Uvod. Uvod u strojno učenje. Motivacija. Automatizirano prikupljanje znanja. Automatizirano prikupljanje znanja
|
|
- Ruth Watkins
- 5 years ago
- Views:
Transcription
1 Uvod Uvod u strojno učenje Krunoslav Puljić Stojno učenje: eng. Machine Learning (ML) Povijesno: razvoj ML započeo prije 50-tak godina Problem: Kako indukcijom/generalizacijom izvesti novo znanje iz primjera/podataka? Motivacija 1. Automatizirano prikupljanje znanja direktno iz podataka 2. Otkrivanje znanja u skupovima podataka Ima li u njima znanja? Rastuće količine informacija eng. data mining, text mining 3. Klasične metode nisu dovoljne jer su neki problemi preteški Napredak u izgradnji algoritama i teorije Automatizirano prikupljanje znanja Razvoj umjetne inteligencije: Tradicionalna shema: Program = algoritam + podaci Nova shema: ekspertno područno znanje je temeljni oslonac u rješavanju problema Program = algoritam + podaci + znanje Automatizirano prikupljanje znanja Prikupljanje znanja Izuzetno složen problem Primjer: kako zapisati znanje o igranju šaha? Što znači slaba struktura pješaka? Što znači dobro zaštićen kralj? Kako znanje velemajstora oblikovati u ako-onda pravila Ideja: stvoriti sustav koji će automatski stjecati znanje (visoko apstraktne koncepte ili strategije rješavanja problema) kroz iskustvo, tj. primjere,... Otkrivanje znanja u velikim skupovima podataka Medicinska dijagnostika zapisa s opisom tijeka trudnoće i poroda 200-tinjak značajki po zapisu... kao što to čini čovjek 1
2 Medicinska dijagnostika Analiza rizika kod dodjele kredita Učenjem predvidjeti klasu pacijenata s visokim rizikom za hitan carski rez Jedno od 18 naučenih pravila: if No prevoius vaginal delivery Abnormal 2nd trimester ultrasound Malpresentation at addmission then Probability of Emergency C-Section is 0.6 Previše složeni problemi Računalom upravljano vozilo Problemi previše složeni da bi se riješili na uobičajeni način Računalom upravljano vozilo Učenje strategija vožnje za autonomno upravljanje automobilom brzinom 70 km/h na duljini od 120 km Klasificiranje novih astronomskih struktura Učenje se primjenjuje na različite baze podataka da bi se otkrile pravilnosti implicitno sadržane u podacima Učenje klasificiranja novih astronomskih struktura NASA stabla odluke korištena za klasifikaciju nebeskih objekata dobivena Palomar Observatory Sky Survey (Fayyad, et al. 1995). Sustav automatski klasificira sve objekte dobivene pregledom neba -3 TB podataka Klasificiranje novih astronomskih struktura 2
3 Backgammon Backgammon Učenje se primjenjuje svuda gdje je potrebno efikasno pretraživati veliki prostor stanja Učenje igranja backgammona na razini svjetskog prvaka Najuspješnije implementacije igara na računalu temelje se na učenju Najbolji svjetski program TD-GAMMON (Tesauro, 1992, 1995) naučio je strategiju igranja (na svjetskoj razini) na temelju više od 10 6 odigranih partija protiv samog sebe Raspoznavanje rukom pisanog teksta Raspoznavanje rukom pisanih znakova Primjer: klasifikator znamenaka Znak 3 kako je TISKAN U KNJIZI i njegova DIGITALIZIRANA SLIKA u razlučivosti 8x8 slikovnih elemenata Klasifikator znamenaka Sustav treba odlučivati kojoj od unaprijed definiranih klasa pripada predočeni, ulazni uzorak Posao koji bi takav sustav obavljao naziva se klasifikacija uzoraka Klasifikator znamenaka Zamislimo sada da želimo načiniti sustav koji će raspoznavati rukom pisane znakove Problem: postoji nebrojeno varijacija između uzoraka za jedan te isti znak 3
4 Klasifikator znamenaka Modeliranje sustava pohrana mogućih uzoraka u memoriji 64 ulaza za jedan uzorak pohranjivanje 2 64 = različitih uzoraka u memoriji uspoređivanje ulaznog uzorka s onim u memoriji kada bi uspoređivanje uzorka na ulazu s jednim uzorkom u memoriji trajalo jednu 0.1 milisekunde, za uspoređivanje jednog uzorka sa svima u memoriji bilo potrebno prosječno oko sec = godina Rješenje konceptualno jednostavno, nije prikladno za primjenu jer nije učinkovito RJEŠENJE: UČENJE SUSTAVA ONAKO KAKO TO RADI ČOVJEK! Klasifikator znamenaka Jednostavniji pristup Stanjimo sliku na debljinu jednog piksela Za svaki piksel brojimo koliko se piksela nalazi u 8-okolini Promatramo broj i poziciju krajnjih točaka Točke u čijoj je okolini samo jedan piksel (I) Promatramo broj i poziciju točaka oštrog ruba Točke u čijoj su okolini tri piksela (2,5,7) Promatramo broj i poziciju točaka presjeka Točke u čijoj su okolini četiri piksela (4,8) Klasifikator znamenaka 1 dvije krajnje točke jedna iznad druge 4 četiri krajnje točke, jedna točka presjeka i dvije oštre točke 0 bez krajnjih točaka i bez točki presjeka 8 bez krajnjih točaka i s jednom točkom presjeka 9 jedna krajnja točka u doljnoj polovici slike, i jedna točka presjeka itd. Zaključak Izuzetno široka primjena metoda strojnog učenja (umjetne inteligencije) na rješavanje složenih problema iz svih područja ljudske djelatnosti Strojno učenje Strojno učenje bavi se izgradnjom računarskih sustava koji automatski poboljšavaju svoje performanse kroz iskustvo Tom M. Mitchell definicija strojnog učenja: A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. Formalno: Strojno učenje Računalni program uči ako se performanse izvršavanja zadatka T, mjerene pomoću mjere uspješnosti P, poboljšavaju s iskustvom E Nema univerzalnog algoritma za učenje ipak, izumljeni su učinkoviti algoritmi koji (uspješno) rješavaju određen tip problema 4
