorló példák]: deepHistory, shallowHistory, mindenféle példa magyarázattal! (angolul)<br /> * [[Media:szofttech_PhDreport_UML.pdf|PhDreport_UML.pdf]] - UML PhD Project Report a Carnegie oldaláról<br /> * [[Media:szofttech_uml_diagramok_tananyagfejlesztes.pdf|uml_diagramok_tananyagfejlesztes.pdf]] - UML diagramok a [http://tananyagfejlesztes.mik.uni-pannon.hu/index.php?option=com_content&amp;view=article&amp;id=58&amp;Itemid=71 Tananyagfejlesztés portálról]<br /> <br /> ==== DTD ====<br /> * [https://www.w3schools.com/xml/xml_dtd_intro.asp DTD tutorial 1 @ W3Schools]<br /> * [http://www.zvon.org/xxl/DTDTutorial/Output_hun/example1.html DTD tutorial 2 @ ZVON.org]<br /> <br /> ==== ELH ====<br /> *[https://youtu.be/cA0v8uyZV3A ELH explained 1(video)]<br /> *[https://youtu.be/KhWMEWqiXAU ELH explained 2(video)]<br /> <br /> ==== JSD, JSP ====<br /> * [[JspSegitseg | JSP röviden]]<br /> <br /> ==== XML ====<br /> * [http://www.w3schools.com/xml/default.asp W3Schools XML tutorial] (figyelem: http://www.w3fools.com/)<br /> * [https://developer.mozilla.org/en-US/docs/XML_Introduction MDN - XML Introduction]<br /> * [http://www.w3.org/XML/ Extensible Markup Language (XML) @ W3.org]<br /> * [http://alistapart.com/d/usingxml/xml_uses_a.html XML Example @ A List Apart]<br /> * [http://alistapart.com/article/usingxml Using XML @ A List Apart]<br /> <br /> ==== Algebrai axiómák ====<br /> * [[Media:szofttech_algebrai_axiomak.pdf|Algebrai axiómák hasznos segédlet]]<br /> <br /> ==== Tesztelés ====<br /> * [[Media:szofttech_teszteles_segedlet_veszprem.pdf|Tesztelés segédlet]] - tesztelés rész segédlet, Veszprémi Egyetem<br /> <br /> ==== Agilis szoftverfejlesztés ====<br /> * [http://hu.wikipedia.org/wiki/Scrum Scrum (Wikipédia)]<br /> ==== Egyéb ====<br /> * [[Media:szofttech_szoftverkarbantartas_tananyagfejlesztes.pdf|szoftverkarbantartas_tananyagfejlesztes.pdf]] - Szoftverkarbantartás a [http://tananyagfejlesztes.mik.uni-pannon.hu/index.php?option=com_content&amp;view=article&amp;id=58&amp;Itemid=71 Tananyagfejlesztés portálról]<br /> <br /> {{Rejtett<br /> |mutatott='''Régi anyagok'''<br /> |szöveg=<br /> * A régi anyagok (pl.: Progtechnológia) teljesen más tematikát követtek, de nem érdemes kitörölni őket, mert találhatunk bennük értékes információkat.<br /> <br /> * [[Media:Szofttech_magyarJegyzet_1.pdf|Szofttech_magyarJegyzet_1.pdf]]<br /> * [[Media:Szofttech_magyarJegyzet_2.pdf|Szofttech_magyarJegyzet_2.pdf]]<br /> * [[Media:szofttechfogalmak.pdf|szofttechfogalmak.pdf]] - Elméleti vizsgakérdések, válaszokkal<br /> * [[Media:szofttech_elmelet2006-2008.pdf|szofttech_elmelet2006-2008.pdf]]]<br /> * [[Media:szofttech_pt_biblia_1.pdf|szofttech_pt_biblia_1.pdf]] - Kézzel írt jegyzet<br /> * [[Media:szofttech_pt_biblia_2.pdf|szofttech_pt_biblia_2.pdf]] - Kézzel írt jegyzet digitalizálva<br /> }}<br /> <br /> ===Nemhivatalos konzultációk===<br /> <br /> * [[SzoftTechKonzi|Cassus féle szoftvertechnológia konzultáció 2009. jan. 12]]<br /> <br /> == Házi ==<br /> * A [https://www.iit.bme.hu/oktatas/tanszeki_targyak/BMEVIIIAB01 tárgyhonlapról] lehet letölteni a házi feladat template-et, illetve két mintamegoldást. A feladat egy program tervezése követelmények definiálásával, use-case-, osztály-, szekvencia- és állapotdiagrammal. A házi feladatra külön jegy nem jár, csak go-no go eredmény, amely egyben az aláírást is jelenti. A pótlási időszakban a házi feladat pótolható, de ekkor egy hónap helyett csak néhány napot (max kb. 1 hetet) kapunk. A házi feladatot a tárgyhonlapon írt időpontig kell feltölteni a [https://jporta.iit.bme.hu/ JPortára].<br /> <br /> * '''A házi elsődlegesen azt kéri számon, képes vagy-e egy feladatot a tanult ''objektumorientált'' tervezési elvek szerint megtervezni, majd ezt a tanult jelölésrendszerrel egy dokumentumba leírni.''' Különösen vigyázz a következőkre:<br /> * '''Ne egy darab nagyon okos osztály (God Object) irányítson sok butát, amik csak adatot tárolnak.''' Oszd meg az osztályok közt a felelősségeket.<br /> ** ''„Ne az legyen, hogy az ágy hívja be a fiút és a lányt a szobába, és ő izélteti meg őket... Sokkal jobb, ha egymással csinálják.”''<br /> * '''''Soha'' ne kérdezgesd egy objektumtól, hogy ő éppen milyen típusú,''' pl. &lt;code&gt;instanceof&lt;/code&gt;, &lt;code&gt;getType()&lt;/code&gt;, &lt;code&gt;isValami()&lt;/code&gt;, &lt;code&gt;hasValami()&lt;/code&gt;, &lt;code&gt;canDoValami()&lt;/code&gt;... Használj öröklést, heterogén kollekciót, virtuális metódusokat.<br /> * '''A dokumentum legyen önmagával konzisztens.''' Azaz többek közt:<br /> ** Ha egy metódus megjelenik egy szekvenciadiagramon, legyen ott az osztálydiagramon is.<br /> ** Ugyanez fordítva: lehetőleg minden metódus szerepeljen egy szekvenciadiagramon is.<br /> ** A Use-case diagram minden use-case-éhez legyen táblázat is<br /> ** Az osztálydiagram minden osztályához, metódusához és attribútumához legyen leírás is.<br /> * '''Kerüld az UML-ben a szintaktikai hibákat.''' (öröklés, kompozíció nyíl iránya, dolgok megfelelő jelölése, stb.)<br /> <br /> === Korábbi évek házijai ===<br /> * 2015 - Saját feladat kitalálása, megvalósítása<br /> * 2015 pót - Izidor karácsonya<br /> * 2016 - Logisztikai cég (teherautó,futószalag, váltók, csomagok...)<br /> * 2016 pót - [?]<br /> * 2017 - Bankrabló autós üldözés<br /> * 2017 pót - Vasúti terepasztal<br /> * 2018 - Logisztikai cég (futószalag-rendszer, teherautó...)<br /> * 2018 pót - Jégkorszak<br /> <br /> {{Rejtett<br /> |mutatott='''Házi felépítése a régi tanrendben'''<br /> |szöveg=<br /> <br /> * 8 darab, tipikus szoftvertechnológia feladat vagy elméleti kérdés (olyan feladatok melyek vizsgákban szoktak szerepelni), tehát az AllInOne PDF sokat segít hasonló feladatok keresésében<br /> * minden egyes feladatra külön-külön a pontok 50%-ának megszerzése.<br /> <br /> A feladatlapot kinyomtatva, kitöltve és összetűzve kell leadni az emailben említett helyen (IIT adminisztráció), az emailben említett határidőig, ami általában november vége.<br /> }}<br /> <br /> == Vizsga ==<br /> <br /> === Vizsgakérdések ===<br /> * [[Szoftvertechnológia - Lehetséges vizsgakérdések]] - szerkesszétek bátran! (korábbi [https://docs.google.com/document/d/1y6989PPel8nhjoPSYU3ztUS4poe0XC23kAQigjBVcQ4/edit?usp=sharing Google Docs-segédlet Wikis változata])<br /> * [https://docs.google.com/document/d/1UcrKOjgA3vN9S4SD3uF_I6EjGssRkgN7ofhonbmohTM/edit?usp=sharing| Diagramok kigyűjtve a diákból] - szerkesszétek bátran!<br /> * [[Szoftvertechnológia - Igaz/Hamis]] - a tárgyhonlapon lévő kérdések alapján<br /> <br /> *'''2015/16/1 félév'''<br /> ** [[:Media:a217_160105.pdf|a217_160105.pdf]]: 2016. január 5-ei vizsga (VIIIA217 - régi)<br /> ** [[:Media:a217_160112.pdf|a217_160112.pdf]]: 2016. január 12-ei vizsga (VIIIA217 - régi)<br /> ** [[:Media:a217_160119.pdf|a217_160119.pdf]]: 2016. január 19-ei vizsga (VIIIA217 - régi)<br /> ** [[:Media:ab01_160105.pdf|ab01_160105.pdf]]: 2016. január 5-ei vizsga (VIIIAB01 - új)<br /> ** [[:Media:ab01_160112.pdf|ab01_160112.pdf]]: 2016. január 12-ei vizsga (VIIIAB01 - új)<br /> ** [[:Media:ab01_160119.pdf|ab01_160119.pdf]]: 2016. január 19-ei vizsga (VIIIAB01 - új)<br /> <br /> *'''2016/17/1 félév'''<br /> ** [[:Media:Ab01_161220.pdf|ab01_161220.pdf]]: 2016. december 20-ai vizsga (VIIIAB01 - új)<br /> ** [[:Media:Ab01_170110.pdf|ab01_170110.pdf]]: 2017. január 10-ei vizsga (VIIIAB01 - új)<br /> ** [[:Media:Ab01_170117.pdf|ab01_170117.pdf]]: 2017. január 17-ei vizsga (VIIIAB01 - új)<br /> ** [[:Media:A217_170110.pdf|a217_170110.pdf]]: 2017. január 10-ei vizsga (VIIIA217 - régi)<br /> <br /> *'''2016/17/2 félév'''<br /> ** [[:Media:Ab01_170523.pdf|ab01_170523.pdf]]: 2017. május 23-ai vizsga (VIIIAB01 - új)<br /> ** [[:Media:Ab01_170530.pdf|ab01_170530.pdf]]: 2017. május 30-ai vizsga (VIIIAB01 - új)<br /> ** [[:Media:Ab01_170613.pdf|ab01_170613.pdf]]: 2017. június 13-ai vizsga (VIIIAB01 - új)<br /> <br /> *'''2019/20/1 félév'''<br /> ** [[:Media:st_mintav-2.pdf|st_mintav-2.pdf]]: Minta vizsgasor<br /> ** [[:Media:ab01_200107.pdf|ab01_200107.pdf]]: 2020. január 7-ei vizsga<br /> ** [[:Media:ab01_200114.pdf|ab01_200114.pdf]]: 2020. január 14-ei vizsga<br /> ** [[:Media:ab01_200121.pdf|ab01_200121.pdf]]: 2020. január 21-ei vizsga<br /> <br /> {{Rejtett<br /> |mutatott='''Régi vizsgák'''<br /> |szöveg=<br /> <br /> '''2014/15/2 félév'''<br /> * [[Media:stv_150602.pdf|stv_150602.pdf]]: 2015. június 02-ai vizsga<br /> <br /> '''2014/15/1 félév'''<br /> * [[Media:Stv_150106_pure.pdf|stv_150106_pure.pdf]]: 2015. január 06-ai vizsga megoldások nélkül. [[Media:stv_150106.pdf|Megoldások]]<br /> * [[Media:stv_150113.pdf|stv_150113.pdf]]: 2015. január 13-ai vizsga<br /> * [[Media:stv_150120.pdf|stv_150120.pdf]]: 2015. január 20-ei vizsga<br /> <br /> '''2013/14/2 félév'''<br /> * [[Media:stv_140528_pure.pdf|stv_140527_pure.pdf]]: 2014. május 27-ei vizsga megoldások nélkül. [[Media:Stv_140527.pdf|Megoldások]]<br /> * [[Media:stv_140603_pure.pdf|stv_140603_pure.pdf]]: 2014. június 3-ai vizsga megoldások nélkül [[Media:stv_140603.pdf|Megoldások]]<br /> * [[Media:stv_140617_pure.pdf|stv_140617_pure.pdf]]: 2014. június 17-ei vizsga megoldások nélkül [[Media:stv_140617.pdf|Megoldások]]<br /> <br /> '''2013/14/1 félév'''<br /> * [[Media:stv_140707_pure.pdf|stv_140107_pure.pdf]]: 2014. január 7-ei vizsga megoldások nélkül [[Media:stv_140707.pdf|Megoldások]]<br /> * [[Media:stv_140114_pure.pdf|stv_140114_pure.pdf]]: 2014. január 14-i vizsga megoldások nélkül [[Media:stv_140114.pdf|Megoldások]]<br /> * [[Media:szofttech_vizsga_stv_140121_pure.pdf | stv_140121_pure.pdf]]: 2014. január 21-i vizsga megoldások nélkül [[Media:szofttech_vizsga_stv_140121.pdf|Megoldások]]<br /> <br /> '''2012/13/2 félév'''<br /> * [[Media:stv_130528_pure.pdf|stv_130528_pure.pdf]]: 2013 május 28-ai vizsga megoldások nélkül [[Media:stv_130528.pdf|Megoldások]]<br /> * [[Media:stv_130611_pure.pdf|stv_130611_pure.pdf]]: 2013 június 11-ei vizsga megoldások nélkül [[Media:stv_130611.pdf|Megoldások]]<br /> * [[Media:stv_130618_pure.pdf|stv_130618_pure.pdf]]: 2013 június 18-ai vizsga megoldások nélkül [[Media:stv_130618.pdf|Megoldások]]<br /> <br /> '''2012/13/1 félév'''<br /> * [[Media:stv_130115_pure.pdf|stv_130115_pure.pdf]]: 2013 január 15-ei vizsga megoldások nélkül. [[Media:stv_130115.pdf|Megoldások]]<br /> * [[Media:stv_130108_pure.pdf|stv_130108_pure.pdf]]: 2013 január 8-ai vizsga megoldások nélkül. [[Media:stv_130108.pdf|Megoldások]]<br /> * [[Media:stv_121218_pure.pdf|stv_121218_pure.pdf]]: 2012 december 18-ai vizsga megoldások nélkül. [[Media:stv_121218.pdf|Megoldások]]<br /> <br /> '''2011/12/2 félév'''<br /> * [[:Media:stv_120522_pure.pdf|stv_120522_pure.pdf]]: 2012. május 22. vizsga megoldások nélkül. [[Média:Stv_120522.pdf‎|Megoldások]]<br /> * [[Média:Stv_120605_pure.pdf‎‎|stv_120606_pure.pdf]]: 2012. június 5. vizsga megoldások nélkül. [[Média:Stv_120605.pdf‎‎|Megoldások]]<br /> * [[Média:Stv_120612_pure.pdf‎‎|stv_120612_pure.pdf]]: 2012. június 12. vizsga megoldások nélkül. [[Média:Stv_120612.pdf‎‎|Megoldások]]<br /> <br /> '''2011/12/1 félév'''<br /> * [[:Media:stv_120117_pure.pdf|stv_120117_pure.pdf]]: 2012. január 17-i vizsga megoldások nélkül. [[Media:stv_120117.pdf|Megoldások]]<br /> * [[:Media:stv_120103_pure.pdf|stv_120103_pure.pdf]]: 2012. január 3-ai vizsga megoldások nélkül. [[Media:stv_120103.pdf|Megoldások]]<br /> * [[:Media:stv_111220_pure.pdf|stv_111220_pure.pdf]]: 2011. december 20-ai vizsga megoldások nélkül. [[Media:stv_111220.pdf|Megoldások]]<br /> <br /> '''2010/11/2 félévv<br /> * [[Media:stv_110614_pure.pdf|stv_110614_pure.pdf]]: 2011. június 14. vizsga megoldások nélkül. [[Media:stv_110614.pdf|Megoldások]]<br /> * [[Media:stv_110607_pure.pdf|stv_110607_pure.pdf]]: 2011. június 7. vizsga megoldások nélkül. [[Media:stv_110607.pdf|Megoldások]]<br /> * [[Media:stv_110524_pure.pdf|stv_110524_pure.pdf]]: 2011. május 24. vizsga megoldások nélkül. [[Media:stv_110524.pdf|Megoldások]]<br /> <br /> '''2010/11/1 félév'''<br /> * [[Media:stv_110118_pure.pdf|stv_110118_pure.pdf]]: 2011. január 18. vizsga megoldások nélkül. [[Media:stv_110118.pdf|Megoldások]]<br /> * [[Media:stv_110104a_pure.pdf|stv_110104a_pure.pdf]]: 2011. január 4. vizsga A csoport megoldások nélkül. [[Media:stv_110104a.pdf|Megoldások]]<br /> * [[Media:stv_110104b_pure.pdf|stv_110104b_pure.pdf]]: 2011. január 4. vizsga B csoport megoldások nélkül. [[Media:stv_110104b.pdf|Megoldások]]<br /> * [[Media:stv_101221_pure.pdf|stv_101221_pure.pdf]]: 2010. december 21. vizsga megoldások nélkül. [[Media:stv_101221.pdf|Megoldások]]<br /> <br /> '''2009/10 év'''<br /> * az utolsó vizsga hiányzik, akinek megvan töltse fel<br /> * [[Media:stv_100601.pdf|stv_100601.pdf]]: 2010. június 1. vizsga megoldással<br /> * [[Media:stv_100526.pdf|stv_100526.pdf]]: 2010. május 26-ai vizsga megoldással<br /> * [[Media:stv_100126.pdf|stv_100126.pdf]]: 2010. január 26. vizsga megoldással<br /> * [[Media:stv_100112B.pdf|stv_100112B.pdf]]: 2010. január 12. 13:30 vizsga megoldással<br /> * [[Media:stv_100112A.pdf|stv_100112A.pdf]]: 2010. január 12. 12:00 vizsga megoldással<br /> * [[Media:stv_100105B.pdf|stv_100105B.pdf]]: 2010. január 5. 13:30 vizsga megoldással<br /> * [[Media:stv_100105A.pdf|stv_100105A.pdf]]: 2010. január 5. 12:00 vizsga megoldással<br /> <br /> '''2008/09 év'''<br /> * [[Media:stv_090618.pdf|stv_090618.pdf]]: 2009. június 18. vizsga megoldással<br /> * [[Media:stv_090611.pdf|stv_090611.pdf]]: 2009. június 11. vizsga megoldással (4. feladat megoldása: 11. előadás-videó (2010.10.11) 44. percétől)<br /> * [[Media:stv_090528.pdf|stv_090528.pdf]]: 2009. május 28. vizsga megoldással<br /> * [[Media:stv_090127.pdf|stv_090127.pdf]]: 2009. január 27. vizsga megoldással<br /> * [[Media:stv_090113.pdf|stv_090113.pdf]] 2009. január 13. vizsga megoldással<br /> * [[Media:stv_090106.pdf|stv_090106.pdf]]: 2009. január 06. vizsga megoldással<br /> <br /> '''2007/08 év'''<br /> * [[Media:stv_080617.pdf|stv_080617.pdf]]: 2008. június 17. vizsga megoldással<br /> * [[Media:stv_080610.pdf|stv_080610.pdf]]: 2008. június 10. vizsga megoldással<br /> * [[Media:stv_080527.pdf|stv_080527.pdf]]: 2008. május 27. vizsga megoldással<br /> * [[Media:stv_080122.pdf|stv_080122.pdf]]: 2008. január 22. vizsga megoldással<br /> * [[Media:stv_080115.pdf|stv_080115.pdf]]: 2008. január 15. vizsga megoldással <br /> * [[Media:stv_080108.pdf|stv_080108.pdf]]: 2008. január 8. vizsga megoldással<br /> }}<br /> <br /> ==== All In One PDF ====<br /> * [[Media:Szofttech_All_In_One.pdf|All_In_One.pdf]]: Ez a PDF tartalmazza az összes ZH-t és vizsgát 2014-01-21-ig , de egy két hiányosság lehet. Bookmarkokat érdemes majd használni. Hasznos például egy-egy típusfeladat megkeresésekor és gyakorlásakor<br /> * [[Media:Szofttech_Vizsga_All_in_One_2000-12-19_-_2013-06-11_vizsgák_merged_bookmarked.pdf|Szofttech vizsga all in one 2000. december 19-től 2013. június 11-ig, könyvjelzőkkel ellátva!]]. A vizsgák a hivatalos oldalról lettek letöltve (http://directory.iit.bme.hu/belso/st/stbelso.html), a bookmarkok azok alapján készültek. Az anyagoknak Dr. László Zoltán (BME-IIT), jogi személyként a BME a jogtulajdonosa. --[[Szerkesztő:Harapeti|Haraszin Péter]] ([[Szerkesztővita:Harapeti|vita]]) 2013. június 17., 23:12 (UTC)<br /> <br /> == Tippek ==<br /> <br /> * A régi tantárggyal ellentétben itt már a házi is nehézséget szokott okozni, viszont cserébe rászorulsz, hogy évközben is tanulj, így a vizsga diagramos részeit már valamennyire tudod, mire odakerülsz. A Java-s rész eltűnt. A házinak érdemes időben nekiállni, mert idő míg letisztul a fejekben, hogyan is állnak össze a diagramok. Halálfejes hibák kerülendők.<br /> <br /> {{Rejtett<br /> |mutatott='''Régi szoftech tippek'''<br /> |szöveg=<br /> *A tárgyat nem könnyű elvégezni, de nem is lehetetlen. A szofttech tipikusan olyan tárgy, melyre ha félév közben csak pár órat készülsz, akkor is eljutsz vizsgára, de vizsgán veszed észre hogy milyen keveset is tudsz, ezért ajánlom mindenkinek a félév közbeni készülést. A Java rész bevezetésével csak nehezedett a vizsga, arra úgy érdemes készülni hogy kódolsz és minden anyagrészt kipróbálsz amit csak vettünk órán, a diákból mindent meg kell értened, mert bármi előfordulhat vizsgán belőle. A szofttech részt pedig meg kell tanulni és meg kell érteni! Nincs mese, ez tanulós és nem egyszerü tárgy!<br /> }}<br /> <br /> == Kedvcsináló ==<br /> <br /> '''Fehér János'''<br /> Egy félév alatt, mióta Simon Balázs tartja az előadásokat, szerintem sokat feljődött a tárgy. Az UML-es anyagokhoz végre van rendes diasor, a háziról kapunk visszajelzést és a szorgalmi időszakban a pótHF kiadás előtt(!) van megtekintés, kapunk visszajelzést arról, hogy mit rontottunk el, nem csak annyit, hogy go/no-go. A vizsga rendszere sajnos továbbra is ugyanolyan.<br /> <br /> {{Rejtett<br /> |mutatott='''Régi tárgy'''<br /> |szöveg=<br /> <br /> Interjú László Zoltánnal az Impulzus [https://issuu.com/impulzus/docs/41_04/6 41.évfolyamának 4. számában, a 6. oldaltól] kezdve.<br /> <br /> '''Szabó Csaba'''<br /> A tárgy tetszett, hasznos de nehéz. Szerintem nagyon hasznos tárgy, én már találkoztam több részével az életben (UML, scrum, DTD, XML), illetve végre a Java programozási nyelvet is megtanulhatod rendesen (régi szoftlab3 képzés siralmas volt), van róla 4 előadás melyeket Goldschmidt Balázs tart, a java rész gyakorlata lényegében a szoftverlabor 3 tárgy. A vizsgákról, főleg a beugróról mindenkinek megvan a saját véleménye, nem egyszerü az biztos, de ez nem ennek a vitának a helye, levlistán lehet sok ilyen vitát találni/kezdeni. &lt;br /&gt;<br /> -- [[Szerkesztő:Ferrero|Szabó Csaba]]<br /> <br /> '''Lord Viktor'''<br /> A tárgy a Bsc. egyik legnehezebb(en elvégezhető) tárgya. Az aláírás lényegében ingyen van, gyakorlatilag egy ZH-feladatsort kell megoldanod otthon egy-két hét alatt. Cserébe viszont a vizsga nehéz, nem is az anyag, hanem inkább a számonkérés módja miatt. A &lt;strike&gt;beugrató&lt;/strike&gt; beugró teljesítéséhez kell nagy adag szerencse is, valamint lelemény és logika, hogy az ember egy kétértelmű dolognál kitalálja, hogy LZ mire gondolt. Ne tévesszen meg a neve: nem alapinformációkra kérdez rá, az anyagból bármi lehet benne. Sok előző évekbeli vizsgasor van fenn itt a wikin, ezekből látszik, mire gondolok. Ezért érdemes a vizsgát véresen komolyan venni, főleg a 6 vizsgás szabály bevezetése óta. A tárgy összességében nem haszontalan, csak sok a száraz elmélet, de aki szoftverfejlesztő akar lenni, annak kifejezetten érdekes is lehet.&lt;br /&gt;<br /> -- [[Szerkesztő:Lordviktor|Lord Viktor]] ([[Szerkesztővita:Lordviktor|vita]]) 2013. április 17., 09:20 (UTC)<br /> }}<br /> <br /> == Egyéb anyagok/linkek ==<br /> * Interjú Dr. László Zoltánnal:<br /> ** [[SzoftTechTippek|Tanulási tippek, FAQ a tárggyal kapcsolatban]]<br /> <br /> ''Mottó:''<br /> * Az OOP nagyon class dolog.<br /> * There are no significant bugs in our released software that any significant number of users want fixed. (Bill Gates - http://en.wikiquote.org/wiki/Bill_Gates)<br /> * ''Mit mond a hallgató, amikor megkapja a szoftvertechnológia vizsgalapot? - OMG UML!''<br /> * ''Ami a vizsga nehézségét illeti: alig fejeződött be a vizsgaidőszak, és máris felülemelkedik a &quot;múltbéli&quot; nehézségen, belátja, hogy a vizsgának komoly szerepe volt a tudásának megszerzéseben. Ez így van rendjen. A vélt kellemetlenség elhalványul idővel, a tudás megmarad.''<br /> * ''A tárgyban szerzett ismeretek révén lassan bekerül abba a profi társaságba, amit &quot;informatikusok&quot;-nak is szoktak nevezni. Van saját nyelvünk, fogalomrendszerünk, félszavakból megértjük egymást.''<br /> <br /> === Tanácsok ===<br /> * Közösen szerkesztett [[Szoftvertechnológia/Hasznos tanácsok|hasznos tanácsok]] egymásnak. Oszd meg te is tapasztalataidat!<br /> <br /> === Fun Page ===<br /> * [[SzofttechFunPage]]<br /> <br /> === Facebook csoport ===<br /> * [https://www.facebook.com/groups/187015754977649 Szofttech_VIK csoport]<br /> <br /> {{Lábléc_-_Mérnök_informatikus_alapszak_2014}}<br /> {{Lábléc_-_Mérnök_informatikus_alapszak}}</div>

Sweidán Omár https://vik.wiki/index.php?title=IT_eszk%C3%B6z%C3%B6k_technol%C3%B3gi%C3%A1ja&diff=201278 2021-12-14T13:13:06Z

<p>Sweidán Omár: /* Félvvégi jegy */</p> <hr /> <div>{{Tantárgy<br /> | név = IT eszközök technológiája<br /> | tárgykód = VIEEAC00<br /> | szak = info<br /> | kredit = 4<br /> | félév = 5<br /> | kereszt = nincs<br /> | tanszék = EET<br /> | labor = 5 db<br /> | kiszh = nincs<br /> | nagyzh = 1 db<br /> | hf = 10 db<br /> | vizsga = nincs<br /> | levlista = <br /> | tárgyhonlap = https://edu.vik.bme.hu/<br /> }}<br /> <br /> A tantárgy célkitűzése, hogy megismertesse a hallgatókat az IT eszközök legfontosabb hardware elemeinek működésével, ezen elemek elektronikai alapjaival és megvalósításuk technológiáinak alapjaival. Cél továbbá annak bemutatása, hogy a modern mikroelektronika milyen lehetőségeket biztosít a számítástechnika számára, mik a fizikai megvalósítás korlátai, és mik a fejlődés trendjei. A tárgy további célja az, hogy az informatikus hallgatók megértsék, és a laboratóriumi gyakorlatokon maguk is tapasztalják, hogy a hardver- és szoftverfejlesztés hasonló elvek és eszközök segítségével történik. A régi tantervben szereplő [[Elektronika]] tárgy utódja.<br /> <br /> <br /> == Követelmények ==<br /> === Előtanulmányi rend ===<br /> * [[Digitális technika]] és a [[ Fizika 2i]] tárgyakból kreditek megszerzése szükséges a tárgy felvételéhez.<br /> <br /> === A szorgalmi időszakban ===<br /> * 5 darab '''labor''' teljesítése, lépésenkénti segédanyag alapján. A laborokon számítsunk beugrókra, bár erre elég ritkán van példa. A laborok végén három szintet lehet elérni: ''nem teljesített'', ''teljesített'', ''kiválóan teljesített''. Utóbbit úgy lehet megszerezni, ha elvégzed a bónusz feladatokat is, illetve aktívan részt veszel a laboron (válaszolsz a feltett kérdésekre stb.).<br /> * 1 darab '''ZH''' a félév végén. Póthéten pótolható, de a PZH-t nehezebbre tervezik a &quot;plusz idő&quot; miatt.<br /> * 10 darab '''házi feladat''', általában 3-8 kérdéssel. A feladatok kapcsolódnak a heti előadásdiához, az ott elhangozzak alapján túlnyomó részt megoldhatóak. A tesztet a tárgy Moodle oldalán kell kitölteni. Egy házival 3x lehet próbálkozni, és a legjobb eredmény számít csak, viszont minden alkalommal randomizált kérdésekből áll a teszt. Leadási határidejük az előadástól számítva egy hét kb.<br /> * '''Pótlási lehetőségek:'''<br /> ** A '''labor'''ok közül maximum egyet lehet pótolni évközben.<br /> ** A '''ZH''' egyszer pótolható évközben, ritkán adódik lehetőség a PPZH-ra, így ne tegyük fel mindenünket arra.<br /> ** A '''házi feladat'''ok pótolhatóak. Mindig egy adott házi feladat leadási határidejét követően van lehetőség egy hétre rá leadni a pótot, utána már nincs erre több lehetőség. <br /> <br /> === Félévvégi jegy ===<br /> * A tárgy teljesítéséhez szükséges minden labor teljesítése, a házikból kapható 100 pontból legalább 40 pont elérése, és a ZH legalább 40%-ra való megírása.<br /> * A laboron elért pontozás nem számít bele a félévvégi jegybe, csak akkor nézik át őket, ha a hallgató kétesre áll. A ''kiválóan megfelelt'' értékelésű laborok minimálisan emelik az összpontszámot (J + J * 0,1 * kiváló_laborok_száma).<br /> * Ez alapján a félévközi jegy a következő:<br /> &lt;math&gt;J= 0,8*(ZH) + 0,2*(házik)&lt;/math&gt;<br /> *Ponthatárok:<br /> :{| class=&quot;wikitable&quot; style=&quot;text-align: center; width: 110px; height: 40px;&quot;<br /> !Pont!!Jegy<br /> |-<br /> |0 - 39|| 1<br /> |-<br /> |40 - 59|| 2<br /> |-<br /> |60 - 74|| 3<br /> |-<br /> |75 - 89|| 4<br /> |-<br /> |90 - || 5<br /> |}<br /> <br /> == Házi feladatok ==<br /> ''Figyelem, nem hivatalos megoldások, hiba lehet bennük!''<br /> * SystemC demó projekt: megtalálható a tárgy honlapján<br /> * [https://docs.google.com/document/d/15uizMKQVICeFcPM5w-ObgRJDjxslJN3tBVhGo0FTF7Y/edit?usp=drive_web&amp;ouid=104293026840910169203 2017-es házik közös megoldása]<br /> * [https://docs.google.com/document/d/1syrxU2KhzKPItzHqSsvEupxUxG6KjXS9j0nW-jrlpTQ/edit 2018-as házik közös megoldása]<br /> <br /> == Laborok ==<br /> * Edu-s Moodle oldalon elérhetőek a szükséges források.<br /> <br /> == ZH ==<br /> ''Figyelem, nem hivatalos anyag, hiba lehet bennük!''<br /> * [https://docs.google.com/document/d/18cQcifGbe-_Zyc7uPG_Uw9iaZ__aGaLrbEKLmAr17Zs/edit?usp=sharing Elméleti összefoglaló a diákból (2016)]<br /> * [https://docs.google.com/document/d/1znKfnji76QyZKOV9dHncy1i91trntWk9-pI7nIr0wWc/edit?usp=sharing Minta ZH kidolgozva (2016)]<br /> * [https://docs.google.com/document/d/1sKHWO1iIhO_ETReh1i0qCQYG4fV36TsAr1M8Tj9peAs/edit 2017-es ZH megoldással]<br /> <br /> == Kedvcsináló ==<br /> * A tárgy összességében nem rossz, inkább a villamosmérnöki területek iránt is érdeklődő hallgatóknak lehet érdekes. Néha kicsit túlzottan belemegy a hardveres részletekbe, de sok érdekesség is elhangzik az előadásokon. Ress Sándor Tanár Úr kimondottan korrekt és kedves. Véleményem szerint közepes energia befektetéssel 3-asra simán teljesíthető a tárgy, és ha valaki rendesen átnézi a leadott anyagot, akkor a 4-est vagy 5-öst is simán meg lehet szerezni belőle. (''2020, HD'')<br /> <br /> <br /> {{Lábléc_-_Mérnök_informatikus_alapszak_2014}}</div>

Sweidán Omár https://vik.wiki/index.php?title=Fun_-_F%C3%BCst%C3%B6ss_L%C3%A1szl%C3%B3&diff=200951 2021-06-30T10:58:24Z

<p>Sweidán Omár: </p> <hr /> <div>* &quot;Aki tanul, az hülye. Aki nem tanul, az az is marad.&quot; (thx. to: e v i l )<br /> * Az ikerparadoxonról: &quot;Ha valaki belecsapódik a Földbe fénysebességgel, az életkorbeli különbség nem sokat használ.&quot;<br /> * &quot;Ha ebből a teremből kiszívnánk a levegőt, a tisztelt hallgatóság semmit sem hallana.&quot; - hallgató megjegyzése: &quot;De nem ez lenne a legnagyobb problémánk...&quot;<br /> * Csillagközi űrutazásról: &quot;Ha 1 kg-os hasznos tömeget célzok meg, ami egy meglehetősen sovány űrhajós...&quot;<br /> * &quot;...a termodinamikai valószínűség tehát 10^-10^20 lesz, ami a &quot;tök megvalósíthatatlan&quot; szinonímája...&quot;<br /> * &quot;Minden vörös óriás magában foglal egy fehér törpét. Ez így jól hangzik, akár a Gyűrűk Urában is helyet kaphatna...&quot;<br /> * &quot;Látom az arcukon, hogy nem értik.. várjanak mondok egy életszerűbb példát:... vegyünk két fénysebességgel mozgó vonatot.&quot;<br /> * &quot;Bárki is álljon egy vákuumkamrában, mindjárt rosszul fogja magát érezni.&quot;<br /> * &quot;A lóerő az a teljesítmény, amibe egy átlagos ló beledöglik.&quot;<br /> * &quot;Orvos, ügyvéd- ezek mind-mind szerény értelmiségi szakmák...&quot;<br /> * &quot;A Rákóczi-téren este 11-kor történik valami - na az egy esemény.&quot;<br /> * &quot;Politikuséknál számít a sok nulla.&quot;<br /> * &quot;Mindenki könnyen tanulmányozhatja a fotonok energiáját - főleg azok, akiket túl sokat röntgeneztek, ezért elpatkolt.&quot;<br /> * &quot;Még a szegény ember is megengedheti magának, hogy legyen két neutronja.&quot;<br /> * &quot;20/sqrt(3) idő az a hely, ahol a B pont bekövetkezik.&quot;<br /> * &quot;Ez ugye pofonegyszerű, ha az időt is méterben mérjük.&quot;<br /> * &quot;Egyszer fel fog robbanni a Nap, de most ezt halkan mondom, nehogy pánikot keltsek.&quot;<br /> * &quot;Balmert otthagyta a barátnője, és ezért a lambdával játszott...&quot;<br /> * &quot;Ráírják, hogy 40W, közben pedig ráteszek 1W-ot és szétesik.&quot; - a PMPO-ról ha jól rémlik<br /> * &quot;A jó szakember egyre többet tud egyre kevesebbről, míg végül mindent tud a semmiről.&quot;<br /> * &quot;csuromvizes lesz az orcáját illetően&quot;<br /> * &quot;Pacher barátom hisz abban, hogy fontos, hogy egyetem szaga legyen&quot; - a különböző ZH-król<br /> * &quot;nos, ez egy relatív perverz példa&quot;<br /> * &quot;Mint képlet tök érdektelen... csak a módszer!!!&quot; -- [info1]<br /> <br /> <br /> -- [[KarakoMiklos|palacsint]] - 2006.07.18.<br /> <br /> <br /> * &quot;A Curie házaspár úgy került össze, hogy a férj nagyon szeretett integrálni és ezáltal ellenállhatatlannak bizonyult.&quot;<br /> * &quot;Csak akkor működik, ha fel tudunk bérelni egy krampuszt, aki átviszi a negatív töltéseket egyik oldalról a másikra.&quot;<br /> * &quot;Az éppen úgy nem esemény, mint hogy egy kutya megharap egy postást.&quot;<br /> * &quot;Gondolom emlékeznek még a munkára. Aki nem emlékszik, az némi munkával visszaemlékezhet.&quot;<br /> * &quot;Egy két kilós macska kb. 1 kg proton. Amikor simogatják erre gondoljanak.&quot;<br /> * &quot;...foroghat a jámbor&quot;<br /> * &quot;A fluxus abban a tartományban van, ami rendezett katonai temetőnek látszik.&quot;<br /> <br /> -- [[PüspökiZsuzsanna|Zsuzsa]] - 2007<br /> <br /> * A speciális relativitáselmélet kapcsán vizsgáljuk a száguldó rúd és a pajta esetét. &quot;És akkor felmerül az az egyszerű szexuálpatológiai kérdés, hogy benne van a rúd, vagy nincs benne.&quot;<br /> * &quot;Nem voltak pontos órák, éjszaka a napóra is pontatlan volt&quot;<br /> * &quot;Azt a lehetőséget, hogy nem vagyunk, azt egyelőre kizárhatjuk&quot;<br /> * &quot;Megvan ez fólián is, de ha látják, hogy szenvedek, az mégiscsak érdekesebb&quot; (spec. relativitáselmélet)<br /> * &quot;Pár centiméteres szikrával sok mindent lehet csinálni: gyújtogatni lehet vele, bele lehet halni, szóval nem veszélytelen.&quot;<br /> <br /> -- [[AdamW|Wallner Ádám]] - 2007.05.25.<br /> <br /> * &quot;Két elektron megy a sivatagban. Az egyik beszól a másiknak: Ne vágj fel, te se vagy Coulomb&quot;<br /> <br /> --<br /> * &quot;Ha az ember a világűrt nézi, mindegy, hogy fejjel lefele van-e, de ha az operettszínpadot nézi, akkor végképp idegesítő.&quot;<br /> * &quot;A biológusok azok szorgalmas népek&quot;<br /> * Optika feladat: &quot;Itt van egy béka. Régebben ellenséges jugoszláv kém.. Milyen térszögben látszik?&quot;<br /> -- [[MolnarGergely]] - 2008.01.05.<br /> <br /> <br /> [[Category:Altalanos]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Fun_-_F%C3%BCst%C3%B6ss_L%C3%A1szl%C3%B3&diff=200950 2021-06-30T10:56:44Z

<p>Sweidán Omár: </p> <hr /> <div>* &quot;Aki tanul, az hülye. Aki nem tanul, az az is marad.&quot; (thx. to: e v i l )<br /> * Az ikerparadoxonról: &quot;Ha valaki belecsapódik a Földbe fénysebességgel, az életkorbeli különbség nem sokat használ.&quot;<br /> * &quot;Ha ebből a teremből kiszívnánk a levegőt, a tisztelt hallgatóság semmit sem hallana.&quot; - hallgató megjegyzése: &quot;De nem ez lenne a legnagyobb problémánk...&quot;<br /> * Csillagközi űrutazásról: &quot;Ha 1 kg-os hasznos tömeget célzok meg, ami egy meglehetősen sovány űrhajós...&quot;<br /> * &quot;...a termodinamikai valószínűség tehát 10^-10^20 lesz, ami a &quot;tök megvalósíthatatlan&quot; szinonímája...&quot;<br /> * &quot;Minden vörös óriás magában foglal egy fehér törpét. Ez így jól hangzik, akár a Gyűrűk Urában is helyet kaphatna...&quot;<br /> * &quot;Látom az arcukon, hogy nem értik.. várjanak mondok egy életszerűbb példát:... vegyünk két fénysebességgel mozgó vonatot.&quot;<br /> * &quot;Bárki is álljon egy vákuumkamrában, mindjárt rosszul fogja magát érezni.&quot;<br /> * &quot;A lóerő az a teljesítmény, amibe egy átlagos ló beledöglik.&quot;<br /> * &quot;Orvos, ügyvéd- ezek mind-mind szerény értelmiségi szakmák...&quot;<br /> * &quot;A Rákóczi-téren este 11-kor történik valami - na az egy esemény.&quot;<br /> * &quot;Politikuséknál számít a sok nulla.&quot;<br /> * &quot;Mindenki könnyen tanulmányozhatja a fotonok energiáját - főleg azok, akiket túl sokat röntgeneztek, ezért elpatkolt.&quot;<br /> * &quot;Még a szegény ember is megengedheti magának, hogy legyen két neutronja.&quot;<br /> * &quot;20/sqrt(3) idő az a hely, ahol a B pont bekövetkezik.&quot;<br /> * &quot;Ez ugye pofonegyszerű, ha az időt is méterben mérjük.&quot;<br /> * &quot;Egyszer fel fog robbanni a Nap, de most ezt halkan mondom, nehogy pánikot keltsek.&quot;<br /> * &quot;Balmert otthagyta a barátnője, és ezért a lambdával játszott...&quot;<br /> * &quot;Ráírják, hogy 40W, közben pedig ráteszek 1W-ot és szétesik.&quot; - a PMPO-ról ha jól rémlik<br /> * &quot;A jó szakember egyre többet tud egyre kevesebbről, míg végül mindent tud a semmiről.&quot;<br /> * &quot;csuromvizes lesz az orcáját illetően&quot;<br /> * &quot;Pacher barátom hisz abban, hogy fontos, hogy egyetem szaga legyen&quot; - a különböző ZH-król<br /> * &quot;nos, ez egy relatív perverz példa&quot;<br /> * &quot;Mint képlet tök érdektelen... csak a módszer!!!&quot; -- [info1]<br /> <br /> <br /> -- [[KarakoMiklos|palacsint]] - 2006.07.18.<br /> <br /> <br /> * &quot;A Curie házaspár úgy került össze, hogy a férj nagyon szeretett integrálni és ezáltal ellenállhatatlannak bizonyult.&quot;<br /> * &quot;Csak akkor működik, ha fel tudunk bérelni egy krampuszt, aki átviszi a negatív töltéseket egyik oldalról a másikra.&quot;<br /> * &quot;Az éppen úgy nem esemény, mint hogy egy kutya megharap egy postást.&quot;<br /> * &quot;Gondolom emlékeznek még a munkára. Aki nem emlékszik, az némi munkával visszaemlékezhet.&quot;<br /> * &quot;Egy két kilós macska kb. 1 kg proton. Amikor simogatják erre gondoljanak.&quot;<br /> * &quot;...foroghat a jámbor&quot;<br /> * &quot;A fluxus abban a tartományban van, ami rendezett katonai temetőnek látszik.&quot;<br /> <br /> -- [[PüspökiZsuzsanna|Zsuzsa]] - 2007<br /> <br /> * A speciális relativitáselmélet kapcsán vizsgáljuk a száguldó rúd és a pajta esetét. &quot;És akkor felmerül az az egyszerű szexuálpatológiai kérdés, hogy benne van a rúd, vagy nincs benne.&quot;<br /> * &quot;Nem voltak pontos órák, éjszaka a napóra is pontatlan volt&quot;<br /> * &quot;Azt a lehetőséget, hogy nem vagyunk, azt egyelőre kizárhatjuk&quot;<br /> * &quot;Megvan ez fólián is, de ha látják, hogy szenvedek, az mégiscsak érdekesebb&quot; (spec. relativitáselmélet)<br /> * &quot;Pár centiméteres szikrával sokmindent lehet csinálni: gyújtogatni lehet vele, bele lehet halni, szóval nem veszélytelen.&quot;<br /> <br /> -- [[AdamW|Wallner Ádám]] - 2007.05.25.<br /> <br /> * &quot;Két elektron megy a sivatagban. Az egyik beszól a másiknak: Ne vágj fel, te se vagy Coulomb&quot;<br /> <br /> --<br /> * &quot;Ha az ember a vilagűrt nézi, mindegy, hogy fejjel lefele van-e, de ha az operettszínpadot nézi, akkor végképp idegesítő.&quot;<br /> * &quot;A biológusok azok szogralmas népek&quot;<br /> * Optika feladat: &quot;Itt van egy béka. Régebben ellenséges jugoszláv kém.. Milyen térszögben látszik?&quot;<br /> -- [[MolnarGergely]] - 2008.01.05.<br /> <br /> <br /> [[Category:Altalanos]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Fun_-_F%C3%BCst%C3%B6ss_L%C3%A1szl%C3%B3&diff=200949 2021-06-30T10:37:04Z

<p>Sweidán Omár: </p> <hr /> <div>* &quot;Aki tanul, az hülye. Aki nem tanul, az az is marad.&quot; (thx. to: e v i l )<br /> * Az ikerparadoxonról: &quot;Ha valaki belecsapódik a Földbe fénysebességgel, az életkorbeli különbség nem sokat használ.&quot;<br /> * &quot;Ha ebből a teremből kiszívnánk a levegőt, a tisztelt hallgatóság semmit sem hallana.&quot; - hallgató megjegyzése: &quot;De nem ez lenne a legnagyobb problémánk...&quot;<br /> * Csillagközi űrutazásról: &quot;Ha 1 kg-os hasznos tömeget célzok meg, ami egy meglehetősen sovány űrhajós...&quot;<br /> * &quot;...a termodinamikai valószínűség tehát 10^-10^20 lesz, ami a &quot;tök megvalósíthatatlan&quot; szinonímája...&quot;<br /> * &quot;Minden vörös óriás magában foglal egy fehér törpét. Ez így jól hangzik, akár a Gyűrűk Urában is helyet kaphatna...&quot;<br /> * &quot;Látom az arcukon, hogy nem értik.. várjanak mondok egy életszerűbb példát:... vegyünk két fénysebességgel mozgó vonatot.&quot;<br /> * &quot;Bárki is álljon egy vákuumkamrában, mindjárt rosszul fogja magát érezni.&quot;<br /> * &quot;A lóerő az a teljesítmény, amibe egy átlagos ló beledöglik.&quot;<br /> * &quot;Orvos, ügyvéd- ezek mind-mind szerény értelmiségi szakmák...&quot;<br /> * &quot;A Rákóczi-téren este 11-kor történik valami - na az egy esemény.&quot;<br /> * &quot;Politikuséknál számít a sok nulla.&quot;<br /> * &quot;Mindenki könnyen tanulmányozhatja a fotonok energiáját - főleg azok, akiket túl sokat röntgeneztek, ezért elpatkolt.&quot;<br /> * &quot;Még a szegény ember is megengedheti magának, hogy legyen két neutronja.&quot;<br /> * &quot;20/sqrt(3) idő az a hely, ahol a B pont bekövetkezik.&quot;<br /> * &quot;Ez ugye pofonegyszerű, ha az időt is méterben mérjük.&quot;<br /> * &quot;Egyszer fel fog robbanni a Nap, de most ezt halkan mondom, nehogy pánikot keltsek.&quot;<br /> * &quot;Balmert otthagyta a barátnője, és ezért a lambdával játszott...&quot;<br /> * &quot;Ráírják, hogy 40W, közben pedig ráteszek 1W-ot és szétesik.&quot; - a PMPO-ról ha jól rémlik<br /> * &quot;A jó szakember egyre többet tud egyre kevesebbről, míg végül mindent tud a semmiről.&quot;<br /> * &quot;csuromvizes lesz az orcáját illetően&quot;<br /> * &quot;Pacher barátom hisz abban, hogy fontos, hogy egyetem szaga legyen&quot; - a különböző ZH-król<br /> * &quot;nos, ez egy relatív perverz példa&quot;<br /> * &quot;Mint képlet tök érdektelen... csak a módszer!!!&quot; -- [info1]<br /> <br /> <br /> -- [[KarakoMiklos|palacsint]] - 2006.07.18.<br /> <br /> <br /> * &quot;A Curie házaspár úgy került össze, hogy a férj nagyon szeretett integrálni és ezáltal ellenállhatatlannak bizonyult.&quot;<br /> * &quot;Csak akkor működik, ha fel tudunk bérelni egy krampuszt, aki átviszi a negatív töltéseket egyik oldalról a másikra.&quot;<br /> * &quot;Az éppen úgy nem esemény, mint hogy egy kutya megharap egy postást.&quot;<br /> * &quot;Gondolom emlékeznek még a munkára. Aki nem emlékszik, az némi munkával visszaemlékezhet.&quot;<br /> * &quot;Egy két kilós macska kb 1 kg proton. Amikor simogatják erre gondoljanak.&quot;<br /> * &quot;...foroghat a jámbor&quot;<br /> * &quot;A fluxus abban a tartományban van, ami rendezett katonai temetőnek látszik.&quot;<br /> <br /> -- [[PüspökiZsuzsanna|Zsuzsa]] - 2007<br /> <br /> * A speciális relativitáselmélet kapcsán vizsgáljuk a száguldó rúd és a pajta esetét. &quot;És akkor felmerül az az egyszerű szexuálpatológiai kérdés, hogy benne van a rúd, vagy nincs benne.&quot;<br /> * &quot;Nem voltak pontos órák, éjszaka a napóra is pontatlan volt&quot;<br /> * &quot;Azt a lehetőséget, hogy nem vagyunk, azt egyelőre kizárhatjuk&quot;<br /> * &quot;Megvan ez fólián is, de ha látják, hogy szenvedek, az mégiscsak érdekesebb&quot; (spec. relativitáselmélet)<br /> * &quot;Pár centiméteres szikrával sokmindent lehet csinálni: gyújtogatni lehet vele, bele lehet halni, szóval nem veszélytelen.&quot;<br /> <br /> -- [[AdamW|Wallner Ádám]] - 2007.05.25.<br /> <br /> * &quot;Két elektron megy a sivatagban. Az egyik beszól a másiknak: Ne vágj fel, te se vagy Coulomb&quot;<br /> <br /> --<br /> * &quot;Ha az ember a vilagűrt nézi, mindegy, hogy fejjel lefele van-e, de ha az operettszínpadot nézi, akkor végképp idegesítő.&quot;<br /> * &quot;A biológusok azok szogralmas népek&quot;<br /> * Optika feladat: &quot;Itt van egy béka. Régebben ellenséges jugoszláv kém.. Milyen térszögben látszik?&quot;<br /> -- [[MolnarGergely]] - 2008.01.05.<br /> <br /> <br /> [[Category:Altalanos]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Fun_-_F%C3%BCst%C3%B6ss_L%C3%A1szl%C3%B3&diff=200948 2021-06-30T10:36:43Z

