ALGORITHMICS
|
|
- Astrid Tudor
- 4 ani în urmă
- Vzualizari:
Transcriere
1 Curs 11: Metode de tp ansamblu meta-modele) ata mnng - Curs 11 1
2 Structura Motvaţe Ideea modelelor de tp ansamblu Colecţ de modele bucket of models) Colecţ de arbor aleator random forests) Strateg de agregare a modelelor Baggng Boostng Stackng ata mnng - Curs 11 2
3 Motvaţe Remnder: Scopul unu clasfcator este estmarea relaţe dntre atrbutul de clasă ş celelalte atrbute construrea unu clasfcator se bazează pe: Un set de antrenare Ipoteze asupra modelulu de clasfcare de exemplu suprafaţa de decze este lnară sau lnară pe porţun) Notaţ y=fx)= clasa aferentă date x ={x1,y1),x2,y2),,xl,yl)} = setul de antrenare gx;) = răspunsul estmat de către modelul construt pe baza setulu de antrenare MSE = eroare mede pătratcă Extragerea modelulu dn date: estmarea parametrlor modelulu astfel ca MSE să fe mnmzată ata mnng - Curs 11 3
4 Motvaţe Componente ale eror: eplasare Bas) = nabltatea clasfcatorulu de a clasfca corect cauzată de lmtărle modelulu e.g. modelul are suprafete de decze lnare ar cele reale sunt nelnare) Varanţa Varance) = cauzată de volumul lmtat de date de antrenare e.g. do clasfcator bazat pe acelaş model dar antrenate pe setur dferte au performanţe dferte) ata mnng - Curs 11 C. Aggarwal, ata Mnng. The textbook,
5 5 Motvaţe 5 eplasare Bas) = nabltatea clasfcatorulu de a clasfca corect cauzată de lmtărle modelulu e.g. modelul are suprafete de decze lnare ar cele reale sunt nelnare) Varanţa Varance) = cauzată de volumul lmtat de date de antrenare e.g. do clasfcator bazat pe acelaş model dar antrenate pe setur dferte au performanţe dferte) ) ))) ; ) ) ; ))) ; 1 ) ))) ; ))) ; ) ) ; )) ; 2 1 ) ) ) ; ) ; 2 1 )) ; x g E x g E x g E y L x g E x g E x g E x g E y y L MSE E x g x g y y L x g y L MSE L L L L + = + + = + = = = = = = deplasare nfluenţată de model) Varanţa răspunsurlor produse de clasfcator Antrenat pe dferte setur de date nfluenţată de date) ata mnng - Curs 11
6 Motvaţe eplasare Bas) = nabltatea clasfcatorulu de a clasfca corect cauzată de lmtărle modelulu e.g. modelul are suprafete de decze lnare ar cele reale sunt nelnare) Varanţa Varance) = cauzată de volumul lmtat de date de antrenare e.g. do clasfcator bazat pe acelaş model dar antrenate pe setur dferte au performanţe dferte) Obs: Un model cu valoare mare pt bas va genera eror char dacă se modfcă setul de antrenare Un model cu varanţă mare va produce rezultate nconsstente când este antrenat pe dferte setur de date Cum se poate reduce eroarea? Reducând deplasarea sau reducând varanţa Este posbl să se reducă ambele? Cum? ata mnng - Curs 11 6
7 Motvaţe Bas vs varance Modele smple e.g. Modele lnare, modele bazate pe regul smple, arbor de decze smpl, naïve Bayes) eplasare mare datortă faptulu că suprafaţa de decze este prea smplă Varanţă mcă modelele smple sunt robuste în raport cu schmbărle dn seturle de date; modelele smple suferă rar de supra-antrenare) Model complexe e.g. Reţele neuronale/ arbor de decze cu multe nvele) eplasare mcă întrucât modelează bne suprafeţele de decze) Varanţă mare senztve la modfcărle în setul de date; pot f afectate de supra-antrenare) acă se utlzează un sngur model este necesară găsrea unu comproms între deplasare ş varanţă Prn combnarea ma multor modele pot f reduse smultan atât varanţa cât ş deplasarea ata mnng - Curs 11 7
8 Motvaţe Combnarea ma multor modele model de tp ansamblu Combnând 3 SVM-ur lnare se poate ajunge la suprafaţă nelnară C. Aggarwal, ata Mnng. The textbook, 2015 ata mnng - Curs 11 Combnând arbor de decze antrenaţ pe setur dferte se poate reduce varanţa 8
9 Este utl să se combne O analza probablstă smplă modelele? Consderăm 25 de clasfcator Fecare clasfcator are o anumtă rată de eroare, ε = 0.35 probabltatea să producă un răspuns eronat) Presupunem că ce 25 de clasfcator sunt ndependenţ Probabltatea ca un ansamblu consttut dn ce 25 de clasfcator în cazul une regul de agregare bazată pe regula majortăţ=: 25 = ε 1 ε ) 25 = 0.06 ata mnng - Curs 11 9
10 Modele de tp ansamblu Cum se construesc modelele de tp ansamblu? Prn construrea ma multor modele pe baza unor dferte poteze structurale) pornnd de la acelaş set de date - corespunde ansamblelor centrate pe modele Prn antrenarea aceluaş model folosnd dferte setur de date extrase aleator dntr-un set global de date) aceasta corespunde ansamblelor centrate pe date Cum se pot utlza modelele de tp ansamblu? Pentru o anumtă dată de ntrare se aplcă toate modelele dn ansamblu ar rezultatul fnal se obţne prn agregarea rezultatelor prn: Votare cel ma frecvent răspuns) în cazul problemelor de clasfcare Medere în cazul problemelor de regrese ata mnng - Curs 11 10
11 Modele de tp ansamblu Algortm generc pt un model de tp ansamblu Input: set de date ; set de metode/ algortm {A 1, A 2, A r } Output: un model de tp ansamblu constând dn K modele ndvduale {M 1, M 2,, M K } REPEAT k=1 select an algorthm A from the set {A 1, A 2, A r } create a tranng dataset k by samplng from ) construct the model M k by applyng algorthm A to the dataset k k=k+1 Evaluate the performance of the current ensemble {M 1, M 2,, M k } for each model the data not ncluded n the correspondng tranng set are used) UNTIL desred performance ata mnng - Curs 11 11
