Метанавчання (інформатика)

Ця стаття про метанавчання в машиннім навчанні. Про метанавчання в соціальній психології див. Метанавчання[en]. Про метанавчання в нейронауці див. Метанавчання (нейронаука)[en].
Див. також: Ансамблеве навчання
Частина з циклу
Машинне навчання
та добування даних
Ілюстрація нейронної мережі з темним
Парадигми

Метанавча́ння[1][2] (англ. meta learning) — це підгалузь машинного навчання, в якій застосовують алгоритми автоматичного навчання до метаданих про експерименти з машинного навчання. Станом на 2017 рік цей термін не знайшов стандартного тлумачення, проте головна мета полягає у використанні таких метаданих для розуміння того, як автоматичне навчання може стати гнучким у розв'язуванні проблем навчання, й відтак покращити продуктивність наявних алгоритмів навчання, або навчити (індукувати) сам алгоритм навчання, звідси альтернативний термін навча́ння навча́тися (англ. learning to learn).[1]

Гнучкість важлива, оскільки кожен алгоритм навчання ґрунтується на наборі припущень щодо даних, його індуктивному упередженні[en].[3] Це означає, що він навчатиметься добре, лише якщо ці упередження відповідають задачі навчання. Алгоритм навчання може працювати дуже добре в одній області, але не в наступній. Це накладає серйозні обмеження на використання методів машинного навчання та добування даних, оскільки зв'язок між задачею навчання (часто якась база даних) та ефективністю різних алгоритмів навчання досі не зрозумілий.

Використовуючи різні види метаданих, як-от властивості задачі навчання, властивості алгоритму (як-от показники продуктивності), або образи, попередньо отримані з даних, можливо вивчати, обирати, змінювати та комбінувати різні алгоритми навчання, щоби ефективно розв'язати задану задачу навчання. Критика підходів метанавчання дуже схожа на критику метаевристики, можливо пов'язаної задачі. Добра аналогія з метанавчанням і джерело натхнення ранніх праць Юргена Шмідхубера (1987)[1] та праці Йошуа Бенжіо[en] зі співавт. (1991)[4] виходить з того, що генетична еволюція навчається процедури навчання, закодованої в генах, і виконується в мозку кожної людини. У відкритій ієрархічній системі метанавчання[1] з використанням генетичного програмування можливо навчатися кращих еволюційних методів за допомогою метаеволюції, яку саму по собі можливо вдосконалювати за допомогою метаметаеволюції тощо.[1]

Визначення

Пропоноване визначення[5] системи метанавчання поєднує три вимоги:

  • Система мусить включати підсистему навчання.
  • Досвід набувається шляхом використання метазнань, виділених
    • у попередньому епізоді навчання на єдиному наборі даних, або
    • з різних областей.
  • Упередження навчання має обиратися динамічно.

Упередження (англ. bias) стосується припущень, які впливають на вибір пояснювальних гіпотез,[6] а не поняття зміщення (теж англ. bias), поданого в компромісі зміщення та дисперсії. Метанавчання цікавиться двома аспектами упереджень навчання.

  • Декларативне упередження (англ. declarative bias) визначає подання простору гіпотез і впливає на розмір простору пошуку (наприклад, подавати гіпотези лише за допомогою лінійних функцій).
  • Процедурне упередження (англ. procedural bias) накладає обмеження на впорядкування індуктивних гіпотез (наприклад, надавання переваги меншим гіпотезам).[7]

Поширені підходи

Існує три поширені підходи:[8]

  • 1) використання (циклічних) мереж із зовнішньою або внутрішньою пам'яттю (на основі моделей, англ. model-based)
  • 2) навчання ефективних мір відстані (на основі мір, англ. metrics-based)
  • 3) явна оптимізація параметрів моделі для швидкого навчання (на основі оптимізації, англ. optimization-based).

