Învățare automată Laborator 9 Rețele neuronale în TensorFlow TensorFlow (abreviat TF) este o bibliotecă open source ce permite efectuarea de calcule ș
|
|
- Astrid Mocanu
- 4 ani în urmă
- Vzualizari:
Transcriere
1 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 constituie implementarea de algoritmi de machine learning, în special rețele neuronale de mare complexitate, cum sunt cele din domeniul deep learning. Partea funcțională a TF este implementată în C++ și CUDA, în timp ce API-ul cel mai frecvent utilizat este creat în limbajul Python (API = Application Programming Interface colecția de clase/funcții/interfețe cu ajutorul cărora exploatăm funcționalitatea unui framework sau a unei biblioteci). Așadar, în TF se programează folosind Python, dar procesarea efectivă se realizează de către un engine dezvoltat in C++ / CUDA. Un program TF are două componente esențiale: - un model, ce conține totalitatea operațiilor ce se doresc a se efectua, precum și a datelor (tensorilor) ce se doresc a fi determinate. Modelul se implementează folosind o structură de tip graf, ce conține succesiunea de execuție a operațiilor și de evaluare a tensorilor (i.e. de determinare a valorilor variabilelor modelului). Acest graf este realizat conform principiului de programare data flow, de unde și denumirea de TensorFlow o bibliotecă ce prelucrează tensori folosind operații structurate pe principiul data flow (pentru simplificare, prin tensor înțelegem un array multidimensional scalar, vector, matrice 2D, 3D etc.) - o sesiune obiect ce permite execuția parțială sau completă a modelului menționat anterior. În cadrul unei sesiuni se rezolvă problema dorită cu ajutorul modelului definit în prealabil. Un exemplu simplu: a = tf.constant(2) b = tf.constant(3) print(c) Dacă rulăm exemplul, observăm că nu se afișează valoarea lui c, ci un mesaj de tipul: Tensor("add:0", shape=(), dtype=int32) Ceea ce constituie tipul de dată al lui c. Valoarea lui c nu s-a calculat încă, deoarece în această etapă tot ceea ce am făcut a fost să definim modelul aplicației. Momentan nu se execută nimic și nu se fac calcule. Valoarea lui c se determină în cadrul unei sesiuni, astfel: 1
2 a = tf.constant(2) b = tf.constant(3) sess = tf.session() result = sess.run(c) sess.close() Metoda run a obiectului sess primește ca parametru un target, adică o variabilă / operație din cadrul modelului pe care să o execute sau căreia să-i determine valoarea. În cazul de față, modelul constă din doi tensori a, b ce reprezintă valori scalare constante, și o operație de adunare, rezultatul fiind reprezentat de tensorul c. Solicităm evaluarea (determinarea valorii) acestui tensor prin intermediul metodei run a sesiunii curente. O variantă mai practică a codului anterior este următoarea: a = tf.constant(2) b = tf.constant(3) result = sess.run(c) Rezultatul este același, dar se evită nevoia de a închide explicit sesiunea. Un parametru important al unui tensor este forma sa (shape). Forma reprezintă totalitatea dimensiunilor tensorului, respectiv numărul de elemente de pe fiecare dimensiune. Un tensor fără formă este un scalar. Un tensor cu forma [3] este un vector cu 3 elemente. Un tensor cu forma [2, 3] este o matrice cu 2 linii și 3 coloane. De exemplu mai jos se definește un tensor cu valori variabile, inițializate cu 0, ce reprezintă o matrice 2x3: mymat = tf.variable(tf.zeros([2, 3])) sess.run(tf.global_variables_initializer()) result = sess.run(mymat) Observăm faptul că inițializarea variabilelor trebuie invocată explicit în cadrul sesiunii. 2
3 În cadrul unui model nu se știu întotdeauna de la bun început valorile variabilelor implicate și ale tensorilor ce conțin date de intrare. De exemplu, în etapa de stabilire a structurii unei rețele neuronale nu se cunosc datele de antrenare, dar ele trebuie totuși implicate în operațiile din cadrul rețelei. În locul unui tensor a cărui valoare nu se cunoaște în faza de stabilire a modelului TF se poate folosi un placeholder, adică o variabilă ce ține locul alteia implicate în operațiile pe care le definește modelul. Altfel spus, un placeholder este o variabilă din cadrul modelului a cărei valoare se specifică abia atunci cînd se execută modelul. Reluăm primul exemplu: a = tf.placeholder(tf.int16) b = tf.placeholder(tf.int16) result = sess.run(c, feed_dict={a:2, b:3}) a și b nu se cunosc în prealabil, așadar în locul unor valori concrete se vor defini doi placeholderi. Valorile se stabilesc în faza de execuție, în cadul sesiunii. Metoda sess.run primește ca parametri variabila a cărei valoare trebuie calculată, precum și valorile placeholder-ilor prin intermediul parametrului feed_dict. Acesta este o structură de tip dictionary/map/hashmap ce asociază fiecărui placeholder o valoare concretă, de același tip și cu aceeași formă ca și cele specificate la definirea placeholderilor. Un alt exemplu, care realizează sumele a două perechi de vectori cu câte trei elemente: a = tf.placeholder(shape=[2, 3], dtype=tf.float32) b = tf.placeholder(shape=[2, 3], dtype=tf.float32) result = sess.run(c, feed_dict={ a:[[1.2, 2.3, 3.4],[2.4, 3.4, 5.6]], b:[[3.4, 3.5, 6.7],[3.5, 8.9, 4.5]]}) Forma placeholderilor se specifică explicit, iar valorile se furnizează în faza de execuție, ca în cazul anterior. În cazul în care numărul vectorilor nu se cunoaște, valoarea corespunzătoare a formei va fi None, iar în faza de execuție se pot specifica oricâți vectori: 3
