© Roland Angst, 2012Institute for Visual Computing Exercise Session 1 Roland Angst, 27.09.2012.

Slides:



Advertisements
Ähnliche Präsentationen
Perceptrons and the perceptron learning rule
Advertisements

Schnelle Matrizenoperationen von Christian Büttner
CoreITeM. CoreITeM -Milestones -Milestones Erkenntnisse für SVC Erkenntnisse für SVC Nachhaltigkeit Nachhaltigkeit.
/TU Freiberg/ Institut für Informatik /Konrad Froitzheim
Algorithmen und Komplexität Teil 1: Grundlegende Algorithmen
Software-Engineering II Eingebettete Systeme, Softwarequalität, Projektmanagement Prof. Dr. Holger Schlingloff Institut für Informatik der Humboldt.
Modularisierung der Bachelor-Studiengänge im Studiendekanat E 9. Jan Studiengangskoordinatoren und wissenschaftliche Mitarbeiter des Studiendekanates.
IIW Erläuterungen zum Masterprogramm. IIW-MS Allgemeine Fachmodule (60) – Studienarbeit + Seminar (18) – Betrieb und Management (6) Nichttechnische Ergänzungsfächer.
Lösung linearer Gleichungssysteme
Schwierigkeitsgrad III 6 X - 7 = X
Beispiele für Gleichungssysteme
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Übung Diskrete Mathematik SS 2003 Segmentschnitt I.
Institut für Kartographie und Geoinformation Dipl.-Ing. J. Schmittwilken Diskrete Mathe II Übung
Es ist kaum einzusehen, warum die Jugend von heute mit den Mitteln von gestern für das Leben von morgen qualifiziert werden soll. Es ist was Wahres dran,
Uebung 01 ANN mit MATLAB.
DVG Gaußscher Algorithmus1 Gaußscher Algorithmus.
Gaußscher Algorithmus
Tutorium
Spektrale Eigenschaften und Asymptotik für Flüsse auf Netzwerken oder ein Märchen von Tübingen…
Informatik I for D-MAVT
Prof. Dr. Martin Ruckert Wie funktioniert MP3 ?. Seite 1 Oktober 2006 Wie funktioniert MP3 ? Prof. Dr. Martin Ruckert, Fakultät für Informatik und Mathematik,
Determinanten Roland Angst,
© Alexander Schwing, 2010Institute of Visual Computing Informatik I for D-MAVT Exercise Session 2.
Computerorientierte Physik VORLESUNG Zeit: jeweils Mo Uhr Ort: Hörsaal 5.01, Institut für Experimentalphysik, Universitätsplatz 5, A-8010.
© Roland Angst, 2010Institute of Visual Computing Informatik I for D-MAVT Exercise Session 1.
Optimierungs- Algorithmen
Javakurs FSS 2012 Lehrstuhl Stuckenschmidt
Lineare Algebra Komplizierte technologische Abläufe können übersichtlich mit Matrizen dargestellt werden. Prof. Dr. E. Larek
Zeit: 13h-15h Datum: Raum: IFW B42
Übergangregelung BSc Reglement 03 – Reglement 08 Judith Zimmermann Studienberaterin D-INFK CAB E15.1 ETH Zürich
ISESE03 Software-Qualitätssicherung VU Software-Qualitätssicherung UE Vorbesprechung Denis Frast, Stefan Biffl Institut für Softwaretechnik und Interaktive.
Effiziente Algorithmen
VL7 VL6. Elemente der Quantenmechanik I
Einführung in die Programmierung
Kosten / Nutzen-Optimierung komplexer Floating-Point- Berechnungen unter Ausnutzung variabler Präzision Programming Language Design and Implementation.
Institut für Theoretische Informatik
Parallel Matrix Multiplication
Parallel Programming Parallel Matrix Multiplication
Informatik 1 Übung 4.
Lineare Algebra, Teil 2 Abbildungen
Algorithmen und Datenstrukturen SS 2005 Mag.Th. Hilpold u. Dr. A.Stritzinger Institut für Wirtschaftsinformatik- Software Engineering JKU Linz.
Institut für Wirtschaftsinformatik – Software Engineering, JKU Linz 1 Algorithmen und Datenstrukturen SS 2005 Mag.Th. Hilpold u. Dr. A.Stritzinger Institut.
Algorithmen und Datenstrukturen SS 2005
WS 2012/13 Datenbanksysteme Fr 15:15 – 16:45 R Vorlesung #6 SQL (Teil 3)
Anfang Präsentation 10. November, 2004 Effiziente Lösung von Gleichungssystemen In dieser Vorlesung wird die effiziente gemischt symbolisch/numerische.
Institut für Theoretische Informatik
Informatik I for D-MAVT
ICT – Modul Tabellenkalkulation
1 (C) 2007, Hermann Knoll, HTW Chur, Fachhochschule Ostschweiz teMat1: Mathematik 1 / TET 4 CP / 54 Kontaktlektionen Hermann Knoll.
Multivariate Statistische Verfahren
Multivariate Statistische Verfahren
Multivariate Statistische Verfahren
Numerische Integration
Gaußelimination, Teilprojekt 1&2: Schlechtkonditionierte lineare G.S. Alexander Zapletal,Gerald Meinhart 1/17 Schlechtkonditionierte lineare GS. Ax = b.
Übung 2 - MdMT Methoden der Medizintechnik Übung zur Vorlesung Folge 2 – Basics Vom ersten Befehl zum Plot.
Lisa Blum - Kathrin Kunze - Michael Kreil
Informationssysteme für Ingenieure Übung 8: XML Maria Husmann Büro: CNB E 104.1
Dr.-Ing. René Marklein - EFT I - WS 06/07 - Lecture 7 / Vorlesung 7 1 Elektromagnetische Feldtheorie I (EFT I) / Electromagnetic Field Theory I (EFT I)
Numerical Methods of Electromagnetic Field Theory I (NFT I) Numerische Methoden der Elektromagnetischen Feldtheorie I (NFT I) / 12th Lecture / 12. Vorlesung.
Dr.-Ing. René Marklein - EFT I - WS 06/07 - Lecture 1 / Vorlesung 11 Electromagnetic Field Theory I (EFT I) / Elektromagnetische Feldtheorie I (EFT I)
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Geoinformation II Vorlesung 4 WS 01/02 Quadtrees.
Anfang Präsentation 3. November, 2004 Tarjan’s Schleifenaufbrechalgorithmus In dieser Vorlesung wird ein Verfahren vorgestellt, welches in der Lage ist,
Theory of Programming Prof. Dr. W. Reisig Was heißt „Korrektheit“? W. Reisig Workshop Modellierung Hamburg, März 2015.
LAP IT-Techniker und IT-Informatiker
Lineare Algebra Softwareprojekt: Anwendung von Algorithmen Sebastian Kürten, Philipp Borgers SoSe 2010.
Lineare Algebra II (MAVT)
Lineare Algebra II (MAVT)
Gleichung mit einer Unbekannten
Multivariate Statistische Verfahren
Course in Summer Semester 2017
 Präsentation transkript:

© Roland Angst, 2012Institute for Visual Computing Exercise Session 1 Roland Angst,

© Roland Angst, 2012Institute for Visual Computing Organisatorisches Roland Angst PhD Student in Computer Vision & Geometry Group Web: Office: CAB G89 Office Hours Mondays 15-16, CAB G89 Abwesenheit waehrend dem Semester Keine Testate

© Roland Angst, 2012Institute for Visual Computing Grundlegende Fragen Wieso Informatikstudium? Welche Spezialisierung? Computer and Software Engineering Computational Science Incl. Visual Computing! Theoretical Computer Science Warum lineare Algebra?

© Roland Angst, 2012Institute for Visual Computing Gausselimination Beispiel

© Roland Angst, 2012Institute for Visual Computing Gausselimination Gegeben: 2-by-2 Matrix Variante 1: Problem: Falls a = 0 wird Gleichung (ii) ungewollt eliminiert (d.h. ausgelöscht…) und eine Bedingung fuer Lösungsmenge geht verloren Diese Variante entspricht nicht einem Gauss- Eliminationsschritt! Wieso nicht?

© Roland Angst, 2012Institute for Visual Computing Gausselimination Gegeben: 2-by-2 Matrix Variante 2: Entspricht Gauss-Eliminationsschritt Aber: Division by zero möglich

© Roland Angst, 2012Institute for Visual Computing Gausselimination Gegeben: 2-by-2 Matrix Variante 3: Permutiere Gleichungen und dann normaler Gauss-Eliminationsschritt Gleichung (ii) wird beibehalten und nicht eliminiert

© Roland Angst, 2012Institute for Visual Computing Nachbesprechung Serie 1 Aufgabe 1.a Obere Dreiecksform vs. Diagonalform

© Roland Angst, 2012Institute for Visual Computing Nachbesprechung Serie 1 Aufgabe 1.a Obere Dreiecksform vs. Diagonalform Aufgabe 1.b Keine, eine, oder unendlich viele Lösungen Satz 1.1 im Skript

© Roland Angst, 2012Institute for Visual Computing Nachbesprechung Serie 1: Aufgabe 2 Collatz-Vermutung

© Roland Angst, 2012Institute for Visual Computing Nachbesprechung Serie 1 Aufgabe 4 Matlab Code vervollständigen... Function handles function [res] = funcWith2Args(arg1, arg2) … end funcWith1Arg funcWith2Args(1, arg) funcWith1Arg(x) == funcWith2Args(1,x) Matlab Tutorial Siehe Link auf meiner Übungswebsite

© Roland Angst, 2012Institute for Visual Computing Vorbesprechung: Serie 2 Aufgabe 1.a Wann kann Matrix mit Matrix multipliziert werden? Matrix-Matrix Produkte Matrix-Vektor Produkte Vektor-Vektor Produkte Aufgabe 2 Gausselimination…

© Roland Angst, 2012Institute for Visual Computing Vorbesprechung: Serie 2 Aufgabe 3 Gausselimination ohne Pivotieren Problem: Pivot dessen Absolutbetrag klein ist relativ zu restlichen Einträgen in dieser Zeile Numerische Instabilität!

© Roland Angst, 2012Institute for Visual Computing Vorbesprechung: Serie 2 Aufgabe 3 & 4 Wie wird eine Gleitkommazahl (Floating Point) im Computer repräsentiert? Beispiel single precision gemäss IEEE 754 (siehe Wikipedia) 32 Bits zur Verfügung

© Roland Angst, 2012Institute for Visual Computing Vorbesprechung: Serie 2 Aufgabe 4 Numerische Integration (Quadrature) Beispiel: Rectangle Rule Idee: Approximiere Funktion durch stückweise stetige Funktion und summiere die entstehenden Rechtecke Bild von Wikipedia

© Roland Angst, 2012Institute for Visual Computing Fragen Fragen zur Vorlesung? Fragen zur Übung?