<p>Sweidán Omár: </p> <hr /> <div>* &quot;Aki tanul, az hülye. Aki nem tanul, az az is marad.&quot; (thx. to: e v i l )<br /> * Az ikerparadoxonról: &quot;Ha valaki belecsapódik a Földbe fénysebességgel, az életkorbeli különbség nem sokat használ.&quot;<br /> * &quot;Ha ebből a teremből kiszívnánk a levegőt, a tisztelt hallgatóság semmit sem hallana.&quot; - hallgató megjegyzése: &quot;De nem ez lenne a legnagyobb problémánk...&quot;<br /> * Csillagközi űrutazásról: &quot;Ha 1 kg-os hasznos tömeget célzok meg, ami egy meglehetősen sovány űrhajós...&quot;<br /> * &quot;...a termodinamikai valószínűség tehát 10^-10^20 lesz, ami a &quot;tök megvalósíthatatlan&quot; szinonímája...&quot;<br /> * &quot;Minden vörös óriás magában foglal egy fehér törpét. Ez így jól hangzik, akár a Gyűrűk Urában is helyet kaphatna...&quot;<br /> * &quot;Látom az arcukon, hogy nem értik.. várjanak mondok egy életszerűbb példát:... vegyünk két fénysebességgel mozgó vonatot.&quot;<br /> * &quot;Bárki is álljon egy vákuumkamrában, mindjárt rosszul fogja magát érezni.&quot;<br /> * &quot;A lóerő az a teljesítmény, amibe egy átlagos ló beledöglik.&quot;<br /> * &quot;Orvos, ügyvéd- ezek mind-mind szerény értelmiségi szakmák...&quot;<br /> * &quot;A Rákóczi-téren este 11-kor történik valami - na az egy esemény.&quot;<br /> * &quot;Politikuséknál számít a sok nulla.&quot;<br /> * &quot;Mindenki könnyen tanulmányozhatja a fotonok energiáját - főleg azok, akiket túl sokat röntgeneztek, ezért elpatkolt.&quot;<br /> * &quot;Még a szegény ember is megengedheti magának, hogy legyen két neutronja.&quot;<br /> * &quot;20/sqrt(3) idő az a hely, ahol a B pont bekövetkezik.&quot;<br /> * &quot;Ez ugye pofonegyszerű, ha az időt is méterben mérjük.&quot;<br /> * &quot;Egyszer fel fog robbanni a Nap, de most ezt halkan mondom, nehogy pánikot keltsek.&quot;<br /> * &quot;Balmert otthagyta a barátnője, és ezért a lambdával játszott...&quot;<br /> * &quot;Ráírják, hogy 40W, közben pedig ráteszek 1W-ot és szétesik.&quot; - a PMPO-ról ha jól rémlik<br /> * &quot;A jó szakember egyre többet tud egyre kevesebbről, míg végül mindent tud a semmiről.&quot;<br /> * &quot;csuromvizes lesz az orcáját illetően&quot;<br /> * &quot;Pacher barátom hisz abban, hogy fontos, hogy egyetem szaga legyen&quot; - a különböző ZH-król<br /> * &quot;nos, ez egy relatív perverz példa&quot;<br /> * &quot;Mint képlet tök érdektelen... csak a módszer!!!&quot; -- [info1]<br /> <br /> <br /> -- [[KarakoMiklos|palacsint]] - 2006.07.18.<br /> <br /> <br /> * &quot;A Curie házaspár úgy került össze, hogy a férj nagyon szeretett integrálni és ezáltal ellenállhatatlannak bizonyult.&quot;<br /> * &quot;Csak akkor működik, ha fel tudunk bérelni egy krampuszt, aki átviszi a negatív töltéseket egyik oldalról a másikra.&quot;<br /> * &quot;Az éppen úgy nem esemény, mint hogy egy kutya megharap egy postást.&quot;<br /> * &quot;Gondolom emlékeznek még a munkára. Aki nem emlékszik, az némi munkával visszaemlékezhet.&quot;<br /> * &quot;Egy két kilós macska kb 1 kg proton. Amikor simogatják erre gondoljanak.&quot;<br /> * &quot;...foroghat a jámbor&quot;<br /> * &quot;A fluxus abban a tartományban van, ami rendezett katonai temetőnek látszik.&quot;<br /> <br /> -- [[PüspökiZsuzsanna|Zsuzsa]] - 2007<br /> <br /> * A speciális relativitáselmélet kapcsán vizsgáljuk a száguldó rúd és a pajta esetét. &quot;És akkor felmerül az az egyszerű szexuálpatológiai kérdés, hogy benne van a rúd, vagy nincs benne.&quot;<br /> * &quot;Nem voltak pontos órák, éjszaka a napóra is pontatlan volt&quot;<br /> * &quot;Azt a lehetőséget, hogy nem vagyunk, azt egyelőre kizárhatjuk&quot;<br /> * &quot;Megvan ez fólián is, de ha látják, hogy szenvedek, az mégiscsak érdekesebb&quot; (spec. relativitáselmélet)<br /> * &quot;Pár centiméteres szikrával sokmindent lehet csinálni: gyújtogatni lehet vele, bele lehet halni, szóval nem veszélytelen.&quot;<br /> <br /> -- [[AdamW|Wallner Ádám]] - 2007.05.25.<br /> <br /> * &quot;Két elektron megy a sivatagban. Az egyik beszól a másiknak: Ne vágj fel, te se vagy Coulomb&quot;<br /> <br /> --<br /> * &quot;Ha az ember a vilagűrt nézi, mindegy, hogy fejjel lefele van-e, de ha az operettszínpadot nézi, akkor végképp idegesítő.&quot;<br /> * &quot;A biológusok azok szogralmas népek&quot;<br /> * Optika feladat: &quot;Itt van egy béka. Régebben ellenséges jugoszláv kém.. Milyen térszögben látszik?&quot;<br /> -- [[MolnarGergely]] - 2008.01.05.<br /> <br /> <br /> [[Category:Altalanos]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Fun_-_F%C3%BCst%C3%B6ss_L%C3%A1szl%C3%B3&diff=200947 2021-06-30T10:36:25Z

<p>Sweidán Omár: </p> <hr /> <div>* &quot;Aki tanul, az hülye. Aki nem tanul, az az is marad.&quot; (thx. to: e v i l )<br /> * Az ikerparadoxonról: &quot;Ha valaki belecsapódik a Földbe fénysebességgel, az életkorbeli különbség nem sokat használ.&quot;<br /> * &quot;Ha ebből a teremből kiszívnánk a levegőt, a tisztelt hallgatóság semmit sem hallana.&quot; - hallgató megjegyzése: &quot;De nem ez lenne a legnagyobb problémánk...&quot;<br /> * Csillagközi űrutazásról: &quot;Ha 1 kg-os hasznos tömeget célzok meg, ami egy meglehetősen sovány űrhajós...&quot;<br /> * &quot;...a termodinamikai valószínűség tehát 10^-10^20 lesz, ami a &quot;tök megvalósíthatatlan&quot; szinonímája...&quot;<br /> * &quot;Minden vörös óriás magában foglal egy fehér törpét. Ez így jól hangzik, akár a Gyűrűk Urában is helyet kaphatna...&quot;<br /> * &quot;Látom az arcukon, hogy nem értik.. várjanak mondok egy életszerűbb példát:... vegyünk két fénysebességgel mozgó vonatot.&quot;<br /> * &quot;Bárki is álljon egy vákuumkamrában, mindjárt rosszul fogja magát érezni.&quot;<br /> * &quot;A lóerő az a teljesítmény, amibe egy átlagos ló beledöglik.&quot;<br /> * &quot;Orvos, ügyvéd- ezek mind-mind szerény értelmiségi szakmák...&quot;<br /> * &quot;A Rákóczi-téren este 11-kor történik valami - na az egy esemény.&quot;<br /> * &quot;Politikuséknál számít a sok nulla.&quot;<br /> * &quot;Mindenki könnyen tanulmányozhatja a fotonok energiáját - főleg azok, akiket túl sokat röntgeneztek, ezért elpatkolt.&quot;<br /> * &quot;Még a szegény ember is megengedheti magának, hogy legyen két neutronja.&quot;<br /> * &quot;20/sqrt(3) idő az a hely, ahol a B pont bekövetkezik.&quot;<br /> * &quot;Ez ugye pofonegyszerű, ha az időt is méterben mérjük.&quot;<br /> * &quot;Egyszer fel fog robbanni a Nap, de most ezt halkan mondom, nehogy pánikot keltsek.&quot;<br /> * &quot;Balmert otthagyta a barátnője, és ezért a lambdával játszott...&quot;<br /> * &quot;Ráírják, hogy 40W, közben pedig ráteszek 1W-ot és szétesik.&quot; - a PMPO-ról ha jól rémlik<br /> * &quot;A jó szakember egyre többet tud egyre kevesebbről, míg végül mindent tud a semmiről.&quot;<br /> * &quot;csuromvizes lesz az orcáját illetően&quot;<br /> * &quot;Pacher barátom hisz abban, hogy fontos, hogy egyetem szaga legyen&quot; - a különböző ZH-król<br /> * &quot;nos, ez egy relatív perverz példa&quot;<br /> * &quot;Mint képlet tök érdektelen... csak a módszer!!!&quot; -- [info1]<br /> <br /> <br /> -- [[KarakoMiklos|palacsint]] - 2006.07.18.<br /> <br /> <br /> * &quot;A Curie házaspár úgy került össze, hogy a férj nagyon szeretett integrálni és ezáltal ellenállhatatlannak bizonyult.&quot;<br /> * &quot;Csak akkor működik, ha fel tudunk bérelni egy krampuszt, aki átviszi a negatív töltéseket egyik oldalról a másikra.&quot;<br /> * &quot;Az éppen úgy nem esemény, mint hogy egy kutya megharap egy postást.&quot;<br /> * &quot;Gondolom emlékeznek még a munkára. Aki nem emlékszik, az némi munkával visszaemlékezhet.&quot;<br /> * &quot;Egy két kilós macska kb 1 kg proton. Amikor simogatják erre gondoljanak.&quot;<br /> * &quot;...foroghat a jámbor&quot;<br /> * &quot;A fluxus abban a tartományban van, ami rendezett katonai temetőnek látszik.&quot;<br /> <br /> -- [[PüspökiZsuzsanna|Zsuzsa]] - 2007<br /> <br /> * A speciális relativitáselmélet kapcsán vizsgáljuk a száguldó rúd és a pajta esetét. &quot;És akkor felmerül az az egyszerű szexuálpatológiai kérdés, hogy benne van a rúd, vagy nincs benne.&quot;<br /> <br /> * &quot;Nem voltak pontos órák, éjszaka a napóra is pontatlan volt&quot;<br /> * &quot;Azt a lehetőséget, hogy nem vagyunk, azt egyelőre kizárhatjuk&quot;<br /> * &quot;Megvan ez fólián is, de ha látják, hogy szenvedek, az mégiscsak érdekesebb&quot; (spec. relativitáselmélet)<br /> * &quot;Pár centiméteres szikrával sokmindent lehet csinálni: gyújtogatni lehet vele, bele lehet halni, szóval nem veszélytelen.&quot;<br /> <br /> -- [[AdamW|Wallner Ádám]] - 2007.05.25.<br /> <br /> * &quot;Két elektron megy a sivatagban. Az egyik beszól a másiknak: Ne vágj fel, te se vagy Coulomb&quot;<br /> <br /> --<br /> * &quot;Ha az ember a vilagűrt nézi, mindegy, hogy fejjel lefele van-e, de ha az operettszínpadot nézi, akkor végképp idegesítő.&quot;<br /> * &quot;A biológusok azok szogralmas népek&quot;<br /> * Optika feladat: &quot;Itt van egy béka. Régebben ellenséges jugoszláv kém.. Milyen térszögben látszik?&quot;<br /> -- [[MolnarGergely]] - 2008.01.05.<br /> <br /> <br /> [[Category:Altalanos]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Fun_-_N%C3%A9meth_G%C3%A1bor&diff=200907 2021-06-13T18:43:27Z

<p>Sweidán Omár: </p> <hr /> <div>* &quot;Amikor én sétálok az utcán, nem galambokat látok, hanem vektorokat.&quot; -- [[FoldesAdam|Földe]] - 2005.11.18.<br /> * (A tanár úr kissé fura példával illusztrálta a mai félvezetős memóriák gyengeségeit :) ) &quot;Ha maga két hétig nem eszik, akkor a tárolt információ elvész.&quot; -- [[FoldesAdam|Földe]] - 2005.11.24.<br /> * &quot;A következő órán a kecskeszakállas kollega agyát fogjuk megvalósítani.&quot;<br /> * &quot;A PC nem számítógép. Pont ugyanaz, mint hogy a Trabantot is autónak hívják, holott semmi köze hozzá.&quot; -- [info1]<br /> * &quot;A megoldás tökéletesen logikus, de teljességgel rossz.&quot;<br /> * A következő mondatot Tanár Úr akkor mondta, mikor egy kollégánk aláírás nélkül akart vizsgázni, index beszedés után ezt kiderítette, és lehívta a pulpitushoz: &quot;Értse meg, Ön számunkra nem létezik!&quot; -- [[SubaGergely|Subi]] - 2007.01.19.<br /> <br /> -- [[KarakoMiklos|palacsint]] - 2006.07.18.<br /> <br /> * Budapesten 3 utcát leszámítva négykerék-meghajtású terepjáróval érdemes közlekedni.<br /> * És ha mondjuk rekeszes sört akarunk szállítani, feltaláljuk a teherautót.<br /> * Nem tudom, mi volt éppen a neve, szóval mondjuk a Selényi-tárgy.<br /> * Banki rendszert kell terveznünk, mittudom én, &quot;Lopjunk még több pénzt az ügyfél számlájáról&quot; projektnévvel.<br /> * Nem nagyon értjük, de látjuk, hogy dolgozik, vannak színek...<br /> * Minek gyártanánk olyan primitív intelligenciát, mint a magáé?<br /> * A cápa végrehajtja az erőforrásainak megfelelő feladatot, vagyis leharapja a fejét.<br /> * A pirosat különösen nehéz olvasni, de ez többé-kevésbé szándékos is.<br /> * vagy egyéb izé...<br /> * Egy javítás... Nem is javítás, inkább kivétel... Nem is kivétel, inkább lazítás.<br /> * Ebből így nem fogják megérteni az FFT algoritmust, de nem azért mondom így, hogy ne értsék meg.<br /> * Ezen majd tessék meglepődni!<br /> * A pálinkát azért mondtam, mert azt ismeri, nincs is vele gondja...<br /> * Egy pillanat... Még valamit megálmodok...<br /> * A matematikusokat általában nem kell komolyan venni.<br /> * A német órát nem rólam nevezték el, hanem a Habsburgokról.<br /> * Vigyázzanak! Három féle ZH van nálam. Két feldühített és egy normál verzió.<br /> * Tegyük fel, hogy az Úristen ezt látja - Az egyszerűség kedvéért mondjuk azt, hogy én ezt látom<br /> * Ezt el akarom rejteni. Hála a jó istennek el is rejtem.<br /> * Hallgatom egy politikus szövegét, és az égegyadta világon semmilyen információ nem jön felém.<br /> * ... a csillagok megfelelő állása mellett<br /> * Ha önöknek a bonyolultság gondot okoz, akkor térjenek vissza ahhoz, hogy kővel dörzsölgetnek egy fadarabot! (Na abból nehezen lesz tűz! :D)<br /> * Ez gyakorlat, annak ellenére, hogy csak én beszélek.<br /> * Ám az igazi istencsapása - és emiatt fognak a vizsgán megbukni...<br /> * Tehát az úristen szerint, na meg persze szerintem...<br /> * Szünet előtt, és mielőtt meginnám a kávémat, nem merek bonyolultabb feladatot bevállalni.<br /> * Tegyük fel, hogy nekem véges, egymástól független entitásom van, mint például most maguk.<br /> * Vagy a titkárnőre, vagy az egyetemre, vagy önökre vagyok allergiás.<br /> * Ilyenkor két megoldás lehetséges: Vagy begyógyszerezem magam - ami már megvolt -, vagy nem jövök többet ide, amin eléggé gondolkodok.<br /> * Mire maguk elvégzik az egyetemet, főleg, ha még egyszer-kétszer megbuknak ebből a tárgyból, meg még másból is, ez lehet, hogy már egészen másképp lesz.<br /> <br /> * Ne törődjenek a NEPTUN-szabályokkal stb., én sem törődök vele.<br /> * Ha kérdésük van, inkább a szünetben tegyék fel, akkor holtbiztos, hogy iszom a kávémat<br /> * Az elején szándékosan lesz nagyon egyszerű, hogy ne veszítsék el a kedvüket.<br /> * Ez az istencsapása Neumann-architektúra úgy működik, hogy...<br /> * Nem látok egy helyes képet... jut eszembe, senki sem lát egy helyes képet.<br /> * Ez elég primitív, gondolom, egy programot is tudnának rá írni...<br /> * Emlékeztetőül felfirkálom a táblára, a szünetben ne engedjék letörölni.<br /> * Az teljesen mindegy, hogy i=3 vagy piros színű tokenem van... a gond az, hogy nem tudják, hogy mi az, hogy token...<br /> * ...ez sokkal jobb annál, mint ahogy elsőre hiszik.<br /> * Szúrjunk ki valakit: a szakközepes kiváló, enni azért tud.<br /> * Tételezzük fel, hogy a kollega tud gondolkodni, és rendszeresen szokott is...<br /> * 10^11 neuron van az agyában... az önében csak 10^10.<br /> * Erre Nobel-díj van kitűzve, még nem jelentkeztek rá...<br /> * Maga is olyan, ha két hétig nem eszik, elveszti az agyában tárolt adatokat.<br /> * Tételezzük fel, hogy ma 2-től 4-ig az tanulják, hogyan tegyék még jobban tönkre a magyar gazdaságot.<br /> * Az információk, amik az Önök agyában vannak, sem biztos, hogy igazak... sem biztos, hogy értelmesek.<br /> * Elolvassa egyszer a ZH előtt, egyszer a pótZH előtt, egyszer a vizsga előtt és egyszer az ismétlővizsga előtt... majd jön keresztfélévre... (agy viselkedésének a szemléltetéséről, avagy neked mindent ezerszer kell elmondani?)<br /> * Annak, hogy egy olyan intelligenciájú gépet csináljak, mint maga, nincs sok értelme...<br /> * A középkorban megpróbálták lemásolni a galamb repülését... később inkább kitalálták a Jumbo Jet-et.<br /> * ...valami repülő tárgyat lát... egy galamb repül.<br /> * Meg tudja különböztetni a varjút a lehulló falevéltől.<br /> * Amikor a kollega kimegy a szünetben a zöldbe, nem madarakat lát, hanem vektorokat.<br /> * Válaszolhatnék (közbevetett kérdésre), de semmi kedvem.<br /> * Egy számítógép esetén van szoftvertervező és hardvertervező, akiknek az érdekei tökéletesen ellentétesek. Kezdjük a szoftvertervezővel, mert ő a komolytalanabbik fajta...<br /> * A számítástechnika esetén az 1 ms az örökkévalóság szinonimája.<br /> * Ez nyilvánvalóan logikus, ebből következik, hogy hülyeség.<br /> * A számítástechnikában a 0 a legfontosabb.<br /> * Jobb operációs rendszerekben, mondom, JOBB!!!<br /> * Ha kirabol egy bankot... mert tisztességesebb módszert nem látok arra, hogy több pénze legyen... kivéve, ha bankár lesz.<br /> * Félvezetőgyártás - azt nem szeretjük, mert nem értek hozzá.<br /> * Lesz a nyelveknek egy csoportja, amelyet a sörgyártásra találtak ki.<br /> * A Pentium, ami a számítástechnika alja...<br /> * ...ennek a megoldása az a szuperskalár architektúra, amit a kávézásom után fogok elmondani.<br /> * ...tehát az IBM jobb zsebe a bal zsebével komoly versenyben van...<br /> * Remélem, kezd derengeni Önben, hogy a váltóállítás nem egészen ugyanazokat az áramköröket igényli, mint a szkenner kezelése...<br /> * Vagy olyan, hogy az ajtó zárva van, vagy nincs nyitva... ''(más lehetőség nincs :)'' )<br /> * Annyira primitív a dolog, hogy szégyellem elmondani.<br /> * Nem tételezhetem fel a szoftveresről, hogy ért a számítástechnikához...<br /> * Nem igaz, amit mondok, de öt percre higgyék el, hogy így van.<br /> * Csakhogy egy távközlési beruházás pénzbe kerül.<br /> * Az Úristen egyik attribútuma, hogy mindent lát... Ez így van, vannak neki is attribútumai.<br /> * Van egy-két apróbb problémám... a legnagyobb problémát csak szünet után mondom.<br /> * Gépkocsivezetés tanulásánál... most a KRESZ-t hagyjuk a fenébe.<br /> * Az üzenetküldéssel nincs probléma, azt meg el tudják képzelni, hogy lassú.<br /> * Azt, hogy ehhez mekkora Hamming-távolságra van szükség, kegyeleti okokból nem említem.<br /> * Három változatot mondok, ebből az első kettő nem igazán elterjedt a gyakorlatban, csak azért említem, hogy legyen némi sikerélményük.<br /> * Csak azért, hogy legyen valaki, aki szünetben, amikor a kávémat iszom, odajön, hogy nem egészen jó, amit felírtam...<br /> * Istenkém, a hardver nem kerül pénzbe, meg kell csinálni... <br /> * Azért hipotetikus nyelv, mert nem kell megtanulniuk. Persze javaslom, hogy sürgősen tanulják meg.<br /> * Mondok egy példát, s a lányoktól előre elnézést kérek. ''(van miért :k )''<br /> * Idáig csak-csak értették a dolgot... ''(biztos??? :p )''<br /> * Az autóvezetésnek rossz oldalai vannak... például tetű lassú az a gép.<br /> * Egyetlenegy baj van... az, hogy ezt egyedül az Úristen ismeri, aki mindent lát.<br /> * Sajnálom, de itt a piros szín helyett minden ilyen beteg feketének látszik. Nem lehet minden tökéletes. (kivetítőről)<br /> * Egy rendszerben nem csak meghibásodnak, hanem javítják is őket (csomópontokat)... Figyelem, nem a budapesti úthálózatról beszélek, hanem számítástechnikáról.<br /> * Megkérdezhetnék, hogy j miért indít jelöltet. Azért, mert messze nem biztos, hogy maga (az i) megnyeri a választást.<br /> * Szúrjunk ki egy tagot, mondjuk őt, az előbb is problémám volt vele.<br /> * A pálinkás példára emlékezni fog, de gondolják végig, hogy mi lenne, ha ez banki tranzakció lett volna.<br /> * Azt álmodtam, hogy indirekt módon kell bebizonyítani.<br /> * Kapaszkodjanak, mert ez nem olyan... szerintem mondjuk triviális, de nem olyan könnyen látható.<br /> * Most jön az, amire válaszoltam, csak maga nem ezt kérdezte.<br /> * Két dolog. 1. Szünetet tartok. 2. Jövő héten ZH-t akarnak írni. ''(a tanár úr meg ZH-t akar javítani :) )''. Nagyon meg lennék lepve, ha nem az elosztott rendszerekből írnák. ''(Most már mi is :) )''<br /> * Mert feltételezzük, hogy a matematikusok komoly emberek, noha ezt semmi sem támasztja alá.<br /> * Amerikában ilyen hülye dolgok vannak: a madár tud repülni, de inkább fára mászik.<br /> * Látott már órát? Az egy rohadt kis önkényes szerkezet.<br /> * Ez nem mond ellen a baloldali képnek, csak nem egyezik vele.<br /> * ...vagy fizikai órákkal, de az csak később, a zárthelyi után jön.<br /> * A következőben állapodunk meg Önökkel önkényesen...<br /> * Tehát a taszk a bivalybogyiszlói tűzoltózenekar előadása...<br /> * Ha egy operációs rendszer túl sok időt tölt azzal, hogy melyik taszk melyik processzoron fusson, akkor kevesebb ideje jut arra, hogy felhasználói taszkokat hajtson végre.<br /> * Ez az összefüggés igaz, de nem jó.<br /> * Miközben azokat nézegetem, ezek nyugodtan meghalhatnak. (hibakeresés szemléltetése multiprocesszoros rendszerekben, a szemléltetőeszköz a hallgatóság :p )<br /> * Primitíven gondolkodva - a primitív gondolkozást a logikus gondolkodás egyik szinonimájának fogom tekinteni.<br /> * Az eddig elhangzottakat értették? Ha igen, bólogassanak... Csak az a kár, hogy nem igaz.<br /> * A technológia nagyjából mindegy, hogy olajat párlunk vagy sört gyártunk.<br /> * Vegyünk egy kétprocesszoros rendszert, az egyszerűség kedvéért, ugyanis ennél egyszerűbb multiprocesszoros rendszert nehéz elképzelni.<br /> * Én OS/2-t akarok futtatni, maga Linuxot, maga meg teljesen ostoba, tehát Windows XP-t.<br /> * Látott mikrohullámú sütőt? Maga is látott digitális fényképezőgépet... Azt remélem, nem képzelik, hogy Windows XP-t telepítek a mikrohullámú sütőre.<br /> * De hát a PC nem számítógép, a Microsoft Windows nem operációs rendszer.<br /> * Mire jó ez? Az, hogy nyilvánvalóan drágább, az triviális.<br /> * Szeretnék Önöknek egy idegesítő példát bemutatni...<br /> * Csak az a baj, hogy Ön írja a programot, így vannak benne hibák.<br /> * Jól jegyezzék meg ezt a csirkeszínezési problémát, mert fontos lesz.<br /> * ...de mi nem csirkét gyártunk, bár lehet, hogy jobban járnánk vele.<br /> * De vegyék észre, hogy a pipeline hátralevő része üres, azaz a sütőből nem jön ki csirke.<br /> * A szoftveresek igen tekintélyes részét arra alkalmazzuk, hogy ne írjon programot.<br /> * Ha maga most kimegy a kapun, fejére esik egy tégla, és meghal... reménykedjünk.<br /> * Lehet, hogy Önöknek nem tetszenek a pipeline-ok és később még kevésbé fognak...<br /> * Volt már Szabályozástechnika órájuk? Nem? Majd megbuknak belőle...<br /> * ...az élet meglehetősen bonyolult dolog - már akinek.<br /> * Bajban vagyok. Illetve Önök lesznek bajban a vizsgán.<br /> * Hát, tartok tőle, hogy ezt idáig értették... nagyjából.<br /> * Intelligens hálózaton a hálózat intelligenciáját értjük.<br /> * Tegyük fel, hogy ezt a kollégát jövőre is megbuktatjuk az ismétlővizsgán, aki öngyilkos lesz, tengerbe veti magát, hogy valami jó is legyen.<br /> * Vegyék észre, hogy nincs rá garancia, hogy felülről korlátos idő alatt felzabálják a testét...<br /> * Amit a kollega kérdezett, teljesen logikus hülyeség.<br /> * Nem akarok részleteiben neurális hálózatokkal foglalkozni, mert semmi közük hozzá.<br /> * Ön középiskolában tanult fizikát... bocsánat, egy tanár tanította...<br /> * Félek a megjegyzésektől, mert félre szokták magyarázni, jó, én is úgy mondom, hogy félremagyarázható legyen.<br /> * Ettől kezdve magának... nem, nem magának, hanem aki nem iszik...<br /> * ...bocsánat, Einstein mondta, hogy úgy becsüli, a saját agyának 5%-át használja ki, de udvarias vagyok, ezért mondtam, hogy Ön az agyának 5%-át használja ki.<br /> * Fasírtot már látott? Ez a hash kódolás lényege.<br /> * Ez ugyan egy angol idézet, de tőlem származik.<br /> * Meg fogjuk oldani a &quot;Fosszuk ki még jobban az ügyfelet&quot; bankcsoport rendszerét.<br /> * Jobb számítógépeken nincs Reset gomb, igaz, Windows sincs.<br /> * ...természetesen egyike a legjobbaknak, mert mi valósítottuk meg.<br /> * Tehát pl. emberek esetén a szemek száma 0 és 2 közé esik.<br /> * Az objektum kulcsszavakat, ha nem felejtem el, pirossal fogom jelölni.<br /> <br /> -- [[SzendreiGabor|Szega]] - 2007.07.01.<br /> <br /> 2010-es termés:<br /> * Tegyük fel, hogy a matematikusok értelmes emberek. Ez egyébként nem igaz.<br /> * Az elmúlt száz évben történt pár apróság, pl. a világ egyik fele megpróbálta kiirtani a másikat.<br /> * Egy Einstein nevű fickó azon elmélkedett, hogy ha gyorsabban fut, az órája gyorsabban jár, mintha lassabban futna.<br /> * (furcsa arcszőrű emberre:) Kopasz, de szintén borotválatlan entitás<br /> * Amikor hallgató voltam (lehetett vagy 100 éve....), akkor én is szakállat akartam növeszteni. Megtettem. Egy este a mamám a kedvenc kajámat főzte. Csak akkor ehettem meg, ha levágom a szakállamat. Azóta nincs szakállam.<br /> * Tegyük fel, hogy Én vagyok az Úristen, és így látom az időt. Ez így egy elég jó közelítés.<br /> * Bemegyek a Malév Váci utcai jegyirodájába, rávicsorgok a hölgyre...<br /> * Amit a TV-ben, interneten, újságban, könyvekben,.... olvasnak, annak tekintélyes része szélhámosság.<br /> * (Q épületben:) Külön pénzt vettek fel az épület építői, hogy pormentes krétával írhassunk. Az agyuk volt pormentes.<br /> * Az óra végén kimennek a teremből, átmennek, meghallgatják a &quot;Hogyan tegyük tönkre Magyarország gazdaságát?&quot; c. előadássorozatot....<br /> <br /> <br /> [[Category:Altalanos]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Fun_-_Gy%C3%B6rfi_L%C3%A1szl%C3%B3&diff=200906 2021-06-13T18:16:41Z

<p>Sweidán Omár: </p> <hr /> <div>* &quot;Az ideális aluláteresztő szűrő nem megvalósítható, de álmodozunk róla.&quot;<br /> * &quot;Nincs sok hátra, tartsanak ki.&quot; <br /> <br /> <br /> [[Category:Altalanos]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Szoftvertechnik%C3%A1k_ZH_2019.04.08.&diff=200896 2021-06-02T19:34:06Z

<p>Sweidán Omár: /* 2. feladat: */</p> <hr /> <div>{{vissza|Szoftvertechnikák}}<br /> <br /> Nem szó szerinti feladatok, hibák lehetnek benne!<br /> <br /> === Beugró: ===<br /> <br /> ==== 1. feladat: ====<br /> <br /> StringStore osztályt kellett írni, a tárolt adatot property-vel elérhetővé tenni és ha null-ra állítjuk egy eseményt kellett elsütni. Példakódban fel kellett iratkozni az eseményre.<br /> <br /> ==== 2. feladat: ====<br /> <br /> a. Milyen adatot tartalmaz egy Win32 üzenet?&lt;br /&gt;<br /> b. GDI rajzolás, egy négyzetet és stringet is kellett rajzolni, Timer-re változva, billentyűre leállítva.<br /> <br /> ==== 3. feladat: ====<br /> <br /> a. Mikor érdemes többszálú alkalmazást készíteni? (3 db)<br /> b. <br /> <br /> === Maradék: ===<br /> 55p összesen<br /> <br /> ==== 4. feladat: ====<br /> <br /> Feleletválasztós kérdés a dinamikusan foglalt változókról (lehet-e destruktorban felszabadítani).<br /> <br /> ==== 5. feladat: ====<br /> <br /> Milyen tulajdonságát kell állítani egy Button-nek hogy a magassága arányosan változzon az ablak újraméretezésekor? (Feleletválasztós)<br /> <br /> ==== 6. feladat: ====<br /> <br /> Igaz/Hamis<br /> - Többszálú program mindig gyorsabb<br /> - ReadWriteLock akkor hasznos, ha sokat olvasunk és kevset írunk<br /> - ManualResetEvent-el hatásos várakozás programozható<br /> - x++ atomi művelet (32 bites int)<br /> - Folyamatok közt Semaphor és nem Mutex használható<br /> <br /> ==== 7. feladat: ====<br /> <br /> UI moduláris kialakításához mit kell használni? (Feleletválasztós)<br /> <br /> ==== 8. feladat: ====<br /> <br /> Kompozit, újrahasználható vezérlőkhöz mit kell használni? (Feleletválasztós)<br /> <br /> ==== 9. feladat: ====<br /> <br /> Igaz/Hamis<br /> - .NET Core csak Windowson fut<br /> - IL-re JIT fordító fordít<br /> - IL-t könnyű visszafejteni<br /> - Windows Forms nem támogat lineáris transzformációkat<br /> - .NET beépített osztályok legtöbbje szálbiztos<br /> <br /> [[Kategória:Mérnök informatikus]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Szoftvertechnik%C3%A1k_ZH_2019.04.08.&diff=200895 2021-06-02T19:33:52Z

<p>Sweidán Omár: /* 1. feladat: */</p> <hr /> <div>{{vissza|Szoftvertechnikák}}<br /> <br /> Nem szó szerinti feladatok, hibák lehetnek benne!<br /> <br /> === Beugró: ===<br /> <br /> ==== 1. feladat: ====<br /> <br /> StringStore osztályt kellett írni, a tárolt adatot property-vel elérhetővé tenni és ha null-ra állítjuk egy eseményt kellett elsütni. Példakódban fel kellett iratkozni az eseményre.<br /> <br /> ==== 2. feladat: ====<br /> <br /> a. Milyen adatot tartalmaz egy Win32 üzenet?&lt;br /&gt;<br /> b. GDI rajzolás, egy négyzetet és stringet is kelett rajzolni, Timer-re változva, billentyűre leállítva.<br /> <br /> ==== 3. feladat: ====<br /> <br /> a. Mikor érdemes többszálú alkalmazást készíteni? (3 db)<br /> b. <br /> <br /> === Maradék: ===<br /> 55p összesen<br /> <br /> ==== 4. feladat: ====<br /> <br /> Feleletválasztós kérdés a dinamikusan foglalt változókról (lehet-e destruktorban felszabadítani).<br /> <br /> ==== 5. feladat: ====<br /> <br /> Milyen tulajdonságát kell állítani egy Button-nek hogy a magassága arányosan változzon az ablak újraméretezésekor? (Feleletválasztós)<br /> <br /> ==== 6. feladat: ====<br /> <br /> Igaz/Hamis<br /> - Többszálú program mindig gyorsabb<br /> - ReadWriteLock akkor hasznos, ha sokat olvasunk és kevset írunk<br /> - ManualResetEvent-el hatásos várakozás programozható<br /> - x++ atomi művelet (32 bites int)<br /> - Folyamatok közt Semaphor és nem Mutex használható<br /> <br /> ==== 7. feladat: ====<br /> <br /> UI moduláris kialakításához mit kell használni? (Feleletválasztós)<br /> <br /> ==== 8. feladat: ====<br /> <br /> Kompozit, újrahasználható vezérlőkhöz mit kell használni? (Feleletválasztós)<br /> <br /> ==== 9. feladat: ====<br /> <br /> Igaz/Hamis<br /> - .NET Core csak Windowson fut<br /> - IL-re JIT fordító fordít<br /> - IL-t könnyű visszafejteni<br /> - Windows Forms nem támogat lineáris transzformációkat<br /> - .NET beépített osztályok legtöbbje szálbiztos<br /> <br /> [[Kategória:Mérnök informatikus]]</div>

Sweidán Omár https://vik.wiki/index.php?title=A_programoz%C3%A1s_alapjai_III.&diff=193245 2018-01-07T19:39:36Z

<p>Sweidán Omár: /* Pótlási lehetőségek */Fixed typo</p> <hr /> <div>{{Tantárgy<br /> | név = A programozás alapjai 3<br /> | tárgykód = VIIIAB00<br /> | szak = info<br /> | kredit = 5<br /> | félév = 3<br /> | kereszt = nincs<br /> | tanszék = IIT<br /> | jelenlét = <br /> | minmunka = <br /> | labor = van<br /> | kiszh = 6 db<br /> | nagyzh = nincs<br /> | hf = 1 nagyházi<br /> | vizsga = nincs <br /> | levlista = <br /> | tad = https://portal.vik.bme.hu/kepzes/targyak/VIIIAB00<br /> | tárgyhonlap = https://www.iit.bme.hu/targyak/BMEVIIIAB00<br /> }}<br /> <br /> == Követelmények ==<br /> * '''Előtanulmányi rend:''' [[A programozás alapjai 2]] tárgyból kredit megszerzése szükséges a tárgy felvételéhez.<br /> * '''Kredit megszerzésének''' feltételei:<br /> ** 6-ból a legjobb 4 kisZH minimum 40%-os teljesítése (max 5 pont szerezhető).<br /> ** Egy egyszerűbb GUI-s Java program elkészítése a kiírásnak megfelelően.<br /> ** Jelenlét: a laborok 70%-án jelen kell lenni. Ha a laborfeladatokból a kötelezőeket nem csinálod meg mindet, az hiányzásnak számít.<br /> <br /> A félév végi jegy a legjobb 4 KZH átlagából adódik. Ha ez az átlag nem egész szám lenne, a kerekítést a laborvezető a laborokon végzett munkád alapján végzi.<br /> <br /> == Pótlási lehetőségek ==<br /> * A KZH-k nem pótolhatóak. De mivel a jegybe 2 KZH eredménye nem számít bele, azt a két alkalmat használhatod jobb eredmény elérésére.<br /> * A laboralkalmak nem pótolhatóak.<br /> * A nagy házit a pótlási hét végéig, különeljárási díj mellett lehet pótolni, de csak akkor, ha az utolsó hetekben tartott bemutatáson már valamennyire kész van a programod, csak kisebb javításokra szorul.<br /> <br /> == Segédanyagok ==<br /> === Régi anyagok ===<br /> Ezek a segédanyagok a régi tárgyhoz készültek, de többé-kevésbé használhatóak még most is.<br /> * [https://docs.google.com/document/d/1wfXi3eqx_KPbbc2LHxP5_dqQ75gaZou6gEknFETEdck/edit '''Közösen szerkeszthető''' Google-doksi] - nem hibátlan, egészítsd és javítsd ki Te is!<br /> * [https://sites.google.com/site/czirjakzoltan91/programozas/java Czirják Zoltán Java-anyagai]<br /> * [http://docs.oracle.com/javase/tutorial/java/generics/bounded.html Bounded Type Parameters] - Oracle Java tutorial kötött dzsókerekröl<br /> * [http://docs.oracle.com/javase/tutorial/java/nutsandbolts/_keywords.html Java Language Keywords] - Oracle Java tutorial a kulcsszavakról (pl. delete nincs benne, tehát használható változónévként)<br /> * [http://docs.oracle.com/javase/tutorial/java/javaOO/accesscontrol.html Controlling Access to Members of a Class] - Oracle Java tutorial<br /> * [[Szofttech_Java_igaz-hamis | '''Kikérdező''']] - igaz-hamis kérdések tesztje Java témakörből, 2000. december 19. és 2014. január 21. közötti összes vizsga átnézve, minden igaz-hamis beválogatva; az A-B-C-D-E jellegű Java kérdések tagmondatai is benne vannak, csak igaz/hamis válaszlehetőségekkel<br /> * [[Media:JavaIntro_v3.pdf | '''Java összefoglaló''']] - AUT tanszékről, Android alapú szoftverfejlesztés c. tárgy Java gyorstalpalója<br /> <br /> === 2016-os előadásdiák ===<br /> * [[Media:prog3_dia_2016_1.pdf|Java language basics]]<br /> * [[Media:prog3_dia_2016_2.pdf|Java input/output]]<br /> * [[Media:prog3_dia_2016_3.pdf|Java serialization]]<br /> * [[Media:prog3_dia_2016_4.pdf|Java collections]]<br /> * [[Media:prog3_dia_2016_5.pdf|Java utilities]]<br /> * [[Media:prog3_dia_2016_6.pdf|Multithreading in Java]]<br /> * [[Media:prog3_dia_2016_7.pdf|Java and UML]]<br /> * [[Media:prog3_dia_2016_8.pdf|Java GUI and SWING]]<br /> * [[Media:prog3_dia_2016_9.pdf|Java GUI and SWING]]<br /> * [[Media:prog3_dia_2016_10.pdf|Unit tests in Java: JUnit]]<br /> * [[Media:prog3_dia_2016_11.pdf|XML handling in Java ]]<br /> * [[Media:prog3_dia_2016_12.pdf|Logging]]<br /> * [[Media:prog3_dia_2016_13.pdf|Reflection, interfaces and lambda]]<br /> * [[Media:prog3_dia_2016_14.pdf|Java Enterprise Edition]]<br /> <br /> == Házi ==<br /> A félév során egy nagy házit kell készíteni, amit mindenki magának talál ki. Elvárás, hogy használjon Swing alapú GUI-t (de ha akarod, egyeztetés mellett akár JavaFX vagy más keretrendszer is lehet), valamilyen Collectiont (List, Set, Map, etc.), legyen benne szerializálható adat és tesztelés-támogatás (JUnit).<br /> <br /> Házi ötletek:<br /> * Aknakereső, a toplista vagy a pálya lementhető<br /> * Snake multiplayer<br /> * Életjáték (Conway's Game Of Life)<br /> * Chatprogram<br /> * Naptár<br /> * Egyszerűbb fájlkezelő<br /> * Táblázatkezelő (miniExcel)<br /> <br /> {{Lábléc_-_Mérnök_informatikus_alapszak_2014}}</div>

Sweidán Omár https://vik.wiki/index.php?title=BSc_Auton%C3%B3m_intelligens_rendszerek_szakir%C3%A1ny&diff=193233 2018-01-07T17:44:29Z

<p>Sweidán Omár: /* Ágazatok */</p> <hr /> <div>__TOC__<br /> <br /> == Bevezető ==<br /> <br /> A szakirány koordinátora: '''IIT'''<br /> <br /> {{Rejtett<br /> |mutatott='''A szakirány ismertetője'''<br /> |szöveg= <br /> <br /> === A megcélzott szakterület főbb jellegzetességei, trendjei ===<br /> <br /> Az autonóm intelligens rendszerek olyan számítógépes rendszerek, melyek emberi közreműködés és állandó emberi felügyelet nélkül is képesek komplex feladatok megoldására: képesek környezetükből származó információ érzékelésére és feldolgozására, képesek önálló döntések meghozatalára és alkalmasak komplex technológiai folyamatokba történő beavatkozásra, a folyamatok felügyeletére, illetve irányítására. Az autonóm rendszerek a műszaki fejlődés fontos állomását képezik, jelentőségük folyamatosan nő. Az autonóm intelligens rendszerek létrehozása az információ technológia széles spektrumának integrálását igényli. A szakirány célja rövid és hosszú távon egyaránt hasznosítható ismeretek nyújtása, olyan műszaki informatikus szakemberek képzése, akik tisztában vannak az autonóm intelligens rendszerekre jellemző főbb képességeket biztosító megoldások elvi és gyakorlati problémáival. Így foglalkozik az olyan alapvető információ-feldolgozó eljárásokkal, mint a kooperációval és e rendszerek képességeinek javítását a környezetből származó információ autonóm felhasználását biztosító gépi tanulással. A szakirány ágazatainak elvégzése során elsajátított tudásanyag ugyanakkor az olyan alkalmazási területek tekintetében is önállóan hasznosítható praktikus ismereteket nyújt, mint a különböző robotok, járművek és alrendszereik irányítása és vezérlése, illetve az irányítási és jelfeldolgozási feladatokat valós időben megvalósító, a környezetükkel intenzív információs kapcsolatban lévő beágyazott rendszerek információtechnológiája.<br /> <br /> === A megszerezhető kompetenciák ===<br /> <br /> A szakirány elvégzése után a hallgatók képessé válnak:<br /> *autonóm rendszerek irányítási és jelfeldolgozási feladatainak végrehajtására,<br /> *az elosztott intelligens rendszerek fejlesztésére és üzemeltetésére<br /> *autonóm robotrendszerek és járművek alrendszereinek programozására, irányítására és vezérlésére,<br /> *ipari képfeldolgozó és megjelenítő módszerek fejlesztésére és alkalmazására,<br /> *a szenzorhálózatok magasabb rendszerszintekhez való informatikai illesztésére,<br /> *kommunikáció révén kooperatív ágensek tervezésére,<br /> *mesterséges intelligencia komponensek (pl. tanuló képesség) tervezése és beágyazása integrált informatikai rendszerbe,<br /> *heterogén információforrásokból információt kinyerő (adatbányászó) alkalmazások tervezésére,<br /> *elosztott komponensek egy rendszerbe történő integrálására.<br /> <br /> === A megszerezhető ismeretek főbb témakörei ===<br /> <br /> *autonóm rendszerek irányítási és jelfeldolgozási feladatainak végrehajtására,<br /> *szemantikus web-re kötött szenzorhálózatok, szemantikus web-ről információt begyűjtő, feldolgozó rendszerek<br /> *kommunikáló, kooperáló ágensrendszerek,<br /> *ipari képfeldolgozási és képmegjelenítési módszerek,<br /> *intelligencianövelő és tudásnövelő rendszerkomponensek,<br /> *gépi tanulás alapeljárásai,<br /> *mobil robotok és járművek pályatervezése, navigációs rendszerének felépítése,<br /> *adatbázisokból információt kibányászó rendszerek,<br /> *ipari robotok és gyártócellák felépítése, programozása, pályatervezése és működtetése<br /> *kiterjedt, heterogén információ-forrásokat felhasználó döntéstámogató rendszerek tudásintenzív feladatokhoz.<br /> *érzékelők, beavatkozók ismerete, alkalmazása.<br /> <br /> === A témakörökhöz kapcsolódó legfontosabb módszertanok és technológiák ===<br /> <br /> *autonóm és intelligens rendszerek irányítási és koordinációs módszerei,<br /> *rendszertervezési módszertanok és technológiák, tervező rendszerek,<br /> *ipari képfeldolgozási és képmegjelenítési módszerek megvalósítása<br /> *XML alapú rendszerleíró nyelvek és technológiák,<br /> *Sensor Web technológiái, korszerű szenzorrendszerek integrálása informatikai rendszerekbe,<br /> *Java alapú elosztott kommunikáló rendszerek tervezése,<br /> *robotrendszerek programozása és irányítási módszerei<br /> *navigációs és pályatervezési módszerek<br /> *mesterséges intelligencia módszerek Java szintű, beágyazott implementálása,<br /> *FIPA ágensszabvány, ágens kommunikációs nyelvek,<br /> *adatbányászati módszerek és technológiák,<br /> *jármű alrendszereinek beágyazott tervezése, illesztése,<br /> *e-kereskedelem módszertana és technológiái.<br /> <br /> }}<br /> <br /> == Felvételi ponthatárok ágazatonként ==<br /> <br /> {|class=&quot;wikitable&quot;<br /> ! width=&quot;20%&quot;|Ágazat neve<br /> ! width=&quot;10%&quot;|Ágazat tanszéke<br /> ! width=&quot;5%&quot;|2008<br /> ! width=&quot;5%&quot;|2009<br /> ! width=&quot;5%&quot;|2010<br /> ! width=&quot;5%&quot;|2011<br /> ! width=&quot;5%&quot;|2012<br /> ! width=&quot;5%&quot;|2013<br /> ! width=&quot;5%&quot;|2014<br /> |-<br /> ! Autonóm rendszerek<br /> | style=&quot;text-align:center&quot;|IIT<br /> | style=&quot;text-align:center&quot;|3.64<br /> | style=&quot;text-align:center&quot;|2.59<br /> | style=&quot;text-align:center&quot;|2.53<br /> | style=&quot;text-align:center&quot;|2.28<br /> | style=&quot;text-align:center&quot;|2.44<br /> | style=&quot;text-align:center&quot;|2.38<br /> | style=&quot;text-align:center&quot;|2.48<br /> |-<br /> ! [http://www.mit.bme.hu/oktatas/szakiranyok/bsc/int_rsz Intelligens rendszerek]<br /> | style=&quot;text-align:center&quot;|MIT<br /> | style=&quot;text-align:center&quot;|2.87<br /> | style=&quot;text-align:center&quot;|2.74<br /> | style=&quot;text-align:center&quot;|2.42<br /> | style=&quot;text-align:center&quot;|2.25<br /> | style=&quot;text-align:center&quot;|2.34<br /> | style=&quot;text-align:center&quot;|2.30<br /> | style=&quot;text-align:center&quot;|2.42<br /> |}<br /> <br /> == Közös tárgyak ==<br /> * [[Ipari képfeldolgozás és képmegjelenítés]] - IIT<br /> * [[Kooperatív és tanuló rendszerek|Kooperatív és tanuló rendszerek]] - MIT<br /> <br /> == Ágazatok ==<br /> <br /> ===Autonóm Rendszerek ágazat (IIT)=== <br /> <br /> * [[Autonóm robotok és járművek|Autonóm robotok és járművek]]<br /> * [[Autonóm robotok és járművek laboratórium 1]]<br /> * [[Autonóm robotok és járművek laboratórium 2]]<br /> <br /> ===Intelligens rendszerek ágazat (MIT)===<br /> <br /> * [[Beágyazott információs rendszerek]]<br /> * [[Intelligens rendszerek laboratórium 1]]<br /> * [[Intelligens rendszerek laboratórium 2]]<br /> <br /> == Szakirányhoz kapcsolódó szabadon választható tárgyak ==<br /> <br /> === 2 kredites ===<br /> <br /> === Több mint 2 kredites ===<br /> <br /> == Szakmai gyakorlat ==<br /> <br /> A szakmai gyakorlatról az autonóm rendszerek ágazat részén:<br /> *A gyakorlat minimum 6 hét, de lehet akár több is<br /> *Lista, hogy hol végezheted el a gyakorlatot NINCS<br /> *Bárhol elvégezheted ahol olyan a cégprofil, ami a KÉPZÉSHEZ kapcsolódik (tehát pl. szoftverfejlesztő, IT-s, adatbáziskezelő, bármi)<br /> *Érdemes időben nekiállni érdeklődni cégeknél, ez olyan 6. félév eleje már, ha nem akarsz kapkodni persze<br /> *a szükséges dokumentumok itt találhatóak:<br /> **[https://www.vik.bme.hu/files/00002815.doc Együttműködési megállapodás] - Ez akkor kell ha olyan céghez mész, ahol még azelőtt nem volt BME-s hallgató<br /> **[https://www.vik.bme.hu/files/00002346.doc Feladatlap és kérelem] - Ez mindenképpen kell, illetve pontosabban az 1. és 4. mellékletet kell kitölteni<br /> *A gyakorlatról munkanaplót kell írni, amit a gyakorlat végeztével kell bemutatni<br /> *Vállalati konzulens kötelező, tanszéki konzulens opcionális<br /> <br /> [[Category:Mérnök_informatikus]]</div>

Sweidán Omár https://vik.wiki/index.php?title=BSc_Auton%C3%B3m_intelligens_rendszerek_szakir%C3%A1ny&diff=193232 2018-01-07T17:44:11Z