12 Modele de tp ansamblu Algortm generc pt un model de tp ansamblu Input: set de date ; set de metode/ algortm {A 1, A 2, A r } Output: un model de tp ansamblu constând dn K modele ndvduale {M 1, M 2,, M K } Cazur partculare: Algortm dferţ, un set de antrenare e.g. Colecţe de modele - bucket of models) Acelaş algortm, dferte setur de antrenare Baggng Random forests Boostng ata mnng - Curs 11 12
13 Colecţ de modele bucket of models Idee de bază: ma mulţ algortm, un set de date un meta-model agregat Varanta 1: Se antrenează dferte modele utlzând acelaş set de date Rezultatele produse de modelele componente se agreghează prn: Varanta 2: Regula majortăţ Mederea rezultatelor de la modelele componente Setul de date se dvde în două subsetur A ş B Se antrenează toate modelele folosnd setul A Se selectează modelul cu cel ma bun comportament pentru subsetul B Se reantrenează modelul selectat pentru întregul set de date Obs: Reduce deplasarea întrucât pt dferte părţ ale setulu de date ar putea f dferte modele ma adecvate ata mnng - Curs 11 13
14 Baggng Idee de bază: un algortm, ma multe setur de date ma mulţ clasfcator Setur de antrenare: Obţnute prn selecţe cu revenre dn setul complet de date acă setul complet are L elemente atunc probabltatea ca un anumt element să fe selectat este 1-1 1/L) L ; Exemplu: [Sldes by Kumar/ Introducton to ata Mnng, 2004] ata mnng - Curs 11 14
15 Baggng Impact baggng: Reduce varanţa Nu reduce deplasarea întrucât acelaş model este folost pt toate seturle de antrenare nu sunt elmnate lmtărle modelulu) Obs: Reducerea varanţe este asgurată doar dacă modelele dn ansamblu sunt ndependente Lmtarea corelaţe dntre modele se poate obţne prn ntroducerea unor elemente aleatoare random forests ata mnng - Curs 11 15
16 Random forests Random forest = colecţe de arbor aleator construţ folosnd tehnca de la baggng seturle de antrenare sunt construte prn selecţe aleatoare cu revenre) Construre random forest: Se construeşte un random tree pt fecare set de antrenare Utlzare random forest: Se aplcă fecare arbore date de ntrare Se selectează răspunsul domnant schemă smplă de votare) ata mnng - Curs 11 16
17 Random forests Random tree = arbore de decze construt folosnd random-splt Etape: acă numărul de exemple dn setul de antrenare este L, atunc se selectează L cazur aleator dar cu revenre. Acest set este folost pt construrea arborelu In cazul a M varable de ntrare se fxează un m<<m ar la ramfcarea fecăru nod se selectează aleator m varable ş cea ma bună dntre ele este folostă pt a ramfca nodul. Valoarea lu m este păstrată constantă până la construrea arborelu Fecare arbore este extns cât de mult se poate pt a asgura o valoare mcă a deplasăr. Nu se foloseşte prunng. [Leo Breman ata mnng - Curs 11 17
18 Random forests Obs: eroarea arborlor aleator depnde de 2 elemente: Corelaţa dntre orcare 2 arbor cu cât corelaţa este ma mare cu atât eroarea este ma mare Puterea fecăru arbore dn pădure. Un arbore cu eroare mcă are putere mare Cu cât este ma mare puterea arborlor dn pădure cu atât eroarea pe ansamblu este ma mcă [Leo Breman ata mnng - Curs 11 18
19 Random forests Obs: Influenţa lu m numărul de atrbute selectate în procesul de ramfcare) Reducerea lu m reduce atât corelaţa cât ş puterea. Creşterea lu m conduce la creşterea corelaţe ş a puter E necesar un comproms se alege valoarea lu m care conduce la eroare mcă Obs: estmarea caltăţ se face folosnd datele care nu au fost selectate la construrea arborelu nu e necesară valdare încrucşată) tehnca out-ofbag [Leo Breman ata mnng - Curs 11 19
20 Boostng Ideea de bază: Fecare nstanţă dn setul de antrenare are o pondere care poate f utlzată rect în cadrul modelulu dacă acesta permte utlzare ponderlor) sau în defnrea unor probabltăţ de selecţe Ponderle pot f adaptve nstanţele clasfcate ncorect au asocate valor ma mar ale ponderlor) Abordare: La început toate nstanţele au asocate aceleaş Pe parcursul procesulu de antrenare: Pt Instanţele clasfcate ncorect se măreşte valoarea ponder Pt Instanţele clasfcate corect se mcşorează valoarea ponder Obs: Se presupune că prncpala componentă a eror este deplasarea ş se încearcă reducerea acestea prn acordarea une mportanţe ma mar datelor clasfcate ncorect ata mnng - Curs 11 20
21 AdaBoost Algortm de antrenare: Input: algortm de clasfcare de bază: A; set de date: Output: Set de modele de clasfcare M 1,, M T ) Set de ponder corespunzătoare modelelor Ideea de bază - La fecare pas t al algortmulu, se obţne o componentă a ansamblulu M t ) vez slde următor - Clasfcatorul de bază e de regulă un clasfcator smplu fără putere prea mare de dscrmnare weak classfer) ata mnng - Curs 11 21
22 AdaBoost AdaBoost A,) t=1; ntalze the weghts of the tranng nstances: wt,)=1/l for all =1..L REPEAT t=t+1; construct M t usng the current values of the nstances weghts compute the weghted error rate of model M t on Ɛt)) compute the model weght αt)=ln1-ɛt))/ɛt))/2 FOR =1,L O IF x s wrongly classfed THEN wt+1,)=wt,)*expαt)) ELSE wt+1,)=wt,)*exp-αt)) FOR =1,L O wt+1,)=wt+1,)/sumwt+1,j),j=1..l) UNTIL t>=t) or Ɛt)=0) or Ɛt)>=0.5) Obs: dacă la orcare dntre rundele ntermedare rata de eroare este ma mare decât 50% în loc să se oprească algortmul se readuc ponderle la 1/L ş se repetă procedura ata mnng - Curs 11 22
23 AdaBoost Câteva detal: Rată ponderată de eroare: ε t = 1 L wδ L = 1 t ) M x y ) Importanţa pondere) unu model/ clasfcator: α = t ε t ln εt ata mnng - Curs 11 23
