1. Internetas ir studijos 1.1. Interneto ryšio paslaugos 1.2. Interneto informacinės paslaugos 2. Elektroninės bibliotekos 3. Distancinis (nuotolinis) mokymas 3.1. Nuotolinis mokymas Lietuvoje 4. Kursinių darbų pirkimo ypatumai

Informatika  Kursiniai darbai   (17 psl., 35,51 kB)

darbas apie mokiniu mokymosi motyvacijos skatinimo budus. padarytas tyrimas ir viskas aprasyta.

Socialinis darbas  Referatai   (22 psl., 37,87 kB)

Sėkmingos investicijos į ūkį – tai ne tik investicijos į modernius įrengimus ir statybas – tai pirmiausia investicijos į žmogiškąjį kapitalą. Žmonės turi būti pasiruošę aptarnauti naujas technologijas, teikti modernius patarnavimus, priimti ekonomiškus, šiuolaikinius reikalavimus atitinkančius sprendimus. Derama profesinė kvalifikacija būtina krašto pažangos sąlyga. Kita vertus tai žmogaus egzistencijos ir gero gyvenimo lygio sąlyga. Šis teiginys yra bendras ir Vakarų šalims, ir pokomunistinėms Rytų bei Vidurio Europos šalims. Tačiau pokomunistinėms šalims ši problema yra kur kas sudėtingesnė, nes; iš esmės ūkio sferos perstrūktūrizuojamos (pvz.,iš gamybos į aptarnavimo); vyksta denacionalizavimo procesai – kapitalo perskirstymas, o dėl to keičiasi socialiniai santykiai.

Vadyba  Referatai   (20 psl., 36,1 kB)

Specialiojo pedagogo praktikos ataskaita.

Pedagogika  Ataskaitos   (41 psl., 62 kB)

Kiekvieno žmogaus tikslas – realizuoti save, nuolat tobulėti. Tobulindamas savo asmeninius ir darbinius žmogiškuosius santykius žmogus gali sėkmingai susidoroti su naujais iššūkiais, kurių greitai besikeičiančiame informacijos ir technologijų sraute iškyla nuolat. Sunku įsivaizduoti asmenį, kuris sugebėtu konkuruoti darbo rinkoje nuolat neatnaujindamas savo kompetencijų. Kiekvieno asmens individualiai, o taip pat visos visuomenės prioritetas turi būti žmogiškųjų išteklių tobulinimas.

Komunikacijos  Kursiniai darbai   (21 psl., 152,38 kB)

Temos aktualumas. Tapimas savarankišku ir suaugusiu – individualus, objektyvių ir subjektyvių prielaidų sąlygotas procesas, kuris vieniems paaugliams gali būti lengvas ir greitas, o kitiems- sunkus, ilgas ir ypatingai daug pastangų reikalaujantis vyksmas. Našlaičiams ir tėvų globos netekusiems vaikams, kurie augantiems vaikų globos namuose, tapimas savarankišku ir suaugusiu yra dar sudėtingesnis procesas. Gyvenant globos namuose, paauglystės laikotarpiui būdingos fiziologinio, psichologinio, pedagoginio, socialinio pobūdžio problemos, ypač jos išryškėja, kai sukakus pilnametystei paaugliams reikia juos palikti (Samašonok, Gudonis, (2006, 2007), Samašonok, Žukauskienė, (2004), B.Kairienė (2002), A.Juodaitytės (2002); V.Vaitekonienės (2001), R.Žukauskienė, O.Leiputė ir O.Malinauskienė (2001)).

Socialinis darbas  Diplominiai darbai   (72 psl., 129,78 kB)

Mokymosi visą gyvenimą jau dešimtmetį yra tapęs pagrindinu švietimo politikos sprendimu, o pastaruoju metu - ir visuomenės gyvenime paplitusiu reiškiniu. Mokytis būnant įvaairaus amžiaus tampa ne tik madinga, patrauklu, bet ir būtina, kad kuo sekmingiau būtum užsiėmęs bei funkcionuotum visuomenėje ir aplinkoje.

Pedagogika  Referatai   (14 psl., 32 kB)