<p>Sweidán Omár: </p> <hr /> <div>__TOC__<br /> <br /> == Bevezető ==<br /> <br /> A szakirány koordinátora: '''IIT'''<br /> <br /> {{Rejtett<br /> |mutatott='''A szakirány ismertetője'''<br /> |szöveg= <br /> <br /> === A megcélzott szakterület főbb jellegzetességei, trendjei ===<br /> <br /> Az autonóm intelligens rendszerek olyan számítógépes rendszerek, melyek emberi közreműködés és állandó emberi felügyelet nélkül is képesek komplex feladatok megoldására: képesek környezetükből származó információ érzékelésére és feldolgozására, képesek önálló döntések meghozatalára és alkalmasak komplex technológiai folyamatokba történő beavatkozásra, a folyamatok felügyeletére, illetve irányítására. Az autonóm rendszerek a műszaki fejlődés fontos állomását képezik, jelentőségük folyamatosan nő. Az autonóm intelligens rendszerek létrehozása az információ technológia széles spektrumának integrálását igényli. A szakirány célja rövid és hosszú távon egyaránt hasznosítható ismeretek nyújtása, olyan műszaki informatikus szakemberek képzése, akik tisztában vannak az autonóm intelligens rendszerekre jellemző főbb képességeket biztosító megoldások elvi és gyakorlati problémáival. Így foglalkozik az olyan alapvető információ-feldolgozó eljárásokkal, mint a kooperációval és e rendszerek képességeinek javítását a környezetből származó információ autonóm felhasználását biztosító gépi tanulással. A szakirány ágazatainak elvégzése során elsajátított tudásanyag ugyanakkor az olyan alkalmazási területek tekintetében is önállóan hasznosítható praktikus ismereteket nyújt, mint a különböző robotok, járművek és alrendszereik irányítása és vezérlése, illetve az irányítási és jelfeldolgozási feladatokat valós időben megvalósító, a környezetükkel intenzív információs kapcsolatban lévő beágyazott rendszerek információtechnológiája.<br /> <br /> === A megszerezhető kompetenciák ===<br /> <br /> A szakirány elvégzése után a hallgatók képessé válnak:<br /> *autonóm rendszerek irányítási és jelfeldolgozási feladatainak végrehajtására,<br /> *az elosztott intelligens rendszerek fejlesztésére és üzemeltetésére<br /> *autonóm robotrendszerek és járművek alrendszereinek programozására, irányítására és vezérlésére,<br /> *ipari képfeldolgozó és megjelenítő módszerek fejlesztésére és alkalmazására,<br /> *a szenzorhálózatok magasabb rendszerszintekhez való informatikai illesztésére,<br /> *kommunikáció révén kooperatív ágensek tervezésére,<br /> *mesterséges intelligencia komponensek (pl. tanuló képesség) tervezése és beágyazása integrált informatikai rendszerbe,<br /> *heterogén információforrásokból információt kinyerő (adatbányászó) alkalmazások tervezésére,<br /> *elosztott komponensek egy rendszerbe történő integrálására.<br /> <br /> === A megszerezhető ismeretek főbb témakörei ===<br /> <br /> *autonóm rendszerek irányítási és jelfeldolgozási feladatainak végrehajtására,<br /> *szemantikus web-re kötött szenzorhálózatok, szemantikus web-ről információt begyűjtő, feldolgozó rendszerek<br /> *kommunikáló, kooperáló ágensrendszerek,<br /> *ipari képfeldolgozási és képmegjelenítési módszerek,<br /> *intelligencianövelő és tudásnövelő rendszerkomponensek,<br /> *gépi tanulás alapeljárásai,<br /> *mobil robotok és járművek pályatervezése, navigációs rendszerének felépítése,<br /> *adatbázisokból információt kibányászó rendszerek,<br /> *ipari robotok és gyártócellák felépítése, programozása, pályatervezése és működtetése<br /> *kiterjedt, heterogén információ-forrásokat felhasználó döntéstámogató rendszerek tudásintenzív feladatokhoz.<br /> *érzékelők, beavatkozók ismerete, alkalmazása.<br /> <br /> === A témakörökhöz kapcsolódó legfontosabb módszertanok és technológiák ===<br /> <br /> *autonóm és intelligens rendszerek irányítási és koordinációs módszerei,<br /> *rendszertervezési módszertanok és technológiák, tervező rendszerek,<br /> *ipari képfeldolgozási és képmegjelenítési módszerek megvalósítása<br /> *XML alapú rendszerleíró nyelvek és technológiák,<br /> *Sensor Web technológiái, korszerű szenzorrendszerek integrálása informatikai rendszerekbe,<br /> *Java alapú elosztott kommunikáló rendszerek tervezése,<br /> *robotrendszerek programozása és irányítási módszerei<br /> *navigációs és pályatervezési módszerek<br /> *mesterséges intelligencia módszerek Java szintű, beágyazott implementálása,<br /> *FIPA ágensszabvány, ágens kommunikációs nyelvek,<br /> *adatbányászati módszerek és technológiák,<br /> *jármű alrendszereinek beágyazott tervezése, illesztése,<br /> *e-kereskedelem módszertana és technológiái.<br /> <br /> }}<br /> <br /> == Felvételi ponthatárok ágazatonként ==<br /> <br /> {|class=&quot;wikitable&quot;<br /> ! width=&quot;20%&quot;|Ágazat neve<br /> ! width=&quot;10%&quot;|Ágazat tanszéke<br /> ! width=&quot;5%&quot;|2008<br /> ! width=&quot;5%&quot;|2009<br /> ! width=&quot;5%&quot;|2010<br /> ! width=&quot;5%&quot;|2011<br /> ! width=&quot;5%&quot;|2012<br /> ! width=&quot;5%&quot;|2013<br /> ! width=&quot;5%&quot;|2014<br /> |-<br /> ! Autonóm rendszerek<br /> | style=&quot;text-align:center&quot;|IIT<br /> | style=&quot;text-align:center&quot;|3.64<br /> | style=&quot;text-align:center&quot;|2.59<br /> | style=&quot;text-align:center&quot;|2.53<br /> | style=&quot;text-align:center&quot;|2.28<br /> | style=&quot;text-align:center&quot;|2.44<br /> | style=&quot;text-align:center&quot;|2.38<br /> | style=&quot;text-align:center&quot;|2.48<br /> |-<br /> ! [http://www.mit.bme.hu/oktatas/szakiranyok/bsc/int_rsz Intelligens rendszerek]<br /> | style=&quot;text-align:center&quot;|MIT<br /> | style=&quot;text-align:center&quot;|2.87<br /> | style=&quot;text-align:center&quot;|2.74<br /> | style=&quot;text-align:center&quot;|2.42<br /> | style=&quot;text-align:center&quot;|2.25<br /> | style=&quot;text-align:center&quot;|2.34<br /> | style=&quot;text-align:center&quot;|2.30<br /> | style=&quot;text-align:center&quot;|2.42<br /> |}<br /> <br /> == Közös tárgyak ==<br /> * [[Ipari képfeldolgozás és képmegjelenítés]] - IIT<br /> * [[Kooperatív és tanuló rendszerek|Kooperatív és tanuló rendszerek]] - MIT<br /> <br /> == Ágazatok ==<br /> <br /> ===Autonóm Rendszerek ágazat (IIT)=== <br /> <br /> * [[Autonóm robotok és járművek|Autonóm robotok és járművek]]<br /> * [[Autonóm robotok és járművek laboratórium 1]]<br /> *[[Autonóm robotok és járművek laboratórium 2]]<br /> <br /> ===Intelligens rendszerek ágazat (MIT)===<br /> <br /> * [[Beágyazott információs rendszerek]]<br /> * [[Intelligens rendszerek laboratórium 1]]<br /> * [[Intelligens rendszerek laboratórium 2]]<br /> <br /> == Szakirányhoz kapcsolódó szabadon választható tárgyak ==<br /> <br /> === 2 kredites ===<br /> <br /> === Több mint 2 kredites ===<br /> <br /> == Szakmai gyakorlat ==<br /> <br /> A szakmai gyakorlatról az autonóm rendszerek ágazat részén:<br /> *A gyakorlat minimum 6 hét, de lehet akár több is<br /> *Lista, hogy hol végezheted el a gyakorlatot NINCS<br /> *Bárhol elvégezheted ahol olyan a cégprofil, ami a KÉPZÉSHEZ kapcsolódik (tehát pl. szoftverfejlesztő, IT-s, adatbáziskezelő, bármi)<br /> *Érdemes időben nekiállni érdeklődni cégeknél, ez olyan 6. félév eleje már, ha nem akarsz kapkodni persze<br /> *a szükséges dokumentumok itt találhatóak:<br /> **[https://www.vik.bme.hu/files/00002815.doc Együttműködési megállapodás] - Ez akkor kell ha olyan céghez mész, ahol még azelőtt nem volt BME-s hallgató<br /> **[https://www.vik.bme.hu/files/00002346.doc Feladatlap és kérelem] - Ez mindenképpen kell, illetve pontosabban az 1. és 4. mellékletet kell kitölteni<br /> *A gyakorlatról munkanaplót kell írni, amit a gyakorlat végeztével kell bemutatni<br /> *Vállalati konzulens kötelező, tanszéki konzulens opcionális<br /> <br /> [[Category:Mérnök_informatikus]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Szoftvertechnol%C3%B3gia_(r%C3%A9gi)&diff=193230 2018-01-07T15:53:42Z

<p>Sweidán Omár: </p> <hr /> <div>{{Tantárgy<br /> |nev=Szoftvertechnológia<br /> |tárgykód=VIIIAB01<br /> |régitárgykód=VIIIA217<br /> |kredit=4<br /> |felev=3<br /> |kereszt=vizsgakurzus<br /> |tanszék= IIT<br /> |nagyzh= nincs<br /> |kiszh= nincs<br /> |vizsga= írásbeli<br /> |hf=1 db<br /> |szak=info|tad=https://www.vik.bme.hu/kepzes/targyak/VIIIAB01/<br /> |targyhonlap=https://www.iit.bme.hu/targyak/BMEVIIIAB01?language=hu<br /> |levlista=szofttechATsch.bme.hu }}<br /> <br /> [[Tantárgynevek rövidítései levlistás levelek tárgyához|Ajánlott rövidítés]]: &quot;szofttech&quot;<br /> <br /> A tárgy anyaga 2015-től tiszta elmélet, a Javás részek átkerültek a [[A programozás alapjai 3]] tárgyba.<br /> <br /> == Követelmények ==<br /> === Előtanulmányi rend ===<br /> [[A_programozás_alapjai_II.|A programozás alapjai 2.]] tárgyból kredit megszerzése szükséges a tárgy felvételéhez.<br /> <br /> === A szorgalmi időszakban ===<br /> *Heti 2 előadás van, kötelező jelenléti ív nincs.<br /> *Az '''aláírás''' feltétele:<br /> ** '''Régi tárgy esetén''':<br /> ***A kiadott '''házi feladat''' elkészítése. Egy névre szóló feladatsort kell letölteni, kinyomtatni és a feladatokat megoldani, majd leadni. Akkor fogadják el, ha a feladatsor minden feladatára az adható pontok min. 50%-át sikerült megszerezni.<br /> ** '''Új tárgy esetén''':<br /> *** Egy egyszerű feladat UML modelljét kell elkészíteni és rögzíteni a megadott template szerint!<br /> *'''Megajánlott jegy:''' nincs.<br /> *'''Pótlási lehetőségek:'''<br /> **A házi feladat pótolható a pótlási héten új feladatsor kérésével (két és fél nap alatt kell megcsinálni), különeljárási díj ellenében.<br /> *'''Elővizsga:''' nincs.<br /> <br /> === A vizsgaidőszakban ===<br /> * '''Vizsga:''' írásbeli, amely két részből áll. Az első (beugró) részben 24, a másodikban 26 pont szerezhető. A vizsga első 30 percében kell megírni a beugrót, majd azt beszedik, és lehet folytatni a vizsgát. A vizsga sikeres, ha a beugró 24 pontjából min. 14 megvan (~58%), valamint a vizsga összpontszáma eléri a 21 pontot (42%).<br /> **Előfeltétele: az aláírás megléte.<br /> <br /> ===Félévvégi jegy===<br /> *A házi feladat eredménye nem számít bele a a félévvégi jegybe, azt tisztán a vizsgaeredményre kapod.<br /> <br /> == Segédanyagok ==<br /> === Tanácsok ===<br /> Közösen szerkesztett [[Szoftvertechnológia/Hasznos tanácsok|hasznos tanácsok]] egymásnak. Oszd meg te is tapasztalataidat!<br /> === Könyv ===<br /> ''Főbb könyvek''<br /> * Kondorosi, László, Szirmay-Kalos: [[Media:szofttech_objektumorientaltszoftverfejlesztes_konyv.pdf|Objektum orientált szoftver fejlesztés]], ComputerBooks, Bp., 1997 , Kempelen Farkas Digitális Tankönyvtár<br /> * Sommerville, I. – Szoftver rendszerek fejlesztése 2. bővített kiadás, Panem Kiadó, Debrecen, 2007. <br /> * '''Harald Störrle: UML 2, Panem Kiadó, Budapest, 2007''' <br /> ** Az UML 2 szabvány van benne. Egy esettanulmányt vezet végig a könyvön és az '''összes''' diagramtípust részletesen kivesézi. A mély megértéshez nagy segítség.<br /> * '''Java 2 - Útikalauz programozóknak 5.0, ISBN 9630640923, Kiadó:ELTE TTK Hallgatói Alapítvány'''<br /> * Használtan nehezen beszerezhető, ki kell fogni. A korábbi verziója (ami a közkedvelt illegaláis helyeken is megtalálhatók) egyáltalán nem váltja ki. Szájbarágós, ezért hosszú, DE ebből BÁRKI megérti! (Aki meg pro, az az olyan részekkel úgyis gyorsan halad.) A honlapon (stuser) be vannak hivatkozva a könyv szükséges fejezetei.<br /> <br /> ''Egyéb könyvek''<br /> * Sommerville, I. - Software Engineering 8th ed., Pearson Education Ltd, 2007, http://www.cs.st-andrews.ac.uk/%7Eifs/index.html <br /> * Booch, G., Rumbaugh, J., Jacobson, I.: The Unified Modeling Language User Guide, Addison-Wesley, 1999. <br /> * Roger s. Pressman: Software Engineering, A Practitioner's Approach, 6th ed, McGraw-Hill, 2006 <br /> * UML 2.1.1 Superstructure Specification &amp; Infrastructure Specification, http://www.omg.org/technology/documents/modeling_spec_catalog.htm#UML<br /> <br /> ===Hasznos publikációk===<br /> * [http://www.ibm.com/developerworks/rational/library/content/03July/1000/1251/1251_bestpractices_TP026B.pdf Rational Unified Process] - minden, amit a RUP-ról tudni lehet (workflow-k, fázisok)<br /> <br /> === SzofttechJegyzet 2015 ===<br /> * 2015-ben írt jegyzet, kerek, érthető magyar mondatokkal, példákkal kiegészítve.<br /> * Dropbox-os link, hogy mindig elérhető legyen a legfrissebb változat: [http://www.fos.hu/8wm Ultrabrutál Jegyzet by Kris]<br /> * Aki átment ennek a jegyzetnek a segítségével, hívjon meg egy sörre gondolatban. - Kris<br /> * [https://goo.gl/Z06Fx1 Mind map a diákban található rövidítésekből] - by Nagy Péter<br /> <br /> === SzofttechJegyzet ===<br /> * Legfrissebb változat: [[Media:SzofttechJegyzet8.pdf|SzofttechJegyzet8]]<br /> * Készítettünk egy módosított verziót, amiben az elírások nagyrésze javítva lett [[Media:SzofttechJegyzet8_jav.pdf|SzofttechJegyzet8_jav]]<br /> <br /> * NEM HIVATALOS JEGYZET: nincs benne minden, vannak benne hibák/elírások<br /> * 2011-es Elméleti anyag + feladatok megoldással + java<br /> * (utolsó frissítés 2011.12.30. 16:58)<br /> * A 2011-es tematika anyagai találhatóak meg benne, a 2012-es anyagok nincsenek benne!!!<br /> * Továbbfejlesztési lehetőségek:<br /> ** Minden évben szükséges lenne frissíteni az aktuális anyagokkal és kiegészíteni, újabb &quot;kiadásban&quot; feltölteni!<br /> ** [[Szerkesztő:Ferrero| a készítő elérhetősége]], vele egyeztetve lehet elkérni a forrást és továbbfejlesztésről érdeklődni (mely mindenki számára nyitott, csak pár tanácsot adna)<br /> <br /> === Videó ===<br /> 2010 őszén az EHK felvette a tárgy előadásait, akkor még nem volt Java a tananyagban, illetve azóta megváltozott a tárgy szoftvertechnológiai része is, a videók NEM fedik le teljes mértékben az anyagot!<br /> <br /> 2012 őszén a [http://videotorium.hu/hu/search/all?q=Szoftvertechnol%C3%B3gia+Java+gyakorlat Java-előadásokat] is felvették.<br /> <br /> [http://bme.videotorium.hu/hu/channels/details/902,Szoftvertechnologia A videók itt megnézhetőek, innen letölthetőek]<br /> <br /> A 2010-es videókhoz készült [[Media:szofttech_video_jegyzet_timestamps_v1.pdf|Videó-jegyzet]] időbélyegzőkkel. Segítségével könnyű megkeresni adott anyagot a videókban.<br /> * '''[[Szoftvertechnológia - Videójegyzet]]''' - a pdf Wiki-aloldallá alakított változata. --[[Szerkesztő:Harapeti|Haraszin Péter]] ([[Szerkesztővita:Harapeti|vita]]) 2013. június 9., 17:20 (UTC)<br /> <br /> === Vizsgakérdések ===<br /> * [[Szoftvertechnológia - Lehetséges vizsgakérdések]] - szerkesszétek bátran! (korábbi [https://docs.google.com/document/d/1y6989PPel8nhjoPSYU3ztUS4poe0XC23kAQigjBVcQ4/edit?usp=sharing Google Docs-segédlet Wikis változata])<br /> * [https://docs.google.com/document/d/1UcrKOjgA3vN9S4SD3uF_I6EjGssRkgN7ofhonbmohTM/edit?usp=sharing| Diagramok kigyűjtve a diákból] - szerkesszétek bátran!<br /> <br /> ===Vizsgafeladatok csoportosítva (2008.01.08 - 2015.01.20)===<br /> A 2008.01.08 vizsgától kezdve csoportosítva vannak itt a feladatok, külön feladatsor/megoldás formában, megoldásoknál esetleges magyarázással/indoklással. Igyekeztem logikusan csoportosítani őket, mondjuk, hogy inkább sikerült, mint nem. Nyilván lehetnek (vannak) benne hibák, hiányosságok, ezeket lehetőleg jelezni az [mailto:arklurwiki@gmail.com arklurwiki@gmail.com] e-mail címre.<br /> *'''Friss módosítások / javítások:'''<br /> ** -<br /> <br /> *'''Gyakorlati feladatok:'''<br /> **Algebrai axiómák: [[:Media:szofttech_jegyzet_algebrai_axioma_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_algebrai_axioma_mo.pdf | Megoldások]]<br /> **Activity diagram:[[:Media:szofttech_jegyzet_activity_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_activity_diagram_mo.pdf | Megoldások]]<br /> **Állapot diagram: [[:Media:szofttech_jegyzet_UML_allapotdiagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_allapotdiagram_mo.pdf | Megoldások]]<br /> **Class Diagram: [[:Media:szofttech_jegyzet_class_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_class_diagram_mo.pdf | Megoldások]]<br /> **DTD, ELH, XML, szintakszis gráf, állapotgráf/tábla: [[:Media:DTD_XML_ELH_fs.pdf | Feladatsor]] és [[:Media:DTD_XML_ELH_mo.pdf | Megoldások]]<br /> **ERD: [[:Media:szofttech_jegyzet_ERD_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_ERD_mo.pdf | Megoldások]]<br /> **Kommunikációs diagram: [[:Media:szofttech_jegyzet_Komm_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Komm_diagram_mo.pdf | Megoldások]]<br /> **Komponens diagram: [[:Media:szofttech_jegyzet_komponens_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_komponens_diagram_mo.pdf | Megoldások]]<br /> **Szekvencia diagram: [[:Media:szofttech_jegyzet_UML_szekvenciadiagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_szekvenciadiagram_mo.pdf | Megoldások]]<br /> **Timing diagram: [[:Media:szofttech_jegyzet_timing_diagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_timing_diagram_mo.pdf | Megoldások]]<br /> **UML ABCDE-s class diagram: [[:Media:szofttech_jegyzet_UML_classdiagram_ABCDE_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_classdiagram_ABCDE_mo.pdf | Megoldások]]<br /> **Use-case diagram: [[:Media:szofttech_jegyzet_UML_usecasediagram_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_usecasediagram_mo.pdf | Megoldások]]<br /> <br /> *'''Elméleti feladatok:'''<br /> **Agilis: [[:Media:szofttech_jegyzet_agilis_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_agilis_mo.pdf | Megoldások]]<br /> **Config. menedzsment: [[:Media:szofttech_jegyzet_CM_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_CM_mo.pdf | Megoldások]]<br /> **Design: [[:Media:szofttech_jegyzet_Design_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Design_mo.pdf | Megoldások]]<br /> **Java: [[:Media:szofttech_jegyzet_java_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_java_mo.pdf | Megoldások]]<br /> **Project menedzsment: [[:Media:szofttech_jegyzet_Proj_man_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Proj_man_mo.pdf | Megoldások]]<br /> **RUP: [[:Media:szofttech_jegyzet_RUP_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_RUP_mo.pdf | Megoldások]]<br /> **Software architecture: [[:Media:szofttech_jegyzet_SW_arch_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_SW_arch_mo.pdf | Megoldások]]<br /> **Software process: [[:Media:szofttech_jegyzet_SW_process_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_SW_process_mo.pdf | Megoldások]]<br /> **Specification: [[:Media:szofttech_jegyzet_Specification_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_Specification_mo.pdf | Megoldások]]<br /> **Technology: [[:Media:szofttech_jegyzet_technology_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_technology_mo.pdf | Megoldások]]<br /> **UML: [[:Media:szofttech_jegyzet_UML_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_UML_mo.pdf | Megoldások]]<br /> **Verification and validation: [[:Media:szofttech_jegyzet_V_V_fs.pdf | Feladatsor]] és [[:Media:szofttech_jegyzet_V_V_mo.pdf | Megoldások]]<br /> <br /> ===Egyéb segédanyagok===<br /> ==== Java ====<br /> * [https://docs.google.com/document/d/1wfXi3eqx_KPbbc2LHxP5_dqQ75gaZou6gEknFETEdck/edit '''Közösen szerkeszthető''' Google-doksi] - nem hibátlan, egészítsd és javítsd ki Te is!<br /> * [https://sites.google.com/site/czirjakzoltan91/programozas/java Czirják Zoltán Java-anyagai]<br /> * [http://docs.oracle.com/javase/tutorial/java/generics/bounded.html Bounded Type Parameters] - Oracle Java tutorial kötött dzsókerekröl<br /> * [http://docs.oracle.com/javase/tutorial/java/nutsandbolts/_keywords.html Java Language Keywords] - Oracle Java tutorial a kulcsszavakról (pl. delete nincs benne, tehát használható változónévként)<br /> * [http://docs.oracle.com/javase/tutorial/java/javaOO/accesscontrol.html Controlling Access to Members of a Class] - Oracle Java tutorial<br /> * [[Szofttech_Java_igaz-hamis | '''Kikérdező''']] - igaz-hamis kérdések tesztje Java témakörből, 2000. december 19. és 2014. január 21. közötti összes vizsga átnézve, minden igaz-hamis beválogatva; az A-B-C-D-E jellegű Java kérdések tagmondatai is benne vannak, csak igaz/hamis válaszlehetőségekkel<br /> * [[:Media:JavaIntro_v3.pdf | '''Java összefoglaló''']] - AUT tanszékről, Android alapú szoftverfejlesztés c. tárgy Java gyorstalpalója<br /> <br /> ==== Órai jegyzet ====<br /> * [[Media:Szofttech_elekescsaba_szofttech_oraijegyzet_2008.pdf|Elekes Csaba órai jegyzete]] - 2008-as előadáson kézzel írt jegyzet<br /> <br /> ==== UML ====<br /> * UML quick reference (angolul): [http://www.holub.com/goodies/uml/ Allen Holub's UML Quick Reference]<br /> * [[Media:Szofttech_UML_diagramok.pdf|Szofttech UML diagramok]] - diagramok magyarul<br /> * [[Media:szofttech_diplomamunkaUML2.pdf|UML2 diplomamunka]] - Az UML eszközeinek bemutatása egy komplex rendszer tervezésén keresztül.<br /> * [http://www.visual-paradigm.com/VPGallery/diagrams/Class.html az UML2 specifikációból kigyűjtve nagyon jó UML diagram magyarázatok (angolul)]<br /> * [http://www.zicomi.com/viewDictionaryHome.jsp UML2 Diagramok - interaktív gyakorló példák]: deepHistory, shallowHistory, mindenféle példa magyarázattal! (angolul)<br /> * [[Media:szofttech_PhDreport_UML.pdf|PhDreport_UML.pdf]] - UML PhD Project Report a Carnegie oldaláról<br /> * [[Media:szofttech_uml_diagramok_tananyagfejlesztes.pdf|uml_diagramok_tananyagfejlesztes.pdf]] - UML diagramok a [http://tananyagfejlesztes.mik.uni-pannon.hu/index.php?option=com_content&amp;view=article&amp;id=58&amp;Itemid=71 Tananyagfejlesztés portálról]<br /> <br /> ==== DTD ====<br /> * [http://www.w3schools.com/dtd/default.asp DTD tutorial 1 @ W3Schools]<br /> * [http://www.zvon.org/xxl/DTDTutorial/Output_hun/example1.html DTD tutorial 2 @ ZVON.org]<br /> <br /> ==== ELH ====<br /> *[https://youtu.be/cA0v8uyZV3A ELH explained 1(video)]<br /> *[https://youtu.be/KhWMEWqiXAU ELH explained 2(video)]<br /> <br /> ==== Jackson system development (JSD), Jackson Structured Programming (JSP) ====<br /> * [[JspSegitseg|JSP-segítség a Wikin]] - érdemes lenne jobban kidolgozni<br /> <br /> ==== XML ====<br /> * [http://www.w3schools.com/xml/default.asp W3Schools XML tutorial] (figyelem: http://www.w3fools.com/)<br /> * [https://developer.mozilla.org/en-US/docs/XML_Introduction MDN - XML Introduction]<br /> * [http://www.w3.org/XML/ Extensible Markup Language (XML) @ W3.org]<br /> * [http://alistapart.com/d/usingxml/xml_uses_a.html XML Example @ A List Apart]<br /> * [http://alistapart.com/article/usingxml Using XML @ A List Apart]<br /> <br /> ==== Algebrai axiómák ====<br /> * [[Media:szofttech_algebrai_axiomak.pdf|Algebrai axiómák hasznos segédlet]]<br /> <br /> ==== Tesztelés ====<br /> * [[Media:szofttech_teszteles_segedlet_veszprem.pdf|Tesztelés segédlet]] - tesztelés rész segédlet, Veszprémi Egyetem<br /> <br /> ==== Agilis szoftverfejlesztés ====<br /> * [http://hu.wikipedia.org/wiki/Scrum Scrum (Wikipédia)]<br /> ==== Egyéb ====<br /> * [[Media:szofttech_szoftverkarbantartas_tananyagfejlesztes.pdf|szoftverkarbantartas_tananyagfejlesztes.pdf]] - Szoftverkarbantartás a [http://tananyagfejlesztes.mik.uni-pannon.hu/index.php?option=com_content&amp;view=article&amp;id=58&amp;Itemid=71 Tananyagfejlesztés portálról]<br /> <br /> === Régi anyagok ===<br /> A régi anyagok (pl.: Progtechnológia) teljesen más tematikát követtek, de nem érdemes kitörölni őket, mert találhatunk bennük értékes információkat.<br /> <br /> * [[Media:Szofttech_magyarJegyzet_1.pdf|Szofttech_magyarJegyzet_1.pdf]]<br /> * [[Media:Szofttech_magyarJegyzet_2.pdf|Szofttech_magyarJegyzet_2.pdf]]<br /> * [[Media:szofttechfogalmak.pdf|szofttechfogalmak.pdf]] - Elméleti vizsgakérdések, válaszokkal<br /> * [[Media:szofttech_elmelet2006-2008.pdf|szofttech_elmelet2006-2008.pdf]]]<br /> * [[Media:szofttech_pt_biblia_1.pdf|szofttech_pt_biblia_1.pdf]] - Kézzel írt jegyzet<br /> * [[Media:szofttech_pt_biblia_2.pdf|szofttech_pt_biblia_2.pdf]] - Kézzel írt jegyzet digitalizálva<br /> <br /> ===Nemhivatalos konzultációk===<br /> <br /> * [[SzoftTechKonzi|Cassus féle szoftvertechnológia konzultáció 2009. jan. 12]]<br /> <br /> == Házi ==<br /> A [https://www.iit.bme.hu/targyak/BMEVIIIAB01 tárgyhonlapról] lehet letölteni a házi feladat template-et, illetve két mintamegoldást. A feladat egy program tervezése követelmények definiálásával, use-case-, osztály-, szekvencia- és állapotdiagrammal. A házi feladatra külön jegy nem jár, csak go-no go eredmény, amely egyben az aláírást is jelenti. A pótlási időszakban a házi feladat pótolható, de ekkor egy hónap helyett csak néhány napot (max kb. 1 hetet) kapunk. A házi feladatot a tárgyhonlapon írt időpontig kell feltölteni a [https://jporta.iit.bme.hu/ JPortára].<br /> <br /> '''A házi elsődlegesen azt kéri számon, képes vagy-e egy feladatot a tanult ''objektumorientált'' tervezési elvek szerint megtervezni, majd ezt a tanult jelölésrendszerrel egy dokumentumba leírni.''' Különösen vigyázz a következőkre:<br /> * '''Ne egy darab nagyon okos osztály (God Object) irányítson sok butát, amik csak adatot tárolnak.''' Oszd meg az osztályok közt a felelősségeket.<br /> ** ''„Ne az legyen, hogy az ágy hívja be a fiút és a lányt a szobába, és ő izélteti meg őket... Sokkal jobb, ha egymással csinálják.”''<br /> * '''''Soha'' ne kérdezgesd egy objektumtól, hogy ő éppen milyen típusú,''' pl. &lt;code&gt;instanceof&lt;/code&gt;, &lt;code&gt;getType()&lt;/code&gt;, &lt;code&gt;isValami()&lt;/code&gt;, &lt;code&gt;hasValami()&lt;/code&gt;, &lt;code&gt;canDoValami()&lt;/code&gt;... Használj öröklést, heterogén kollekciót, virtuális metódusokat.<br /> * '''A dokumentum legyen önmagával konzisztens.''' Azaz többek közt:<br /> ** Ha egy metódus megjelenik egy szekvenciadiagramon, legyen ott az osztálydiagramon is.<br /> ** Ugyanez fordítva: lehetőleg minden metódus szerepeljen egy szekvenciadiagramon is.<br /> ** A Use-case diagram minden use-case-éhez legyen táblázat is<br /> ** Az osztálydiagram minden osztályához, metódusához és attribútumához legyen leírás is.<br /> * '''Kerüld az UML-ben a szintaktikai hibákat.''' (öröklés, kompozíció nyíl iránya, dolgok megfelelő jelölése, stb.)<br /> <br /> === Korábbi évek házijai ===<br /> * 2015 - Saját feladat kitalálása, megvalósítása<br /> * 2015 pót - Izidor karácsonya<br /> * 2016 - Logisztikai cég (teherautó,futószalag, váltók, csomagok...)<br /> * 2016 pót - [?]<br /> * 2017 - Bankrabló autós üldözés<br /> * 2017 pót - Vasúti terepasztal<br /> <br /> === Házi felépítése a régi tanrendben ===<br /> * 8 darab, tipikus szoftvertechnológia feladat vagy elméleti kérdés (olyan feladatok melyek vizsgákban szoktak szerepelni), tehát az AllInOne PDF sokat segít hasonló feladatok keresésében<br /> * minden egyes feladatra külön-külön a pontok 50%-ának megszerzése.<br /> <br /> A feladatlapot kinyomtatva, kitöltve és összetűzve kell leadni az emailben említett helyen (IIT adminisztráció), az emailben említett határidőig, ami általában november vége.<br /> <br /> == Vizsga ==<br /> <br /> ====2016/17/2 félév====<br /> * [[:Media:Ab01_170523.pdf|ab01_170523.pdf]]: 2017. május 23-ai vizsga (VIIIAB01 - új)<br /> * [[:Media:Ab01_170530.pdf|ab01_170530.pdf]]: 2017. május 30-ai vizsga (VIIIAB01 - új)<br /> * [[:Media:Ab01_170613.pdf|ab01_170613.pdf]]: 2017. június 13-ai vizsga (VIIIAB01 - új)<br /> <br /> ====2016/17/1 félév====<br /> * [[:Media:Ab01_161220.pdf|ab01_161220.pdf]]: 2016. december 20-ai vizsga (VIIIAB01 - új)<br /> * [[:Media:Ab01_170110.pdf|ab01_170110.pdf]]: 2017. január 10-ei vizsga (VIIIAB01 - új)<br /> * [[:Media:Ab01_170117.pdf|ab01_170117.pdf]]: 2017. január 17-ei vizsga (VIIIAB01 - új)<br /> <br /> <br /> * [[:Media:A217_170110.pdf|a217_170110.pdf]]: 2017. január 10-ei vizsga (VIIIA217 - régi)<br /> <br /> ====2015/16/1 félév====<br /> * [[:Media:ab01_160105.pdf|ab01_160105.pdf]]: 2016. január 5-ei vizsga (VIIIAB01 - új)<br /> * [[:Media:ab01_160112.pdf|ab01_160112.pdf]]: 2016. január 12-ei vizsga (VIIIAB01 - új)<br /> * [[:Media:ab01_160119.pdf|ab01_160119.pdf]]: 2016. január 19-ei vizsga (VIIIAB01 - új)<br /> <br /> <br /> * [[:Media:a217_160105.pdf|a217_160105.pdf]]: 2016. január 5-ei vizsga (VIIIA217 - régi)<br /> * [[:Media:a217_160112.pdf|a217_160112.pdf]]: 2016. január 12-ei vizsga (VIIIA217 - régi)<br /> * [[:Media:a217_160119.pdf|a217_160119.pdf]]: 2016. január 19-ei vizsga (VIIIA217 - régi)<br /> <br /> RÉGI VIZSGÁK<br /> ----------------------------------------------------------------------------------------------------------<br /> <br /> ====2014/15/2 félév====<br /> * [[Media:stv_150602.pdf|stv_150602.pdf]]: 2015. június 02-ai vizsga<br /> <br /> ====2014/15/1 félév====<br /> * [[Media:Stv_150106_pure.pdf|stv_150106_pure.pdf]]: 2015. január 06-ai vizsga megoldások nélkül. [[Media:stv_150106.pdf|Megoldások]]<br /> * [[Media:stv_150113.pdf|stv_150113.pdf]]: 2015. január 13-ai vizsga<br /> * [[Media:stv_150120.pdf|stv_150120.pdf]]: 2015. január 20-ei vizsga<br /> <br /> ====2013/14/2 félév====<br /> * [[Media:stv_140528_pure.pdf|stv_140527_pure.pdf]]: 2014. május 27-ei vizsga megoldások nélkül. [[Media:Stv_140527.pdf|Megoldások]]<br /> * [[Media:stv_140603_pure.pdf|stv_140603_pure.pdf]]: 2014. június 3-ai vizsga megoldások nélkül [[Media:stv_140603.pdf|Megoldások]]<br /> * [[Media:stv_140617_pure.pdf|stv_140617_pure.pdf]]: 2014. június 17-ei vizsga megoldások nélkül [[Media:stv_140617.pdf|Megoldások]]<br /> <br /> ====2013/14/1 félév====<br /> * [[Media:stv_140707_pure.pdf|stv_140107_pure.pdf]]: 2014. január 7-ei vizsga megoldások nélkül [[Media:stv_140707.pdf|Megoldások]]<br /> * [[Media:stv_140114_pure.pdf|stv_140114_pure.pdf]]: 2014. január 14-i vizsga megoldások nélkül [[Media:stv_140114.pdf|Megoldások]]<br /> * [[Media:szofttech_vizsga_stv_140121_pure.pdf | stv_140121_pure.pdf]]: 2014. január 21-i vizsga megoldások nélkül [[Media:szofttech_vizsga_stv_140121.pdf|Megoldások]]<br /> <br /> ====2012/13/2 félév====<br /> * [[Media:stv_130528_pure.pdf|stv_130528_pure.pdf]]: 2013 május 28-ai vizsga megoldások nélkül [[Media:stv_130528.pdf|Megoldások]]<br /> * [[Media:stv_130611_pure.pdf|stv_130611_pure.pdf]]: 2013 június 11-ei vizsga megoldások nélkül [[Media:stv_130611.pdf|Megoldások]]<br /> * [[Media:stv_130618_pure.pdf|stv_130618_pure.pdf]]: 2013 június 18-ai vizsga megoldások nélkül [[Media:stv_130618.pdf|Megoldások]]<br /> <br /> ====2012/13/1 félév====<br /> * [[Media:stv_130115_pure.pdf|stv_130115_pure.pdf]]: 2013 január 15-ei vizsga megoldások nélkül. [[Media:stv_130115.pdf|Megoldások]]<br /> * [[Media:stv_130108_pure.pdf|stv_130108_pure.pdf]]: 2013 január 8-ai vizsga megoldások nélkül. [[Media:stv_130108.pdf|Megoldások]]<br /> * [[Media:stv_121218_pure.pdf|stv_121218_pure.pdf]]: 2012 december 18-ai vizsga megoldások nélkül. [[Media:stv_121218.pdf|Megoldások]]<br /> <br /> ====2011/12/2 félév====<br /> * [[:Media:stv_120522_pure.pdf|stv_120522_pure.pdf]]: 2012. május 22. vizsga megoldások nélkül. [[Média:Stv_120522.pdf‎|Megoldások]]<br /> * [[Média:Stv_120605_pure.pdf‎‎|stv_120606_pure.pdf]]: 2012. június 5. vizsga megoldások nélkül. [[Média:Stv_120605.pdf‎‎|Megoldások]]<br /> * [[Média:Stv_120612_pure.pdf‎‎|stv_120612_pure.pdf]]: 2012. június 12. vizsga megoldások nélkül. [[Média:Stv_120612.pdf‎‎|Megoldások]]<br /> <br /> ====2011/12/1 félév====<br /> * [[:Media:stv_120117_pure.pdf|stv_120117_pure.pdf]]: 2012. január 17-i vizsga megoldások nélkül. [[Media:stv_120117.pdf|Megoldások]]<br /> * [[:Media:stv_120103_pure.pdf|stv_120103_pure.pdf]]: 2012. január 3-ai vizsga megoldások nélkül. [[Media:stv_120103.pdf|Megoldások]]<br /> * [[:Media:stv_111220_pure.pdf|stv_111220_pure.pdf]]: 2011. december 20-ai vizsga megoldások nélkül. [[Media:stv_111220.pdf|Megoldások]]<br /> <br /> ====2010/11/2 félév====<br /> * [[Media:stv_110614_pure.pdf|stv_110614_pure.pdf]]: 2011. június 14. vizsga megoldások nélkül. [[Media:stv_110614.pdf|Megoldások]]<br /> * [[Media:stv_110607_pure.pdf|stv_110607_pure.pdf]]: 2011. június 7. vizsga megoldások nélkül. [[Media:stv_110607.pdf|Megoldások]]<br /> * [[Media:stv_110524_pure.pdf|stv_110524_pure.pdf]]: 2011. május 24. vizsga megoldások nélkül. [[Media:stv_110524.pdf|Megoldások]]<br /> <br /> ====2010/11/1 félév ====<br /> * [[Media:stv_110118_pure.pdf|stv_110118_pure.pdf]]: 2011. január 18. vizsga megoldások nélkül. [[Media:stv_110118.pdf|Megoldások]]<br /> * [[Media:stv_110104a_pure.pdf|stv_110104a_pure.pdf]]: 2011. január 4. vizsga A csoport megoldások nélkül. [[Media:stv_110104a.pdf|Megoldások]]<br /> * [[Media:stv_110104b_pure.pdf|stv_110104b_pure.pdf]]: 2011. január 4. vizsga B csoport megoldások nélkül. [[Media:stv_110104b.pdf|Megoldások]]<br /> * [[Media:stv_101221_pure.pdf|stv_101221_pure.pdf]]: 2010. december 21. vizsga megoldások nélkül. [[Media:stv_101221.pdf|Megoldások]]<br /> <br /> ====2009/10 év====<br /> * az utolsó vizsga hiányzik, akinek megvan töltse fel<br /> * [[Media:stv_100601.pdf|stv_100601.pdf]]: 2010. június 1. vizsga megoldással<br /> * [[Media:stv_100526.pdf|stv_100526.pdf]]: 2010. május 26-ai vizsga megoldással<br /> * [[Media:stv_100126.pdf|stv_100126.pdf]]: 2010. január 26. vizsga megoldással<br /> * [[Media:stv_100112B.pdf|stv_100112B.pdf]]: 2010. január 12. 13:30 vizsga megoldással<br /> * [[Media:stv_100112A.pdf|stv_100112A.pdf]]: 2010. január 12. 12:00 vizsga megoldással<br /> * [[Media:stv_100105B.pdf|stv_100105B.pdf]]: 2010. január 5. 13:30 vizsga megoldással<br /> * [[Media:stv_100105A.pdf|stv_100105A.pdf]]: 2010. január 5. 12:00 vizsga megoldással<br /> <br /> ====2008/09 év====<br /> * [[Media:stv_090618.pdf|stv_090618.pdf]]: 2009. június 18. vizsga megoldással<br /> * [[Media:stv_090611.pdf|stv_090611.pdf]]: 2009. június 11. vizsga megoldással (4. feladat megoldása: 11. előadás-videó (2010.10.11) 44. percétől)<br /> * [[Media:stv_090528.pdf|stv_090528.pdf]]: 2009. május 28. vizsga megoldással<br /> * [[Media:stv_090127.pdf|stv_090127.pdf]]: 2009. január 27. vizsga megoldással<br /> * [[Media:stv_090113.pdf|stv_090113.pdf]] 2009. január 13. vizsga megoldással<br /> * [[Media:stv_090106.pdf|stv_090106.pdf]]: 2009. január 06. vizsga megoldással<br /> <br /> ====2007/08 év====<br /> * [[Media:stv_080617.pdf|stv_080617.pdf]]: 2008. június 17. vizsga megoldással<br /> * [[Media:stv_080610.pdf|stv_080610.pdf]]: 2008. június 10. vizsga megoldással<br /> * [[Media:stv_080527.pdf|stv_080527.pdf]]: 2008. május 27. vizsga megoldással<br /> * [[Media:stv_080122.pdf|stv_080122.pdf]]: 2008. január 22. vizsga megoldással<br /> * [[Media:stv_080115.pdf|stv_080115.pdf]]: 2008. január 15. vizsga megoldással <br /> * [[Media:stv_080108.pdf|stv_080108.pdf]]: 2008. január 8. vizsga megoldással<br /> <br /> ==== All In One PDF ====<br /> * [[Media:Szofttech_All_In_One.pdf|All_In_One.pdf]]: Ez a PDF tartalmazza az összes ZH-t és vizsgát 2014-01-21-ig , de egy két hiányosság lehet. Bookmarkokat érdemes majd használni. Hasznos például egy-egy típusfeladat megkeresésekor és gyakorlásakor<br /> * [[Media:Szofttech_Vizsga_All_in_One_2000-12-19_-_2013-06-11_vizsgák_merged_bookmarked.pdf|Szofttech vizsga all in one 2000. december 19-től 2013. június 11-ig, könyvjelzőkkel ellátva!]]. A vizsgák a hivatalos oldalról lettek letöltve (http://directory.iit.bme.hu/belso/st/stbelso.html), a bookmarkok azok alapján készültek. Az anyagoknak Dr. László Zoltán (BME-IIT), jogi személyként a BME a jogtulajdonosa. --[[Szerkesztő:Harapeti|Haraszin Péter]] ([[Szerkesztővita:Harapeti|vita]]) 2013. június 17., 23:12 (UTC)<br /> <br /> == Tippek ==<br /> ÚJ SZOFTTECH -A régi tantárggyal ellentétben itt már a házi is nehézséget szokott okozni, viszont cserébe rászorulsz, hogy évközben is tanulj, így a vizsga diagramos részeit már valamennyire tudod, mire odakerülsz. A Java-s rész eltűnt. A házinak érdemes időben nekiállni, mert idő míg letisztul a fejekben, hogyan is állnak össze a diagramok. Halálfejes hibák kerülendők.<br /> <br /> RÉGI SZOFTTECH - A tárgyat nem könnyű elvégezni, de nem is lehetetlen. A szofttech tipikusan olyan tárgy, melyre ha félév közben csak pár órat készülsz, akkor is eljutsz vizsgára, de vizsgán veszed észre hogy milyen keveset is tudsz, ezért ajánlom mindenkinek a félév közbeni készülést. A Java rész bevezetésével csak nehezedett a vizsga, arra úgy érdemes készülni hogy kódolsz és minden anyagrészt kipróbálsz amit csak vettünk órán, a diákból mindent meg kell értened, mert bármi előfordulhat vizsgán belőle. A szofttech részt pedig meg kell tanulni és meg kell érteni! Nincs mese, ez tanulós és nem egyszerü tárgy!<br /> <br /> == Kedvcsináló ==<br /> ÚJ TÁRGY<br /> ------------------------------------------------------<br /> ===Fehér János===<br /> Egy félév alatt, mióta Simon Balázs tartja az előadásokat, szerintem sokat feljődött a tárgy. Az UML-es anyagokhoz végre van rendes diasor, a háziról kapunk visszajelzést és a szorgalmi időszakban a pótHF kiadás előtt(!) van megtekintés, kapunk visszajelzést arról, hogy mit rontottunk el, nem csak annyit, hogy go/no-go. A vizsga rendszere sajnos továbbra is ugyanolyan.<br /> <br /> RÉGI TÁRGY<br /> ------------------------------------------------------<br /> <br /> ===Szabó Csaba===<br /> A tárgy tetszett, hasznos de nehéz. Szerintem nagyon hasznos tárgy, én már találkoztam több részével az életben (UML, scrum, DTD, XML), illetve végre a Java programozási nyelvet is megtanulhatod rendesen (régi szoftlab3 képzés siralmas volt), van róla 4 előadás melyeket Goldschmidt Balázs tart, a java rész gyakorlata lényegében a szoftverlabor 3 tárgy. A vizsgákról, főleg a beugróról mindenkinek megvan a saját véleménye, nem egyszerü az biztos, de ez nem ennek a vitának a helye, levlistán lehet sok ilyen vitát találni/kezdeni. &lt;br /&gt;<br /> -- [[Szerkesztő:Ferrero|Szabó Csaba]]<br /> <br /> ===Lord Viktor===<br /> A tárgy a Bsc. egyik legnehezebb(en elvégezhető) tárgya. Az aláírás lényegében ingyen van, gyakorlatilag egy ZH-feladatsort kell megoldanod otthon egy-két hét alatt. Cserébe viszont a vizsga nehéz, nem is az anyag, hanem inkább a számonkérés módja miatt. A &lt;strike&gt;beugrató&lt;/strike&gt; beugró teljesítéséhez kell nagy adag szerencse is, valamint lelemény és logika, hogy az ember egy kétértelmű dolognál kitalálja, hogy LZ mire gondolt. Ne tévesszen meg a neve: nem alapinformációkra kérdez rá, az anyagból bármi lehet benne. Sok előző évekbeli vizsgasor van fenn itt a wikin, ezekből látszik, mire gondolok. Ezért érdemes a vizsgát véresen komolyan venni, főleg a 6 vizsgás szabály bevezetése óta. A tárgy összességében nem haszontalan, csak sok a száraz elmélet, de aki szoftverfejlesztő akar lenni, annak kifejezetten érdekes is lehet.&lt;br /&gt;<br /> -- [[Szerkesztő:Lordviktor|Lord Viktor]] ([[Szerkesztővita:Lordviktor|vita]]) 2013. április 17., 09:20 (UTC)<br /> <br /> == Egyéb anyagok/linkek ==<br /> Interjú Dr. László Zoltánnal:<br /> * [[SzoftTechTippek|Tanulási tippek, FAQ a tárggyal kapcsolatban]]<br /> <br /> ''Mottó:''<br /> * Az OOP nagyon class dolog.<br /> * There are no significant bugs in our released software that any significant number of users want fixed. (Bill Gates - http://en.wikiquote.org/wiki/Bill_Gates)<br /> * - Mit mond a hallgató, amikor megkapja a szoftvertechnológia vizsgalapot? - OMG UML!<br /> * &quot;Ami a vizsga nehezseget illeti: alig fejezodott be a vizsgaidoszak, es maris felulemelkedik a &quot;multbeli&quot; nehezsegen, belatja, hogy a vizsganak komoly szerepe volt a tudasanak megszerzeseben. Ez igy van rendjen. A velt kellemetlenseg elhalvanyul idovel, a tudas megmarad.&quot;<br /> * &quot;A targyban szerzett ismeretek reven lassan bekerul abba a profi tarsasagba, amit &quot;informatikusok&quot;-nak is szoktak nevezni. Van sajat nyelvunk, fogalomrendszerunk, felszavakbol megertjuk egymast.&quot;<br /> <br /> === Fun Page ===<br /> [[SzofttechFunPage]]<br /> <br /> === Facebook csoport ===<br /> [https://www.facebook.com/groups/187015754977649 Szofttech_VIK csoport]<br /> <br /> {{Lábléc_-_Mérnök_informatikus_alapszak_2014}}<br /> {{Lábléc_-_Mérnök_informatikus_alapszak}}</div>

Sweidán Omár https://vik.wiki/index.php?title=Kooperat%C3%ADv_%C3%A9s_tanul%C3%B3_rendszerek_-_vizsga_2012-05-29&diff=189882 2016-06-13T22:51:40Z