На основі моделей

Моделі метанавчання на основі моделей швидко уточнюють свої параметри за кілька кроків тренування, чого можливо досягати за рахунок їхньої внутрішньої архітектури, або керування іншою моделлю метанавчання.[8]

Нейронні мережі з доповненою пам'яттю

Стверджують, що нейронна мережа з доповненою пам'яттю (англ. Memory-Augmented Neural Network), або скорочено НМДП (англ. MANN), здатна швидко кодувати нову інформацію, й відтак адаптуватися до нових завдань, лише за кількома прикладами.[9]

Метамережі

Метамережі (англ. Meta Networks, MetaNet) навчаються знання метарівня між завданнями та зміщують свої індуктивні упередження за допомогою швидкого параметрування для швидкого узагальнення.[10]

На основі мір

Центральна ідея метанавчання на основі мір подібна до алгоритмів найближчих сусідів, чия вага породжується ядровою функцією. Воно спрямоване на навчання міри або функції відстані над об'єктами. Поняття доброї міри залежить від задачі. Вона повинна подавати зв'язок між входами в просторі завдання й полегшувати розв'язання задачі.[8]

Згорткова сіамська нейронна мережа

Сіамська нейронна мережа[en] складається з двох мереж-близнюків, вихід яких тренується спільно. Існує функція поверх для навчання зв'язку між парами зразків даних входу. Ці дві мережі однакові, мають однакові ваги й параметри мережі.[11]

Узгоджувальні мережі

Узгоджувальні мережі (англ. Matching Networks) навчаються мережі́, яка відображує невеличкий мічений опорний набір даних та немічений приклад до його мітки, уникаючи необхідності тонкого настроювання для пристосовування до нових типів класів.[12]

Реляційна мережа

Реляційна мережа (РМ, англ. Relation Network, RN) навчається наскрізно з нуля. Під час метанавчання вона навчається навчатися глибокої міри відстані, щоби порівнювати невелику кількість зображень у межах епізодів, кожен з яких розроблено для імітування постановки навчання з кількох поглядів (англ. few-shot setting).[13]

Прототипові мережі

Прототипові мережі (англ. Prototypical Networks) навчаються метричного простору, в якому класифікування можливо виконувати шляхом обчислення відстаней до прототипних подань кожного з класів. Порівняно з нещодавніми підходами навчання з кількох поглядів, вони відображають простіше індуктивне зміщення, корисне в цьому режимі обмежених даних, і досягають задовільних результатів.[14]

На основі оптимізації

Мета алгоритмів метанавчання на основі оптимізації полягає в тому, щоби налаштувати алгоритм оптимізації таким чином, щоби модель могла навчатися добре з кількох прикладів.[8]

Метанавчання ДКЧП

Система метанавчання на основі ДКЧП (англ. LSTM-based meta-learner) призначена навчатися точного алгоритму оптимізації, який використовують для тренування іншої системи навчання нейромережного класифікатора[en] в режимі кількох поглядів. Ця параметризація дозволяє навчатися відповідних уточнень параметрів спеціально для сценарію, коли буде зроблено встановлену кількість уточнень, у той же час навчаючись загальних початкових значень навчаної мережі (класифікатора), які забезпечують швидку збіжність тренування.[15]

Часова дискретність

МАМН (англ. MAML), скорочення від моделеагностичного метанавчання (англ. Model-Agnostic Meta-Learning), це доволі загальний алгоритмом оптимізації, сумісний із будь-якою моделлю, яка навчається за допомогою градієнтного спуску.[16]

Рептилія

Рептилія (англ. Reptile) — це надзвичайно простий алгоритм оптимізації метанавчання, враховуючи, що обидві його складові покладаються на метаоптимізацію через градієнтний спуск, й обидві не залежать від моделі.[17]

Приклади

Деякі підходи, які розглядали як приклади метанавчання:

  • Рекурентні нейронні мережі (РНМ) це універсальні обчислювачі. 1993 року Юрген Шмідхубер показав, як «самореферентні» (англ. "self-referential") РНМ можуть у принципі навчатися зворотним поширенням запускати алгоритм зміни власних ваг, що може доволі сильно відрізнятися від зворотного поширення.[18] 2001 року Зепп Хохрайтер[en], А. С. Янгер та П. Р. Конвелл створили успішну систему керованого метанавчання на основі РНМ з довгою короткочасною пам'яттю. За допомогою зворотного поширення вона навчалася алгоритму навчання квадратичних функцій, набагато швидшого за зворотне поширення.[19][2] 2017 року дослідники з Deepmind (Марцін Андрихович зі співавт.) розширили цей підхід до оптимізації.[20]
  • У 1990-х роках дослідницька група Шмідхубера досягла метанавчання з підкріпленням (англ. Meta Reinforcement Learning), або Мета НП (англ. Meta RL), за допомогою самозмінних стратегій, написаних універсальною мовою програмування, яка містить спеціальні інструкції для зміни самої стратегії. Є єдине ціложиттєве випробування. Мета агента НП полягає в максимізації винагороди. Він навчається прискорювати отримування винагороди, постійно вдосконалюючи власний алгоритм навчання, який є частиною «самореферентної» стратегії.[21][22]
  • Екстремальний тип метанавчання з підкріпленням втілено машиною Геделя[en], теоретичною побудовою, яка може перевіряти та змінювати будь-яку частину власного програмного забезпечення, яке також містить загальну систему доведення теорем. Вона може досягати рекурсивного самовдосконалення довідно оптимальним чином.[23][2]
  • Моделеагностичне метанавчання (МАМН, англ. Model-Agnostic Meta-Learning, MAML) представили 2017 року Челсі Фінн[en] зі співавт.[16] Для заданої послідовності завдань параметри заданої моделі тренуються таким чином, що декілька ітерацій градієнтного спуску з невеликою кількістю тренувальних даних з нового завдання вестимуть до доброї продуктивності узагальнення на цьому завданні. МАМН «тренує модель бути легкою для тонкого настроювання».[16] МАМН успішно застосовували для еталонного класифікування зображень із кількох поглядів та для навчання з підкріпленням на основі градієнта стратегії.[16]
  • Виявляння метазнань (англ. discovering meta-knowledge) працює шляхом індукування знань (наприклад, правил), які виражають, як кожен метод навчання працюватиме на різних задачах навчання. Метадані утворюються характеристиками даних (загальними, статистичними, інформаційно-теоретичними, …) у задачі навчання та характеристиками алгоритму навчання (тип, налаштування параметрів, міри продуктивності, …). Потім інший алгоритм навчання навчається того, як характеристики даних співвідносяться з характеристиками алгоритмів. Для нової задачі навчання вимірюють характеристики даних і передбачують продуктивність різних алгоритмів навчання. Відтак, можливо передбачувати, які алгоритми найкраще підходять для нової задачі.
  • Складене узагальнювання (англ. stacked generalisation) працює шляхом поєднання кількох (різних) алгоритмів навчання. Метадані утворюються передбаченнями цих різних алгоритмів. Інший алгоритм навчання вчиться з цих метаданих передбачувати, які поєднання алгоритмів дають загалом добрі результати. Для заданої нової задачі навчання поєднують передбачення обраного набору алгоритмів (наприклад, шляхом (зваженого) голосування), щоби забезпечити остаточне передбачення. Оскільки вважають, що кожен з алгоритмів працює над підмножиною задач, сподіваються, що поєднання буде гнучкішим та здатним робити добрі передбачення.
  • Підсилювання (англ. boosting) пов'язане зі складеним узагальнюванням, але використовує той самий алгоритм декілька разів, де приклади в тренувальних даних під час кожного виконання отримують різні ваги. Це дає різні передбачення, кожне з яких зосереджено на правильному передбаченні підмножини даних, а поєднання цих передбачень призводить до кращих (але витратніших) результатів.
  • Динамічне обирання упередження (англ. dynamic bias selection) працює шляхом зміни індуктивного упередження алгоритму навчання відповідно до заданої задачі. Це робиться шляхом зміни ключових аспектів алгоритму навчання, таких як подання гіпотез, евристичні формули та параметри. Існує багато різних підходів.
  • Індуктивне передавання (англ. inductive transfer) вивчає, як покращувати процес навчання з плином часу. Метадані містять знання про попередні епізоди навчання та використовуються для ефективної розробки ефективної гіпотези для нового завдання. Пов'язаний підхід називають «навчанням навчатися[en]», його мета полягає у використанні набутих знань з однієї області щоби допомагати навчатися в інших областях.
  • Інші підходи з використанням метаданих для покращування автоматичного навчання — це системи навчання класифікаторів[en], міркування на основі прецедентів[en] і виконання обмежень[en].
  • Було розпочато певну початкову теоретичну роботу щодо використання прикладного поведінкового аналізу[en] як основи для опосередкованого агентами метанавчання щодо продуктивності учнів-людей і підлаштовування курсу навчання штучного агента.[24]
  • АвтоМН (англ. AutoML), як-от проєкт Google Brain «ШІ будує ШІ» (англ. "AI building AI"), який, за твердженням Google, 2017 року ненадовго перевершив наявні еталони ImageNet[en].[25][26]

