Új hozzászólás Aktív témák

• #2775 Adams007 tag draco31 #2772

  Új Válasz 2012-05-09 01:13:23 #2775

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  Adams007

  tag

  válasz draco31 #2772 üzenetére

  Szia!

  Ha kizárólag egész számokkal dolgozunk akkor a 4+(7+9)/9 az megoldás, így ugye 16/9=1 és a maradékkal nem foglalkozunk. Más megoldást programmal sem találtam.

  Szerk: azt hittem, hogy a számok sorrendje nem variálható

  [ Szerkesztve ]

• #2952 Adams007 tag akyyy #2951

  Új Válasz 2012-11-25 20:26:03 #2952

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  Adams007

  tag

  válasz akyyy #2951 üzenetére

  Legegyszerűbben:
  plot x^2-y^2=1,y=4
  Ha azt is szeretnéd megadni, hogy hol ábrázoljon, akkor például így:
  Plot[{x^2-y^2=1,y=4},{x,-10,10},{y,-5,10}]

  [ Szerkesztve ]

• #3213 Adams007 tag artiny #3210

  Új Válasz 2013-01-28 15:49:22 #3213

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  Adams007

  tag

  válasz artiny #3210 üzenetére

  A diszkrét impulzusválasz (h[k]) a diszkrét idejű rendszer átviteli függvényének inverz z-transzformáltjaként kapható meg. Az átviteli függvény definíció szerint:
  H(z)=Y(z)/U(z).
  Ahhoz, hogy az inverz z-transzformált egyszerűen számítható legyen, először parciális törtekre kell bontani a kifejezést (és z/z-vel szorzunk), majd az eltolási tételt alkalmazva (és ismerve r^k transzformáltját) már meghatározható az impulzusválasz. (A képen látható a levezetés.)
  
  A válasznál az epszilon[k] (egységugrás) akkor kell, hogyha a z-transzformációt egyoldalasként értelmezed; kétoldalasnál nem kell.

  [ Szerkesztve ]

• #5201 Adams007 tag PumpkinSeed #5199

  Új Válasz 2017-11-11 22:13:03 #5201

  Új hozzászólás

  Összes hozzászólása itt Válaszok az összes hozzászólására itt Válaszok erre a hozzászólásra

  Privát üzenet küldése

  

  Adams007

  tag

  válasz PumpkinSeed #5199 üzenetére

  Ha gépi tanulással szeretnél foglalkozni, és szeretnéd érteni az egyes modellek matematikai hátterét is, akkor szerintem a következő ismeretek szükségesek: egy- és többváltozós analízis, lineáris algebra és valszám/statisztika. A lineáris algebrához magyarul tudom ajánlani az egyetemi tanárom online jegyzetét ([link]), ami az alapoktól eljut egészen magas szintre. Angolul rengeteg könyv van (ajánlom amazon böngészését, és az értékeléseket ), például Strang vagy Meyer könyvei, amelyeket ismerem. Valszám/statisztika témakörben főleg angol irodalmat tudok ajánlani: All of Statistics: A Concise Course in Statistical Inference, ez tartalmaz rövid valszám bevezetőt és utána áttér a statisztikai modellekre (~ tehát ez már tekinthető gépi tanulásnak, legfeljebb más megközelítésben). Még talán a diszkrét optimalizálás témaköre lehet hasznos a gépi tanuláshoz, ehhez bevezetésként például ajánlom ezt a Coursera kurzust.
  A gépi tanulás témakörében szintén angol irodalmat tudok ajánlani, de maga a gépi tanulás elég tág fogalom, sok területtel lehet foglalkozni. A könyvek mellett ebben az esetben is javaslom a Coursera böngészését, sok ezzel kapcsolatos kurzus van. A könyvek (ezek legtöbbje tartalmaz rövid valszám bevezetőt is):
  An Introduction to Statistical Learning: with Applications in R: ez egy bevezető machine learning könyv, ezzel kevésbé foglalkoztam, de kezdésnek jó lehet az alapvető dolgok megértéséhez. Hátrány, hogy R-ben vannak a példák, amit kevesebben ismernek.
  Hands-On Machine Learning with Scikit-Learn and TensorFlow: gyakorlatias könyv, elsősorban alkalmazott tudást ad, sok példakód van hozzá.
  Murphy: Machine Learning: A Probabilistic Perspective: ez egy komolyabb darab (>1000 oldal), és ehhez jó matektudás kell, hogy értsed. A könyv a gépi tanulás rengeteg területét érinti, emiatt ez az egyes technikák megismerésére nagyon jó, de ha egy-egy témakörben jobban elmélyülnél, akkor lehet szükség lesz további irodalomra. Én főleg ezt a könyvet használom/használtam, van hozzá egy hatalmas MATLAB könyvtár, illetve részben már Pythonban is elérhető. A statisztikai megközelítést tekintve inkább Bayes-i, de tárgyalja a klasszikus statisztikát is.
  Hastie et al: The Elements of Statistical Learning: a másik alapmű (szerintem) a gépi tanulás elsajátításához. Szintén egy nehezebb könyvről van szó, vannak átfedések az előző könyvvel, de jól kiegészítik egymást. Ez a könyv talán kicsit a klasszikus statisztikai megközelítéshez áll közelebb.

  Elsőre talán ennyi, összességében az utolsó két könyv szerintem nagyon jó alapot ad a gépi tanulás mélyebb megértéséhez, de sok időt rá kell szánni, és megértésük sem könnyű.

Új hozzászólás Aktív témák