5 Primjeri T: igranje šaha/backgammona/... P: postotak dobivenih igara E: igranje protiv samoga sebe T: raspoznavanje rukom pisanih slova P: postotak točno prepoznatih slova E: baza rukom pisanih slova T: detekcija tumorskih regija na CT-u P: postotak točno prepoznatih regija E: baza označenih CT slika Primjene strojnog učenja Otkrivanje znanja u (velikim) skupovima podataka Programske implementacije koje nije moguće riješiti klasičnim programiranjem Prilagodljivi programski sustavi Bioinformatika Obrada prirodnog jezika Raspoznavanje govora Raspoznavanje uzoraka Inteligentno upravljanje Predviđanje trendova itd. Vrste strojnog učenja Nadzirano učenje (supervised) Nenadzirano učenje (unsupervised) Podržano učenje (reinforcement learning) Ostala učenja Polu-nadzirano učenje Transduktivno učenje Relacijsko učenje Genetsko programiranje... Strojno učenje Podaci su u obliku (x, y) x ulazna vrijednost, y ciljna vrijednost Učimo funkciju f(x)=y koja primjeru x pridružuje klasu ili realnu vrijednost y Nenadzirano učenje eng. Unsupervised learning Kao tek rođeno dijete Nema učitelja nema nekoga da nam pokaže pravo/točno znanje Bitna je samoorganizacija Potrebno je: pronaći pravilnosti u podacima, otkriti ih automatski, pronaći neku reprezentaciju, odrediti što podaci znače Algoritmi nenadziranog učenja Klasteriranje (eng. Clustering) Učenje asocijacijskih pravila Redukcija dimenzionalnosti podataka 5
6 K-sredina K-sredina eng. K-means metodaklasteriranja koja pokušava rasporediti n mjerenjau k klastera, tako da svako mjerenje smjesti u klaster s najbližom srednjom vrijednošću Minimizira se suma kvadrata unutar klastera Problem je NP-težak Ipak, postoje efikasni heuristički algoritmi Učenje asocijacijskih pravila eng. Association rule learning Potraga za vezom između varijabli Primjer: supermarket može odrediti koji se proizvodi često kupuju zajedno te iskoristi tu informaciju u marketniške svrhe analiza kupovne košarice Učenje asocijacijskih pravila Skup transakcija iz Konzuma Učenje pravila: {pelene -> pivo} {meso, riba ->kruh} Analiza glavnih komponenti eng. Principal Component Analysis Metoda za redukciju dimenzionalnosti Analiza glavnih komponenti Matematička procedura koja koristi ortogonalne transformacije da pretvori skup mjerenja moguće koreliranih varijabli u skup vrijednosti nekoreliranih varijabli Nekorelirane varijable se nazivaju glavnim komponentama Broj glavnih komponenti je manji ili jednak broju originalnih varijabli 6
7 Primjena učenja bez nadzora Analiza ponašanja kupaca Segmentiranje tržišta Grupiranje teksta po sličnosti Grupiranje fotografija po sadržaju Vizualizacija podataka Početna analiza podataka (otkrivanje neznane strukture)... Učenje s nadzorom Kao dijete koje je ovladalo komunikacijom eng. Supervised learning Sada dobivamo eksplicitnu informaciju za svaki primjer koji učimo Cilj nam je naučiti raditi predikciju na novim, još neviđenim primjerima Vrste učenja s nadzorom Regresija učenje funkcija Eksplicitna informacija o objektu je numerička Npr. cijena zlata, temperatura, tlak, broj cipela, broj otkucaja srca,... Cilj je aproksimacija funkcije Klasifikacija učenje klasificiranja (raspoznavanje uzoraka) jedna ili više klasa Eksplicitna informacija o objektu je kategorijska Npr. Dobar/Loš, Tumor/nije tumor, Crven/Zelen/Žut/Plav,... Cilj je izgraditi funkciju koja će za svaki objekt reći kojoj klasi tj. kategoriji pripada Algoritmi učenja s nadzorom Štreber K najbližih susjeda Naivni Bayesov klasifikator Učenje pravila Stabla odluke Štreber eng. Rote learner Pohrani u memoriju sve što trebaš naučiti Kad te netko pita za klasu novog objekta, pogledaj u memoriju Ako objekt stoji u memoriji, vrati njegovu klasu Ako ne, reci da ne znaš K najbližih susjeda eng. K nearest neighbours, k-nn Sličan štreberu s bitnom razlikom: Odgovor je ona klasa objekta koja je najzastupljenija među k najbližih susjeda u prostoru objekata Ne možemo reći da je štrebanje učenje Međutim nekad prijeko potrebno 7
8 Naivni Bayesov klasifikator eng. Naive Bayes Probabilistički model Bayesov teorem Jednostavno izračunaj apriorne vjerojatnosti klasa i uvjetne vjerojatnosti klasa i svojstava Nakon toga odaberi klasu s najvećom aposteriornom vjerojatnošću eng. Rule learning Učenje pravila AKO leti TADA ptica AKO sunčano I toplo I slab vjetar TADA igraj_tenis eng. Decision trees Stabla odluke Primjena učenja s nadzorom Predviđanje kretanja cijena dionica Klasifikacija teksta Detekcija tumorskih regija Detekcija bolesti prema analizi DNA Prepoznavanje lica Prepoznavanje govornika Klasifikacija prebjega u drugi telekom Podrška u odlučivanju pri izdavanju kredita... Podržano učenje eng. Reinforcement learning učenje podrškom Kao dijete koje uči voziti bicikl Učenje u kojem nam učitelj daje ocjenu koliko smo dobro nešto obavili pali smo s bicikla ili nismo Prolazimo seriju stanja i akcija i tek na kraju dobivamo (ili ne dobivamo) nagradu Istražiti stanja i akcije koje vode do cilja Cilj nam je maksimizirati ukupnu sumu nagrada na kraju Algoritmi podržanog učenja Q-learning Svodi se na metodu pokušaja i pogrešaka Pretraživanje radi dostizanja nagrade Tražimo optimalnu akciju u trenutnom stanju To je akcija koja maksimizira sumu trenutne i odgođene nagrade u slučaju da slijedimo optimalnu strategiju Temporal difference learning Kombinacija Monte Carlo ideje i dinamičkog programiranja 8
9 Primjena podržanog učenja Igranje igara Robotsko kretanje Autonomna navigacija Učenje kontrolnih strategija... Induktivno učenje...ili učenje iz primjera h je hipoteza (model) koja reprezentira/aproksimira ciljni koncept c u idealnom slučaju je h(x)=c(x) ono što u najboljem slučaju možemo garantirati učenjem nekim algoritmom strojnog učenja jest da naučeni h dobro aproksimira ciljni koncept c nad skupom primjera za učenje T Osnovna hipoteza induktivnog učenja: Bilo koja hipoteza koja dobro aproksimira ciljni koncept na dovoljno velikom skupu primjera dostupnih za učenje, isto će tako dobro aproksimirati ciljni koncept i na novim, još nedostupnim primjerima. Pristranost eng. Bias, inductive bias Bias mjeri kako dobro naši modeli (struktura hipoteza) mogu učiti odnose između varijabli i ciljnog koncepta Varijanca otkriva kakve su fluktuacije u kvaliteti aproksimiranja ciljnog koncepta/modela kojeg treniramo na različitim (pod)skupovima za učenje Mali bias - dobra aproksimacija na