<p>Sweidán Omár: Egyik kérdés megválaszolása.</p> <hr /> <div>{{vissza|Kooperatív és tanuló rendszerek}}<br /> <br /> ''Első részből (1-6) legalább 16 pontot, a második részből (7-11) legalább 8 pontot kell szerezni!!''<br /> <br /> ;1. Egy (Rosenblatt) perceptronnal kell megtanítania a három (bináris) bemenetű többségi döntés függvényt. Meg tudja tanulni a perceptron a feladatot? Mi a helyzet, ha ugyanezt a feladatot egy Adaline-nak tanítja? Mindkét esetben adjon indoklást is! (4p)<br /> :Bemenet: &lt;math&gt;x_1,x_2,x_3 \epsilon \{0,1\}&lt;/math&gt; (lehetne {-1,1} is, nem tudom itt melyikre gondoltak, de gondolom mindkettővel elfogadják)<br /> <br /> :Helyes kimenet: &lt;math&gt;y = \begin{cases} <br /> -1 &amp; \mbox{ ha } x_1+x_2+x_3 \leq 1 \\<br /> +1 &amp; \mbox{ ha } x_1+x_2+x_3 \geq 2<br /> \end{cases}&lt;/math&gt;<br /> <br /> :Másképp írva: &lt;math&gt;y = \begin{cases} <br /> -1 &amp; \mbox{ ha } x_1+x_2+x_3 &lt; 1.5 \\<br /> +1 &amp; \mbox{ ha } x_1+x_2+x_3 &gt; 1.5<br /> \end{cases}&lt;/math&gt;<br /> <br /> <br /> :Az &lt;math&gt;x_1+x_2+x_3 = 1.5&lt;/math&gt; lineáris felület helyesen szeparálja a tanítópontokat, tehát a perceptron és az adaline is meg tudja tanulni a feladatot (mert azok lineárisan szeparálható osztályozási problémákra jók).<br /> <br /> <br /> ;2. Alkalmazhat-e gradiens-alapú tanító eljárást a következő neurális hálóknál: Rosenblatt perceptron, adaline, egy vagy több rejtett rétegű MLP, RBF, CMAC, SVM, ha a súlyokat tanítjuk, és folytonos hibafüggvényt alkalmazunk? Indokolja meg válaszát! (5p)<br /> :<br /> <br /> ;3. Dinamikus hálók konstrukciójánál fontos részfeladat a regresszorvektor megválasztása. Mit jelent ez a feladat és mi a regresszorvektor meghatározásának a két fő lépése? A két fő lépés közül melyiknél és mely dinamikus modellosztályok esetében használható a Lipschitz index? Értelmezze a Lipschitz index &lt;math&gt;Lq^{(N)}=(\prod_{k=1}^{p}\sqrt{N}q^{(N)}(k))^{1/p}&lt;/math&gt; összefüggését, benne a jelöléseket is!(8p)<br /> :Amit találtam erről:<br /> ::Egy általános nemlineáris dinamikus rendszermodell által megvalósított be-kimeneti kapcsolat &amp;#8722; diszkrét idejű rendszerek esetében &amp;#8722; az alábbi általános formában adható meg:<br /> ::&lt;math&gt; y(k) = f(\phi,\varphi(k)) &lt;/math&gt;<br /> ::Az &lt;math&gt; f(\phi,\varphi(k)) &lt;/math&gt; kapcsolat a modell struktúráját rögzíti, ahol &lt;math&gt; \varphi(k)) &lt;/math&gt; az ún. regresszorvektor, k az időindex, &lt;math&gt; \phi &lt;/math&gt; pedig a rendszer paramétereit összefoglaló vektor. A regresszorvektor feladata megadni, hogy a kimenet előállításában a modellezendő rendszer, folyamat milyen régebbi bemeneti és kimeneti adatait használjuk fel.<br /> ::Többi itt: http://www.mit.bme.hu/books/neuralis/ch08s01<br /> ::Lipschitz: http://www.mit.bme.hu/books/neuralis/ch08s06<br /> :Regresszorvektor meghatározásának a két fő lépése (+?): A regresszorvektor-választás egyfelől a nemlineáris dinamikus modellosztály megválasztását jelenti (NFIR, NARX (ezek kitüntetettek, mert előrecsatoltak) +NOE, NARMAX...), másfelől a modell-fokszám meghatározását is igényli. A bemenet-kimenet reprezentációk mellett a modell-fokszám a regresszorvektor konstrukciójánál figyelembe vett régebbi bemeneti és/vagy kimeneti, stb. értékek számát jelenti. Mivel a modell-fokszám előzetesen általában nem ismert, célszerű különböző modell-fokszámok mellett különböző komplexitású modellek létrehozása és valamilyen kritérium szerinti kiértékelése.<br /> :Lipschitz index jelölések:&lt;br /&gt;<br /> <br /> &lt;math&gt; q^{(N)}(k) &lt;/math&gt; a<br /> <br /> &lt;math&gt; q^{(N)}_{ij} = \frac {|y(i)-y(j)|} {|x(i)-x(j)|}&lt;/math&gt; ahol &lt;math&gt; i\neq j;        i,j=1,2,   …,P&lt;/math&gt;<br /> <br /> Lipschitz hányadosok közül a k-adik legnagyobb érték, N a bemeneti változók száma (a regresszorvektor dimenziója), p pedig egy alkalmasan megválasztott pozitív szám, rendszerint p = 0,01P ~ 0,02P. (P a szokásos jelölésnek megfelelően a tanítópontok száma).<br /> <br /> ;4. Az alábbi két bemenetű - egy kimenetű visszacsatolt hálót szeretné BPTT módszerrel tanítani. Milyen kiterített hálót kap, ha 3 időlépésre kell elvégeznie a kiterítést. Adja meg a szaggatott vonallal jelzett súly (w) tanítási összefüggését. (10p)<br /> : info: http://www.mit.bme.hu/books/neuralis/ch08s04<br /> <br /> ;5. Mit jelentenek a szupportvektorok egy osztályozós SVM-nél? Lehet-e valamit mondani (pl. legalább alsó és felső korlátokat) egy N-változós osztályozási feladatnál, ha a tanító pontok száma P, a szupport vektorok számára hard margós (gyengítő változó nélküli) (&lt;math&gt;\star&lt;/math&gt;) lineáris és (&lt;math&gt;\star\star&lt;/math&gt;) nem lineáris esetben? Indokolja a választ! (5p)<br /> :Egy hosszú bevezetés a szupportvektorokhoz:<br /> ::A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép az &quot;optimális&quot; elválasztó felületet határozza meg (a két osztályba tartozó tanítópontok között, a tanítópontoktól a lehető legnagyobb távolságra helyezkedik el a &quot;felület&quot;). Ennek a meghatározásához a következő kell:<br /> ::&lt;math&gt;d_i(w^{*T}x_i + b^{*})\geq1&lt;/math&gt;<br /> A feladatot feltételes szélsőérték-keresési problémaként tudjuk megfogalmazni, ahol a feltételek egyenlőtlenségek formájában vannak megadva. A feltételes szélsőérték-keresési feladat megoldását egy Lagrange kritérium megoldásával kereshetjük:<br /> ::&lt;math&gt;L(w,b,\alpha)=\frac{1}{2}w^{T}w - \sum_{i=1}^{P}\alpha_i[d_i(w^{T}x_i + b) - 1 ]&lt;/math&gt;<br /> :Az optimalizálási feladat megoldásához a Karush-Kuhn-Tucker (KKT) elmélet szerint a fenti Lagrange kritériumot kell minimalizálni w és b szerint és maximalizálni &lt;math&gt;\alpha_i&lt;/math&gt; szerint, vagyis a Lagrange kritérium által definiált kritériumfelület nyeregpontját (saddle point) kell meghatározni.<br /> :A feltételes optimalizálási feladat megoldásához felírható annak duális alakja, melyben már csak az &lt;math&gt;\alpha_i&lt;/math&gt; Lagrange multiplikátorok az ismeretlenek. ... A linkben a 6.41-es képlet, majd: Azokat a tanítópontokat, amelyek résztvesznek a megoldás kialakításában, amelyekhez tartozó Lagrange multiplikátorok értéke nem nulla, szupport vektoroknak (support vectors) nevezzük. A szupport vektor gépek tehát olyan kernel gépek, ahol a kernel tér tényleges dimenziója nem a tanítópontok számával (P), hanem a szupport vektorok számával (Ps) egyezik meg. <br /> <br /> :Bővebben erről: http://www.mit.bme.hu/books/neuralis/ch06s03&lt;br /&gt;<br /> :A második kérdés nem valami pontos, de utólag megtekintésről kiderült, hogy a szupport vektorok számára kell korlát. Alsó korlát 2, felső korlát P, azaz a tanítópontok száma. Lineáris és nem lineáris esetben is (nem lineáris esetben ugye transzformáljuk magunkat és lineáris lesz).<br /> <br /> <br /> ;6. Meg lehet-e határozni a CMAC háló gradiens alapú iteratív tanításnál a konvergenciát biztosító tanulási tényezőt (&lt;math&gt;\mu&lt;/math&gt;(mü) bátorsági faktor), ha az összes tanító pontot ismeri és nem alkalmaz tömörítő leképezést? Ha igen, adja meg &lt;math&gt;\mu&lt;/math&gt;(mü) összefüggését, ha nem indokolja meg, hogy miért nem. (8p)<br /> :Röviden most így pótvizsga előtt:<br /> ::A lényeg, hogy CMAC kimenetében Adaline-ok vannak, amikre tudjuk, hogy 0&lt;mű&lt;1/lambda_max akkor konvergens. Na de itt az autokorrelációs mátrix (Adaline-nál R), nem x*xtranszponált várható értékéből jön, hanem az asszociációs vektorból valahogy. Ez a valahogy talán az A mátrixokból létrehozott új auto korrelációs mátrix lesz.<br /> <br /> <br /> ;7. Mi a szemantikailag specifikált KQML lényege? (4p)<br /> :<br /> <br /> <br /> ;8. Beszéltünk mesterséges intelligenciában racionális ágensekről. Mit takar a &quot;beszéd aktus, mint racionális cselekvés&quot; megközelítés? (4p)<br /> :<br /> <br /> <br /> ;9. Az elosztott problémamegoldás körében fellépő konfliktusok feloldására milyen elemi protokollokat alakítottak ki? Mi a szerepük konfliktusfeloldás szempontjából? (4p)<br /> :<br /> <br /> ;10. Mi a Nash-egyensúly? Hogyan jelentkezik a fogoly paradoxonnál? (4p)<br /> :<br /> <br /> <br /> ;11. Mi a Borda-szavazás lényege és mi a fő problémája? (4p)<br /> :Jean-Charles de Borda javasolta 1770-ben a Borda-számlálást a Francia Tudományos Akadémia tagjainak megválasztására. A Borda-számlálás egy egyszerű rangsorolásos módszer, ahol az alternatívákat pontozzák a rangsorolásuk szerint. A hasonló módszereket együtt pozíciós szavazórendszernek nevezik. &lt;math&gt;k&lt;/math&gt; darab jelöltünk van, mindenki rangsorol, alternatívánként összegzés. Eredmény az alternatívák teljes, tranzitív szociális rendezése.<br /> <br /> <br /> <br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Kooperat%C3%ADv_%C3%A9s_tanul%C3%B3_rendszerek_-_vizsga_2012-05-29&diff=189876 2016-06-13T15:35:34Z

<p>Sweidán Omár: Hiányzó megoldás pótlása</p> <hr /> <div>{{vissza|Kooperatív és tanuló rendszerek}}<br /> <br /> ''Első részből (1-6) legalább 16 pontot, a második részből (7-11) legalább 8 pontot kell szerezni!!''<br /> <br /> ;1. Egy (Rosenblatt) perceptronnal kell megtanítania a három (bináris) bemenetű többségi döntés függvényt. Meg tudja tanulni a perceptron a feladatot? Mi a helyzet, ha ugyanezt a feladatot egy Adaline-nak tanítja? Mindkét esetben adjon indoklást is! (4p)<br /> :Bemenet: &lt;math&gt;x_1,x_2,x_3 \epsilon \{0,1\}&lt;/math&gt; (lehetne {-1,1} is, nem tudom itt melyikre gondoltak, de gondolom mindkettővel elfogadják)<br /> <br /> :Helyes kimenet: &lt;math&gt;y = \begin{cases} <br /> -1 &amp; \mbox{ ha } x_1+x_2+x_3 \leq 1 \\<br /> +1 &amp; \mbox{ ha } x_1+x_2+x_3 \geq 2<br /> \end{cases}&lt;/math&gt;<br /> <br /> :Másképp írva: &lt;math&gt;y = \begin{cases} <br /> -1 &amp; \mbox{ ha } x_1+x_2+x_3 &lt; 1.5 \\<br /> +1 &amp; \mbox{ ha } x_1+x_2+x_3 &gt; 1.5<br /> \end{cases}&lt;/math&gt;<br /> <br /> <br /> :Az &lt;math&gt;x_1+x_2+x_3 = 1.5&lt;/math&gt; lineáris felület helyesen szeparálja a tanítópontokat, tehát a perceptron és az adaline is meg tudja tanulni a feladatot (mert azok lineárisan szeparálható osztályozási problémákra jók).<br /> <br /> <br /> ;2. Alkalmazhat-e gradiens-alapú tanító eljárást a következő neurális hálóknál: Rosenblatt perceptron, adaline, egy vagy több rejtett rétegű MLP, RBF, CMAC, SVM, ha a súlyokat tanítjuk, és folytonos hibafüggvényt alkalmazunk? Indokolja meg válaszát! (5p)<br /> :<br /> <br /> ;3. Dinamikus hálók konstrukciójánál fontos részfeladat a regresszorvektor megválasztása. Mit jelent ez a feladat és mi a regresszorvektor meghatározásának a két fő lépése? A két fő lépés közül melyiknél és mely dinamikus modellosztályok esetében használható a Lipschitz index? Értelmezze a Lipschitz index &lt;math&gt;Lq^{(N)}=(\prod_{k=1}^{p}\sqrt{N}q^{(N)}(k))^{1/p}&lt;/math&gt; összefüggését, benne a jelöléseket is!(8p)<br /> :Amit találtam erről:<br /> ::Egy általános nemlineáris dinamikus rendszermodell által megvalósított be-kimeneti kapcsolat &amp;#8722; diszkrét idejű rendszerek esetében &amp;#8722; az alábbi általános formában adható meg:<br /> ::&lt;math&gt; y(k) = f(\phi,\varphi(k)) &lt;/math&gt;<br /> ::Az &lt;math&gt; f(\phi,\varphi(k)) &lt;/math&gt; kapcsolat a modell struktúráját rögzíti, ahol &lt;math&gt; \varphi(k)) &lt;/math&gt; az ún. regresszorvektor, k az időindex, &lt;math&gt; \phi &lt;/math&gt; pedig a rendszer paramétereit összefoglaló vektor. A regresszorvektor feladata megadni, hogy a kimenet előállításában a modellezendő rendszer, folyamat milyen régebbi bemeneti és kimeneti adatait használjuk fel.<br /> ::Többi itt: http://www.mit.bme.hu/books/neuralis/ch08s01<br /> ::Lipschitz: http://www.mit.bme.hu/books/neuralis/ch08s06<br /> :Regresszorvektor meghatározásának a két fő lépése (+?): A regresszorvektor-választás egyfelől a nemlineáris dinamikus modellosztály megválasztását jelenti (NFIR, NARX (ezek kitüntetettek, mert előrecsatoltak) +NOE, NARMAX...), másfelől a modell-fokszám meghatározását is igényli. A bemenet-kimenet reprezentációk mellett a modell-fokszám a regresszorvektor konstrukciójánál figyelembe vett régebbi bemeneti és/vagy kimeneti, stb. értékek számát jelenti. Mivel a modell-fokszám előzetesen általában nem ismert, célszerű különböző modell-fokszámok mellett különböző komplexitású modellek létrehozása és valamilyen kritérium szerinti kiértékelése.<br /> :Lipschitz index jelölések:&lt;br /&gt;<br /> <br /> &lt;math&gt; q^{(N)}(k) &lt;/math&gt; a<br /> <br /> &lt;math&gt; q^{(N)}_{ij} = \frac {|y(i)-y(j)|} {|x(i)-x(j)|}&lt;/math&gt; ahol &lt;math&gt; i\neq j;        i,j=1,2,   …,P&lt;/math&gt;<br /> <br /> Lipschitz hányadosok közül a k-adik legnagyobb érték, N a bemeneti változók száma (a regresszorvektor dimenziója), p pedig egy alkalmasan megválasztott pozitív szám, rendszerint p = 0,01P ~ 0,02P. (P a szokásos jelölésnek megfelelően a tanítópontok száma).<br /> <br /> ;4. Az alábbi két bemenetű - egy kimenetű visszacsatolt hálót szeretné BPTT módszerrel tanítani. Milyen kiterített hálót kap, ha 3 időlépésre kell elvégeznie a kiterítést. Adja meg a szaggatott vonallal jelzett súly (w) tanítási összefüggését. (10p)<br /> : info: http://www.mit.bme.hu/books/neuralis/ch08s04<br /> <br /> ;5. Mit jelentenek a szupportvektorok egy osztályozós SVM-nél? Lehet-e valamit mondani (pl. legalább alsó és felső korlátokat) egy N-változós osztályozási feladatnál, ha a tanító pontok száma P, a szupport vektorok számára hard margós (gyengítő változó nélküli) (&lt;math&gt;\star&lt;/math&gt;) lineáris és (&lt;math&gt;\star\star&lt;/math&gt;) nem lineáris esetben? Indokolja a választ! (5p)<br /> :Egy hosszú bevezetés a szupportvektorokhoz:<br /> ::A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép az &quot;optimális&quot; elválasztó felületet határozza meg (a két osztályba tartozó tanítópontok között, a tanítópontoktól a lehető legnagyobb távolságra helyezkedik el a &quot;felület&quot;). Ennek a meghatározásához a következő kell:<br /> ::&lt;math&gt;d_i(w^{*T}x_i + b^{*})\geq1&lt;/math&gt;<br /> A feladatot feltételes szélsőérték-keresési problémaként tudjuk megfogalmazni, ahol a feltételek egyenlőtlenségek formájában vannak megadva. A feltételes szélsőérték-keresési feladat megoldását egy Lagrange kritérium megoldásával kereshetjük:<br /> ::&lt;math&gt;L(w,b,\alpha)=\frac{1}{2}w^{T}w - \sum_{i=1}^{P}\alpha_i[d_i(w^{T}x_i + b) - 1 ]&lt;/math&gt;<br /> :Az optimalizálási feladat megoldásához a Karush-Kuhn-Tucker (KKT) elmélet szerint a fenti Lagrange kritériumot kell minimalizálni w és b szerint és maximalizálni &lt;math&gt;\alpha_i&lt;/math&gt; szerint, vagyis a Lagrange kritérium által definiált kritériumfelület nyeregpontját (saddle point) kell meghatározni.<br /> :A feltételes optimalizálási feladat megoldásához felírható annak duális alakja, melyben már csak az &lt;math&gt;\alpha_i&lt;/math&gt; Lagrange multiplikátorok az ismeretlenek. ... A linkben a 6.41-es képlet, majd: Azokat a tanítópontokat, amelyek résztvesznek a megoldás kialakításában, amelyekhez tartozó Lagrange multiplikátorok értéke nem nulla, szupport vektoroknak (support vectors) nevezzük. A szupport vektor gépek tehát olyan kernel gépek, ahol a kernel tér tényleges dimenziója nem a tanítópontok számával (P), hanem a szupport vektorok számával (Ps) egyezik meg. <br /> <br /> :Bővebben erről: http://www.mit.bme.hu/books/neuralis/ch06s03&lt;br /&gt;<br /> :A második kérdés nem valami pontos, de utólag megtekintésről kiderült, hogy a szupport vektorok számára kell korlát. Alsó korlát 2, felső korlát P, azaz a tanítópontok száma. Lineáris és nem lineáris esetben is (nem lineáris esetben ugye transzformáljuk magunkat és lineáris lesz).<br /> <br /> <br /> ;6. Meg lehet-e határozni a CMAC háló gradiens alapú iteratív tanításnál a konvergenciát biztosító tanulási tényezőt (&lt;math&gt;\mu&lt;/math&gt;(mü) bátorsági faktor), ha az összes tanító pontot ismeri és nem alkalmaz tömörítő leképezést? Ha igen, adja meg &lt;math&gt;\mu&lt;/math&gt;(mü) összefüggését, ha nem indokolja meg, hogy miért nem. (8p)<br /> :Röviden most így pótvizsga előtt:<br /> ::A lényeg, hogy CMAC kimenetében Adaline-ok vannak, amikre tudjuk, hogy 0&lt;mű&lt;1/lambda_max akkor konvergens. Na de itt az autokorrelációs mátrix (Adaline-nál R), nem x*xtranszponált várható értékéből jön, hanem az asszociációs vektorból valahogy. Ez a valahogy talán az A mátrixokból létrehozott új auto korrelációs mátrix lesz.<br /> <br /> <br /> ;7. Mi a szemantikailag specifikált KQML lényege? (4p)<br /> :<br /> <br /> <br /> ;8. Beszéltünk mesterséges intelligenciában racionális ágensekről. Mit takar a &quot;beszéd aktus, mint racionális cselekvés&quot; megközelítés? (4p)<br /> :<br /> <br /> <br /> ;9. Az elosztott problémamegoldás körében fellépő konfliktusok feloldására milyen elemi protokollokat alakítottak ki? Mi a szerepük konfliktusfeloldás szempontjából? (4p)<br /> :<br /> <br /> ;10. Mi a Nash-egyensúly? Hogyan jelentkezik a fogoly paradoxonnál? (4p)<br /> :<br /> <br /> <br /> ;11. Mi a Borda-szavazás lényege és mi a fő problémája? (4p)<br /> :<br /> <br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz04&diff=189861 2016-06-13T10:29:51Z

<p>Sweidán Omár: Hibás képlet javítása</p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz04}}<br /> <br /> '''perceptron tanítás 3 tényezővel: alfa1=10; alfa2=0.1; alfa3=-3; melyiket választaná? És Adaline esetében? Ha egyik sem helyes javasoljon új tényezőt, és indokolja is meg!'''<br /> <br /> __TODO__<br /> <br /> '''Egy RBF-nél súlyok helyett FIR szűrők vannak, adja meg 1 FIR szűrő együtthatóinak módosító összefüggését!'''<br /> <br /> __TODO__<br /> <br /> '''Implikációt meg lehet-e tanítani perceptronnak, adaline-nak?'''<br /> <br /> * Megoldás van a docxben, csak át kell másolni<br /> <br /> '''Rosenblatt perceptronokból lehet-e MLP-t építeni, ha igen, hogyan, ha nem, miért nem?'''<br /> <br /> * A szignum függvény nem deriválható, de ha lecseréljük szigmoidra, akkor máris deriválható, így használható a Back-Propagation, vagyis akkor építhető belőle MLP.<br /> <br /> '''R = ((0.5 0) (0 0.2)) esetén az LMS eljárás konvergens-e? Vázlatosan rajzolja fel a kritériumfelület szintvonalait!'''<br /> <br /> __TODO__<br /> <br /> '''Milyen modellosztályok esetén használható fokszámbecslése a Lipschitz index? Lipschitz index definíciója (Lq^(N) = ...) meg volt adva - értelmezze, magyarázza meg az egyes betűk jelentését!'''<br /> <br /> A Lipschitz index a mesterséges neurális hálók különböző dinamikus modellosztályainak fokszámának becslésére használandó. Az NFIR és az NARX modellosztályok esetén lehet használni. Ez egy heurisztikus eljárás, ahol figyelembe kell venni a Lipschitz hányadost és a regresszorvektor dimenzióját és egy alkalmasan megválasztott pozitív egész számot, amely a tanítópontok számának valamilyen lineáris kombinációja. A hányadosok közül a szummázási folyamatban fokozatosan növekvő számút kell figyelembe venni.<br /> <br /> &lt;math&gt; Lq^{(N)}=(\Pi_{k=1}^{p}\sqrt{N}   q^{(N)}(k))^{1/p} &lt;/math&gt;<br /> <br /> ahol &lt;math&gt; q^{(N)}(k) &lt;/math&gt; a<br /> <br /> &lt;math&gt; q^{(N)}_{ij} = \frac {|y(i)-y(j)|} {|x(i)-x(j)|}&lt;/math&gt; ahol &lt;math&gt; i\neq j;        i,j=1,2,   …,P&lt;/math&gt;<br /> <br /> Lipschitz hányadosok közül a k-adik legnagyobb érték, N a bemeneti változók száma (a regresszorvektor dimenziója), p pedig egy alkalmasan megválasztott pozitív szám, rendszerint p = 0,01P ~ 0,02P. (P a szokásos jelölésnek megfelelően a tanítópontok száma).<br /> <br /> '''Mi a momentum eljárás és milyen esetben alkalmazható sikerrel?'''<br /> <br /> '''Mi a momentum módszer, milyen célból alkalmazzák, és mely hálótípusoknál alkalmazható? Minden ismert hálótípusra adja meg és indokolja is meg a választ!'''<br /> <br /> * A momentum módszer olyan heurisztikus eljárás, ahol az egyes lépésekben a súlymódosítás meghatározása két részből áll. Először a gradiens módszernek megfelelően meghatározunk egy súly módosító értéket, azonban nem ezzel végezzük el a korrekciót, hanem még figyelembe vesszük az előző módosítás hatását is. A súlymódosítás ennek megfelelően:<br /> <br /> &lt;math&gt; \Delta w ( k + 1 ) = \mu ( - {\nabla} ( k ) ) + \eta \Delta w ( {k} ) &lt;/math&gt;<br /> <br /> ahol &lt;math&gt; {\eta}_{} &lt;/math&gt; az ún. momentum együttható, amelynek értéke 0 és 1 közötti kell legyen (gyakori választás a 0.8 körüli érték).<br /> * A momentum módszer különösen kedvező, ha a hibafelületen keskeny völgy húzódik végig, és a momentumtag nélkül a megoldás felé ezen völgy környezetében túl sok iteráció megtételével haladnánk, és MLP-nél alkalmazható. A módszer alkalmazásával lényegében azonos hibahatár elérése kevesebb számítással, kevesebb idő alatt.<br /> <br /> '''Van egy MLP hálózatunk. A nagy (vastag szaggatott) nyíllal bejelölt súly módosító összefüggéseit határozza meg, ha backprop eljárást alkalmaz.'''<br /> <br /> * Ehhez sincs kép...<br /> <br /> '''Oszályozási feladatra akarunk LS Szupport Vektor Gépet használni. Fogalmazza meg a kritériumfüggvényt és a Lagrange egyenletet. Milyen alapgondolatot használ az eljárás, hogy a Lagrange egyenletből a másodlagos egyenlethez eljussunk? Mi lesz a másodlagos egyenlet?'''<br /> <br /> * Szkennelt megoldás a docxben<br /> <br /> '''Van 10000 50 dimenziós adata, illetve 100 10000 dimenziós adata, melyekkel tanuló hálót akar konstruálni. Két lehetőség közül választhat: MLP-t vagy SVM-et alkalmaz. Az adott esetekben milyen szempontokat venne figyelembe, és mit választana? Részletesen indokolja meg a választást.'''<br /> <br /> * Az első esetre MLP-t használnék, mert sok a tanító pont a dimenziókhoz képset is (bár nem tudom 50 dimenzióhoz mi számít soknak igazán), jól meg lehet tanítani a hálót meg minősíteni is. A másodikra MLP-t nem alkalmaznék, mert nagyon kevés a pont a dimenziószámhoz képest, és szinte biztos a túl/sehogysem tanulás.<br /> * A másodikra használnék SVM-et, mivel a kevés pont, sok dimenzió miatt elég valószínű, hogy meg tudja találni a nemlineáris elválasztó-egyenest, amivel az operál (állítólag). Hogy az elsőre használnék-e SVM-et.. talán a sok tanítópont miatt a kernelmátrix (ami kell a QP-hoz) nagyon nagy lenne, akkor már inkább az MLP. <br /> <br /> '''Adja meg röviden a BackPropagation Through Time (BPTT) eljárás működését! Milyen hálónál alkalmazható, és mik az előnyei, illetve hátrányai az eljárásnak?'''<br /> <br /> Olyan neurális hálózatokra melyek rekurrensek a back propagation algoritmusnak létezik kiterjesztése, mely az időbeli back propagation nevet viseli. Az algoritmus során a hálózatot egy előrecsatolt hálózatba transzformáljuk, olyan formában, hogy a hálózat egy adott időbeli állapota az új hálózat egy rétege lesz. Az előrecsatolt hálózatban csak a rétegek között vannak kapcsolatok, a rétegen belül nincsenek, ezért az eredeti hálózat felépítését úgy transzformáljuk, hogy a neuronok közötti kapcsolatok a következő réteg megfelelő neuronjához tartoznak. Például ha az i-ik neuron a j-ik neuronhoz wi,j súllyal van kapcsolva, akkor minden n-re az n-ik réteg i-ik neuronja az n + 1 –ik réteg j-ik neuronjához wi,j súllyal fog kapcsolódni. Ezeket mutatja a 8.6. ábra. http://mialmanach.mit.bme.hu/neuralis/ch08s04<br /> <br /> '''Mutassa meg, hogy az EXOR probléma megoldható egy olyan RBF hálózattal, melynek két Gauss rejtett neuronja van, ahol a bázisfüggvények középpontjai [0 0] és [1 1]''' &lt;br /&gt;<br /> Könyvből:&lt;br/&gt;<br /> http://www.mit.bme.hu/books/neuralis/ch05s01 (5.1.4)<br /> <br /> '''Batch-tanítás'''<br /> * Minden pontra kiszámoljuk a szükséges módosításokat, de nem hajtjuk végre, majd átlagoljuk a módosításokat és egy lépésben hajtjuk végre a végén.-&gt;lokális minimumok lesznek-&gt;pontonkénti tanulásnál direkt zajt adunk hozzá ezek elkerülésére.<br /> Súlyok kezdeti értéke: úgy kell indítani, hogy minden neuron a meredek részben legyen<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.&lt;br/&gt;<br /> -- [[BartokFerenc|Főnök]] - 2012.06.03.&lt;br/&gt;<br /> --asztalosdani 2013. június 6., 13:09 (UTC)<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz03&diff=189860 2016-06-13T10:22:56Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz03}}<br /> <br /> '''Mi az alapgondolata az Orthogonal Least Square (OLS) eljárásnak? Milyen hálócsaládnál alkalmazható és mire szolgál?'''<br /> * Alapvetően RBF kapcsán esett róla szó.<br /> * &quot;Az ortogonális legkisebb négyzetes hibájú (OLS) eljárás iteratív módon választ középpontokat úgy, hogy közben figyelembe veszi a háló képességét is. Ez azt jelenti, hogy a háló méretét lépésről lépésre növeljük, újabb és újabb bázisfüggvények bekapcsolásával egészen addig, amíg megfelelő teljesítőképességet el nem érünk.&quot;<br /> * A Gauss függvénynek két paramétere van: a középpontja és a szórása. Ez utóbbi lehet skalár, vagy többdimenziós esetben vektor is <br /> * A középpontok meghatározására használható az ortogonális least squares (OLS) és a K-means módszer. Előbbi kiindul egy egy pontot tartalmazó RBF-ből, majd azt iteratívan bővíti, ha nem elég jó a tanulóképessége (a hozzáveendő középpontokat az ismert tanítópontok közül választja). A K-means csoportokba próbálja osztani a tanítópontokat, és a csoportokhoz egy-egy középpontot illetve bázisfüggvényt rendel<br /> * R heurisztikus szórás választás: általában elég tág határok közt változtatható a tanulási képesség rontása nélkül.. Jól használható az adott középpontú bázisfüggvény szórásának, ha vesszük a középponthoz legközelebbi R (R=2-3) másik középpontot, és ezek távolságainak átlagát számoljuk. Ha mindegyik függvényhez azonos szórást akarunk használni, erre is használható a fenti kifejezés (véletlenszerűen kijelölve egy középpontot). <br /> * Végül mind a középpontok, mind a szórások meghatározására alkalmazhatóak az ellenőrzött tanítási módszerek, pl. gradiens alapú keresés, viszont fontos megjegyezni, hogy például a szórás hibafelülete nem kvadratikus, így érvényes minden rá, ami az MLP nem kvadratikus hibafelületére.<br /> <br /> Annyit tennék még itt hozzá, hogy az OLS azon kívül, hogy iteratívan választ újabb középpontokat, közbeiktat egy ortogonalizáló lépést is. Ez ahhoz kell, hogy a kiválasztott középpontok minél inkább korrelálatlanok legyenek, vagyis minél inkább függetlenül szóljanak bele egymástól a kimenetbe (ugye az ortogonalitás annyit tesz, hogy a skaláris szorzatuk 0, vagyis korrelálatlanok).<br /> <br /> '''Mit nevezünk túltanulásnak, milyen következménye van, és hogyan lehet védekezni ellene? (minden ismert ellenszert mutasson be)'''<br /> * Egy rendszer tanítása során a tanítópontok hibája általában csökkenő jellegű. A hálózat hibája a tanításhoz fel nem használt pontokban szintén csökken (a hálózat az egész függvényt egyre jobban megtanulja). Egy bizonyos pont után viszont, a tanítópontok hibája még mindig csökken, de a többi ponté nőni kezd, mivel a háló a tanítópontok olyan apró részleteit kezdi tanulni, amik az egész függvényre nem igazak, és romlik az általánosító-képesség. <br /> * Egyik ellenszer a korai megállás: amikor észrevesszük, hogy az ellenőrzéshez használt nem tanító pontokban nőni kezd a hiba, abbahagyjuk a tanítást (hiába lehetne a tanítópontok hibáját még csökkenteni). <br /> * Regularizáció: A lényege, hogy egyfajta simaságot megkövetelünk, egyfajta az általánosításhoz tartó zajt adunk a tanításhoz, így nem annyira tud nagyon rátanulni a tanítópontokra.<br /> * Új neuron felvétele: Ha időközben hozzáadunk egy új neuront vagy elveszünk, akkor megváltoztatja a háló egész kimenetét, és a túltanulástól egy ideig a tanulások folyamán az általánosítás felé halad, majd persze megint eljut a túltanulásig. Plusz érdeme, hogy segítségével tudunk lökni a lokális minimumoknál, és a &quot;sekélyebb&quot; területeknél.<br /> * keresztvalidáció: Lásd lentebb!<br /> <br /> '''Mi a keresztkiértékelés és mikor használjuk? Milyen változatait ismeri?'''<br /> <br /> Keresztvalidáció vagy más néven keresztkiértékelés: A keresztvalidáció alapvetően azt használja fel, hogy a mintaponthalmazunkat 3 részre osztjuk. A tanítópontok, a kiértékelő pontok, és a tesztelő pontok. A tanítópontok egyértelmű, hogy mit jelent, a kiértékelő pontokkal értékeljük tanítás közben a hálót, vagyis közvetetten befolyásolja a tanítást. A tesztelő pontokat csak a tanítás végén használjuk a tanított háló értékelésére, ezért ezek még közvetetten sem befolyásolják a tanítást. Ez mind szép és jó, de a keresztvalidáció akkor jön szóba, hogyha kevés tanítópontunk van, és nincs erőforrásunk 3 részre osztani, ekkor hogy idézzek: &quot;Ennek során a rendelkezésre álló mintapontokat véletlenszerűen osztjuk k diszjunkt részhalmazra, majd k-1 részhalmazt tanításra, a maradék részhalmazt meg kiértékelésre használjuk. Az eljárást megismételjük az összes részhalmazra úgy, hogy a tanító pontok közül mindig más-más részhalmazt hagyunk ki&quot;...&quot; A hálózat eredő minősítését az egyes kiértékelések átlagaként nyerjük&quot;. Hátránya, hogy sokat kell számolni, előnye, hogy kevés tanítópontnál is jó eredményt ad.<br /> ''Változatai?''<br /> <br /> *A kereszt kiértékelést a neurális hálók tanításánál alkalmazhatjuk. Ilyenkor egy algoritmus alapján felosztjuk a rendelkezése álló mintapontjainkat K db halmazra. Majd ebből a K halmazból K-1 halmaz pontjait tanítópontként felhasználjuk és a maradék 1 db halmaz pontjait pedig tesztpontként alkalmazzuk. Az eljárást addig kell ismételni, amíg minden halmaz nem szerepelt teszthalmazként. Az eljárást így K sokszor kell megismételni. De előnyös, mert így K db tanítást történik, és mindig olyan teszthalmazon végezzük el a tesztelést, majd az adott tanítási ciklusban nem vett részt csak a feltehetően a korábbiban. Így hatékonyabban mérhető a háló általánosító képessége.<br /> *A keresztvalidáció a kereszt kiértékelés speciális esete. Ebben az esetben egyetlenegy tanítási folyamat történik. A tanítás eredményét az elkülönített tesztpontokon teszteljük. Ennél az eljárásnál is először természetesen fel kell osztanunk a rendelkezésre álló mintapontokat tanító és teszt mintákra. A keresztvalidáció bármilyen típusú tanítási eljárásnál használható. Ha többször szeretnénk tanítani a hálót, akkor mindig más mintapontokat kell kijelölni tesztpontoknak.<br /> <br /> <br /> '''Mi a regularizáció és milyen esetekben van szerepe? Osztályozási feladatra alkalmazott SVM hálóknál milyen formában jelenik meg a regularizáció és mit eredményez?'''<br /> <br /> * Regularizáció: Általánosító képességet jelent. A lényege, hogy egyfajta simaságot megkövetelünk, egyfajta az általánosításhoz tartó zajt adunk a tanításhoz, így nem annyira tud nagyon rátanulni a tanítópontokra. Fontossága kevés ismert vagy tanítópont esetén kiemelkedő, hiszen a kevés mintaponttal való tanítás után sem jelenik meg a túltanulás. Az SVM hálók az osztályozás során olyan hipersíkot keresnek, mely minden tanítóponttól egy megadott margin (margó, biztonsági sáv)-ra van, így egyfajta biztosított általánosítást végez, ami amennyiben az eddigi tanítópontok jól leírták a problémát a többi tanítópont is nagyobb valószínűséggel lesz a hipersík megfelelő oldalán, hiszen olyan síkot keres, ami minden pontra igaz ( vagy éppen nem igaz, lásd szoft margó).<br /> <br /> '''Mikor és miért van szükség CMAC hálózatoknál tömörítő leképzésre. Milyen problémákat okozhat ennek használata, és hogyan lehet a problémákat mérsékelni/elkerülni?'''<br /> <br /> * A tömörítő leképezés azt jelenti, hogy a kiinduló (virtuális) címtartományt egy kisebb (fizikai) címtartományra képezzük le. Lényegében a hatékony tömörítő eljárások veszteséges lejárások, szükségük a véges memória miatt van. A problémát a veszteség jelenti, amely megfelelő hash, vagy tömörítő eljárást alkalmazva nem lehet probléma, így olyan hash függvényt kell találni ami egyenletesen képez le a fizikai címtartományba.<br /> * Másképpen kicsit hivatalosabban, az alapvető asszociációs vektorunkat letömörítjük egy tömörített asszociációs vektorra, az alapján hogy a bemeneti tér viszonylag kevés bementi pontjáról érkezik tényleges bemenet. Ez alapján a tömörített vektor alapkán választjuk ki a súlyokat, nem pedig a az eredeti vektor alapján. A tömörítő eljárás egyfajta hashelést jelent, és a probléma akkor van, hogyha ütközés lép fel, vagyis két egymástól távol lévő tanítópont pont részben azonos súlyokat választanak ki. Ha az ütközés valószínűsége kicsi, akkor a hatása elhanyagolható, valamint a tanító lépések számának növelésével az ütközésből adódó interferencia csökkenthető.<br /> <br /> '''Mit nevezünk lokális és mit globális tanulásnak? Van-e előnye egyiknek a másikkal szemben? Az ismert hálók közül melyek a globális és melyek a lokális tanulási hálók és miért?'''<br /> * Globális tanulás: Minden tanítóponton a tanulás kihat a teljes tartományra, vagyis ha tanítunk egy pontot egy MLP-nek, akkor az megfogja változtatni az értékét egy nagyon távoli bemenetnek is a kimenetét. Ilyenek az MLP, és az RBF, de csak olyan függvény esetén melynek a kimenete a teljes bemeneten érvényes, vagyis egy közepes szórású Gauss függvény már nem fejti ki mindenhol a hatását.<br /> * Lokális tanulás: Leginkább a globális tanulás ellentettje, vagyis egy tanítópont csak véges területen fejti ki a hatását, így képesek vagyunk lokális tanulásra. Jó példa erre a XOR RBF-el való tanítása. Ilyenek a CMAC, az SVM, és az RBF is bizonyos paraméterek mellett.<br /> <br /> Itt megjegyeznék, hogy Horváth Gábor meglepetten mondta, hogy sokan írták azt, ami a docx-ben van, és az teljesen hülyeség, amit fentebb leírtam az 6/6 pontot ért.<br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> --asztalosdani 2013. június 6., 09:35 (UTC)<br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz01&diff=189859 2016-06-13T10:00:32Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz01}}<br /> <br /> ==Összegyűjtött kérdések a Zhig 01==<br /> <br /> Daraboltam, így könnyebb a szerkesztése, és a latex-ek is megjelennek.<br /> <br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> <br /> A konvergencia feltétele: &lt;math&gt; 0&lt; {\mu}&lt; \frac1{\lambda_{max}} &lt;/math&gt;<br /> <br /> &lt;math&gt;{\mu} &lt;/math&gt; bátorsági tényező, tanulási faktor, &lt;math&gt;{\lambda_{max}}&lt;/math&gt; az autokorrelációs mátrix legnagyobb sajátértéke<br /> <br /> '''Az Adaline optimális súlyvektorának meghatározására mind az analitikus összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> Analitikus meghatározás: <br /> Wiener-Hopf egyenlet<br /> &lt;math&gt; \underline{w}^{*}= \underline{\underline{R}}^{-1} \cdot \underline{p} &lt;/math&gt;<br /> <br /> &lt;math&gt; \underline{\underline{R}} &lt;/math&gt; autokorrelációs mátrix<br /> <br /> &lt;math&gt; \\ \underline{p}&lt;/math&gt; keresztkorrelációs vektor<br /> <br /> <br /> Iteratív megoldás: <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 {\mu} {\epsilon} (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w {} &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu {} &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon {} &lt;/math&gt; a hiba értéke és az &lt;math&gt; x {} &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} {} &lt;/math&gt;<br /> <br /> Ahol a &lt;math&gt; \lambda_{max} {} &lt;/math&gt; az &lt;math&gt; R {} &lt;/math&gt; legnagyobb sajátértéke, ahol az &lt;math&gt; R {} &lt;/math&gt; a bemenet autokorrelációs mátrixa. Ezt &lt;math&gt; \lambda_{max} {} &lt;/math&gt; -ot Adaline esetében vagy tudjuk, vagy a felső becslését tudjuk.<br /> <br /> A sajátérték fizikai jelentése: Minél nagyobb egy sajátérték, annál nagyobb a hibafelület adott irány menti meredekség-változása azaz a görbülete.<br /> <br /> A kritériumfüggvény: &lt;math&gt; C ( w ) = \frac{1}{P} \sum_{i = 1}^{P} \left( d_i - f(w,x_i) \right)^2 &lt;/math&gt;<br /> A lineáris kapcsolat miatt az &lt;math&gt; f(w,x) = w^{T}x &lt;/math&gt;. Vagyis az átlagos négyzetes hiba felírható a következő formában is:&lt;math&gt; C(w) = (d - X w)^{T} ( d - X w) {}&lt;/math&gt;. Ahol d a tanítópontokbeli kívánt válaszokból épített p elemű oszlopvektor, X a bemeneti vektorokból képzett mátrix, w pedig a keresett paramétervektor. A megoldás itt aztán a &lt;math&gt; d = X w {}&lt;/math&gt;, máshogyan &lt;math&gt; w = X^{-1} d {}&lt;/math&gt;, valamint pszeudoinverz alkalmazásával &lt;math&gt; w^{*} = X^{\dagger} d = ( X^TX)^{-1} X^T d &lt;/math&gt;. Az összefüggés legfontosabb része, hogy ugyanerre a megoldásra jutunk, hogyha kritériumfüggvény (amit az iteratív eljáráshoz alkalmazott kritériumfüggvény átalakítottja, vagyis nem a szummás, hanem amelyik függvény utána van) gradiens nulla értéket biztosító paraméterét határozzuk meg:<br /> &lt;math&gt; \frac{\partial C ( w ) }{ \partial w } = -2 X^Td + 2 X^TXw = 0 &lt;/math&gt;<br /> Ekkor ezt kapjuk:<br /> &lt;math&gt; X^TXw = X^Td &lt;/math&gt;, ami átalakítva &lt;math&gt; w^{*} = ( X^TX)^{-1} X^T d {}&lt;/math&gt; (ismerős?)<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) {} &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 {} &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} {} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T {} &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} {} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) {} &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y {} &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} {} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s {} &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) {} &lt;/math&gt;<br /> <br /> És mi ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; {} \underline{w} = (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt; Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát. (Ez az analitikus megoldás). <br /> Kicsit pontosabban, az Adaline minden esetben tud adni megoldást. Egy olyan esetben, amikor a pontok lineárisan nem szeparálhatóak a perceptron nem tud megoldást adni, az Adaline tud, mind analitikus módszerrel, mind iteratív. Az analitikus módszer esetében is a kvadratikus hibafelület minimumát fogja adni, ami lineárisan nem szeparálható pontok esetén azt jelenti, hogy a legjobb osztályozást adja, viszont nem minden pont lesz a hipersík megfelelő oldalán.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> Wiener-Hopf összefüggés: &lt;math&gt; {} w^{*} = R^{-1}p &lt;/math&gt;, ahol &lt;math&gt; w^{*} &lt;/math&gt; az optimális súlyvektor, ahol &lt;math&gt;{} R = E \left\{ x x^{T} \right\} &lt;/math&gt; a bemenet autokorrelációs mátrixa ( ahol az x a bemeneti vektor), és a &lt;math&gt;{} p = E \left\{ dx \right\} &lt;/math&gt; pedig egy olyan oszlopvektort jelöl, amely a kívánt kimenet és a bemenet közötti keresztkorreláció.<br /> <br /> Kritériumok: &lt;math&gt; {} d_{i} &lt;/math&gt; a kívánt válaszok és az &lt;math&gt; {x}_{i} &lt;/math&gt; a bemenetek statisztikai jellemzői, valamint R és p ismertek. Ha R és p nem ismertek, akkor ezeket becsülni kell véges számú mintapont alapján.<br /> <br /> Optimális megoldást ad olyan értelemben, hogy a hibafelület minimumát adja, ily módon a legkisebb hibával megadja egy lineárisan nem szeparálható feladat minimumát Adaline esetében, de ettől még az Adaline hibásan fog osztályozni.<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> <br /> '''Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!'''<br /> <br /> * MLP: nem, a hibafelület nem kvadratikus, a gradiens kvadratikusát felhasználó analitikus megoldás így nem alkalmazható. ''Nem tökéletes, de ér pár pontot''<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d {} &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainak meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d {} &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d {} &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d {} &lt;/math&gt;. A feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> <br /> '''Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?'''<br /> <br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> <br /> '''Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!'''<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 {} &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon {} &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség írható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i {} &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 {} &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 {} &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 {} &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz01&diff=189858 2016-06-13T09:59:50Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz01}}<br /> <br /> ==Összegyűjtött kérdések a Zhig 01==<br /> <br /> Daraboltam, így könnyebb a szerkesztése, és a latex-ek is megjelennek.<br /> <br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> <br /> A konvergencia feltétele: &lt;math&gt; 0&lt; {\mu}&lt; \frac1{\lambda_{max}} &lt;/math&gt;<br /> <br /> &lt;math&gt;{\mu} &lt;/math&gt; bátorsági tényező, tanulási faktor, &lt;math&gt;{\lambda_{max}}&lt;/math&gt; az autokorrelációs mátrix legnagyobb sajátértéke<br /> <br /> '''Az Adaline optimális súlyvektorának meghatározására mind az analitikus összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> Analitikus meghatározás: <br /> Wiener-Hopf egyenlet<br /> &lt;math&gt; \underline{w}^{*}= \underline{\underline{R}}^{-1} \cdot \underline{p} &lt;/math&gt;<br /> <br /> &lt;math&gt; \underline{\underline{R}} &lt;/math&gt; autokorrelációs mátrix<br /> <br /> &lt;math&gt; \\ \underline{P}&lt;/math&gt; keresztkorrelációs vektor<br /> <br /> <br /> Iteratív megoldás: <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 {\mu} {\epsilon} (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w {} &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu {} &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon {} &lt;/math&gt; a hiba értéke és az &lt;math&gt; x {} &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} {} &lt;/math&gt;<br /> <br /> Ahol a &lt;math&gt; \lambda_{max} {} &lt;/math&gt; az &lt;math&gt; R {} &lt;/math&gt; legnagyobb sajátértéke, ahol az &lt;math&gt; R {} &lt;/math&gt; a bemenet autokorrelációs mátrixa. Ezt &lt;math&gt; \lambda_{max} {} &lt;/math&gt; -ot Adaline esetében vagy tudjuk, vagy a felső becslését tudjuk.<br /> <br /> A sajátérték fizikai jelentése: Minél nagyobb egy sajátérték, annál nagyobb a hibafelület adott irány menti meredekség-változása azaz a görbülete.<br /> <br /> A kritériumfüggvény: &lt;math&gt; C ( w ) = \frac{1}{P} \sum_{i = 1}^{P} \left( d_i - f(w,x_i) \right)^2 &lt;/math&gt;<br /> A lineáris kapcsolat miatt az &lt;math&gt; f(w,x) = w^{T}x &lt;/math&gt;. Vagyis az átlagos négyzetes hiba felírható a következő formában is:&lt;math&gt; C(w) = (d - X w)^{T} ( d - X w) {}&lt;/math&gt;. Ahol d a tanítópontokbeli kívánt válaszokból épített p elemű oszlopvektor, X a bemeneti vektorokból képzett mátrix, w pedig a keresett paramétervektor. A megoldás itt aztán a &lt;math&gt; d = X w {}&lt;/math&gt;, máshogyan &lt;math&gt; w = X^{-1} d {}&lt;/math&gt;, valamint pszeudoinverz alkalmazásával &lt;math&gt; w^{*} = X^{\dagger} d = ( X^TX)^{-1} X^T d &lt;/math&gt;. Az összefüggés legfontosabb része, hogy ugyanerre a megoldásra jutunk, hogyha kritériumfüggvény (amit az iteratív eljáráshoz alkalmazott kritériumfüggvény átalakítottja, vagyis nem a szummás, hanem amelyik függvény utána van) gradiens nulla értéket biztosító paraméterét határozzuk meg:<br /> &lt;math&gt; \frac{\partial C ( w ) }{ \partial w } = -2 X^Td + 2 X^TXw = 0 &lt;/math&gt;<br /> Ekkor ezt kapjuk:<br /> &lt;math&gt; X^TXw = X^Td &lt;/math&gt;, ami átalakítva &lt;math&gt; w^{*} = ( X^TX)^{-1} X^T d {}&lt;/math&gt; (ismerős?)<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) {} &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 {} &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} {} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T {} &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} {} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) {} &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y {} &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} {} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s {} &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) {} &lt;/math&gt;<br /> <br /> És mi ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; {} \underline{w} = (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt; Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát. (Ez az analitikus megoldás). <br /> Kicsit pontosabban, az Adaline minden esetben tud adni megoldást. Egy olyan esetben, amikor a pontok lineárisan nem szeparálhatóak a perceptron nem tud megoldást adni, az Adaline tud, mind analitikus módszerrel, mind iteratív. Az analitikus módszer esetében is a kvadratikus hibafelület minimumát fogja adni, ami lineárisan nem szeparálható pontok esetén azt jelenti, hogy a legjobb osztályozást adja, viszont nem minden pont lesz a hipersík megfelelő oldalán.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> Wiener-Hopf összefüggés: &lt;math&gt; {} w^{*} = R^{-1}p &lt;/math&gt;, ahol &lt;math&gt; w^{*} &lt;/math&gt; az optimális súlyvektor, ahol &lt;math&gt;{} R = E \left\{ x x^{T} \right\} &lt;/math&gt; a bemenet autokorrelációs mátrixa ( ahol az x a bemeneti vektor), és a &lt;math&gt;{} p = E \left\{ dx \right\} &lt;/math&gt; pedig egy olyan oszlopvektort jelöl, amely a kívánt kimenet és a bemenet közötti keresztkorreláció.<br /> <br /> Kritériumok: &lt;math&gt; {} d_{i} &lt;/math&gt; a kívánt válaszok és az &lt;math&gt; {x}_{i} &lt;/math&gt; a bemenetek statisztikai jellemzői, valamint R és p ismertek. Ha R és p nem ismertek, akkor ezeket becsülni kell véges számú mintapont alapján.<br /> <br /> Optimális megoldást ad olyan értelemben, hogy a hibafelület minimumát adja, ily módon a legkisebb hibával megadja egy lineárisan nem szeparálható feladat minimumát Adaline esetében, de ettől még az Adaline hibásan fog osztályozni.<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> <br /> '''Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!'''<br /> <br /> * MLP: nem, a hibafelület nem kvadratikus, a gradiens kvadratikusát felhasználó analitikus megoldás így nem alkalmazható. ''Nem tökéletes, de ér pár pontot''<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d {} &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainak meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d {} &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d {} &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d {} &lt;/math&gt;. A feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> <br /> '''Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?'''<br /> <br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> <br /> '''Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!'''<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 {} &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon {} &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség írható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i {} &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 {} &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 {} &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 {} &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2009.03.25&diff=188840 2016-04-21T06:33:14Z

