Herkennen van symbolenreeksen binnen een oneindige reeks met Hidden Markov Modellen. Werner ( ), Maaike ( ) begeleider Bart de Boer
|
|
- Leen Petra de Graaf
- 7 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Herkennen van symbolenreeksen binnen een oneindige reeks met Hidden Markov Modellen Werner ( ), Maaike ( ) begeleider Bart de Boer 3 september 2005
2 Inhoudsopgave 1 Introductie 2 2 Onderzoeksopzet Hidden Markov Modellen Ons systeem Doel van het onderzoek Onderzoeksvragen Onze toevoegingen aan de HMM van Rabiner Learningrate bij training Tweakfunctie bij training Herkenning in de laatste toestand Maximale lengte van woorden Het model voor herkenning 8 5 Testopzet Woorden-generator Berekening prestatie Testresultaten 10 7 Conclusie 14 8 Discussie 14 1
3 1 Introductie Mensen kunnen woorden herkennen binnen een oneindige reeks van klanken terwijl er behoorlijk wat variatie in de uitspraak zit. Dit fenomeen hebben we bekeken, niet vanuit de Taalkunde of Psycholinguïstiek, maar vanuit ons eigen vakgebied, de Kunstmatige Intelligentie. Kunstmatige spraakherkenners zijn gebaseerd op verschillende technieken, zoals bijvoorbeeld recurrent networks (Davis et al., 1997) en statistische modellen (Jelinek, 1976). Veel van de huidige spraakherkenners werken met hidden Markov modellen (HMM). Een grote beperking hierbij is echter dat deze modellen enkel om kunnen gaan met discrete structuren. Hier wordt over het algemeen omheen gewerkt door een spraaksignaal eerst op te breken in discrete stukken. Omdat vaak niet zo makkelijk is aan te geven waar de woordeinden zich bevinden in het continue signaal, kunnen bij deze voorbewerking al de nodige fouten optreden. Voor het kleine project dat onderdeel is van onze studie hebben we een model geïmplementeerd dat niet om de beperking heen werkt, maar een aantal toevoegingen maakt aan de HMM, zodat ze om kunnen gaan met een oneindig signaal. Om het simpel te houden werkt ons systeem niet met gesproken taal, maar met een simulatie daarvan in de vorm van tekst. Dankzij aanpassingen aan de conventionele HMM is het systeem in staat om net als mensen een woord binnen een reeks klanken te herkennen. Het systeem krijgt een reeks binnen en herkent daar woorden in terwijl de reeks binnen blijft stromen en het einde nog niet bekend is. Deze nieuwe toepassing met HMM biedt interessante mogelijkheden voor verwerking van oneindige structuren. Niet alleen op het gebied van spraakherkenning kan dit nuttig zijn, maar ook binnen andere gebieden zoals bijvoorbeeld bij het herkennen van genen binnen DNA. Bij dit soort herkenningsprocessen worden al HMM gebruikt (Lukashin & Borodovsky, 1998), maar deze nieuwe manier kan de mogelijkheden vergroten. 2 Onderzoeksopzet 2.1 Hidden Markov modellen Als basis voor ons systeem gebruiken we het HMM zoals beschreven door Eddy (2004). Dit model beschrijft op een statistische manier iets dat geobserveerd kan worden, zoals bijvoorbeeld een letter-reeks. Het model bestaat uit een aantal toestanden waartussen bewogen kan worden. Hoe deze beweging precies is staat niet vast, maar bestaat uit kansen. De beweging hangt af van de initiële waarschijnlijkheidskansen van een toestand en van de overgangskansen. Daarnaast omschrijven de waarnemingskansen de kans op bepaalde observaties. Omdat we een model maken van een reeks die in de tijd verandert is een left-right HMM het meest geschikt. In zo n model is 2
4 het niet mogelijk om terug (in de tijd) te gaan, maar kan je alleen voor uit. We kiezen bovendien voor een two-step model. Dit houdt in dat de stappen binnen het model niet groter kunnen zijn dan twee toestanden. Er kan bijvoorbeeld dus niet in één stap naar de laatste toestand worden gegaan. Waarom de keuze op dit model is gevallen wordt in paragraaf 3.3 verder toegelicht. A B C A B C A B C A B C b b 2 ( 1) b 2 ( 2 1 ( 1) b 1 ( 2) b ) 1 ( 3) b 2 ( 3) b 3 ( 1) b 3 ( 2) b 3 ( 3) b 4 ( 1) b 4 ( 2) b 4 ( 3) a 12 a 23 a 34 a 11 a 22 a 13 a 24 a 33 a Figuur 1: Een voorbeeld van een two-step left-right HMM λ S π π i A a ij V M B b j (k) het complete model verzameling van N toestanden verzameling initile waarschijnlijkheidskansen kans dat je begint in toestand i verzameling van overgangskansen overgangskans van i naar j verzameling waarneembare symbolen aantal verschillende observatiesymbolen verzameling van waarnemingskansen waarnemingskans van symbool k in toestand j Tabel 1: De parameters die het model beschrijven Hoe goed een observatie binnen het model past hangt dus af van de initiële waarschijnlijkheidskansen, overgangskansen en waarnemingskansen. Herkenning m.b.v. HMM vindt over het algemeen plaats door te kijken naar de waarschijnlijkheid van een observatie gegeven het model; P (O λ). Deze waarschijnlijkheid kan je berekenen door elke mogelijke sequentie van toestanden te doorlopen en de kans hiervan te berekenen (Rabiner, 1989). Dit gebeurt aan de hand van de variabele α t (i); de kans op de observatiesequentie tot tijdstip t en toestand i op tijdstip t, gegeven het model. 3
5 P (O λ) wordt berekend in de onderstaande drie stappen. initialisatie : α t (i) = P (O 1 O 2 O t, q t = S i λ) (1) [ N ] inductie : α t+1 (j) = α t (i)a ij b j (O t+1 ) (2) i=1 terminatie : N P (O λ) = α τ (i) (3) i=1 Om het HMM zo te maken dat deze toegespitst is op een verzameling observaties moet het getraind worden. Met een methode van Rabiner kunnen we dit doen. Deze methode bepaalt aan de hand van de observaties de verwachtingen voor de toekomst en past daar de parameters van het model op aan. Dit wordt beschreven in de onderstaande formules. π i = γ 1 (i) (4) T 1 t=1 a ij = t(i, j) T 1 t=1 γ t(i) (5) b j (k) = Tt=1 γ t (j) s.t. Ot=V k Tt=1 γ t (j) (6) γ t (i) De kans om in toestand i te zijn op tijdstip t T 1 t=1 γ t(i) Verwachte aantal transities vanaf toestand i Tt=1 γ t (j) Verwachte aantal keer in toestand j Tt=1 γ t (j) s.t. Ot=V k Verwachte aantal keer dat V k geobserveerd wordt in toestand j ξ t (i, j) De kans om op tijdstip t in toestand i te zijn en toestand j op tijdstip t+1 T 1 t=1 ξ t(i, j) Verwachte aantal transities van toestand i naar j Tabel 2: Kansen en verwachtingen, berekend aan de hand van de observaties. Deze vormen de basis voor het optimaliseren van de parameters van het model. 2.2 Ons systeem Het systeem dat we hebben gemodelleerd en geïmplementeerd is gebaseerd op HMM en de trainingsmethode van Rabiner. Het systeem wordt getraind op een bepaald woord en willekeurige variaties hierop. Na de training krijgt het systeem een oneindige stroom tekens aangeboden waartussen af en toe het woord en de variaties hierop voorkomen. Dit wordt verwezenlijkt door 4