podacima za učenje ali zato i visoka varijanca predikcija na novim podacima = slaba generalizacija Visoki bias relativno slaba aproksimacija na podacima za učenje ali mala varijanca u predikciji na novim podacima = dobra generalizacija Pretreniravanje eng. overfitting Tijekom učenja naš model/hipoteza se pretjerano prilagođava podacima za učenje (mali bias), te zbog toga predstavlja loš prediktor za neke od novih primjera: Obično je to uvjetovano izborom svojstava/varijabli kojima su opisani primjeri i njihova ponašanja na nekim primjerima Grubi pokazatelji overfitting-a : modeli kod kojih je #svojstava >> # primjera za učenje, ili #svojstava # primjera za učenje Pretreniravanje Pretreniravanje Uspješnost modela na skupu za učenje u principu reducira dobra generalizacijska svojstva na novim primjerima Napomena: ovo su grube ocjene i vrijede u principu za relativno jednostavne pohlepne algoritme 9
10 Linearni model Pretrenirani model Najbolji model? Poželjni modeli u svakom slučaju trebao bi imati minimalan broj grešaka min e (h, T) u idealnom slučaju h ( x i ) = y i ne bi smio biti previše kompleksan za neku mjeru C(h) kompleksnosti modela trebaju nam procedure za pretraživanje prostora mogućih modela (h H) koje vode računa i o greškama e(h) i o kompleksnosti C(h): min ( e(h,t) + αc(h) ) Structural Risk Minimization (V. Vapnik) Validacija modela Tehnike probira Procjena stvarne greške modela Tehnike probira (eng. Sampling - Resampling): Train & Test metoda Unakrsna validacija (eng. Cross-Validation) LOOCV 10
11 Train & test metoda Train & test metoda Slučajno odaberemo 1/3 od dostupnih primjera za učenje i stavimo ih u novi skup za testiranje (eng. Test set) Ostatak od 2/3 primjera iskoristimo za učenje modela skup za učenje (eng. Training set) Naučimo model na skupu za učenje Procijenimo stvarnu grešku modela testirajući novi model na skupu za testiranje Svojstva: Train & test metoda dobro: Jednostavna metoda -odabiremo onaj model koji daje najmanju grešku na testnom skupu loše: Gubimo vrijedne podatke 1/3 podataka se uopće ne koristi za izradu modela Ako imamo relativno malo podataka za učenje ocjena greške na testnom skupu će biti vrlo nepouzdana (>> varijanca greške) K-struka unakrsna validacija eng. k-fold cross validation Slučajno rasporediti primjere za učenje u k odvojenih skupova Ti, i=1,...,k tipično po 30+ primjera Za i=1 do k Koristi Ti kao testni skup, a ostale podatke Tm, m i iskoristi za učenje modela hi Na testnom skupu Ti izračunaj grešku Li modela hi Izračunaj prosječnu grešku za svih k modela L = Li / k i=1,...,k K-struka unakrsna validacija Pojedinačna unakrsna validacija Leave-one-out cross validation (LOOCV) Na skupu primjera za učenje (xi,yi) D, i=1,n Za i=1 do N Privremeno izdvoji primjer (xi,yi) iz skupa primjera za učenje Nauči model hm na preostalih N-1 primjerima Izračunaj grešku modela hm na primjeru (xi,yi) Izračunaj prosječnu grešku za svih N modela L = Li / N i=1,...,n 11
12 Svojstva evaluacijskih metoda Metoda Dobro Loše Train & Test K-fold CV Jeftina učimo samo jednom Gubimo samo N/k za učenje jednog modela Stabilnija procjena greške Gubimo puno primjera za učenje Nepouzdana procjena stvarne greške K puta skuplja od T&T Učimo k modela Modeli strojnog učenja Generativni i diskriminativni Generativni učenje generativnog modela za svaku pojedinu klasu Diskriminativni učenje linije koja razdvaja klase LOO CV Praktički učimo na svim primjerima -1 Dobra za mali broj primjera Vrlo skupa za veliki N Učimo N modela Modeli strojnog učenja Modeli strojnog učenja Parametarski i neparametarski Probabilistički i neprobabilistički Tomislav Šmuc, IRB Reference Jan Šnajder, Bojana Dalbelo-Bašić, FER 12
Port Community System
Port Community System Konferencija o jedinstvenom pomorskom sučelju i digitalizaciji u pomorskom prometu 17. Siječanj 2018. godine, Zagreb Darko Plećaš Voditelj Odsjeka IS-a 1 Sadržaj Razvoj lokalnog PCS
More informationSIMPLE PAST TENSE (prosto prošlo vreme) Građenje prostog prošlog vremena zavisi od toga da li je glagol koji ga gradi pravilan ili nepravilan.
SIMPLE PAST TENSE (prosto prošlo vreme) Građenje prostog prošlog vremena zavisi od toga da li je glagol koji ga gradi pravilan ili nepravilan. 1) Kod pravilnih glagola, prosto prošlo vreme se gradi tako
More informationBiznis scenario: sekcije pk * id_sekcije * naziv. projekti pk * id_projekta * naziv ꓳ profesor fk * id_sekcije
Biznis scenario: U školi postoje četiri sekcije sportska, dramska, likovna i novinarska. Svaka sekcija ima nekoliko aktuelnih projekata. Likovna ima četiri projekta. Za projekte Pikaso, Rubens i Rembrant
More informationSAS On Demand. Video: Upute za registraciju:
SAS On Demand Video: http://www.sas.com/apps/webnet/video-sharing.html?bcid=3794695462001 Upute za registraciju: 1. Registracija na stranici: https://odamid.oda.sas.com/sasodaregistration/index.html U
More informationCJENIK APLIKACIJE CERAMIC PRO PROIZVODA STAKLO PLASTIKA AUTO LAK KOŽA I TEKSTIL ALU FELGE SVJETLA
KOŽA I TEKSTIL ALU FELGE CJENIK APLIKACIJE CERAMIC PRO PROIZVODA Radovi prije aplikacije: Prije nanošenja Ceramic Pro premaza površina vozila na koju se nanosi mora bi dovedena u korektno stanje. Proces
More informationPROJEKTNI PRORAČUN 1
PROJEKTNI PRORAČUN 1 Programski period 2014. 2020. Kategorije troškova Pojednostavlj ene opcije troškova (flat rate, lump sum) Radni paketi Pripremni troškovi, troškovi zatvaranja projekta Stope financiranja
More informationGUI Layout Manager-i. Bojan Tomić Branislav Vidojević
GUI Layout Manager-i Bojan Tomić Branislav Vidojević Layout Manager-i ContentPane Centralni deo prozora Na njega se dodaju ostale komponente (dugmići, polja za unos...) To je objekat klase javax.swing.jpanel
More informationUlazne promenljive se nazivaju argumenti ili fiktivni parametri. Potprogram se poziva u okviru programa, kada se pri pozivu navode stvarni parametri.