24 AdaBoost Etapa de clasfcare în cazul clasfcatorlor bnar ce produc valor în {-1,1}) Se aplcă fecare compnentele ansamblulu M 1, M 2,, M T ) ş se colectează rezultatelr r 1,r 2, r T ) n {-1,1}) Se agreghează rezultatele: calcul r=α 1 r 1 + α 2 r α T r T IF r<0 THEN return -1 ELSE return +1 ata mnng - Curs 11 24
25 AdaBoost Intal weghts for each data pont ata ponts for tranng Orgnal ata B Boostng Round α = [Sldes by Kumar/ Introducton to ata Mnng, 2004] ata mnng - Curs 11 25
26 Boostng Round Boostng B1 AdaBoost B Round α = α = Boostng Round B3 α = Overall ata mnng - Curs 11 26
27 Stackng Idee de bază: două nvele de clasfcare Etape prncpale: Se dvde setul de date n două subsetur A ş B Prmul nvel: se antrenează un ansamblu de k clasfcator bazaţ pe A poate f o colecţe de clasfcator, se pot baza pe baggng sau pe k runde de boostng) Second level: Se determnă k eşr etchete ale claselor) ale clasfcatorlor antrenaţ la prmul nvel pentru fecare dntre nstanţele subsetulu B Se construeşte un set de date având ca atrbute de ntrare aceste k eşr ş ca atrbut de clasă etcheta corectă a nstanţe corespunzătoare dn subsetul B Se antrenează un clasfcator pe acest set nou de date ata mnng - Curs 11 27
28 Stackng Obs: Rezultatul de la stackng este un set de k clasfcator de prm nvel ş un clasfcator combnat Pentru o nstanţă de test, prmul nvel de clasfcator este utlzat o nouă nstanţă k-dmensonală pe când al dolea clasfcator furnzează rezultatul corespunzător nstanţe transformate Atrbutele orgnale pot f combnate cu nole atrbute la construrea clasfcatorulu corespunzător celu de al dolea nvel; este de asemenea posbl ca cele k atrbute no să fe probabltăţ ş nu etchete de clase Tehnca stackng permte reducerea ambelor componente ale eror întrucât al dolea nvel învaţă dn erorle dfertelor componente ale ansamblulu) ata mnng - Curs 11 28
29 Sumar Impactul metodelor de tp ansamblu asupra componentelor eror Baggng ş random forests au fost proectate să reducă varanţa Boostng ş stackng au fost proectate să reducă ambele componente Extndere de de ansamblu în contextul tehnclor de clusterng Aceeaş dee ca ş la clasfcare: Aplcă dferte metode de clusterng sau aceeaş metodă dar folosnd dferte valor ale parametrlor) Agregare rezultate folosnd algortm de clusterng pt hpergrafur datele reprezntă nodur ş fecare cluster reprezntă o hpermuche) ata mnng - Curs 11 29
Inteligență artificială Laboratorul 5 Normalizarea datelor. Mașini cu vectori suport (SVM) 1. Normalizarea datelor Metode obișnuite de preprocesare a
Normalzarea datelor. Mașn cu vector suport (SVM) 1. Normalzarea datelor Metode obșnute de preprocesare a datelor. În partea stângă sunt reprezentate datele D orgnale. În mjloc acestea sunt centrate în
Mai multMicrosoft Word _ISABEL_GA
Optmzarea unu sstem BCI folosnd tehnca GA Dan Marus Dobrea, Monca-Clauda Dobrea Abstract Această lucrare, ce contnuă o cercetare anteroară, are ca prm obectv îmbunătăţrea unu sstem de tp nterfaţă creer-calculator
Mai multMicrosoft Word - F.Paladi_TD_manual.doc
Prn urmare, entropa calculată în baza a va f egală cu log a (2) înmulţt cu entropa calculată cu logartm în baza 2. 3. Contnutate Entropa este o funcţe contnuă. Une modfcar nfntezmale a probabltăţlor corespunde
Mai multMicrosoft PowerPoint - 3.ppt [Compatibility Mode]
Unverstatea Tehncă Gheorghe sach dn Iaş Facultatea de Ingnere hmcă ş Protecţa Medulu Ingnera proceselor chmce ş bologce/3 n unverstar 205-206 Departamentul Ingnera ş Managementul Medulu În unele cazur,
Mai multMicrosoft Word - N_ND.02_Capitol.doc
Captolul Cuvnte-chee Sstem de puncte materale, Legătur blaterale, Legătur unlaterale, Legătur geometrce, Legătur cnematce, Legătur olonome (ntegrable), Legătur neolonome (nentegrable), Legătur stațonare
Mai multNU ESTE TERMINATĂ
POBLEME SEMINA TEHNICI DE OPTIMIZAE ÎN ENEGETICĂ POBLEMA Să se determne încărcarea optmă a două grupur ale une centrale termoelectrce cu puterle nomnale de ş MW. Cele două grupur utlzează cărunele comustl
Mai multMETODE NUMERICE PENTRU ECUAŢII DIFERENŢIALE
METODE NUMERICE PENTRU ECUAŢII DIFERENŢIALE Foldere / Metode Ssteme de ordnul întâ Metodele de ma jos rezolvă problema cu valor nțale: x f( t, x) x( t x ) Adams45 Metoda Adams-Moulton Predctor-Corector
Mai multEvaluarea şi sumarizarea automată a conversaţiilor chat
Evaluarea ş sumarzarea automată a conversaţlor chat Mha Dascălu, Ștefan Trăușan-Matu, Phlppe Dessus To cte ths verson: Mha Dascălu, Ștefan Trăușan-Matu, Phlppe Dessus. Evaluarea ş sumarzarea automată a
Mai multCELULA DE ELECTROLIZĂ: este formată prin asocierea a doi electrozi, iar trecerea curentului electric se datorează aplicării unei tensiuni electrice ex
II.. CELULA ELECTOCHIMICĂ: reprezntă sstemul format prn cuplarea a electroz, contactul între e realzâdu-se prn ntermedul conductorlor de ordnul II (soluţlor). În funcţe de cauza care determnă trecerea
Mai multMicrosoft Word CursAppAnNum08
I20 Conrolul asulu În unele cazur ese necesară enru obţnerea une eror dae folosrea unu as varabl în rezolvarea numercă Meodele numerce care folosesc un as varabl se numesc meode adave Penru conrolul asulu
Mai multMicrosoft PowerPoint - p1_PowerVLSI.ppt
Proectarea structurlor pentru aplcat de putere. Modelarea conertoarelor c.c. c.c.. tructura s functle crcutelor ntegrate pentru controlul conertoarelor c.c. c.c. 3. tructur s funct pentru managementul