<p>Sweidán Omár: Elgépelés javítása.</p> <hr /> <div>=2009. március 25. - A csoport=<br /> <br /> ; 1. Három taszk ütemezését kell megoldanunk prioritásos sorrendben . A T1 taszk alacsony (L), a T2 taszk középső (M) és a T3 pedig magas (H) prioritáson fut. A rendszerben van globális óra. Amikor ez 100 sec-ot mutat, akkor futni kezd a T1 taszk. 101 sec-nál lefoglalja azt az erőforrást, amelyet a T3 taszk is használ. Prioritás-felsőhatár protokollt használunk. 102 sec-nál futásra kész állapotba kerül a T3. 104 sec-nál T1 elengedi a szemafort. T3 futási ideje 2 sec. Mekkora T2 worst-case blokkolási ideje, ill. válaszideje, ha T2 végrehajtási ideje 3 sec? (T3 semmiképp sem kerül ismételten futtatható állapotba 110 sec-os óra-állás előtt.) (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;2. Ismertesse a referencia óra, a helyes óra, a pontos óra, valamint az együttfutás és a pontosság fogalmát! (5 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;3. Ismertesse a kettős nóniuszos időmérés elvét és mutassa be az alapösszefüggését! (3 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;4. Mutassa be, hogy elosztott óra-rendszerek esetén milyen pontossággal mérhető meg egy időintervallum! (Magyarázat!)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;5. Egy master-slave jellegű óraszinkronizáció során a master óra 100.2 sec-os állásakor átküldjük az óra állását a slave-nek, aki ezt a saját órájának 100.2 sec-os állásakor kapja meg. Ezt követően a slave óra 100.3 sec-os állásakor a slave megküldi az órák előzőekben regisztrált értékeinek különbségét és a saját óra aktuális állását a masternek, aki ezt az órájának 100.4 sec-os állásakor veszi. Egyéb információnk nincsen. Mekkora értékű óra-korrekciós tényezőt fog a master meghatározni a slave számára? Ezzel növelni, vagy csökkenteni kell a slave értékét? Hogyan módosul a fenti korrekciós érték, ha többlet információként ismerjük, hogy a master-slave irányú kommunikáció 160 msec, a slave-master irányú kommunikáció pedig 140 msec időt vesz igénybe? Mekkora a slave óra driftje a master órához képest a fenti két esetben, ha a t = 0 időpontban a master és a slave órája egyaránt helyes? Hogyan jellemezhető a master és a slave együttfutása a fenti két esetben? (10 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;6. Egy valós idejű mennyiség számítógépbeli képének pontosságbeli intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni ezt a képet, ha az információ továbbítás a felhasználás helyére, a legkedvezőtlenebb esetben 1.8 msec időt vesz igénybe? Mikor fázisérzékeny egy periodikusan frissített valós idejű kép? (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;7. Egy lineáris, diszkrét idejű, dinamikus rendszer (A = diag[1, -1], C = [0.1, 1]) megfigyelésére alkalmas eljárást tervezünk. (A állapotátmenet mátrix, C megfigyelési mátrix, diag[..,..] olyan mátrix, amelynek csak a főátlóban van nullától különböző eleme). Adja meg az eljárás blokkvázlatát! Hogyan kell megválasztani az eljárás szabad paramétereit, ha véges beállási időt szeretnénk? (6 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;8. Iteratív eljárás segítségével mutassa be az alábbi, rate-monotonic körülmények között működő 4-es taszk worst-case válaszidejét! (6 pont)<br /> {|class=&quot;wikitable&quot;<br /> !Taszk !!T[ms] !!c[ms] !!D[ms]<br /> |-<br /> |IT ||10 ||0.5 ||3 <br /> |-<br /> |1 ||3 ||0.5 ||3 <br /> |-<br /> |2 ||6 ||0.75 ||6 <br /> |-<br /> |3 ||14 ||1.25 ||14 <br /> |- <br /> |4 ||14 ||5 ||14<br /> |}<br /> : &lt;!-- Válasz --&gt;<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2014.04.30&diff=188838 2016-04-20T17:45:07Z

<p>Sweidán Omár: Elgépelés javítása.</p> <hr /> <div>{{vissza|Beágyazott információs rendszerek}}<br /> <br /> ;1. Egy ''preemptív, prioritásos, több taszkos'' rendszert az alábbi táblázat jellemzi. A prioritás a taszkok sorrendjében csökken:<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! Taszk !! T !! C !! D<br /> |-<br /> | I1 || 10 ms || 0.50 ms || 3 ms<br /> |-<br /> | T1 || 3 ms || 0.50 ms || 3 ms<br /> |-<br /> | T2 || 6 ms || 0.75 ms || 6 ms<br /> |-<br /> | T3 || 14 ms || 1.25 ms || 14 ms<br /> |-<br /> | T4 || 50 ms || 5.00 ms || 30 ms<br /> |}<br /> ;Határozza meg a T3-as taszk worst-case válaszidejét (4 pont)! Maximálisan mekkora lehet az a blokkolási idő, amivel T4 blokkolja a T3-at (2 pont)?<br /> : &lt;math&gt;R_i = C_i + \sum \left \lceil \frac{R_i}{T_k} \right \rceil C_k&lt;/math&gt; képlet alapján kell kitölteni az alábbi táblázatot (A &lt;math&gt;I_i&lt;/math&gt; a középső szummás rész a képletből)<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! &lt;math&gt;R_{i}^{n}&lt;/math&gt; !! &lt;math&gt;I_i&lt;/math&gt; !! &lt;math&gt;R_{i}^{n+1}&lt;/math&gt;<br /> |-<br /> | 0 || 0 || 1,25<br /> |-<br /> | 1,25 || 1,75 || 3<br /> |-<br /> | 3 || 1,75 || 3<br /> |-<br /> |}<br /> :Blokkolás: nincs köze a prioritásos rendszerhez<br /> :&lt;math&gt;C_i&lt;/math&gt; értéke legyen 1,25 helyett 1,25 + 5,0 = 6,25<br /> :Ha így is belefér a 14ms-es határba, az egész lehet blokkolási idő. (Innentől ugyanúgy megoldható, mint az előző feladatrész)<br /> <br /> ;2. Egy vezetéknélküli hálózatban a j jelű csomópont óráját az i jelű órához szinkronizáljuk. &quot;Referencia broadcasting&quot; eljárást használunk a k jelű órára alapozva. A kommunikáció jittere 10 msec. A referencia jel érkezésének bizonytalansága egy konkrét üzenet továbbítása esetén 1 msec, azaz a referencia jel leghamarabbi és legkésőbbi vétele között ennyi idő telhet el. Határozza meg a szinkronizáció worst-case bizonytalanságának (pluszminusz) értékét, ha a j-edik csomópont által vett időbélyegek különbsége 100 msec (3 pont)! Határozza meg ugyanezt a bizonytalanságot abban az esetben is, amikor kétirányú (round trip) szinkronizációt használunk, és a j-edik csomópont által rögzített időbélyegek különbsége 200 msec (3 pont)!<br /> :Mindenképp le kell rajzolni az alábbi ábrát. A keresett megoldásunk &lt;math&gt;\pm&lt;/math&gt; 1 msec, mert az i-hez és j-hez érkező üzenet ekkora különbséggel tud megérkezni.<br /> : Kétriányú esetben a worst-case lehetőség, amikor &lt;math&gt;D = d_{max} + d_{min}&lt;/math&gt; vagy &lt;math&gt;D = d_{min} + d_{max}&lt;/math&gt;. Az ideális esethez képest pont a jitter fele lesz a hiba, azaz &lt;math&gt;\pm&lt;/math&gt; 5 msec.<br /> &lt;gallery&gt;<br /> File:BIR_zh_20140430_A_2_1.png | Referencia broadcasting<br /> File:BIR_zh_20140430_A_2_2.png | Ideális eset kétirányú esetén<br /> File:BIR_zh_20140430_A_2_3.png | Worst-case eset kétirányú esetén<br /> &lt;/gallery&gt;<br /> <br /> ;3. Egy beágyazott rendszer négy csomópont közül az egyik bizánci viselkedésű (&quot;hazudós&quot;). Jó lenne az órákat szinkronizálni. A nem &quot;hazudós&quot; csomópontok milyen algoritmussal tudják eldönteni, hogy melyik csomópont óra-információját kell figyelmen kívül hagyni (4 pont)? (Részletezze az algoritmust! A feladat megoldása során feltételezheti, hogy a kommunikációs csatornák hibátlanok, és mindenki mindenkivel &quot;beszél&quot;.)<br /> : A négy tábornok először mindenkinek elküldi a saját adatát, ekkor az alábbi ismeretekkel rendelkeznek.<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! Tábornok !! Ismert adatok<br /> |-<br /> | #1 || (1, 2, x, 4)<br /> |-<br /> | #2 || (1, 2, y, 4)<br /> |-<br /> | #3 || (1, 2, 3, 4)<br /> |-<br /> | #4 || (1, 2, z, 4)<br /> |-<br /> |}<br /> : Ezután mindenki továbbküldi a saját ismereteit. A kapott sorokat mátrixban tároljuk<br /> : &lt;math&gt;\#1 \rightarrow \begin{bmatrix} 1, 2, y, 4 \\ a, b, c, d \\ 1, 2, z, 4 \end{bmatrix}&lt;/math&gt; &lt;math&gt;\#2 \rightarrow \begin{bmatrix} 1, 2, x, 4 \\ e, f, g, h \\ 1, 2, z, 4 \end{bmatrix}&lt;/math&gt; &lt;math&gt;\#4 \rightarrow \begin{bmatrix} 1, 2, x, 4 \\ 1, 2, y, 4 \\ i, j, k, l \end{bmatrix}&lt;/math&gt;<br /> : Az a..l betűk azért jelennek meg, mert a bizánci típusú ekkor is helytelen adatokat küld<br /> : Végül mindenki többségi (2v1) szavazással eldönti, hogy a #3-tól jött hamis információ<br /> <br /> ;4. Egy valós idejű mennyiség számítógépbeli képének pontossági intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről a mennyiségről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni ezt a képet, ha az információ továbbítás a felhasználás helyére a legkedvezőtlenebb esetben 1,2 msec időt vesz igénybe (2 pont)? Mikor fázis-érzékeny egy periodikisan frissített valós idejű kép (1 pont)?<br /> :Akkor lesz fázisérzékeny, ha a frissítés+utaztatás nagyobb, mint a pontosság<br /> :A frissítésre hagyható maximum idő a pontosság-utaztatás, azaz most 0,8<br /> [[File:BIR_zh_20140430_A_4_1.png|200px]]<br /> <br /> ;5. A TTA architektúrában hogyan valósul meg a szinkronizáció, ha a csomópont eseményvezérelt működésű (3 pont)?<br /> : Számláló típusú szemaforra lesz szükségünk.<br /> : Amikor belekezdünk egy írásba, inkrementáljuk<br /> : Amikor készen vagyunk, akkor is inkrementálunk<br /> : Ennek a következménye: ha páratlan a szemafor, valaki éppen ír, ha páros, de nagyobb, akkor új adatot tudunk olvasni<br /> :: Ez a rész nem volt teljesen tiszta, valaki nézze át - [[Szerkesztő:Kiskoza|Koza]] ([[Szerkesztővita:Kiskoza|vita]]) 2014. május 10., 08:56 (UTC)<br /> <br /> <br /> ;6. Milyen eszközzel tudunk időt viszonylag pontosan mérni (1 pont)? Hogyan függ az időmérés pontossága az alkalmazott elektronikus számláló tartalmától, ill. az óragenerátor frekvencia pontosságától (1 pont)? Hogyan mérünk kis időtartamokat (2 pont)?<br /> : A kísérő szövegeket nem sikerült leírni, de ezt az ábrát várja<br /> [[File:BIR_zh_20140430_A_6_1.png|200px]]<br /> <br /> ;7. Egy komplex technológiai folyamat állapotváltozóit 200 érzékelővel folyamatosan mérjük. A jeleket önállóan kommunikáló mikroprocesszoros egységek fogadják é dolgozzák fel. 10 ilyen egység van, mindegyik 20 érzékelőt szolgál ki. Ha mért jelek átlépnek egy határértéket, akkor a diszpécser számítógépet 100 msec-en belül értesíteni kell. Az ilyenkor küldendő üzenet minden állapotváltozó esetében 1 byte hosszúságú, a kommunikációs overhead 42 bit. A kommunikációs csatorna sávszélessége 100000 bit/sec. Vizsgálja meg, hogy eseményvezérelt működési módot választva hány állapotváltozó határérték túllépését tudja a rendszer időben jelezni a diszpécser központnak (3 pont)! Vizsgálja meg, hogy idővezérelt működésű módot választva milyen mértékű terhelést jelent a kommunikációs csatornán az az eset, amikor valamennyi állapotváltozó átlépi a határértéket (3 pont)!<br /> :Eseményvezérelt működés<br /> :: Ha valahol elérjük a határértéket, rögtön jelezni próbál az érzékelő<br /> :: Egy érzékelő által generált adatforgalom: 1 byte (üzenet) + 42 bit (overhead) = 50 bit<br /> :: Egy érzékelő jelzése: 50 bit / 100000 bit/sec = 0,5 msec<br /> :: worst-case eset, ha minden érzékelő egyszerre akar jelezni<br /> :: 200 érzékelő: 200 * 0,5ms = 100 msec, tehát éppen belefér a határidőbe<br /> :: (más értékekkel ki is lóghatott volna, olyankor az a kérdés, hogy hány érzékelőtől tud megérkezni időben)<br /> :Idővezérelt működés<br /> :: Egy egység egyben elküldi az érzékelők az adatait, akkor is ha nem változtak meg<br /> :: Egy egység által generált adatforgalom: 20 * 1 byte (érzékelők) + 42 bit (overhead) = 202 bit<br /> :: Az összes (10) egység által generált adatforgalom: 10*202 bit = 2020 bit<br /> :: Az összes egység ennyi idő alatt tudja elküldeni: 2020 bit / 100000 bit/sec = 20,2 msec, tehát a rendelkezésre álló 100 msec-ből 20,2-t használ fel.<br /> &lt;gallery&gt;<br /> File:BIR_zh_20140430_A_7_1.png|Rendszer terhelése<br /> File:BIR_zh_20140430_A_7_2.png|A szenzorhálózat vázlata<br /> &lt;/gallery&gt;<br /> <br /> ;8. Mi a különbség a sporadikus és az aperiodikus taszkok között (2 pont)?<br /> :Sporadikus: nem periodikus, de két kérés között legalább T idő eltelik<br /> :Aperiodikus: nem periodikus, akármennyi érkezhet belőle<br /> <br /> ;9. Mi a prcesszor-igény módszer lényege? Hogyan alkalmazzuk, ha a határidő kisebb, mint a periódusidő? (2 pont) Hasonlítsa össze a DM, az RM és az EDF algoritmusokat proceszor-igény szempontjából! (2 pont)<br /> {{Szakaszcsonk}}<br /> <br /> ;10. inicializáláskor mekkora értékre kell beállítani azt a számláló szemafort, amely 10 taszk, és 5 egyenértékű erőforrás működését szinkronizálja (2 pont)?<br /> :5, mert a szemaforokat az erőforrások kezelésére hozzuk létre<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2009.03.25&diff=188836 2016-04-20T17:05:42Z

<p>Sweidán Omár: Elgépelés javítása.</p> <hr /> <div>=2009. március 25. - A csoport=<br /> <br /> ; 1. Három taszk ütemezését kell megoldanunk prioritásos sorrendben . A T1 taszk alacsony (L), a T2 taszk középső (M) és a T3 pedig magas (H) prioritáson fut. A rendszerben van globális óra. Amikor ez 100 sec-ot mutat, akkor futni kezd a T1 taszk. 101 sec-nál lefoglalja azt az erőforrást, amelyet a T3 taszk is használ. Prioritás-felsőhatár protokollt használunk. 102 sec-nál futásra kész állapotba kerül a T3. 104 sec-nál T1 elengedi a szemafort. T3 futási ideje 2 sec. Mekkora T2 worst-case blokkolási ideje, ill. válaszideje, ha T2 végrehajtási ideje 3 sec? (T3 semmiképp sem kerül ismételten futtatható állapotba 110 sec-os óra-állás előtt.) (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;2. Ismertesse a referencia óra, a helyes óra, a pontos óra, valamint az együttfutás és a pontosság fogalmát! (5 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;3. Ismertesse a kettős nóniuszos időmérés elvét és mutassa be az alapösszefüggését! (3 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;4. Mutassa be, hogy elosztott óra-rendszerek esetén milyen pontossággal mérhető meg egy időintervallum! (Magyarázat!)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;5. Egy master-slave jellegű óraszinkronizáció során a master óra 100.2 sec-os állásakor átküldjük az óra állását a slave-nek, aki ezt a saját órájának 100.2 sec-os állásakor kapja meg. Ezt követően a slave óra 100.3 sec-os állásakor a slave megküldiaz órák előzőekben regisztrált értékeinek különbségét és a saját óra aktuális állását a masternek, aki ezt az órájának 100.4 sec-os állásakor veszi. Egyéb információnk nincsen. Mekkora értékű óra-korrekciós tényezőt fog a master meghatározni a slave számára? Ezzel növelni, vagy csökkenteni kell a slave értékét? Hogyan módosul a fenti korrekciós érték, ha többlet információként ismerjük, hogy a master-slave irányú kommunikáció 160 msec, a slave-master irányú kommunikáció pedig 140 msec időt vesz igénybe? Mekkora a slave óra driftje a master órához képest a fenti két esetben, ha a t = 0 időpontban a master és a slave órája egyaránt helyes? Hogyan jellemezhető a master és a slave együttfutása a fenti két esetben? (10 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;6. Egy valós idejű mennyiség számítógépbeli képének pontosságbeli intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni ezt a képet, ha az információ továbbítás a felhasználás helyére, a legkedvezőtlenebb esetben 1.8 msec időt vesz igénybe? Mikor fázisérzékeny egy periodikusan frissített valós idejű kép? (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;7. Egy lineáris, diszkrét idejű, dinamikus rendszer (A = diag[1, -1], C = [0.1, 1]) megfigyelésére alkalmas eljárást tervezünk. (A állapotátmenet mátrix, C megfigyelési mátrix, diag[..,..] olyan mátrix, amelynek csak a főátlóban van nullától különböző eleme). Adja meg az eljárás blokkvázlatát! Hogyan kell megválasztani az eljárás szabad paramétereit, ha véges beállási időt szeretnénk? (6 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;8. Iteratív eljárás segítségével mutassa be az alábbi, rate-monotonic körülmények között működő 4-es taszk worst-case válaszidejét! (6 pont)<br /> {|class=&quot;wikitable&quot;<br /> !Taszk !!T[ms] !!c[ms] !!D[ms]<br /> |-<br /> |IT ||10 ||0.5 ||3 <br /> |-<br /> |1 ||3 ||0.5 ||3 <br /> |-<br /> |2 ||6 ||0.75 ||6 <br /> |-<br /> |3 ||14 ||1.25 ||14 <br /> |- <br /> |4 ||14 ||5 ||14<br /> |}<br /> : &lt;!-- Válasz --&gt;<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2009.03.25&diff=188835 2016-04-20T17:04:57Z

<p>Sweidán Omár: Elgépelés javítása.</p> <hr /> <div>=2009. március 25. - A csoport=<br /> <br /> ; 1. Három taszk ütemezését kell megoldanunk prioritásos sorrendben . A T1 taszk alacsony (L), a T2 taszk középső (M) és a T3 pedig magas (H) prioritáson fut. A rendszerben van globális óra. Amikor ez 100 sec-ot mutat, akkor futni kezd a T1 taszk. 101 sec-nál lefoglalja azt az erőforrást, amelyet a T3 taszk is használ. Prioritás-felsőhatár protokollt használunk. 102 sec-nál futásra kész állapotba kerül a T3. 104 sec-nál T1 elengedi a szemafort. T3 futási ideje 2 sec. Mekkora T2 worst-case blokkolási ideje, ill. válaszideje, ha T2 végrehajtási ideje 3 sec? (T3 semmiképp sem kerül ismételten futtatható állapotba 110 sec-os óra-állás előtt.) (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;2. Ismertesse a referencia óra, a helyes óra, a pontos óra, valamint az együttfutás és a pontosság fogalmát! (5 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;3. Ismertesse a kettős nóniuszos időmérés elvét és mutassa be az alapösszefüggését! (3 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;4. Mutassa be, hogy elosztott óra-rendszerek esetén milyen pontossággal mérhető meg egy időintervallum! (Magyarázat!)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;5. Egy master-slave jellegű óraszinkronizáció során a master óra 100.2 sec-os állásakor átküldjük az óra állását a slave-nek, aki ezt a saját órájának 100.2 sec-os állásakor kapja meg. Ezt követően a slave óra 100.3 sec-os állásakor a slave megküldiaz órák előzőekben regisztrált értékeinek különbségét és a saját óra aktuális állását a masternek, aki ezt az órájának 100.4 sec-os állásakor veszi. Egyéb információnk nincsen. Mekkora értékű óra-korrekciós tényezőt fog a master meghatározni a slave számára? Ezzel növelni, vagy csökkenteni kell a slave értékét? Hogyan módosul a fenti korrekciós érték, ha többlet információként ismerjük, hogy a master-slave irányú kommunikáció 160 msec, a slave-master irányú kommunikáció pedig 140 msec időt vesz igénybe? Mekkora a slave óra driftje a master órához képest a fenti két esetben, ha a t = 0 időpontban a master és a slave órája egyaránt helyes? Hogyan jellemezhető a master és a slave együttfutása a fenti két esetben? (10 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;6. Egy valós idejű mennyiség számítógépbeli képének pontosságbeli intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni etz a képet, ha az információ továbbítás a felhasználás helyére, a legkedvezőtlenebb esetben 1.8 msec időt vesz igénybe? Mikor fázisérzékeny egy periodikusan frissített valós idejű kép? (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;7. Egy lineáris, diszkrét idejű, dinamikus rendszer (A = diag[1, -1], C = [0.1, 1]) megfigyelésére alkalmas eljárást tervezünk. (A állapotátmenet mátrix, C megfigyelési mátrix, diag[..,..] olyan mátrix, amelynek csak a főátlóban van nullától különböző eleme). Adja meg az eljárás blokkvázlatát! Hogyan kell megválasztani az eljárás szabad paramétereit, ha véges beállási időt szeretnénk? (6 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;8. Iteratív eljárás segítségével mutassa be az alábbi, rate-monotonic körülmények között működő 4-es taszk worst-case válaszidejét! (6 pont)<br /> {|class=&quot;wikitable&quot;<br /> !Taszk !!T[ms] !!c[ms] !!D[ms]<br /> |-<br /> |IT ||10 ||0.5 ||3 <br /> |-<br /> |1 ||3 ||0.5 ||3 <br /> |-<br /> |2 ||6 ||0.75 ||6 <br /> |-<br /> |3 ||14 ||1.25 ||14 <br /> |- <br /> |4 ||14 ||5 ||14<br /> |}<br /> : &lt;!-- Válasz --&gt;<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2009.03.25&diff=188823 2016-04-20T16:36:46Z

<p>Sweidán Omár: Elgépelés javítása.</p> <hr /> <div>=2009. március 25. - A csoport=<br /> <br /> ; 1. Három taszk ütemezését kell megoldanunk proiritásos sorrendben . A T1 taszk alacsony (L), a T2 taszk középső (M) és a T3 pedig magas (H) prioritáson fut. A rendszerben van globális óra. Amikor ez 100 sec-ot mutat, akkor futni kezd a T1 taszk. 101 sec-nál lefoglalja azt az erőforrást, amelyet a T3 taszk is használ. Prioritás-felsőhatár protokollt használunk. 102 sec-nál futásra kész állapotba kerül a T3. 104 sec-nál T1 elengedi a szemafort. T3 futási ideje 2 sec. Mekkora T2 worst-case blokkolási ideje, ill. válaszideje, ha T2 végrehajtási ideje 3 sec? (T3 semmiképp sem kerül ismételten futtatható állapotba 110 sec-os óra-állás előtt.) (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;2. Ismertesse a referencia óra, a helyes óra, a pontos óra, valamint az együttfutás és a pontosság fogalmát! (5 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;3. Ismertesse a kettős nóniuszos időmérés elvét és mutassa be az alapösszefüggését! (3 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;4. Mutassa be, hogy elosztott óra-rendszerek esetén milyen pontossággal mérhető meg egy időintervallum! (Magyarázat!)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;5. Egy master-slave jellegű óraszinkronizáció során a master óra 100.2 sec-os állásakor átküldjük az óra állását aslave-nek, aki ezt a saját órájának 100.2 sec-os állásakor kapja meg. Ezt követően a slave óra 100.3 sec-os állásakor a slave megküldiaz órák előzőekben regisztrált értékeinek különbségét és a saját óra aktuális állását a masternek, aki ezt az órájának 100.4 sec-os állásakor veszi. Egyéb információnk nincsen. Mekkora értékű óra-korrekciós tényezőt fog a master meghatározni a slave számára? Ezzel növelni, vagy csökkenteni kell a slave értékét? Hogyan módosul a fenti korrekciós érték, ha többlet információként ismerjük, hogy a master-slave irányú kommunikáció 160 msec, a slave-master irányú kommunikáció pedig 140 msec időt vesz igénybe? Mekkora a slev óra driftje a master órához képest a fenti két esetben, ha a t = 0 időpontban a master és a slave órája egyaránt helyes? Hogyan jellemezhető a master és a slave együttfutása a fenti két esetben? (10 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;6. Egy valós idejű mennyiség számítógépbeli képének pontosságbeli intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni etz a képet, ha az információ továbbítás a felhasználás helyére, a legkedvezőtlenebb esetben 1.8 msec időt vesz igénybe? Mikor fázisérzékeny egy periodikusan frissített valós idejű kép? (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;7. Egy lineáris, diszkrét idejű, dinamikus rendszer (A = diag[1, -1], C = [0.1, 1]) megfigyelésére alkalmas eljárást tervezünk. (A állapotátmenet mátrix, C megfigyelési mátrix, diag[..,..] olyan mátrix, amelynek csak a főátlóban van nullától különböző eleme). Adja meg az eljárás blokkvázlatát! Hogyan kell megválasztani az eljárás szabad paramétereit, ha véges beállási időt szeretnénk? (6 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;8. Iteratív eljárás segítségével mutassa be az alábbi, rate-monotonic körülmények között működő 4-es taszk worst-case válaszidejét! (6 pont)<br /> {|class=&quot;wikitable&quot;<br /> !Taszk !!T[ms] !!c[ms] !!D[ms]<br /> |-<br /> |IT ||10 ||0.5 ||3 <br /> |-<br /> |1 ||3 ||0.5 ||3 <br /> |-<br /> |2 ||6 ||0.75 ||6 <br /> |-<br /> |3 ||14 ||1.25 ||14 <br /> |- <br /> |4 ||14 ||5 ||14<br /> |}<br /> : &lt;!-- Válasz --&gt;<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2009.03.25&diff=188822 2016-04-20T16:28:11Z

<p>Sweidán Omár: /* 2009. március 25. - A csoport */</p> <hr /> <div>=2009. március 25. - A csoport=<br /> <br /> ; 1. Három taszk ütemezését kell megoldanunk proiritásos sorrendben . A T1 taszk alacsony (L), a T2 taszk középső (M) és a T3 pedig magas (H) prioritáson fut. A rendszerben van globális óra. Amikor ez 100 sec-ot mutat, akkor futni kezd a T1 taszk. 101 sec-nál lefoglalja azt az erőforrást, amelyet a T3 taszk is használ. Prioritás-felsőhatár protokollt használunk. 102 sec-nál futásra kész állapotba kerül a T3. 104 sec-nál T1 elengedi a szemafort. T3 futási ideje 2 sec. Mekkora T2 worst-case blokkolási ideje, ill. válaszideje, ha T2 végrehajtási ideje 3 sec? (T3 semmiképp sem kerül ismételten futtatható állapotba 110 sec-os óra-állás előtt.) (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;2. Ismertesse a referencia óra, a helyes óra, a pontos óra, valamint az együttfutás és a pontosság fogalmát! (5 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;3. Ismertesse a kettős nóniuszos időmárás elvét és mutassa be az alapösszefüggését! (3 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;4. Mutassa be, hogy elosztott óra-rendszerek esetén milyen pontossággal mérhető meg egy időintervallum! (Magyarázat!)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;5. Egy master-slave jellegű óraszinkronizáció során a master óra 100.2 sec-os állásakor átküldjük az óra állását aslave-nek, aki ezt a saját órájának 100.2 sec-os állásakor kapja meg. Ezt követően a slave óra 100.3 sec-os állásakor a slave megküldiaz órák előzőekben regisztrált értékeinek különbségét és a saját óra aktuális állását a masternek, aki ezt az órájának 100.4 sec-os állásakor veszi. Egyéb információnk nincsen. Mekkora értékű óra-korrekciós tényezőt fog a master meghatározni a slave számára? Ezzel növelni, vagy csökkenteni kell a slave értékét? Hogyan módosul a fenti korrekciós érték, ha többlet információként ismerjük, hogy a master-slave irányú kommunikáció 160 msec, a slave-master irányú kommunikáció pedig 140 msec időt vesz igénybe? Mekkora a slev óra driftje a master órához képest a fenti két esetben, ha a t = 0 időpontban a master és a slave órája egyaránt helyes? Hogyan jellemezhető a master és a slave együttfutása a fenti két esetben? (10 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;6. Egy valós idejű mennyiség számítógépbeli képének pontosságbeli intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni etz a képet, ha az információ továbbítás a felhasználás helyére, a legkedvezőtlenebb esetben 1.8 msec időt vesz igénybe? Mikor fázisérzékeny egy periodikusan frissített valós idejű kép? (4 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;7. Egy lineáris, diszkrét idejű, dinamikus rendszer (A = diag[1, -1], C = [0.1, 1]) megfigyelésére alkalmas eljárást tervezünk. (A állapotátmenet mátrix, C megfigyelési mátrix, diag[..,..] olyan mátrix, amelynek csak a főátlóban van nullától különböző eleme). Adja meg az eljárás blokkvázlatát! Hogyan kell megválasztani az eljárás szabad paramétereit, ha véges beállási időt szeretnénk? (6 pont)<br /> : &lt;!-- Válasz --&gt;<br /> <br /> ;8. Iteratív eljárás segítségével mutassa be az alábbi, rate-monotonic körülmények között működő 4-es taszk worst-case válaszidejét! (6 pont)<br /> {|class=&quot;wikitable&quot;<br /> !Taszk !!T[ms] !!c[ms] !!D[ms]<br /> |-<br /> |IT ||10 ||0.5 ||3 <br /> |-<br /> |1 ||3 ||0.5 ||3 <br /> |-<br /> |2 ||6 ||0.75 ||6 <br /> |-<br /> |3 ||14 ||1.25 ||14 <br /> |- <br /> |4 ||14 ||5 ||14<br /> |}<br /> : &lt;!-- Válasz --&gt;<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2014.04.30&diff=188820 2016-04-20T16:12:03Z

<p>Sweidán Omár: Elgépelés javítása.</p> <hr /> <div>{{vissza|Beágyazott információs rendszerek}}<br /> <br /> ;1. Egy ''preemptív, prioritásos, több taszkos'' rendszert az alábbi táblázat jellemzi. A prioritás a taszkok sorrendjében csökken:<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! Taszk !! T !! C !! D<br /> |-<br /> | I1 || 10 ms || 0.50 ms || 3 ms<br /> |-<br /> | T1 || 3 ms || 0.50 ms || 3 ms<br /> |-<br /> | T2 || 6 ms || 0.75 ms || 6 ms<br /> |-<br /> | T3 || 14 ms || 1.25 ms || 14 ms<br /> |-<br /> | T4 || 50 ms || 5.00 ms || 30 ms<br /> |}<br /> ;Határozza meg a T3-as tasz worst-case válaszidejét (4 pont)! Maximálisan mekkora lehet az a blokkolási idő, amivel T4 blokkolja a T3-at (2 pont)?<br /> : &lt;math&gt;R_i = C_i + \sum \left \lceil \frac{R_i}{T_k} \right \rceil C_k&lt;/math&gt; képlet alapján kell kitölteni az alábbi táblázatot (A &lt;math&gt;I_i&lt;/math&gt; a középső szummás rész a képletből)<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! &lt;math&gt;R_{i}^{n}&lt;/math&gt; !! &lt;math&gt;I_i&lt;/math&gt; !! &lt;math&gt;R_{i}^{n+1}&lt;/math&gt;<br /> |-<br /> | 0 || 0 || 1,25<br /> |-<br /> | 1,25 || 1,75 || 3<br /> |-<br /> | 3 || 1,75 || 3<br /> |-<br /> |}<br /> :Blokkolás: nincs köze a prioritásos rendszerhez<br /> :&lt;math&gt;C_i&lt;/math&gt; értéke legyen 1,25 helyett 1,25 + 5,0 = 6,25<br /> :Ha így is belefér a 14ms-es határba, az egész lehet blokkolási idő. (Innentől ugyanúgy megoldható, mint az előző feladatrész)<br /> <br /> ;2. Egy vezetéknélküli hálózatban a j jelű csomópont óráját az i jelű órához szinkronizáljuk. &quot;Referencia broadcasting&quot; eljárást használunk a k jelű órára alapozva. A kommunikáció jittere 10 msec. A referencia jel érkezésének bizonytalansága egy konkrét üzenet továbbítása esetén 1 msec, azaz a referencia jel leghamarabbi és legkésőbbi vétele között ennyi idő telhet el. Határozza meg a szinkronizáció worst-case bizonytalanságának (pluszminusz) értékét, ha a j-edik csomópont által vett időbélyegek különbsége 100 msec (3 pont)! Határozza meg ugyanezt a bizonytalanságot abban az esetben is, amikor kétirányú (round trip) szinkronizációt használunk, és a j-edik csomópont által rögzített időbélyegek különbsége 200 msec (3 pont)!<br /> :Mindenképp le kell rajzolni az alábbi ábrát. A keresett megoldásunk &lt;math&gt;\pm&lt;/math&gt; 1 msec, mert az i-hez és j-hez érkező üzenet ekkora különbséggel tud megérkezni.<br /> : Kétriányú esetben a worst-case lehetőség, amikor &lt;math&gt;D = d_{max} + d_{min}&lt;/math&gt; vagy &lt;math&gt;D = d_{min} + d_{max}&lt;/math&gt;. Az ideális esethez képest pont a jitter fele lesz a hiba, azaz &lt;math&gt;\pm&lt;/math&gt; 5 msec.<br /> &lt;gallery&gt;<br /> File:BIR_zh_20140430_A_2_1.png | Referencia broadcasting<br /> File:BIR_zh_20140430_A_2_2.png | Ideális eset kétirányú esetén<br /> File:BIR_zh_20140430_A_2_3.png | Worst-case eset kétirányú esetén<br /> &lt;/gallery&gt;<br /> <br /> ;3. Egy beágyazott rendszer négy csomópont közül az egyik bizánci viselkedésű (&quot;hazudós&quot;). Jó lenne az órákat szinkronizálni. A nem &quot;hazudós&quot; csomópontok milyen algoritmussal tudják eldönteni, hogy melyik csomópont óra-információját kell figyelmen kívül hagyni (4 pont)? (Részletezze az algoritmust! A feladat megoldása során feltételezheti, hogy a kommunikációs csatornák hibátlanok, és mindenki mindenkivel &quot;beszél&quot;.)<br /> : A négy tábornok először mindenkinek elküldi a saját adatát, ekkor az alábbi ismeretekkel rendelkeznek.<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! Tábornok !! Ismert adatok<br /> |-<br /> | #1 || (1, 2, x, 4)<br /> |-<br /> | #2 || (1, 2, y, 4)<br /> |-<br /> | #3 || (1, 2, 3, 4)<br /> |-<br /> | #4 || (1, 2, z, 4)<br /> |-<br /> |}<br /> : Ezután mindenki továbbküldi a saját ismereteit. A kapott sorokat mátrixban tároljuk<br /> : &lt;math&gt;\#1 \rightarrow \begin{bmatrix} 1, 2, y, 4 \\ a, b, c, d \\ 1, 2, z, 4 \end{bmatrix}&lt;/math&gt; &lt;math&gt;\#2 \rightarrow \begin{bmatrix} 1, 2, x, 4 \\ e, f, g, h \\ 1, 2, z, 4 \end{bmatrix}&lt;/math&gt; &lt;math&gt;\#4 \rightarrow \begin{bmatrix} 1, 2, x, 4 \\ 1, 2, y, 4 \\ i, j, k, l \end{bmatrix}&lt;/math&gt;<br /> : Az a..l betűk azért jelennek meg, mert a bizánci típusú ekkor is helytelen adatokat küld<br /> : Végül mindenki többségi (2v1) szavazással eldönti, hogy a #3-tól jött hamis információ<br /> <br /> ;4. Egy valós idejű mennyiség számítógépbeli képének pontossági intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről a mennyiségről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni ezt a képet, ha az információ továbbítás a felhasználás helyére a legkedvezőtlenebb esetben 1,2 msec időt vesz igénybe (2 pont)? Mikor fázis-érzékeny egy periodikisan frissített valós idejű kép (1 pont)?<br /> :Akkor lesz fázisérzékeny, ha a frissítés+utaztatás nagyobb, mint a pontosság<br /> :A frissítésre hagyható maximum idő a pontosság-utaztatás, azaz most 0,8<br /> [[File:BIR_zh_20140430_A_4_1.png|200px]]<br /> <br /> ;5. A TTA architektúrában hogyan valósul meg a szinkronizáció, ha a csomópont eseményvezérelt működésű (3 pont)?<br /> : Számláló típusú szemaforra lesz szükségünk.<br /> : Amikor belekezdünk egy írásba, inkrementáljuk<br /> : Amikor készen vagyunk, akkor is inkrementálunk<br /> : Ennek a következménye: ha páratlan a szemafor, valaki éppen ír, ha páros, de nagyobb, akkor új adatot tudunk olvasni<br /> :: Ez a rész nem volt teljesen tiszta, valaki nézze át - [[Szerkesztő:Kiskoza|Koza]] ([[Szerkesztővita:Kiskoza|vita]]) 2014. május 10., 08:56 (UTC)<br /> <br /> <br /> ;6. Milyen eszközzel tudunk időt viszonylag pontosan mérni (1 pont)? Hogyan függ az időmérés pontossága az alkalmazott elektronikus számláló tartalmától, ill. az óragenerátor frekvencia pontosságától (1 pont)? Hogyan mérünk kis időtartamokat (2 pont)?<br /> : A kísérő szövegeket nem sikerült leírni, de ezt az ábrát várja<br /> [[File:BIR_zh_20140430_A_6_1.png|200px]]<br /> <br /> ;7. Egy komplex technológiai folyamat állapotváltozóit 200 érzékelővel folyamatosan mérjük. A jeleket önállóan kommunikáló mikroprocesszoros egységek fogadják é dolgozzák fel. 10 ilyen egység van, mindegyik 20 érzékelőt szolgál ki. Ha mért jelek átlépnek egy határértéket, akkor a diszpécser számítógépet 100 msec-en belül értesíteni kell. Az ilyenkor küldendő üzenet minden állapotváltozó esetében 1 byte hosszúságú, a kommunikációs overhead 42 bit. A kommunikációs csatorna sávszélessége 100000 bit/sec. Vizsgálja meg, hogy eseményvezérelt működési módot választva hány állapotváltozó határérték túllépését tudja a rendszer időben jelezni a diszpécser központnak (3 pont)! Vizsgálja meg, hogy idővezérelt működésű módot választva milyen mértékű terhelést jelent a kommunikációs csatornán az az eset, amikor valamennyi állapotváltozó átlépi a határértéket (3 pont)!<br /> :Eseményvezérelt működés<br /> :: Ha valahol elérjük a határértéket, rögtön jelezni próbál az érzékelő<br /> :: Egy érzékelő által generált adatforgalom: 1 byte (üzenet) + 42 bit (overhead) = 50 bit<br /> :: Egy érzékelő jelzése: 50 bit / 100000 bit/sec = 0,5 msec<br /> :: worst-case eset, ha minden érzékelő egyszerre akar jelezni<br /> :: 200 érzékelő: 200 * 0,5ms = 100 msec, tehát éppen belefér a határidőbe<br /> :: (más értékekkel ki is lóghatott volna, olyankor az a kérdés, hogy hány érzékelőtől tud megérkezni időben)<br /> :Idővezérelt működés<br /> :: Egy egység egyben elküldi az érzékelők az adatait, akkor is ha nem változtak meg<br /> :: Egy egység által generált adatforgalom: 20 * 1 byte (érzékelők) + 42 bit (overhead) = 202 bit<br /> :: Az összes (10) egység által generált adatforgalom: 10*202 bit = 2020 bit<br /> :: Az összes egység ennyi idő alatt tudja elküldeni: 2020 bit / 100000 bit/sec = 20,2 msec, tehát a rendelkezésre álló 100 msec-ből 20,2-t használ fel.<br /> &lt;gallery&gt;<br /> File:BIR_zh_20140430_A_7_1.png|Rendszer terhelése<br /> File:BIR_zh_20140430_A_7_2.png|A szenzorhálózat vázlata<br /> &lt;/gallery&gt;<br /> <br /> ;8. Mi a különbség a sporadikus és az aperiodikus taszkok között (2 pont)?<br /> :Sporadikus: nem periodikus, de két kérés között legalább T idő eltelik<br /> :Aperiodikus: nem periodikus, akármennyi érkezhet belőle<br /> <br /> ;9. Mi a prcesszor-igény módszer lényege? Hogyan alkalmazzuk, ha a határidő kisebb, mint a periódusidő? (2 pont) Hasonlítsa össze a DM, az RM és az EDF algoritmusokat proceszor-igény szempontjából! (2 pont)<br /> {{Szakaszcsonk}}<br /> <br /> ;10. inicializáláskor mekkora értékre kell beállítani azt a számláló szemafort, amely 10 taszk, és 5 egyenértékű erőforrás működését szinkronizálja (2 pont)?<br /> :5, mert a szemaforokat az erőforrások kezelésére hozzuk létre<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Be%C3%A1gyazott_inform%C3%A1ci%C3%B3s_rendszerek_-_ZH_A_csoport_2014.04.30&diff=188818 2016-04-20T15:55:35Z