Potprogrami su delovi programa. Često se delovi koda ponavljaju u okviru nekog programa. Logično je da se ta grupa komandi izdvoji u potprogram, i da se po želji poziva u okviru programa tamo gde je potrebno.
More informationPodešavanje za eduroam ios
Copyright by AMRES Ovo uputstvo se odnosi na Apple mobilne uređaje: ipad, iphone, ipod Touch. Konfiguracija podrazumeva podešavanja koja se vrše na računaru i podešavanja na mobilnom uređaju. Podešavanja
More informationKlasterizacija. NIKOLA MILIKIĆ URL:
Klasterizacija NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info Klasterizacija Klasterizacija (eng. Clustering) spada u grupu tehnika nenadgledanog učenja i omogućava grupisanje
More informationPriprema podataka. NIKOLA MILIKIĆ URL:
Priprema podataka NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info Normalizacija Normalizacija je svođenje vrednosti na neki opseg (obično 0-1) FishersIrisDataset.arff
More informationKOMPARATIVNA ANALIZA PREDIKTIVNIH TEHNIKA RUDARENJA PODATAKA
SVEUČILIŠTE U SPLITU EKONOMSKI FAKULTET DIPLOMSKI RAD KOMPARATIVNA ANALIZA PREDIKTIVNIH TEHNIKA RUDARENJA PODATAKA MENTOR: STUDENT: izv.prof.dr.sc. Mario Jadrić Frane Ivanišević Split, rujan 2016 2 SAŽETAK
More informationKAPACITET USB GB. Laserska gravura. po jednoj strani. Digitalna štampa, pun kolor, po jednoj strani USB GB 8 GB 16 GB.
9.72 8.24 6.75 6.55 6.13 po 9.30 7.89 5.86 10.48 8.89 7.30 7.06 6.61 11.51 9.75 8.00 7.75 7.25 po 0.38 10.21 8.66 7.11 6.89 6.44 11.40 9.66 9.73 7.69 7.19 12.43 1 8.38 7.83 po 0.55 0.48 0.37 11.76 9.98
More informationBENCHMARKING HOSTELA
BENCHMARKING HOSTELA IZVJEŠTAJ ZA SVIBANJ. BENCHMARKING HOSTELA 1. DEFINIRANJE UZORKA Tablica 1. Struktura uzorka 1 BROJ HOSTELA BROJ KREVETA Ukupno 1016 643 1971 Regije Istra 2 227 Kvarner 4 5 245 991
More informationMašinsko učenje Uvod. Bojan Furlan УНИВЕРЗИТЕТ У БЕОГРАДУ ЕЛЕКТРОТЕХНИЧКИ ФАКУЛТЕТ
Mašinsko učenje Uvod Bojan Furlan УНИВЕРЗИТЕТ У БЕОГРАДУ ЕЛЕКТРОТЕХНИЧКИ ФАКУЛТЕТ Šta je to mašinsko učenje? Disciplina koja omogućava računarima da uče bez eksplicitnog programiranja (Arthur Samuel 1959).
More informationIZDAVANJE SERTIFIKATA NA WINDOWS 10 PLATFORMI
IZDAVANJE SERTIFIKATA NA WINDOWS 10 PLATFORMI Za pomoć oko izdavanja sertifikata na Windows 10 operativnom sistemu možete se obratiti na e-mejl adresu esupport@eurobank.rs ili pozivom na telefonski broj
More informationAMRES eduroam update, CAT alat za kreiranje instalera za korisničke uređaje. Marko Eremija Sastanak administratora, Beograd,
AMRES eduroam update, CAT alat za kreiranje instalera za korisničke uređaje Marko Eremija Sastanak administratora, Beograd, 12.12.2013. Sadržaj eduroam - uvod AMRES eduroam statistika Novine u okviru eduroam
More informationNejednakosti s faktorijelima
Osječki matematički list 7007, 8 87 8 Nejedakosti s faktorijelima Ilija Ilišević Sažetak Opisae su tehike kako se mogu dokazati ejedakosti koje sadrže faktorijele Spomeute tehike su ilustrirae a izu zaimljivih
More informationUvod u relacione baze podataka
Uvod u relacione baze podataka 25. novembar 2011. godine 7. čas SQL skalarne funkcije, operatori ANY (SOME) i ALL 1. Za svakog studenta izdvojiti ime i prezime i broj različitih ispita koje je pao (ako
More informationSveučilište Jurja Dobrile u Puli Fakultet ekonomije i turizma «Dr. Mijo Mirković» SARA NIKOLAŠEVIĆ METODE I PROGRAMI ZA RUDARENJE PODATAKA
Sveučilište Jurja Dobrile u Puli Fakultet ekonomije i turizma «Dr. Mijo Mirković» SARA NIKOLAŠEVIĆ METODE I PROGRAMI ZA RUDARENJE PODATAKA Završni rad Pula, 2016. Sveučilište Jurja Dobrile u Puli Fakultet
More informationCJENOVNIK KABLOVSKA TV DIGITALNA TV INTERNET USLUGE
CJENOVNIK KABLOVSKA TV Za zasnivanje pretplatničkog odnosa za korištenje usluga kablovske televizije potrebno je da je tehnički izvodljivo (mogude) priključenje na mrežu Kablovskih televizija HS i HKBnet
More informationTRAJANJE AKCIJE ILI PRETHODNOG ISTEKA ZALIHA ZELENI ALAT
TRAJANJE AKCIJE 16.01.2019-28.02.2019 ILI PRETHODNOG ISTEKA ZALIHA ZELENI ALAT Akcija sa poklonima Digitally signed by pki, pki, BOSCH, EMEA, BOSCH, EMEA, R, A, radivoje.stevanovic R, A, 2019.01.15 11:41:02
More informationWindows Easy Transfer
čet, 2014-04-17 12:21 - Goran Šljivić U članku o skorom isteku Windows XP podrške [1] koja prestaje 8. travnja 2014. spomenuli smo PCmover Express i PCmover Professional kao rješenja za preseljenje korisničkih
More informationSTABLA ODLUČIVANJA. Jelena Jovanovic. Web:
STABLA ODLUČIVANJA Jelena Jovanovic Email: jeljov@gmail.com Web: http://jelenajovanovic.net 2 Zahvalnica: Ovi slajdovi su bazirani na materijalima pripremljenim za kurs Applied Modern Statistical Learning
More information5. Asocijacijska pravila
5. Asocijacijska pravila MARIJANA ZEKIĆ-SUŠAC SVEUČILIŠTE J.J. STROSSMAYERA U OSIJEKU, EKONOMSKI FAKULTET U OSIJEKU 1 Što ćete naučiti u ovom poglavlju? Što su asocijacijska pravila? Kako se ta metoda
More informationUpute za korištenje makronaredbi gml2dwg i gml2dgn
SVEUČILIŠTE U ZAGREBU - GEODETSKI FAKULTET UNIVERSITY OF ZAGREB - FACULTY OF GEODESY Zavod za primijenjenu geodeziju; Katedra za upravljanje prostornim informacijama Institute of Applied Geodesy; Chair
More informationPoboljšanje tačnosti klasifikacije algoritama za induktivno učenje pravila primenom metoda prethodnog učenja
Poboljšanje tačnosti klasifikacije algoritama za induktivno učenje pravila primenom metoda prethodnog učenja JASMINA Đ. NOVAKOVIĆ, Beogradska poslovna škola, Stručni rad Visoka škola strukovnih studija,
More informationTEHNIĈKO VELEUĈILIŠTE U ZAGREBU ELEKTROTEHNIĈKI ODJEL Prof.dr.sc.KREŠIMIR MEŠTROVIĆ POUZDANOST VISOKONAPONSKIH PREKIDAĈA
TEHNIĈKO VELEUĈILIŠTE U ZAGREBU ELEKTROTEHNIĈKI ODJEL Prof.dr.sc.KREŠIMIR MEŠTROVIĆ POUZDANOST VISOKONAPONSKIH PREKIDAĈA SF6 PREKIDAĈ 420 kv PREKIDNA KOMORA POTPORNI IZOLATORI POGONSKI MEHANIZAM UPRAVLJAĈKI
More informationIdejno rješenje: Dubrovnik Vizualni identitet kandidature Dubrovnika za Europsku prijestolnicu kulture 2020.
