Inl. Adaptieve Systemen
|
|
- Karel Wauters
- 8 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Inl. Adaptieve Systemen Gerard Vreeswijk Leerstoelgroep Intelligente Systemen, Departement Informatica en Informatiekunde, Faculteit Bètawetenschappen, Universiteit Utrecht. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 1
2 1. Concepten uit machinaal leren. Inhoud 2. Uitputtend algoritme voor het leren van één regel: EGS. Heuristisch algoritme voor het leren van één regel: HGS. 3. Het leren van meerdere regels voor één conclusie. Het leren van meerdere regels zonder een vooraf bepaalde doelconclusie: ongesuperviseerd leren. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 2
3 Motivatie is o.a. nuttig voor: 1. Sensemaking (ietwat modieuze term). Ongeveer: Het herkennen van regels en patronen in het op het eerste gezicht onoverzichtelijke berg gegevens. 2. Het automatisch vullen van de rulebase (kennisbank) van zg. (a) Expert systems (ook wel bekend als rule-based systems ). (b) Argumentatiesystemen. Dit zijn systemen waarmee computers kwalitatief kunnen redeneren op basis van onzekere en/of onvolledige kennis ( ROOK ) Ter vergelijking van Holland s zg. learning classifier systems (LCS, XCS, ZCS). Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 3
4 Destilleren van regels uit situatiebeschrijvingen Voorbeeld van een set van situatiebeschrijvingen: Jaar. Gebeurtenissen. 2006: New president, DeNiro Movie, Eclipse 2007: Tour de France, Olympic Games, European Championship Football, New president, DeNiro Movie 2008: Tour de France, DeNiro Movie 2009: Tour de France, World Championship Football, DeNiro Movie 2010: Tour de France, DeNiro Movie 2011: Olympic Games, Tour de France, European Championship Football, DeNiro Movie.. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 4
5 Jaar. Abstracte situatiebeschrijvingen Gebeurtenissen. 2006: a, b, d, g, j, k, m 2007: b, c, d, e, f, h, i, j 2008: a, c, d, e, f, k, l, m 2009: a, b, d, g, h, j, k, m 2010: b, c, e, f, g, i, j, n 2011: a, c, e, f, k, l, m.. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 5
6 Jaar. Situatiebeschrijvingen in regelformaat Gebeurtenissen. 2006: a, b, d, g, j, k, m 2007: b, c, d, e, h, i, j > f 2008: a, c, d, e, k, l, m > f 2009: a, b, d, g, h, j, k, m 2010: b, c, e, g, i, j, n > f 2011: a, c, e, k, l, m > f.. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 6
7 Basisconcepten Machinaal Leren Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 7
8 Basisconcepten machinaal leren Regels leren machinaal leren. Beschouw: 1. Instanties: punten in {0, 1, 2,..., 100} Mogelijke classificaties: positief (), negatief (), of ongedefinieerd. 3. Dataset: deelverzameling van instantieverzameling: (22, 25) (76, 54) (37, 23) (37, 37) (25, 80) (34, 75) (85, 78) (22, 38) (90, 10) 4. Gezocht: criterium om toekomstige instanties te classificeren. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 8
9 Concepten uit machinaal leren Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 9
10 Concepten uit machinaal leren (II) Belangrijke concepten: Dataverzameling (= alle bekende instanties) Positieve instanties Negatieve instanties Instantieruimte (= alle mogelijk denkbare instanties) Hypothese (hier: gesloten rechthoek) Hypotheseruimte (= alle mogelijke hypothesen) Classificatie (hier: of ) Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 10
11 Concepten uit machinaal leren (III) Belangrijke concepten: Match van H: correcte classificaties data-instanties H is consistent: match = 1 = 9 11 Bereik van H = mogelijk denkbare instanties gedekt door H = 600 punten Overdekking van H: data in het in het bereik van H (5 punten) Accuratesse van H: ratio correct geclassificeerde data op bereik van H = 4/5 Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 11
12 Netlogo Machine Learning Lab Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 12
13 Regels leren Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 13
14 Het leren van één regel: algoritme EGS EGS = exhaustive general-to-specific. Voorbeeld: we willen een regel leren voor d op basis van de volgende vijf casussen: 1. a, c, b, d 4. a, b 2. b, a, d 5. a, d 3. b, c, d i. Positieve instanties: 1 en 2. ii. Negatieve instanties: 3 en 5. iii. Neutrale instantie: 4. Meest algemene regel voor d: d. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 14
15 Het leren van één regel: specialisatie, stap één 1. a, c, b, d 4. a, b 2. b, a, d 5. a, d 3. b, c, d Specialisatie Prestatie Actie a d dekt negatieve instantie nr. 5 specialiseer verder b d dekt negatieve instantie nr. 3 specialiseer verder c d mist positieve instantie nr. 2 verwijder regel a d mist positieve instantie nr. 1 verwijder regel b d mist positieve instantie nr. 1 verwijder regel Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 15
16 Het leren van één regel: specialisatie, stap twee 1. a, c, b, d 4. a, b 2. b, a, d 5. a, d 3. b, c, d Specialisatie Prestatie Actie a, b d perfecte match behoud regel a, c d mist positieve instantie nr. 2 verwijder regel a, b d mist positieve instantie nr. 1 verwijder regel Regel a, b d is algemeen genoeg gebleven om 1 en 2 af te dekken, maar specifiek genoeg geworden om 3, 4 en 5 te missen. EGS is volledig: het vindt alle meest-algemene hypothesen die consistent zijn met de data. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 16