<p>Sweidán Omár: Néhány elgépelés javítása.</p> <hr /> <div>{{vissza|Beágyazott információs rendszerek}}<br /> <br /> ;1. Egy ''preemptív, prioritásos, több taszkos'' rendszert az alábbi táblázat jellemzi. A prioritás a taszkok sorrendjében csökken:<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! Taszk !! T !! C !! D<br /> |-<br /> | I1 || 10 ms || 0.50 ms || 3 ms<br /> |-<br /> | T1 || 3 ms || 0.50 ms || 3 ms<br /> |-<br /> | T2 || 6 ms || 0.75 ms || 6 ms<br /> |-<br /> | T3 || 14 ms || 1.25 ms || 14 ms<br /> |-<br /> | T4 || 50 ms || 5.00 ms || 30 ms<br /> |}<br /> ;Határozza meg a T3-as tasz worst-case válaszidejét (4 pont)! Maximálisan mekkora lehet az a blokkolási idő, amivel T4 blokkolja a T3-at (2 pont)?<br /> : &lt;math&gt;R_i = C_i + \sum \left \lceil \frac{R_i}{T_k} \right \rceil C_k&lt;/math&gt; képlet alapján kell kitölteni az alábbi táblázatot (A &lt;math&gt;I_i&lt;/math&gt; a középső szummás rész a képletből)<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! &lt;math&gt;R_{i}^{n}&lt;/math&gt; !! &lt;math&gt;I_i&lt;/math&gt; !! &lt;math&gt;R_{i}^{n+1}&lt;/math&gt;<br /> |-<br /> | 0 || 0 || 1,25<br /> |-<br /> | 1,25 || 1,75 || 3<br /> |-<br /> | 3 || 1,75 || 3<br /> |-<br /> |}<br /> :Blokkolás: nincs köze a prioritásos rendszerhez<br /> :&lt;math&gt;C_i&lt;/math&gt; értéke legyen 1,25 helyett 1,25 + 5,0 = 6,25<br /> :Ha így is belefér a 14ms-es határba, az egész lehet blokkolási idő. (Innentől ugyanúgy megoldható, mint az előző feladatrész)<br /> <br /> ;2. Egy vezetéknélküli hálózatban a j jelű csomópont óráját az i jelű órához szinkronizáljuk. &quot;Referencia broadcasting&quot; eljárást használunk a k jelű órára alapozva. A kommunikáció jittere 10 msec. A referencia jel érkezésének bizonytalansága egy konkrét üzenet továbbítása esetén 1 msec, azaz a referencia jel leghamarabbi és legkésőbbi vétele között ennyi idő telhet el. Határozza meg a szinkronizáció worst-case bizonytalanságának (pluszminusz) értékét, ha a j-edik csomópont által vett időbélyegek különbsége 100 msec (3 pont)! Határozza meg ugyanezt a bizonytalanságot abban az esetben is, amikor kétirányú (round trip) szinkronizációt használunk, és a j-edik csomópont által rögzített időbélyegek különbsége 200 msec (3 pont)!<br /> :Mindenképp le kell rajzolni az alábbi ábrát. A keresett megoldásunk &lt;math&gt;\pm&lt;/math&gt; 1 msec, mert az i-hez és j-hez érkező üzenet ekkora különbséggel tud megérkezni.<br /> : Kétriányú esetben a worst-case lehetőség, amikor &lt;math&gt;D = d_{max} + d_{min}&lt;/math&gt; vagy &lt;math&gt;D = d_{min} + d_{max}&lt;/math&gt;. Az ideális esethez képest pont a jitter fele lesz a hiba, azaz &lt;math&gt;\pm&lt;/math&gt; 5 msec.<br /> &lt;gallery&gt;<br /> File:BIR_zh_20140430_A_2_1.png | Referencia broadcasting<br /> File:BIR_zh_20140430_A_2_2.png | Ideális eset kétirányú esetén<br /> File:BIR_zh_20140430_A_2_3.png | Worst-case eset kétirányú esetén<br /> &lt;/gallery&gt;<br /> <br /> ;3. Egy beágyazott rendszer négy csomópont közül az egyik bizánci viselkedésű (&quot;hazudós&quot;). Jó lenne az órákat szinkronizálni. A nem &quot;hazudós&quot; csomópontok milyen algoritmussal tudják eldönteni, hogy melyik csomópont óra-információját kell figyelmen kívül hagyni (4 pont)? (Részletezze az algoritmust! A feladat megoldása során feltételezheti, hogy a kommunikációs csatornák hibátlanok, és mindenki mindenkivel &quot;beszél&quot;.)<br /> : A négy tábornok először mindenkinek elküldi a saját adatát, ekkor az alábbi ismeretekkel rendelkeznek.<br /> {| class=&quot;wikitable&quot; border=&quot;1&quot;<br /> |-<br /> ! Tábornok !! Ismert adatok<br /> |-<br /> | #1 || (1, 2, x, 4)<br /> |-<br /> | #2 || (1, 2, y, 4)<br /> |-<br /> | #3 || (1, 2, 3, 4)<br /> |-<br /> | #4 || (1, 2, z, 4)<br /> |-<br /> |}<br /> : Ezután mindenki továbbküldi a saját ismereteit. A kapott sorokat mátrixban tároljuk<br /> : &lt;math&gt;\#1 \rightarrow \begin{bmatrix} 1, 2, y, 4 \\ a, b, c, d \\ 1, 2, z, 4 \end{bmatrix}&lt;/math&gt; &lt;math&gt;\#2 \rightarrow \begin{bmatrix} 1, 2, x, 4 \\ e, f, g, h \\ 1, 2, z, 4 \end{bmatrix}&lt;/math&gt; &lt;math&gt;\#4 \rightarrow \begin{bmatrix} 1, 2, x, 4 \\ 1, 2, y, 4 \\ i, j, k, l \end{bmatrix}&lt;/math&gt;<br /> : Az a..l betűk azért jelennek meg, mert a bizánci típusú ekkor is helytelen adatokat küld<br /> : Végül mindenki többségi (2v1) szavazással eldönti, hogy a #3-tól jött hamis információ<br /> <br /> ;4. Egy valós idejű mennyiség számítógépbeli képének pontossági intervalluma 2 msec. Azt szeretnénk, hogy a felhasználás helyén erről a mennyiségről mindig legyen kellően pontos képünk. Milyen gyakran kell frissíteni ezt a képet, ha az információ továbbítás a felhasználás helyére a legkedvezőtlenebb esetben 1,2 msec időt vesz igénybe (2 pont)? Mikor fázis-érzékeny egy periodikisan frissített valós idejű kép (1 pont)?<br /> :Akkor lesz fázisérzékeny, ha a frissítés+utaztatás nagyobb, mint a pontosság<br /> :A frissítésre hagyható maximum idő a pontosság-utaztatás, azaz most 0,8<br /> [[File:BIR_zh_20140430_A_4_1.png|200px]]<br /> <br /> ;5. A TTA architektúrában hogyan valósul meg a szinkronizáció, ha a csomópont eseményvezérelt működésű (3 pont)?<br /> : Számláló típusú szemaforra lesz szükségünk.<br /> : Amikor belekezdünk egy írásba, inkrementáljuk<br /> : Amikor készen vagyunk, akkor is inkrementálunk<br /> : Ennek a következménye: ha páratlan a szemafor, valaki éppen ír, ha páros, de nagyobb, akkor új adatot tudunk olvasni<br /> :: Ez a rész nem volt teljesen tiszta, valaki nézze át - [[Szerkesztő:Kiskoza|Koza]] ([[Szerkesztővita:Kiskoza|vita]]) 2014. május 10., 08:56 (UTC)<br /> <br /> <br /> ;6. Milyen eszközzel tudunk időt viszonylag pontosan mérni (1 pont)? Hogyan függ az időmérés ponossága az alkalmazott elektronikus számláló tartalmától, ill. az óragenerátor frekvencia pontosságától (1 pont)? Hogyan mérünk kis időtartamokat (2 pont)?<br /> : A kísérő szövegeket nem sikerült leírni, de ezt az ábrát várja<br /> [[File:BIR_zh_20140430_A_6_1.png|200px]]<br /> <br /> ;7. Egy komplex technológiai folyamat állapotváltozóit 200 érzékelővel folyamatosan mérjük. A jeleket önállóan kommunikáló mikroprocesszoros egységek fogadják é dolgozzák fel. 10 ilyen egység van, mindegyik 20 érzékelőt szolgál ki. Ha mért jelek átlépnek egy határértéket, akkor a diszpécser számítógépet 100 msec-en belül értesíteni kell. Az ilyenkor küldendő üzenet minden állapotváltozó esetében 1 byte hosszúságú, a kommunikációs overhead 42 bit. A kommunikációs csatorna sávszélessége 100000 bit/sec. Vizsgálja meg, hogy eseményvezérelt működési módot választva hány állapotváltozó határérték túllépését tudja a rendszer időben jelezni a diszpécser központnak (3 pont)! Vizsgálja meg, hogy idővezérelt működésű módot választva milyen mértékű terhelést jelent a kommunikációs csatornán az az eset, amikor valamennyi állapotváltozó átlépi a határértéket (3 pont)!<br /> :Eseményvezérelt működés<br /> :: Ha valahol elérjük a határértéket, rögtön jelezni próbál az érzékelő<br /> :: Egy érzékelő által generált adatforgalom: 1 byte (üzenet) + 42 bit (overhead) = 50 bit<br /> :: Egy érzékelő jelzése: 50 bit / 100000 bit/sec = 0,5 msec<br /> :: worst-case eset, ha minden érzékelő egyszerre akar jelezni<br /> :: 200 érzékelő: 200 * 0,5ms = 100 msec, tehát éppen belefér a határidőbe<br /> :: (más értékekkel ki is lóghatott volna, olyankor az a kérdés, hogy hány érzékelőtől tud megérkezni időben)<br /> :Idővezérelt működés<br /> :: Egy egység egyben elküldi az érzékelők az adatait, akkor is ha nem változtak meg<br /> :: Egy egység által generált adatforgalom: 20 * 1 byte (érzékelők) + 42 bit (overhead) = 202 bit<br /> :: Az összes (10) egység által generált adatforgalom: 10*202 bit = 2020 bit<br /> :: Az összes egység ennyi idő alatt tudja elküldeni: 2020 bit / 100000 bit/sec = 20,2 msec, tehát a rendelkezésre álló 100 msec-ből 20,2-t használ fel.<br /> &lt;gallery&gt;<br /> File:BIR_zh_20140430_A_7_1.png|Rendszer terhelése<br /> File:BIR_zh_20140430_A_7_2.png|A szenzorhálózat vázlata<br /> &lt;/gallery&gt;<br /> <br /> ;8. Mi a különbség a sporadikus és az aperiodikus taszkok között (2 pont)?<br /> :Sporadikus: nem periodikus, de két kérés között legalább T idő eltelik<br /> :Aperiodikus: nem periodikus, akármennyi érkezhet belőle<br /> <br /> ;9. Mi a prcesszor-igény módszer lényege? Hogyan alkalmazzuk, ha a határidő kisebb, mint a periódusidő? (2 pont) Hasonlítsa össze a DM, az RM és az EDF algoritmusokat proceszor-igény szempontjából! (2 pont)<br /> {{Szakaszcsonk}}<br /> <br /> ;10. inicializáláskor mekkora értékre kell beállítani azt a számláló szemafort, amely 10 taszk, és 5 egyenértékű erőforrás működését szinkronizálja (2 pont)?<br /> :5, mert a szemaforokat az erőforrások kezelésére hozzuk létre<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz02&diff=188727 2016-04-12T00:14:25Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz02}}<br /> <br /> '''Egy NFIR(FIR-MPL) hálózat felépítése az abrán látható. A vastag szaggatott vonallal jelölt részek a FIR szűrők, ahol 2 késleltető elem és 3 súly van. Adja meg a háló időben kiterített változatát (virtuális háló) és pontokba szedve adja meg a tanítás lépéseit!'''<br /> <br /> ''Ehhez nincs ábra, de itt marad, hogy volt ilyen is.''<br /> <br /> '''Mit jelent az időbeli kiterítés olyan NFIR háló tanításánál, ahol egy MLP súlyai helyén FIR szűrőket alkalmazunk?'''<br /> <br /> FIR szűrő: Lényege, hogy a tárolja a szűrő az elmúlt pár bemenetet, és ezek összege a kimenete, olyan mint egy shiftreigiszter ami a kimenetén az összes tárolt érték összegét adja.<br /> <br /> Akkor a könyvből egy hosszú idézet:&quot; E megközelítés szerint végezve a vizsgálatot valójában időben kiterítjük a hálózatot és így egy nagyobb, de statikus hálót kapunk, ami már a hagyományos hibavisszaterjesztéses algoritmussal tanítható. A kiterítés következtében kapott virtuális háló azonban igen nagyméretű is lehet a FIR szűrőkben található késleltető láncok méretétől függően, továbbá a virtuális háló struktúrája el fog térni a szokásos többrétegű perceptron felépítésétől: az egyes rétegek processzáló elemei nincsenek a következő réteg összes processzáló elemével összekötve. További eltérés, hogy a virtuális háló az időbeli kiterítés következtében jóval több súlyt tartalmaz, mint a fizikailag létező valóságos; egy valóságos súlynak a virtuális hálóban több megfelelője van, melyek a háló működésének különböző időpillanataihoz tartoznak és a kiterített hálóban más-más rétegben szerepelnek. A hagyományos hibavisszaterjesztéses algoritmus alkalmazásánál az azonos fizikai súly különböző virtuális megfelelőihöz eltérő súlymódosító összefüggéseket kapunk, mivel a hibavisszaterjesztés útja a különböző virtuális megfelelőkig eltérő. Ennek ellenére csak egy fizikai súly létezik, tehát ezt különbözőképpen nem módosíthatjuk. A megoldás csak az lehet, hogy a különböző módon visszaterjesztett &quot;hiba&quot; figyelembevételével nyert súlymódosítások eredőjével kell módosítanunk a fizikai súly értékét, ami azt jelenti, hogy a megfelelő virtuális súlyok azonos mértékben és egyszerre módosulnak.&quot;<br /> <br /> '''Mi a kernel trükk és mi a jelentősége?'''<br /> *Mit nevezünk kernel trükknek és mi a jelentősége? Alkalmazható-e a kernel trükk az ismert előrecsatolt hálók (lineáris súlyozott összeg, MLP, RBF, CMAC) esetében? Amennyiben lehet kernel trükköt alkalmazni, meg tudja-e adni a kernel függvényt az egyes esetekben? Adja meg a kernel függvény meghatározásnának általános módját minden olyan esetben, ahol a háló leképzése kerneles formában is megadható, és ahol lehet, adja meg a kernel függvényt explicit formában is!*<br /> <br /> Alapból a kimenetet a következő összefüggéssel állítjuk elő:<br /> <br /> &lt;math&gt; y (x) = \sum_{i=0}^{M} w_i \varphi _i ( x ) = w ^{T} \varphi ( x ) {} &lt;/math&gt;<br /> <br /> A kernel trükk segítségével azonban ezt a függvényt átalakítjuk a következő formába:<br /> <br /> &lt;math&gt; y (x) = \varphi ( x ) ^{T} \phi ^{T} \alpha = \sum^{P}_{i=1} \alpha _i ( \varphi ( x ) ^{T} \varphi ( x _i ) ) = \sum^{P}_{i=1} \alpha _i K _i ( \varphi ( x )) {} &lt;/math&gt;<br /> <br /> &lt;math&gt; \varphi (x )^{T} \varphi ( x_i ) = K_i ( \varphi ( x )) = K (x , X_i ) {} &lt;/math&gt;<br /> <br /> Amint az a második összefüggésből is látszik a kerneles reprezentáció a tanítópontoknak megfelelő számú (P) kernel függvény-érték súlyozott összegeként áll elő, függetlenül attól, hogy az implicit módon definiált jellemzőtér dimenziója (M) mekkora. A kernel függvény megválasztásától függően a jellemzőtér dimenziója nagyon nagy, akár végtelen is lehet, ami az első szummás kifejezés szerinti kimenet előállítást nagyon megnehezítené, sőt akár lehetetlenné is tenné, miközben a kernel reprezentáció komplexitása a tanítópontok száma által mindenképpen korlátozott. Minthogy a kernel térbeli megoldás ekvivalens a jellemzőtérbeli megoldással, a kernel módszerekkel azt tudjuk elérni, hogy a megoldás komplexitását akkor is korlátozni tudjuk, ha egyébként a megfelelő jellemzőtérbeli megoldás extrém módon komplex lenne. A kernel függvények bevezetésének ezt a hatását kernel trükknek (kernel trick) nevezzük.<br /> <br /> '''Egy idősor-előrejelzési feladatot szeretne megoldani NFIR vagy NARX hálózattal. Írja le a háló konstrukciójának lépéseit és azt is, hogy az egyes lépéseknél szükséges feladatok hogyan oldhatók meg. Mi a különbség a kétféle architektúra között?'''<br /> <br /> Az NFIR konstrukciónál egy FIR-MLP-t készítenék, amely lényegében egy tetszőleges számú rejtett réteggel, és azokban tetszőleges számú perceptronnal működő hálózat, azonban a súlyokat (kivéve az eltolás súlyokat) egy FIR szűrőre cserélem, ezzel kész is a háló. A tanítás során a súlymódosításnál használhatom az idő szerinti kiterítést, azonban ez sok számítást vesz igénybe, így inkább a hatékonyabb temporális hiba visszaterjesztési eljárást alkalmazom, ahol az eredő gradienst az eredő hiba kimeneti parciálisa szerint kapok meg.<br /> NARX hálózat esetében olyan hálózatot csinálok, melynek a bemeneti oldalán készítek bemeneteket, amikre az előző időpont bemeneteit, valamint az előző bemenethez tartozó kívánt kimenetet is beadom. A tanítás normális módon hálótól függően visszaterjesztéses módszerrel (ezek nem előrecsatolt hálózatok, a FIR hálókkal ellentétben, amik viszont igen). ''Ez a rész itt már lehet, hogy bődületes nagy hülyeség. Szóval a tesztelést NOE hálózattal végezném, hiszen ez a bemenetén felhasználja a régebbi kimenetek is a régi bemenetek mellett.''<br /> <br /> '''Lehet-e lokális minimum egy lineáris kimeneti réteggel rendelkező egy rejtett rétegű MLP és egy RBF (vagy CMAC) esetén, ha a súlyokat tanítjuk és egy négyzetes hibafüggvényt alkalmazunk? Válaszát indokolja!'''<br /> <br /> Az MLP paraméterekben nemlineáris leképezése miatt a hibafelület nem kvadratikus. Ez még akkor is igaz, ha az MLP-nél is lineáris kimeneti réteget alkalmazunk. A felületen létezhetnek lokális minimumok, sőt a globális minimum sem egyértelmű: a súlyok megfelelő permutációjával különböző, de egyenértékű megoldásokhoz juthatunk. A lokálisak, mint láttuk a háló tanításánál (a gradiens alapú tanuló eljárásoknál) okozhatnak komoly nehézséget. <br /> A bázisfüggvényes hálók, amennyiben csak a kimeneti lineáris réteget tanítjuk, négyzetes hibafelülettel rendelkeznek, ami biztosítja, hogy nincsenek lokális minimumok .<br /> <br /> '''Mi a Hebb tanulási szabály és milyen hálók tanításánál van szerepe? Milyen módon származtatható az Oja szabály a Hebb szabályból?'''<br /> <br /> '''Adja meg a Hebb tanulási szabályt és a Hebb tanulás szerepét a Kohonen háló tanításánál!'''<br /> <br /> A Hebb tanulást a mesterséges neurális hálók tanításánál alkalmazzák. Ez a tanítás eljárás a biológiai tanulás folyamatát utánozza. A neurális hálók elemei közötti kapcsolat erőssége az elemeket aktivitásának szorzatával arányos. A kapcsolat erőssége alatt az elemek közötti súlytényezőt kell érteni.<br /> A Hebb-szabály:<br /> <br /> &lt;math&gt; w[ij](k+1) = w[ij](k) + \nu * y[i](k) * y[j](k) &lt;/math&gt;<br /> <br /> Ahol a &quot;k&quot; jelenti az egyik időpillanatot, &quot;k+1&quot; pedig a következőt. A w[ij] jelenti az i. és a j. processzáló elem közötti súlytényezőt. A &lt;math&gt;\nu&lt;/math&gt; jelenti a bátorsági faktort, az y[i] és az y[j], pedig az i. és a j. processzáló elem kimenetének értéke. A képlet lehet ez is:<br /> &lt;math&gt;w[ij] (k+1) = w[ij](k) + \nu * x[i](k) * y[j](k) &lt;/math&gt;, ahol az x[i] az i. bemenetet jelenti.<br /> <br /> Oja szabály Hebb-ből: http://mialmanach.mit.bme.hu/neuralis/ch10s04 10.4.2. rész<br /> <br /> '''Milyen két fő elv alkalmazásával származtatható a GHA (Sanger-algoritmus)-t felhasználó PCA háló? Írja le a GHA algoritmus fő lépéseit! (Ha az összefüggéseket is meg tudja adni, írja le azokat is, ha nem, akkor a gondolatmenetet írja le!)'''<br /> <br /> __TODO__<br /> <br /> '''Egy olyan MLP hálót szeretne tanítani, melyben minden neuronnál a szokásos szigmoid függvény helyett annak -1-szeresét alkalmazza. Alkalmazható-e ez a háló a szokásos feladatok megoldására? Ha igen, hogyan alakul a tanítása, ha nem, indokolja meg, hogy miért nem!'''<br /> <br /> A háló ekvivalens egy közönséges, szigmoidot használó MLP-vel, amiben (a bemenetieket leszámítva) minden súlyt -1-szereségre változtattunk (így a rétegek közt ugyanúgy egyszer invertálódnak az értékek), és a kimenetet is -1-szeresére változtatjuk. Tehát az új háló tanítására egy triviális módszer, hogy a vele ekvivalens normál MLP-t betanítjuk (azonos bemenetekkel, de a kívánt kimenetek helyett a -1-szeresüket használva a tanításhoz), majd a végén visszamásoljuk a kapott súlyokat (a -1-szeresüket) az új hálóba. <br /> <br /> '''Mi a szerepe a tanulási tényezőnek (bátorságfaktor) az iteratív tanulási eljárásoknál, és hogyan kell megválasztani a Perceptronnál illetve az Adaline-nál?'''<br /> <br /> * Tanulás közben általában azt tudjuk megállapítani a rendszerről, hogy egy adott bemenetre a kimenet mennyire és milyen irányba tér el a megkívánttól. A hiba és a hálózatot leíró függvény alapján tudjuk, milyen irányba érdemes változtatni a paramétereket, de azt általában nem, hogy mennyire. Azt, hogy milyen &quot;bátran&quot; lépjünk a megfelelő irányba, a bátorsági tényező szabja meg. Erősen befolyásolja a &quot;jó&quot; rendszerhez való konvergencia sebességét, illetve azt, hogy egyáltalán konvergálunk-e.<br /> * Perceptronnál a tanulás konvergens a bátorsági tényező értékétől függetlenül, de nagyobbnak kell lennie nullánál, és az értéke befolyásolja a konvergencia sebességét. Adaline esetében túl nagy érték okozhat divergenciát; a konvergencia biztosításához az &lt;math&gt; x^{T}x {} &lt;/math&gt; mátrix legnagyobb sajátértékének reciprokánál kisebbre kell választani, valamint nullánál nagyobbra. Ez egyenletben kifejezve a jól ismert &lt;math&gt; {\lambda}_{max} {} &lt;/math&gt; az R legnagyobb sajátértéke, ahol az R a bemenet autokorrelációs mátrixa, ami egyenlő a fentebb írt &lt;math&gt; X^{T}X {} &lt;/math&gt; mátrixxal. Léteznek módszerek a tényező tanulás közbeni adaptív változtatására is, amik alapvetően gyorsítják a konvergenciát, azonban ugyanezek a feltételek érvényesek rá.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> --asztalosdani 2013. június 6., 08:45 (UTC)<br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz02&diff=188726 2016-04-11T23:50:03Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz02}}<br /> <br /> '''Egy NFIR(FIR-MPL) hálózat felépítése az abrán látható. A vastag szaggatott vonallal jelölt részek a FIR szűrők, ahol 2 késleltető elem és 3 súly van. Adja meg a háló időben kiterített változatát (virtuális háló) és pontokba szedve adja meg a tanítás lépéseit!'''<br /> <br /> ''Ehhez nincs ábra, de itt marad, hogy volt ilyen is.''<br /> <br /> '''Mit jelent az időbeli kiterítés olyan NFIR háló tanításánál, ahol egy MLP súlyai helyén FIR szűrőket alkalmazunk?'''<br /> <br /> FIR szűrő: Lényege, hogy a tárolja a szűrő az elmúlt pár bemenetet, és ezek összege a kimenete, olyan mint egy shiftreigiszter ami a kimenetén az összes tárolt érték összegét adja.<br /> <br /> Akkor a könyvből egy hosszú idézet:&quot; E megközelítés szerint végezve a vizsgálatot valójában időben kiterítjük a hálózatot és így egy nagyobb, de statikus hálót kapunk, ami már a hagyományos hibavisszaterjesztéses algoritmussal tanítható. A kiterítés következtében kapott virtuális háló azonban igen nagyméretű is lehet a FIR szűrőkben található késleltető láncok méretétől függően, továbbá a virtuális háló struktúrája el fog térni a szokásos többrétegű perceptron felépítésétől: az egyes rétegek processzáló elemei nincsenek a következő réteg összes processzáló elemével összekötve. További eltérés, hogy a virtuális háló az időbeli kiterítés következtében jóval több súlyt tartalmaz, mint a fizikailag létező valóságos; egy valóságos súlynak a virtuális hálóban több megfelelője van, melyek a háló működésének különböző időpillanataihoz tartoznak és a kiterített hálóban más-más rétegben szerepelnek. A hagyományos hibavisszaterjesztéses algoritmus alkalmazásánál az azonos fizikai súly különböző virtuális megfelelőihöz eltérő súlymódosító összefüggéseket kapunk, mivel a hibavisszaterjesztés útja a különböző virtuális megfelelőkig eltérő. Ennek ellenére csak egy fizikai súly létezik, tehát ezt különbözőképpen nem módosíthatjuk. A megoldás csak az lehet, hogy a különböző módon visszaterjesztett &quot;hiba&quot; figyelembevételével nyert súlymódosítások eredőjével kell módosítanunk a fizikai súly értékét, ami azt jelenti, hogy a megfelelő virtuális súlyok azonos mértékben és egyszerre módosulnak.&quot;<br /> <br /> '''Mi a kernel trükk és mi a jelentősége?'''<br /> *Mit nevezünk kernel trükknek és mi a jelentősége? Alkalmazható-e a kernel trükk az ismert előrecsatolt hálók (lineáris súlyozott összeg, MLP, RBF, CMAC) esetében? Amennyiben lehet kernel trükköt alkalmazni, meg tudja-e adni a kernel függvényt az egyes esetekben? Adja meg a kernel függvény meghatározásnának általános módját minden olyan esetben, ahol a háló leképzése kerneles formában is megadható, és ahol lehet, adja meg a kernel függvényt explicit formában is!*<br /> <br /> Alapból a kimenetet a következő összefüggéssel állítjuk elő:<br /> <br /> &lt;math&gt; y (x) = \sum_{i=0}^{M} w_i \varphi _i ( x ) = w ^{T} \varphi ( x ) {} &lt;/math&gt;<br /> <br /> A kernel trükk segítségével azonban ezt a függvényt átalakítjuk a következő formába:<br /> <br /> &lt;math&gt; y (x) = \varphi ( x ) ^{T} \phi ^{T} \alpha = \sum^{P}_{i=1} \alpha _i ( \varphi ( x ) ^{T} \varphi ( x _i ) ) = \sum^{P}_{i=1} \alpha _i K _i ( \varphi ( x )) {} &lt;/math&gt;<br /> <br /> &lt;math&gt; \varphi (x )^{T} \varphi ( x_i ) = K_i ( \varphi ( x )) = K (x , X_i ) {} &lt;/math&gt;<br /> <br /> Amint az a második összefüggésből is látszik a kerneles reprezentáció a tanítópontoknak megfelelő számú (P) kernel függvény-érték súlyozott összegeként áll elő, függetlenül attól, hogy az implicit módon definiált jellemzőtér dimenziója (M) mekkora. A kernel függvény megválasztásától függően a jellemzőtér dimenziója nagyon nagy, akár végtelen is lehet, ami az első szummás kifejezés szerinti kimenet előállítást nagyon megnehezítené, sőt akár lehetetlenné is tenné, miközben a kernel reprezentáció komplexitása a tanítópontok száma által mindenképpen korlátozott. Minthogy a kernel térbeli megoldás ekvivalens a jellemzőtérbeli megoldással, a kernel módszerekkel azt tudjuk elérni, hogy a megoldás komplexitását akkor is korlátozni tudjuk, ha egyébként a megfelelő jellemzőtérbeli megoldás extrém módon komplex lenne. A kernel függvények bevezetésének ezt a hatását kernel trükknek (kernel trick) nevezzük.<br /> <br /> '''Egy idősor-előrejelzési feladatot szeretne megoldani NFIR vagy NARX hálózattal. Írja le a háló konstrukciójának lépéseit és azt is, hogy az egyes lépéseknél szükséges feladatok hogyan oldhatók meg. Mi a különbség a kétféle architektúra között?'''<br /> <br /> Az NFIR konstrukciónál egy FIR-MLP-t készítenék, amely lényegében egy tetszőleges számú rejtett réteggel, és azokban tetszőleges számú perceptronnal működő hálózat, azonban a súlyokat (kivéve az eltolás súlyokat) egy FIR szűrőre cserélem, ezzel kész is a háló. A tanítás során a súlymódosításnál használhatom az idő szerinti kiterítést, azonban ez sok számítást vesz igénybe, így inkább a hatékonyabb temporális hiba visszaterjesztési eljárást alkalmazom, ahol az eredő gradienst az eredő hiba kimeneti parciálisa szerint kapok meg.<br /> NARX hálózat esetében olyan hálózatot csinálok, melynek a bemeneti oldalán készítek bemeneteket, amikre az előző időpont bemeneteit, valamint az előző bemenethez tartozó kívánt kimenetet is beadom. A tanítás normális módon hálótól függően visszaterjesztéses módszerrel (ezek nem előrecsatolt hálózatok, a FIR hálókkal ellentétben, amik viszont igen). ''Ez a rész itt már lehet, hogy bődületes nagy hülyeség. Szóval a tesztelést NOE hálózattal végezném, hiszen ez a bemenetén felhasználja a régebbi kimenetek is a régi bemenetek mellett.''<br /> <br /> '''Lehet-e lokális minimum egy lineáris kimeneti réteggel rendelkező egy rejtett rétegű MLP és egy RBF (vagy CMAC) esetén, ha a súlyokat tanítjuk és egy négyzetes hibafüggvényt alkalmazunk? Válaszát indokolja!'''<br /> <br /> Az MLP paraméterekben nemlineáris leképezése miatt a hibafelület nem kvadratikus. Ez még akkor is igaz, ha az MLP-nél is lineáris kimeneti réteget alkalmazunk. A felületen létezhetnek lokális minimumok, sőt a globális minimum sem egyértelmű: a súlyok megfelelő permutációjával különböző, de egyenértékű megoldásokhoz juthatunk. A lokálisak, mint láttuk a háló tanításánál (a gradiens alapú tanuló eljárásoknál) okozhatnak komoly nehézséget. <br /> A bázisfüggvényes hálók, amennyiben csak a kimeneti lineáris réteget tanítjuk, négyzetes hibafelülettel rendelkeznek, ami biztosítja, hogy nincsenek lokális minimumok .<br /> <br /> '''Mi a Hebb tanulási szabály és milyen hálók tanításánál van szerepe? Milyen módon származtatható az Oja szabály a Hebb szabályból?'''<br /> <br /> '''Adja meg a Hebb tanulási szabályt és a Hebb tanulás szerepét a Kohonen háló tanításánál!'''<br /> <br /> A Hebb tanulást a mesterséges neurális hálók tanításánál alkalmazzák. Ez a tanítás eljárás a biológiai tanulás folyamatát utánozza. A neurális hálók elemei közötti kapcsolat erőssége az elemeket aktivitásának szorzatával arányos. A kapcsolat erőssége alatt az elemek közötti súlytényezőt kell érteni.<br /> A Hebb-szabály:<br /> <br /> &lt;math&gt; w[ij](k+1) = w[ij](k) + \nu * y[i](k) * y[j](k) &lt;/math&gt;<br /> <br /> Ahol a &quot;k&quot; jelenti az egyik időpillanatot, &quot;k+1&quot; pedig a következőt. A w[ij] jelenti az i. és a j. processzáló elem közötti súlytényezőt. A &lt;math&gt;\nu&lt;/math&gt; jelenti a bátorsági faktort, az y[i] és az y[j], pedig az i. és a j. processzáló elem kimenetének értéke. A képlet lehet ez is:<br /> &lt;math&gt;w[ij] (k+1) = w[ij](k) + \nu * x[i](k) * y[j](k) &lt;/math&gt;, ahol az x[i] az i. bemenetet jelenti.<br /> <br /> Oja szabály Hebb-ből: http://mialmanach.mit.bme.hu/neuralis/ch10s04 10.4.2. rész<br /> <br /> '''Milyen két fő elv alkalmazásával származtatható a GHA (Sanger-algoritmus)-t felhasználó PCA háló? Írja le a GHA algoritmus fő lépéseit! (Ha az összefüggéseket is meg tudja adni, írja le azokat is, ha nem, akkor a gondolatmenetet írja le!)'''<br /> <br /> __TODO__<br /> <br /> '''Egy olyan MLP hálót szeretne tanítani, melyben minden neuronnál a szokásos szigmoid függvény helyett annak -1-szeresét alkalmazza. Alkalmazható-e ez a háló a szokásos feladatok megoldására? Ha igen, hogyan alakul a tanítása, ha nem, indokolja meg, hogy miért nem!'''<br /> <br /> A háló ekvivalens egy közönséges, szigmoidot használó MLP-vel, amiben (a bemenetieket leszámítva) minden súlyt -1-szereségre változtattunk (így a rétegek közt ugyanúgy egyszer invertálódnak az értékek), és a kimenetet is -1-szeresére változtatjuk. Tehát az új háló tanítására egy triviális módszer, hogy a vele ekvivalens normál MLP-t betanítjuk (azonos bemenetekkel, de a kívánt kimenetek helyett a -1-szeresüket használva a tanításhoz), majd a végén visszamásoljuk a kapott súlyokat (a -1-szeresüket) az új hálóba. <br /> <br /> '''Mi a szerepe a tanulási tényezőnek (bátorságfaktor) az iteratív tanulási eljárásoknál, és hogyan kell megválasztani a Perceptronnál illetve az Adaline-nál?'''<br /> <br /> * Tanulás közben általában azt tudjuk megállapítani a rendszerről, hogy egy adott bemenetre a kimenet mennyire és milyen irányba tér el a megkívánttól. A hiba és a hálózatot leíró függvény alapján tudjuk, milyen irányba érdemes változtatni a paramétereket, de azt általában nem, hogy mennyire. Azt, hogy milyen &quot;bátran&quot; lépjünk a megfelelő irányba, a bátorsági tényező szabja meg. Erősen befolyásolja a &quot;jó&quot; rendszerhez való konvergencia sebességét, illetve azt, hogy egyáltalán konvergálunk-e.<br /> * Percreptonnál a tanulás konvergens a bátorsági tényező értékétől függetlenül, de nagyobbnak kell lennie nullánál, és az értéke befolyásolja a konvergencia sebességét. Adaline esetében túl nagy érték okozhat divergenciát; a konvergencia biztosításához az &lt;math&gt; x^{T}x {} &lt;/math&gt; mátrix legnagyobb sajátértékének reciprokánál kisebbre kell választani, valamint nullánál nagyobbra. Ez egyenletben kifejezve a jól ismert &lt;math&gt; {\lambda}_{max} {} &lt;/math&gt; az R legnagyobb sajátértéke, ahol az R a bemenet autokorrelációs mátrixa, ami egyenlő a fentebb írt &lt;math&gt; X^{T}X {} &lt;/math&gt; mátrixxal. Léteznek módszerek a tényező tanulás közbeni adaptív változtatására is, amik alapvetően gyorsítják a konvergenciát, azonban ugyanezek a feltételek érvényesek rá.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> --asztalosdani 2013. június 6., 08:45 (UTC)<br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Kooperat%C3%ADv_%C3%A9s_tanul%C3%B3_rendszerek&diff=188725 2016-04-11T22:10:11Z

<p>Sweidán Omár: </p> <hr /> <div>{{Tantárgy<br /> | név = Kooperatív és tanuló rendszerek<br /> | tárgykód = VIMIA357<br /> | szak = info szak<br /> | kredit = 4<br /> | félév = 6<br /> | kereszt = nincs<br /> | tanszék = MIT<br /> | labor = 3 alkalom (nincs jelenlét)<br /> | nagyzh = 1 db<br /> | hf = 4 db<br /> | vizsga = írásbeli<br /> | levlista = <br /> | tad = https://www.vik.bme.hu/kepzes/targyak/vimia357<br /> | tárgyhonlap = http://www.mit.bme.hu/oktatas/targyak/vimia357<br /> }}<br /> <br /> === Jegyzet ===<br /> <br /> [http://mialmanach.mit.bme.hu/neuralis/index Neurális hálózatok könyv] | [http://www.tankonyvtar.hu/hu/tartalom/tamop425/0026_neuralis_4_4/adatok.html Epub, pdf formátumok]<br /> <br /> === Zh ===<br /> <br /> Korábbi zh-k:<br /> * [[Kooperatív_és_tanuló_rendszerek_-_zh_2008_03_26|2008-03-26 Zh]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_zh_2009_04_28|2009-04-28 Zh]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_pzh_2009-05-15|2009-05-15 pZh]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_ppzh_2009-05-25|2009-05-25 ppZh]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_zh_2012-04-10|2012-04-10 Zh]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_pzh_2012_05_04|2012-05-04 pZh]]<br /> * [https://docs.google.com/document/d/1PByXtigZcVXgSMi2WC6VwmaUYReHy6DX8k_TdG7Os3M/edit 2014 tavasz, Zh+pZh]<br /> * [https://docs.google.com/document/d/1OVVSV8QYu9Ux-G9qkBsu-9dTW1IwJygzDoYQN-XnaXs/edit?usp=sharing 2016-03-29 ZH]<br /> <br /> === Házi feladat ===<br /> <br /> A [http://www.mit.bme.hu/oktatas/targyak/vimia357/feladat házi feladatok] verseny szerű házik, amik végül egymás ellen versenyeznek. A győztesek plusz pontokat szerezhetnek a vizsgákra.<br /> <br /> ==== 2014. tavaszi házik megoldásai ====<br /> <br /> Ezek a kódok jó eséllyel az idei feladatot már nem oldják meg, de kiindulási alapként hasznosak lehetnek.<br /> <br /> ===== 2014. tavaszi első házi =====<br /> <br /> Megoldható egy minimális MLP-vel (előtte a megfelelő .mat fájlt be kell tölteni a workspace-be)<br /> {{Rejtett<br /> |mutatott=Tanítás<br /> |szöveg=<br /> &lt;source lang=&quot;matlab&quot;&gt;<br /> tx = x';<br /> ty = y';<br /> net = newff(tx,ty,100);<br /> net = train(net,tx,ty);<br /> save('net', 'net')<br /> &lt;/source&gt;<br /> }}<br /> <br /> Majd ezután a ''player_i_fight.m'' tartalma:<br /> {{Rejtett<br /> |mutatott=player_i_fight.m<br /> |szöveg=<br /> &lt;source lang=&quot;matlab&quot;&gt;<br /> function y = player_i_fight(x)<br /> load net;<br /> y = sim(net,x');<br /> return<br /> &lt;/source&gt;<br /> }}<br /> <br /> ===== 2014. tavaszi második házi =====<br /> <br /> Ezt a házit is meg lehet még oldani MLP-vel, de itt már érdemes szétszedni tanító és ellenőrző pontokra.<br /> {{Rejtett<br /> |mutatott=Tanítás<br /> |szöveg=<br /> &lt;source lang=&quot;matlab&quot;&gt;<br /> td = d';<br /> txy = xy';<br /> index = randperm(size(xy,1));<br /> traincount = round(length(index)*0.8);<br /> trainP = xy(index(1:traincount),:);<br /> trainT = d(index(1:traincount),:);<br /> testP = xy(index(traincount+1:end),:);<br /> testT = d(index(traincount+1:end),:);<br /> net = newff(txy,td,49);<br /> net = train(net,txy,td);<br /> save('food', 'net');<br /> &lt;/source&gt;<br /> }}<br /> <br /> Ezután a ''player_i_eat.m'' megint nagyon egyszerűen néz ki:<br /> {{Rejtett<br /> |mutatott=player_i_eat.m<br /> |szöveg=<br /> &lt;source lang=&quot;matlab&quot;&gt;<br /> function y = player_i_eat(x)<br /> load food.mat;<br /> y = (sim(net,x')&gt;0)*2-1;<br /> return<br /> &lt;/source&gt;<br /> }}<br /> <br /> ===== 2014. tavaszi harmadik házi =====<br /> <br /> A harmadik házinak már bonyolultabb a paraméterezése, hosszabb a megírandó fájl. A megoldáshoz SVM-et használtam, ezért fel kell mellé tölteni a toolboxból az ''svmval'', ''svmreg'' és ''svmkernel'' fájlokat.<br /> <br /> {{Rejtett<br /> |mutatott=Tanítás<br /> |szöveg=<br /> &lt;source lang=&quot;matlab&quot;&gt;<br /> train_x=x(1:2000);<br /> test_x=x(1901:2000);<br /> <br /> tw = 4;<br /> oszlopok = tw + 1;<br /> <br /> tr_sorok = length(train_x) - tw;<br /> train_samples = zeros(tr_sorok, oszlopok);<br /> for i = 1 : tw + 1<br /> train_samples(:, i) = train_x(i : size(train_samples ,1) + i - 1);<br /> end;<br /> <br /> te_sorok = length(test_x) - tw;<br /> test_samples = zeros(te_sorok, oszlopok);<br /> for i = 1 : tw + 1<br /> test_samples(:, i) = test_x(i : size(test_samples ,1) + i - 1);<br /> end;<br /> <br /> % Paraméterek beállítása.<br /> C = 10;<br /> lambda = 1e-6;<br /> epsilon = 0.01;<br /> kerneloption = 0.1;<br /> kernel = 'poly';<br /> verbose = 0;<br /> <br /> [xsup,ysup,w,w0] = ...<br /> svmreg(train_samples(1:tr_sorok, 1:oszlopok-1),train_samples(1:tr_sorok, oszlopok), ...<br /> C, epsilon, kernel, kerneloption, lambda, verbose);<br /> % Szimuláció.<br /> ki = svmval(train_samples(:, 1 : oszlopok - 1), xsup, w, w0, kernel, kerneloption);<br /> <br /> plot(train_x(tw + 1 : end), 'b');<br /> hold on;<br /> plot(ki, 'r');<br /> hold off;<br /> <br /> mse = mean((train_x(tw+1:end) - ki).^2)<br /> <br /> %csinálok egy struktúrát a mentéshez<br /> param.xsup = xsup;<br /> param.w = w;<br /> param.w0 = w0;<br /> param.kernel = kernel;<br /> param.kerneloption = kerneloption;<br /> <br /> save pred_svm param;<br /> &lt;/source&gt;<br /> }}<br /> <br /> A feltöltendő ''player_i_step.m'' is hasonlóan hosszabb lesz<br /> {{Rejtett<br /> |mutatott=player_i_step.m<br /> |szöveg=<br /> &lt;source lang=&quot;matlab&quot;&gt;<br /> function [from_x,from_y,to_x,to_y,messages_out] = ...<br /> player_i_step(field, player_color, food_arr_x, food_arr_y, ...<br /> food_arr_min, food_arr_max, messages_in, player_name_to_color, round_i, step_i)<br /> <br /> load('pred_svm.mat');<br /> <br /> players = fieldnames(player_name_to_color);<br /> for my_index = 1 : length(players)<br /> if (player_name_to_color.(players{my_index}) == player_color)<br /> break;<br /> end<br /> end<br /> <br /> senders = fieldnames(messages_in);<br /> for sender_i = 1 : length(senders)<br /> fprintf('I''m %s and got message from %s:\n', ...<br /> players{my_index}, senders{sender_i});<br /> messages_from_i = messages_in.(senders{sender_i});<br /> for msg_i = 1 : length(messages_from_i)<br /> disp(messages_from_i{msg_i});<br /> end<br /> end<br /> <br /> messages_out = struct();<br /> <br /> <br /> x_t = food_arr_x(:,1);<br /> x_x = food_arr_x(:,2);<br /> <br /> y_t = food_arr_y(:,1);<br /> y_x = food_arr_y(:,2);<br /> <br /> <br /> [player_x,player_y]= find([field(:,:,1)==player_color]);<br /> <br /> field_x = size(field,1);<br /> field_y = size(field,2);<br /> <br /> FROM_i = randperm(size(player_x,1));<br /> <br /> from_x = player_x(FROM_i(1));<br /> from_y = player_y(FROM_i(1));<br /> <br /> %a paraméterek az svm-hez meg a futtatsához<br /> xsup = param.xsup;<br /> w = param.w;<br /> w0 = param.w0;<br /> kernel = param.kernel;<br /> kerneloption = param.kerneloption;<br /> tw = 4;<br /> pred = zeros(5, 2);<br /> <br /> %megjósoljuk az x-eket<br /> for i = 1:1:5<br /> start = i-tw;<br /> pred(i,1) = svmval([x_x(end+start:end); pred(1:i-1,1)]', xsup, w, w0, kernel, kerneloption);<br /> end<br /> <br /> %megjósoljuk az y-okat<br /> for i = 1:1:5<br /> start = i-tw;<br /> pred(i,2) = svmval([y_x(end+start:end); pred(1:i-1,2)]', xsup, w, w0, kernel, kerneloption);<br /> end<br /> <br /> TO_X = pred(5,1);<br /> TO_Y = pred(5,2);<br /> if (TO_X &gt; food_arr_max) <br /> TO_X = food_arr_max; <br /> end;<br /> if (TO_X &lt; food_arr_min) <br /> TO_X = food_arr_min; <br /> end;<br /> if (TO_Y &gt; food_arr_max) <br /> TO_Y = food_arr_max; <br /> end;<br /> if (TO_Y &lt; food_arr_min) <br /> TO_Y = food_arr_min; <br /> end;<br /> <br /> %az 1 és 100 közé normáláshoz<br /> if (TO_X == food_arr_max)<br /> TO_X = ceil((((TO_X-food_arr_min)/(food_arr_max-food_arr_min))*field_x));<br /> else<br /> TO_X = ceil((((TO_X-food_arr_min)/(food_arr_max-food_arr_min))*field_x)+0.01);<br /> end;<br /> if (TO_Y == food_arr_max)<br /> TO_Y = ceil((((TO_Y-food_arr_min)/(food_arr_max-food_arr_min))*field_y));<br /> else<br /> TO_Y = ceil((((TO_Y-food_arr_min)/(food_arr_max-food_arr_min))*field_y)+0.01);<br /> end;<br /> <br /> %ha foglalt a mező amire lépni akar akkor a pálya bleseje felé lép<br /> kozep = ceil(field_x/2);<br /> while (field(TO_X,TO_Y,1) ~= 0)<br /> TO_X = TO_X+(kozep-TO_X);<br /> end;<br /> <br /> to_x = TO_X;<br /> to_y = TO_Y;<br /> return<br /> &lt;/source&gt;<br /> }}<br /> <br /> ===== Negyedik házi =====<br /> <br /> Itt az első hármat kell egybe leadni, dokumentációval kiegészítve, illetve a minimális megoldáshoz a ''player_i-place.m'' fájlt hozzá kell másolni a random megoldásból.<br /> <br /> Mivel a harmadik háziban nem volt szabad ugyanoda lépni, mint ahol más van, itt pedig harcolni kell a többiekkel, ki kell venni azt a pár sort a feltöltésből<br /> <br /> === Vizsga ===<br /> <br /> ==== Régebbi vizsgasorok ====<br /> {{Rejtett<br /> |mutatott=Régi, kevésbé releváns vizsgák<br /> |szöveg=<br /> * [[Kooperatív_és_tanuló_rendszerek_-_vizsga_2008-05-26|2008-05-26]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_vizsga_2008-06-02|2008-06-02]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_vizsga_2008-06-09|2008-06-09]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_vizsga_2008-06-16|2008-06-16]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_vizsga_2009-05-25|2009-05-25]]<br /> * [[Kooperatív_és_tanuló_rendszerek_-_vizsga_2009-06-02|2009-06-02]]<br /> }}<br /> <br /> * [[Kooperatív_és_tanuló_rendszerek_-_vizsga_2012-05-29|2012-05-29]]<br /> * [[Media:KTR_Vizsga_2012_06_12.pdf|2012-06-12]]<br /> * [[Media:KTR_Vizsga_2014_05_27.pdf|2014-05-27]]<br /> * [[Media:KTR_Vizsga_2014_06_03.pdf|2014-06-03]]<br /> <br /> ==== Kidolgozott ellenőrző kérdések ====<br /> * Tanuló rendszerek (Zh-ig)<br /> ** [[KoopKerdesekZHOssz01|Kooperatív Tanuló Rendszerek Összes kérdés ZH 01]]<br /> ** [[KoopKerdesekZHOssz02|Kooperatív Tanuló Rendszerek Összes kérdés ZH 02]]<br /> ** [[KoopKerdesekZHOssz03|Kooperatív Tanuló Rendszerek Összes kérdés ZH 03]]<br /> ** [[KoopKerdesekZHOssz04|Kooperatív Tanuló Rendszerek Összes kérdés ZH 04]]<br /> ** [[KoopKerdesekZHOssz05|Kooperatív Tanuló Rendszerek Összes kérdés ZH 05]]<br /> * Kooperatív rész (Zh után)<br /> ** [[Kooperatív_és_tanuló_rendszerek_-_vizsga_ellenőrző_kérdések_-_01|Vizsgára kiadott ellenőrző kérdések kidolgozása 01]]<br /> ** [[Kooperatív_és_tanuló_rendszerek_-_vizsga_ellenőrző_kérdések_-_02|Vizsgára kiadott ellenőrző kérdések kidolgozása 02]]<br /> ** [[Kooperatív_és_tanuló_rendszerek_-_vizsga_ellenőrző_kérdések_-_03|Vizsgára kiadott ellenőrző kérdések kidolgozása 03]]<br /> ** [[Kooperatív_és_tanuló_rendszerek_-_vizsga_ellenőrző_kérdések_-_04|Vizsgára kiadott ellenőrző kérdések kidolgozása 04]]<br /> ** [[Kooperatív_és_tanuló_rendszerek_-_vizsga_ellenőrző_kérdések_-_05|Vizsgára kiadott ellenőrző kérdések kidolgozása 05]]<br /> <br /> ===Tippek===<br /> A tárgy nem éppen a legkönnyebb a szakirányon és ezt a zh statisztikából is lehet látni. &lt;br/&gt;<br /> Tippek a teljesítéshez:<br /> * bejárni órákra (jó az elején komolyan venni a dolgokat, zh-ra annál kevesebbet kell készülni)<br /> * időben nekiállni készülni rá<br /> * könyvet megtanulni: elég száraz, ahogy le vannak írva a dolgok, de ha szépen kihámozod belőle a lényeget, ami így sem kevés, akkor vagy jó, annál többet nem kérdeznek<br /> * MLP-t oda-vissza megérteni (tanár úr mondta, hogy régen szóbeli is volt és aki ezt nem tudta annak már repült is a karó )<br /> * zh-ra és vizsgára is jellemző, hogy van &quot;mentőkérdés&quot;, ez az amit nagyjából biztos hogy behúzol, de ez kevés lesz egy ketteshez is<br /> * tipikus kevésbé trükkösebb feladatok: svm, rbf, cmac, mlp, fir szűrős<br /> * advanced vagy trükkös feladat általában: oja hálós, pca (ezek zh előtti 1-2 hétben lesznek leadva)<br /> * ha kritériumfüggvényes feladatmegoldást kérnek, akkor nem elég az hogy így és így csinálnám meg hanem neki kell állni bizony deriválni<br /> <br /> <br /> === Vélemények ===<br /> <br /> <br /> {{Lábléc_-_Autonóm_intelligens_rendszerek_szakirány}}</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz04&diff=188724 2016-04-11T21:07:11Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz04}}<br /> <br /> '''perceptron tanítás 3 tényezővel: alfa1=10; alfa2=0.1; alfa3=-3; melyiket választaná? És Adaline esetében? Ha egyik sem helyes javasoljon új tényezőt, és indokolja is meg!'''<br /> <br /> __TODO__<br /> <br /> '''Egy RBF-nél súlyok helyett FIR szűrők vannak, adja meg 1 FIR szűrő együtthatóinak módosító összefüggését!'''<br /> <br /> __TODO__<br /> <br /> '''Implikációt meg lehet-e tanítani perceptronnak, adaline-nak?'''<br /> <br /> * Megoldás van a docxben, csak át kell másolni<br /> <br /> '''Rosenblatt perceptronokból lehet-e MLP-t építeni, ha igen, hogyan, ha nem, miért nem?'''<br /> <br /> * A szignum függvény nem deriválható, de ha lecseréljük szigmoidra, akkor máris deriválható, így használható a Back-Propagation, vagyis akkor építhető belőle MLP.<br /> <br /> '''R = ((0.5 0) (0 0.2)) esetén az LMS eljárás konvergens-e? Vázlatosan rajzolja fel a kritériumfelület szintvonalait!'''<br /> <br /> __TODO__<br /> <br /> '''Milyen modellosztályok esetén használható fokszámbecslése a Lipschitz index? Lipschitz index definíciója (Lq^(N) = ...) meg volt adva - értelmezze, magyarázza meg az egyes betűk jelentését!'''<br /> <br /> A Lipschitz index a mesterséges neurális hálók különböző dinamikus modellosztályainak fokszámának becslésére használandó. Az NFIR és az NARX modellosztályok esetén lehet használni. Ez egy heurisztikus eljárás, ahol figyelembe kell venni a Lipschitz hányadost és a regresszorvektor dimenzióját és egy alkalmasan megválasztott pozitív egész számot, amely a tanítópontok számának valamilyen lineáris kombinációja. A hányadosok közül a szummázási folyamatban fokozatosan növekvő számút kell figyelembe venni.<br /> <br /> &lt;math&gt; Lq^{(N)}=(\Pi_{k=1}^{p}\sqrt{N}   q^{(N)}(k))^{1/p} &lt;/math&gt;<br /> <br /> ahol &lt;math&gt; q^{(N)}(k) &lt;/math&gt; a<br /> <br /> &lt;math&gt; q^{(N)}_{ij} = \frac {|y(i)-y(j)|} {|x(i)-x(j)|}&lt;/math&gt; ahol &lt;math&gt; i\neq j;        i,j=1,2,   …,P&lt;/math&gt;<br /> <br /> Lipschitz hányadosok közül a k-adik legnagyobb érték, N a bemeneti változók száma (a regresszorvektor dimenziója), p pedig egy alkalmasan megválasztott pozitív szám, rendszerint p = 0,01P ~ 0,02P. (P a szokásos jelölésnek megfelelően a tanítópontok száma).<br /> <br /> '''Mi a momentum eljárás és milyen esetben alkalmazható sikerrel?'''<br /> <br /> '''Mi a momentum módszer, milyen célból alkalmazzák, és mely hálótípusoknál alkalmazható? Minden ismert hálótípusra adja meg és indokolja is meg a választ!'''<br /> <br /> * A momentum módszer olyan heurisztikus eljárás, ahol az egyes lépésekben a súlymódosítás meghatározása két részből áll. Először a gradiens módszernek megfelelően meghatározunk egy súly módosító értéket, azonban nem ezzel végezzük el a korrekciót, hanem még figyelembe vesszük az előző módosítás hatását is. A súlymódosítás ennek megfelelően:<br /> <br /> &lt;math&gt; \delta w ( k + 1 ) = \mu ( - {\triangledown} ( k ) ) + \eta \delta w ( {k} ) &lt;/math&gt;<br /> <br /> ahol &lt;math&gt; {\eta}_{} &lt;/math&gt; az ún. momentum együttható, amelynek értéke 0 és 1 közötti kell legyen (gyakori választás a 0.8 körüli érték).<br /> * A momentum módszer különösen kedvező, ha a hibafelületen keskeny völgy húzódik végig, és a momentumtag nélkül a megoldás felé ezen völgy környezetében túl sok iteráció megtételével haladnánk, és MLP-nél alkalmazható. A módszer alkalmazásával lényegében azonos hibahatár elérése kevesebb számítással, kevesebb idő alatt.<br /> <br /> '''Van egy MLP hálózatunk. A nagy (vastag szaggatott) nyíllal bejelölt súly módosító összefüggéseit határozza meg, ha backprop eljárást alkalmaz.'''<br /> <br /> * Ehhez sincs kép...<br /> <br /> '''Oszályozási feladatra akarunk LS Szupport Vektor Gépet használni. Fogalmazza meg a kritériumfüggvényt és a Lagrange egyenletet. Milyen alapgondolatot használ az eljárás, hogy a Lagrange egyenletből a másodlagos egyenlethez eljussunk? Mi lesz a másodlagos egyenlet?'''<br /> <br /> * Szkennelt megoldás a docxben<br /> <br /> '''Van 10000 50 dimenziós adata, illetve 100 10000 dimenziós adata, melyekkel tanuló hálót akar konstruálni. Két lehetőség közül választhat: MLP-t vagy SVM-et alkalmaz. Az adott esetekben milyen szempontokat venne figyelembe, és mit választana? Részletesen indokolja meg a választást.'''<br /> <br /> * Az első esetre MLP-t használnék, mert sok a tanító pont a dimenziókhoz képset is (bár nem tudom 50 dimenzióhoz mi számít soknak igazán), jól meg lehet tanítani a hálót meg minősíteni is. A másodikra MLP-t nem alkalmaznék, mert nagyon kevés a pont a dimenziószámhoz képest, és szinte biztos a túl/sehogysem tanulás.<br /> * A másodikra használnék SVM-et, mivel a kevés pont, sok dimenzió miatt elég valószínű, hogy meg tudja találni a nemlineáris elválasztó-egyenest, amivel az operál (állítólag). Hogy az elsőre használnék-e SVM-et.. talán a sok tanítópont miatt a kernelmátrix (ami kell a QP-hoz) nagyon nagy lenne, akkor már inkább az MLP. <br /> <br /> '''Adja meg röviden a BackPropagation Through Time (BPTT) eljárás működését! Milyen hálónál alkalmazható, és mik az előnyei, illetve hátrányai az eljárásnak?'''<br /> <br /> Olyan neurális hálózatokra melyek rekurrensek a back propagation algoritmusnak létezik kiterjesztése, mely az időbeli back propagation nevet viseli. Az algoritmus során a hálózatot egy előrecsatolt hálózatba transzformáljuk, olyan formában, hogy a hálózat egy adott időbeli állapota az új hálózat egy rétege lesz. Az előrecsatolt hálózatban csak a rétegek között vannak kapcsolatok, a rétegen belül nincsenek, ezért az eredeti hálózat felépítését úgy transzformáljuk, hogy a neuronok közötti kapcsolatok a következő réteg megfelelő neuronjához tartoznak. Például ha az i-ik neuron a j-ik neuronhoz wi,j súllyal van kapcsolva, akkor minden n-re az n-ik réteg i-ik neuronja az n + 1 –ik réteg j-ik neuronjához wi,j súllyal fog kapcsolódni. Ezeket mutatja a 8.6. ábra. http://mialmanach.mit.bme.hu/neuralis/ch08s04<br /> <br /> '''Mutassa meg, hogy az EXOR probléma megoldható egy olyan RBF hálózattal, melynek két Gauss rejtett neuronja van, ahol a bázisfüggvények középpontjai [0 0] és [1 1]''' &lt;br /&gt;<br /> Könyvből:&lt;br/&gt;<br /> http://www.mit.bme.hu/books/neuralis/ch05s01 (5.1.4)<br /> <br /> '''Batch-tanítás'''<br /> * Minden pontra kiszámoljuk a szükséges módosításokat, de nem hajtjuk végre, majd átlagoljuk a módosításokat és egy lépésben hajtjuk végre a végén.-&gt;lokális minimumok lesznek-&gt;pontonkénti tanulásnál direkt zajt adunk hozzá ezek elkerülésére.<br /> Súlyok kezdeti értéke: úgy kell indítani, hogy minden neuron a meredek részben legyen<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.&lt;br/&gt;<br /> -- [[BartokFerenc|Főnök]] - 2012.06.03.&lt;br/&gt;<br /> --asztalosdani 2013. június 6., 13:09 (UTC)<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz01&diff=188716 2016-04-11T10:52:07Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz01}}<br /> <br /> ==Összegyűjtött kérdések a Zhig 01==<br /> <br /> Daraboltam, így könnyebb a szerkesztése, és a latex-ek is megjelennek.<br /> <br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> <br /> A konvergencia feltétele: &lt;math&gt; 0&lt; {\mu}&lt; \frac1{\lambda_{max}} &lt;/math&gt;<br /> <br /> &lt;math&gt;{\mu} &lt;/math&gt; bátorsági tényező, tanulási faktor, &lt;math&gt;{\lambda_{max}}&lt;/math&gt; az autokorrelációs mátrix legnagyobb sajátértéke<br /> <br /> '''Az Adaline optimális súlyvektorának meghatározására mind az analitikus összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> Analitikus meghatározás: <br /> Wiener-Hopf egyenlet<br /> &lt;math&gt; \underline{w}^{*}= \underline{\underline{R}}^{-1} \cdot \underline{P} &lt;/math&gt;<br /> <br /> &lt;math&gt; \underline{\underline{R}} &lt;/math&gt; autokorrelációs mátrix<br /> <br /> &lt;math&gt; \\ \underline{P}&lt;/math&gt; keresztkorrelációs vektor<br /> <br /> <br /> Iteratív megoldás: <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 {\mu} {\epsilon} (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w {} &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu {} &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon {} &lt;/math&gt; a hiba értéke és az &lt;math&gt; x {} &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} {} &lt;/math&gt;<br /> <br /> Ahol a &lt;math&gt; \lambda_{max} {} &lt;/math&gt; az &lt;math&gt; R {} &lt;/math&gt; legnagyobb sajátértéke, ahol az &lt;math&gt; R {} &lt;/math&gt; a bemenet autokorrelációs mátrixa. Ezt &lt;math&gt; \lambda_{max} {} &lt;/math&gt; -ot Adaline esetében vagy tudjuk, vagy a felső becslését tudjuk.<br /> <br /> A sajátérték fizikai jelentése: Minél nagyobb egy sajátérték, annál nagyobb a hibafelület adott irány menti meredekség-változása azaz a görbülete.<br /> <br /> A kritériumfüggvény: &lt;math&gt; C ( w ) = \frac{1}{P} \sum_{i = 1}^{P} \left( d_i - f(w,x_i) \right)^2 &lt;/math&gt;<br /> A lineáris kapcsolat miatt az &lt;math&gt; f(w,x) = w^{T}x &lt;/math&gt;. Vagyis az átlagos négyzetes hiba felírható a következő formában is:&lt;math&gt; C(w) = (d - X w)^{T} ( d - X w) {}&lt;/math&gt;. Ahol d a tanítópontokbeli kívánt válaszokból épített p elemű oszlopvektor, X a bemeneti vektorokból képzett mátrix, w pedig a keresett paramétervektor. A megoldás itt aztán a &lt;math&gt; d = X w {}&lt;/math&gt;, máshogyan &lt;math&gt; w = X^{-1} d {}&lt;/math&gt;, valamint pszeudoinverz alkalmazásával &lt;math&gt; w^{*} = X^{\dagger} d = ( X^TX)^{-1} X^T d &lt;/math&gt;. Az összefüggés legfontosabb része, hogy ugyanerre a megoldásra jutunk, hogyha kritériumfüggvény (amit az iteratív eljáráshoz alkalmazott kritériumfüggvény átalakítottja, vagyis nem a szummás, hanem amelyik függvény utána van) gradiens nulla értéket biztosító paraméterét határozzuk meg:<br /> &lt;math&gt; \frac{\partial C ( w ) }{ \partial w } = -2 X^Td + 2 X^TXw = 0 &lt;/math&gt;<br /> Ekkor ezt kapjuk:<br /> &lt;math&gt; X^TXw = X^Td &lt;/math&gt;, ami átalakítva &lt;math&gt; w^{*} = ( X^TX)^{-1} X^T d {}&lt;/math&gt; (ismerős?)<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) {} &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 {} &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} {} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T {} &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} {} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) {} &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y {} &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} {} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s {} &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) {} &lt;/math&gt;<br /> <br /> És mi ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; {} \underline{w} = (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt; Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát. (Ez az analitikus megoldás). <br /> Kicsit pontosabban, az Adaline minden esetben tud adni megoldást. Egy olyan esetben, amikor a pontok lineárisan nem szeparálhatóak a perceptron nem tud megoldást adni, az Adaline tud, mind analitikus módszerrel, mind iteratív. Az analitikus módszer esetében is a kvadratikus hibafelület minimumát fogja adni, ami lineárisan nem szeparálható pontok esetén azt jelenti, hogy a legjobb osztályozást adja, viszont nem minden pont lesz a hipersík megfelelő oldalán.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> Wiener-Hopf összefüggés: &lt;math&gt; {} w^{*} = R^{-1}p &lt;/math&gt;, ahol &lt;math&gt; w^{*} &lt;/math&gt; az optimális súlyvektor, ahol &lt;math&gt;{} R = E \left\{ x x^{T} \right\} &lt;/math&gt; a bemenet autokorrelációs mátrixa ( ahol az x a bemeneti vektor), és a &lt;math&gt;{} p = E \left\{ dx \right\} &lt;/math&gt; pedig egy olyan oszlopvektort jelöl, amely a kívánt kimenet és a bemenet közötti keresztkorreláció.<br /> <br /> Kritériumok: &lt;math&gt; {} d_{i} &lt;/math&gt; a kívánt válaszok és az &lt;math&gt; {x}_{i} &lt;/math&gt; a bemenetek statisztikai jellemzői, valamint R és p ismertek. Ha R és p nem ismertek, akkor ezeket becsülni kell véges számú mintapont alapján.<br /> <br /> Optimális megoldást ad olyan értelemben, hogy a hibafelület minimumát adja, ily módon a legkisebb hibával megadja egy lineárisan nem szeparálható feladat minimumát Adaline esetében, de ettől még az Adaline hibásan fog osztályozni.<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> <br /> '''Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!'''<br /> <br /> * MLP: nem, a hibafelület nem kvadratikus, a gradiens kvadratikusát felhasználó analitikus megoldás így nem alkalmazható. ''Nem tökéletes, de ér pár pontot''<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d {} &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainak meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d {} &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d {} &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d {} &lt;/math&gt;. A feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> <br /> '''Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?'''<br /> <br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> <br /> '''Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!'''<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 {} &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon {} &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség írható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i {} &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 {} &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 {} &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 {} &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz01&diff=188715 2016-04-11T10:49:49Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz01}}<br /> <br /> ==Összegyűjtött kérdések a Zhig 01==<br /> <br /> Daraboltam, így könnyebb a szerkesztése, és a latex-ek is megjelennek.<br /> <br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> <br /> A konvergencia feltétele: &lt;math&gt; 0&lt; {\mu}&lt; \frac1{\lambda_{max}} &lt;/math&gt;<br /> <br /> &lt;math&gt;{\mu} &lt;/math&gt; bátorsági tényező, tanulási faktor, &lt;math&gt;{\lambda_{max}}&lt;/math&gt; az autokorrelációs mátrix legnagyobb sajátértéke<br /> <br /> '''Az Adaline optimális súlyvektorának meghatározására mind az analitikus összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> Analitikus meghatározás: <br /> Wiener-Hopf egyenlet<br /> &lt;math&gt; \underline{w}^{*}= \underline{\underline{R}}^{-1} \cdot \underline{P} &lt;/math&gt;<br /> <br /> &lt;math&gt; \underline{\underline{R}} &lt;/math&gt; autokorrelációs mátrix<br /> <br /> &lt;math&gt; \\ \underline{P}&lt;/math&gt; keresztkorrelációs vektor<br /> <br /> <br /> Iteratív megoldás: <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 {\mu} {\epsilon} (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w {} &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu {} &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon {} &lt;/math&gt; a hiba értéke és az &lt;math&gt; x {} &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} {} &lt;/math&gt;<br /> <br /> Ahol a &lt;math&gt; \lambda_{max} {} &lt;/math&gt; az &lt;math&gt; R {} &lt;/math&gt; legnagyobb sajátértéke, ahol az &lt;math&gt; R {} &lt;/math&gt; a bemenet autokorrelációs mátrixa. Ezt &lt;math&gt; \lambda_{max} {} &lt;/math&gt; -ot Adaline esetében vagy tudjuk, vagy a felső becslését tudjuk.<br /> <br /> A sajátérték fizikai jelentése: Minél nagyobb egy sajátérték, annál nagyobb a hibafelület adott irány menti meredekség-változása azaz a görbülete.<br /> <br /> A kritériumfüggvény: &lt;math&gt; C ( w ) = \frac{1}{P} \sum_{i = 1}^{P} \left( d_i - f(w,x_i) \right)^2 &lt;/math&gt;<br /> A lineáris kapcsolat miatt az &lt;math&gt; f(w,x) = w^{T}x &lt;/math&gt;. Vagyis az átlagos négyzetes hiba felírható a következő formában is:&lt;math&gt; C(w) = (d - X w)^{T} ( d - X w) {}&lt;/math&gt;. Ahol d a tanítópontokbeli kívánt válaszokból épített p elemű oszlopvektor, X a bemeneti vektorokból képzett mátrix, w pedig a keresett paramétervektor. A megoldás itt aztán a &lt;math&gt; d = X w {}&lt;/math&gt;, máshogyan &lt;math&gt; w = X^{-1} d {}&lt;/math&gt;, valamint pszeudoinverz alkalmazásával &lt;math&gt; w^{*} = X^{\dagger} d = ( X^TX)^{-1} X^T d &lt;/math&gt;. Az összefüggés legfontosabb része, hogy ugyaerre a megoldásra jutunk, hogyha kritériumfüggvény (amit az iteratív eljáráshoz alkalmazott kritériumfüggvény átalakítottja, vagyis nem a szummás, hanem amelyik függvény utána van) gradiens nulla értéket biztosító paraméterét határozzuk meg:<br /> &lt;math&gt; \frac{\partial C ( w ) }{ \partial w } = -2 X^Td + 2 X^TXw = 0 &lt;/math&gt;<br /> Ekkor ezt kapjuk:<br /> &lt;math&gt; X^TXw = X^Td &lt;/math&gt;, ami átalakítva &lt;math&gt; w^{*} = ( X^TX)^{-1} X^T d {}&lt;/math&gt; (ismerős?)<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) {} &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 {} &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} {} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T {} &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} {} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) {} &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y {} &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} {} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s {} &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) {} &lt;/math&gt;<br /> <br /> És mi ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; {} \underline{w} = (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt; Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát. (Ez az analitikus megoldás). <br /> Kicsit pontosabban, az Adaline minden esetben tud adni megoldást. Egy olyan esetben, amikor a pontok lineárisan nem szeparálhatóak a perceptron nem tud megoldást adni, az Adaline tud, mind analitikus módszerrel, mind iteratív. Az analitikus módszer esetében is a kvadratikus hibafelület minimumát fogja adni, ami lineárisan nem szeparálható pontok esetén azt jelenti, hogy a legjobb osztályozást adja, viszont nem minden pont lesz a hipersík megfelelő oldalán.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> Wiener-Hopf összefüggés: &lt;math&gt; {} w^{*} = R^{-1}p &lt;/math&gt;, ahol &lt;math&gt; w^{*} &lt;/math&gt; az optimális súlyvektor, ahol &lt;math&gt;{} R = E \left\{ x x^{T} \right\} &lt;/math&gt; a bemenet autokorrelációs mátrixa ( ahol az x a bemeneti vektor), és a &lt;math&gt;{} p = E \left\{ dx \right\} &lt;/math&gt; pedig egy olyan oszlopvektort jelöl, amely a kívánt kimenet és a bemenet közötti keresztkorreláció.<br /> <br /> Kritériumok: &lt;math&gt; {} d_{i} &lt;/math&gt; a kívánt válaszok és az &lt;math&gt; {x}_{i} &lt;/math&gt; a bemenetek statisztikai jellemzői, valamint R és p ismertek. Ha R és p nem ismertek, akkor ezeket becsülni kell véges számú mintapont alapján.<br /> <br /> Optimális megoldást ad olyan értelemben, hogy a hibafelület minimumát adja, ily módon a legkisebb hibával megadja egy lineárisan nem szeparálható feladat minimumát Adaline esetében, de ettől még az Adaline hibásan fog osztályozni.<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> <br /> '''Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!'''<br /> <br /> * MLP: nem, a hibafelület nem kvadratikus, a gradiens kvadratikusát felhasználó analitikus megoldás így nem alkalmazható. ''Nem tökéletes, de ér pár pontot''<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d {} &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainak meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d {} &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d {} &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d {} &lt;/math&gt;. A feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> <br /> '''Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?'''<br /> <br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> <br /> '''Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!'''<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 {} &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon {} &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség írható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i {} &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 {} &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 {} &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 {} &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188573 2016-04-04T11:50:33Z