Šie metodai turi labai lėtą konvergavimą, bet teoriškai jie gali įveikti vietinį minimumą (local minima.) Kitas trūkumas yra tas, kad vienas turi valdyti daugybę vidinių kintamųjų (kiekvienam svoriui nustatyti triukšmo periodus), kas nėra labai efektyvu. Arba apibrėžti tik išorinius kintamuosius - tokius kaip įėjimo signalas (input), norimas signalas ir žingsnio dydis. Iš pragmatiškos požiūrio pusės labai pageidaujami būtų taip vadinami on-line (tiesioginiai) algoritmai, t.y. algoritmai, kur atskiram pavyzdžiui svoriai kaskart būtų atnaujinami. Bet žvelgiant iš (annealing) modeliavimo pusės į stochastinę on-line atnaujinimo metodų prigimtį , jų realizavimas nebūtų efektyvus. Dėl šių priežasčių bus bandoma atlikti tokį eksperimentą: pridėti triukšmus prie norimo signalo ir eksperimentiškai ištirti tokios procedūros privalumus. Triukšmas taip pat buvo naudojamas gradiento perdavimo (descent) procedūrose. Holmstrom išanalizavo statinio BP algoritmo [Holmstrom and Koistinen, 1992] apibendrinimo galimybę, kuomet atsitiktinis triukšmas įvedamas į išorinius signalus. Šie bandymai parodė, kad apibendrinimas gali būti pagerintas naudojant bandomuosiusose (training) duomenyse papildomus triukšmus. Matsuoka pademonstravo, kad ir triukšmo įvedimas į vieną įėjimo signalą gali pagerinti apibendrinimą (generalization) [Matsuoka, 1992]. Abu autoriai susikoncentravo tik ties tinklo apibendrinimo galimybe, tačiau jie nenagrinėjo triukšmų poveikio mokymosi greičiui ir išėjimo iš local minima galimybės. II Mokymosi su papildomais triukšmais atitinkamame signale analizė II.1 Klasikinis stebimas mokymasis Šioje dalyje kaip mokymosi sistemos prototipas yra naudojamas daugiasluoksnis perceptronas (perceptron) (MLP) su dviem lygiais. Tačiau išvados gali būti atvaizduojamos atsikartojančiose topologijose. Šiame tinkle, xk aprašo iėjimo vektoriaus vieną elementą; yi yra išėjimo lygio i-tasis išėjimas; Wij nusako svorius tarp paslėpto ir išėjimo sluoksnių; Vjk yra svoris tarp įėjimo ir paslėpto sluoksnio; ir Pj nusako paslėpto sluoksnio aktyvavimą. Pateiktas čia apmokymo algoritmas - tai atgalinio mokymo (backpropagation) (BP) algoritmas [Rumelhart et al, 1986]. Tegul di(t) žymi kelis norimus išėjimo neurono i laiko momentu t atsakymus, kur t yra diskretaus laiko indeksas. Galima apibrėžti klaidos signalą, kaip skirtumą tarp norimo atsakymo di(t) ir turimo atsakymo yi(t). Tai nusakomo (1) formulė: Pagrindinis mokymosi tikslas yra minimizuoti kainos funkciją, kurią nusako klaidos signalas ei(t), taip, kad turimas kiekvieno išėjimo neurono atsakymas tinkle statistikine prasme artėtų prie norimo atsakymo. Kriterijus naudojamas kainos funkcijai yra Vidurkio-Kvadrato-Klaidos (Mean-Square-Error) (MSE) kriterijus, apibrėžiamas kaip klaidos kvadrato sumos vidurkio-kvadrato reikšmė [Haykin, 1994]: Kur E yra statistikinis tikimybės operatorius ir sumuojami visi išėjimo sluoksnio neuronai (i=1,…,M). Kainos funkcijos J minimizavimas atsižvelgiant į tinklo parametrus lengvai g.b. formuluojamas gradiento mažinimo (gradient descent) metodu. Šios optimizavimo procedūros problema yra ta, kad jai reikia žinių apie neapibrėžtų procesų, generuojančių pavyzdžius, statistikines charakteristikas. Praktiškai tai gali būti apeita, optimizavimo problemai surandant artimą sprendinį. Klaidos kvadratų sumos momentinė reikšmė (Instantaneous value of the sum of Squared Errors) (ISE) yra pasirinkimo kriterijus [Haykin, 1994]: Po to tinklo parametrai (svoriai) yra pritaikomi ε(t). Faktiškai ši procedūra vadovaujasi taip vadinamu LMS algoritmu, kuomet svoriai yra atnaujinami kartu su kiekvienu pavyzdžiu [Widrow and Hoff, 1960]. II.1 Mokymasis su norimu triukšmingu signalu Vietoj to, kad svorių pritaikymui naudoti norimą signalą di(t), kaip norimas signalas išėjimo neuronui i imamas naujas signalas di(t)+ ni(t), kur ni(t) yra triukšmo periodas. Šiam triukšmo periodui priskiriamas nulinės reišmės baltas triukšmas su σ2 pokyčiu (variance) , nepriklausančiu nei nuo įėjimo signalo xk(t) nei nuo norimų signalų di(t). Neapibrėžtas triukšmo perdavimas yra priskiriamas Gauso ar vienarūšiam perdavimui. Čia norima įrodyti, kad šis naujas norimas signalas neįtakoja galutinės svorių reikšmės statistikine prasme. Tai užtikrina, kad nauja savybė sprendžia originalią optimizavimo problemą. Turint naujus norimus signalus, MSE (4) lygties gali būti perrašyta taip: Nėra sunku įrodyti [Richard and Lippmann 1991; White, 1989; Haykin, 1994], kad (4) lygtis yra lygi Kur ‘|’ simbolis žymi sąlygines galimybes (probabilities), ir 'var' yra kitimų (variance) sutrumpinimas. Pastebėkite, kad antras periodas dešinėje (5) lygties pusėje prisidės prie bendros klaidos J ir koks ir bebūtų mokymosi progresas, jis neįtakos galutinės svorių reikšmės, kadangi jis nėra tinklo svorių funkcija. Optimali svorių reikšmė yra apsprendžiama tiktai pirmo (5) lygties periodo. Kuomet triukšmas yra nulinės reikšmės baltas triukšmas ir jis nepriklauso nei nuo norimo, nei nuo įėjimo signalų, mes turime (6) lygtis rodo, kad triukšmas iš lygties, kuri apibrėš galutines svorių reikšmes, dingsta, taigi mokymassi su norimo triukšmo signalu duos rezultatų, originalios optimizavimo problemos sprendimo prasme, t.y. be triukšmo pridėjimo prie norimo signalo. (learning with the noisy desired signal will yield in the mean the solution for the originaloptimization problem, i.e., without the noise added to the desired signal.) Reiktų konstatuoti, kad ši išvada galioja visoms architektūrų rūšims.Atlikimo funkcijai apibrėžti reikalingi tik išoriniai matavimai (MSE), ir tai nėra susiję nei su topologija nei su kainos funkcijos apibrėžimo būdu (statiniu ar kintamu). Nors šis sprendimas yra patenkinamas, reikia prisiminti, kad mus domina on-line algoritmas, kur yra mokymosi dinamika, t.y. kaip mokymosi progresas yra veikiamas triukšmų. II.3 On-line algoritmas mokymuisi veikiant norimam triukšmingam signalui Reiktų pažymėti, kad atliekamos, modifikacijos, jokiais