Idejno rješenje: Dubrovnik 2020. Vizualni identitet kandidature Dubrovnika za Europsku prijestolnicu kulture 2020. vizualni identitet kandidature dubrovnika za europsku prijestolnicu kulture 2020. visual
More informationSVEUČILIŠTE U RIJECI TEHNIČKI FAKULTET
SVEUČILIŠTE U RIJECI TEHNIČKI FAKULTET Sveučilišni diplomski studij računarstva Diplomski rad ANALIZA MODELA PREDVIĐANJA TRENDOVA KRETANJA CIJENA VRIJEDNOSNIH PAPIRA Rijeka, rujan2015 Marko Kujundţić 0069047935
More informationEduroam O Eduroam servisu edu roam Uputstvo za podešavanje Eduroam konekcije NAPOMENA: Microsoft Windows XP Change advanced settings
Eduroam O Eduroam servisu Eduroam - educational roaming je besplatan servis za pristup Internetu. Svojim korisnicima omogućava bezbedan, brz i jednostavan pristup Internetu širom sveta, bez potrebe za
More informationSustav za gusto označavanje prometnih znakova u video sekvencama
MSVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 1500 Sustav za gusto označavanje prometnih znakova u video sekvencama Martin Morava Zagreb, srpanj 2010 Zahvaljujem se svojem
More informationMINISTRY OF THE SEA, TRANSPORT AND INFRASTRUCTURE
MINISTRY OF THE SEA, TRANSPORT AND INFRASTRUCTURE 3309 Pursuant to Article 1021 paragraph 3 subparagraph 5 of the Maritime Code ("Official Gazette" No. 181/04 and 76/07) the Minister of the Sea, Transport
More informationPrimjena genetskog programiranja na problem klasifikacije podataka
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 4334 Primjena genetskog programiranja na problem klasifikacije podataka Ivan Vlašić Zagreb, lipanj 2016. Zahvaljujem se mentoru
More informationWELLNESS & SPA YOUR SERENITY IS OUR PRIORITY. VAŠ MIR JE NAŠ PRIORITET!
WELLNESS & SPA YOUR SERENITY IS OUR PRIORITY. VAŠ MIR JE NAŠ PRIORITET! WELLNESS & SPA DNEVNA KARTA DAILY TICKET 35 BAM / 3h / person RADNO VRIJEME OPENING HOURS 08:00-21:00 Besplatno za djecu do 6 godina
More informationUNIVERZITET U BEOGRADU RUDARSKO GEOLOŠKI FAKULTET DEPARTMAN ZA HIDROGEOLOGIJU ZBORNIK RADOVA. ZLATIBOR maj godine
UNIVERZITETUBEOGRADU RUDARSKOGEOLOŠKIFAKULTET DEPARTMANZAHIDROGEOLOGIJU ZBORNIKRADOVA ZLATIBOR 1720.maj2012.godine XIVSRPSKISIMPOZIJUMOHIDROGEOLOGIJI ZBORNIKRADOVA IZDAVA: ZAIZDAVAA: TEHNIKIUREDNICI: TIRAŽ:
More informationBušilice nove generacije. ImpactDrill
NOVITET Bušilice nove generacije ImpactDrill Nove udarne bušilice od Bosch-a EasyImpact 550 EasyImpact 570 UniversalImpact 700 UniversalImpact 800 AdvancedImpact 900 Dostupna od 01.05.2017 2 Logika iza
More informationTutorijal za Štefice za upload slika na forum.
Tutorijal za Štefice za upload slika na forum. Postoje dvije jednostavne metode za upload slika na forum. Prva metoda: Otvoriti nova tema ili odgovori ili citiraj već prema želji. U donjem dijelu obrasca
More informationPrimjena metoda umjetne inteligencije na povećanje sigurnosti uloga za pristup bazama podataka
Sveučilište u Zagrebu Fakultet elektrotehnike i računarstva Diplomski rad br. 45 Primjena metoda umjetne inteligencije na povećanje sigurnosti uloga za pristup bazama podataka Marko Pletikosa Zagreb, lipanj
More informationRANI BOOKING TURSKA LJETO 2017
PUTNIČKA AGENCIJA FIBULA AIR TRAVEL AGENCY D.O.O. UL. FERHADIJA 24; 71000 SARAJEVO; BIH TEL:033/232523; 033/570700; E-MAIL: INFO@FIBULA.BA; FIBULA@BIH.NET.BA; WEB: WWW.FIBULA.BA SUDSKI REGISTAR: UF/I-1769/02,
More informationPRIMJENA RAZLIČITIH METODA STROJNOG UČENJA U PROBLEMU KLASIFIKACIJE SLIKARSKIH DJELA PREMA AUTORU
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA PRIMJENA RAZLIČITIH METODA STROJNOG UČENJA U PROBLEMU KLASIFIKACIJE SLIKARSKIH DJELA PREMA AUTORU Autor: Eva Cetinić, mag. ing. Predmet: Otkrivanje
More informationCRNA GORA
HOTEL PARK 4* POLOŽAJ: uz more u Boki kotorskoj, 12 km od Herceg-Novog. SADRŽAJI: 252 sobe, recepcija, bar, restoran, besplatno parkiralište, unutarnji i vanjski bazen s terasom za sunčanje, fitnes i SPA
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE DIPLOMSKI RAD VIKTORIJA IVANDIĆ. Zagreb, godina 2016.