17 Inconsistentie en ruis Diagram 1: inconsistente data. Diagram 2: ruis (zie element rechtsboven) Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 17
18 Problemen met exhaustive general-to-specific (EGS) 1. Exploreert alle mogelijke specialisaties van regel-antecedenten combinatorische explosie zoekruimte. 2. Data met ruis oversized hypothesen. 3. Inconsistente data helemaal geen hypothesen. 4. Produceert alle consistente hypothesen meestal willen we alleen de beste(n) of ze nu consistent met de data zijn of niet. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 18
19 Heuristic general-to-specific (HGS) 1. Uitputtend zoeken is... te uitputtend. Alternatief: ga op elk moment verder met de b beste regels. Dit wordt beam-search genoemd, b is de beam-grootte (of wijdte). Collectie van open hypothesen bestaat nu altijd uit b regels. 2. Consistentie als kwaliteitsmaat is te zwart-wit: alleen 0 (inconsistent) of 1 (consistent). Alternatief: pas reëelwaardige kwaliteitsmaat (score) toe, bijvoorbeeld score(h) = Def match(h). Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 19
20 z 0.40 a z 0.53 b z 0.47 c z 0.71 a, b z 0.57 a, c z c, a z 0.83 c, b z a, c, b z 0.53 (< 0.59) STOP a, c, b z 0.57 (< 0.59) c, a, b z c, a, b, e z 0.89 Getallen geven regelscore aan. Regelscore kan de match zijn, de accuratesse, of een combinatie van deze twee factoren c, a, b, e, g z Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 20
21 Waarom meer dan één regel leren? Best scorende individuele regel. Best scorende regelverzameling Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 21
22 Het leren van regelverzamelingen Pas relatieve kwaliteitsmaat toe, toegespitst op accuratesse: Probleem: overfitting. Voorbeeld: score(h) = Def accuracy(h). 1. Gegeven: Onderwijzer tekent aantal punten, ongeveer in rechte lijn. 2. Algemene achterliggende concept: Een rechte lijn. 3. Overfitting: Leerling interpoleert punten met polygoon. Ander voorbeeld: a. Gegeven: Ouder toont drie rode objecten aan 2-jarig kind. b. Algemene achterliggende concept: Rood. c. Overfitting: Kind verwerpt alle andere rode dingen als rood, omdat het denkt dat alleen drie getoonde voorwerpen de eigenschap roodheid bezitten. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 22
23 Meerdere regels: afweging tussen eenvoud en accuratesse Nauwkeurige maar complexe afdekking. Eenvoudige maar onnauwkeurige afdekking. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 23
24 Sequentieel afdekken (sequential covering) Input: P, a list of positive instances Input: N, a list of negative instances Input: SCORE, a subroutine that computes the performance of an elementary hypothesis Input: l, a lower bound for what is acceptable as a score 1: - R := [ ]; 2: while P has elements do 3: - let r be the rule that is produced with HGS with parameters SCORE, P and N 4: - leave the while-loop if accuracy(r) > l; 5: - put r in R; 6: - remove all members of P that are covered by r; 7: return (R, P); # P contains all instances not covered by R Met veel scores kan bewezen worden dat P op t eind leeg is. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 24
25 Parametrizeerbare scorefunctie score(h) = a accuracy(h) b range(h) c coverage(h) a b c geproduceerde regelset groot klein klein overfitting; veel regels met lange antecedenten; veel toekomstige instanties negatief klein groot klein weinig regels; korte regel-antecedenten; veel positieve data niet gedekt klein klein groot weinig regels; groot gedeelte van de data is gedekt Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 25
26 Geloofwaardigheid (DOB) en implicatiesterkte (strength) Notatie: DOB( x, y (0.91) z ) = 0.45 Geloofwaardigheid (DOB, hier 0.45) en implicatiesterkte (hier 0.91) worden aangeleverd door geleerde waarden: 1. Geloofwaardigheid door (relatieve) coverage: welk percentage van het bereik van de regel (gegeven door de regel-antecedent) is reeds bekend (is data)? 2. Implicatiesterkte door accuratesse: op welk percentage aan data classificeert regel correct? Tabel: Geloofwaardigheid (DOB) coverage(r)/range(r) implicatiesterkte accuracy(r) Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 26
27 Ongesuperviseerd leren Ongesuperviseerd leren: het leren van regels zonder dat je vooraf aangeeft naar welke conclusies je zoekt. Input: A, a (high 0.98) lower bound for rule accuracy 1: - set R all to [ ]; 2: for each literal L that occurs in the data do 3: - set P, the list of positive instances, for L 4: - set N, the list of negative instances, for L 5: - augment, trough sequential covering, R all with all rules learned for L, as accurate as A; 6: return R all ; # all rules are as accurate as A Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 27
28 Andere manieren om regels te leren 1. Batch vs. real-time verwerken van instanties. Ook bekend als off-line vs. on-line, of als incrementeel vs. non-incrementeel verwerken van instanties. Er werd besproken: batch. 2. General-to-specific vs. specific-to-general ontwikkeling van hypothesen. Er werd besproken: {E H}GS. Een combinatie van beiden (GS SG) kan ook (vgl. zg. versieruimten in machinaal leren). 3. Sequentieel afdekken vs. uitzondering-op-uitzondering. Er werd besproken: sequentieel afdekken. Uitzondering-op-uitzondering: 1e regel is ruwe benadering; 2e regel is correctie op 1e regel; 3e regel is correctie op 2e regel, enzovoort. Gerard Vreeswijk. Laatst gewijzigd op 15 juni 2011 om 10:54 uur Slide 28
1 als x y = 0, = (t j o j )o j (1 o j )x ji.