Mai multMicrosoft PowerPoint - 5_.ppt
Unverstatea Tehncă Gheorghe Asach dn Iaş Facultatea de Ingnere Chmcă ş Protecţa edulu Ingnera proceselor chmce ş bologce/5 An unverstar 202-203 Ttular dscplnă: Prof.dr.ng. ara Gavrlescu Aplcaţ: Dr. Petronela
Mai multALGORITHMICS
Curs 7: Gruparea datelor (II) Data mining - Curs 7 1 Structura Metode bazate pe densitate DBSCAN DENCLUE Metode probabiliste EM - Expectation Maximization Data mining - Curs 7 2 Metode bazate pe densitate
Mai multMicrosoft Word - acasa_Reteua de difractie.doc
UIVERSITATEA "POLITEHICA" DI BUCUREŞTI DEPARTAMETUL DE FIZICĂ LABORATORUL DE OPTICĂ B - 0 B DIFRACŢIA LUMIII DETERMIAREA LUGIMII DE UDĂ A RADIAŢIEI LUMIOASE UTILIZÂD REŢEAUA DE DIFRACŢIE 004-005 DIFRACŢIA
Mai multMicrosoft Word - L07_TEFO_FILTRUL_KALMAN.doc
Laborator TEFO Lucrarea nr. 7 FILTRUL KALMAN este un nstrument matematc puternc care joacă un rol mportant în grafca pe computer când vrem să reprezentăm lumea reală în sstemele de calcul. De asemenea,
Mai multPrelucrarea Datelor cu Caracter Personal de către OSIM Toate datele cu caracter personal colectate de Oficiul de Stat pentru Invenții și Mărci (OSIM)
Prelucrarea Datelor cu Caracter Personal de către OSIM Toate datele cu caracter personal colectate de Ofcul de Stat pentru Invenț ș Mărc (OSIM) sunt prelucrate în conformtate cu dspozțle Regulamentulu
Mai multMicrosoft Word - Anexa 5A Precizarea ipotezelor care au stat la baza proiectiilor finaciare
Anexa 5A PRECIZAREA IPOTEZELOR CARE AU STAT LA BAZA INTOCMIRII PROIECTIILOR FINANCIARE PRECIZARILE DE MAI JOS SUNT AFERENTE ANEXELOR FINANCIARE 1-8 AtenŃe: 1. Prognozele vor f întocmte pornnd de la stuańle
Mai multCurs 6: Clasificarea surselor de informatii - Clasificarea Bayes Naiva. Modelul Bernoulli
Clasificarea Bayes Naivă. Modelul Bernoulli 1 noiembrie 2018 Problema de clasificare Definiţie generală. Clasificarea documentelor Se dau (1) o mulţime C = {c 1, c 2,...} de clase de obiecte şi (2) un
Mai multSlide 1
BAELE ELECTOTEHNC BE An - ETT CUS 9 Conf. dr.ng.ec. Clauda PĂCUA e-mal: Clauda.Pacurar@et.utcluj.ro CCUTE ELECTCE LNAE ÎN EGM PEMANENT SNUSODAL TEOEME Ș METODE DE ANALĂ A CCUTELO ELECTCE LNAE 3/36 Conf.dr.ng.ec.
Mai multALGORITHMICS
CURS 2: Descrierea algoritmilor în pseudocod =Exemple= 1 Structura Descrierea unor algoritmi simpli Specificarea și utilizarea subalgoritmilor 2 Exemplu 1 Considerăm un tabel cu informații despre studenți
Mai multALGORITMII ŞI REPREZENTAREA LOR Noţiunea de algoritm Noţiunea de algoritm este foarte veche. Ea a fost introdusă în secolele VIII-IX de către Abu Ja f
ALGORITMII ŞI REPREZENTAREA LOR Noţiunea de algoritm Noţiunea de algoritm este foarte veche. Ea a fost introdusă în secolele VIII-IX de către Abu Ja far Mohammed ibn Musâ al- Khowârizmî în cartea sa intitulată
Mai multAnaliză statică Analiza fluxului de date 23 octombrie 2014
Analiză statică Analiza fluxului de date 23 octombrie 2014 Analiză statică: definiție O analiză a codului sursă (fără a executa programul), cu scopul de a determina proprietăți ale programului sursă. (in
Mai multMicrosoft Word - F.Paladi_TD_manual.doc
dq d d c lm lmt lm 0, T 0 dt T 0 dt T 0 d lt deoarece lm(lt ) La fel se poate demostra că ş T 0 cp cv lm 0, care tde către zero ma let decât dfereţa de la T 0 cp umărător c c P V 15 Etropa Exstă tre formulăr
Mai multCurs8
Curs 8 Analiză sintactică LR(k) Termeni Predicție vezi LL(1) Manșa = simboluri din vârful stivei de lucru care formează (în ordine) pdp Analizor de tip deplasare - reducere: deplasează simboluripentru
Mai multÎnvățare automată Laborator 9 Rețele neuronale în TensorFlow TensorFlow (abreviat TF) este o bibliotecă open source ce permite efectuarea de calcule ș
Rețele neuronale în TensorFlow TensorFlow (abreviat TF) este o bibliotecă open source ce permite efectuarea de calcule și procesări numerice de mare performanță. Punctul forte al acestei bilblioteci îl
Mai multINFLPR
IFLPR Secta Laser RAPORT DE CERCETARE r. 3 / 16.03.011 Proect ISOTEST - POSCCE.1. In cadrul cele de a trea peroade de raportare (16.1.010 16.03.011) sunt prevazute urmatoarele actvtat de dezvoltare expermentala
Mai multTransformata Laplace
NTRODCERE Crcue de curen connuu Teoremele lu Krchhoff K u K Relațle înre enun ș curenț u e u R Probleme: -analza crcuelor - e dau relale nre enun curen conexunle e cer u 2 -neza crcuelor - e dau anum u
Mai multAnaliză de flux de date 29 octombrie 2012
Analiză de flux de date 29 octombrie 2012 Analiză statică: definiţie O analiză a codului sursă (fără a executa programul), cu scopul de a determina proprietăţi ale programului sursă. (in principal corectitudinea,
Mai multMATEMATICĂ... 2 FIZICĂ ŞI FUNDAMENTE DE INGINERIE ELECTRICĂ... 6 UNITĂŢI DE MĂSURĂ ÎN S.I CHIMIE ANORGANICĂ CHIMIE FIZICA CHIMIE OR
MATEMATICĂ... FIZICĂ ŞI FUNDAMENTE DE INGINERIE ELECTRICĂ... 6 UNITĂŢI DE MĂSURĂ ÎN S.I.... 10 CHIMIE ANORGANICĂ... 11 CHIMIE FIZICA... CHIMIE ORGANICA... CHIMIE ANALITICA INSTRUMENTALA... 36 BAZELE TEHNOLOGIEI
Mai multLaboratorul 2 Problema tăieturii minime Considerăm un graf (neorientat) G = (V, E) (V e mulţimea vârfurilor, E e mulţimea muchiilor) care este conex (
Laboratorul 2 Problema tăieturii minime Considerăm un graf (neorientat) G = (V, E) (V e mulţimea vârfurilor, E e mulţimea muchiilor) care este conex (adică, între oricare două vârfuri există cel puţin