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE DIPLOMSKI RAD VIKTORIJA IVANDIĆ Zagreb, godina 2016. SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Proces otkrivanja znanja primjenom
More informationENR 1.4 OPIS I KLASIFIKACIJA VAZDUŠNOG PROSTORA U KOME SE PRUŽAJU ATS USLUGE ENR 1.4 ATS AIRSPACE CLASSIFICATION AND DESCRIPTION
VFR AIP Srbija / Crna Gora ENR 1.4 1 ENR 1.4 OPIS I KLASIFIKACIJA VAZDUŠNOG PROSTORA U KOME SE PRUŽAJU ATS USLUGE ENR 1.4 ATS AIRSPACE CLASSIFICATION AND DESCRIPTION 1. KLASIFIKACIJA VAZDUŠNOG PROSTORA
More informationStruktura indeksa: B-stablo. ls/swd/btree/btree.html
Struktura indeksa: B-stablo http://cis.stvincent.edu/html/tutoria ls/swd/btree/btree.html Uvod ISAM (Index-Sequential Access Method, IBM sredina 60-tih godina 20. veka) Nedostaci: sekvencijalno pretraživanje
More informationMogudnosti za prilagođavanje
Mogudnosti za prilagođavanje Shaun Martin World Wildlife Fund, Inc. 2012 All rights reserved. Mogudnosti za prilagođavanje Za koje ste primere aktivnosti prilagođavanja čuli, pročitali, ili iskusili? Mogudnosti
More informationKooperativna meteorološka stanica za cestovni promet
Kooperativna meteorološka stanica za cestovni promet Marko Gojić LED ELEKTRONIKA d.o.o. marko.gojic@led-elektronika.hr LED Elektronika d.o.o. Savska 102a, 10310 Ivanić Grad, Croatia tel: +385 1 4665 269
More informationDETEKCIJA OSOBA U SLIKAMA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 173 DETEKCIJA OSOBA U SLIKAMA Davor Sutić Zagreb, lipanj 2008. Sadržaj 1 Uvod... 1 1.1 Detekcija pješaka u prometu... 2 1.2
More informationMindomo online aplikacija za izradu umnih mapa
Mindomo online aplikacija za izradu umnih mapa Mindomo je online aplikacija za izradu umnih mapa (vrsta dijagrama specifične forme koji prikazuje ideje ili razmišljanja na svojevrstan način) koja omogućuje
More informationCroatian Automobile Club: Contribution to road safety in the Republic of Croatia
Croatian Automobile Club: Contribution to road safety in the Republic of Croatia DRTD 2018, Ljubljana, 5th December 2018 Mr.sc.Krešimir Viduka, Head of Road Traffic Safety Office Republic of Croatia Roads
More informationPERSONAL INFORMATION. Name: Fields of interest: Teaching courses:
PERSONAL INFORMATION Name: E-mail: Fields of interest: Teaching courses: Almira Arnaut Berilo almira.arnaut@efsa.unsa.ba Quantitative Methods in Economy Quantitative Methods in Economy and Management Operations
More informationPROGRAMSKI SUSTAV ZA RASPOZNAVANJE TISKANOG TEKSTA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 858 PROGRAMSKI SUSTAV ZA RASPOZNAVANJE TISKANOG TEKSTA Mladen Jurković Zagreb, lipanj 2009. Mladen Jurković, 0036428019 Sadržaj
More informationINTEGRACIJA DODATNIH MOGUĆNOSTI U PROGRAMSKI SUSTAV MARKER
ZAVOD ZA ELEKTRONIKU, MIKROELEKTRONIKU, RAČUNALNE I INTELIGENTNE SUSTAVE FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA SVEUČILIŠTE U ZAGREBU INTEGRACIJA DODATNIH MOGUĆNOSTI U PROGRAMSKI SUSTAV MARKER Damir Bučar,
More informationMAŠINSKO UČENJE. JELENA JOVANOVIĆ Web:
MAŠINSKO UČENJE JELENA JOVANOVIĆ Email: jeljov@gmail.com Web: http://jelenajovanovic.net PREGLED PREDAVANJA Šta je mašinsko učenje? Zašto (je potrebno/bitno) m. učenje? Oblasti primene m. učenja Oblici
More informationint[] brojilo; // polje cjelih brojeva double[] vrijednosti; // polje realnih brojeva
Polja Polje (eng. array) Polje je imenovani uređeni skup indeksiranih vrijednosti istog tipa (niz, lista, matrica, tablica) Kod deklaracije, iza naziva tipa dolaze uglate zagrade: int[] brojilo; // polje
More informationKlasifikatorski sustavi s mogućnošću učenja pravila jednostavne igre
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 318 Klasifikatorski sustavi s mogućnošću učenja pravila jednostavne igre Mario Lučić Zagreb, lipanj 2008. SVEUČILIŠTE U ZAGREBU
More informationBear management in Croatia
Bear management in Croatia Djuro Huber Josip Kusak Aleksandra Majić-Skrbinšek Improving coexistence of large carnivores and agriculture in S. Europe Gorski kotar Slavonija Lika Dalmatia Land & islands
More informationPOSTUPCI ZA UČENJE ASOCIJATIVNIH PRAVILA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 4851 POSTUPCI ZA UČENJE ASOCIJATIVNIH PRAVILA Marin Smoljanić Zagreb, lipanj 2017. Sadržaj Uvod... 1 1. Osnovni koncepti asocijativnih
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD. Juraj Mažuranić. Zagreb, 2017.