Tentamen IAS. Vrijdag 1 Juli 2011 om 13.30-16.30 uur, zaal: EDUC-α 1 Dit tentamen duurt 3 uur. Er zijn 20 vragen, waarvan 4 open vragen en 16 meerkeuze. Het is verboden literatuur, aantekeningen, een programmeerbare
Nadere informatieAI Kaleidoscoop. College 11: Machinaal Leren. Machinaal leren: algemeen (1) Machinaal leren: algemeen (2) Machinaal leren: algemeen (3)
AI Kaleidoscoop College 11: Machinaal Leren Algemeen Voorbeeld Concept Learning (Version Space) Bias Leeswijzer: Hoofdstuk 10.0-10.2 + 10.4.1 AI11 1 Machinaal leren: algemeen (1) Leren betere prestaties
Nadere informatieHoe AI kan ingezet worden voor de analyse van asbesthoudende daken
Hoe AI kan ingezet worden voor de analyse van asbesthoudende daken Earth Observation Data Sciences www.vlaanderen.be/informatievlaanderen www.vito.be Workshop: Asbestinventarisatie en analyse Weerslag
Nadere informatieOpgave 2: Simplex-algoritme - oplossing
Opgave 2: Simplex-algoritme - oplossing Oefening 1- a) Coefficient of x r in Current Row 0 = 0 b) Let x s be the variable entering the basis and x r the variable leaving the basis. Then (Coefficient of
Nadere informatieInleiding Programmeren 2
Inleiding Programmeren 2 Gertjan van Noord November 28, 2016 Stof week 3 nogmaals Zelle hoofdstuk 8 en recursie Brookshear hoofdstuk 5: Algoritmes Datastructuren: tuples Een geheel andere manier om te
Nadere informatieOpgaven bij Hoofdstuk 3 - Productiesystemen
Opgaven bij Hoofdstuk 3 - Productiesystemen Top-down inferentie In de opgaven in deze paragraaf over top-down inferentie wordt aangenomen dat de feitenverzameling alleen feiten bevat die als getraceerd
Nadere informatieGerard Vreeswijk Automatisch redeneren College 13 [16], Slide 1 [21] Vandaag. 3. Aggregeren van support op regelniveau (accrual)
Gerard Vreeswijk Automatisch redeneren College 13 [16], Slide 1 [21] Vandaag 1. Recapitulatie DOS en DOB 2. Verschil tussen locaal (regel-gebaseerd) en globaal (argument-gebaseerd) redeneren. 3. Aggregeren
Nadere informatie2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren.
1. Veronderstel dat je als datamining consultant werkt voor een Internet Search Engine bedrijf. Beschrijf hoe datamining het bedrijf kan helpen door voorbeelden te geven van specifieke toepassingen van
Nadere informatieInleiding Programmeren 2
Inleiding Programmeren 2 Gertjan van Noord November 26, 2018 Stof week 3 nogmaals Zelle hoofdstuk 8 en recursie Brookshear hoofdstuk 5: Algoritmes Datastructuren: tuples Een geheel andere manier om te
Nadere informatie1 als x y = 0, A B C D E F. = (t j o j )o j (1 o j )x ji.
Tentamen IAS. Vrijdag 1 Juli 2011 om 13.30-16.30 uur, zaal: EDUC-α 1 Dit tentamen duurt 3 uur. Er zijn 20 vragen, waarvan 4 open vragen en 16 meerkeuze. Het is verboden literatuur, aantekeningen, een programmeerbare
Nadere informatieData Mining: Classificatie
Data Mining: Classificatie docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Overzicht Wat is classificatie? Leren van een beslissingsboom. Problemen
Nadere informatieRisico s binnen een project
Risico s binnen een project Alles loopt op wieltjes Je hebt de zaak vanuit alle hoeken onderzocht. Je hebt het al 1000x gedaan Alles is vanzelfsprekend Je weet perfect wat je aan het doen bent, je bent
Nadere informatieAI en Software Testing op de lange termijn
AI en Software Testing op de lange termijn Is het een appel? Traditioneel programmeren AI Kleur = rood, groen, geel Vorm = rond Textuur = glad Artificial Intelligence Machine Learning Methods Technologies
Nadere informatieLDA Topic Modeling. Informa5ekunde als hulpwetenschap. 9 maart 2015
LDA Topic Modeling Informa5ekunde als hulpwetenschap 9 maart 2015 LDA Voor de pauze: Wat is LDA? Wat kan je er mee? Hoe werkt het (Gibbs sampling)? Na de pauze Achterliggende concepten à Dirichlet distribu5e
Nadere informatieMeetellen? Dromen, Durven, Doen!
The Core of the Matter Haalbaarheid en effectiviteit van gedragsgerichte dual system-interventies bij verandering in organisaties Ben Tiggelaar Meetellen? Dromen, Durven, Doen! Dr. Ben Tiggelaar Adfiz
Nadere informatieGeheugenstrategieën, Leerstrategieën en Geheugenprestaties. Grace Ghafoer. Memory strategies, learning styles and memory achievement
Geheugenstrategieën, Leerstrategieën en Geheugenprestaties Grace Ghafoer Memory strategies, learning styles and memory achievement Eerste begeleider: dr. W. Waterink Tweede begeleider: dr. S. van Hooren
Nadere informatieEffectieve Communicatie
Effectieve Communicatie Coachen een veelzijdig vak Groningen, 30 september 2011 MARTIJN DOELEN Basiselementen communicatie en vaardigheden Communicatie filosofie Johan Cruyff Institute for Sport Studies
Nadere informatieTentamen Data Mining
Tentamen Data Mining Algemene Opmerkingen Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. Laat bij het uitvoeren van berekeningen zien hoe je aan een antwoord gekomen bent.