būdais neveikia atgalinio mokymosi algoritmo realizacijos, kadangi yra modifikuojamas tik signalas, kuris yra įvedamas kaip norimas rezultatas. Taigi, siūlomos modifikacijos gali būti taikomos dar neegzistuojančioms modeliavimo sistemoms. Svarbi problema, kaip modeliavimo metu valdyti triukšmų kaitą (variance). Dėl to tolimesniame skyriuje bus apžvelgiama tiukšmų įtaka momentiniam gradientui. II.4 Norimo triukšmingo signalo gradiente analizė. Svorinio vektoriuas pritaikymo statiniame BP algoritme formulė, tiklui atvaizduotame 1 pav. norimame signale be triukšmų yra [Hertz et al.,1991] Svoriams tarp paslėpto sluoksnio ir išorinio sluoksnio, ir Svoriams tarp iėjimo sluoksnio ir paslėpto sluoksnio, kur ŋ yra žingsnio dydis. Su triukšmingu norimu signalu, ISE (3) lygties tampa: Lygtyse (7) ir (8) įrašant naują reikšmę εnoisy(t), gausime lygtis Palyginus lygtis (7) su (10) ir (8) su (11) daroma išvada, kad triukšmo pridėjimo prie norimo signalo poveikis, tai extra stochastinio periodo svoriniame vektorių taikyme įtraukimas, kas gali būti modeliuojama kaip pridėtinis momentinio gradiento triukšmas (pertirbation) betriukšminiam atvejui. Stochastinio periodo bendra forma Kur N(t) yra veiksmo funkcija gauta pakeitus originalią klaidą d(t)-y(t) įvestu triukšmu n(t). Panagrinėkime papildomų periodų (extra terms) statistines savybes (10) ir (11) lygtyse ir pastebėkime kaip jos veikia svorinių vektorių statistiką. Bet pirmiausia, apibrėžkime atsitiktinius kintamuosius: Jeigu atsitiktiniai kintamieji ir nepriklauso vienas nuo kito, ir g ir f funkcijos yra Borelo funkcijos, tuomet f ir gtaip pat yra nepriklausomos [Feller, 1966]. Realiausios funkcijos f(x) įskaitant sigmoido funkciją, plačiai naudojamą neuroniniuose tinkluose yra Borelio funkcijos. Taigi, galima daryti išvadą, kad (10) ir (11) lygtyse triukšmas n(t) nepriklauso nuo O taip pat ir nuo Todėl gali būti užrašytos papildomų periodų (extra terms) tikimybės ir Jų kitimas (variance) ir Iš (14) ir (15) lygties galima daryti išvadą, kad nulinės reikšmės atsitiktinis triukšmas norimame signale nedaro įtakos svoriniams vektoriams, taigi pagrindinė papildomo stochastinio periodo (extra stochastic term) svorio atnaujinimo reikšmė yra nulis. Iš (16) ir (17) lygties daromos dvi svarbios išvados: triukšmas pridėtas prie norimo signalo veikia svorio atnaujinimo kitimą proporciškai kiekvieno svorio jautrumui. Tai reiškia, kad atskiro triukšmo šaltinis išėjime yra išverčiamas į skirtingus triukšmų stiprumus kiekvienam svoriui. Antra, žingsnio dydis arba išorinio triukšmo šaltinio kitimas valdys papildomų periodų (variance of the extra terms) svoriniuose vektorių prisitaikymo formulėse kitimą, gaunamą pridedant triukšmą prie norimo signalo. Pastebima, kad, kai = 0 arba triukšmo kitimas yra nulis, tuomet stochastinis periodas (stochastic terms) išnyksta - lieka tik originalus svorio atnaujinimas (t.y. sprendžiama originali optimizacijos problema). Šie aspektai ir idėjos gautos iš globalios optimizacijos pateikia empirines taisykles išorinių triukšmų šaltinių valdymui, gaunat reikšmingus rezultatus. Modeliavimo pradžioje norėtųsi svoriams uždėti atsitiktinius trikdžius (perturbation), tam, kad būtų leista algoritmui pabėgti iš vietinio minimumo (local minima.). Tačiau artėjant prie adaptacijos pabaigos trikdžių (perturbation) kitimas turi būti sumažintas iki nulio taip, kad svoriai galėtų pasiekti reikšmes duotas originalios optimizacijos problemos. Toliau bus naudojamas (annealing) tvarkaraštis, pasiūlytas Moody [Darken, Chang, and Moody, 1992] Kur o yra inicijuojamo žingsnio dydis, c yra paieškos laiko konstanta, ir NI - iteracijos numeris. Šių konstantų reikšmės turės būti apibrėžtos eksperimentiškai, kadangi jos priklauso nuo problemų. III Modeliavimo rezultatai Patvirtinant anksčiau atliktą analizę, modeliavimo rezultatai bus pateikiami dviem pavyzdžiais. Vienas jų naudoja dviejų-lygių MLP, taip vadinamos lygiškumo problemos (parity problem), kuri buvo pademonstruota vietinio minimumo (local minima) atveju, pažinimui [Rumelhart et al, 1986]. Iš modeliavimo rezultatų bus matyti, kad mokymasis labiausiai gali būti pagerintas naudojant numatytą metodą (proposed approach) ir globalų minimumą, pasiektą statistikine prasme. Kitas pavyzdys naudoja dinaminį neuroninį tinklą TDNN [Waibel et al., 1989] laiko signalų modeliavimui. Antro modeliavimo rezultatai taip pat patvirtina ankstesnę analizę. III.I Eksperimentai su MLP Spresime 3 bitų lygiškumo problemą. Tinklo dydis 3-3-1, t.y. 3 įėjimo neuronai, 3 paslėpti neuronai, ir 1 išėjimo neuronas. Netiesiškumas (nonlinearity) yra logistinė funkcija. Tiesioginis atgalinis mokymas (backpropagation) yra naudojamas abiem atvejais. Buvo pridėtas Gauso (Gaussian) triukšmas su  =0.001 prie norimo signalo ir parinkti atitinkami parametrai 18 Lygtyje: c= 500 ir o= 0.3. Rezultatai parodyti 2 paveikslėlyje. Stora linija vaizduoja mokymasi su triukšmingu norimu signalu, o punktyrinė linija - su originaliu norimu signalu. Šis pavyzdys rodo, kad mokymasis artėja prie lokalaus minimumo, (local minimum) kuomet naudojamas originalus norimas signalas, bet naudojant triukšmingą norimą signalą mokymasis pasiekia globalų minimumą (global minimum) . Svarbu pabrėžti, kad mokymasis su originaliu signalu, naudoja pastovų žingsnio dydį, kai tuo tarpu signalo su triukšmais žingsnis yra gaunamas iš (18) lygties. Naudojant skirtingus žingsnio dydžius ir skirtingus pradinius (initial) svorius, buvo pasiekti panašūs rezultatai. Tam, kad patvirtinti šio algoritmo konvergavimo galimybę, buvo remiamasi Monte Carlo modeliavimai su 100 bandymu. Rezultatai pavaizduoti 3 Paveiksle, kur punktyrinė linija yra 100 veiksmų rezulatai originaliam signalui, o stora linija - 100 veiksmų rezulatatai triukšmingam signalui. Šiame eksperimente, svoriai yra parenkami atsistiktinai, o žingsnio dydis o atsitiktinai parenkamas iš intervalo [0,1, 0,7]. Kuomet globalus minimumas (global minimum) yra 