6 een generator die voortdurend willekeurige tekens genereert en daar af en toe een woord dat herkend moet worden tussendoor stopt. Het syteem moet dus woorden uit een stroom filteren terwijl er een continue input is, anders gezegd; het systeem werkt on-line. Variaties op een woord herkennen is iets waar een HMM erg geschikt voor is, maar het verwerken van een oneindige reeks en daarbinnen eindige combinaties herkennen is iets nieuws en hiervoor zijn toevoegingen aan het HMM nodig. keopqckljaeoiqjwedcqaeadpcitjkeaspcijeqelckjdsaalhiddenmarkov modeljkdlsajidlqedlkjdasdkjeddsasdfhideenmarkovmodeljfklskdfa adfadsfkljalqeriuoiczvpoiuzvadfqerouzcvoiuhiddenmarkovmodelad fjsdfjkliczvczvpioqeqerzczvuozcvzcoviuzcvpouibpiozcvrqehiddem narjovmodeldfasdfqeroiuzpocivuqerjklsdfmadfhiddenmarkovmodela fdeqroidadfqeroiuzoicuvozixuvcoiueqrlkjadsflkjas... Figuur 2: Een voorbeeld van wat het systeem moet herkennen als het getraind is op het woord hiddenmarkovmodel en variaties hier op 2.3 Doel van het onderzoek Het doel van ons onderzoek is de HMM zo aan te passen dat ze om kunnen gaan met een oneindige reeks. Dit willen we doen door het systeem, zoals hierboven beschreven, te verwezenlijken. We kijken welke toevoegingen er nodig zijn aan de conventionele HMM, hoe zo n systeem gemodeleerd kan worden en wat de prestaties zijn. 2.4 Onderzoeksvragen Welke aanpassingen op de conventionele HMM zijn nodig om de beschreven toepassing mogelijk te maken? Hoe kan zo n systeem gemodeleerd worden? Hoe kan de prestatie van het systeem gemeten worden? Hoe presteert het systeem? 3 Onze toevoegingen aan de HMM van Rabiner 3.1 Learningrate bij training Bij de training volgens de methode van Rabiner worden de parameters bij elke trainingsronde erg sterk aangepast. Hierdoor kan wat in vorige trai- 5
7 ningsrondes is geleerd verloren gaan. Bovendien kan er onevenwichtig getraind worden omdat in de traingroep die we gebruiken niet persé alle realistische symbolen en symboolcombinaties voorkomen. Om deze twee redenen hebben we ervoor gekozen om de parameters minder sterk aan te passen door gebruik te maken van een learningrate. Het leren gaat hierdoor langzamer maar is minder desastreus en het effect van onevenwichtig leren is geringer. 3.2 Tweakfunctie bij training Zoals eerder al gezegd omvat de traingroep niet altijd alle realistisch mogelijke symbolen en symboolcombinaties. Om de training nog wat evenwichtiger te maken hebben we een tweakfunctie toegevoegd. Deze functie zorgt ervoor dat het model nog extra getraind wordt op woorden met een lage waarschijnlijkheid. De functie werkt als volgt. Na de eerder beschreven training wordt de waarschijnlijkheid (gegeven het model) van de woorden uit de traingroep berekend. Vervolgens filtert de functie de woorden met een waarschijnlijkheid van nul weg, hier kan het model namelijk niet meer op getraind worden. Dit komt doordat de berekening tijdens de training gebaseerd wordt op de waarschijnlijkheid en als deze eenmaal geconvergeerd is naar nul kan dit getal niet meer stijgen. Na de filtering zorgt de functie ervoor dat er opnieuw getraind wordt op de woorden met een lage waarschijnlijkheid. Dit gebeurt door steeds te trainen op het woord met de laagste waarschijnlijkheid. Deze extra training stopt zodra de waarschijnlijkheid van een zojuist getraind woord lager is dan de waarschijnlijkheid van het daarvoor getrainde woord. Op dat moment heeft de training namelijk geen gunstig effect meer. Het voordeel van deze extra training is niet alleen dat woorden uit de trainingsset beter herkend worden, maar ook dat de threshold voor herkenning hoger gelegd kan worden en er zo minder stukken tekst onterecht herkend worden. Op de threshold komen we nog terug in paragraaf Maximale lengte van woorden Een oneindige reeks bevat een oneindig aantal observaties en deze kan je niet allemaal in redelijke rekentijd door het model laten analyseren. Om deze reden leggen we tijdens de training de maximale lengte van de observatie vast, aan de hand van de traingroep. Herkenning vindt vervolgens alleen plaats als een woord maximaal van deze lengte is. 3.4 Herkenning in de laatste toestand Voor het herkennen van eindige woorden binnen een oneindige reeks is een belangrijke aanpassing nodig. Met een HMM kan je berekenen hoe waarschijnlijk het is dat een bepaalde (eindige) observatie gedaan wordt, gegeven het model. Hierbij is de waarschijnlijkheid van het eerste karakter van de 6
8 observatie altijd groter is dan de waarschijnlijkheid van het eerste en tweede karakter. Dit komt door de vermenigvuldiging van kansen. Als we herkenning simpelweg zouden baseren op de waarschijnlijkheid van stukjes tekst, gegeven het model, zou daardoor vaak vroegtijdige herkenning plaatsvinden. Herkenning moet dus op een andere manier gerealiseerd worden. De toevoeging die we hiervoor hebben gemaakt is dat een woord alleen herkend kan worden als de laatste toestand van het HMM is bereikt. Als de waarschijnlijkheid van een stukje observatie daar boven een bepaalde threshold ligt vindt herkenning plaats. Deze threshold wordt na de training bepaald aan de hand van de waarschijnlijkheid, gegeven het model, van de woorden uit de traingroep. De laagste waarschijnlijkheid wordt gekozen als threshold, zodat al deze woorden worden herkend. De reden dat we voor een two-step model hebben gekozen heeft met deze toevoeging te maken. Herkenning vindt nu in de laatste toestand plaats, maar om te stimuleren dat een woord in zijn geheel herkend wordt is het niet handig als er heel snel van de eerste naar die laatste toestand kan worden gegaan. Bij de training kan het dan namelijk voorkomen dat het model zo gevormd wordt dat twee letters al voor herkenning kunnen zorgen. Het twostep model zorgt ervoor dat het model beter opgezet wordt zodat woorden eerder in hun geheel worden herkend. 7