Nadere informatieOm te kijken of x, y, z samen een driehoek specificeren hoeven we alleen nog maar de driehoeksongelijkheid te controleren: x, y, z moeten voldoen
Feedback Software Testing, Opdrachten Week 1 Driehoek-test Deze opdracht is in het algemeen zeer goed uitgevoerd. Algemeen valt in vergelijking met vorig jaar op dat de ingeleverde oplossingen veel minder
Nadere informatieComputer Vision: Hoe Leer ik een Computer Zien?
Computer Vision: Hoe Leer ik een Computer Zien? Michael H.F. Wilkinson Instituut voot Wiskunde en Informatica Rijksuniversiteit Groningen 27 April 2006 Overzicht 1 of 19 Wat is Computer Vision? Wat zijn
Nadere informatieDe relatie tussen Stress Negatief Affect en Opvoedstijl. The relationship between Stress Negative Affect and Parenting Style
De relatie tussen Stress Negatief Affect en Opvoedstijl The relationship between Stress Negative Affect and Parenting Style Jenny Thielman 1 e begeleider: mw. dr. Esther Bakker 2 e begeleider: mw. dr.
Nadere informatieTransparanten bij het vak Inleiding Adaptieve Systemen: Introductie Machine Leren. M. Wiering
Transparanten bij het vak Inleiding Adaptieve Systemen: Introductie Machine Leren. M. Wiering Lerende Machines Verbeter in taak T, Voorbeeld: je ziet de karakteristieken (Features) van een aantal dieren
Nadere informatieCreatief onderzoekend leren
Creatief onderzoekend leren De onderwijskundige: Wouter van Joolingen Universiteit Twente GW/IST Het probleem Te weinig bèta's Te laag niveau? Leidt tot economische rampspoed. Hoe dan? Beta is spelen?
Nadere informatieArtificial Intelligence in uw dagelijkse praktijk. Hilversum, 22 September 2016
Artificial Intelligence in uw dagelijkse praktijk Hilversum, 22 September 2016 Agenda 09:30 Welkom en introductie 09:35 Artificial Intelligence, al meer dan 50 jaar een actief onderzoeksgebied Jaap van
Nadere informatiep. 1/39 Voorbeeld: R = {R 1 : if same(x,a) and same(y,b) then R 2 : if same(x,b) then add(u,f) fi, R 3 : if same(z,c) and same(w,d) then
Bottom-up Inferentie Data-gestuurde inferentievorm: Vergelijking Top-down inferentie: selectie regels match (sub)doel conclusie Uiteindelijke Feiten Doelen Initiële feitenverzameling: F = {A} Regelverzameling:
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 12 december 2014 8:30-10:30 Vooraf Mobiele telefoons en dergelijke dienen uitgeschakeld te zijn. Het eerste deel van het tentamen bestaat uit 8 multiple-choice
Nadere informatieTentamen Kunstmatige Intelligentie (INFOB2KI)
Tentamen Kunstmatige Intelligentie (INFOB2KI) 30 januari 2014 10:30-12:30 Vooraf Mobiele telefoons dienen uitgeschakeld te zijn. Het tentamen bestaat uit 7 opgaven; in totaal kunnen er 100 punten behaald
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 10 Donderdag 14 Oktober 1 / 71 1 Kansrekening Indeling: Bayesiaans leren 2 / 71 Bayesiaans leren 3 / 71 Bayesiaans leren: spelletje Vb. Twee enveloppen met kralen, waarvan
Nadere informatiePHCC-G Walk-in. Optical Music recognition (niets? voor niets?) een samenvatting van een onderzoek uit 2008/2009
PHCC-G Walk-in Optical Music recognition (niets? voor niets?) een samenvatting van een onderzoek uit 2008/2009 Optical Music recognition Er zijn er mogelijkheden om geprint bladmuziek hoorbaar te maken.
Nadere informatieTussentijdse toets Expertsystemen
Dit tentamen is in elektronische vorm beschikbaar gemaakt door de TBC van A Eskwadraat. A Eskwadraat kan niet aansprakelijk worden gesteld voor de gevolgen van eventuele fouten in dit tentamen. Tussentijdse
Nadere informatieUitleg van de Hough transformatie
Uitleg van de Hough transformatie Maarten M. Fokkinga, Joeri van Ruth Database groep, Fac. EWI, Universiteit Twente Versie van 17 mei 2005, 10:59 De Hough transformatie is een wiskundige techniek om een
Nadere informatieContinuous Learning in Computer Vision S.L. Pintea
Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University
Nadere informatieInformatica. Deel II: les 2. Leibniz - erven - digitaal. Jan Lemeire Informatica deel II februari mei Parallel Systems: Introduction
Informatica Deel II: les 2 Leibniz - erven - digitaal Jan Lemeire Informatica deel II februari mei 2013 Parallel Systems: Introduction Leibniz 1646 1716 Jan Lemeire Pag. 2 / 48 Calculemus! Berechnen wir!