Примітки

  1. ↑ а б в г д Schmidhuber, Jürgen (1987). Evolutionary principles in self-referential learning, or on learning how to learn: the meta-meta-... hook (PDF). Diploma Thesis, Tech. Univ. Munich (англ.).
  2. ↑ а б в Schaul, Tom; Schmidhuber, Jürgen (2010). Metalearning. Scholarpedia (англ.). 5 (6): 4650. Bibcode:2010SchpJ...5.4650S. doi:10.4249/scholarpedia.4650.
  3. ↑ P. E. Utgoff (1986). Shift of bias for inductive concept learning. У R. Michalski, J. Carbonell, & T. Mitchell (ред.). Machine Learning: An Artificial Intelligence Approach (англ.). с. 163—190.
  4. ↑ Bengio, Yoshua; Bengio, Samy; Cloutier, Jocelyn (1991). Learning to learn a synaptic rule (PDF). IJCNN'91 (англ.).
  5. ↑ Lemke, Christiane; Budka, Marcin; Gabrys, Bogdan (20 липня 2013). Metalearning: a survey of trends and technologies. Artificial Intelligence Review (англ.). 44 (1): 117—130. doi:10.1007/s10462-013-9406-y. ISSN 0269-2821. PMC 4459543. PMID 26069389.
  6. ↑ Brazdil, Pavel; Carrier, Christophe Giraud; Soares, Carlos; Vilalta, Ricardo (2009). Metalearning - Springer. Cognitive Technologies (англ.). doi:10.1007/978-3-540-73263-1. ISBN 978-3-540-73262-4.
  7. ↑ Gordon, Diana; Desjardins, Marie (1995). Evaluation and Selection of Biases in Machine Learning (PDF). Machine Learning (англ.). 20: 5—22. doi:10.1023/A:1022630017346. Процитовано 27 березня 2020.
  8. ↑ а б в г Weng, Lilian (30 листопада 2018). Meta-Learning: Learning to Learn Fast. OpenAI Blog (англ.). Процитовано 27 жовтня 2019.
  9. ↑ Santoro, Adam; Bartunov, Sergey; Wierstra, Daan; Lillicrap, Timothy. Meta-Learning with Memory-Augmented Neural Networks (PDF) (англ.). Google DeepMind. Процитовано 29 жовтня 2019.
  10. ↑ Munkhdalai, Tsendsuren; Yu, Hong (2017). Meta Networks (англ.). arXiv:1703.00837 [cs.LG].
  11. ↑ Koch, Gregory; Zemel, Richard; Salakhutdinov, Ruslan (2015). Siamese Neural Networks for One-shot Image Recognition (PDF) (англ.). Toronto, Ontario, Canada: Department of Computer Science, University of Toronto.
  12. ↑ Vinyals, O.; Blundell, C.; Lillicrap, T.; Kavukcuoglu, K.; Wierstra, D. (2016). Matching networks for one shot learning (PDF) (англ.). Google DeepMind. Процитовано 3 листопада 2019.
  13. ↑ Sung, F.; Yang, Y.; Zhang, L.; Xiang, T.; Torr, P. H. S.; Hospedales, T. M. (2018). Learning to compare: relation network for few-shot learning (PDF) (англ.).
  14. ↑ Snell, J.; Swersky, K.; Zemel, R. S. (2017). Prototypical networks for few-shot learning (PDF) (англ.).
  15. ↑ Ravi, Sachin; Larochelle, Hugo (2017). Optimization as a model for few-shot learning. ICLR 2017 (англ.). Процитовано 3 листопада 2019.
  16. ↑ а б в г Finn, Chelsea; Abbeel, Pieter; Levine, Sergey (2017). Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks (англ.). arXiv:1703.03400 [cs.LG].
  17. ↑ Nichol, Alex; Achiam, Joshua; Schulman, John (2018). On First-Order Meta-Learning Algorithms (англ.). arXiv:1803.02999 [cs.LG].
  18. ↑ Schmidhuber, Jürgen (1993). A self-referential weight matrix. Proceedings of ICANN'93, Amsterdam (англ.): 446—451.
  19. ↑ Hochreiter, Sepp; Younger, A. S.; Conwell, P. R. (2001). Learning to Learn Using Gradient Descent. Proceedings of ICANN'01 (англ.): 87—94.
  20. ↑ Andrychowicz, Marcin; Denil, Misha; Gomez, Sergio; Hoffmann, Matthew; Pfau, David; Schaul, Tom; Shillingford, Brendan; de Freitas, Nando (2017). Learning to learn by gradient descent by gradient descent. Proceedings of ICML'17, Sydney, Australia (англ.).
  21. ↑ Schmidhuber, Jürgen (1994). On learning how to learn learning strategies (PDF). Technical Report FKI-198-94, Tech. Univ. Munich (англ.).
  22. ↑ Schmidhuber, Jürgen; Zhao, J.; Wiering, M. (1997). Shifting inductive bias with success-story algorithm, adaptive Levin search, and incremental self-improvement. Machine Learning (англ.). 28: 105—130. doi:10.1023/a:1007383707642.
  23. ↑ Schmidhuber, Jürgen (2006). Gödel machines: Fully Self-Referential Optimal Universal Self-Improvers. In B. Goertzel & C. Pennachin, Eds.: Artificial General Intelligence (англ.): 199—226.
  24. ↑ Begoli, Edmon (May 2014). Procedural-Reasoning Architecture for Applied Behavior Analysis-based Instructions. Doctoral Dissertations (англ.). Knoxville, Tennessee, USA: University of Tennessee, Knoxville: 44—79. Процитовано 14 жовтня 2017.
  25. ↑ Robots Are Now 'Creating New Robots,' Tech Reporter Says. NPR.org (англ.). 2018. Процитовано 29 березня 2018.
  26. ↑ AutoML for large scale image classification and object detection. Google Research Blog (англ.). November 2017. Процитовано 29 березня 2018.