9 4 Het model voor herkenning De werking van het herken-gedeelte van het systeem staat weergegeven in onderstaand figuur. Tijdens het proces wordt een matrix bijgehouden van α t (i), waarbij 0 < t < maxt en 0 < i < N. t staat voor het relatieve tijdstip t.o.v. het laatste stukje tekst in de stroom. Hierdoor komt t overeen met de lengte van het stukje tekst waarop de betreffende alpha van toepassing is. maxt is de maximale lengte van het te herkennen woord, deze is tijdens de training bepaald. i verwijst naar één van de N toestanden in het HMM. Figuur 3: Het model voor herkenning 8
10 Na elke nieuwe letter die binnenkomt worden de α-waarden aangepast. Omdat bij de berekening van de α t (i) gebruik wordt gemaakt van de α-waarden op tijdtip t 1, die bij de voorgaande letter in de stroom bepaald werden, wordt eerst α maxt (i) berekend. Deze α-waarden zijn dan gelijk aan de kans dat het laatste stuk tekst in de stroom met lengte maxt (met de laatste letter in toestand i) door het HMM wordt gerepresenteerd. Vervolgens wordt α maxt 1 (i) berekend, die staat voor de kans op het laatste stuk tekst met lengte maxt 1. Dit proces gaat door tot α 1 (i), dus de kans op alleen de laatste letter van de stroom in toestand i gegeven het model. Als alle α-waarden op deze manier berekend zijn, wordt gekeken of de hoogste α-waarde in de laatste toestand de threshold heeft overschreden. Als dit het geval is, heeft het model het woord herkend. Om dubbele herkenning te voorkomen worden na herkenning alle α-waarden gereset alvorens verder te gaan met detecteren. 5 Testopzet 5.1 Woorden-generator Om te testen of het systeem goed werkt moet het getraind worden op een woord en variaties hier op (de traingroep). Vervolgens moet een oneindige stroom karakters gegenereerd worden waar af en toe een woord tussendoor wordt gestopt uit een testgroep van datzelfde woord. In het geval van spraak kan je de train- en testgroep maken door mensen een woord te laten uitspreken, de variatie is er dan vanzelf. Maar voor ons systeem, dat werkt met een reeks karakters i.p.v. uitgesproken woorden, moeten de train- en testgroep op een andere manier gegenereerd worden. Hiervoor hebben we een generator gemaakt. Deze generator maakt willekeurige variaties van woorden door met een bepaalde kans de letters te veranderen. Bij het trainen wordt er steeds een nieuwe variatie gegenereerd en deze wordt aan het systeem aangeboden. Na het trainen vindt testen plaats door de variaties random (met een kans van 1%) te plaatsen in een oneindige stroom van willekeurige karakters. De variaties op een woord kunnen op heel veel verschillende manieren bepaald worden. De meest logische manier is om dit te baseren op een taalkundig model. Voor dit project was dit echter niet relevant en we hebben daarom voor een andere manier gekozen die niet op de realiteit is gebaseerd maar wel geschikt is voor het testen. Per letter van het woord is er een kans van 2% dat hier een mutatie onstaat. Zo n mutatie kan vier verschillende vormen aannemen, waar er random één van wordt gekozen. Het kan voorkomen dat de letter wordt verdubbeld of weggelaten. Of het kan voorkomen dat de letter wordt vervangen door de letter die er in het alfabet aan voorafgaat of er op volgt. Op deze manier worden er dus volgens begrensde willekeur 9
11 verschillende variaties op het woord gegenereerd. Maar het zal ook vaak voorkomen dat het woord ongemuteerd uit de generator komt. 5.2 Berekening prestatie Bij het testen komen de volgende variabelen naar voren die in combinatie met elkaar iets zeggen over de prestatie van het systeem: 1. Aantal correct herkende woorden 2. Aantal incorrect niet herkende woorden 3. Aantal correct niet herkende woorden (Dit zijn eigenlijk geen woorden, maar stukken random-stroom die correct niet worden herkend als woord) 4. Aantal incorrect herkende woorden (Dit zijn eigenlijk geen woorden, maar stukken random-stroom die foutief als woord worden herkend) Aan de hand van 1 en 2 kunnen we het percentage correct herkende woorden berekenen. Dit zegt echter nog niet genoeg over de prestatie van het systeem. Er worden namelijk ook woorden herkend in de random-stroom (4), terwijl hier niets herkend zou moeten worden. Deze fouten zeggen ook iets over de prestatie van het systeem. Om dit mee te nemen zou je eigenlijk het percentage correct niet herkende woorden willen bepalen, maar dit is niet mogelijk omdat je niet kan zeggen hoeveel woorden er in een oneindige random-stroom voorkomen. Omdat het aantal woorden in de random-stroom wel direct gerelateerd is aan de lengte van de stroom kiezen we ervoor om deze variabele bij het testen vast te zetten. Door elke test met een even lange stroom te doen, zorgen we ervoor dat we het aantal incorrect herkende woorden in de verschillende tests met elkaar kunnen vergelijken. We komen uiteindelijk dus tot twee dingen die iets zeggen over de prestatie van ons systeem. % correct herkende woorden = 6 Testresultaten correct herkende woorden woorden in stroom (7) aantal incorrect herkende woorden (8) We hebben tests gedaan met een learningrate van 0,01 en een trainingsperiode van 9000 epochs. Het model had steeds een aantal toestanden dat gelijk was aan de lengte van het trainwoord plus 2. Voor deze waarden hebben we gekozen aan de hand van pre-tests, deze waren niet significant dus de 10
12 waarden zijn wellicht niet optimaal. Dit heeft geen effect op de tests die voor ons onderzoek relevant zijn, maar het is misschien wel mogelijk om het systeem nog meer te optimaliseren. De reden dat we dit zelf niet hebben gedaan is dat het de omvang van het project te groot zou maken. Voor het testen gebruikten we een woordenlijst met woorden van verschillende lengtes. Per woord vond een training plaats zoals eerder beschreven en vervolgens werd een test uitgevoerd met een woordenstroom die karakters lang duurde. In deze stroom werden testwoorden geplaatst volgens de beschreven methode. Dit komt er op neer dat er gemiddeld zo n testwoorden in de stroom voorkwamen. We kwamen zo tot de testresultaten in figuur 4 en 5. correct herkende woorden % woordlengte Figuur 4: Het percentage correct herkende woorden, gesorteerd op de lengte van het getrainde woord. In de grafieken valt op dat de prestatie over het algemeen erg goed is. Het percentage correct herkende woorden is overal bijna 100% en het aantal in- 11