0, tuomet yra lengva paskaičiuoti reikšmę ir pokytį (mean and variance) 100 galutinių klaidų, kurios pateiktos 1 Lentelėje. Dar daugiau, mokymasisi su triukšmingu signalu laike 99% priartėjo prie globalaus minimumo, o su originaliu signalu tik 26%. Iš 1 Lentelės, galima daryti išvadą, kad su triukšmingu signalu, mokymasis konverguoja į globalų minimumą; bet su originaliu signalu, mokymasis statistikine prasme nekonverguoja. Taigi, iš šių modeliavimo rezultatų galima daryti išvadą, kad triukšmingas signalas leidžia mokymosi algoritmui išeiti iš lokalaus minimumo (local minima). III. II Eksperimentai su dinaminiu neuroniniu tinklu III.I dalyje buvo pademonstruoti statinio neuroninio tinklo modeliavimo rezultatai. Tam, kad patvirtinti, jog aprašytas metodas taip pat veikia ir dinaminiuose neuroniniuose tinkluose. Dinaminės sistemos modeliavimui bus naudojamas TDNN [Waibel et al.,1989]. Bus nagrinėjama tokia sistema, Kur ',' žymi diferencijavimo operatorių. Sistemos įėjimai yra sinusoidžių aibė, Su atsitiktine faze l.. 4 ir 5 Paveikslėliuose vaizduojami sistemos įėjimo ir atitinkamai normalizuoti išėjimo signalai. TDNN tinklo struktūra demonstruojama 6 Paveikslėlyje, kur naudojamas keturių lygių vėlinimas. Šiame tinkle, kaip įėjimai į paslėptą lygį naudojami tik du įėjimo signalai x(t) ir x(t-4). Netiesiškumas (nonlinearity) paslėptuose neuronuose - tai logistinė funkciją. Išėjimas turi vieną tiesinį neuroną. Mokymosi algoritmas - tai BP, kur pavyzdžių klaidos surandamos atimant tinklo išėjimą y(t) iš sistemos d(t) išėjimo. Mokymosi kreivės pavaizduotos 7 Paveikslėlyje, kur triukšmo signalo žingsnio dydis surandamas naudojant (18) Lygtį, kur c=10, 0.01, ir triukšmo kitimas 2 =0.001 . Aiškiai matyti, kad su triukšmingu signalu konvergavimas yra greitesnis ir pasiekiamas žemesnis MSE. Naudojant skirtingus žingsnio dydžius ir svorius, pasiekiami panašūs rezultatai su MSE minimumu lygiu 0,0091. Paveikslėlyje 8 pavaizduotos mokymosi kreivės 100 mokymosi veiksmų, kur žingsnio dydis atsitiktinai parenkamas iš intervalo [0,1, 0,01], o svoriai taip pat yra atsitiktiniai skaičiai. Kadangi nėra žinomas šios problemos globalus minimumas, todėl naudojamas MSE minimali reikšmė 0,0091 kaip globalaus minimumo įvertis. 2 Lentelė atspindi statistikinius rezultatus 100 eksperimentų. 72% (trails) su triukšmingu signalu pasiekė globalų minimumą, ir tik 8% (trails) pasiekė globalų rezultatą su originaliu signalu. Daroma išvada, kad mokymasisi su triukšmingais signalais yra mažiau nepastovus ir mokymosi kreivės taip pat yra daug lygesnės. (smoother) IV.Discussion Eksperimentiškai buvo pademonstruota, kad mokymasis su triukšmingais signalais padidina pastovaus žingsnio dydžio BP algoritmo paieškos galimybes. Tai yra pasiekiama be papildomos kainos algoritmų realizavimo perioduose (This is accomplished at no extra cost in terms of algorithm implementation,), kadangi naudojamas tiesioginis atgalinis mokymas (straight backpropagation.) Papildomos savybės yra gaunamos įvedant nulinės reikšmės valdomo kitimo Gauso triukšmą ir žingsnio dydžio nustatymui pasinaudojant (18) Lygtimi. Buvo pademonstruota, kad triukšmo pridėjimas prie norimo signalo svorių atnaujinimo formulėse prideda nulinės reikšmės stochastinį periodą (that adding noise to the desired signal adds a zero mean stochastic term in the weightupdate formulas.). Nors atskiras triukšmo signalas ir yra įvedamas į norimą signalą, tačiau stochastinio periodo kitimas kiekvienam tinklo svoriui skiriasi (proporcingai kiekvieno svorio jautrumui). Dar daugiau, šio periodo kitimas tiesiogiai valdomas žingsnio dydžio arba išorinio triukšmo šaltinio kitimo. Tai reiškia, kad triukšmo pridėjimas prie norimo signalo yra labai paprasta ir efektyvi procedūra mokymosi proceso ištraukimo iš lokalaus minimumo. Kitimas arba žingsnio dydis turi būti parinktas (anealing) pritaikymo metu. Parinkimo (anealing) realizavimui buvo panaudota Moodžio paieška ir konvergavimo procedūra, tačiau kiekvienai problemai spręsti parametrai turi būti surandami eksperimentiškai. Žingsnio dydžio planavimas, toks, kad būtų įveiktas lokalus minimumas, išlieka atviras klausimas ne tik šiame metode, bet taip pat ir kituose stochastiniuose algoritmuose tokiuose kaip sumodeliuotas parinkimas (simulated annealing) [Kirkpatrick et al., 1983]. Mokymosi algoritmų lankstumo padidinimui yra siūlomi du skirtingi žingsnių dydžiai, vienas gradientui ir kitas - triukšmui. Ši procedūra turi neišvengiamą jungtį su globaliu optimizavimo metodu, vadinamu stochastiniu funkciniu nesklandumų šalinimu (stochastic functional smoothing) [Rubinstein, 1981 and 1986]. Priede aiškinama, kad tiesioginė stochastinio funkcinio nesklandumų šalinimo versija sutrikdo gradientą kartu su triukšmo periodu proporcingai Hesano paviršiui. ( an on-line ver-sion of stochastic functional smoothing perturbs the true gradient with a noise term proportional to the Hessian of the performance surface.) Kuomet signalas pridedamas prie norimo signalo, tikrinis (true) gradientas taip pat yra paveikiamas triukšmų periodo. Šiuo atveju poveikis yra proporcingas naujos veikimo funkcijos gradientui, kuris gaunamas iš originalaus skirtumo tarp d(t) ir y(t), kartu su įvestu triukšmu. Šis paviršius yra susijęs su originaliu, bet gali ir žymiai skirtis. Taigi, kuomet triukšmų šaltinis paprastai yra nustatomas į nulinę Gauso reikšmę, galima tikėtis mažiau optimalių rezultatų, lyginant su stochastinės funkcijos lyginimu (stochastic functional smoothing.). Tačiau algoritmo paprastumas ir geras veikimas gautas eksperimentuose skatina toliau dirbti prie šio metodo. Priedas Šio priedo tikslas yra susieti triukšmo pridėjimą prie norimo signalo naudojant stochastinį funkcinį lyginimo metodą, kuris yra globali optimizacijos procedūra. A.I Stochastinio funkcinio lyginimo optimizacijos apžvalga Stochastiniame funkciniame lyginime, originali neišgaubta funkcija yra perkeliama pagalbinės lyginimo funkcijos, kuri