<p>Sweidán Omár: </p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> Az adott csomópont leszármazottja azok a csomópontok, melyek egy hierarchia szinttel lejjebb vannak az adott csomóponttól. Tehát a gyermek csomópontjai az adott csomópontnak.<br /> <br /> Ha létezik nyíl az &lt;math&gt;X&lt;/math&gt; csomóponttól az &lt;math&gt;Y&lt;/math&gt; csomópontig, azt mondjuk, hogy az &lt;math&gt;X&lt;/math&gt; a szülője az &lt;math&gt;Y&lt;/math&gt;-nak.<br /> <br /> Az &lt;math&gt;a&lt;/math&gt; állításhoz tartozó feltétel nélküli (unconditional) vagy a priori valószínűség (prior probability) azt a meggyőződési mértéket jelenti, amely bármely más információ hiányában az állításhoz kapcsolható és egy adott időpillanatban az &lt;math&gt;a&lt;/math&gt; esemény igaz; jelölése &lt;math&gt;P(a)&lt;/math&gt;.<br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> <br /> A feltételes függetlenség egy matematikai kitétel, olyan esetekre amikor két esemény egymástól teljesen független, mégis egy okból származnak. Vagyis egy ilyen gyerek esemény valószínűsége csak a szülő csomóponttól függ, a szomszédos csomópontoktól nem. Például ha &lt;math&gt;A&lt;/math&gt; a szülő csomópont és &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt; a gyermek csomópontok, akkor a &lt;math&gt;P(B \cdot C \vert A) = P(B \vert A) * P(C \vert A)&lt;/math&gt; vagyis feltételesen független &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt;, de az ősük közös.<br /> <br /> ; Mire jók a Bayes-hálók?<br /> A változók közötti függőség leírásához, és bármely együttes valószínűség-eloszlás függvény tömör megadásához.<br /> <br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> csomópontok<br /> <br /> <br /> irányított élek<br /> <br /> <br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> <br /> Egy változó Markov-határát annak szülei, gyermekei, valamint gyermekei szülei alkotják.<br /> <br /> <br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> A következtetés során a feladat, hogy megbecsüljük egy adott esemény, vagy egy modell feltételes<br /> valószínűségét az alapismereteink és a megfigyelési adatok szerint.<br /> <br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188572 2016-04-04T11:40:17Z

<p>Sweidán Omár: </p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> Az adott csomópont leszármazottja azok a csomópontok, melyek egy hierarchia szinttel lejjebb vannak az adott csomóponttól. Tehát a gyermek csomópontjai az adott csomópontnak.<br /> <br /> Ha létezik nyíl az &lt;math&gt;X&lt;/math&gt; csomóponttól az &lt;math&gt;Y&lt;/math&gt; csomópontig, azt mondjuk, hogy az &lt;math&gt;X&lt;/math&gt; a szülője az &lt;math&gt;Y&lt;/math&gt;-nak.<br /> <br /> Az &lt;math&gt;a&lt;/math&gt; állításhoz tartozó feltétel nélküli (unconditional) vagy a priori valószínűség (prior probability) azt a meggyőződési mértéket jelenti, amely bármely más információ hiányában az állításhoz kapcsolható és egy adott időpillanatban az &lt;math&gt;a&lt;/math&gt; esemény igaz; jelölése &lt;math&gt;P(a)&lt;/math&gt;.<br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> <br /> A feltételes függetlenség egy matematikai kitétel, olyan esetekre amikor két esemény egymástól teljesen független, mégis egy okból származnak. Vagyis egy ilyen gyerek esemény valószínűsége csak a szülő csomóponttól függ, a szomszédos csomópontoktól nem. Például ha &lt;math&gt;A&lt;/math&gt; a szülő csomópont és &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt; a gyermek csomópontok, akkor a &lt;math&gt;P(B \cdot C \vert A) = P(B \vert A) * P(C \vert A)&lt;/math&gt; vagyis feltételesen független &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt;, de az ősük közös.<br /> <br /> ; Mire jók a Bayes-hálók?<br /> A változók közötti függőség leírásához, és bármely együttes valószínűség-eloszlás függvény tömör megadásához.<br /> <br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> csomópontok<br /> <br /> <br /> irányított élek<br /> <br /> <br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> Egy változó Markov-határát annak szülei, gyermekei, valamint gyermekei szülei alkotják.<br /> <br /> <br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> A következtetés során a feladat, hogy megbecsüljük egy adott esemény, vagy egy modell feltételes<br /> valószínűségét az alapismereteink és a megfigyelési adatok szerint.<br /> <br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188568 2016-04-03T23:58:42Z

<p>Sweidán Omár: 6. kérdés megválaszolása</p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> Az adott csomópont leszármazottja azok a csomópontok, melyek egy hierarchia szinttel lejjebb vannak az adott csomóponttól. Tehát a gyermek csomópontjai az adott csomópontnak.<br /> <br /> Ha létezik nyíl az &lt;math&gt;X&lt;/math&gt; csomóponttól az &lt;math&gt;Y&lt;/math&gt; csomópontig, azt mondjuk, hogy az &lt;math&gt;X&lt;/math&gt; a szülője az &lt;math&gt;Y&lt;/math&gt;-nak.<br /> <br /> Az &lt;math&gt;a&lt;/math&gt; állításhoz tartozó feltétel nélküli (unconditional) vagy a priori valószínűség (prior probability) azt a meggyőződési mértéket jelenti, amely bármely más információ hiányában az állításhoz kapcsolható és egy adott időpillanatban az &lt;math&gt;a&lt;/math&gt; esemény igaz; jelölése &lt;math&gt;P(a)&lt;/math&gt;.<br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> <br /> A feltételes függetlenség egy matematikai kitétel, olyan esetekre amikor két esemény egymástól teljesen független, mégis egy okból származnak. Vagyis egy ilyen gyerek esemény valószínűsége csak a szülő csomóponttól függ, a szomszédos csomópontoktól nem. Például ha &lt;math&gt;A&lt;/math&gt; a szülő csomópont és &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt; a gyermek csomópontok, akkor a &lt;math&gt;P(B \cdot C \vert A) = P(B \vert A) * P(C \vert A)&lt;/math&gt; vagyis feltételesen független &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt;, de az ősük közös.<br /> <br /> ; Mire jók a Bayes-hálók?<br /> A változók közötti függőség leírásához, és bármely együttes valószínűség-eloszlás függvény tömör megadásához.<br /> <br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> csomópontok<br /> <br /> <br /> irányított élek<br /> <br /> <br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> <br /> Markov-határ: Olyan változók minimális halmaza, amelyek ismeretében a célváltozó független az összes többi változótól.<br /> <br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> A következtetés során a feladat, hogy megbecsüljük egy adott esemény, vagy egy modell feltételes<br /> valószínűségét az alapismereteink és a megfigyelési adatok szerint.<br /> <br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188567 2016-04-03T23:45:02Z

<p>Sweidán Omár: </p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> Az adott csomópont leszármazottja azok a csomópontok, melyek egy hierarchia szinttel lejjebb vannak az adott csomóponttól. Tehát a gyermek csomópontjai az adott csomópontnak.<br /> <br /> Ha létezik nyíl az &lt;math&gt;X&lt;/math&gt; csomóponttól az &lt;math&gt;Y&lt;/math&gt; csomópontig, azt mondjuk, hogy az &lt;math&gt;X&lt;/math&gt; a szülője az &lt;math&gt;Y&lt;/math&gt;-nak.<br /> <br /> Az &lt;math&gt;a&lt;/math&gt; állításhoz tartozó feltétel nélküli (unconditional) vagy a priori valószínűség (prior probability) azt a meggyőződési mértéket jelenti, amely bármely más információ hiányában az állításhoz kapcsolható és egy adott időpillanatban az &lt;math&gt;a&lt;/math&gt; esemény igaz; jelölése &lt;math&gt;P(a)&lt;/math&gt;.<br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> <br /> A feltételes függetlenség egy matematikai kitétel, olyan esetekre amikor két esemény egymástól teljesen független, mégis egy okból származnak. Vagyis egy ilyen gyerek esemény valószínűsége csak a szülő csomóponttól függ, a szomszédos csomópontoktól nem. Például ha &lt;math&gt;A&lt;/math&gt; a szülő csomópont és &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt; a gyermek csomópontok, akkor a &lt;math&gt;P(B \cdot C \vert A) = P(B \vert A) * P(C \vert A)&lt;/math&gt; vagyis feltételesen független &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt;, de az ősük közös.<br /> <br /> ; Mire jók a Bayes-hálók?<br /> A változók közötti függőség leírásához, és bármely együttes valószínűség-eloszlás függvény tömör megadásához.<br /> <br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> csomópontok<br /> <br /> <br /> irányított élek<br /> <br /> <br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> <br /> Markov-határ: Olyan változók minimális halmaza, amelyek ismeretében a célváltozó független az összes többi változótól.<br /> <br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> <br /> <br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188566 2016-04-03T23:44:21Z

<p>Sweidán Omár: 5. kérdés megválaszolása</p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> Az adott csomópont leszármazottja azok a csomópontok, melyek egy hierarchia szinttel lejjebb vannak az adott csomóponttól. Tehát a gyermek csomópontjai az adott csomópontnak.<br /> <br /> Ha létezik nyíl az &lt;math&gt;X&lt;/math&gt; csomóponttól az &lt;math&gt;Y&lt;/math&gt; csomópontig, azt mondjuk, hogy az &lt;math&gt;X&lt;/math&gt; a szülője az &lt;math&gt;Y&lt;/math&gt;-nak.<br /> <br /> Az &lt;math&gt;a&lt;/math&gt; állításhoz tartozó feltétel nélküli (unconditional) vagy a priori valószínűség (prior probability) azt a meggyőződési mértéket jelenti, amely bármely más információ hiányában az állításhoz kapcsolható és egy adott időpillanatban az &lt;math&gt;a&lt;/math&gt; esemény igaz; jelölése &lt;math&gt;P(a)&lt;/math&gt;.<br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> <br /> A feltételes függetlenség egy matematikai kitétel, olyan esetekre amikor két esemény egymástól teljesen független, mégis egy okból származnak. Vagyis egy ilyen gyerek esemény valószínűsége csak a szülő csomóponttól függ, a szomszédos csomópontoktól nem. Például ha &lt;math&gt;A&lt;/math&gt; a szülő csomópont és &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt; a gyermek csomópontok, akkor a &lt;math&gt;P(B \cdot C \vert A) = P(B \vert A) * P(C \vert A)&lt;/math&gt; vagyis feltételesen független &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt;, de az ősük közös.<br /> <br /> ; Mire jók a Bayes-hálók?<br /> A változók közötti függőség leírásához, és bármely együttes valószínűség-eloszlás függvény tömör megadásához.<br /> <br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> csomópontok<br /> irányított élek<br /> <br /> <br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> <br /> Markov-határ: Olyan változók minimális halmaza, amelyek ismeretében a célváltozó független az összes többi változótól.<br /> <br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> <br /> <br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188565 2016-04-03T23:23:35Z

<p>Sweidán Omár: Negyedik kérdés megválaszolása</p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> Az adott csomópont leszármazottja azok a csomópontok, melyek egy hierarchia szinttel lejjebb vannak az adott csomóponttól. Tehát a gyermek csomópontjai az adott csomópontnak.<br /> <br /> Ha létezik nyíl az &lt;math&gt;X&lt;/math&gt; csomóponttól az &lt;math&gt;Y&lt;/math&gt; csomópontig, azt mondjuk, hogy az &lt;math&gt;X&lt;/math&gt; a szülője az &lt;math&gt;Y&lt;/math&gt;-nak.<br /> <br /> Az &lt;math&gt;a&lt;/math&gt; állításhoz tartozó feltétel nélküli (unconditional) vagy a priori valószínűség (prior probability) azt a meggyőződési mértéket jelenti, amely bármely más információ hiányában az állításhoz kapcsolható és egy adott időpillanatban az &lt;math&gt;a&lt;/math&gt; esemény igaz; jelölése &lt;math&gt;P(a)&lt;/math&gt;.<br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> <br /> A feltételes függetlenség egy matematikai kitétel, olyan esetekre amikor két esemény egymástól teljesen független, mégis egy okból származnak. Vagyis egy ilyen gyerek esemény valószínűsége csak a szülő csomóponttól függ, a szomszédos csomópontoktól nem. Például ha &lt;math&gt;A&lt;/math&gt; a szülő csomópont és &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt; a gyermek csomópontok, akkor a &lt;math&gt;P(B \cdot C \vert A) = P(B \vert A) * P(C \vert A)&lt;/math&gt; vagyis feltételesen független &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt;, de az ősük közös.<br /> <br /> ; Mire jók a Bayes-hálók?<br /> <br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> <br /> <br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188562 2016-04-02T22:46:42Z

<p>Sweidán Omár: 5. feladat kidolgozása.</p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> <br /> A feltételes függetlenség egy matematikai kitétel, olyan esetekre amikor két esemény egymástól teljesen független, mégis egy okból származnak. Vagyis egy ilyen gyerek esemény valószínűsége csak a szülő csomóponttól függ, a szomszédos csomópontoktól nem. Például ha &lt;math&gt;A&lt;/math&gt; a szülő csomópont és &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt; a gyermek csomópontok, akkor a &lt;math&gt;P(B \cdot C \vert A) = P(B \vert A) * P(C \vert A)&lt;/math&gt; vagyis feltételesen független &lt;math&gt;B&lt;/math&gt; és &lt;math&gt;C&lt;/math&gt;, de az ősük közös.<br /> <br /> ; Mire jók a Bayes-hálók?<br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188561 2016-04-02T22:33:10Z

<p>Sweidán Omár: 3. feladatra válaszadás</p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> Irányított körmentes gráf (DAG).<br /> <br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> <br /> <br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> ; Mire jók a Bayes-hálók?<br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=Intelligens_rendszerek_laborat%C3%B3rium_1_-_4._Ellen%C5%91rz%C5%91_k%C3%A9rd%C3%A9sek&diff=188542 2016-03-31T11:34:45Z

<p>Sweidán Omár: Első két kérdés megválaszolása</p> <hr /> <div>{{vissza|Intelligens rendszerek laboratórium 1}}<br /> <br /> ; Írja fel a feltételes valószínűség definícióját!<br /> <br /> Legyen &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; két esemény, &lt;math&gt; P(B)&gt;0&lt;/math&gt;. Ekkor az &lt;math&gt; A&lt;/math&gt; esemény &lt;math&gt;B&lt;/math&gt;-re vonatkozó feltételes valószínűségén a<br /> <br /> &lt;math&gt;P(A\vert B)=\frac{P(A \cdot B)}{P(B)}&lt;/math&gt; <br /> mennyiséget értjük.<br /> <br /> ; Írja fel a Bayes tételt!<br /> A tétel azt állítja, hogy ha ismert az &lt;math&gt;A&lt;/math&gt; és &lt;math&gt;B&lt;/math&gt; események valószínűsége, és a &lt;math&gt;P(B\vert A)&lt;/math&gt; feltételes valószínűség, akkor<br /> <br /> &lt;math&gt; P(A\vert B) = \frac{P(B \vert A) \cdot P(A)}{P(B)}&lt;/math&gt;<br /> <br /> ; Gráfelméleti szempontból mi egy Bayes-háló? [gráfelméleti fogalom]<br /> ; Mik egy Bayes-hálóban egy változó gyermekei és szülei, továbbá mikor a priori egy változó?<br /> ; Mit értünk feltételes függetlenség alatt Bayes-hálók esetén?<br /> ; Mire jók a Bayes-hálók?<br /> ; Milyen elemekből épülnek fel a Bayes-hálók? [felsorolás]<br /> ; Mit értünk egy Bayes-hálós változó/csomópont Markov-határán?<br /> ; Mit értünk következtetés alatt Bayes-hálók esetén?<br /> ; Mit értünk evidencia alatt egy Bayes-hálóban?<br /> ; Adjon példát egyszerűbb (min. 4 csomópontból álló) értelmes Bayes-hálóra [magyarázattal]!<br /> ; Elsősorban mire való a BNet szoftver?<br /> ; Milyen multi-ágens szcenárióban és milyen célból használunk a Bayes-hálókat a laborgyakorlat során? [rövid leírás]<br /> ; Hogyan teremtünk kapcsolatot a BNet és a JADE között?<br /> ; Milyen formában olvassák be a laborgyakorlat JADE-es ágensei a BNet-es Bayes-hálókat?<br /> ; Mire szolgál a laborgyakorlat orvos ágenseinek Bayes-hálójában az aggregatedDiagnoses változó/csomópont?<br /> ; Mire való és mit tartalmaz a laborgyakorlat JADE-es ágenseinek indításakor megadandó konfigurációs fájl?<br /> ; Milyen tartalmú üzeneteket küldenek egymásnak a laborgyakorlat JADE-es ágensei? [főbb tartalmi elemek szöveges összefoglalása]<br /> ; Mire szolgál a DoctorAgent aggregateDiagnoses metódusa?<br /> ; Soroljon fel legalább 5 bináris változót, amely a laborgyakorlat során az Influenza tárgyterületet jellemzi?<br /> <br /> [[Kategória:Mérnök informatikus]]<br /> [[Kategória:Autonóm intelligens rendszerek szakirány]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KooperativRendszerekZHkerdesekkigyujtve&diff=188537 2016-03-29T04:59:32Z

<p>Sweidán Omár: Momentum módszer képlet hibájának a javítása.</p> <hr /> <div>{{GlobalTemplate|Infoszak|KooperativRendszerekZHkerdesekkigyujtve}}<br /> <br /> ==Összegyűjtött kérdések a Zhig==<br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> *Az Adaline optimális súlyvektorának meghatározására mind az analitius összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!*<br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 \mu \epsilon (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon &lt;/math&gt; a hiba értéke és az &lt;math&gt; x &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} &lt;/math&gt;<br /> <br /> ''Sokkal több van a fentebb említett docx-ben, aki jobban érti írja be ide''<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) &lt;/math&gt;<br /> <br /> , ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; \underline{w} =<br /> (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt;. Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> *Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!*<br /> <br /> * MLP: ?<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainek meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d &lt;/math&gt;. E feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> *Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?*<br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> *Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!*<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség ítható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> '''Egy NFIR(FIR-MPL) hálózat felépítése az abrán látható. A vastag szaggatott vonallal jelölt részek a FIR szűrők, ahol 2 késleltető elem és 3 súly van. Adja meg a háló időben kiterített változatát (virtuális háló) és pontokba szedve adja meg a tanítás lépéseit!'''<br /> <br /> * Ehhez nincs ábra...<br /> <br /> '''Mit jelent az időbeli kiterítés olyan NFIR háló tanításánál, ahol egy MLP súlyai helyén FIR szűrőket alkalmazunk?'''<br /> <br /> Erről van 2 beszkennelt oldalt a docx-ben...<br /> <br /> '''Mi a kernel trükk és mi a jelentősége?'''<br /> *Mit nevezünk kernel trükknek és mi a jelentősége? Alkalmazható-e a kernel trükk az ismert előrecsatolt hálók (lineáris súlyozott összeg, MLP, RBF, CMAC) esetében? Amennyiben lehet kernel trükköt alkalmazni, meg tudja-e adni a kernel függvényt az egyes esetekben? Adja meg a kernel függvény meghatározásnának általános módját minden olyan esetben, ahol a háló leképzése kerneles formában is megadható, és ahol lehet, adja meg a kernel függvényt explicit formában is!*<br /> <br /> Alapból a kimenetet a következő összefüggéssel állítjuk elő:<br /> <br /> &lt;math&gt; y (x) = \sum_{i=0}^{M} w_i \varphi _i ( x ) = w ^{T} \varphi ( x ) &lt;/math&gt;<br /> <br /> A kernel trükk segítségével azonban ezt a függvényt átalakítjuk a következő formába:<br /> <br /> &lt;math&gt; y (x) = \varphi ( x ) ^{T} \phi ^{T} \alpha = \sum^{P}_{i=1} \alpha _i ( \varphi ( x ) ^{T} \varphi ( x _i ) ) = \sum^{P}_{i=1} \alpha _i K _i ( \varphi ( x )) &lt;/math&gt;<br /> <br /> &lt;math&gt; \varphi (x )^{T} \varphi ( x_i ) = K_i ( \varphi ( x )) = K (x , X_i ) &lt;/math&gt;<br /> <br /> Amit az a második összefüggésből is látszik a kerneles reprezentáció a tanítópontoknak megfelelő számú (P) kernel függvény-érték súlyozott összegeként áll elő, függetlenül attól, hogy az implicit módon definiált jellemzőtér dimenziója (M) mekkora. A kernel függvény megválasztásától függően a jellemzőtér dimenziója nagyon nagy, akár végtelen is lehet, ami a (6.13) szerinti kimenet előállítást nagyon megnehezítené, sőt akár lehetetlenné is tenné, miközben a kernel reprezentáció komplexitása a tanítópontok száma által mindenképpen korlátozott. Minthogy a kernel térbeli megoldás ekvivalens a jellemzőtérbeli megoldással, a kernel módszerekkel azt tudjuk elérni, hogy a megoldás komplexitását akkor is korlátozni tudjuk, ha egyébként a megfelelő jellemzőtérbeli megoldás extrém módon komplex lenne. A kernel függvények bevezetésének ezt a hatását kernel trükknek (kernel trick) nevezzük.<br /> <br /> '''Egy idősor-előrejelzési feladatot szeretne megoldani NFIR vagy NARX hálózattal.Írja le a háló konstrukciójának lépéseit és azt is, hogy az egyes lépéseknél szükséges feladatok hogyan oldhatók meg. Mi a különbség a kétféle architektúra között?'''<br /> <br /> '''Lehet-e lokális minimum egy lineáris kimeneti réteggel rendelkező egy rejtett régetű MLP és egy RBF (vagy CMAC) esetén, ha a súlyokat tanítjuk és egy négyzetes hibafüggvényt alkalmazunk? Válaszát indokolja!'''<br /> <br /> Az MLP paraméterekben nemlineáris leképezése miatt a hibafelület nem kvadratikus. Ez még akkor is igaz, ha az MLP-nél is lineáris kimeneti réteget alkalmazunk. A felületen létezhetnek lokális minimumok, sőt a globális minimum sem egyértelmű: a súlyok megfelelő permutációjával különböző, de egyenértékű megoldásokhoz juthatunk. A lokálisak, mint láttuk a háló tanításánál (a gradiens alapú tanuló eljárásoknál) okozhatnak komoly nehézséget. <br /> A bázisfüggvényes hálók, amennyiben csak a kimeneti lineáris réteget tanítjuk, négyzetes hibafelülettel rendelkeznek, ami biztosítja, hogy nincsenek lokális minimumok .<br /> <br /> <br /> '''Mi a Hebb tanulási szabály és milyen hálók tanításánál van szerepe? Milyen módon származtatható az Oja szabály a Hebb szabályból?'''<br /> *Adja meg a Hebb tanulási szabályt és a Hebb tanulás szerepét a Kohonen háló tanításánál!*<br /> <br /> '''Milyen két fő elv alkalmazásával származtatható a GHA (Sanger-algoritmus)-t felhasználó PCA háló? Írja le a GHA algoritmus fő lépéseit! (Ha az összefüggéseket is meg tudja adni, írja le azokat is, ha nem, akkor a gondolatmenetet írja le!)'''<br /> <br /> '''Egy olyan MLP hálót szeretne tanítani, melyben minden neuronnál a szokásos szigmoid függvény helyett annak -1-szeresét alkalmazza. Alkalmazható-e ez a háló a szokásos feladatok megoldására? Ha igen, hogyan alakul a tanítása, ha nem, indokolja meg, hogy miért nem!'''<br /> <br /> A háló ekvivalens egy közönséges, szigmoidot használó MLP-vel, amiben (a bemenetieket leszámítva) minden súlyt -1-szereségre változtattunk (így a rétegek közt ugyanúgy egyszer invertálódnak az értékek), és a kimenetet is -1-szeresére változtatjuk. Tehát az új háló tanítására egy triviális módszer, hogy a vele ekvivalens normál MLP-t betanítjuk (azonos bemenetekkel, de a kívánt kimenetek helyett a -1-szeresüket használva a tanításhoz), majd a végén visszamásoljuk a kapott súlyokat (a -1-szeresüket) az új hálóba. <br /> <br /> '''Mi a szerepe a tanulási tényezőnek (bátorságfaktor) az iteratív tanulási eljárásoknál, és hogyan kell megválasztani a Perceptronnál illetve az Adaline-nál?'''<br /> <br /> * Tanulás közben általában azt tudjuk megállapítani a rendszerről, hogy egy adott bemenetre a kimenet mennyire és milyen irányba tér el a megkívánttól. A hiba és a hálózatot leíró függvény alapján tudjuk, milyen irányba érdemes változtatni a paramétereket, de azt általában nem, hogy mennyire. Azt, hogy milyen &quot;bátran&quot; lépjünk a megfelelő irányba, a bátorsági tényező szabja meg. Erősen befolyásolja a &quot;jó&quot; rendszerhez való konvergencia sebességét, illetve azt, hogy egyáltalán konvergálunk-e.<br /> * Percreptonnál a tanulás konvergens a bátorsági tényező értékétől függetlenül, de a sebességet befolyásolja. Adaline esetében túl nagy érték okozhat divergenciát; a konvergencia biztosításához az &lt;math&gt; X^{T}X &lt;/math&gt; mátrix legnagyobb sajátértékének reciprokánál kisebbre kell választani. Léteznek módszerek a tényező tanulás közbeni adaptív változtatására is.<br /> <br /> '''Mi az alapgondolata az Ortogonal Least Square (OLS) eljárásnak? Milyen hálócsaládnál alkalmazható és mire szolgál?'''<br /> <br /> * &quot;Az ortogonális legkisebb négyzetes hibájú (OLS) eljárás iteratív módon választ középpontokat úgy, hogy közben figyelembe veszi a háló képességét is. Ez azt jelenti, hogy a háló méretét lépésről lépésre növeljük, újabb és újabb bázisfüggvények bekapcsolásával egészen addig, amíg megfelelő teljesítőképességet el nem érünk.&quot;<br /> * A Gauss függvénynek két paramétere van: a középpontja és a szórása. Ez utóbbi lehet skalár, vagy többdimenziós esetben vektor is <br /> * A középpontok meghatározására használható az ortogonális least squares (OLS) és a K-means módszer. Előbbi kiindul egy egy pontot tartalmazó RBF-ből, majd azt iteratívan bővíti, ha nem elég jó a tanulóképessége (a hozzáveendő középpontokat az ismert tanítópontok közül választja). A K-means csoportokba próbálja osztani a tanítópontokat, és a csoportokhoz egy-egy középpontot illetve bázisfüggvényt rendel<br /> * R heurisztikus szórás választás: általában elég tág határok közt változtatható a tanulási képesség rontása nélkül.. Jól használható az adott középpontú bázisfüggvény szórásának, ha vesszük a középponthoz legközelebbi R (R=2-3) másik középpontot, és ezek távolságainak átlagát számoljuk. Ha mindegyik függvényhez azonos szórást akarunk használni, erre is használható a fenti kifejezés (véletlenszerűen kijelölve egy középpontot). <br /> * Végül mind a középpontok, mind a szórások meghatározására alkalmazhatóak az ellenőrzött tanítási módszerek, pl. gradiens alapú keresés. <br /> <br /> '''Mit nevezünk túltanulásnak, milyen következménye van, és hogyan lehet védekezni ellene? (minden ismert ellenszert mutasson be)'''<br /> * Egy rendszer tanítása során a tanítópontok hibája általában csökkenő jellegű. A hálózat hibája a tanításhoz fel nem használt pontokban szintén csökken (a hálózat az egész függvényt egyre jobban megtanulja). Egy bizonyos pont után viszont, a tanítópontok hibája még mindig csökken, de a többi ponté nőni kezd, mivel a háló a tanítópontok olyan apró részleteit kezdi tanulni, amik az egész függvényre nem igazak, és romlik az általánosító-képesség. <br /> * Egyik ellenszer a korai megállás: amikor észrevesszük, hogy az ellenőrzéshez használt nem tanító pontokban nőni kezd a hiba, abbahagyjuk a tanítást (hiába lehetne a tanítópontok hibáját még csökkenteni). <br /> * Másik módszer a regularizáció, melynek az a lényege, hogy egyfajta simaságot megkövetelünk, így nem tud nagyon rátanulni a tanítópontokra.<br /> * Új neuron felvétele: Ha időközben hozzáadunk egy új neuront vagy elveszünk, akkor megváltoztatja a háló egész kimenetét, és a túltanulástól egy ideig a tanulások folyamán az általánosítás felé halad, majd persze meint eljut a túltanulásig. Plusz érdeme, hogy segítségével tudunk lökni a lokális minimumoknál, és a &quot;sekélyebb&quot; területeknél.<br /> * keresztvalidáció: ''TODO''<br /> <br /> '''Mi a regularizáció és milyen esetekben van szerepe? Osztályozási feladatra alkalmazott SVM hálóknál milyen formában jelenik meg a regularizáció és mit eredményez?'''<br /> <br /> * Regularizáció: Általánosító képességet jelent. Fontossága kevés ismert vagy tanítópont esetén kiemelkedő. Az SVM hálók az osztályozás során olyan hipersíkot keresnek, mely minden tanítóponttól egy megadott margin (margó, biztonsági sáv)-ra van, így egyfajta biztosított általánosítást végez, ami amennyiben az eddigi tanítópontok jól leírták a problémát a többi tanítópont is nagyobb valószínűséggel lesz a hipersík megfelelő oldalán. <br /> <br /> '''Mikor és miért van szükség CMAC hálózatoknál tömörítő leképzésre. Milyen problémákat okozhat ennek használata, és hogyan lehet a problémákat mérsékelni/elkerülni?'''<br /> <br /> * A tömörítő leképezés azt jelenti, hogy a kiinduló (virtuális) címtartományt egy kisebb (fizikai) címtartományra képezzük le. Lényegében a hatékony tömörítő eljárások veszteséges lejárások, szükségük a véges memória miatt van. A problémát a veszteség jelenti, amely megfelelő hash, vagy tömörítő eljárást alkalmazva nem lehet probléma, így olyan hash függvényt kell találni ami egyenletesen képez le a fizikai címtartományba.<br /> * Másképpen kicsit hivatalosabban, az alapvető asszociációs vektorunkat letömörítjük egy tömörített asszociációs vektorra, az alapján hogy a bemeneti tér viszonylag kevés bementi pontjáról érkezik tényleges bemenet. Ez alapján a tömörített vektor alapkán választjuk ki a súlyokat, nem pedig a az eredeti vektor alapján. A tömörítő eljárás egyfajta hashelést jelent, és a probléma akkor van, hogyha ütközés lép fel, vagyis két egymástól távol lévő tanítópont pont részben azonos súlyokat választanak ki. Ha az ütközés valószínűsége kicsi, akkor a hatása elhanyagolható, valamint a tanító lépések számának növelésével az ütközésből adódó interferencia csökkenthető.<br /> <br /> '''Mit nevezünk lokális és mit globális tanulásnak? Van-e előnye egyiknek a másikkal szemben? Az ismert hálók közül melyek a globális és melyek a lokális tanulási hálók és miért?'''<br /> * Globális tanulás: Minden tanítóponton a tanulás kihat a teljes tartományra, vagyis ha tanítunk egy pontot egy MLP-nek, akkor az megfogja változtatni az értékét egy nagyon távoli bemenetnek is a kimenetét. Ilyenek az MLP, és az RBF, de csak olyan függvény esetén melynek a kimenete a teljes bemeneten érvényes, vagyis egy közepes szórású Gauss függvény már nem fejti ki mindenhol a hatását.<br /> * Lokális tanulás: Leginkább a globális tanulás ellentettje, vagyis egy tanítópont csak véges területen fejti ki a hatását, így képesek vagyunk lokális tanulásra. Jó példa erre a XOR RBF-el való tanítása. Ilyenek a CMAC, az SVM, és az RBF is bizonyos paraméterek mellet.<br /> <br /> Itt megjegyeznék, hogy Horváth Gábor meglepetten mondta, hogy sokan írták azt, ami a docx-ben van, és az teljesen hülyeség, amit fentebb leírtam az 6/6 pontot ért.<br /> <br /> '''perceptron tanítás 3 tényezővel: alfa1=10; alfa2=0.1; alfa3=-3; melyiket választaná? És Adaline esetében? Ha egyik sem helyes javasoljon új tényezőt, és indokolja is meg!'''<br /> <br /> '''Egy RBF-nél súlyok helyett FIR szűrők vannak, adja meg 1 FIR szűrő együtthatóinak módosító összefüggését!'''<br /> <br /> '''Implikációt meg lehet-e tanítani perceptronnak, adaline-nak?'''<br /> <br /> * Megoldás van a docxben, csak át kell másolni<br /> <br /> '''Rosenblatt perceptronokból lehet-e MLP-t építeni, ha igen, hogyan, ha nem, miért nem?'''<br /> <br /> * A szignum függvény nem deriválható, de ha lecseréljük szigmoidra, akkor máris deriválható, így hazsnálható a Back-Propagation, vagyis akkor építhető belőle MLP.<br /> <br /> '''R = ((0.5 0) (0 0.2)) esetén az LMS eljárás konvergens-e? Vázlatosan rajzolja fel a kritériumfelület szintvonalait!'''<br /> <br /> '''Milyen modellosztályok esetén használható fokszámbecslése a Lipschitz index? Lipschitz index definíciója (Lq^(N) = ...) meg volt adva - értelmezze, magyarázza meg az egyes betűk jelentését!'''<br /> <br /> '''Mi a momentum eljárás és milyen esetben alkalmazható sikerrel?'''<br /> <br /> * A momentum módszer olyan heurisztikus eljárás, ahol az egyes lépésekben a súlymódosítás meghatározása két részből áll. Először a gradiens módszernek megfelelően meghatározunk egy súly módosító értéket, azonban nem ezzel végezzük el a korrekciót, hanem még figyelembe vesszük az előző módosítás hatását is. A súlymódosítás ennek megfelelően:<br /> <br /> &lt;math&gt; \Delta w ( k + 1) = \mu ( - \nabla (k ) ) + \nu \Delta w ( k) &lt;/math&gt;<br /> <br /> ahol &lt;math&gt; \nu &lt;/math&gt; az ún. momentum együttható, amelynek értéke 0 és 1 közötti kell legye (gyakori választás a 0.8 körüli érték).<br /> * A momentum módszer különösen kedvező, ha a hibafelületen keskeny völgy húzódik végig, és a momentumtag nélkül a megoldás felé ezen völgy környezetében túl sok iteráció megtételével haladnánk, és MLP-nél alkalmazható. A módszer alkalmazásával lényegében azonos hibahatár elérése kevesebb számítással, kevesebb idő alatt.<br /> <br /> '''Mi a momentum módszer, milyen célból alkalmazzák, és mely hálótípusoknál alkalmazható? Minden ismert hálótípusra adja meg és indokolja is meg a választ!'''<br /> <br /> '''Van egy MLP hálózatunk. A nagy (vastag szaggatott) nyíllal bejelölt súly módosító összefüggéseit határozza meg, ha backprop eljárást alkalmaz.'''<br /> <br /> * Ehhez sincs kép...<br /> <br /> '''Oszályozási feladatra akarunk LS Szupport Vektor Gépet használni. Fogalmazza meg a kritériumfüggvényt és a Lagrange egyenletet. Milyen alapgondolatot használ az eljárás, hogy a Lagrange egyenletből a másodlagos egyenlethez eljussunk? Mi lesz a másodlagos egyenlet?'''<br /> <br /> * Szkennelt megoldás a docxben<br /> <br /> '''Van 10000 50 dimenziós adata, illetve 100 10000 dimenziós adata, melyekkel tanuló hálót akar konstruálni. Két lehetőség közül választhat: MLP-t vagy SVM-et alkalmaz. Az adott esetekben milyen szempontokat venne figyelembe, és mit választana? Részletesen indokolja meg a választást.'''<br /> <br /> * Az első esetre MLP-t használnék, mert sok a tanító pont a dimenziókhoz képset is (bár nem tudom 50 dimenzióhoz mi számít soknak igazán), jól meg lehet tanítani a hálót meg minősíteni is. A másodikra MLP-t nem alkalmaznék, mert nagyon kevés a pont a dimenziószámhoz képest, és szinte biztos a túl/sehogysem tanulás.<br /> * A másodikra használnék SVM-et, mivel a kevés pont, sok dimenzió miatt elég valószínű, hogy meg tudja találni a nemlineáris elválasztó-egyenest, amivel az operál (állítólag). Hogy az elsőre használnék-e SVM-et.. talán a sok tanítópont miatt a kernelmátrix (ami kell a QP-hoz) nagyon nagy lenne, akkor már inkább az MLP. <br /> <br /> '''Adja meg röviden a [[BackPropagation]] Through Time (BPTT) eljárás működését! Milyen hálónál alkalmazható, és mik az előnyei, illetve hátrányai az eljárásnak?'''<br /> <br /> '''Mutassa meg, hogy az EXOR probléma megoldható egy olyan RBF hálózattal, melynek két Gauss rejtett neuronja van, ahol a bázisfüggvények középpontjai [0 0] és [1 1]'''<br /> <br /> '''Batch-tanítás'''<br /> * Minden pontra kiszámoljuk a szükséges módosításokat, de nem hajtjuk végre, majd átlagoljuk a módosításokat és egy lépésben hajtjuk végre a végén.-&gt;lokális minimumok lesznek-&gt;pontonkénti tanulásnál direkt zajt adunk hozzá ezek elkerülésére.<br /> Súlyok kezdeti értéke: úgy kell indítani, hogy minden neuron a meredek részben legyen<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.03.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz01&diff=188536 2016-03-29T04:58:01Z