Nadere informatieDe Modererende Invloed van Sociale Steun op de Relatie tussen Pesten op het Werk. en Lichamelijke Gezondheidsklachten
De Modererende Invloed van Sociale Steun op de Relatie tussen Pesten op het Werk en Lichamelijke Gezondheidsklachten The Moderating Influence of Social Support on the Relationship between Mobbing at Work
Nadere informatieHypothese toetsen en het switch-criterium
Hypothese toetsen en het switch-criterium S.L. van der Pas Met Peter Grünwald Lunchlezing DLF, 9 april 2014 Outline Voorbeeld p-waarden Modelselectie Switch-criterium Conclusie 1 / 17 Voorbeeld Soal &
Nadere informatieCOGNITIEVE DISSONANTIE EN ROKERS COGNITIVE DISSONANCE AND SMOKERS
COGNITIEVE DISSONANTIE EN ROKERS Gezondheidsgedrag als compensatie voor de schadelijke gevolgen van roken COGNITIVE DISSONANCE AND SMOKERS Health behaviour as compensation for the harmful effects of smoking
Nadere informatieDeel 1: Uitleg MUSE Multi Sample Evaluation. Externe QC SKML score en rapportagesysteem Eric Vermeer Jurgen Riedl Francois Verheijen
Deel 1: Uitleg MUSE Multi Sample Evaluation Externe QC SKML score en rapportagesysteem Eric Vermeer Jurgen Riedl Francois Verheijen Inleidende termen Casusgericht Bepalingsgericht Kwantitatief Kwalitatief
Nadere informatieToets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:
Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan
Nadere informatieConsumentenreacties op online reviews. Patrick De Pelsmacker 14 maart 2014
Consumentenreacties op online reviews Patrick De Pelsmacker 14 maart 2014 1 Inhoud 1. Hoe reageren consumenten op negatieve en positieve online reviews? Inzichten uit internationaal onderzoek. 2. Welke
Nadere informatieProgramma. Schaalconstructie. IRT: moeilijkheidsparameter. Intro: Het model achter het LOVS Mogelijkheden die het model biedt voor interpretatie
Programma LOVS Rekenen-Wiskunde Inhoud, rapportage en invloed van en Intro: Het model achter het LOVS Mogelijkheden die het model biedt voor interpretatie Marian Hickendorff Universiteit Leiden / Cito
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren
Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2017-2018 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 21 maart
Nadere informatieHet Effect van Gender op de Relatie tussen Persoonlijkheidskenmerken en Seksdrive
Gender, Persoonlijkheidskenmerken en Seksdrive 1 Het Effect van Gender op de Relatie tussen Persoonlijkheidskenmerken en Seksdrive Gender Effect on the Relationship between Personality Traits and Sex Drive
Nadere informatieGödels theorem An Incomplete Guide to Its Use and Abuse, Hoofdstuk 3
Gödels theorem An Incomplete Guide to Its Use and Abuse, Hoofdstuk 3 Koen Rutten, Aris van Dijk 30 mei 2007 Inhoudsopgave 1 Verzamelingen 2 1.1 Definitie................................ 2 1.2 Eigenschappen............................
Nadere informatieCirculair geld verdienen
Circulair geld verdienen Strategische aanpak en bedrijfseconomisch verdienmodel voor met name producenten MiddagSymposium Circulaire Economie vraagt procesveranderingen 19 februari 2014 Advies Programma-
Nadere informatieVierde college algoritmiek. 2 maart Toestand-actie-ruimte Exhaustive Search
Algoritmiek 2018/Toestand-actie-ruimte Vierde college algoritmiek 2 maart 2018 Toestand-actie-ruimte Exhaustive Search 1 Algoritmiek 2018/Toestand-actie-ruimte Kannen Voorbeeld 4: Kannenprobleem We hebben
Nadere informatieInleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren
Inleiding Adaptieve Systemen Hoofdstuk 5: Ongesuperviseerd Leren Cursusjaar 2014-2015 Gerard Vreeswijk β-faculteit, Departement Informatica en Informatiekunde, Leerstoelgroep Intelligente Systemen 17 juni
Nadere informatieBeoordeling van het PWS
Weging tussen de drie fasen: 25% projectvoorstel, 50% eindverslag, 25% presentatie (indien de presentatie het belangrijkste onderdeel is (toneelstuk, balletuitvoering, muziekuitvoering), dan telt de presentatie
Nadere informatieBasisconcept VHDL. Digitaal Ontwerpen Tweede studiejaar. Wim Dolman. Engineering, leerroute Elektrotechniek Faculteit Techniek
Basisconcept VHDL Tweede studiejaar Wim Dolman Engineering, leerroute Elektrotechniek Faculteit Techniek 1 Deze presentatie toont de stappen voor het ontwerpen van een digitale combinatorische schakeling
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 12 Donderdag 21 Oktober 1 / 38 2 Statistiek Indeling: Stochast en populatie Experimenten herhalen Wet van de Grote Getallen Centrale Limietstelling 2 / 38 Deductieve
Nadere informatieGegevens invullen in HOOFDLETTERS en LEESBAAR, aub. Belgische Olympiades in de Informatica (duur : maximum 1u15 )
OI 2010 Finale 12 Mei 2010 Gegevens invullen in HOOFDLETTERS en LEESBAAR, aub VOORNAAM :....................................................... NAAM :..............................................................
Nadere informatieextra oefening algoritmiek - antwoorden
extra oefening algoritmiek - antwoorden opgave "Formule 1" Maak een programma dat de gebruiker drie getal A, B en C in laat voeren. De gebruiker zorgt ervoor dat er positieve gehele getallen worden ingevoerd.