4 #placeholderii pot conține oricati vectori cu 3 elemente a = tf.placeholder(shape=[none, 3], dtype=tf.float32) b = tf.placeholder(shape=[none, 3], dtype=tf.float32) result = sess.run(c, feed_dict={ a:[[1.2, 2.3, 3.4],[2.4, 3.4, 5.6]], b:[[3.4, 3.5, 6.7],[3.5, 8.9, 4.5]]}) Implementarea unei rețele neuronale simple Vom implementa o rețea neuronală cu ajutorul căreia vom clasifica o serie de plante cu diverse caracteristici biologice în trei specii (trei clase). Avem nevoie de o serie de date de antrenare (caracterictici ale plantelor și specia corespunzătoare fiecărui set de caracteristici), pe care le regăsim în fișierul iris.csv: Sepal.Length Sepal.Width Petal.Length Petal.Width Species setosa setosa setosa setosa versicolor versicolor versicolor versicolor vernica vernica vernica vernica Plantele vizate au 4 caracteristici specificate prin valori reale, și ele se pot încadra în trei specii (trei clase). Datele de antrenare sunt în număr de 150, pentru fiecare cunoscându-se valorile caracteristicilor, precum și clasa (specia) în care se încadrează. Scopul este de a construi o rețea neuronală și de a o antrena folosind datele cunoscute, în ideea de a putea identifica specia oricărei plante cu alte valori ale acelorași caracteristici. 4
5 Rețeaua pe care o vom implementa are următoarea structură: Codul care implementează, antrenează și evaluează o astfel de rețea este ilustrat mai jos. Prima dată listăm codul în întregime, apoi îl vom parcurge pas cu pas: 5
6 import os import matplotlib.pyplot as plt import numpy as np import pandas as pd os.environ['tf_cpp_min_log_level'] = '1' df = pd.read_csv('iris.csv') mydata = np.array(df.ix[:,:]) ins = mydata[:,:4] desouts = mydata[:,4] desoutsoh = np.zeros([desouts.shape[0], 3]) desoutsoh[np.where(desouts == 'setosa')] = [1, 0, 0] desoutsoh[np.where(desouts == 'versicolor')] = [0, 1, 0] desoutsoh[np.where(desouts == 'vernica')] = [0, 0, 1] desouts = desoutsoh inlayersize = 4 hiddenlayer1size = 8 outlayersize = 3 inph = tf.placeholder(tf.float32, [None, inlayersize]) desoutph = tf.placeholder(tf.float32, [None, outlayersize]) weights1 = tf.variable(tf.zeros([inlayersize, hiddenlayer1size])) biases1 = tf.variable(hiddenlayer1size, dtype=tf.float32) weights2 = tf.variable(tf.zeros([hiddenlayer1size, outlayersize])) biases2 = tf.variable(outlayersize, dtype=tf.float32) h1 = tf.nn.sigmoid(tf.add(tf.matmul(inph, weights1), biases1)) predouts = tf.nn.softmax(tf.add(tf.matmul(h1, weights2), biases2)) learnrate = 0.01 loss = tf.reduce_mean(tf.square(desoutph - predouts)) optimizer = tf.train.rmspropoptimizer(learnrate).minimize(loss) correct_prediction = tf.equal(tf.argmax(desoutph, 1), tf.argmax(predouts, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) nrepochs = 5001 sess.run(tf.global_variables_initializer()) for i in range(nrepochs): traindata = {inph : ins, desoutph : desouts} opt,currentloss = sess.run([optimizer, loss], feed_dict = traindata) testdata = {inph : ins[:1,:], desoutph : desouts[:1,:]} if (i % 100) == 0: output = sess.run(predouts, feed_dict = testdata) eval = sess.run(accuracy, feed_dict = testdata) output = np.around(output, 3) print('epoch: ', i) print('output: ', output) print('loss: ', currentloss) print('accuracy: ', eval) print('\n') 6
7 Semnificația liniilor de cod este următoarea: os.environ['tf_cpp_min_log_level'] = '1' Se evită anumite mesaje informative listate de TF, inutile pentru scopurile noastre. df = pd.read_csv('iris.csv') mydata = np.array(df.ix[:,:]) ins = mydata[:,:4] desouts = mydata[:,4] Se citesc datele din fișierul csv. mydata este o matrice 150x5, pe fiecare linie conține valorile celor patru caracteristici și clasa corespunzătoare. ins sunt datele de intrare ( inputs), respectiv primele 4 coloane din mydata. desouts sunt clasele cărora le aparțin cele 150 de instanțe din setul de date, adică ultima coloană din mydata. Semnificația denumirii variabilei este desired outputs, valorile de ieșire dorite. desoutsoh = np.zeros([desouts.shape[0], 3]) desoutsoh[np.where(desouts == 'setosa')] = [1, 0, 0] desoutsoh[np.where(desouts == 'versicolor')] = [0, 1, 0] desoutsoh[np.where(desouts == 'vernica')] = [0, 0, 1] desouts = desoutsoh Cele trei ieșiri ale rețelei neuronale sunt valori ale unor probabilități, din intervalul [0, 1]. Dorim ca și datele de ieșire dorite (clasele identificate anterior), care inițial sunt string-uri, să fie specificate în același domeniu. Așadar, celor trei clase li se vor asocia vectorii [1, 0, 0] [0, 1, 0] [0, 0, 1], procedeu numit one-hot encoding. inlayersize = 4 hiddenlayer1size = 8 outlayersize = 3 Dimensiunile (nr de neuroni ale) celor trei straturi ale rețelei. Primul strat trebuie să aibă dimensiunea datelor de intrare (sunt 4 caracteristici), iar ultimul strat are dimensiunea corespunzătoare numărului de clase (sunt 3 clase). Stratul central (numit și strat ascuns) poate avea o dimensiune arbitrară, dar rezultatul clasificării depinde și de această dimensiune. 7