13 incorrect herkende woorden aantal (x ) woordlengte Figuur 5: Het aantal woorden dat incorrect herkend wordt in de stroom, gesorteerd op de lengte van het getrainde woord. correct herkende woorden is erg laag. De prestatie van korte woorden is echter wat minder, vooral die met lengte 3 en 4. Dit kunnen we simpel verklaren aan de hand van figuur 6. Hier is te zien hoeveel unieke woorden incorrect herkend worden. Voor de woorden met een korte lengte gaat het om lage aantallen. Dit komt doordat er weinig symboolcombinaties mogelijk zijn voor een woord van lengte 3 of 4. Aan de andere kant worden deze combinaties in de willekeurige stroom van karakters sneller per ongeluk gegenereerd. Dit zorgt ervoor dat er ook vaker incorrecte herkenningen plaatsvinden. De piek in de figuur valt verder als volgt te verklaren. Hoe langer een woord is, hoe meer symboolcombinaties er mogelijk zijn en hoe meer unieke (incorrecte) herkenningen er dus kunnen plaatsvinden. Dit zorgt voor de stijgende lijn. Maar aan de andere kant is het geval dat langere woorden 12
14 uniek incorrect herkende woorden aantal (x1000) woordlengte Figuur 6: Het aantal unieke woorden dat incorrect herkend wordt in de stroom, gesorteerd op de lengte van het getrainde woord. minder vaak incorrect herkend worden (zie figuur 5). Dit komt ten eerste omdat het model van een langer woord specifieker is, door de lengte is het model meer aan banden gelegd, waardoor een vreemd woord er minder snel in zal passen. Ten tweede komt dit doordat zo n lang woord minder snel per ongeluk in de random-stroom gegenereerd zal worden. Dit zorgt voor de dalende lijn na de piek. Figuur 7 is echter moeilijker uit te leggen. Dat er minder unieke woorden correct herkend worden heeft te maken met het soort model waar we voor hebben gekozen in combinatie met het aantal toestanden. Doordat er gebruik wordt gemaakt van een two-step model en er bij het testen sprake is van een aantal toestanden dat gelijk is aan de lengte van het trainingswoord plus twee, is er voor korte woorden weinig vrijheid in het model. Bij een woord van drie letters moeten altijd de grote stappen van twee toestanden gemaakt worden omdat anders de laatste toestand niet 13
15 uniek correct herkende woorden % woordlengte Figuur 7: Het aantal unieke woorden dat correct herkend wordt in de stroom, gesorteerd op de lengte van het getrainde woord. bereikt kan worden. Bij een woord van vier letters is deze beperking al minder en bij langere woorden valt deze beperking uiteindelijk helemaal weg. Door de beperking bij de korte woorden zal hier vaker een woord gemist worden. Dit zou wellicht opgelost kunnen worden door het aantal toestanden bij korte woorden te verlagen. 7 Conclusie Gezien de testresultaten kunnen we concluderen dat het systeem goed werkt, dat wil zeggen; voor de toepassing die wij hebben gebruikt. Deze toepassing is echter relatief simpel en de vraag is dus of het systeem ook goed werkt in complexere gebieden. In zulke gebieden kan rekentijd een probleem worden en zal scaling moeten worden toegepast. Hiervoor is dus meer onderzoek 14
16 nodig, maar het is veelbelovend dat vooral lange woorden goed herkend worden. Immers in de complexe gebieden zal het vaak gaan om het herkennen van lange reeksen. Verder zijn er nog optimalisaties mogelijk. Ten eerste, zoals eerder gezegd, door de ideale parameters te bepalen (learningrate en trainingstijd). Ten tweede door een functie te maken die de beste waarde voor de threshold kan bepalen. Ook kan de tweakfunctie wellicht nog meer geoptimaliseerd worden en kan er een oplossing gezocht worden voor de slechtere prestatie bij korte reeksen. Referenties [1] Davis, M. H., Gaskell, M. G., Marslen-Wilson, W., Recognising embedded words in connected speech: context and competition. Proceedings of the fourth neural computation in Psychology Workshop. [2] Eddy, S. R., What is a hidden Markov model? Nature Biotechnology, vol. 22, [3] Jelinek, F., Continuous speech recognition by statistical methods. Proceedings of the IEEE, vol. 64, pp [4] Lukashin, A. V., Borodovsky, A, GeneMark.hmm: new solutions for gene finding. Nucleic acids research, vol. 26, no. 4. [5] Rabiner, L. R., A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, vol. 77, no.2. 15
Tentamen 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 informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+ = j X n = i, X n,...,
Nadere informatieEWMA Control Charts in Statistical Process Monitoring I.M. Zwetsloot
EWMA Control Charts in Statistical Process Monitoring I.M. Zwetsloot EWMA Control Charts in Statistical Process Monitoring Inez M. Zwetsloot Samenvatting EWMA Regelkaarten in Statistische Procesmonitoring
Nadere informatie13 Hidden Markov Modellen.
3 Hidden Markov Modellen. 3. Inleiding. In dit Hoofdstuk bekijken we Markov modellen waarvan we de toestanden niet met zekerheid kunnen waarnemen. In plaats daarvan gaan we ervan uit dat toestand i met
Nadere informatie3. Structuren in de taal
3. Structuren in de taal In dit hoofdstuk behandelen we de belangrijkst econtrolestructuren die in de algoritmiek gebruikt worden. Dit zijn o.a. de opeenvolging, selectie en lussen (herhaling). Vóór we
Nadere informatieGedragsmodellen van schepen Het Causal-State Splitting Reconstruction algoritme in de praktijk
Gedragsmodellen van schepen Het Causal-State Splitting Reconstruction algoritme in de praktijk Abstract: In this research behavioural-models of ships are found using the causal-state splitting reconstruction
Nadere informatieStochastische grafen in alledaagse modellen
Stochastische grafen in alledaagse modellen Ionica Smeets en Gerard Hooghiemstra 27 februari 2004 Stochastische grafen zijn grafen waarbij het aantal kanten bepaald wordt door kansverdelingen. Deze grafen
Nadere informatieDe statespace van Small World Networks
De statespace van Small World Networks Emiel Suilen, Daan van den Berg, Frank van Harmelen epsuilen@few.vu.nl, daanvandenberg1976@gmail.com, Frank.van.Harmelen@cs.vu.nl VRIJE UNIVERSITEIT AMSTERDAM 2 juli
Nadere informatiePopulaties beschrijven met kansmodellen
Populaties beschrijven met kansmodellen Prof. dr. Herman Callaert Deze tekst probeert, met voorbeelden, inzicht te geven in de manier waarop je in de statistiek populaties bestudeert. Dat doe je met kansmodellen.