Nadere informatieHet Effect van Verschil in Sociale Invloed van Ouders en Vrienden op het Alcoholgebruik van Adolescenten.
Het Effect van Verschil in Sociale Invloed van Ouders en Vrienden op het Alcoholgebruik van Adolescenten. The Effect of Difference in Peer and Parent Social Influences on Adolescent Alcohol Use. Nadine
Nadere informatieDe pedagogische kwaliteit van SWPBS. Monique Nelen, PBS coach
De pedagogische kwaliteit van SWPBS. Monique Nelen, PBS coach Programma Even voorstellen SWPBS als methodiek Het pedagogische doel van onderwijs Pedagogische Kwaliteit SWPBS met pedagogische kwaliteit
Nadere informatieUnderstanding and being understood begins with speaking Dutch
Understanding and being understood begins with speaking Dutch Begrijpen en begrepen worden begint met het spreken van de Nederlandse taal The Dutch language links us all Wat leest u in deze folder? 1.
Nadere informatieFirewall van de Speedtouch 789wl volledig uitschakelen?
Firewall van de Speedtouch 789wl volledig uitschakelen? De firewall van de Speedtouch 789 (wl) kan niet volledig uitgeschakeld worden via de Web interface: De firewall blijft namelijk op stateful staan
Nadere informatie(Big) Data in het sociaal domein
(Big) Data in het sociaal domein Congres Sociaal: sturen op gemeentelijke ambities 03-11-2016 Even voorstellen Laudy Konings Lkonings@deloitte.nl 06 1100 3917 Romain Dohmen rdohmen@deloitte.nl 06 2078
Nadere informatieHet disciplinaire future self als bron van motivatie en activatie
Het disciplinaire future self als bron van motivatie en activatie Onderwijsproject Faculteit Wetenschappen 2014-2015 promotor: Prof. Dr. Philippe Muchez Het disciplinaire future self Possible selves represent
Nadere informatieBijlage 1: het wetenschappelijk denk- en handelingsproces in het basisonderwijs 1
Bijlage 1: het wetenschappelijk denk- en handelingsproces in het basisonderwijs 1 Bijlage 1: Het wetenschappelijk denk- en handelingsproces in het basisonderwijs: Stadium van het instructie model Oriëntatiefase
Nadere informatieMaster Competence Analysis. Feedback Rapport Demo (feedback) 2 17-03-2006
Master Competence Analysis Feedback Rapport Demo (feedback) 2 17-03-2006 I N L E I D I N G In dit rapport vindt u de uitslag van uw Master Competence Analysis (MCA). Het doel ervan is u een eerlijk, nauwkeurig
Nadere informatieNeurale Netwerken en Deep Learning. Tijmen Blankevoort
Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling
Nadere informatieSamenvatting (Summary in Dutch)
Het voornaamste doel van dit proefschrift is nieuwe methoden te ontwikkelen en te valideren om de effectiviteit van customization te kunnen bepalen en hoe dataverzameling kan worden verbeterd. Om deze
Nadere informatieClassification of triangles
Classification of triangles A triangle is a geometrical shape that is formed when 3 non-collinear points are joined. The joining line segments are the sides of the triangle. The angles in between the sides
Nadere informatieHelden van de wiskunde: L.E.J. Brouwer Brouwers visie vanuit een logica-informatica perspectief
Helden van de wiskunde: L.E.J. Brouwer Brouwers visie vanuit een logica-informatica perspectief Herman Geuvers Radboud Universiteit Nijmegen Technische Universiteit Eindhoven 1 Helden van de wiskunde:
Nadere informatieRegionale ScenarioBouwer
Agenda Regionale ScenarioBouwer Het concept, en eisen aan het instrumentarium RAND Europe en TNO in opdracht van AVV PLATOS colloquium Presentatie: Rik van Grol (Significance) 14 maart 2007 Inleiding Het
Nadere informatieDe combinatie van verrijkingen, machine learning en crowd sourcing
Verbetering vindbaarheid en bruikbaarheid van de digitale content van de KB De combinatie van verrijkingen, machine learning en crowd sourcing Theo van Veen, 31-1-2017 Theo van Veen, 31-1-2017 Verrijken:
Nadere informatieThe genesis of the game is unclear. Possibly, dominoes originates from China and the stones were brought here by Marco Polo, but this is uncertain.
Domino tiles Dominoes is a game played with rectangular domino 'tiles'. Today the tiles are often made of plastic or wood, but in the past, they were made of real stone or ivory. They have a rectangle
Nadere informatieHoe worden artsen experts in klinische communicatie?
Hoe worden artsen experts in klinische communicatie? Jan Wouda Harry van de Wiel Wenckebach Instituut Universitair Medisch Centrum Groningen CanMEDS competenties Samenwerking Communicatie Organisatie Medisch
Nadere informatieDiophantische vergelijkingen in het kerstpakket
Diophantische vergelijkingen in het kerstpakket Benne de Weger b.m.m.d.weger@tue.nl Faculteit Wiskunde en Informatica Technische Universiteit Eindhoven versie.0, 3 december 00 De TU/e viert een feestje
Nadere informatieThinking of Development
Thinking of Development College 2 Imperatief programmeren Arjan Scherpenisse arjan.scherpenisse@kmt.hku.nl @acscherp Dit college Programmeren, wat is dat dan? De programmeur als vormgever Pseudocode Scratch
Nadere informatieTYPE EXAMENVRAGEN VOOR TOEGEPASTE STATISTIEK
TYPE EXAMENVRAGEN VOOR TOEGEPASTE STATISTIEK Prof. Dr. M. Vandebroek 1. Een aantal proefpersonen werd gevraagd een frisdrank te beoordelen door aan te geven in hoeverre ze het eens zijn met de volgende
Nadere informatieHeeft positieve affectregulatie invloed op emotionele problemen na ingrijpende gebeurtenissen?