turi kai kurias optimizavimo savybes (t.y. atskiras minimumas). Dirbant su lyginimo funkcija, gali būti atsrastas optimalios problemos globalus minimumas . Lyginimo kainos funkcijos klasė parametrizuota ß yra apibrėžiama kaip [Rubinstein, 1981 and 1986] Kur ß yra valdymo parametras, o y yra atsitiktinis dydis. Dėl J ˆ (wtam, kad būti naudingam originaliai optimizacijai, h ˆ (v impulso atsakymas turi tenkinti keleta sąlygų [žr. Rubinstein, 1981 ir 1986 detaliau], taip, kad parametras apsprendžia lyginimo taikomo J(w) laipsnį. Dideliam lyginimo poveikis yra didelis ir atvirkščiai. Kuomet  0 J ˆ () = J , tuomet nėra lyginimo. Intuityviai aišku, kad norint išvengti lokalaus minimumo, optimizacijos pradžioje  turi būti pakankamai didelis. Tačiau siekiant optimumo lyginimo efektyvumas turi būti mažinamas leidžiant ß artėti prie nulio. Taigi minimumo taške w* laukiamas sutapimas tarp J(w) ir J ˆ ( Atitinkamai, konstruojant iteratyvią w* paieškos procedūrą, yra reikalinga lyginimo funkcijų aibė J ˆ(ß s=1,2,...... Jei signalo atsakymo dalis yra išrenkama kaip daugianormalinė funkcija su dydžiu n ir kitimu ß, tai Lyginimo kainos funkcijos gradientas gali būti įvertintas taip [Styblinski and Tang, 1990] Kur N yra pavyzdžių su daugybe kintamųjų iš (23) Lygties skaičius. Taigi, lyginimo kainos funkcijos gradientas gali būti randamas iš originalios kainos funkcijos. A.II Tiesioginė stochastinės lyginimo funkcijos Optimizavimo realizacija Susiejami triukšmo norimame signale poveikis ((10) ir (11) lygtys) su tiesiogine lyginimo funkcinių gradientų realizacija ((24) Lygtis)). Bus taikoma stochastinės aproksimacijos savybė [Robbins and Monro, 1951]. Kuomet ISE aproksimuoja (stochastine prasme) į MSE ir gradiento operatorius yra tiesinis operatorius, lyginimo kainos funkcijos gradientas εˆ gali būti įvertintas pagal analogiją su Lygtimi (25), taip Dėl supaprastinimo, čia yra ignoruojamas diskretinio laiko indeksas t. Reiktų pabrėžti, kad iš L.(24), kuri atspindi originalios stochastinės lyginimo funkcijos optimizacijos artėjimą prie L.(26), kuri yra tiesioginis L.(24) įvertis, tik vienintelė stochastinės aproksimacijos savybė buvo taikoma taip, kad būtų garantuotas tiesioginio įvertinimo stabilumas [Robbins and Monro, 1951; Kusher and Calrk, 1978; Wang and Principe, 1995]. Tiesioginis vienpusisi įvertis naudojamas L.(26) yra pagrindas gradiento įverčio naudojamo LMS ir BP algoritmuose. L.(26) išreiškia įvertinimą ε(w) gradiento, kuomet w yra paveikiamas atsitiktinio kintamojo βv j . Šis metodas praktiniam realizavimui yra per brangus, kadangi svoriai turi būti veikiami (gradiento skaičiavimui pageidaujamas antras tinklas). Taigi, šis metodas tiesiogiai nėra įgyvendinamas. Realizacijos supaprastinimui siūloma atlikti Teiloro seriją ekspansijų apie w, ir antrame etape jį suskaidyti. Literatūra 1. Darken, C., Chang, J., and Moody, J., “Learning Rate Schedules for Faster Stochastic Gradient Search,” IEEE Neural Networks for Signal Processing, 1992. 2. Fahlman, S., “Fast-Learning Variations on Back-Propagation: An Empirical Study,” In Proc. Of 1988 Conn. Model Summer School. 3. Feller, W, An Introduction to Probability Theory and Its Applications, Vol. 1, 2rd ed. Wiley, NewYork, 1966. 4. Haykin, S, Neural Networks---A Comprehensive Foundation, Macmillan College Publishing Company, New York, 1994. 5. Hertz J., Krogh A., Palmer R. G., “Introduction to the theory of neural computation,” Addison-Wesley,1991. 6. Hinton G. E., “Connectionist learning procedure,” In machine learning: Paradigms and methods, J. G. Carbonell, ed., pp. 185-234. MIT Press, Cambridge, MA, 1989. 7. Holmstrom L., and Koistinen, P., “Using Additive Noise in Back-Propagation Training,” IEEE Trans. on Neural Networks, Vol. 3, No.1, 1992. 8. Kirkpatrick, S., et. al., “Optimization by simulated annealing,” Science 220, 671-680. 9. Krogh, A. and Hertz, J., “Generalization in a Linear Perceptron in the Present of Noise,” J. Phys. A: Math. Gen. 25(1992) 1135-1147. 10. Kushner, H., “Asymptotic Global Behavior for Stochastic Approximation and Diffusions with Slowly Decreasing Noise Effects: Global Minimization via Monte Carlo,” SIAM J. APPL.MATH. Vol. 47, No. 1 Feb., 1987. 11. Kushner, H, and Clark, D. S., Stochastic Approximation Methods for Constrained and Uncon-strained Systems, Springer-Verlag, New York, 1978. 12. Matsuoka, K., “Noise Injection into Inputs in Back-Propagation Learning,” IEEE Trans. Systems, Man, and Cybernetics, Vol. 22, No. 3, 1992. 13. Richard M., Lippmann R. P., “Neural network classifiers estimate Bayesian a posteriori probabil-ity,” Neural Computation, 3, 461-483, 1991. 14. Robbins, H., and S. Monroe, “A stochastic approximation method,” Annals of Mathematical Sta-tistics 22, 1951. 15. Rognvaldsson, T., “On Langevin Updating in Multilayer Perceptrons,” Neural Computation, 6.916-926, 1994. 16. Rubinstein, R., Simulation and the Monte Carlo Method, Wiley,1981. 17. Rubinstein, R., Monte Carlo Optimization, Simulation and Sensitivity of the Queueing Networks,Wiley, 1986. 18. Rumelhart et al, Parallel Distributed Processing, Vol.1, MIT Press, 1986. 19. Styblinski, M.A., and Tang, T.-S, “Experiments in Nonconvex Optimization: Stochastic Approxi-mation with Function Smoothing and Simulated Annealing,” Neural Networks, Vol.3, 1990. 20. Szu, H., “Fast simulated annealing,” AIP conf. Proc. 151:Neural Networks for Computing, Snow-bird, UT, 1986. 21. Waibel, A., T. Hanazawa, G. Hinton, K. Shikano, K. J. Lang, “Phoneme recognition using time-delay neural networks,” IEEEE Trams. ASSP-37, 1989. 22. Wang, C., and J. C. Principe, “On-line stochastic functional smoothing optimization for neural network training, submitted to Neural Networks, 1995. 23. Werbos, p., “Generalization of backpropagation with application to a recurrent gas market model,” Neural Networks, 1, 339-356. 24. Widrow, B., and Hoff, M., “Adaptive switching circuits,” IRE WESCON Convention Record, pp.96-104, 1960.