Nadere informatieWe zullen in deze les kijken hoe we netwerken kunnen analyseren, om bijvoorbeeld de volgende vragen te kunnen beantwoorden:
Wiskunde voor kunstmatige intelligentie, 24 Les 5 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin een aantal knopen acties aangeeft en opdrachten langs verbindingen tussen de
Nadere informatieVU University Amsterdam 2018, Maart 27
Department of Mathematics Exam: Voortgezette biostatistiek VU University Amsterdam 2018, Maart 27 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieHertentamen Biostatistiek 3 / Biomedische wiskunde
Hertentamen Biostatistiek 3 / Biomedische wiskunde 2 juni 2014; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieFolkert Buiter 2 oktober 2015
1 Nuchter kijken naar feiten en trends van aardbevingen in Groningen. Een versneld stijgende lijn van het aantal en de kracht van aardbevingen in Groningen. Hoe je ook naar de feitelijke metingen van de
Nadere informatieHoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1
Hoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1 1 Onderwerpen van de lessenserie: De Normale Verdeling Nul- en Alternatieve-hypothese ( - en -fout) Steekproeven Statistisch toetsen Grafisch
Nadere informatieOpdracht 1 Topics on Parsing and Formal Languages - fall 2010
Opdracht 1 Topics on Parsing and Formal Languages - fall 2010 Rick van der Zwet 13 november 2010 Samenvatting Dit schrijven zal uitwerkingen van opgaven behandelen uit het boek [JS2009]
Nadere informatieBepaling energie en soortelijke warmte 2D-atoomrooster m.b.v. de Metropolis Monte Carlo methode
Bepaling energie en soortelijke warmte 2D-atoomrooster m.b.v. de Metropolis Monte Carlo methode Verslag Computational Physics Sietze van Buuren Begeleider: Prof.Dr. H. de Raedt 29 december 25 Samenvatting
Nadere informatieVU University Amsterdam 2018, juli 11.
Department of Mathematics Herexamen: Voortgezette biostatistiek VU University Amsterdam 018, juli 11. c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.
Nadere informatieExponentiële Functie: Toepassingen
Exponentiële Functie: Toepassingen 1 Overgang tussen exponentiële functies en lineaire functies Wanneer we werken met de exponentiële functie is deze niet altijd gemakkelijk te herkennen. Daarom proberen
Nadere informatieMigrerende euromunten
Migrerende euromunten Inleiding Op 1 januari 2002 werden in vijftien Europese landen (twaalf grote en drie heel kleine) euromunten en - biljetten in omloop gebracht. Wat de munten betreft, ging het in
Nadere informatieNetwerkdiagram voor een project. AON: Activities On Nodes - activiteiten op knooppunten
Netwerkdiagram voor een project. AON: Activities On Nodes - activiteiten op knooppunten Opmerking vooraf. Een netwerk is een structuur die is opgebouwd met pijlen en knooppunten. Bij het opstellen van
Nadere informatieHet XOR-Netwerk heeft lokale Minima
Het 2-3- XOR-Netwerk heet lokale Minima Ida G. Sprinkhuizen-Kuyper Egbert J.W. Boers Vakgroep Inormatica RijksUniversiteit Leiden Postbus 952 2300 RA Leiden {kuyper,boers}@wi.leidenuniv.nl Samenvatting
Nadere informatieSensornetwerk controleert omgeving
Sensornetwerk controleert omgeving Wiskunde repareert imperfectie van een sensornetwerk en spoort zo indringers op. Een draadloos sensornetwerk kan gebruikt worden om een omgeving in de gaten te houden,
Nadere informatieOpdracht 1 Topics on Parsing and Formal Languages - fall 2010
Opdracht 1 Topics on Parsing and Formal Languages - fall 2010 Rick van der Zwet 8 december 2010 Samenvatting Dit schrijven zal uitwerkingen van opgaven behandelen uit het boek [JS2009]
Nadere informatieTentamen Biostatistiek 3 / Biomedische wiskunde
Tentamen Biostatistiek 3 / Biomedische wiskunde 25 maart 2014; 12:00-14:00 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het
Nadere informatieHidden Markov Models
Artificiële Intelligentie 1 Hidden Markov Models January 8, 2003 Opgave 1 Sjakie werkt in een chocoladefabriek. Zijn taak bestaat erin de lopende band in het oog te houden. De chocoladefabriek produceert
Nadere informatieHoofdstuk 26: Modelleren in Excel
Hoofdstuk 26: Modelleren in Excel 26.0 Inleiding In dit hoofdstuk leer je een aantal technieken die je kunnen helpen bij het voorbereiden van bedrijfsmodellen in Excel (zie hoofdstuk 25 voor wat bedoeld
Nadere informatieP (X n+1 = j X n = i, X n 1,..., X 0 ) = P (X n+1 = j X n = i). P (X n+1 = j X n = i) MARKOV KETENS. Definitie van Markov keten:
Definitie van Markov keten: MARKOV KETENS Een stochastisch proces {X n, n 0} met toestandsruimte S heet een discrete-tijd Markov keten (DTMC) als voor alle i en j in S geldt P (X n+1 = j X n = i, X n 1,...,
Nadere informatieNetwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen.
Netwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen. Opmerking vooraf. Een netwerk is een structuur die is opgebouwd met pijlen en knooppunten. Bij het opstellen van
Nadere informatie9. Lineaire Regressie en Correlatie
9. Lineaire Regressie en Correlatie Lineaire verbanden In dit hoofdstuk worden methoden gepresenteerd waarmee je kwantitatieve respons variabelen (afhankelijk) en verklarende variabelen (onafhankelijk)
Nadere informatieVirtuele Markten Trading Agent Competition
Virtuele Markten Trading Agent Competition A smart trading agent Erik Kant (0122246) en Marten Kampman (0240478), 9 november 2007 Naar aanleiding van de Trading Agent Competition voor het vak Virtuele
Nadere informatie8. Analyseren van samenhang tussen categorische variabelen
8. Analyseren van samenhang tussen categorische variabelen Er bestaat een samenhang tussen twee variabelen als de verdeling van de respons (afhankelijke) variabele verandert op het moment dat de waarde
Nadere informatieGrafen. Indien de uitgraad van ieder punt 1 is, dan bevat de graaf een cykel. Indien de ingraad van ieder punt 1 is, dan bevat de graaf een cykel.