Посилання

Read other articles:

Hajime Hosogai

Hajime Hosogai Informasi pribadiNama lengkap Hajime HosogaiTanggal lahir 10 Juni 1986 (umur 37)Tempat lahir Maebashi, Gunma, JepangTinggi 1,77 m (5 ft 9+1⁄2 in)Posisi bermain Bek, gelandang bertahanInformasi klubKlub saat ini VfB StuttgartNomor 7Karier junior1999–2001 FC Maebashi2002–2004 Maebashi Ikuei High SchoolKarier senior*Tahun Tim Tampil (Gol)2005–2010 Urawa Red Diamonds 98 (5)2011–2013 Bayer 04 Leverkusen 17 (0)2011–2012 → FC Augsburg (pinjaman) ...

 

Gouvernement Charles de Freycinet (4)

Gouvernement Charles de Freycinet (4) Troisième République Le quatrième gouvernement Charles de Freycinet au banc des ministres de la Chambre des députés, illustration de Henri Meyer, Le Petit Journal, 31 octobre 1891. Données clés Président de la République Sadi Carnot Président du Conseil Charles de Freycinet Formation 18 mars 1890 Fin 20 février 1892 Durée 1 an, 11 mois et 2 jours Composition initiale Coalition Union des gauches - Gauche radicale Parti politique...

 

Funding

Act of providing resources Funding is the act of providing resources to finance a need, program, or project. While this is usually in the form of money, it can also take the form of effort or time from an organization or company. Generally, this word is used when a firm uses its internal reserves to satisfy its necessity for cash, while the term financing is used when the firm acquires capital from external sources.[citation needed] Sources of funding include credit, venture capital, ...

Kekerasan dalam rumah tangga di Tiongkok

Artikel ini sebatang kara, artinya tidak ada artikel lain yang memiliki pranala balik ke halaman ini.Bantulah menambah pranala ke artikel ini dari artikel yang berhubungan atau coba peralatan pencari pranala.Tag ini diberikan pada Oktober 2022. Kekerasan dalam rumah tangga di Tiongkok adalah kekerasan atau pelecehan yang melibatkan pasangan intim atau anggota keluarga terhadap satu yang lain. Kekerasan pasangan intim yang dilakukan oleh lelaki merupakan salah satu jenis kekerasan dalam rumah ...