Mai multCurs 3 Permutari cu repetitie. Combinari. Algoritmi de ordonare si generare
Curs 3 Permutări cu repetiţie. Combinări. Algoritmi de ordonare şi generare Octombrie 2015 Cuprins Algoritmi de ordonare şi generare pentru permutări cu repetiţie Reprezentarea binară a submulţimilor Algoritmi
Mai multI. Proiectii financiare si indicatori financiari (Anexele B pentru persoanele juridice si Anexele C pentrupersoanele fizice autorizate, intreprinderi
I. Proect fnancare s ndcator fnancar (Anexele B pentru persoanele jurdce s Anexele C pentrupersoanele fzce autorzate, ntreprnder ndvduale s ntreprnder famlale) pentru demonstrarea crterulu de elgbltate
Mai multC(2019)1900/F1 - RO (annex)
COMISIA EUROPEANĂ Bruxelles, 8.3.2019 C(2019) 1900 final ANNEXES 1 to 12 ANEXE la Regulamentul delegat al Comisiei de modificare a Regulamentului delegat (UE) 2015/35 al Comisiei de completare a Directivei
Mai multPowerPoint-Präsentation
Unverstatea Translvana n Braşov Laboratorl e Veere Artcală Robstă ş Control Metoe Nmerce Crs 7 ntegrarea nmercă Ggel Măceșan Cprns ntrocere Metoa trapezl ș eroarea e trncere Metoa l Rcarson Metoa l Smpson
Mai multLogică și structuri discrete Logică propozițională Marius Minea marius/curs/lsd/ 3 noiembrie 2014
Logică și structuri discrete Logică propozițională Marius Minea marius@cs.upt.ro http://www.cs.upt.ro/ marius/curs/lsd/ 3 noiembrie 2014 Unde aplicăm verificarea realizabilității? probleme de căutare și
Mai multMicrosoft Word - DIN-Cap.5.3.doc
5.6. Analza namc a unu sstem e reglare automat a vteze unghulare la axul motorulu hraulc 5.6.. Formularea probleme. Acest moel e sstem hraulc e reglare este frecvent utlzat atunc cân organulu e lucru (execue)
Mai multMicrosoft Word - SUBIECT 2017 anul I.doc
Subiecte anul I Problema I (10 puncte) Viteza unui vehicul e masă m, care se eplasează rectiliniu, variază upă legea t v c, t une v este viteza, t timpul, iar c şi τ sunt constante pozitive. a) Reprezintă
Mai mult7. Alinierea robustă a densităţilor de puncte 3D Măsurarea distanţei dintre diferite forme geometrice 3D Estimarea rotaţiei şi a translaţiei optime în
7. Alinierea robustă a densităţilor de puncte 3D Măsurarea distanţei dintre diferite forme geometrice 3D Estimarea rotaţiei şi a translaţiei optime între nori de puncte Prezentarea generală a algoritmului
Mai multMicrosoft PowerPoint - Managementul Riscului la IFN-uri.ppt
Managementul Riscului pentru Instituţiile Financiare Nebancare Abordarea Riscului prin Prisma Portofoliului Aplicaţie pentru Societăţile de Leasing Definiţia Riscului Riscul reprezintă probabilitatea ca
Mai multEcuatii si sisteme de ecuatii neliniare 1 Metoda lui Newton Algorithm 1 Metoda lui Newton pentru ecuaţia f(x) = 0. Date de intrare: - Funcţia f - Apro
Ecuatii si sisteme de ecuatii neliniare Metoda lui Newton Algorithm Metoda lui Newton pentru ecuaţia f(x) = 0. - Funcţia f - Aproximaţia iniţială x - Eroarea admisă ε - Numărul maxim de iteraţii ITMAX
Mai multMINISTERUL NVźÅMÂNTULUI Program TEMPUS JEP 3801 SCIENCES DE L'EAU ET ENVIRONNEMENT METODE NUMERICE N HIDROGEOLOGIE Serie coordonatå de: Jean Pierre C
MINISTERUL NVźÅMÂNTULUI Program TEMPUS JEP 380 SCIENCES DE L'EAU ET ENVIRONNEMENT METODE NUMERICE N HIDROGEOLOGIE Sere coordonatå de: Jean Perre CARBONNEL Unverstatea Perre et Mare Cure - Pars 6 Radu
Mai multALGORITMICĂ. Seminar 3: Analiza eficienţei algoritmilor - estimarea timpului de execuţie şi notaţii asimptotice. Problema 1 (L) Să se determine număru
ALGORITMICĂ. Seminar 3: Analiza eficienţei algoritmilor - estimarea timpului de execuţie şi notaţii asimptotice. Problema 1 (L) Să se determine numărul de operaţii efectuate de către un algoritm care determină
Mai multMetode de sortare - pregătire admitere - Conf.dr. Alexandru Popa Lect. dr. Andrei Pătraşcu Universitatea din Bucureşti 1
Metode de sortare - pregătire admitere - Conf.dr. Alexandru Popa Lect. dr. Andrei Pătraşcu Universitatea din Bucureşti 1 Cuprins Problema sortării Algoritmul de sortare prin interschimbare (Bubble sort)
Mai multDeclararea variabilelor
Platforma 3. 1 Instructiuni diverse Declararea variabilelor Tipuri de Date Tipul de dată al unui obiect/variabila specifica tipul informaţiei pe care acel obiect îl poate stoca. Exemplu: numere întregi,
Mai multPreprocesorul C Funcţii cu numǎr variabil de argumente 6 decembrie 2005 Programarea calculatoarelor 2. Curs 10 Marius Minea
Preprocesorul C Funcţii cu numǎr variabil de argumente 6 decembrie 2005 Preprocesorul C. stdarg.h 2 Preprocesorul C extensii (macro-uri) pentru scrierea mai concisǎ a programelor preprocesorul efectueazǎ
Mai multUn model dinamic de dezvoltare a firmei
Modele dnamce de conducere opmală a acvăţ frme Modelul dnamc al frme Unul dnre cele ma mporane modele dezvolae în leraura de specalae ese acela în care frma ese prvă ca un ssem dnamc. Aces model analzează
Mai multLaborator 7: PROIECTAREA BAZELOR DE DATE SUBPROGRAME in PL/SQL (partea I - proceduri) Un subprogram este un bloc PL/SQL cu nume (spre deosebire de blo
Laborator 7: PROIECTAREA BAZELOR DE DATE SUBPROGRAME in PL/SQL (partea I - proceduri) Un subprogram este un bloc PL/SQL cu nume (spre deosebire de blocurile anonime) care poate primi parametri şi poate
Mai mult1. Găsiți k numerele cele mai apropiate într-un şir nesortat Dându-se un şir nesortat și două numere x și k, găsiți k cele mai apropiate valori de x.