8 inph = tf.placeholder(tf.float32, [None, inlayersize]) desoutph = tf.placeholder(tf.float32, [None, outlayersize]) Placeholderii corespunzători datelor de intrare și celor dorite la ieșire. Nu se stabilește clar dimensiunea datelor de antrenare decât la execuția rețelei, de aceea prima componentă a shape-ului placeholderilor este None. weights1 = tf.variable(tf.zeros([inlayersize, hiddenlayer1size])) biases1 = tf.variable(hiddenlayer1size, dtype=tf.float32) weights2 = tf.variable(tf.zeros([hiddenlayer1size, outlayersize])) biases2 = tf.variable(outlayersize, dtype=tf.float32) Parametrii rețelei neuronale, scopul antrenării este de a determina cele mai bune valori ale acestora. Ponderile (weights) sunt figurate prin săgeți albastre în figura anterioară, unde se reprezintă structura rețelei, iar biases sunt termeni suplimentari, necesari pentru obținerea unei clasificări corecte. Primul set de ponderi formează o matrice 4x8 (sunt ponderile dintre primele două straturi), iar biases1 sunt în număr de 8 (corespund neuronilor din stratul ascuns). În mod similar, al doilea set de ponderi este în număr de 8x3 (ponderile dintre stratul ascuns și cel de ieșire), iar biases2 sunt în număr de 3, câte o valoare pentru fiecare neuron din stratul de ieșire. h1 = tf.nn.sigmoid(tf.add(tf.matmul(inph, weights1), biases1)) predouts = tf.nn.softmax(tf.add(tf.matmul(h1, weights2), biases2)) Operațiile care se realizează în cadrul rețelei neuronale (vezi documentația aferentă pentru detalii). Se obțin valorile prezise (predouts) ce reprezintă probabilitățile de încadrare în fiecare din cele trei clase. În faza de antrenare, acestea se vor compara cu cele cunoscute (cele dorite) și astfel se va determina o eroare utilă la actualizarea valorilor ponderilor. learnrate = 0.01 Rata de învățare. În fiecare etapă de antrenare, ponderile se ajustează cu valori controlabile prin setarea acestui parametru. loss = tf.reduce_mean(tf.square(desoutph - predouts)) Eroarea de clasificare - se evaluează diferența dintre valorile de ieșire generate de rețea (predouts) și cele dorite (datele furnizate prin intermediul placeholderului desoutph). În cazul de față se folosește MSE (Mean Squared Error, eroarea pătratică medie) dar există și alte formule de calcul al acestei erori. 8
9 optimizer = tf.train.rmspropoptimizer(learnrate).minimize(loss) Antrenarea rețelei neuronale. Scopul este de a determina valorile optimale ale parametrilor rețelei, cele pentru care eroarea calculată anterior este minimă. În acest scop se folosește un optimizer, o metodă de optimizare deja implementată. correct_prediction = tf.equal(tf.argmax(desoutph, 1), tf.argmax(predouts, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) Se evaluează acuratețea predicției rețelei, i.e. câte dintre datele de test au fost clasificate corect. nrepochs = 5001 Numărul de epoci, i.e. de câte ori vor fi supuse datele inițiale procesului de antrenare. Stabilirea sesiunii, din acest moment se execută efectiv operațiile definite anterior. for i in range(nrepochs): Pentru fiecare epocă traindata = {inph : ins, desoutph : desouts} Se stabilesc valorile concrete ale datelor de antrenare definite prin cei doi placeholderi declarați anterior. opt,currentloss = sess.run([optimizer, loss], feed_dict = traindata) Se execută procesul de antrenare a rețelei folosind datele de antrenare, rezultă eroarea de clasificare currentloss testdata = {inph : ins[:1,:], desoutph : desouts[:1,:]} Datele de test, în cazul de față prima instanță din setul de date de antrenare. 9
