Janne Ojanen Aatu Kaapro

Slides:



Advertisements
Samankaltaiset esitykset
Kalakantojen arviointi (KALAT22)
Advertisements

S ysteemianalyysin Laboratorio Aalto-yliopiston teknillinen korkeakoulu Esitelmä 10 – Juho Kokkala Optimointiopin seminaari - Syksy 2010 Kernel-tasoitus.
MCMC ja BUGS. Jakauman approksimointi simuloinnilla  Poimitaan jakaumasta suuri määrä satunnaislukuja  Käytetään otoksen tunnuslukuja jakauman tunnuslukujen.
Mallituskysely Dynaamisen ohjelmoinnin mallit lihasika- ja emakkopaikan arvottamiseen Jarkko Niemi, MTT taloustutkimus
Hypoteesin testeistä Testin valinta perustuu aina tutkimusongelmaan ja kuvailuun (joka perustuu mitta-asteikoihin) Testaus ei koskaan ole itsenäinen, vaan.
TIEP114 Tietokoneen rakenne ja arkkitehtuuri, 3 op ALU.
Tommi Kauppinen ja Tuukka Sarvi
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 27 – Tommi Kauppinen Optimointiopin seminaari - Syksy 2005 / 1 Oppiminen Bayes-verkoissa.
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 29 – Janne Ojanen Optimointiopin seminaari - Syksy Dynaamiset Bayesverkot Osa 1.
Aikasarja-analyysin perusteet
Elliptiset jakaumat Esitys 6 kpl Tuomas Nikoskinen Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta.
tilastollinen todennäköisyys
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 24 – Teppo Voutilainen Optimointiopin seminaari - Syksy 2005 / 1 Datakonflikti ja herkkyys.
Bayesilainen tilastoanalyysi - priorijakaumista
TUTL-sparrausprosessi syksy 2014
Kotitehtävän 21 ratkaisu Ensimmäisen havaintoaineiston luokittelu – Ryhmäkeskiarvot hakeutuvat niin, että ryhmään kuuluvat pisteet ovat mahdollisimman.
S ysteemianalyysin Laboratorio Aalto-yliopiston teknillinen korkeakoulu Esitelmä 17 – Tuomas Nummelin Optimointiopin seminaari - Syksy 2010 Tukivektorikoneet.
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 6 - Erkka Ryynänen Optimointiopin seminaari - Syksy 2005 / 1 Bayesin verkot Mallinnus metodeita.
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 2 - Jirka Poropudas Optimointiopin seminaari - Kevät 2005 / 1 Bayes-verkoista s
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 30 - Aatu Kaapro Optimointiopin seminaari - Syksy 2005 / 1 Dynaamiset Bayes-verkot Osa.
S ysteemianalyysin Laboratorio Aalto-yliopiston teknillinen korkeakoulu Ohjaamaton oppiminen– Heikki Vesterinen Optimointiopin seminaari - Syksy 2010 Ohjaamaton.
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 1 - Jirka Poropudas Optimointiopin seminaari - Syksy 2000 / 1 Kotitehtävän 2 ratkaisu Jirka.
Todennäköisyyslaskentaa
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Kotitehtävä 24 – Teppo Voutilainen Optimointiopin seminaari - Syksy 2005 Kotitehtävän 24 ratkaisu.
S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 21 – Osmo Salomaa Optimointiopin seminaari - Syksy 2005 / 1 Kotitehtävän 21 ratkaisu Osmo.
Kotitehtävän 8 ratkaisu Janne Kunnas Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta osin kaikki oikeudet.
Ohjelmassa tänään Ohjelmointimallit Pseudokieli Modulaarisuus.
Peltojen f osforihuuhtoumat kiinni kipsillä: Miten? Viljelijäpäivä Nurmijärvi Liisa Pietola.
Mitä osattava (minimivaatimus)?. Yhtälöiden ja epäyhtälöiden ratkaiseminen –Huom! Määrittelyehdot Peruslaskutoimitukset –polynomien erityisesti binomin.
UNIVERSITY OF TURKU LOGISTINEN REGRESSIOANALYYSI.
VÄSYMISRAJAN TILASTOLLINEN ENNUSTAMINEN Alkusärö (Mukaeltu lähteestä: D. Socie et al.: eFatigue.com) Ydintyminen ja lyhyen särön kasvu.
Espoon kaupungin syvästabiloinnin mitoitusohjelma Espoon kaupunki, koulutus Kalkkipilariohje KPO 2000 Painumalaskentaohjelma Tim Länsivaara SCC.
EI HUOLTA PIENI HUOLI TUNTUVA HUOLI SUURI HUOLI
TEKSTITAIDON VASTAUS Miten vastauksen ainekset kerätään, kuinka sen rakenne suunnitellaan, kuinka se kirjoitetaan ja miten se arvioidaan?
REGRESSIOANALYYSI.
Tuotteen dokumentointi
Mikko Mönkkönen & Janne Kotiaho Bio- ja ympäristötieteiden laitos
Tietokanta (database) on kokoelma tietoja, jotka liittyvät tavalla tai toisella toisiinsa (esim. henkilö -> auto -> katsastus aika -> …) Tietokannan (relaatiomalli)
CoreFinland oy RIPS
Mitä koulupäivään liikettä lisääviä asioita jo teemme?
Lineaariset regressiomenetelmät
VaR-mallien toimivuuden testaus historian avulla (backtesting)
Kritiikin alkulähteillä
Analyyttiset menetelmät VAR:n määrittämisessä
Helsingin energiapäätös 2015
Luonnontiedeaiheinen projekti
Digitaalinen turvallisuus,
Ristiinvalidointi ja bootstrap-menetelmä kotitehtävän 14 ratkaisu
Simulointimenetelmät
Kotitehtävä 3 Testaa Matlabin ksdensity- funktiota jostakin todennäköisyysjakaumasta generoidulle100 pisteen otokselle (kts esimerkkiä funktion dokumentaatiosta).
Ryhmätehtävä 1.2 Katsomusopetuksen mallit
Foreach-toistolause foreach-rakenteella on kätevä käydä läpi kaikki taulukon alkiot. Erityisen kätevää se on hajautustaulukon tapauksessa, jossa taulukon.
Kotitehtävä 20 - Ratkaisu
Muodollinen subjekti s
Differentiaaliyhtälöt
Bayes-päättelyn kertausta
Talonmiehen tuokio klo 14-15
Kotitehtävä: suunnittelu
Kotitehtävä 3 palautus Sijoitukset $1M, osakkeissa pitkällä aikavälillä (eli etsi sopiva volatiliteetti). Laske VaR 97,5%-luotettavuustasolla.
Yleisen suomalaisen ontologian ylärakenneuudistus
esitysgrafiikkaohjelma Lyhyt johdanto ohjelman käytön perusteisiin
Teemakartat.
Hypotenuusa Muistathan, että hypotenuusa on suorakulmaisessa kolmiossa
4. Attribuutit.
Liikenteen automaatio ja liikenneturvallisuus
Tilastolliset tunnusluvut
Yhteentoimivuusmenetelmän soveltaminen rekistereissä
SATE1110 SÄHKÖMAGNEETTINEN KENTTÄTEORIA
Tapahtuman otsikko Johdanto-osa Tapahtuman alaotsikko Päivämäärä
Luonnontiedeaiheinen projekti
Esityksen transkriptio:

Janne Ojanen Aatu Kaapro Dynaamiset Bayesverkot Osa 1 – Johdanto ja rakenne Kotitehtävän ratkaisu Janne Ojanen Aatu Kaapro

Kotitehtävä a) Miten kalvojen 11-13 HMM-mallia pitää muuttaa, jos halutaan havainnot Yt normaalijakautuneiksi? b) Entä miten mallin rakennetta pitää muokata, jos havaintojen jakaumaksi halutaan useamman normaalijakauman painotettu sekamalli (mixture of Gaussians): P(Yt|Xt = i) = Sm P(Mt =m|Xt = i) N(yt; mm,Cm)

Ratkaisu a) Mallin rakennetta ei tarvitse muuttaa lainkaan, ainoastaan havaintojakauma P(Yt | Xt) muutetaan ehdollisesti normaalijakautuneeksi.

Ratkaisu b) Lisätään uusi diskreetti muuttuja Mt Yt:n ja Xt:n väliin, siten että saadaan jakaumat P(Mt | Xt) ja P(Yt|Mt). P(Mt | Xt) on multinomijakauma ja P(Yt|Mt) normaalijakauma parametreilla, jotka riippuvat muuttujasta Mt. X1 X2 X3 M1 M2 M3 Y1 Y2 Y3