Informatika  Kursiniai darbai   (164,25 kB)

Bausmės. Mokymasis bendradarbiaujant. Tradicinės, aktyviosios ir moderniosios šiuolaikinės mokymosi sistemų lyginamoji analizė. Valdorfo mokyklos pedagoginiai pagrindai ir praktika. Bifrost šiuolaikinės moderniosios mokyklos modelis. Mokytojo darbo kriterijai JAV. Valdorfo mokyklos pedagoginis planas ir psichologinė analizė. Naujosios mokyklos Vokietijoje, jų lyginamoji analizė. Bloomo taksonomija.

Pedagogika  Paruoštukės   (3 psl., 60,92 kB)

Suaugusiųjų mokymosi poreikiai. Suaugusiųjų mokymosi motyvacijos raiška. Mokymosi motyvai. Motyvacija įvairių teorijų ir autorių požiūriu. Pastarųjų dešimtmečių visuomenės vystymąsi lemia naujos, postindustrinės visuomenės kūrimasis, esminiai žmonių veiklos ir jų bendravimo būdų pokyčiai, išaugęs gamybos ir paslaugų intelektualumas, ekonominės veiklos globalumas, informacinių technologinių procesų, lemiančių žmonių santykius su naujomis žinomis plėtra. Akivaizdu, kad individo gebėjimai bei nuostatos lemia ir spartesnį visos visuomenės vystymąsi bei gerovę.