1. Găsiți k numerele cele mai apropiate într-un şir nesortat Dându-se un şir nesortat și două numere x și k, găsiți k cele mai apropiate valori de x. Date de intrare: arr [] = {10, 2, 14, 4, 7, 6}, x =
Mai multParadigme de programare
Curs 4 Transparență referențială. Legare statică / dinamică. Modelul contextual de evaluare. Transparență referențială Cuprins Efecte laterale Transparență referențială 2 Efecte laterale Efecte laterale
Mai multLaborator5_SQL_an2
Baze de date-anul 2 Laborator 5 SQL Operatorii ROLLUP şi CUBE. Clauza GROUPING SETS. Funcţia GROUPING. Subcereri corelate. Cereri ierarhice. Analiza top-n. Clauza WITH. I. [Operatorii ROLLUP şi CUBE. Clauza
Mai multLEGISLATIE Eficienţa Energetică
EFICIENȚA ENERGETICĂ ÎN ROMÂNIA INDICATORI, EVOLUȚIE ȘI POLITICI Iuliana LAZĂR Expert 1 CUPRINS: 1. Caracteristici generale 2. Indicatori specifici 3. Obiective 2020 4. Cadrul legislativ și instituțional
Mai mult..MINISTERUL EDUCAŢIEI NAȚIONALE ŞI CERCETARII STIINTIFICE UNIVERSITATEA DE VEST DIN TIMIȘOARA.I CENTRUL DE DEZVOLTARE ACADEMICĂ. FIȘA DISCIPLINEI 1.
FIȘA DISCIPLINEI 1. Date despre program 1.1. Instituția de învățământ superior Universitatea de Vest din Timișoara 1.2. Facultatea Matematică și Informatică 1.3. Departamentul Informatică 1.4. Domeniul
Mai multMicrosoft Word - Curs_09.doc
Capitolul 7. Proiectarea conceptuală Scop: reprezentarea cerinţelor informale ale aplicaţiei în termenii descrierii complete şi formale dar independent de criteriul folosit pentru reprezentare în sistemul
Mai multPowerPoint Presentation
Forme Normale 4 Redundanţa Redundanţa este cauza principală a majorităţii problemelor legate de structura bazelor de date relaţionale: spaţiu utilizat, anomalii de inserare / stergere / actualizare. Redundanţa
Mai multLimbaje de Programare Curs 6 – Functii de intrare-iesire
Limbaje de Programare Curs 6 Funcţii de intrare-ieşire Dr. Casandra Holotescu Universitatea Politehnica Timişoara Ce discutăm azi... 1 Citire formatată 2 Citirea şirurilor de caractere 3 Citirea unor linii
Mai multMicrosoft PowerPoint - Curs_SDA_9_RO_2019_v2.pptx
SDA (PC2) Curs 9 Liste / Grafuri / Arbori Iulian Năstac Lista dublu înlănțuită Recapitulare Într-o astfel de listă fiecare nod conţine doi pointeri: unul spre nodul următor şi unul spre nodul precedent.
Mai multLaborator 8: PROIECTAREA BAZELOR DE DATE SUBPROGRAME in PL/SQL (partea II - functii) Un subprogram este un bloc PL/SQL cu nume (spre deosebire de bloc
Laborator 8: PROIECTAREA BAZELOR DE DATE SUBPROGRAME in PL/SQL (partea II - functii) Un subprogram este un bloc PL/SQL cu nume (spre deosebire de blocurile anonime) care poate primi parametri şi poate
Mai multCapitole Speciale de Informatica - Curs 5: Extragerea informatiilor prin feedback de relevanta. Metode probabiliste de extragere a informatiilor
Curs 5: Extragerea informaţiilor prin feedback de relevanţă. Metode probabiliste de extragere a informaţiilor 25 octombrie 2018 Extragerea informaţiilor prin feedback de relevanţă Idee de bază 1 Utilizatorul
Mai multStructuri de date pentru partiţii de mulţimi O partiţie finită a unei mulţimi nevide S este o mulţime finită de submulţimi ale lui S: {S 1, S 2,..., S
Structuri de date pentru partiţii de mulţimi O partiţie finită a unei mulţimi nevide S este o mulţime finită de submulţimi ale lui S: {S 1, S 2,..., S n P(S) care satisface condiţiile următoare: S i 0
Mai multCurs 8: Tehnica divizării (I) Algoritmi si structuri de date - Curs 8 1
Curs : Tehnica divizării (I) 1 In cursul anterior am văzut cum se analizează eficiența algoritmilor recursivi Se scrie relația de recurență corespunzătoare timpului de execuție Se rezolvă relația de recurență
Mai multMicrosoft Word - Articol_Cretu Ion [RO].docx
40 No solț ntegrale termoelastce pentr semspaț NOI SOLUȚII INTEGALE TEOELASTICE PENTU SEISPAȚIU Ion Creț, lector nv. Unverstatea Tehncă a oldove INTODUCEE Oțnerea solțlor ntegrale în termoelastctate de
Mai multMicrosoft Word - declatie avere 2013.doc
ANEXA 1 DECLARAŢIE DE AVERE Subsemnatul/Subsemnata SABĂU D. MIHAELA având funcţa de GREFIER la JUDECĂTORIA MIERCUREA CIUC, CNP, domclul Mercurea Cuc,judeţul Harghta, cunoscând prevederle art. 292 dn Codul
Mai multSeminar 05 Metode de învățare automată - clasificare
Rezolvarea problemelor cu ajutorul metodelor de învățare Obiective Aspecte teoretice Probleme abordate Dezvoltarea sistemelor care învaţă singure. Algoritmi de învăţare. Specificarea, proiectarea şi implementarea
Mai multAGENDA TRAINING
AGENDA TRAINING ECONOMETRIE NIVEL DE COMPLEXITATE 2 DATA, ORA SI LOCATIA Grupul ţintă este format din 20 de funcţionari publici din cadrul Comisiei Naţionale de Prognoză, Ministerului Finanţelor Publice
Mai multRZOLVARE EXERCITIU ZODII declare cursor distributie_zodie is select nume_zodie, count(*) distributie from zodiac z join utilizatori u on to_date(to_ch