10 if (i % 100) == 0: output = sess.run(predouts, feed_dict = testdata) eval = sess.run(accuracy, feed_dict = testdata) output = np.around(output, 3) print('epoch: ', i) print('output: ', output) print('loss: ', currentloss) print('accuracy: ', eval) print('\n') La fiecare 100 de epoci, se afisează o parte din datele calculate anterior. Aplicații: 1. Modificați parametrii rețelei în ideea de a obține o eroare cât mai mică și o acuratețe cât mai mare, pentru date de test ce rezultă din diverse combinații ale datelor de antrenare. Parametrii care se pot modifica sunt: - Numărul de neuroni din stratul ascuns - Numărul de straturi ascunse - Valoarea ratei de învățare - Metoda de optimizare (se poate alege una din metodele din documentație) - Metoda de calcul al erorii (ca alternativă, se poate folosi formula cross entropy, vezi documentația pentru detalii) Obs: Pentru o antrenare mai corectă statistic, datele de antrenare de obicei se amestecă în măsură cât mai mare (în Python se poate folosi np.random.shuffle) 2. Antrenați rețeaua proiectată anterior folosind doar o parte din datele disponibile inițial, iar pentru test utilizați-le pe celelalte; comparați diferența cu cazul precedent (când toate datele disponibile se folosesc pentru antrenare). 3. Antrenați rețeaua folosind o abordare de tip bootstrap. Principiul este similar cu cel din cadrul algoritmului Random Forest. În loc să se folosească pentru antrenare întregul set de date, se formează grupuri selectate aleator din setul de date inițial și se antrenează rețeaua cu fiecare grup. Grupurile vor fi mai mici decât dimensiunea setului de date inițial, dar numărul grupurilor poate fi considerabil. Comparați rezultatul antrenării cu cel obținut anterior. 10
PowerPoint Presentation
Procesarea Imaginilor Curs 13 Procesarea imaginilor folosind rețele neuronale. Rețele neuronale convoluționale Analogie cu biologia Neuronul biologic: are ca intrări semnale electrice primite pe dendrite,
Mai multInteligență artificială Laboratorul 8 Perceptronul și rețele de perceptroni în Scikit-learn Stanga :multimea de antrenare a punctelor 3d; Dreapta : mu
Perceptronul și rețele de perceptroni în Scikit-learn Stanga :multimea de antrenare a punctelor 3d; Dreapta : multimea de testare a punctelor 3d si planul de separare. In acest laborator vom antrena un
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 multLaborator 3
Laborator 3 Programare III săptămâna 8-12.10.2018 OBIECTIVE: - Folosirea modificatorilor unei clase (public, abstract, final) - Folosirea modificatorilor de acces în declaraţiile membrilor unei clase Noţiuni:
Mai multMatrici și vectori în VBA În VBA, o matrice este un grup de variabile de același tip. De ce ar trebui să utilizați o matrice? Presupunem că ați vrut s
Matrici și vectori în VBA În VBA, o matrice este un grup de variabile de același tip. De ce ar trebui să utilizați o matrice? Presupunem că ați vrut să stocați douăzeci de nume de angajați în variabile
Mai multLaborator 1 suport teoretic Mediul de dezvoltare Eclipse GLOSAR - Aplicaţie: program obţinut în urma aplicării operației BUILD asupra unui proiect (ve
Laborator 1 suport teoretic Mediul de dezvoltare Eclipse GLOSAR - Aplicaţie: program obţinut în urma aplicării operației BUILD asupra unui proiect (vezi Program C) - BUILD: operație complexă prin care
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 multFIŞA DISCIPLINEI 1. Date despre program 1.1 Instituţia de învăţământ superior Universitatea de Vest din Timișoara 1.2 Facultatea Matematică și Informa
FIŞA DISCIPLINEI 1. Date despre program 1.1 Instituţia de învăţământ superior Universitatea de Vest din Timișoara 1.2 Facultatea Matematică și Informatică 1.3 Departamentul Informatică 1.4 Domeniul de
Mai multE_d_Informatica_sp_SN_2014_bar_10_LRO
Examenul de bacalaureat naţional 2014 Proba E. d) Informatică Varianta 10 Toate subiectele sunt obligatorii. Se acordă 10 puncte din oficiu. Timpul de lucru efectiv este de 3 ore. În rezolvările cerute,
Mai multProiectarea Sistemelor Software Complexe
Proiectarea Sistemelor Software Complexe Curs 4 Arhitecturi de Sistem Software Bazate pe Tehnologii Middleware. Obiecte Distribuite. Rolul unui arhitect software este foarte asemănător cu cel al unui arhitect
Mai multLogică și structuri discrete Limbaje regulate și automate Marius Minea marius/curs/lsd/ 24 noiembrie 2014
Logică și structuri discrete Limbaje regulate și automate Marius Minea marius@cs.upt.ro http://www.cs.upt.ro/ marius/curs/lsd/ 24 noiembrie 2014 Un exemplu: automatul de cafea acțiuni (utilizator): introdu
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 multPAS cap. 2: Reprezentări rare p. 1/35 Prelucrarea avansată a semnalelor Capitolul 2: Reprezentări rare Bogdan Dumitrescu Facultatea de Automatică şi C
PAS cap. 2: Reprezentări rare p. 1/35 Prelucrarea avansată a semnalelor Capitolul 2: Reprezentări rare Bogdan Dumitrescu Facultatea de Automatică şi Calculatoare Universitatea Politehnica Bucureşti PAS
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 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 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 - Algoritmi genetici.docx
1.1 Generalităţi Algoritmii genetici fac parte din categoria algoritmilor de calcul evoluționist și sunt inspirați de teoria lui Darwin asupra evoluției. Idea calculului evoluționist a fost introdusă în
Mai multGestionarea I/E