<p>Sweidán Omár: Néhány elgépelés javítása.</p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz01}}<br /> <br /> ==Összegyűjtött kérdések a Zhig 01==<br /> <br /> Daraboltam, így könnyebb a szerkesztése, és a latex-ek is megjelennek.<br /> <br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> <br /> A konvergencia feltétele: &lt;math&gt; 0&lt; {\mu}&lt; \frac1{\lambda_{max}} &lt;/math&gt;<br /> <br /> &lt;math&gt;{\mu} &lt;/math&gt; bátorsági tényező, tanulási faktor<br /> <br /> '''Az Adaline optimális súlyvektorának meghatározására mind az analitikus összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> Analitikus meghatározás: <br /> Wiener-Hopf egyenlet<br /> &lt;math&gt; \underline{w}^{*}= \underline{\underline{R}}^{-1} \cdot \underline{P} &lt;/math&gt;<br /> <br /> &lt;math&gt; \underline{\underline{R}} &lt;/math&gt; autokorrelációs mátrix<br /> <br /> &lt;math&gt; \\ \underline{P}&lt;/math&gt; keresztkorrelációs vektor<br /> <br /> <br /> Iteratív megoldás: <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 {\mu} {\epsilon} (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w {} &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu {} &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon {} &lt;/math&gt; a hiba értéke és az &lt;math&gt; x {} &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} {} &lt;/math&gt;<br /> <br /> Ahol a &lt;math&gt; \lambda_{max} {} &lt;/math&gt; az &lt;math&gt; R {} &lt;/math&gt; legnagyobb sajátértéke, ahol az &lt;math&gt; R {} &lt;/math&gt; a bemenet autokorrelációs mátrixa. Ezt &lt;math&gt; \lambda_{max} {} &lt;/math&gt; -ot Adaline esetében vagy tudjuk, vagy a felső becslését tudjuk.<br /> <br /> A sajátérték fizikai jelentése: Minél nagyobb egy sajátérték, annál nagyobb a hibafelület adott irány menti meredekség-változása azaz a görbülete.<br /> <br /> A kritériumfüggvény: &lt;math&gt; C ( w ) = \frac{1}{P} \sum_{i = 1}^{P} \left( d_i - f(w,x_i) \right)^2 &lt;/math&gt;<br /> A lineáris kapcsolat miatt az &lt;math&gt; f(w,x) = w^{T}x &lt;/math&gt;. Vagyis az átlagos négyzetes hiba felírható a következő formában is:&lt;math&gt; C(w) = (d - X w)^{T} ( d - X w) {}&lt;/math&gt;. Ahol d a tanítópontokbeli kívánt válaszokból épített p elemű oszlopvektor, X a bemeneti vektorokból képzett mátrix, w pedig a keresett paramétervektor. A megoldás itt aztán a &lt;math&gt; d = X w {}&lt;/math&gt;, máshogyan &lt;math&gt; w = X^{-1} d {}&lt;/math&gt;, valamint pszeudoinverz alkalmazásával &lt;math&gt; w^{*} = X^{\dagger} d = ( X^TX)^{-1} X^T d &lt;/math&gt;. Az összefüggés legfontosabb része, hogy ugyaerre a megoldásra jutunk, hogyha kritériumfüggvény (amit az iteratív eljáráshoz alkalmazott kritériumfüggvény átalakítottja, vagyis nem a szummás, hanem amelyik függvény utána van) gradiens nulla értéket biztosító paraméterét határozzuk meg:<br /> &lt;math&gt; \frac{\partial C ( w ) }{ \partial w } = -2 X^Td + 2 X^TXw = 0 &lt;/math&gt;<br /> Ekkor ezt kapjuk:<br /> &lt;math&gt; X^TXw = X^Td &lt;/math&gt;, ami átalakítva &lt;math&gt; w^{*} = ( X^TX)^{-1} X^T d {}&lt;/math&gt; (ismerős?)<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) {} &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 {} &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} {} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T {} &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} {} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) {} &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y {} &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} {} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s {} &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) {} &lt;/math&gt;<br /> <br /> És mi ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; {} \underline{w} = (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt; Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát. (Ez az analitikus megoldás). <br /> Kicsit pontosabban, az Adaline minden esetben tud adni megoldást. Egy olyan esetben, amikor a pontok lineárisan nem szeparálhatóak a perceptron nem tud megoldást adni, az Adaline tud, mind analitikus módszerrel, mind iteratív. Az analitikus módszer esetében is a kvadratikus hibafelület minimumát fogja adni, ami lineárisan nem szeparálható pontok esetén azt jelenti, hogy a legjobb osztályozást adja, viszont nem minden pont lesz a hipersík megfelelő oldalán.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> Wiener-Hopf összefüggés: &lt;math&gt; {} w^{*} = R^{-1}p &lt;/math&gt;, ahol &lt;math&gt; w^{*} &lt;/math&gt; az optimális súlyvektor, ahol &lt;math&gt;{} R = E \left\{ x x^{T} \right\} &lt;/math&gt; a bemenet autokorrelációs mátrixa ( ahol az x a bemeneti vektor), és a &lt;math&gt;{} p = E \left\{ dx \right\} &lt;/math&gt; pedig egy olyan oszlopvektort jelöl, amely a kívánt kimenet és a bemenet közötti keresztkorreláció.<br /> <br /> Kritériumok: &lt;math&gt; {} d_{i} &lt;/math&gt; a kívánt válaszok és az &lt;math&gt; {x}_{i} &lt;/math&gt; a bemenetek statisztikai jellemzői, valamint R és p ismertek. Ha R és p nem ismertek, akkor ezeket becsülni kell véges számú mintapont alapján.<br /> <br /> Optimális megoldást ad olyan értelemben, hogy a hibafelület minimumát adja, ily módon a legkisebb hibával megadja egy lineárisan nem szeparálható feladat minimumát Adaline esetében, de ettől még az Adaline hibásan fog osztályozni.<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> <br /> '''Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!'''<br /> <br /> * MLP: nem, a hibafelület nem kvadratikus, a gradiens kvadratikusát felhasználó analitikus megoldás így nem alkalmazható. ''Nem tökéletes, de ér pár pontot''<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d {} &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainak meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d {} &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d {} &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d {} &lt;/math&gt;. A feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> <br /> '''Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?'''<br /> <br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> <br /> '''Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!'''<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 {} &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon {} &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség írható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i {} &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 {} &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 {} &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 {} &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KooperativRendszerekZHkerdesekkigyujtve&diff=188535 2016-03-29T04:33:53Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KooperativRendszerekZHkerdesekkigyujtve}}<br /> <br /> ==Összegyűjtött kérdések a Zhig==<br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> *Az Adaline optimális súlyvektorának meghatározására mind az analitius összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!*<br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 \mu \epsilon (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon &lt;/math&gt; a hiba értéke és az &lt;math&gt; x &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} &lt;/math&gt;<br /> <br /> ''Sokkal több van a fentebb említett docx-ben, aki jobban érti írja be ide''<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) &lt;/math&gt;<br /> <br /> , ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; \underline{w} =<br /> (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt;. Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> *Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!*<br /> <br /> * MLP: ?<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainek meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d &lt;/math&gt;. E feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> *Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?*<br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> *Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!*<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség ítható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> '''Egy NFIR(FIR-MPL) hálózat felépítése az abrán látható. A vastag szaggatott vonallal jelölt részek a FIR szűrők, ahol 2 késleltető elem és 3 súly van. Adja meg a háló időben kiterített változatát (virtuális háló) és pontokba szedve adja meg a tanítás lépéseit!'''<br /> <br /> * Ehhez nincs ábra...<br /> <br /> '''Mit jelent az időbeli kiterítés olyan NFIR háló tanításánál, ahol egy MLP súlyai helyén FIR szűrőket alkalmazunk?'''<br /> <br /> Erről van 2 beszkennelt oldalt a docx-ben...<br /> <br /> '''Mi a kernel trükk és mi a jelentősége?'''<br /> *Mit nevezünk kernel trükknek és mi a jelentősége? Alkalmazható-e a kernel trükk az ismert előrecsatolt hálók (lineáris súlyozott összeg, MLP, RBF, CMAC) esetében? Amennyiben lehet kernel trükköt alkalmazni, meg tudja-e adni a kernel függvényt az egyes esetekben? Adja meg a kernel függvény meghatározásnának általános módját minden olyan esetben, ahol a háló leképzése kerneles formában is megadható, és ahol lehet, adja meg a kernel függvényt explicit formában is!*<br /> <br /> Alapból a kimenetet a következő összefüggéssel állítjuk elő:<br /> <br /> &lt;math&gt; y (x) = \sum_{i=0}^{M} w_i \varphi _i ( x ) = w ^{T} \varphi ( x ) &lt;/math&gt;<br /> <br /> A kernel trükk segítségével azonban ezt a függvényt átalakítjuk a következő formába:<br /> <br /> &lt;math&gt; y (x) = \varphi ( x ) ^{T} \phi ^{T} \alpha = \sum^{P}_{i=1} \alpha _i ( \varphi ( x ) ^{T} \varphi ( x _i ) ) = \sum^{P}_{i=1} \alpha _i K _i ( \varphi ( x )) &lt;/math&gt;<br /> <br /> &lt;math&gt; \varphi (x )^{T} \varphi ( x_i ) = K_i ( \varphi ( x )) = K (x , X_i ) &lt;/math&gt;<br /> <br /> Amit az a második összefüggésből is látszik a kerneles reprezentáció a tanítópontoknak megfelelő számú (P) kernel függvény-érték súlyozott összegeként áll elő, függetlenül attól, hogy az implicit módon definiált jellemzőtér dimenziója (M) mekkora. A kernel függvény megválasztásától függően a jellemzőtér dimenziója nagyon nagy, akár végtelen is lehet, ami a (6.13) szerinti kimenet előállítást nagyon megnehezítené, sőt akár lehetetlenné is tenné, miközben a kernel reprezentáció komplexitása a tanítópontok száma által mindenképpen korlátozott. Minthogy a kernel térbeli megoldás ekvivalens a jellemzőtérbeli megoldással, a kernel módszerekkel azt tudjuk elérni, hogy a megoldás komplexitását akkor is korlátozni tudjuk, ha egyébként a megfelelő jellemzőtérbeli megoldás extrém módon komplex lenne. A kernel függvények bevezetésének ezt a hatását kernel trükknek (kernel trick) nevezzük.<br /> <br /> '''Egy idősor-előrejelzési feladatot szeretne megoldani NFIR vagy NARX hálózattal.Írja le a háló konstrukciójának lépéseit és azt is, hogy az egyes lépéseknél szükséges feladatok hogyan oldhatók meg. Mi a különbség a kétféle architektúra között?'''<br /> <br /> '''Lehet-e lokális minimum egy lineáris kimeneti réteggel rendelkező egy rejtett régetű MLP és egy RBF (vagy CMAC) esetén, ha a súlyokat tanítjuk és egy négyzetes hibafüggvényt alkalmazunk? Válaszát indokolja!'''<br /> <br /> Az MLP paraméterekben nemlineáris leképezése miatt a hibafelület nem kvadratikus. Ez még akkor is igaz, ha az MLP-nél is lineáris kimeneti réteget alkalmazunk. A felületen létezhetnek lokális minimumok, sőt a globális minimum sem egyértelmű: a súlyok megfelelő permutációjával különböző, de egyenértékű megoldásokhoz juthatunk. A lokálisak, mint láttuk a háló tanításánál (a gradiens alapú tanuló eljárásoknál) okozhatnak komoly nehézséget. <br /> A bázisfüggvényes hálók, amennyiben csak a kimeneti lineáris réteget tanítjuk, négyzetes hibafelülettel rendelkeznek, ami biztosítja, hogy nincsenek lokális minimumok .<br /> <br /> <br /> '''Mi a Hebb tanulási szabály és milyen hálók tanításánál van szerepe? Milyen módon származtatható az Oja szabály a Hebb szabályból?'''<br /> *Adja meg a Hebb tanulási szabályt és a Hebb tanulás szerepét a Kohonen háló tanításánál!*<br /> <br /> '''Milyen két fő elv alkalmazásával származtatható a GHA (Sanger-algoritmus)-t felhasználó PCA háló? Írja le a GHA algoritmus fő lépéseit! (Ha az összefüggéseket is meg tudja adni, írja le azokat is, ha nem, akkor a gondolatmenetet írja le!)'''<br /> <br /> '''Egy olyan MLP hálót szeretne tanítani, melyben minden neuronnál a szokásos szigmoid függvény helyett annak -1-szeresét alkalmazza. Alkalmazható-e ez a háló a szokásos feladatok megoldására? Ha igen, hogyan alakul a tanítása, ha nem, indokolja meg, hogy miért nem!'''<br /> <br /> A háló ekvivalens egy közönséges, szigmoidot használó MLP-vel, amiben (a bemenetieket leszámítva) minden súlyt -1-szereségre változtattunk (így a rétegek közt ugyanúgy egyszer invertálódnak az értékek), és a kimenetet is -1-szeresére változtatjuk. Tehát az új háló tanítására egy triviális módszer, hogy a vele ekvivalens normál MLP-t betanítjuk (azonos bemenetekkel, de a kívánt kimenetek helyett a -1-szeresüket használva a tanításhoz), majd a végén visszamásoljuk a kapott súlyokat (a -1-szeresüket) az új hálóba. <br /> <br /> '''Mi a szerepe a tanulási tényezőnek (bátorságfaktor) az iteratív tanulási eljárásoknál, és hogyan kell megválasztani a Perceptronnál illetve az Adaline-nál?'''<br /> <br /> * Tanulás közben általában azt tudjuk megállapítani a rendszerről, hogy egy adott bemenetre a kimenet mennyire és milyen irányba tér el a megkívánttól. A hiba és a hálózatot leíró függvény alapján tudjuk, milyen irányba érdemes változtatni a paramétereket, de azt általában nem, hogy mennyire. Azt, hogy milyen &quot;bátran&quot; lépjünk a megfelelő irányba, a bátorsági tényező szabja meg. Erősen befolyásolja a &quot;jó&quot; rendszerhez való konvergencia sebességét, illetve azt, hogy egyáltalán konvergálunk-e.<br /> * Percreptonnál a tanulás konvergens a bátorsági tényező értékétől függetlenül, de a sebességet befolyásolja. Adaline esetében túl nagy érték okozhat divergenciát; a konvergencia biztosításához az &lt;math&gt; X^{T}X &lt;/math&gt; mátrix legnagyobb sajátértékének reciprokánál kisebbre kell választani. Léteznek módszerek a tényező tanulás közbeni adaptív változtatására is.<br /> <br /> '''Mi az alapgondolata az Ortogonal Least Square (OLS) eljárásnak? Milyen hálócsaládnál alkalmazható és mire szolgál?'''<br /> <br /> * &quot;Az ortogonális legkisebb négyzetes hibájú (OLS) eljárás iteratív módon választ középpontokat úgy, hogy közben figyelembe veszi a háló képességét is. Ez azt jelenti, hogy a háló méretét lépésről lépésre növeljük, újabb és újabb bázisfüggvények bekapcsolásával egészen addig, amíg megfelelő teljesítőképességet el nem érünk.&quot;<br /> * A Gauss függvénynek két paramétere van: a középpontja és a szórása. Ez utóbbi lehet skalár, vagy többdimenziós esetben vektor is <br /> * A középpontok meghatározására használható az ortogonális least squares (OLS) és a K-means módszer. Előbbi kiindul egy egy pontot tartalmazó RBF-ből, majd azt iteratívan bővíti, ha nem elég jó a tanulóképessége (a hozzáveendő középpontokat az ismert tanítópontok közül választja). A K-means csoportokba próbálja osztani a tanítópontokat, és a csoportokhoz egy-egy középpontot illetve bázisfüggvényt rendel<br /> * R heurisztikus szórás választás: általában elég tág határok közt változtatható a tanulási képesség rontása nélkül.. Jól használható az adott középpontú bázisfüggvény szórásának, ha vesszük a középponthoz legközelebbi R (R=2-3) másik középpontot, és ezek távolságainak átlagát számoljuk. Ha mindegyik függvényhez azonos szórást akarunk használni, erre is használható a fenti kifejezés (véletlenszerűen kijelölve egy középpontot). <br /> * Végül mind a középpontok, mind a szórások meghatározására alkalmazhatóak az ellenőrzött tanítási módszerek, pl. gradiens alapú keresés. <br /> <br /> '''Mit nevezünk túltanulásnak, milyen következménye van, és hogyan lehet védekezni ellene? (minden ismert ellenszert mutasson be)'''<br /> * Egy rendszer tanítása során a tanítópontok hibája általában csökkenő jellegű. A hálózat hibája a tanításhoz fel nem használt pontokban szintén csökken (a hálózat az egész függvényt egyre jobban megtanulja). Egy bizonyos pont után viszont, a tanítópontok hibája még mindig csökken, de a többi ponté nőni kezd, mivel a háló a tanítópontok olyan apró részleteit kezdi tanulni, amik az egész függvényre nem igazak, és romlik az általánosító-képesség. <br /> * Egyik ellenszer a korai megállás: amikor észrevesszük, hogy az ellenőrzéshez használt nem tanító pontokban nőni kezd a hiba, abbahagyjuk a tanítást (hiába lehetne a tanítópontok hibáját még csökkenteni). <br /> * Másik módszer a regularizáció, melynek az a lényege, hogy egyfajta simaságot megkövetelünk, így nem tud nagyon rátanulni a tanítópontokra.<br /> * Új neuron felvétele: Ha időközben hozzáadunk egy új neuront vagy elveszünk, akkor megváltoztatja a háló egész kimenetét, és a túltanulástól egy ideig a tanulások folyamán az általánosítás felé halad, majd persze meint eljut a túltanulásig. Plusz érdeme, hogy segítségével tudunk lökni a lokális minimumoknál, és a &quot;sekélyebb&quot; területeknél.<br /> * keresztvalidáció: ''TODO''<br /> <br /> '''Mi a regularizáció és milyen esetekben van szerepe? Osztályozási feladatra alkalmazott SVM hálóknál milyen formában jelenik meg a regularizáció és mit eredményez?'''<br /> <br /> * Regularizáció: Általánosító képességet jelent. Fontossága kevés ismert vagy tanítópont esetén kiemelkedő. Az SVM hálók az osztályozás során olyan hipersíkot keresnek, mely minden tanítóponttól egy megadott margin (margó, biztonsági sáv)-ra van, így egyfajta biztosított általánosítást végez, ami amennyiben az eddigi tanítópontok jól leírták a problémát a többi tanítópont is nagyobb valószínűséggel lesz a hipersík megfelelő oldalán. <br /> <br /> '''Mikor és miért van szükség CMAC hálózatoknál tömörítő leképzésre. Milyen problémákat okozhat ennek használata, és hogyan lehet a problémákat mérsékelni/elkerülni?'''<br /> <br /> * A tömörítő leképezés azt jelenti, hogy a kiinduló (virtuális) címtartományt egy kisebb (fizikai) címtartományra képezzük le. Lényegében a hatékony tömörítő eljárások veszteséges lejárások, szükségük a véges memória miatt van. A problémát a veszteség jelenti, amely megfelelő hash, vagy tömörítő eljárást alkalmazva nem lehet probléma, így olyan hash függvényt kell találni ami egyenletesen képez le a fizikai címtartományba.<br /> * Másképpen kicsit hivatalosabban, az alapvető asszociációs vektorunkat letömörítjük egy tömörített asszociációs vektorra, az alapján hogy a bemeneti tér viszonylag kevés bementi pontjáról érkezik tényleges bemenet. Ez alapján a tömörített vektor alapkán választjuk ki a súlyokat, nem pedig a az eredeti vektor alapján. A tömörítő eljárás egyfajta hashelést jelent, és a probléma akkor van, hogyha ütközés lép fel, vagyis két egymástól távol lévő tanítópont pont részben azonos súlyokat választanak ki. Ha az ütközés valószínűsége kicsi, akkor a hatása elhanyagolható, valamint a tanító lépések számának növelésével az ütközésből adódó interferencia csökkenthető.<br /> <br /> '''Mit nevezünk lokális és mit globális tanulásnak? Van-e előnye egyiknek a másikkal szemben? Az ismert hálók közül melyek a globális és melyek a lokális tanulási hálók és miért?'''<br /> * Globális tanulás: Minden tanítóponton a tanulás kihat a teljes tartományra, vagyis ha tanítunk egy pontot egy MLP-nek, akkor az megfogja változtatni az értékét egy nagyon távoli bemenetnek is a kimenetét. Ilyenek az MLP, és az RBF, de csak olyan függvény esetén melynek a kimenete a teljes bemeneten érvényes, vagyis egy közepes szórású Gauss függvény már nem fejti ki mindenhol a hatását.<br /> * Lokális tanulás: Leginkább a globális tanulás ellentettje, vagyis egy tanítópont csak véges területen fejti ki a hatását, így képesek vagyunk lokális tanulásra. Jó példa erre a XOR RBF-el való tanítása. Ilyenek a CMAC, az SVM, és az RBF is bizonyos paraméterek mellet.<br /> <br /> Itt megjegyeznék, hogy Horváth Gábor meglepetten mondta, hogy sokan írták azt, ami a docx-ben van, és az teljesen hülyeség, amit fentebb leírtam az 6/6 pontot ért.<br /> <br /> '''perceptron tanítás 3 tényezővel: alfa1=10; alfa2=0.1; alfa3=-3; melyiket választaná? És Adaline esetében? Ha egyik sem helyes javasoljon új tényezőt, és indokolja is meg!'''<br /> <br /> '''Egy RBF-nél súlyok helyett FIR szűrők vannak, adja meg 1 FIR szűrő együtthatóinak módosító összefüggését!'''<br /> <br /> '''Implikációt meg lehet-e tanítani perceptronnak, adaline-nak?'''<br /> <br /> * Megoldás van a docxben, csak át kell másolni<br /> <br /> '''Rosenblatt perceptronokból lehet-e MLP-t építeni, ha igen, hogyan, ha nem, miért nem?'''<br /> <br /> * A szignum függvény nem deriválható, de ha lecseréljük szigmoidra, akkor máris deriválható, így hazsnálható a Back-Propagation, vagyis akkor építhető belőle MLP.<br /> <br /> '''R = ((0.5 0) (0 0.2)) esetén az LMS eljárás konvergens-e? Vázlatosan rajzolja fel a kritériumfelület szintvonalait!'''<br /> <br /> '''Milyen modellosztályok esetén használható fokszámbecslése a Lipschitz index? Lipschitz index definíciója (Lq^(N) = ...) meg volt adva - értelmezze, magyarázza meg az egyes betűk jelentését!'''<br /> <br /> '''Mi a momentum eljárás és milyen esetben alkalmazható sikerrel?'''<br /> <br /> * A momentum módszer olyan heurisztikus eljárás, ahol az egyes lépésekben a súlymódosítás meghatározása két részből áll. Először a gradiens módszernek megfelelően meghatározunk egy súly módosító értéket, azonban nem ezzel végezzük el a korrekciót, hanem még figyelembe vesszük az előző módosítás hatását is. A súlymódosítás ennek megfelelően:<br /> <br /> &lt;math&gt; \delta w ( k + 1) = \mu ( - \nabla (k ) ) + \nu \delta w ( k) &lt;/math&gt;<br /> <br /> ahol &lt;math&gt; \nu &lt;/math&gt; az ún. momentum együttható, amelynek értéke 0 és 1 közötti kell legye (gyakori választás a 0.8 körüli érték).<br /> * A momentum módszer különösen kedvező, ha a hibafelületen keskeny völgy húzódik végig, és a momentumtag nélkül a megoldás felé ezen völgy környezetében túl sok iteráció megtételével haladnánk, és MLP-nél alkalmazható. A módszer alkalmazásával lényegében azonos hibahatár elérése kevesebb számítással, kevesebb idő alatt.<br /> <br /> '''Mi a momentum módszer, milyen célból alkalmazzák, és mely hálótípusoknál alkalmazható? Minden ismert hálótípusra adja meg és indokolja is meg a választ!'''<br /> <br /> '''Van egy MLP hálózatunk. A nagy (vastag szaggatott) nyíllal bejelölt súly módosító összefüggéseit határozza meg, ha backprop eljárást alkalmaz.'''<br /> <br /> * Ehhez sincs kép...<br /> <br /> '''Oszályozási feladatra akarunk LS Szupport Vektor Gépet használni. Fogalmazza meg a kritériumfüggvényt és a Lagrange egyenletet. Milyen alapgondolatot használ az eljárás, hogy a Lagrange egyenletből a másodlagos egyenlethez eljussunk? Mi lesz a másodlagos egyenlet?'''<br /> <br /> * Szkennelt megoldás a docxben<br /> <br /> '''Van 10000 50 dimenziós adata, illetve 100 10000 dimenziós adata, melyekkel tanuló hálót akar konstruálni. Két lehetőség közül választhat: MLP-t vagy SVM-et alkalmaz. Az adott esetekben milyen szempontokat venne figyelembe, és mit választana? Részletesen indokolja meg a választást.'''<br /> <br /> * Az első esetre MLP-t használnék, mert sok a tanító pont a dimenziókhoz képset is (bár nem tudom 50 dimenzióhoz mi számít soknak igazán), jól meg lehet tanítani a hálót meg minősíteni is. A másodikra MLP-t nem alkalmaznék, mert nagyon kevés a pont a dimenziószámhoz képest, és szinte biztos a túl/sehogysem tanulás.<br /> * A másodikra használnék SVM-et, mivel a kevés pont, sok dimenzió miatt elég valószínű, hogy meg tudja találni a nemlineáris elválasztó-egyenest, amivel az operál (állítólag). Hogy az elsőre használnék-e SVM-et.. talán a sok tanítópont miatt a kernelmátrix (ami kell a QP-hoz) nagyon nagy lenne, akkor már inkább az MLP. <br /> <br /> '''Adja meg röviden a [[BackPropagation]] Through Time (BPTT) eljárás működését! Milyen hálónál alkalmazható, és mik az előnyei, illetve hátrányai az eljárásnak?'''<br /> <br /> '''Mutassa meg, hogy az EXOR probléma megoldható egy olyan RBF hálózattal, melynek két Gauss rejtett neuronja van, ahol a bázisfüggvények középpontjai [0 0] és [1 1]'''<br /> <br /> '''Batch-tanítás'''<br /> * Minden pontra kiszámoljuk a szükséges módosításokat, de nem hajtjuk végre, majd átlagoljuk a módosításokat és egy lépésben hajtjuk végre a végén.-&gt;lokális minimumok lesznek-&gt;pontonkénti tanulásnál direkt zajt adunk hozzá ezek elkerülésére.<br /> Súlyok kezdeti értéke: úgy kell indítani, hogy minden neuron a meredek részben legyen<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.03.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz01&diff=188534 2016-03-28T23:26:01Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz01}}<br /> <br /> ==Összegyűjtött kérdések a Zhig 01==<br /> <br /> Daraboltam, így könyebb a szerkeztése, és a latex-ek is megjelennek.<br /> <br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> <br /> A konvergencia feltétele: &lt;math&gt; 0&lt; {\mu}&lt; \frac1{\lambda_{max}} &lt;/math&gt;<br /> <br /> &lt;math&gt;{\mu} &lt;/math&gt; bátorsági tényező, tanulási faktor<br /> <br /> '''Az Adaline optimális súlyvektorának meghatározására mind az analitikus összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> Analitikus meghatározás: <br /> Wiener-Hopf egyenlet<br /> &lt;math&gt; \underline{w}^{*}= \underline{\underline{R}}^{-1} \cdot \underline{P} &lt;/math&gt;<br /> <br /> &lt;math&gt; \underline{\underline{R}} &lt;/math&gt; autokorrelációs mátrix<br /> <br /> &lt;math&gt; \\ \underline{P}&lt;/math&gt; keresztkorrelációs vektor<br /> <br /> <br /> Iteratív megoldás: <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 {\mu} {\epsilon} (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w {} &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu {} &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon {} &lt;/math&gt; a hiba értéke és az &lt;math&gt; x {} &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} {} &lt;/math&gt;<br /> <br /> Ahol a &lt;math&gt; \lambda_{max} {} &lt;/math&gt; az &lt;math&gt; R {} &lt;/math&gt; legnagyobb sajátértéke, ahol az &lt;math&gt; R {} &lt;/math&gt; a bemenet autokorrelációs mátrixa. Ezt &lt;math&gt; \lambda_{max} {} &lt;/math&gt; -ot Adaline esetében vagy tudjuk, vagy a felső becslését tudjuk.<br /> <br /> A sajátérték fizikai jelentése: Minél nagyobb egy sajátérték, annál nagyobb a hibafelület adott irány menti meredekség-változása azaz a görbülete.<br /> <br /> A kritériumfüggvény: &lt;math&gt; C ( w ) = \frac{1}{P} \sum_{i = 1}^{P} \left( d_i - f(w,x_i) \right)^2 &lt;/math&gt;<br /> A lineáris kapcsolat miatt az &lt;math&gt; f(w,x) = w^{T}x &lt;/math&gt;. Vagyis az átlagos négyzetes hiba felírható a következő formában is:&lt;math&gt; C(w) = (d - X w)^{T} ( d - X w) {}&lt;/math&gt;. Ahol d a tanítópontokbeli kívánt válaszokból épített p elemű oszlopvektor, X a bemeneti vektorokl képzett mátrix, w pedig a keresett paramétervektor. A megoldás itt aztán a &lt;math&gt; d = X w {}&lt;/math&gt;, máshogyan &lt;math&gt; w = X^{-1} d {}&lt;/math&gt;, valamint pszeudoinverz alkalmazásával &lt;math&gt; w^{*} = X^{\dagger} d = ( X^TX)^{-1} X^T d &lt;/math&gt;. Az összefüggés legfontosabb része, hogy ugyaerre a megoldásra jutunk, hogyha kritériumfüggvény (amit az iteratív eljáráshoz alkalmazott kritériumfüggvény átalakítottja, vagyis nem a szummás, hanem amelyik függvény utána van) gradiens nulla értéket biztosító paraméterét határozzuk meg:<br /> &lt;math&gt; \frac{\partial C ( w ) }{ \partial w } = -2 X^Td + 2 X^TXw = 0 &lt;/math&gt;<br /> Ekkor ezt kapjuk:<br /> &lt;math&gt; X^TXw = X^Td &lt;/math&gt;, ami átalakítva &lt;math&gt; w^{*} = ( X^TX)^{-1} X^T d {}&lt;/math&gt; (ismerős?)<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) {} &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 {} &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} {} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T {} &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} {} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) {} &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y {} &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} {} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s {} &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) {} &lt;/math&gt;<br /> <br /> És mi ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; {} \underline{w} = (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt; Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát. (Ez az analitikus megoldás). <br /> Kicsit pontosabban, az Adaline minden esetben tud adni megoldást. Egy olyan esetben, amikor a pontok lineárisan nem szeparálhatóak a perceptron nem tud megoldást adni, az Adaline tud, mind analitikus módszerrel, mind iteratív. Az analitikus módszer esetében is a kvadratikus hibafelület minimumát fogja adni, ami lineárisan nem szeparálható pontok esetén azt jelenti, hogy a legjobb osztályozást adja, viszont nem minden pont lesz a hipersík megfelelő oldalán.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> Wiener-Hopf összefüggés: &lt;math&gt; {} w^{*} = R^{-1}p &lt;/math&gt;, ahol &lt;math&gt; w^{*} &lt;/math&gt; az optimális súlyvektor, ahol &lt;math&gt;{} R = E \left\{ x x^{T} \right\} &lt;/math&gt; a bemenet autokorrelációs mátrixa ( ahol az x a bemeneti vektor), és a &lt;math&gt;{} p = E \left\{ dx \right\} &lt;/math&gt; pedig egy olyan oszlopvektort jelöl, amely a kívánt kimenet és a bemenet közötti keresztkorreláció.<br /> <br /> Kritériumok: &lt;math&gt; {} d_{i} &lt;/math&gt; a kívánt válaszok és az &lt;math&gt; {x}_{i} &lt;/math&gt; a bemenetek statisztikai jellemzői, valamint R és p ismertek. Ha R és p nem ismertek, akkor ezeket becsülni kell véges számú mintapont alapján.<br /> <br /> Optimális megoldást ad olyan értelemben, hogy a hibafelület minimumát adja, ily módon a legkisebb hibával megadja egy lineárisan nem szeparálható feladat minimumát Adaline esetében, de ettől még az Adaline hibásan fog osztályozni.<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> <br /> '''Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!'''<br /> <br /> * MLP: nem, a hibafelület nem kvadratikus, a gradiens kvadratikusát felhasználó analitikus megoldás így nem alkalmazható. ''Nem tökéletes, de ér pár pontot''<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d {} &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainek meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d {} &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d {} &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d {} &lt;/math&gt;. A feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> <br /> '''Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?'''<br /> <br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> <br /> '''Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!'''<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 {} &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon {} &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség ítható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i {} &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 {} &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 {} &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 {} &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár https://vik.wiki/index.php?title=KoopKerdesekZHOssz01&diff=188533 2016-03-28T22:41:48Z

<p>Sweidán Omár: </p> <hr /> <div>{{GlobalTemplate|Infoszak|KoopKerdesekZHOssz01}}<br /> <br /> ==Összegyűjtött kérdések a Zhig 01==<br /> <br /> Daraboltam, így könyebb a szerkeztése, és a latex-ek is megjelennek.<br /> <br /> <br /> Kérlek javítsátok, és bővítsétek, azért lett wikilap, mert egy doc-ot mindenki lusta bővíteni, és javítani.<br /> <br /> Nagy része a KTR_tanuls.docx-ből, és itt lévő Zh-kból. Sokszor több kérdés egybe van véve, mert nem ugyanazt kérdezik más szóval, hanem mert egy adott témára úgy kérdez rá, hogy átfedés van köztük.<br /> <br /> '''Adja meg az Adaline iteratív tanuló eljárását! Adja meg azokat a feltételeket is, amelyek fennállta esetén az iteratív megoldás konvergens lesz! Adja meg, hogy milyen kritérium függvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> &lt;math&gt; w(k+1)= w(k)+{\mu}(-\underline{\nabla}(k)) &lt;/math&gt;<br /> <br /> <br /> A konvergencia feltétele: &lt;math&gt; 0&lt; {\mu}&lt; \frac1{\lambda_{max}} &lt;/math&gt;<br /> <br /> &lt;math&gt;{\mu} &lt;/math&gt; bátorsági tényező, tanulási faktor<br /> <br /> '''Az Adaline optimális súlyvektorának meghatározására mind az analitikus összefüggés, mint az iteratív tanuló eljárás létezik. Adja meg a kétféle meghatározás összefüggését, és azokat, a feltételeket, amelyek fennállta esetén az iteratív megoldás az analitikus eredményéhez tart! Azt is adja meg, hogy milyen kritériumfüggvény alapján fogalmazzuk meg az optimumfeladatot!'''<br /> <br /> Analitikus meghatározás: <br /> Wiener-Hopf egyenlet<br /> &lt;math&gt; \underline{w}^{*}= \underline{\underline{R}}^{-1} \cdot \underline{P} &lt;/math&gt;<br /> <br /> &lt;math&gt; \underline{\underline{R}} &lt;/math&gt; autokorrelációs mátrix<br /> <br /> &lt;math&gt; \\ \underline{P}&lt;/math&gt; keresztkorrelációs vektor<br /> <br /> <br /> Iteratív megoldás: <br /> <br /> <br /> '''Származtassa az LMS algoritmust és adja meg a konvergencia feltételeit! Mi a sajátérték fizikai jelentése?'''<br /> <br /> LMS (Least Mean Sqare): Olyan iteratív eljárás, amely mindig a pillanatnyi négyzetes hiba csökkentésének irányába módosítja az aktuális paramétervektort. <br /> <br /> &lt;math&gt; w(k+1) = w(k) + 2 {\mu} {\epsilon} (k) x (k) &lt;/math&gt;<br /> <br /> ahol a &lt;math&gt; w {} &lt;/math&gt; súlyvektor értéke, a &lt;math&gt; \mu {} &lt;/math&gt; a bátorsági tényező, az &lt;math&gt; \epsilon {} &lt;/math&gt; a hiba értéke és az &lt;math&gt; x {} &lt;/math&gt; a bemenet.<br /> <br /> A konvergencia feltétele:<br /> <br /> &lt;math&gt; 0 &lt; \mu &lt; \frac{1}{{\lambda}_{max}} {} &lt;/math&gt;<br /> <br /> Ahol a &lt;math&gt; \lambda_{max} {} &lt;/math&gt; az &lt;math&gt; R {} &lt;/math&gt; legnagyobb sajátértéke, ahol az &lt;math&gt; R {} &lt;/math&gt; a bemenet autokorrelációs mátrixa. Ezt &lt;math&gt; \lambda_{max} {} &lt;/math&gt; -ot Adaline esetében vagy tudjuk, vagy a felső becslését tudjuk.<br /> <br /> A sajátérték fizikai jelentése: Minél nagyobb egy sajátérték, annál nagyobb a hibafelület adott irány menti meredekség-változása azaz a görbülete.<br /> <br /> A kritériumfüggvény: &lt;math&gt; C ( w ) = \frac{1}{P} \sum_{i = 1}^{P} \left( d_i - f(w,x_i) \right)^2 &lt;/math&gt;<br /> A lineáris kapcsolat miatt az &lt;math&gt; f(w,x) = w^{T}x &lt;/math&gt;. Vagyis az átlagos négyzetes hiba felírható a következő formában is:&lt;math&gt; C(w) = (d - X w)^{T} ( d - X w) {}&lt;/math&gt;. Ahol d a tanítópontokbeli kívánt válaszokból épített p elemű oszlopvektor, X a bemeneti vektorokl képzett mátrix, w pedig a keresett paramétervektor. A megoldás itt aztán a &lt;math&gt; d = X w {}&lt;/math&gt;, máshogyan &lt;math&gt; w = X^{-1} d {}&lt;/math&gt;, valamint pszeudoinverz alkalmazásával &lt;math&gt; w^{*} = X^{\dagger} d = ( X^TX)^{-1} X^T d &lt;/math&gt;. Az összefüggés legfontosabb része, hogy ugyaerre a megoldásra jutunk, hogyha kritériumfüggvény (amit az iteratív eljáráshoz alkalmazott kritériumfüggvény átalakítottja, vagyis nem a szummás, hanem amelyik függvény utána van) gradiens nulla értéket biztosító paraméterét határozzuk meg:<br /> &lt;math&gt; \frac{\partial C ( w ) }{ \partial w } = -2 X^Td + 2 X^TXw = 0 &lt;/math&gt;<br /> Ekkor ezt kapjuk:<br /> &lt;math&gt; X^TXw = X^Td &lt;/math&gt;, ami átalakítva &lt;math&gt; w^{*} = ( X^TX)^{-1} X^T d {}&lt;/math&gt; (ismerős?)<br /> <br /> '''Hasonlítsa össze a Perceptron-t és az Adaline-t felépítés, képesség, tanítási algoritmus szempontjából!'''<br /> <br /> * A két neuron felépítése lényegében azonos: a bemeneti &lt;math&gt; (x_1, x_2, ..., x_N) {} &lt;/math&gt; vektort kiegészítjük egy &lt;math&gt; x_0 = 1 {} &lt;/math&gt; elemmel (ez azért kell, hogy a csupa nulla bemenő vektorra is tudjunk nemnulla kimenetet generálni), majd az így kapott &lt;math&gt; \underline{x} {} &lt;/math&gt; vektort beszorozzuk a súlyokat tartalmazó &lt;math&gt; \underline{w}^T {} &lt;/math&gt; vektorral. Az &lt;math&gt; s = \underline{w}^T \underline{x} {} &lt;/math&gt; értéket pedig küszöbözzük: &lt;math&gt; y = sgn(\underline{w}^T \underline{x}) {} &lt;/math&gt; (pozitív s-re 1, negatívra -1 lesz a kimenet).<br /> * A perceptron tanításához a neuron kimenetét (y) vetjük össze a kívánt kimenettel (d). Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - y {} &lt;/math&gt;, a súlyvektor módosítása: &lt;math&gt; \underline{w}' = \underline{w} + \alpha \varepsilon \underline{x} {} &lt;/math&gt; (alfa a tanítási tényező). Sorra vesszük a tanítópontokat, és addig ismételgetjük a korrekciót, amíg mindegyik tanítópontra megfelelő lesz a kimenet. Csak lineárisan szeparálható pontok osztályozására működik (azaz, ha létezik a pontokat tartalmazó N-dimenziós térben olyan hipersík, aminek egyik oldalán van az összes +1-es kimenetű pont, a másik oldalán a többi). Ez esetben belátható, hogy véges lépésben egy jó súlyvektorhoz konvergál az eljárás.<br /> * Az adaline tanítása annyiban más, hogy nem y-nal vetjük össze d-t, hanem s-sel, vagyis a küszöbözés előtti súlyozott összeggel. Egy tanítópont hibája: &lt;math&gt; \varepsilon = d - s {} &lt;/math&gt;, az összes pont átlagos négyzetes hibája: <br /> <br /> &lt;math&gt; \frac{1}{P} \sum_{i=0}^P (d_i - \underline{w}^T \underline{x}_i)^2 = \frac{1}{P}(\underline{d} - \underline{\underline{X}}\underline{w})^T (\underline{d} - \underline{\underline{X}}\underline{w}) {} &lt;/math&gt;<br /> <br /> És mi ezt akarjuk minimalizálni. (P a tanítópontok száma, X a vektoraikból mint sorvektorokból képzett mátrix, d a kivánt kimenetekből képzett oszlopvektor). A minimumhelyén a gradiense (a súlyvektor függvényében) 0 kell legyen, innen kifejezve a súlyvektort: &lt;math&gt; {} \underline{w} = (\underline{\underline{X}}^T \underline{\underline{X}})^{-1} \underline{\underline{X}}^T \underline{d} &lt;/math&gt; Itt nincs iteráció (bár a gradiens nullhelyének meghatározása nagyméretű mátrixok esetén iteratív módszerekkel célszerűbb), és nem csak lineárisan szeparálható pontoknál működik, viszont semmi garancia nincs arra, hogy jól fog minden pontot osztályozni, mert csak a lineáris rész négyzetes hibáját minimalizáltuk, nem a rosszul osztályzott pontok számát. (Ez az analitikus megoldás). <br /> Kicsit pontosabban, az Adaline minden esetben tud adni megoldást. Egy olyan esetben, amikor a pontok lineárisan nem szeparálhatóak a perceptron nem tud megoldást adni, az Adaline tud, mind analitikus módszerrel, mind iteratív. Az analitikus módszer esetében is a kvadratikus hibafelület minimumát fogja adni, ami lineárisan nem szeparálható pontok esetén azt jelenti, hogy a legjobb osztályozást adja, viszont nem minden pont lesz a hipersík megfelelő oldalán.<br /> <br /> <br /> '''Mi a Wiener-Hopf összefüggés, és milyen esetben alkalmazható egy tanuló architektúra szabad paramétereinek meghatározására? Pontosan fogalmazza meg azokat az általános feltételeket, amelyek mellett az összefüggés alkalmazható, és az összefüggés minden elemét pontosan definiálja! Optimális megoldást ad-e az eljárás? Ha igen, milyen értelemben, ha nem, miért nem?'''<br /> <br /> Wiener-Hopf összefüggés: &lt;math&gt; {} w^{*} = R^{-1}p &lt;/math&gt;, ahol &lt;math&gt; w^{*} &lt;/math&gt; az optimális súlyvektor, ahol &lt;math&gt;{} R = E \left\{ x x^{T} \right\} &lt;/math&gt; a bemenet autokorrelációs mátrixa ( ahol az x a bemeneti vektor), és a &lt;math&gt;{} p = E \left\{ dx \right\} &lt;/math&gt; pedig egy olyan oszlopvektort jelöl, amely a kívánt kimenet és a bemenet közötti keresztkorreláció.<br /> <br /> Kritériumok: &lt;math&gt; {} d_{i} &lt;/math&gt; a kívánt válaszok és az &lt;math&gt; {x}_{i} &lt;/math&gt; a bemenetek statisztikai jellemzői, valamint R és p ismertek. Ha R és p nem ismertek, akkor ezeket becsülni kell véges számú mintapont alapján.<br /> <br /> Optimális megoldást ad olyan értelemben, hogy a hibafelület minimumát adja, ily módon a legkisebb hibával megadja egy lineárisan nem szeparálható feladat minimumát Adaline esetében, de ettől még az Adaline hibásan fog osztályozni.<br /> <br /> '''Lehet-e analitikus tanítást alkalmazni az alábbi neurális hálózatoknál, ha az összes tanítópont a rendelkezésünkre áll és négyzetes hibafüggvényt alkalmazunk: lineáris kimeneti rétegekkel rendelkező egyrétegű MLP, RBF, CMAC? Ha igen, adja meg az analitikus összefüggéseket, ha nem indokolja meg, hogy miért nem!'''<br /> <br /> '''Egyes bázisfüggvényes hálózatoknál (RBF, CMAC) lehetőség van a súlyvektor(ok) analitikus meghatározására is. Adja meg az analitikus összefüggéseket, és azt is, hogy milyen feltételei vannak az adott összefüggések alapján történő súlymeghatározásnak!'''<br /> <br /> * MLP: nem, a hibafelület nem kvadratikus, a gradiens kvadratikusát felhasználó analitikus megoldás így nem alkalmazható. ''Nem tökéletes, de ér pár pontot''<br /> * RBF: lehet analitikus tanítást alkalmazni. Összefüggés &lt;math&gt; w^{*} = G^{-1} d = ( G ^{T}G )^{-1} G^{T} d {} &lt;/math&gt;. A feltétele, hogy ismernünk kell az összes tanítópontot.<br /> * CMAC: lehet analitikus tanítás, mert: A CMAC súlyainek meghatározásához a következő egyenletet kell megoldani &lt;math&gt; \underline {\underline A} \underline w = \underline d {} &lt;/math&gt;, ahol a w a súlyok oszlopvektora, d a tanítópontokban kívánt kimenetekből álló oszlopvektor. Az A mátrix azt írja le, melyik tanítópont melyik neuronokat aktiválja (vagyis melyik tartományba esik bele). Az i. sor j. elem adja meg, hogy az i. tanítópont j. neuront aktiválja-e, a baloldalon álló szorzat a tanítópontok tényleges aktivációinak oszlopvektora. &lt;math&gt; w^{*} = A^{-1} d = ( A^{T} A) ^{-1} A^{T} d {} &lt;/math&gt; valamint &lt;math&gt; y = T w^{*} = T A ^{T} ( A A ^{T})^{-1} d = T A^{T}B d {} &lt;/math&gt;. A feltétel ehhez, hogy a tanítópontok egyenletesen, egymástól pontosan egységnyi távolságra helyezkednek el.<br /> <br /> '''Mi a szoft margó(margin, tartaléksáv) jelentése, szerepe és a jelentősége az SVM-nél? Hogyan kell értelmezni a margót nemlineáris osztályozási feladatnál?'''<br /> <br /> '''Mi a margó(margin, tartaléksáv) szerepe és jelentősége az SVM-nél? Hogyan kell értelmezni a margót a nemlineáris osztályozási feladatnál? Hogyan módosul ez a szerep, ha az SVM származtatásnál gyengítő (slack) változót is használunk?'''<br /> <br /> '''Szupport vektor gépeknél osztályozási feladat esetén mi biztosítja, hogy az elválasztandó osztályok között egy biztonsági sáv alakuljon ki? Adja meg azt a matematikai összefüggést, ami biztosítja a biztonsági sávot. Hogyan biztosítható, hogy a biztonsági sáv maximális értéket vegyen fel? Mit lehet tenni, ha a tanítópontok elhelyezkedése olyan, hogy a két osztály pontjai között nem lehet biztonsági sávot kialakítani?'''<br /> <br /> '''Mi a szerepe a gyengítő változóknak Szupport Vektor Gépeknél? Adja meg a nemlineáris osztályozási feladat optimalizálandó kritériumfüggvényét, ha gyengítő változót is használ!'''<br /> <br /> SVM: A szupport vektor gépek olyan kernel gépek, melyek a statisztikus tanuláselmélet eredményeit is hasznosítják. Alapváltozatuk lineáris szeparálásra képes, amely azonban kiterjeszthető nemlineáris szeparálásra és nemlineáris regressziós feladatokra is.<br /> A lineáris kétosztályos osztályozási feladat megoldását adó szupport vektor gép ezt az &amp;#8222;optimális&quot; elválasztó felületet határozza meg.<br /> A vektorgépek a lineárisan szeparálható feladatoknál olyan optimális megoldásra törekednek, melyek az osztályozásnál az osztályozó hipersíktól az átlagos tanítópont távolság maximális legyen.<br /> <br /> Margin: Optimális lineáris szeparálásnak azt a megoldást tekintjük, amikor az elválasztó egyenes (sík, hipersík) a két osztályba tartozó tanítópontok között a pontoktól a lehető legnagyobb távolságra helyezkedik el. A pontok között középre elhelyezett szeparáló felületet a tanító pontoktól egy margó (margin), azaz egy biztonsági sáv választja el, ezért az így megoldható feladatokat maximális tartalékot vagy maximális margót biztosító lineárisan szeparálható osztályozási feladatoknak is nevezzük. A lineárisan nem szeparálható osztályozási feladatoknál a margin helyett szoft-margint értelmezünk.<br /> <br /> Soft Margin: Ha megengedjük, hogy a biztonsági sávban is legyenek tanítópontok, miközben továbbra is cél a lehető legnagyobb margó biztosítása, ún. lágy vagy szoft margójú megoldásról beszélünk. Azoknál a pontoknál amelyek a biztonsági sávon kívül helyezkednek le a maximális margójú osztályozást biztosító &lt;math&gt; d_{i} (w^{T} x_i + b ) \geq 1 {} &lt;/math&gt; egyenlőség áll fenn. Az ilyen mintapontokra vonatkozó, az előző egyenlőtlenségnek megfelelő formális kapcsolat ún. gyengítő &lt;math&gt; \epsilon {} &lt;/math&gt; változók bevezetésével lehetséges. A gyengítő változók bevezetése lehetővé teszi, hogy a fenti összefüggés az egyes tanítópontoknál különböző mértékben gyengítve érvényesüljön. Ennek megfelelően az összes pontra most a következő egyenlőtlenség ítható fel:<br /> &lt;math&gt; d_i (w^{T} x_i + b ) \geq 1 - {\epsilon}_i {} &lt;/math&gt;<br /> <br /> Azon tanítópontoknál, ahol &lt;math&gt; \epsilon = 0 {} &lt;/math&gt; visszakapjuk az alapfeladatot. Ha <br /> &lt;math&gt; 0 &lt; \epsilon &lt; 1 {} &lt;/math&gt;<br /> , az adott tanítópont a hipersík megfelelő oldalán, de a biztonsági sávban helyezkedik el, <br /> ha <br /> &lt;math&gt; \epsilon &gt; 1 {} &lt;/math&gt;<br /> <br /> az adott tanítópont a sík ellenkező (hibás) oldalán van. Saját szavakkal: Egy plusz tanítóponthoz kötött változó segítségével elértük, hogy az eredeti képletünk újra minden tanítópontban igaz legyen.<br /> <br /> -- [[RynkiewiczAdam|Tsiga]] - 2012.05.16.<br /> <br /> <br /> [[Category:Infoszak]]</div>

Sweidán Omár