Heeft positieve affectregulatie invloed op emotionele problemen na ingrijpende gebeurtenissen? Lonneke I.M. Lenferink Rijksuniversiteit Groningen, Universiteit Utrecht Paul A. Boelen Universiteit Utrecht,
Nadere informatieModern Toezicht. Martin de Bree. GGN congres Het nieuwe incasseren 19 april 2019
Modern Toezicht Martin de Bree GGN congres Het nieuwe incasseren 19 april 2019 CONTENT INTRODUCTIE UITDAGING #1 UITDAGING #2 MODELLEN TAKE AWAYS Aangenaam! M a r t i n d e B r e e R o t t e r d a m S c
Nadere informatieTentamen TI1300 en IN1305-A (Redeneren en) Logica
TECHNISCHE UNIVERSITEIT DELFT Faculteit Elektrotechniek, Wiskunde en Informatica Tentamen TI1300 en IN1305-A (Redeneren en) Logica 21 Januari 2011, 8.30 11.30 uur LEES DEZE OPMERKINGEN AANDACHTIG DOOR
Nadere informatieSekseverschillen in Huilfrequentie en Psychosociale Problemen. bij Schoolgaande Kinderen van 6 tot 10 jaar
Sekseverschillen in Huilfrequentie en Psychosociale Problemen bij Schoolgaande Kinderen van 6 tot 10 jaar Gender Differences in Crying Frequency and Psychosocial Problems in Schoolgoing Children aged 6
Nadere informatie3HUIRUPDQFH0HDVXUHPHQW RI'\QDPLFDOO\&RPSLOHG -DYD([HFXWLRQV
3HUIRUPDQFH0HDVXUHPHQW RI'\QDPLFDOO\&RPSLOHG -DYD([HFXWLRQV Tia Newhall and Barton P. Miller {newhall *, bart}@cs.wisc.edu Computer Sciences University of Wisconsin 1210 W. Dayton St. Madison, WI 53706
Nadere informatieOutcome in zicht: JGZ? Erik Jan de Wilde, 16 maart 2015
Outcome in zicht: JGZ? Erik Jan de Wilde, 16 maart 2015 Inhoud Outcome in Zicht: Wat hebben we gedaan? Outcome en de JGZ? 2 Aanleiding project Gemeenten zijn per 1 jan. 2015 wettelijk verplicht aan te
Nadere informatieCollege 4 Inspecteren van Data: Verdelingen
College Inspecteren van Data: Verdelingen Inleiding M&T 01 013 Hemmo Smit Overzicht van deze cursus 1. Grondprincipes van de wetenschap. Observeren en meten 3. Interne consistentie; Beschrijvend onderzoek.
Nadere informatieKansrekening en Statistiek
Kansrekening en Statistiek College 9 Woensdag 7 Oktober 1 / 51 Kansrekening en Statistiek? Bevordert luieren de fantasie? Psychologie 2 / 51 Kansrekening en Statistiek? Bevordert luieren de fantasie? Psychologie
Nadere informatieS e v e n P h o t o s f o r O A S E. K r i j n d e K o n i n g
S e v e n P h o t o s f o r O A S E K r i j n d e K o n i n g Even with the most fundamental of truths, we can have big questions. And especially truths that at first sight are concrete, tangible and proven
Nadere informatiesucces. Door steeds opnieuw toernooien te blijven spelen evolueert de populatie. We kunnen dit doen onder ideale omstandigheden,
Inleiding Adaptieve Systemen deel 2, 25 juni 2014, 13.30-16.30, v. 1 Er is op vrijdag 27 juni nog een practicumsessie! De aanvullende toets is op 4 juli, 13-15 uur. Competitie en cooperatie 1. Bekijk de
Nadere informatieWerkinstructie Het opschonen van data bij schriftelijke en of online dataverzameling
Werkinstructie Het opschonen van data bij schriftelijke en of online dataverzameling Versie: 2.0 Datum: 15-09-2013 Code: WIS 06.01 Eigenaar: KI 1. Inleiding In deze werkinstructie staan de richtlijnen
Nadere informatieInleiding C++ Coding Conventions
Inleiding C++ Coding Conventions Opleiding Bachelor of Science in Informatica, van de Faculteit Wetenschappen, Universiteit Antwerpen. Nota s bij de cursus voor academiejaar 2012-2013. Ruben Van den Bossche,
Nadere informatie(On)Doenlijke problemen
Fundamentele Informatica In3 005 Deel 2 College 1 Cees Witteveen Parallelle en Gedistribueerde Systemen Faculteit Informatie Technologie en Systemen Overzicht Inleiding - Relatie Deel 1 en Deel 2 - Doenlijke
Nadere informatieCollege 4: Gegeneraliseerde Kwantoren
Semantiek CKI/CAI Utrecht, herfst 2008 College 4: Gegeneraliseerde Kwantoren Onderwerpen: NP denotaties als verzamelingen van verzamelingen, monotoniciteit bij kwantoren, determiner denotaties als relaties
Nadere informatieTOEGANG VOOR NL / ENTRANCE FOR DUTCH : https://www.stofs.co.uk/en/register/live/?regu lator=c&camp=24759
DISCLAIMER : 1. Het is een risicovolle belegging / It is an investment with risc. 2. Gebruik enkel geld dat u kan missen / Only invest money you can miss. 3. Gebruik de juiste procedure / Use the correct
Nadere informatieGrammatica overzicht Theme 5+6
Past simple vs. Present perfect simple Past simple: Ww + ed OF 2 e rijtje van onregelmatige ww. I walked I went Ontkenningen past simple: Did not + hele ww He did not walk. Present perfect: Have/has +
Nadere informatie4. PDCA RICHTING DOEL-TOESTAND
De Verbeter Kata 4. PDCA RICHTING DOEL-TOESTAND Oefen deze Routine Verbeter Kata Handboek PDCA Cycli 1 PDCA CYCLI Is één van de vier te oefenen routines om de Verbeter Kata te leren Begrijpen huidige toestand
Nadere informatieCROSSMEDIATRACKER DEFENSIE VROUWEN MeMo². All rights reserved.