Gestionarea I/E Apelurile de sistem I/O in Linux si apelurile API de I/E pentru Windows Herea Cristian 431 A 1. Linux Apeluri de sistem (system calls) Sistemele de operare au un nivel suplimentar de interfete
Mai multE_d_Informatica_sp_MI_2015_bar_02_LRO
Examenul de bacalaureat naţional 2015 Proba E. d) Informatică Varianta 2 Filiera teoretică, profilul real, specializările: matematică-informatică matematică-informatică intensiv informatică Toate subiectele
Mai multCURS
Capitolul Cuvinte-cheie SOAP, XML, REST, ASP.NET, client web, PHP, NuSOAP IH.12.1. Introducere Ce înseamnă serviciile web? Ele înseamnă invocarea la distanță a metodelor, prin web; limbaje și platforme
Mai multFacultatea de Științe Politice, Administrative și ale Comunicării Str. Traian Moșoiu nr. 71 Cluj-Napoca, RO Tel.: Fax:
Documentație pentru accesarea platformei e-learning de catre profesori Platforma de e-learning a facultății poate fi accesată la adresa http://fspac.ubbcluj.ro/moodle. Conturile profesorilor sunt create
Mai multPPSD
Modele paralele SPMD Modelul SPMD Comunicarea prin mesaje Message Passing Interface Modelul SPMD Modelul SPMD (Single Program Multiple Data) Acesta este un model adecvat calculatoarelor MIMD In cele ce
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 multMETODE NUMERICE ÎN INGINERIE
METODE NUMERICE ÎN INGINERIE REZOLVAREA NUMERICĂ A SISTEMELOR DE ECUATII LINIARE Aspecte generale (1) (2) (3) (4) (5) Unicitatea soluţiei Un sistem de ecuaţii liniare are o soluţie unică numai dacă matricea
Mai multFacultatea de Științe Politice, Administrative și ale Comunicării Str. Traian Moșoiu nr. 71 Cluj-Napoca, RO Tel.: Fax:
Documentație pentru accesarea platformei e-learning de către studenți Pentru facilitarea demersurilor necesare bunei desfășurări a cursurilor se folosește platforma de e-learning a facultății (care se
Mai multDiapositive 1
Tablouri Operatii pe tablouri bidimensionale Lectii de pregatire pentru Admitere 09 / 03 / 2019 1 Cuprins Operatii pe tablouri bidimensionale 0. Tablouri unidimensionale scurta recapitulare 1.Tablouri
Mai multMicrosoft Word - CarteC.doc
Transmiterea parametrilor unei funcții Parametrii se transmit de la funcţia apelantă la funcţia apelată prin intermediul stivei. La apelul unei funcţii, pe stivă se crează o înregistrare de activare, care
Mai multTestare manuala: situatia in care o persoana initiaza fiecare test, interactioneaza cu el si interpreteaza, analizeaza si raporteaza rezultatele. Test
Testare manuala: situatia in care o persoana initiaza fiecare test, interactioneaza cu el si interpreteaza, analizeaza si raporteaza rezultatele. Testare automata: exista un mecanism pentru executia fara
Mai multCL2009R0976RO bi_cp 1..1
2009R0976 RO 31.12.2014 002.001 1 Acest document reprezintă un instrument de documentare, iar instituţiile nu îşi asumă responsabilitatea pentru conţinutul său. B REGULAMENTUL (CE) NR. 976/2009 AL COMISIEI
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 multOPERATII DE PRELUCRAREA IMAGINILOR 1
OPERATII DE PRELUCRAREA IMAGINILOR Prelucrarea imaginilor 2 Tipuri de operatii de prelucrare Clasificare dupa numarul de pixeli din imaginea initiala folositi pentru calculul valorii unui pixel din imaginea
Mai multPowerPoint Presentation
Circuite Integrate Digitale Conf. Monica Dascălu Curs Seminar Laborator notă separată Notare: 40% seminar 20% teme // + TEMA SUPLIMENTARA 40% examen 2014 CID - curs 1 2 Bibliografie Note de curs Cursul
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 multSlide 1
Gruparea (si clasificarea) fuzzy a datelor Introducere Aspecte teoretice generale Gruparea tranșantă Metode fuzzy FCM SC Utilizarea metodelor fuzzy în matlab. Exemplificare Introducere (1) Obiectivul grupării
Mai multParadigme de Programare
Paradigme de Programare Conf. dr. ing. Andrei Olaru andrei.olaru@cs.pub.ro cs@andreiolaru.ro Departamentul de Calculatoare 2019 9 : 1 / 38 Cursul 9 Concluzie Paradigma Funcțională 9 : 2 / 38 Cursul 9:
Mai multLaborator 1-Teoria probabilitatilor si statistica matematica Sef lucrari dr.mat. Daniel N.Pop Departamentul de calculatoare si inginerie electrica 1 P
Laborator 1-Teoria probabilitatilor si statistica matematica Sef lucrari dr.mat. Daniel N.Pop Departamentul de calculatoare si inginerie electrica 1 Prezentare generală Matlab 1.1 Help on-line 1. Limbajul
Mai multLaborator 9: Fire de execuţie Întocmit de: Adina Neculai Îndrumător: Asist. Drd. Gabriel Danciu 20 noiembrie 2011
Laborator 9: Fire de execuţie Întocmit de: Adina Neculai Îndrumător: Asist. Drd. Gabriel Danciu 20 noiembrie 2011 I. NOŢIUNI TEORETICE A. Ce este un fir de execuţie? Înainte de a defini conceptul de fir
Mai multLUCRAREA 8 PROGRAMAREA NELINIARĂ ÎN REZOLVAREA PROBLEMELOR DIN ENERGETICĂ. METODE DE ORDINUL Aspecte generale Programarea neliniară are o foart
LUCRAREA 8 PROGRAMAREA NELINIARĂ ÎN REZOLVAREA PROBLEMELOR DIN ENERGETICĂ. METODE DE ORDINUL 0 8.. Aspecte generale Programarea neliniară are o foarte mare importanţă în rezolvarea problemelor de optimizări,