Grafen Grafen Een graaf bestaat uit een verzameling punten (ook wel knopen, of in het engels vertices genoemd) en een verzameling kanten (edges) of pijlen (arcs), waarbij de kanten en pijlen tussen twee
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 informatieSummary in Dutch 179
Samenvatting Een belangrijke reden voor het uitvoeren van marktonderzoek is het proberen te achterhalen wat de wensen en ideeën van consumenten zijn met betrekking tot een produkt. De conjuncte analyse
Nadere informatieToegepaste Wiskunde 2: Het Kalman-filter
Toegepaste Wiskunde 2: Het Kalman-filter 25 februari, 2008 Hans Maassen 1. Inleiding Het Kalman filter schat de toestand van een systeem op basis van een reeks, door ruis verstoorde waarnemingen. Een meer
Nadere informatieen-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast,
Kansrekening voor Informatiekunde, 25 Les 8 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin knopen acties aangeven en opdrachten langs verbindingen tussen de knopen verwerkt
Nadere informatieCombinatoriek groep 1 & 2: Recursie
Combinatoriek groep 1 & : Recursie Trainingsweek juni 008 Inleiding Bij een recursieve definitie van een rij wordt elke volgende term berekend uit de vorige. Een voorbeeld van zo n recursieve definitie
Nadere informatieTweede Programmeeropgave Numerieke Wiskunde 1 De golfplaat Uiterste inleverdatum : vrijdag 16 mei 2003
Tweede Programmeeropgave Numerieke Wiskunde 1 De golfplaat Uiterste inleverdatum : vrijdag 16 mei 2003 I Doelstelling en testcase In deze programmeeropgave zullen we een drietal numerieke integratiemethoden
Nadere informatiePercentage afwijkingen groter dan vijf decibel
Om beter op zoek te kunnen gaan waar er verbeteringen kunnen toegevoegd worden aan de algoritmes heb ik een hulpfunctie gemaakt die in plaats van het interpoleren tussen fingerprints slechts de positie
Nadere informatieSpreekvaardigheidstraining met behulp van Automatische Spraak-Herkenning (ASH)
Spreekvaardigheidstraining met behulp van Automatische Spraak-Herkenning (ASH) Helmer Strik Afdeling Taalwetenschap Centre for Language and Speech Technology (CLST) Radboud Universiteit Nijmegen Overview
Nadere informatieLineaire Algebra voor ST
Lineaire Algebra voor ST docent: Judith Keijsper TUE, HG 9. email: J.C.M.Keijsper@tue.nl studiewijzer: http://www.win.tue.nl/wsk/onderwijs/ds6 Technische Universiteit Eindhoven college 9 J.Keijsper (TUE)
Nadere informatiePraktische opdracht Wiskunde som van de ogen van drie dobbelstenen
Praktische opdracht Wiskunde som van de ogen van drie dobbelstenen Praktische-opdracht door een scholier 918 woorden 17 maart 2002 4,9 60 keer beoordeeld Vak Wiskunde Inleiding Wij hebben gekozen voor
Nadere informatie1 Rekenen in eindige precisie
Rekenen in eindige precisie Een computer rekent per definitie met een eindige deelverzameling van getallen. In dit hoofdstuk bekijken we hoe dit binnen een computer is ingericht, en wat daarvan de gevolgen
Nadere informatieHertentamen Voortgezette biostatistiek / Biomedische wiskunde
Hertentamen Voortgezette biostatistiek / Biomedische wiskunde 3 juni 5; 8:3-:3 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau.
Nadere informatieHOOFDSTUK 6: INTRODUCTIE IN STATISTISCHE GEVOLGTREKKINGEN
HOOFDSTUK 6: INTRODUCTIE IN STATISTISCHE GEVOLGTREKKINGEN Inleiding Statistische gevolgtrekkingen (statistical inference) gaan over het trekken van conclusies over een populatie op basis van steekproefdata.
Nadere informatieArtificiële intelligentie 1 ( ) Voorbeelden van examenvragen
Artificiële intelligentie 1 (2002-2003) Voorbeelden van examenvragen Tony Belpaeme, Bart de Boer, Bart De Vylder, Bart Jansen Vraag 1. Wat zal het effect zijn van een convolutiekernel a. Contrast wordt
Nadere informatieLogische Complexiteit
Logische Complexiteit Universele Turing machines College 12 Donderdag 18 Maart 1 / 11 Hoog-niveau beschrijvingen en coderen Vanaf nu: hoog-niveau beschrijvingen van TM s. Daarbij worden objecten die geen
Nadere informatieTrillingen en geluid wiskundig
Trillingen en geluid wiskundig 1 De sinus van een hoek 2 Radialen 3 Uitwijking van een harmonische trilling 4 Macht en logaritme 5 Geluidsniveau en amplitude 1 De sinus van een hoek Sinus van een hoek
Nadere informatiel e x e voor alle e E
Geselecteerde uitwerkingen Werkcollege Introduceer beslissingsvariabelen x e met x e = als lijn e in de boom zit en anders x e = 0. De doelfunctie wordt: min e E l e x e Voor elke deelverzameling S V met
Nadere informatieProef Natuurkunde Warmteafgifte weerstand
Proef Natuurkunde Warmteafgifte weerstand Proef door een scholier 1229 woorden 12 december 2003 5,7 31 keer beoordeeld Vak Natuurkunde Inleiding Wij hebben ervoor gekozen om ons met onze natuurkunde EXO
Nadere informatieICT en grote datasets havo wiskunde A en vwo wiskunde A/C
ICT en grote datasets havo wiskunde A en vwo wiskunde A/C Workshop Noordhoff wiskundecongres 19 november 2015 Matthijs van Maarseveen, Stijn Voets en Mark Haneveld Opbouw workshop 1. Demonstratie Exceltabellen
Nadere informatieStochastische Modellen in Operations Management (153088)
Stochastische Modellen in Oerations Management (15388) S1 S2 Ack X ms X ms S 24 ms R1 R2 R3 L1 L2 1 ms 1 ms D Internet D1 D2 Richard Boucherie Stochastische Oerations Research TW, Ravelijn H 219 htt://wwwhome.math.utwente.nl/~boucherierj/onderwijs/15388/15388.html
Nadere informatie11. Multipele Regressie en Correlatie
11. Multipele Regressie en Correlatie Meervoudig regressie model Nu gaan we kijken naar een relatie tussen een responsvariabele en meerdere verklarende variabelen. Een bivariate regressielijn ziet er in
Nadere informatievandaag is Annie twee jaar jonger dan Ben en Cees samen
Hoofdstuk I Lineaire Algebra Les 1 Stelsels lineaire vergelijkingen Om te beginnen is hier een puzzeltje: vandaag is Annie twee jaar jonger dan Ben en Cees samen over vijf jaar is Annie twee keer zo oud
Nadere informatieInhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen
Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende
Nadere informatieOpgave 2 ( = 12 ptn.)
Deel II Opgave 1 (4 + 2 + 6 = 12 ptn.) a) Beschouw bovenstaande game tree waarin cirkels je eigen zet representeren en vierkanten die van je tegenstander. Welke waarde van de evaluatiefunctie komt uiteindelijk
Nadere informatieLes 1: Waarschijnlijkheidrekening
Les 1: Waarschijnlijkheidrekening A Men neemt een steekproef van 1000 appelen. Deze worden ingedeeld volgens gewicht en volgens symptomen van een bepaalde schimmel: geen, mild, gematigd of ernstig. Het
Nadere informatieOnderlinge verstaanbaarheid van Nederlands en Duits
Onderlinge verstaanbaarheid van Nederlands en Duits Onderlinge verstaanbaarheid van Nederlandse en Duitse cognaten gemodelleerd met behulp van automatische spraakherkenning Vincent J. van Heuven, Charlotte
Nadere informatieTentamen Spraakherkenning en -synthese
Tentamen Spraakherkenning en -synthese Rob van Son 25 maart 2008 Vermeld op iedere pagina je naam, je studentnummer en het volgnummer per pagina. Gebruik voor elke opgave (1-5) een apart vel. Als je voor
Nadere informatieStatistiek voor Natuurkunde Opgavenserie 1: Kansrekening
Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Inleveren: 12 januari 2011, VOOR het college Afspraken Serie 1 mag gemaakt en ingeleverd worden in tweetallen. Schrijf duidelijk je naam, e-mail
Nadere informatieStelling. SAT is NP-compleet.