Pedagogika  Referatai   (11 psl., 28,82 kB)

Kvalifikacijos kėlimo būtinybė. Kvalifikacijos kėlimo strategijos. Kvalifikacijos kėlimo strategijos įgyvendinimas. Kvalifikacijos kėlimo metodai ir tendencijos. Sėkmingos investicijos į ūkį – tai ne tik investicijos į modernius įrengimus ir statybas – tai pirmiausia investicijos į žmogiškąjį kapitalą. Žmonės turi būti pasiruošę aptarnauti naujas technologijas, teikti modernius patarnavimus, priimti ekonomiškus, šiuolaikinius reikalavimus atitinkančius sprendimus. Derama profesinė kvalifikacija būtina krašto pažangos sąlyga. Kita vertus tai žmogaus egzistencijos ir gero gyvenimo lygio sąlyga. Šis teiginys yra bendras ir Vakarų šalims, ir pokomunistinėms Rytų bei Vidurio Europos šalims.

Vadyba  Referatai   (20 psl., 36,22 kB)

Socialinio pedagoginio darbo tobulinimas neįmanomas be efektyvių darbo metodų, būdų, priemonių, išteklių, socialinės – pedagoginės veiklos technologijų panaudojimo, nes tai ir sudaro socialinio – pedagoginio darbo tyrimo objektą. Socialinio pedagoginio darbo metodiką vertinti kaip mokslinių žinių taikomąją sistemą, įskaitant socialinės ir ugdomosios pagalbos būdų, metodų, priemonių, technologijų visumą, paramą individui, ir sunkioje gyvenimo situacijoje, nuoseklių, tarpusavyje susijusių pedagogo ir kliento veiksmų, sąlygojančių efektyvų asmeninių ir socialinių problemų sprendimų sistemą.

Pedagogika  Referatai   (16,12 kB)

Bendrojo lavinimo mokyklos tikslas - išugdyti asmenį, pajėgų savarankiškai bei kartu su kitais spręsti savo ir visuomenės gyvenimo problemas, pozityviai keisti Lietuvos tikrovę, kūrybingai atsakyti į šiuolaikinio pasaulio iššūkius, gebantį įprasminti savo gyvenimą prieštaringoje dabarties tikrovėje. Šio tikslo siekiama vedant vaiką per visas ugdymo pakopas: priešmokyklinį, pradinį, pagrindinį, vidurinį ugdymą. Priešmokyklinio ugdymo tikslas - laiduojant vaiko asmenybės skleidimąsi, ugdyti aktyvų, savimi ir savo gebėjimais pasitikintį, stiprią pažinimo motyvaciją turintį vaiką, sudaryti prielaidas tolesniam sėkmingam ugdymuisi mokykloje.

Pedagogika  Referatai   (8,87 kB)

Lietuvių kalbą sudaro įvairios jos apraiškos – tai bendrinė kalba, tarmės, profesinė kalba, žargonas it kt . Svarbiausias ypatumas, skiriantis bendrinę kalbą nuo kitų tautos kalbos apraiškų yra sąmoninga raiškos priemonių atranka, palaikymas, ugdymas ir puoselėjimas. Bendrinės kalbos pagrindą sudarė gyvoji liaudies kalba, tautosaka, grožinė literatūra: tereikėjo iš jų atsijoti tai, kas sava, atitinka bendruosius lietuvių kalbos dėsnius ir polinkius. Tobulinant ir toliau kuriant bendrinę kalbą ( pavyzdžiui kad ir naujus terminus) taip pat yra žiūrima jau esamų normų ir taisyklių). Kalbos normos yra diegiamos į vartoseną – pirmiausia per mokyklą, paskui – per viešąsias informacijos priemones.

Lietuvių kalba  Kursiniai darbai   (4,93 kB)

Tikslas išsiaiškinti kas ir kodėl neįgaliesiems trukdo integruojantis į visuomenę Lietuvoje. Pirmoje dalyje, remiantis studijuojama literatūra aprašiau kokios yra galimybės mokytis neįgaliajam. Tai grindžiama individų poreikiais bei reikalavimais. Taip pat atsižvelgiama ir į galimybes bei mokymosi prieinamumą. Kokios yra sąlygos ir tikslai siekiant įgyvendinti mokymąsi visą gyvenimą, asmenims turintiems fizinę negalią.

Sociologija  Referatai   (4,92 kB)

Analizuojamos nuolatinio mokymosi strategijos. Šiuolaikinėje visuomenėje ūkio plėtra ir žmonių gerovė pirmiausia priklauso nuo žmogiškųjų išteklių apimties bei kokybės. Todėl visų darbingo amžiaus gyventojų įtraukimas į darbo rinką ir pagalba įsitvirtinant šioje rinkoje yra svarbi šalies ekonominės bei socialinės gerovės augimo sąlyga.

Sociologija  Analizės   (4,64 kB)

Mus supanti erdvė, kitaip tariant daiktinė aplinka, daro labai didelę įtaką mūsų kasdieniniam gyvenimui, ji veikia mūsų psichologinę būseną, mes esame jautrūs erdvei, kuri mus supa net pačiose elementariausiose gyvenimiškose situacijose. Daiktinė aplinka supa žmogų visą jo gyvenimą kaip kūrybinio proceso sudėtinė dalis.

Psichologija  Kursiniai darbai   (11,43 kB)

Pastaruoju metu vis labiau ryškėja opi visuomenės problema, kuri liečia šeimas, ugdymo institucijas ir visą šalies švietimo sistemą. Vis daugiau diskusijų ir rūpesčių sukelia mokinių nepažangumas.

Psichologija  Kursiniai darbai   (14,87 kB)

VDU psichologijos katedra. Įvertintas 9. Kas yra intelektas? Lot. intellectus – supratimas, pažinimas. D. Veksleris vienoje iš savo knygų rašo, jog neįmanoma apibrėžti intelekto, jį galima įvertinti iš jo pasireiškimų. Intelekto esmė ir prigimtis nėra visiškai aiški. Pagal D. Vekslerį intelektas yra individo sugebėjimas mąstyti ir adekvačiai elgtis savo aplinkoje. Tai apima visas psichikos veiklos sritis.