Mai multMicrosoft Word - matem_aplicate in Economie aa FD Bala.doc
FIŞA DISCIPLINEI ANUL UNIVERSITAR 05-06. DATE DESPRE PROGRAM. Instituţia de învăţământ superior UNIVERSITATEA DIN CRAIOVA. Facultatea Economie și Administrarea Afacerilor.3 Departamentul Management, Marketing
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 mult1. Operatii cu matrici 1 Cerinte: Sa se realizeze functii pentru operatii cu matrici patratice (de dimensiune maxima 10x10). Operatiile cerute sunt: A
1. Operatii cu matrici 1 Sa se realizeze functii pentru operatii cu matrici patratice (de dimensiune maxima 10x10). Operatiile cerute sunt: A+B (adunare), aa (inmultire cu scalar), A-B scadere), AT (Transpusa),
Mai multPolitica N21 privind modulele Cookie mobile Network TwentyOne se angajează să vă protejeze pe dumneavoastră și orice date (anonime sau de altă natură)
Politica N21 privind modulele Cookie mobile Network TwentyOne se angajează să vă protejeze pe dumneavoastră și orice date (anonime sau de altă natură) pe care le colectăm despre dumneavoastră online. Această
Mai multMicrosoft Word - Laboratorul 2.docx
Introducere în NumPy și Matplotlib 1. Numpy - cea mai utilizată bibliotecă Python pentru calculul matematic - dispune de obiecte multidimensionale (vectori, matrici) și funcții optimizate să lucreze cu
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 multMatematici aplicate științelor biologie Lab06 MV
LP06 - PREZENTAREA DATELOR STATISTICE (2). Realizarea tabelei de frecvență pentru datele grupate. Utilizarea funcției FREQVENCY și a opţinunii Histogram din Data Analysis Obiective: I. Realizarea tabelei
Mai multCapitole Speciale de Informatică Curs 1: Extragerea informaţiilor. Modelul boolean şi modelul boolean extins 27 septembrie 2018 Extragerea informaţiil
Capitole Speciale de Informatică Curs 1: Extragerea informaţiilor. Modelul boolean şi modelul boolean extins 27 septembrie 2018 Extragerea informaţiilor (engl. Information Retrieval, IR) constă în găsirea
Mai multLaborator 5 - Paradigme de Programare
Laborator 5 - Paradigme de Programare Dezvoltarea unui GUI utilizând libsdl Graphics și platforma Kotlin-Native Kotlin ca și Python nu au avut din proiectare o bibliotecă specializată în oferirea de facilități
Mai multmanual_ARACIS_evaluare_experti_v5
PLATFORMĂ DE EVALUARE ONLINE PENTRU EXPERȚII ARACIS Page 1 CUPRINS Cap 1. Procesul de evaluare 3 Cap 2. Procedura de înregistrare și evaluare 3 cap 3. Instrucțiuni de completare a formularului de înregistrare
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 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 multmanual_ARACIS_evaluare_experti_v4
PLATFORMĂ DE EVALUARE ONLINE PENTRU EXPERȚII ARACIS Page 1 CUPRINS Cap 1. Procesul de evaluare 3 Cap 2. Procedura de înregistrare și evaluare 3 cap 3. Instrucțiuni de completare a formularului de înregistrare
Mai multSSC-Impartire
Adunarea Înmulțirea Numere și operații în virgulă mobilă 1 Împărțirea cu refacerea restului parțial Împărțirea fără refacerea restului parțial 2 Primul operand: deîmpărțit (X) Al doilea operand: împărțitor
Mai multSubiectul 1
Subiectul 1 În fişierul Numere.txt pe prima linie este memorat un număr natural n (n
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 multSpatii vectoriale
Algebra si Geometrie Seminar 2 Octombrie 2017 ii Matematica poate fi definită ca materia în care nu ştim niciodată despre ce vorbim, nici dacă ceea ce spunem este adevărat. Bertrand Russell 1 Spatii vectoriale
Mai multrrs_12_2012.indd
Corelaţia dintre Produsul Intern Brut/locuitor şi Rata de ocupare a populaţiei model econometric de analiză Drd. Ligia PRODAN Academia de Studii Economice, Bucureşti Abstract Se prezintă evoluţia Ratei
Mai multproiectarea bazelor de date
Universitatea Constantin Brâncuşi din Târgu-Jiu Facultatea de Inginerie şi Dezvoltare Durabilă Departamentul de Automatică, Energie, Mediu şi Dezvoltare Durabilă Proiectarea bazelor de date Lect.dr. Adrian
Mai multCASA CORPULUI DIDACTIC BRAILA PROGRAM DE FORMARE INFORMATICA SI TIC PENTRU GIMNAZIU CLASA A V-A SERIA 1 GRUPA 2 CURSANT: TIMOFTI V. AFRODITA COLEGIUL
CASA CORPULUI DIDACTIC BRAILA PROGRAM DE FORMARE INFORMATICA SI TIC PENTRU GIMNAZIU CLASA A V-A SERIA 1 GRUPA 2 CURSANT: TIMOFTI V. AFRODITA COLEGIUL NATIONAL VASILE ALECSANDRI, BACAU TIMOFTI AFRODITA
Mai multMicrosoft Word _POO_Lab_1_Modificari_v01.htm
Laborator POO - 00 (draft) 00-00 / 0//00 00_POO_Lab Modificari_v0.htm POO Laborator Modificarea programelor Java. Studiu de caz: programul Salut.java. Varianta care utilizeaza un argument al programului
Mai multPattern Recognition Systems
Sisteme e Recunoaștere a Formelor Lab 7 Analiza Componentelor Principale 1. Obiective În această lucrare e laborator se escrie metoa e Analiză a Componentelor Principale (Principal Component Analysis PCA).