RZOLVARE EXERCITIU ZODII declare cursor distributie_zodie is select nume_zodie, count(*) distributie from zodiac z join utilizatori u on to_date(to_char(u.data_nastere, 'DD-MM'), 'DD-MM') between to_date(z.data_inceput,
Mai multMicrosoft Word - declaraţii de avere 2015.doc
ANEXA1 DECLARAŢIE DE AVERE Subsemnata,GHENCI A. ELENA ALINA, având funcţa de GREFIER ŞEF la JUDECĂTORIA MIERCUREA CIUC, CNP, domclul:, cunoscând prevederle art.292 dn Codul penal prvnd falsul în declaraţ,
Mai multUNIVERSITATEA "POLITEHNICA" DIN BUCUREŞTI
UNVERSTATEA "POLTEHNA" DN BUUREŞT ATEDRA DE FZĂ LABORATORUL DE MEANĂ BN 1b MOMENTELE DE NERŢE ALE ORPURLOR Ş TEOREMA LU STENER 7 8 MOMENTELE DE NERŢE ALE ORPURLOR Ş TEOREMA LU STENER 1. Scopul lucrăr -
Mai multDeclaraţii. Instrucţiuni 19 octombrie 2005 Programarea calculatoarelor 2. Curs 3b Marius Minea
Declaraţii. Instrucţiuni 19 octombrie 2005 Declaraţii. Instrucţiuni 2 Domeniul de vizibilitate al identificatorilor Pt. orice identificator, compilatorul trebuie sǎ-i decidǎ semnificaţia Identificatorii
Mai multPowerPoint Presentation
UPB - Facultatea ETTI - Curs ISC - an IV Specializarea RST 2010-2011 Inginerie Software pentru Comunicatii (ISC / RST) Titular curs: Eduard-Cristian Popovici Suport curs: http://discipline.elcom.pub.ro/isc/
Mai multA.E.F. - suport laborator nr.7 sem.ii Utilizarea rețelelor de tip 1D & 2D În acest laborator sunt atinse următoarele aspecte: conectarea unui element
Utilizarea rețelelor de tip 1D & 2D În acest laborator sunt atinse următoarele aspecte: conectarea unui element 1D de unul 2D cum se realizează o muchie poligonală aplicarea constrângerilor privind deplasările
Mai multChestionarul MOSPS
Chestionar de evaluare a siguranței pacienților în cabinetele de consultații de medicină primară (AHRQ MOSPS) INSTRUCȚIUNI Gândește-te la modul în care se fac lucrurile în cabinetul de consultații și exprimă-ți
Mai multMicrosoft PowerPoint - Curs_SDA_10_RO_2019_v1.pptx
SDA (PC2) Curs 10 Arbori Iulian Năstac Definiția 1: Arbori Recapitulare Arborele este un graf orientat, aciclic și simplu conex. Definiția 2: Un arbore este un ansamblu de structuri de date de natură recursivă
Mai multSSC-Introducere-2
Indicatori de performanță Timpul de execuție Timpul UCP MIPS MFLOPS Legea lui Amdahl 1 Compararea și sintetizarea performanțelor Evoluția programelor de evaluare a performanțelor SPEC CPU2017 2 O măsură
Mai multOperatorii in C Expresii Operatori aritmetici Operatori de asignare Operatori de incrementare si decrementare Operatori relationali Operatori logici O
Operatorii in C Expresii Operatori aritmetici Operatori de asignare Operatori de incrementare si decrementare Operatori relationali Operatori logici Operatii pe biti Operatorul conditional Operatori Logici
Mai multMicrosoft Word - Sinteza Generala ID 786.doc
Snteza generală a lcrăr ID 786 Metode ş algortm de dentfcare a sstemelor nelnare în tmp contn Etapa I: Octombre 7- Decembre 7 Obectvele etape I Conform Anexe IIa ID 786 în etapa I a fost prevăzte obectve:.
Mai multCuantizare Vectoriala.doc
4. Metoda de quadro în compresie fractala optimizata rata-distorsiune În cele ce urmeaza descriem o metoda de quadro bazata pe optimizarea criteriului ratadistorsiune în compresia fractala a imaginilor.
Mai multMicrosoft Word - Curs 11 - PHP.doc
Cursul 11 PHP - partea a III-a 1. Conexiuni MySQL Conexiunea la o bază de date este prima operaţiune ce trebuie făcută în lucrul cu acea bază de date. Funcţia folosită este: mysql_connect() Conexiunea
Mai multMicrosoft Word - Curs_07.doc
5.3 Modificarea datelor în SQL Pentru modificarea conţinutului unei baze de date SQL pune la dispoziţie instrucţiunile insert, delete şi update. 5.3.1 Inserări în baza de date Sintaxa instrucţiunii insert
Mai multSistem de supraveghere video inteligent cu localizarea automata a evenimentelor de interes SCOUTER, cod proiect PN-II-IN-DPST , contract nr
-Rezumat- ETAPA II: Algoritmi de procesare si analiza a continutului video - Raport stiintific si tehnic - 1. Introducere In ultimele doua decenii volumul de date achizitionat a cunoscut o rata exponentiala
Mai multIngineria Sistemelor de Programare
Ingineria Sistemelor de Programare Agregarea si Mostenirea mihai.hulea@aut.utcluj.ro 2019 Compozitia si agregarea Relatia dintre obiecte raspunde afirmativ la intrebarea are un/are o Exemple: Telefonul
Mai multCartelele telefonice
Cartelele telefonice Mr.instr. Gheorghe OLAN Generalităţi De la mijlocul anilor 80 a apărut o nouă generaţie de carduri (aşanumitele carduri inteligente sau carduri cu cipuri), care au înlocuit majoritatea
Mai mult..MINISTERUL EDUCAŢIEI NAȚIONALE ŞI CERCETARII STIINTIFICE UNIVERSITATEA DE VEST DIN TIMIȘOARA.I CENTRUL DE DEZVOLTARE ACADEMICĂ. FIȘA DISCIPLINEI 1.