Het bewijs van de stelling van Cook Levin zoals gegeven in het boek van Sipser gebruikt niet-deterministische turing machines. Het is inderdaad mogelijk de klasse NP op een alternatieve wijze te definiëren
Nadere informatieLes 1: Waarschijnlijkheidrekening
Les 1: Waarschijnlijkheidrekening A Men neemt een steekproef van 1000 appelen. Deze worden ingedeeld volgens gewicht en volgens symptomen van een bepaalde schimmel: geen, mild, gematigd of ernstig. Het
Nadere informatieStrategiebeschrijving van R2-DReizen agent in de VM-Trading Agent Competition
Strategiebeschrijving van R2-DReizen agent in de VM-Trading Agent Competition Virtuele Markten, februari 2002 Rob van Geel, 0053473 Rudy Negenborn, 9807837 1. Introductie Dit document beschrijft de uiteindelijke
Nadere informatieMeten is weten, dat geldt ook voor het vakgebied natuurkunde. Om te meten gebruik je hulpmiddelen, zoals timers, thermometers, linialen en sensoren.
1 Meten en verwerken 1.1 Meten Meten is weten, dat geldt ook voor het vakgebied natuurkunde. Om te meten gebruik je hulpmiddelen, zoals timers, thermometers, linialen en sensoren. Grootheden/eenheden Een
Nadere informatieCombinatorische Algoritmen: Binary Decision Diagrams, Deel III
Combinatorische Algoritmen: Binary Decision Diagrams, Deel III Sjoerd van Egmond LIACS, Leiden University, The Netherlands svegmond@liacs.nl 2 juni 2010 Samenvatting Deze notitie beschrijft een nederlandse
Nadere informatieINLEIDING. Definitie Stochastisch Proces:
Definitie Stochastisch Proces: INLEIDING Verzameling van stochastische variabelen die het gedrag in de tijd beschrijven van een systeem dat onderhevig is aan toeval. Tijdparameter: discreet: {X n, n 0};
Nadere informatiePROJECT 1: Kinematics of a four-bar mechanism
KINEMATICA EN DYNAMICA VAN MECHANISMEN PROJECT 1: Kinematics of a four-bar mechanism Lien De Dijn en Celine Carbonez 3 e bachelor in de Ingenieurswetenschappen: Werktuigkunde-Elektrotechniek Prof. Dr.
Nadere informatie168 HOOFDSTUK 5. REEKSONTWIKKELINGEN
168 HOOFDSTUK 5. REEKSONTWIKKELINGEN 5.7 Vraagstukken Vraagstuk 5.7.1 Beschouw de differentiaalvergelijking d2 y d 2 = 2 y. (i) Schrijf y = a k k. Geef een recurrente betrekking voor de coëfficienten a
Nadere informatieSamenvatting Wiskunde Aantal onderwerpen
Samenvatting Wiskunde Aantal onderwerpen Samenvatting door een scholier 2378 woorden 4 juni 2005 5,1 222 keer beoordeeld Vak Wiskunde Gelijkvormigheid Bij vergroten of verkleinen van een figuur worden
Nadere informatieZwakke centrale coherentie en de Van Hiele niveaus
Zwakke centrale coherentie en de Van Hiele niveaus Michiel Klaren 2015-04-22 Inhoud Autisme Spectrum Stoornissen Zwakke centrale coherentie Niveautheorie van Van Hiele Onderzoeksvraag Bevindingen Conclusie
Nadere informatieIn Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen.
Leerlijn programmeren In Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen. Deze leerlijn is opgebouwd aan de
Nadere informatieMARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN?
MARKOV KETENS, OF: WAT IS DE KANS DAT MEVROUW DE VRIES NAT ZAL WORDEN? KARMA DAJANI In deze lezing gaan we over een bijzonder model in kansrekening spreken Maar eerst een paar woorden vooraf Wat doen we
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 informatieModelleren C Appels. Christian Vleugels Sander Verkerk Richard Both. 2 april 2010. 1 Inleiding 2. 3 Data 3. 4 Aanpak 3
Modelleren C Appels Christian Vleugels Sander Verkerk Richard Both 2 april 2010 Inhoudsopgave 1 Inleiding 2 2 Probleembeschrijving 2 3 Data 3 4 Aanpak 3 5 Data-analyse 4 5.1 Data-analyse: per product.............................
Nadere informatieling van die eigenschap binnen het model geldt. In het bijzonder bij het wiskundig modelleren van een programma kan een eigenschap met wiskundige zeke
De Nederlandse samenvatting van een proefschrift is bij uitstek het onderdeel van het proefschrift dat door familie en vrienden wordt gelezen. Voor hen wil ik deze samenvatting dan ook schrijven als een
Nadere informatieTentamen Inleiding Kansrekening 11 augustus 2011, uur
Mathematisch Instituut Niels Bohrweg Universiteit Leiden 2 CA Leiden Delft Tentamen Inleiding Kansrekening augustus 20, 09.00 2.00 uur Bij dit examen is het gebruik van een evt. grafische) rekenmachine
Nadere informatieMengsel mix. Elieke van Sark en Liza Fredriks
Mengsel mix Elieke van Sark en Liza Fredriks 2 oktober 29 Inleiding Een chemisch bedrijf is naar ons toe gekomen met een aantal vragen over het reageren van stoffen tot andere stoffen Hierbij gaat het
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 informatieINHOUD. IQ LEADS Adres: Curieweg 8E Postcode: 2408 BZ Plaats: ALPHEN AAN DEN RIJN Telefoon: (0172) 421411 Email: info@iq-leads.
INHOUD INLEIDING... 3 TIP 1: DOELGROEPOVERZICHT... 4 TIP 2: WAAR KOMEN UW BEZOEKERS BINNEN?... 5 TIP 3: HOE KOMEN BEZOEKERS BINNEN?... 8 TIP 4: FILTERS... 9 TIP 5: GOAL TRACKING... 10 TIP 6: INTELLIGENCE
Nadere informatieExamen Statistische Modellen en Data-analyse. Derde Bachelor Wiskunde. 14 januari 2008
Examen Statistische Modellen en Data-analyse Derde Bachelor Wiskunde 14 januari 2008 Vraag 1 1. Stel dat ɛ N 3 (0, σ 2 I 3 ) en dat Y 0 N(0, σ 2 0) onafhankelijk is van ɛ = (ɛ 1, ɛ 2, ɛ 3 ). Definieer
Nadere informatieKun je met statistiek werkelijk alles bewijzen?