Mai multAproximarea functiilor prin metoda celor mai mici patrate
Aproximarea funcţiilor prin metoda celor mai mici pătrate Prof.dr.ing. Universitatea "Politehnica" Bucureşti, Facultatea de Inginerie Electrică Suport didactic pentru disciplina Metode numerice, 2017-2018
Mai multtehnologii web
Universitatea Constantin Brâncuşi din Târgu-Jiu Facultatea de Inginerie Departamentul de Automatică, Energie şi Mediu Tehnologii Web Lector univ. dr. Adrian Runceanu 1 Curs 7 Limbajul PHP (partea II) 2
Mai multLaborator Activities În sistemul Android activitățile reprezintă echivalentul ferestrelor din Windows, fiind clase care extind clasa Activity. Spre de
Laborator Activities În sistemul Android activitățile reprezintă echivalentul ferestrelor din Windows, fiind clase care extind clasa Activity. Spre deosebire de alte sisteme, în Android ecranul este mereu
Mai multRaportarea serviciilor de dializă la nivel CNAS
SISTEM INFORMATIC UNIC AL ASIGURĂRILOR DE SĂNĂTATE DIN ROMÂNIA INTEGRAT Raportarea serviciilor de dializă la nivel CNAS Manual de utilizare Versiune document: 1.2 RELEASED Creat: 13.09.2007 Ultima actualizare:
Mai multMANUAL UTILIZARE ANGAJATORI PISA 2.0 Aplicatia este accesibila de pe siteurile: respectiv de la buto
MANUAL UTILIZARE ANGAJATORI PISA 2.0 Aplicatia este accesibila de pe siteurile: www.locuridemuncaharghita.ro respectiv www.harghita.anfm.ro de la butonul INREGISTRARE. Userul este intotdeauna
Mai multO NOUA PROBLEMA DE CONCURS OLIMPIADA MUNICIPALA DE INFORMATICA, IASI 2019 V-am promis într-un articol mai vechi ca vom prezenta pe acest blog câteva p
O NOUA PROBLEMA DE CONCURS OLIMPIADA MUNICIPALA DE INFORMATICA, IASI 2019 V-am promis într-un articol mai vechi ca vom prezenta pe acest blog câteva problema interesante. Astăzi ne-am propus sa va supunem
Mai multNoțiuni de bază ale criptografiei
CIFRURI DE SUBSTITUŢIE Clasificarea metodelor simetrice 1. Cifruri substituţie; 2. Cifruri transpoziţie; 3. Cifruri combinate. CIFRURI DE SUBSTITUŢIE Cifruri de substituţie monoalfabetică (monoalphabetic
Mai multPowerPoint Presentation
Auto Id Middleware Preocupă-te de nevoile tale de business, de tehnologie ne ocupăm noi! Vrei să integrezi RFID și alte echipamente Auto Id în procesele tale de business? Concentrează-te pe logica de aplicație
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 multModul Modbus ASCII SISTEME DE COMUNICATIE CURS 5 - Constantinescu Catalin Atunci cand se foloseste modul MODBUS ASCII fiecare octet din mesaj
2.3.5.2 Modul Modbus ASCII Atunci cand se foloseste modul MODBUS ASCII fiecare octet din mesaj este trimis ca doua caractere ASCII (de exemplu, octetul 0x7A este transmis ca doua caractere 0x37 = 7, respectiv
Mai multPowerPoint Presentation
Sistem de Automatizare si Telemetrie Eficient energetic pentru managementul ResurseloR in Agricultura de precizie SA-TERRA BEIA Consult International, www.beia.ro, Bucharest, Romania george@beia.ro Arhitectura
Mai multSlide 1
Cursul 1 1 Introducere 06 Octombrie 2008 Motto If you can t explain it simply, you don t understand it well enough. Albert Einstein 04.10.08 2 Ce este un sistem de operare? Un sistem de operare este un
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 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 multSUBPROGRAME
SUBPROGRAME Un subprogram este un ansamblu ce poate conţine tipuri de date, variabile şi instrucţiuni destinate unei anumite prelucrări (calcule, citiri, scrieri). Subprogramul poate fi executat doar dacă
Mai multMicrosoft Word - TIC5
CAPACITATEA CANALELOR DE COMUNICAŢIE CAPITOLUL 5 CAPACITATEA CANALELOR DE COMUNICAŢIE În Capitolul 3, am văzut că putem utiliza codarea sursă pentru a reduce redundanţa inerentă a unei surse de informaţie
Mai multLogică și structuri discrete Relații. Funcții parțiale Marius Minea marius/curs/lsd/ 20 octombrie 2014
Logică și structuri discrete Relații. Funcții parțiale Marius Minea marius@cs.upt.ro http://www.cs.upt.ro/ marius/curs/lsd/ 20 octombrie 2014 Relații în lumea reală și informatică Noțiunea matematică de
Mai multProgramarea şi utilizarea calculatoarelor
Universitatea Constantin Brâncuşi din Târgu-Jiu Facultatea de Inginerie Departamentul de Automatică, Energie şi Mediu Programarea calculatoarelor Lect.dr. Adrian Runceanu Curs 3 Elemente introductive ale
Mai multManual de utilizare a Sistemului Informațional al Institutului Național al Justiției (SI INJ) intranet.inj.md Ver.2 Manual de utilizare a Sistemului I
Manual de utilizare a Sistemului Informațional al Institutului Național al Justiției (SI INJ) intranet.inj.md Ver.2 Manual de utilizare a Sistemului Informațional al Institutului Național al Justiției
Mai multREVISAL Versiunea: Data release: 15 martie 2016 IMPORTANT! Distribuţia curentă (v6.0.4) a aplicaţiei Revisal conţine nomenclatorul COR ISCO 08 î
REVISAL Versiunea: 6.0.4 Data release: 15 martie 2016 IMPORTANT! Distribuţia curentă (v6.0.4) a aplicaţiei Revisal conţine nomenclatorul COR ISCO 08 în conformitate cu prevederile OMMFPS de modificare
Mai multPROGRAMARE ORIENTATA PE OBIECTE
Curs 2 Principiile Programării Orientate pe Obiecte Programare Orientată pe Obiecte Tehnici de programare Programarea procedurală Modul în care este abordată programarea, din punct de vedere al descompunerii