Psichologija  Kursiniai darbai   (12,09 kB)

Motyvacija – tai veiksmų bei elgesio skatinimas, dygstantis žmogaus psichikoje. Motyvacija yra labai svarbi, nes apima labai plačią sferą: poreikius, interesus, vertybes, pažiūras, įsitikinimus. Kartu ji veikia jausmus ir emocijas, turi įtakos charakterio formavimuisi. Esant motyvacijai, nuobodulį keičia susidomėjimas, kylantis aktyvumas, energija.

Pedagogika  Kursiniai darbai   (6,33 kB)

Darbe aprašoma nuo ko priklauso mokymo kokybė: mokytojų kvalifikacija, mokinių motyvacija, mokyklų būklė, priemonės ir t. t. Ateities karta. Nuo ko priklauso kokia ji? Kas darnios, praktiškos, rezultatyvios kartos pradininkas? Dėl atsakymo į ši, klausimą, galima pasiginčyti. Tėvai? Darželis? Mokykla? Aš manau, kad tai vieno nuo kito labai priklausomos sąveikos rezultatas. Tad šiame darbe aš nagrinėsiu kaip mokinių tėvai supranta mokyklos duoklę bręstančiai asmenybei.

Pedagogika  Kursiniai darbai   (22,66 kB)

Kursinis, pristatytas MRU 2008 m., įvertinimas - 10. “Švietimas – asmens, visuomenės ir valstybės ateities kūrimo būdas. Jis grindžiamas žmogaus nelygstamos vertės, jo pasirinkimo laisvės, dorinės atsakomybės pripažinimu, demokratiniais santykiais, šalies kultūros tradicijomis. Švietimas saugo ir kuria tautos tapatybę, perduoda vertybes, kurios daro žmogaus gyvenimą prasmingą, visuomenės gyvenimą – darnų ir solidarų, valstybės – pažangų ir saugų. Švietimas savo paskirtį geriausiai atlieka, kai jo raida lenkia bendrąją visuomenės raidą.”

Pedagogika  Kursiniai darbai   (19,98 kB)

Hiperaktyvumo (veiklos ir dėmesio, hiperkinezinis) sutrikimas yra lėtinis, prasidedantis vaikystėje ir galintis tęstis suaugusiame gyvenime sutrikimas, kuris neigiamai veikia vaiko gyvenimą namuose, mokykloje ir bendruomenėje. Tokie vaikai nenuoramos, išsiblaškę, impulsyvūs, įkyrūs, keliantys daug rūpesčių savo tėvams ir mokytojams.

Pedagogika  Referatai   (18,95 kB)

Visuose svarbiausiuose Lietuvos švietimo dokumentuose: Bendrosiose programose ir išsilavinimo standartuose, Švietimo koncepcijoje akcentuojamas kūrybiškas mokymo ir mokymosi efektyvinimas, taikant naujus mąstymo ir veiklos būdus, kurių pagrindinis bruožas – kritinio mąstymo ugdymas.

Pedagogika  Referatai   (17,56 kB)

Šio darbo niekam nepristačiau, bet teko panašų darbą daryti kai mokiausi Vilniaus kolegijoje. Ilgas literatūros sąrašas padės greitai susirasti literatūrą.

Pedagogika  Namų darbai   (5,22 kB)

Atmintinės tikslas – suteikti bendrojo lavinimo mokyklų pedagogams žinių apie specialiųjų poreikių asmenų ugdymo ypatumus. Kodėl norima, kad specialiųjų ugdymosi poreikių turintys moksleiviai ugdytųsi bendrojo lavinimo mokyklose, bendrojo lavinimo klasėse?

Pedagogika  Namų darbai   (6,63 kB)

Atmintinės tikslas – suteikti bendrojo lavinimo mokyklų pedagogams žinių apie specialiųjų poreikių asmenų ugdymo ypatumus. Kodėl norima, kad specialiųjų ugdymosi poreikių turintys moksleiviai ugdytųsi bendrojo lavinimo mokyklose, bendrojo lavinimo klasėse?

Pedagogika  Namų darbai   (6,63 kB)

Jaunesnysis mokyklinis amžius – tai laikas, kai vaikai sparčiai auga, bręsta fiziškai ir psichiškai. Šiuo laikotarpiu vaikai itin imlūs, smalsūs, norintys pažinti visą pasaulį. Todėl turime sudaryti palankias sąlygas asmenybei formuotis, fizinėms ir psichinėms vaiko galioms plėtotis, tautos kultūros pradmenims ir dvasinėms vertybėms priimti. Yra nustatyta, kad laikui bėgant dėl kasdieniniame gyvenime susidarančios įtampos mažėja daugelio vaikų fizinis aktyvumas ir pajėgumas.

Pedagogika  Diplominiai darbai   (4,56 kB)

Tyrimo tikslas – nustatyti klasės auklėtojo bendradarbiavimo su šeima formas ugdant paauglių mokymosi motyvaciją. Tyrimo uždaviniai: 1. Išanalizuoti klasės auklėtojo bendradarbiavimo su šeima formas pedagoginėje literatūroje; 2. Nustatyti klasės auklėtojų bendradarbiavimo su šeima taikomas formas, įtakojančias paauglių sėkmingą mokymąsi.

Pedagogika  Diplominiai darbai   (18,67 kB)

Darbas įvertintas 10 balų, rašytas 2006 metais. Mūsų dabarties visuomenės gyvenimas kinta ypač sparčiai. Globalizacijos, informacinių technologijų amžiuje švietimas išgyvena esmines permainas. Pasak M.Lukošienės “šiandien vertinimo klausimas itin aktualus ir kartu opus[...]kokybiškas, giluminis ir humaniškas vertinimas, nestabdantis žmogaus plėtotės, orientuojantis pozityvia, konstruktyvia linkme, yra sudėtingas šiandieninio ugdymo klausimas“ (M.Lukšienė, 2000, 387).

Anglų kalba  Kursiniai darbai   (15,14 kB)