Kun je met statistiek werkelijk alles bewijzen? Geert Verbeke Biostatistisch Centrum, K.U.Leuven International Institute for Biostatistics and statistical Bioinformatics geert.verbeke@med.kuleuven.be http://perswww.kuleuven.be/geert
Nadere informatieHoofdstuk 20 Wachtrijentheorie
Hoofdstuk 20 Wachtrijentheorie Beschrijving Iedereen van ons heeft al tijd gespendeerd in een wachtrij: b.v. aanschuiven in de Alma restaurants. In dit hoofdstuk onwikkelen we mathematische modellen voor
Nadere informatieHerkansing Inleiding Intelligente Data Analyse Datum: Tijd: , BBL 508 Dit is geen open boek tentamen.
Herkansing Inleiding Intelligente Data Analyse Datum: 3-3-2003 Tijd: 14.00-17.00, BBL 508 Dit is geen open boek tentamen. Algemene aanwijzingen 1. U mag ten hoogste één A4 met aantekeningen raadplegen.
Nadere informatieEthologie. Klas 4, 5 en 6 van het voortgezet onderwijs
Ethologie Klas 4, 5 en 6 van het voortgezet onderwijs Deze Doe Mee heeft als thema Ethologie, oftewel Gedragsleer. Door zelf een klein ethologisch onderzoek op te zetten en uit te voeren, kun je kennis
Nadere informatie3 Wat is een stelsel lineaire vergelijkingen?
In deze les bekijken we de situatie waarin er mogelijk meerdere vergelijkingen zijn ( stelsels ) en meerdere variabelen, maar waarin elke vergelijking er relatief eenvoudig uitziet, namelijk lineair is.
Nadere informatie1 Delers 1. 3 Grootste gemene deler en kleinste gemene veelvoud 12
Katern 2 Getaltheorie Inhoudsopgave 1 Delers 1 2 Deelbaarheid door 2, 3, 5, 9 en 11 6 3 Grootste gemene deler en kleinste gemene veelvoud 12 1 Delers In Katern 1 heb je geleerd wat een deler van een getal
Nadere informatieZo gaat jouw kunstwerk er straks uitzien. Of misschien wel heel anders.
Spirograaf in Python Een kunstwerk maken Met programmeren kun je alles maken! Ook een kunstwerk! In deze les maken we zelf een kunstwerk met Python. Hiervoor zal je werken met herhalingen en variabelen.
Nadere informatieDEC DSP SDR 5 Dicrete Fourier Transform
DEC DSP SDR 5 Dicrete Fourier Transform Familie van Fourier transformaties Fourier Transform Fourier Series Discrete Time Fourier Transform Discrete Fourier Transform Berekening van een frequentie spectrum
Nadere informatieOpgaven bij het vormen van ruimte: van Poincaré tot Perelman
Opgaven bij het vormen van ruimte: van Poincaré tot Perelman Roland van der Veen Inleiding Deze reeks opgaven is bedoeld voor de werkcolleges van de vakantiecursus Wiskunde in Wording, Augustus 2013. 1
Nadere informatieExamen VWO. wiskunde A1. tijdvak 2 woensdag 18 juni 13.30-16.30 uur. Bij dit examen hoort een uitwerkbijlage.
Examen VWO 2008 tijdvak 2 woensdag 18 juni 13.30-16.30 uur wiskunde A1 Bij dit examen hoort een uitwerkbijlage. Dit examen bestaat uit 20 vragen. Voor dit examen zijn maximaal 79 punten te behalen. Voor
Nadere informatieHet drie-reservoirs probleem
Modelleren A WH01 Het drie-reservoirs probleem Michiel Schipperen (0751733) Stephan van den Berkmortel (077098) Begeleider: Arris Tijsseling juni 01 Inhoudsopgave 1 Samenvatting Inleiding.1 De probleemstelling.................................
Nadere informatieBerekenbaarheid 2015 Uitwerkingen Tentamen 5 november 2015
erekenbaarheid 2015 Uitwerkingen Tentamen 5 november 2015 1. Definieer een standaard Turing-machine M 1 met input alfabet Σ = {a, b} die twee a s voor zijn input plakt, dus met M 1 (w) = aaw voor alle
Nadere informatieProgrammeren A. Genetisch Programma voor het Partitie Probleem. begeleiding:
Programmeren A Genetisch Programma voor het Partitie Probleem begeleiding: Inleiding Het Partitie Probleem luidt als volgt: Gegeven een verzameling van n positieve integers, vindt twee disjuncte deelverzamelingen
Nadere informatieVeerconstante bepalen
Veerconstante bepalen m.b.v. een massa-veersysteem FORTES LYCEUM February 20, 2017 Opgesteld door: Nikki van Doesburg, Anoir Koolhoven Veerconstante bepalen m.b.v. een massa-veersysteem Inhoudsopgave Inleiding...2
Nadere informatieGeldwisselprobleem van Frobenius
Geldwisselprobleem van Frobenius Karin van de Meeberg en Dieuwertje Ewalts 12 december 2001 1 Inhoudsopgave 1 Inleiding 3 2 Afspraken 3 3 Is er wel zo n g? 3 4 Eén waarde 4 5 Twee waarden 4 6 Lampenalgoritme
Nadere informatieCover Page. The handle holds various files of this Leiden University dissertation.
Cover Page The handle http://hdl.handle.net/1887/39638 holds various files of this Leiden University dissertation. Author: Pelt D.M. Title: Filter-based reconstruction methods for tomography Issue Date:
Nadere informatieWISKUNDE D VWO VAKINFORMATIE STAATSEXAMEN 2016 V15.7.0
WISKUNDE D VWO VAKINFORMATIE STAATSEAMEN 2016 V15.7.0 De vakinformatie in dit document is vastgesteld door het College voor Toetsen en Examens (CvTE). Het CvTE is verantwoordelijk voor de afname van de
Nadere informatieDepartment of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 2017, Maart 28
Department of Mathematics Exam: Voortgezette biostatistiek / Biomedische wiskunde VU University Amsterdam 07, Maart 8 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting
Nadere informatieDe enveloppenparadox
De enveloppenparadox Mats Vermeeren Berlin Mathematical School) 6 april 013 1 Inleiding Een spel gaat als volgt. Je krijgt twee identiek uitziende enveloppen aangeboden, waarvan je er één moet kiezen.
Nadere informatieComplexe Analyse - Bespreking Examen Juni 2010
Complexe Analyse - Bespreking Examen Juni 2010 Hier volgt een bespreking van het examen van Complexe Analyse op 18 juni. De bedoeling is je de mogelijkheid te geven na te kijken wat je goed en wat je minder
Nadere informatie