CROSSMEDIATRACKER DEFENSIE VROUWEN 2016 MeMo². All rights reserved. INHOUDSOPGAVE Introductie & Methodologie Campagne Evaluatie Vrouwen Doelstellingen Campagne effecten / single medium, synergie Herkenning
Nadere informatieExamen Datastructuren en Algoritmen II
Tweede bachelor Informatica Academiejaar 2012 2013, tweede zittijd Examen Datastructuren en Algoritmen II Naam :.............................................................................. Lees de hele
Nadere informatiePesten onder Leerlingen met Autisme Spectrum Stoornissen op de Middelbare School: de Participantrollen en het Verband met de Theory of Mind.
Pesten onder Leerlingen met Autisme Spectrum Stoornissen op de Middelbare School: de Participantrollen en het Verband met de Theory of Mind. Bullying among Students with Autism Spectrum Disorders in Secondary
Nadere informatieRunning head: INVLOED MBSR-TRAINING OP STRESS EN ENERGIE 1. De Invloed van MBSR-training op Mindfulness, Ervaren Stress. en Energie bij Moeders
Running head: INVLOED MBSR-TRAINING OP STRESS EN ENERGIE 1 De Invloed van MBSR-training op Mindfulness, Ervaren Stress en Energie bij Moeders The Effect of MBSR-training on Mindfulness, Perceived Stress
Nadere informatieDATA MINING (TI2730-C)
Technische Universiteit Delft Elektrotechniek, Wiskunde en Informatica Secties: Pattern Recognition & Bioinformatics & Multimedia Signal Processing DATA MINING (TI2730-C) Schriftelijk (her)tentomen. Dinsdag
Nadere informatieElfde college algoritmiek. 16 mei Dijkstra, Gretige algoritmen en Branch & Bound
Algoritmiek 013/11 College 11 Elfde college algoritmiek 1 mei 013 Dijkstra, Gretige algoritmen en Branch & Bound 1 Algoritmiek 013/11 Voorbeeld -1- A B C D E F G H 9 7 5 A B C D E F G H 0 9 9 7 5 A B C
Nadere informatieRobotic accounting & machine learning
Robotic accounting & machine learning Door: Gerard Bottemanne, Onderzoeksbureau GBNED 19 september 2018 Begripsvorming Robotic accounting Robotic accounting heeft betrekking op Boekhoudfuncties in de brede
Nadere informatieUser Profile Repository Testrapportage kwaliteit
CatchPlus User Profile Repository Testrapportage kwaliteit Versie 1.1 User Profile Repository Testrapportage kwaliteit Versie: 1.1 Publicatiedatum: 20-4-2012 Vertrouwelijk GridLine B.V., 2012 Pagina 1
Nadere informatieDiagnostiek van DVT en LE bij ouderen. Fred Haas
Diagnostiek van DVT en LE bij ouderen Fred Haas 28-06-2012 1 PAOKC Fred Haas 28-06-2012 Vereenvoudigd stolschema 2 PAOKC Fred Haas 28-06-2012 3 PAOKC Fred Haas 28-06-2012 4 PAOKC Fred Haas 28-06-2012 Vereenvoudigd
Nadere informatieSamenvatting De belangrijkste onderzoeksvraag waarop het werk in dit proefschrift een antwoord probeert te vinden, is welke typen taalkundige informatie het nuttigst zijn voor de lexicale desambiguatie
Nadere informatieIntroductie in flowcharts
Introductie in flowcharts Flow Charts Een flow chart kan gebruikt worden om: Processen definieren en analyseren. Een beeld vormen van een proces voor analyse, discussie of communicatie. Het definieren,
Nadere informatieSEQUENTIE-STRUCTUUR. Oefening: Dichtheid
SEQUETIE-STRUCTUUR Oefening: Dichtheid geef diameter vd bol(m) //Declaratie input variabelen double diameter; double soortmassa; //Declaratie variabelen voor tussenresultaten double volume; diameter //Declaratie
Nadere informatieForensisch onderzoek aan handtekeningen. Linda Alewijnse
Forensisch onderzoek aan handtekeningen Linda Alewijnse 13 november 2014 NFI - geen CSI Ministerie van Veiligheid en Justitie Opdrachtgevers zijn politie, OM, rechterlijke macht en overheden Onpartijdig
Nadere informatie