FIȘA DISCIPLINEI 1. Date despre program 1.1. Instituția de învățământ superior Universitatea de Vest din Timisoara 1.2. Facultatea Matematica si Informatica 1.3. Departamentul Informatica 1.4. Domeniul
Mai multModelarea si Simularea Sistemelor de Calcul
Modelarea şi Simularea Sistemelor de Calcul Generarea de numere aleatoare ( lab. 5) Numim variabilă aleatoare acea funcţie X : (Ω, δ, P) R, care în cazul mai multor experimente efectuate în condiţii identice
Mai multSlide 1
ELECTROTEHNCĂ ET An - SA CRS 8 Conf.dr.ing.ec. Claudia PĂCRAR e-mail: Claudia.Pacurar@ethm.utcluj.ro . ntroducere în teoria circuitelor electrice. Puteri în regim armonic 3. Caracterizarea în complex a
Mai multLaborator 3 - Simulare. Metode de tip Monte Carlo. I. Estimarea ariilor şi a volumelor RStudio. Nu uitaţi să va setaţi directorul de lucru: Session Se
Laborator 3 - Simulare. Metode de tip Monte Carlo. I. Estimarea ariilor şi a volumelor RStudio. Nu uitaţi să va setaţi directorul de lucru: Session Set Working Directory Choose Directory. Exerciţiu rezolvat.
Mai multCapitole Speciale de Informatică Curs 4: Calculul scorurilor în un sistem complet de extragere a informaţiilor 18 octombrie 2018 Reamintim că în cursu
Capitole Speciale de Informatică Curs 4: Calculul scorurilor în un sistem complet de extragere a informaţiilor 18 octombrie 2018 Reamintim că în cursul precedent am prezentat modelul de spaţiu vectorial
Mai mult..MINISTERUL EDUCAŢIEI NAȚIONALE ŞI CERCETARII STIINTIFICE UNIVERSITATEA DE VEST DIN TIMIȘOARA.I CENTRUL DE DEZVOLTARE ACADEMICĂ. FIȘA DISCIPLINEI 1.
FIȘA DISCIPLINEI 1. Date despre program 1.1. Instituția de învățământ superior Universitatea de Vest din Timișoara 1.2. Facultatea Matematică și Informatică 1.3. Departamentul Informatică 1.4. Domeniul
Mai multLaborator 2: Instrucţiuni Java şi lucru cu şiruri de caractere Întocmit de: Adina Neculai Îndrumător: Asist. Drd. Gabriel Danciu 18 octombrie 2011
Laborator 2: Instrucţiuni Java şi lucru cu şiruri de caractere Întocmit de: Adina Neculai Îndrumător: Asist. Drd. Gabriel Danciu 18 octombrie 2011 I. NOŢIUNI TEORETICE A. Instrucţiuni condiţionale 1. Intrucţiunea
Mai multEchipamente incalz rad si pard calda
ECHIPAMENTE PENTRU INCĂLZIRE CU RADIATOARE ȘI PARDOSEALĂ CALDĂ Set distribuitor pentru instalații cu radiatoare - 8534 - Set distribuitor compus din: -bară DN25 - FI 1 / 3 12 ieșiri G 3/4 pentru Euro-con
Mai multTop
PROGRAMARE ORIENTATĂ PE OBIECTE Tratarea excepțiilor O excepție este o eroare care poate să apară la rularea unui program. Exemple: încercarea de deschidere a unui fișier ce nu există depășirea limitelor
Mai multLucrarea 7 Filtrarea imaginilor BREVIAR TEORETIC Filtrarea imaginilor se înscrie în clasa operaţiilor de îmbunătăţire, principalul scop al acesteia fi
Lucrarea 7 Filtrarea imaginilor BREVIAR TEORETIC Filtrarea imaginilor se înscrie în clasa operaţiilor de îmbunătăţire, principalul scop al acesteia fiind eliminarea zgomotului suprapus unei imagini. Filtrarea
Mai multMicrosoft Word - BD4_Curs11.doc
13.IMPLEMENTAREA STRUCTURILOR DE TIP RETEA SIMPLA In structurile arborescente, fiecare nod părinte poate avea mai mulţi fii, iar fiecare nod fiu are un singur părinte. Din acest motiv modelele de BD ierarhice
Mai multMicrosoft PowerPoint - TDRC_II-03-Ethernet.ppt
Curs 3 Introducere Tehnologii Fast Ethernet şi Gigabit Ethernet Fibra optica High Speed Wireless LAN Ethernet Corneliu Zaharia 2 Corneliu Zaharia De ce High Speed LAN? LAN uzuale folosesc pentru conectivitate
Mai multMicrosoft Word - FiltrareaNyquist-rezumat.doc
Filtrarea semnalelor de date Necesitate - unul din efectele limitării benzii unui impuls rectangular de perioadă T s, datorită filtrării, este extinderea sa în timp, care conduce la apariţia interferenţei
Mai multLimbaje de Programare Curs 8 – Fisiere
Limbaje de Programare Curs 8 Fişiere Dr. Casandra Holotescu Universitatea Politehnica Timişoara Ce discutăm azi... 1 Lucrul cu fişiere 2 Fişiere de tip text 3 Funcţii pentru cazuri de eroare 4 Fişiere
Mai multMicrosoft Word - 2 Filtre neliniare.doc
20 Capitolul 2 - Filtre neliniare 21 CAPITOLUL 2 FILTRE NELINIARE 2-1. PRELIMINARII Răspunsul la impuls determină capacitatea filtrului de a elimina zgomotul de impulsuri. Un filtru cu răspunsul la impuls
Mai multPowerPoint Presentation
Seminar 3 Tranzacții Controlul concurenței în MS SQL Server Tranzacții în SQL Server SQL Server utilizează tranzacții pentru compunerea mai multor operații într-o singură unitate de lucru Acțiunile fiecărui
Mai multDECLARAŢIE DE AVERE S pitalul Judeţean de IJrgentâ (Vlavt o rnaţi" 8otosani I N.m A R E ~ ie S ip E HR.tfQ/.CkJ...Zl &K2 una..clan Subsemnatul/Subsemn
DECLARAŢIE DE AVERE S ptalul Judeţean de IJrgentâ (Vlavt o rnaţ" 8otosan I N.m A R E ~ E S p E HR.tfQ/.CkJ...Zl &K2 una..clan Subsemnatul/Subsemnata, de Medc şef IllTIS VANDA la A.T.l., domclul Botoşan,
Mai multHOTLINE Tipul de joc: Joc de tip slot video Câștigul jucătorului: 96.13%/96.70%/97.04% Hotline, cea mai recentă oferă de la NetEnt, nu numai că conine
HOTLINE Tipul de joc: Joc de tip slot video Câștigul jucătorului: 96.13%/96.70%/97.04% Hotline, cea mai recentă oferă de la NetEnt, nu numai că conine bine cunoscutele elemente clasice cum ar fi substituii
Mai mult