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Juraj Mažuranić Zagreb, 2017. SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Mentor: Dr. sc. Biserka Runje,
More informationJEDINSTVENI PORTAL POREZNE UPRAVE. Priručnik za instalaciju Google Chrome dodatka. (Opera preglednik)
JEDINSTVENI PORTAL POREZNE UPRAVE Priručnik za instalaciju Google Chrome dodatka (Opera preglednik) V1 OPERA PREGLEDNIK Opera preglednik s verzijom 32 na dalje ima tehnološke promjene zbog kojih nije moguće
More information1. Instalacija programske podrške
U ovom dokumentu opisana je instalacija PBZ USB PKI uređaja na računala korisnika PBZCOM@NET internetskog bankarstva. Uputa je podijeljena na sljedeće cjeline: 1. Instalacija programske podrške 2. Promjena
More informationKONFIGURACIJA MODEMA. ZyXEL Prestige 660RU
KONFIGURACIJA MODEMA ZyXEL Prestige 660RU Sadržaj Funkcionalnost lampica... 3 Priključci na stražnjoj strani modema... 4 Proces konfiguracije... 5 Vraćanje modema na tvorničke postavke... 5 Konfiguracija
More informationFakultet strojarstva i brodogradnje ZAVRŠNI RAD
Sveučilište u Zagrebu Fakultet strojarstva i brodogradnje ZAVRŠNI RAD Zagreb, 2010. Darko Dokladal Sveučilište u Zagrebu Fakultet strojarstva i brodogradnje ZAVRŠNI RAD Voditelj rada: Prof. dr. sc. Mario
More informationVrednovanje postupka semantičke segmentacije temeljenog na slučajnim šumama
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 3943 Vrednovanje postupka semantičke segmentacije temeljenog na slučajnim šumama Ivan Fabijanić Zagreb, lipanj 2015. Velika
More informationDirektan link ka kursu:
Alat Alice može da se preuzme sa sledeće adrese: www.alice.org Kratka video uputstva posvećena alatu Alice: https://youtu.be/eq120m-_4ua https://youtu.be/tkbucu71lfk Kurs (engleski) posvećen uvodu u Java
More informationIZDAVAČ / Publisher Sveučilište u Zadru / University of Zadar Mihovila Pavlinovića 1, Zadar, Hrvatska
IZDAVAČ / Publisher Sveučilište u Zadru / University of Zadar Mihovila Pavlinovića 1, 23000 Zadar, Hrvatska POVJERENSTVO ZA IZDAVAČKU DJELATNOST / Publishing Committee Josip Faričić (predsjednik) GLAVNA
More informationKAKO GA TVORIMO? Tvorimo ga tako, da glagol postavimo v preteklik (past simple): 1. GLAGOL BITI - WAS / WERE TRDILNA OBLIKA:
Past simple uporabljamo, ko želimo opisati dogodke, ki so se zgodili v preteklosti. Dogodki so se zaključili v preteklosti in nič več ne trajajo. Dogodki so se zgodili enkrat in se ne ponavljajo, čas dogodkov
More informationKlasifikacija objekata na slici korištenjem superviziranog učenja
Univerzitet u Sarajevu Elektrotehnički fakultet Odsjek za telekomunikacije Klasifikacija objekata na slici korištenjem superviziranog učenja - Drugi ciklus studija - Autor: Halać Delila Mentori: Doc.dr
More informationTRENING I RAZVOJ VEŽBE 4 JELENA ANĐELKOVIĆ LABROVIĆ
TRENING I RAZVOJ VEŽBE 4 JELENA ANĐELKOVIĆ LABROVIĆ DIZAJN TRENINGA Model trening procesa FAZA DIZAJNA CILJEVI TRENINGA Vrste ciljeva treninga 1. Ciljevi učesnika u treningu 2. Ciljevi učenja Opisuju željene
More informationOtpremanje video snimka na YouTube
Otpremanje video snimka na YouTube Korak br. 1 priprema snimka za otpremanje Da biste mogli da otpremite video snimak na YouTube, potrebno je da imate kreiran nalog na gmailu i da video snimak bude u nekom
More informationBig Data: kako smo došli do Velikih podataka i kamo nas oni vode
Big Data: kako smo došli do Velikih podataka i kamo nas oni vode Sažetak: Količina informacija nastala u razmaku od otprilike 1200 godina, od osnivanja Carigrada pa do otkrića Gutenbergova tiskarskoga
More informationCiljevi. Poslije kompletiranja ove lekcije trebalo bi se moći:
Pogledi Ciljevi Poslije kompletiranja ove lekcije trebalo bi se moći: Opisati pogled Formirati novi pogled Vratiti podatke putem pogleda Izmijeniti postojeći pogled Insertovani, ažurirati i brisati podatke
More informationPODSUSTAV ZA UPRAVLJANJE SPREMNIKOM UGRADBENOG RAČUNALA
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br.1412 PODSUSTAV ZA UPRAVLJANJE SPREMNIKOM UGRADBENOG RAČUNALA Kornelija Vodanović Zagreb, lipanj 2010. SADRŽAJ 1. Uvod 3 2. Opis
More informationPOSTUPCI ODREĐIVANJA KOSTURA MODELA NA OSNOVI POLIGONALNOG MODELA
SVEUĈILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 1915 POSTUPCI ODREĐIVANJA KOSTURA MODELA NA OSNOVI POLIGONALNOG MODELA Robert Mrkonjić Zagreb, lipanj 2011. SADRŽAJ: 1. UVOD...
More information4. Stabla odlučivanja
4. Stabla odlučivanja MARIJANA ZEKIĆ-SUŠAC SVEUČILIŠTE J.J. STROSSMAYERA U OSIJEKU, EKONOMSKI FAKULTET U OSIJEKU 1 Što ćete naučiti u ovom poglavlju? Što su i koje su vrste stabala odlučivanja? Kako funkcioniraju
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Matija Hoić Zagreb, 2007. SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Mentor Prof. dr. sc. Dorian Marjanović
More informationUticaj parametara PID regulatora i vremenskog kašnjenja na odziv i amplitudno-faznu karakteristiku sistema Simulink
LV6 Uticaj parametara PID regulatora i vremenskog kašnjenja na odziv i amplitudno-faznu karakteristiku sistema Simulink U automatizaciji objekta često koristimo upravljanje sa negativnom povratnom vezom
More information11 Analiza i dizajn informacionih sistema
11 Analiza i dizajn informacionih sistema Informatika V.Prof.dr Kemal Hajdarević dipl.ing.el 25.4.2014 11:58:28 1 1. Kompjuter, Internet, i mrežne osnove 2. Kompjuterska industrija Informatika u stomatologiji
More informationDANI BRANIMIRA GUŠICA - novi prilozi poznavanju prirodoslovlja otoka Mljeta. Hotel ODISEJ, POMENA, otok Mljet, listopad 2010.
DANI BRANIMIRA GUŠICA - novi prilozi poznavanju prirodoslovlja otoka Mljeta Hotel ODISEJ, POMENA, otok Mljet, 03. - 07. listopad 2010. ZBORNIK SAŽETAKA Geološki lokalitet i poucne staze u Nacionalnom parku
More informationDetekcija prometnih znakova na temelju boje i oblika
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVRŠNI RAD br. 1048 Detekcija prometnih znakova na temelju boje i oblika Marijana Milas Zagreb, siječanj 2010. Zahvala : Zahvaljujem mentoru
More informationOptimizacija ruta vozila za potrebe istraživanja kvalitete mobilne mreže primjenom algoritama za rješavanje problema trgovačkog putnika
SVEUČILIŠTE U ZAGREBU FAKULTET PROMETNIH ZNANOSTI Zoran Dukić Optimizacija ruta vozila za potrebe istraživanja kvalitete mobilne mreže primjenom algoritama za rješavanje problema trgovačkog putnika DIPLOMSKI
More information1 Uvod Genetsko programiranje i evolucijski algoritmi Evolucija u prirodi Minimalni uvjeti za evoluciju
1 Uvod... 1 2 Genetsko programiranje i evolucijski algoritmi... 2 2.1 Evolucija u prirodi... 3 2.1.1 Minimalni uvjeti za evoluciju... 4 2.1.2 DNA kao računalni program... 4 2.2 Evolucijski algoritmi...