Mai multMicrosoft PowerPoint - ARI_R_c9-10_IP_part2 [Compatibility Mode]
2.1.2.2.2 Divizarea în subreţele de dimensiuni variabile Divizarea în subreţele de dimensiuni variabile sau cu măşti de subreţea de lungime diferită, VLSM (variable length subnet masks) subreţelele obţinute
Mai mult1
4.3. Amplificatoare de semnal mic Amplificatoarele de semnal mic (ASM) au semnalul amplificat mic în raport cu tensiunile de c.c. de polarizare a tranzistoarelor. Tranzistoarele funcţionează într-o zonă
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 multCursul 12 (plan de curs) Integrale prime 1 Sisteme diferenţiale autonome. Spaţiul fazelor. Fie Ω R n o mulţime deschisă şi f : Ω R n R n o funcţie de
Cursul 12 (plan de curs) Integrale prime 1 Sisteme diferenţiale autonome. Spaţiul fazelor. Fie Ω R n o mulţime deschisă şi f : Ω R n R n o funcţie de clasă C 1. Vom considera sistemul diferenţial x = f(x),
Mai multProcesarea Imaginilor Laborator 3: Histograma nivelurilor de intensitate 1 3. Histograma nivelurilor de intensitate 3.1. Introducere În această lucrar
Procesarea Imaginilor Laborator 3: Histograma nivelurilor de intensitate 1 3. Histograma nivelurilor de intensitate 3.1. Introducere În această lucrare se vor prezenta conceptul de histogramă a nivelurilor
Mai multCalcul Numeric
Calcul Numeric Cursul 4 2019 Anca Ignat Metode numerice de rezolvarea sistemelor liniare Fie matricea nesingulară A nn şi b n. Rezolvarea sistemului de ecuații liniare Ax=b se poate face folosind regula
Mai multSecţiunea 5-6 începători Concurs online de informatică Categoria PROGRAMARE PROBLEMA puncte PERIODIC Se citește un număr natural nenul N. Se ump
PROBLEMA 1 PERIODIC Se citește un număr natural nenul N. Se umple, pe linii, partea de sub diagonală, inclusiv aceasta, a unui tabel pătratic de dimensiune L cu secvențe consecutive de numere : 1, 2,,
Mai multProcesarea Imaginilor - Laborator 1: Introducere în utilizarea bibliotecii OpenCV 1 1. Introducere în utilizarea bibliotecii OpenCV 1.1. Introducere S
Procesarea Imaginilor - Laborator 1: Introducere în utilizarea bibliotecii OpenCV 1 1. Introducere în utilizarea bibliotecii OpenCV 1.1. Introducere Scopul acestei lucrări de laborator este de a familiariza
Mai multŞcoala ………
Şcoala... Clasa a X-a Disciplina: Matematică TC + CD Anul şcolar: 07-08 TC = trunchi comun 35 săptămâni: 8 săptămâni semestrul I CD = curriculum diferenţiat Nr. ore: 3 ore / săptămână 7 săptămâni semestrul
Mai multLaborator 2 - Încapsularea Programare Orientată pe Obiecte Tema 2.1 Să se analizeze programul EX2.C Indicatii 2.1 A nu se uita de fisierul EX2.H Tema
Laborator 2 - Încapsularea Tema 2.1 Să se analizeze programul EX2.C Indicatii 2.1 A nu se uita de fisierul EX2.H Tema 2.2 Să se modifice funcţiile referitoare la cerc astfel încât parametrul CERC să fie
Mai multROMÂNIA INSTITUTUL NAŢIONAL DE STATISTICĂ Biroul de presă B-dul Libertăţii nr.16, sector 5, Bucureşti Tel/Fax: ; Fax romsta
ROMÂNIA INSTITUTUL NAŢIONAL DE STATISTICĂ Biroul de presă B-dul Libertăţii nr.16, sector 5, Bucureşti Tel/Fax: 318 18 69; Fax 312 48 75 e-mail: romstat@insse.ro; biroupresa@insse.ro COMUNICAT DE PRESĂ
Mai multCh
Numai pentru uz academic EDK Laborator 4-5 Adăugarea modulelor IP la un proiect hardware Laborator 2: Adăugarea modulelor IP la un proiect hardware Introducere Obiective Acest laborator prezintă procesul
Mai multA.E.F. - suport laborator nr.8 sem.ii Analiza structurală la flambaj În acest laborator sunt atinse următoarele aspecte: modalitatea de analiză la fla
Analiza structurală la flambaj În acest laborator sunt atinse următoarele aspecte: modalitatea de analiză la flambaj a elementelor 2D crearea mai multor soluții pentru un singur model păstrarea unor caracteristici
Mai multDeep learning
Deep learning Retele neuronale convolutive (Convolutional neural networks) Ruxandra Stoean rstoean@inf.ucv.ro http://inf.ucv.ro/~rstoean Definitii For most flavors of the old generations of learning algorithms
Mai multPROIECT DIDACTIC DATE DE IDENTIFICARE Data: Școala : Școala Gimnazială Grigore Moisil Ploiești Clasa: a VI-a Profesor: Ilie Oana Magdalena Disciplina:
PROIECT DIDACTIC DATE DE IDENTIFICARE Data: Școala : Școala Gimnazială Grigore Moisil Ploiești Clasa: a VI-a Profesor: Ilie Oana Magdalena Disciplina: Informatică și T.I.C. Titlul lecției: Algoritmi și
Mai multLecții de pregă,re la informa,că Admitere 2019 Tema: Discutarea problemelor date la ul,mele sesiuni de admitere Bogdan Alexe
Lecții de pregă,re la informa,că Admitere 2019 Tema: Discutarea problemelor date la ul,mele sesiuni de admitere Bogdan Alexe bogdan.alexe@fmi.unibuc.ro Cuprinsul lecției de azi Enunțuri și rezolvări pentru
Mai multCalcul Numeric
Calcul Numeric Cursul 6 2019 Anca Ignat Algoritmul lui Givens Fie A o matrice reală pătratică de dimensiune n. Pp. că avem: A QR unde Q este o matrice ortogonală iar R este o matrice superior triunghiulară.
Mai multGHERCĂ MAGDA CASA CORPULUI DIDACTIC BRĂILA PORTOFOLIU EVALUARE INFORMATICĂ ȘI TIC PENTRU GIMNAZIU CLASA A V-A Neamț SERIA 1 GRUPA 1 CURSANT: GHERCĂ G
CASA CORPULUI DIDACTIC BRĂILA PORTOFOLIU EVALUARE INFORMATICĂ ȘI TIC PENTRU GIMNAZIU CLASA A V-A Neamț SERIA 1 GRUPA 1 CURSANT: GHERCĂ G MAGDA COLEGIUL NAŢIONAL ROMAN-VODĂ ROMAN PROIECTUL UNITĂŢII DE ÎNVĂŢARE
Mai mult