More informationSTRUČNA PRAKSA B-PRO TEMA 13
MAŠINSKI FAKULTET U BEOGRADU Katedra za proizvodno mašinstvo STRUČNA PRAKSA B-PRO TEMA 13 MONTAŽA I SISTEM KVALITETA MONTAŽA Kratak opis montže i ispitivanja gotovog proizvoda. Dati izgled i sadržaj tehnološkog
More informationModelling Transport Demands in Maritime Passenger Traffic Modeliranje potražnje prijevoza u putničkom pomorskom prometu
Modelling Transport Demands in Maritime Passenger Traffic Modeliranje potražnje prijevoza u putničkom pomorskom prometu Drago Pupavac Polytehnic of Rijeka Rijeka e-mail: drago.pupavac@veleri.hr Veljko
More informationAdvertising on the Web
Advertising on the Web On-line algoritmi Off-line algoritam: ulazni podaci su dostupni na početku, algoritam može pristupati podacima u bilo kom redosljedu, na kraju se saopštava rezultat obrade On-line
More informationEKSPLORATIVNA ANALIZA PODATAKA IZ SUSTAVA ZA ISPORUKU OGLASA
SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU FAKULTET ELEKTROTEHNIKE, RAČUNARSTVA I INFORMACIJSKIH TEHNOLOGIJA Sveučilišni diplomski studij računarstva EKSPLORATIVNA ANALIZA PODATAKA IZ SUSTAVA ZA ISPORUKU
More informationPrepoznavanje spam SMS poruka. Sažetak
Prepoznavanje spam SMS poruka Ognjen Stipetić Grgur Valentić Vedrana Vazdar Sažetak U ovom radu izradili smo klasifikator za odvajanje neželjenih (spam) od pravih (ham) poruka koji bi mogao biti korišten
More informationVizijski sustav za praćenje pozicije čovjeka pomoću algoritma oduzimanja pozadine
Primljen: 13.9.2017. Stručni rad Prihvaćen: 11.10.2017. UDK: 681.52./53 Vizijski sustav za praćenje pozicije čovjeka pomoću algoritma oduzimanja pozadine Vision System for Human Position Tracking by Means
More informationNIS PETROL. Uputstvo za deaktiviranje/aktiviranje stranice Veleprodajnog cenovnika na sajtu NIS Petrol-a
NIS PETROL Uputstvo za deaktiviranje/aktiviranje stranice Veleprodajnog cenovnika na sajtu NIS Petrol-a Beograd, 2018. Copyright Belit Sadržaj Disable... 2 Komentar na PHP kod... 4 Prava pristupa... 6
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Ivan Džolan Zagreb, 2017 SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE ZAVRŠNI RAD Mentor: Dr. sc. Biserka Runje, dipl.
More informationTEHNIČKO VELEUČILIŠTE U ZAGREBU
TEHNIČKO VELEUČILIŠTE U ZAGREBU POLITEHNIČKI SPECIJALISTIČKI DIPLOMSKI STRUČNI STUDIJ Specijalizacija informatika Luka Petrić PREVENTIVNO DJELOVANJE NA KRIMINALNE AKTIVNOSTI BIG DATA TEHNOLOGIJOM DIPLOMSKI
More informationNaredba je uputa računalu za obavljanje određene operacije.
OSNOVNI POJMOVI Naredba je uputa računalu za obavljanje određene operacije. Program je niz naredbi razumljivih računalu koje rješavaju neki problem. Postupak pisanja programa zovemo programiranje. Programski
More informationKljuč neposrednog prosvjetljenja izvadak iz kolekcije predavanja besplatnini primjerak
Učiteljica Ching Hai Ključ neposrednog prosvjetljenja izvadak iz kolekcije predavanja besplatnini primjerak 2 Ključ neposrednog prosvjetljenja Uzvišena Učiteljica Ching Hai S a d r ž a j Sadržaj... 2 Uvod...
More informationVREDNOVANJE INTELIGENTNIH TUTORSKIH SUSTAVA
FAKULTET PRIRODOSLOVNO-MATEMATIČKIH ZNANOSTI SVEUČILIŠTE U SPLITU Martina Banovac VREDNOVANJE INTELIGENTNIH TUTORSKIH SUSTAVA DIPLOMSKI RAD SPLIT, 2008. Studijska grupa: Predmet: MATEMATIKA I INFORMATIKA
More informationSchedule ZAGREB AIRPORT => ZAGREB (TERMINAL MAIN BUS STATION) 7:00 8:00 8:30 9:00 9:30 10:30 11:30 12:00 12:30 13:00 13:30 14:00
USEFUL INFORMATION TRANSPORTATION/GETTING AROUND ZAGREB AIRPORT AIRPORT BUS SHUTTLE Once you reach Zagreb Airport, you will find the airport bus shuttle (Pleso prijevoz) station in direction Zagreb Bus
More informationObjektno orjentirano programiranje
Objektno orjentirano programiranje Predavanje 2 Uvod u objektno orijentirani koncept Uvod Objektno orijentirani razvoj softvera je prisutan od 1960ih Danas se koristi u industriji razvoja softvera Razvoj
More informationANALIZA PRIMJENE KOGENERACIJE SA ORGANSKIM RANKINOVIM CIKLUSOM NA BIOMASU U BOLNICAMA
ANALIZA PRIMJENE KOGENERACIJE SA ORGANSKIM RANKINOVIM CIKLUSOM NA BIOMASU U BOLNICAMA Nihad HARBAŠ Samra PRAŠOVIĆ Azrudin HUSIKA Sadržaj ENERGIJSKI BILANSI DIMENZIONISANJE POSTROJENJA (ORC + VRŠNI KOTLOVI)
More informationAnaliza troškova. Ris d.o.o troškovnoj strani ima isti učinak kao i povećanje prihodovne strane za tri kune [2].
1 Analiza troškova Sanjin Maržić, Ris d.o.o sanjin.marzic@ris.hr Sažetak Ovaj rad opisuje područje analize troškova (engl. Spend Analysis, Spend Management), postojeću programsku podršku iz područja analize
More informationKorak X1 X2 X3 F O U R T W START {0,1}
1) (8) Formulisati Traveling Salesman Problem (TSP) kao problem traženja. 2) (23) Dato je prostor stanja sa slike, sa početnim stanjem A i završnim stanjem Q. Broj na grani označava cijenu operatora, a
More informationPLAN RADA. 1. Počnimo sa primerom! 2. Kako i zašto? 3. Pejzaž višestruke upotrebe softvera 4. Frameworks 5. Proizvodne linije softvera 6.
KOREKTAN PREVOD? - Reupotrebljiv softver? ( ne postoji prefiks RE u srpskom jeziku ) - Ponovo upotrebljiv softver? ( totalno bezveze ) - Upotrebljiv više puta? - Itd. PLAN RADA 1. Počnimo sa primerom!
More information