 

Associazione Sportiva Avellino 1912 2011-2012

Questa voce sull'argomento stagioni delle società calcistiche italiane è solo un abbozzo. Contribuisci a migliorarla secondo le convenzioni di Wikipedia. Segui i suggerimenti del progetto di riferimento. Voce principale: Associazione Sportiva Avellino 1912. A.S. Avellino 1912Stagione 2011-2012Sport calcio Squadra Avellino Allenatore Salvatore Vullo, poi Giovanni Bucaro Presidente Marco Cipriano, poi Walter Taccone Lega Pro Prima Divisione10º posto Coppa ItaliaTerzo turno Coppa I...

 

Yellowknife

This article is about the city in Canada. For other uses, see Yellowknife (disambiguation). Capital city of the Northwest Territories, Canada City in Northwest Territories, CanadaYellowknife Sǫǫ̀mbak'è (Dogrib)CityCity of YellowknifeFrom top left: Downtown Yellowknife, Great Slave Lake from Old Town, Aurora borealis over Yellowknife, houseboats on Yellowknife Bay in winter FlagCoat of armsLogoNicknames: YK, The KnifeMotto: Multum In ParvoYellowknifeLocation in the Northwest...

Iniidae

Family of dolphins IniidaeTemporal range: Miocene-Holocene An Amazon river dolphin at Duisburg Zoo holding an Armored catfish in the mouth. Size compared to an average human Scientific classification Domain: Eukaryota Kingdom: Animalia Phylum: Chordata Class: Mammalia Order: Artiodactyla Infraorder: Cetacea Superfamily: Inioidea Family: IniidaeGray, 1846 Genera Inia Iniidae is a family of river dolphins containing one living genus, Inia, and four extinct genera. The extant genus inhabits the ...

 

Pemilihan umum Wali Kota Surakarta 2020

Pemilihan umum Wali Kota Surakarta 2020201520249 Desember 2020[1]Kandidat   Calon Gibran Rakabuming Raka Bagyo Wahyono Partai PDI-P Independen Pendamping Teguh Prakosa Suparjo Fransiskus Xaverius Suara rakyat 225.451 35.055 Persentase 86,5% 13,5% Peta persebaran suara Peta lokasi Kota Surakarta di Jawa Tengah Wali Kota dan Wakil Wali Kota petahanaF.X. Hadi Rudyatmo dan Achmad Purnomo PDI-P Wali Kota dan Wakil Wali Kota terpilih Gibran Rakabuming Raka dan Teguh Prakosa PDI-P...

 

Tiscali Mobile

Questa voce o sezione sugli argomenti aziende di telecomunicazioni e aziende italiane non cita le fonti necessarie o quelle presenti sono insufficienti. Puoi migliorare questa voce aggiungendo citazioni da fonti attendibili secondo le linee guida sull'uso delle fonti. Segui i suggerimenti del progetto di riferimento. Questa voce sull'argomento aziende italiane di telecomunicazioni è solo un abbozzo. Contribuisci a migliorarla secondo le convenzioni di Wikipedia. Tiscali Mobile Tis...

日本泡沫经济

本條目存在以下問題，請協助改善本條目或在討論頁針對議題發表看法。 此條目可能包含原创研究。请协助補充参考资料、添加相关内联标签和删除原创研究内容以改善这篇条目。详细情况请参见讨论页。 此條目可参照日語維基百科相應條目来扩充。 (2022年6月27日)若您熟悉来源语言和主题，请协助参考外语维基百科扩充条目。请勿直接提交机械翻译，也不要翻译不可靠、�...

 

37th National Film Awards

1990 Indian film award 37th National Film AwardsAwarded forBest of Indian cinema in 1989Awarded byDirectorate of Film FestivalsPresented byR. Venkataraman(President of India)Announced on4 April 1990 (1990-04-04)Presented onMay 1990 (1990-05)Official websitedff.nic.inHighlightsBest Feature FilmBagh BahadurBest Non-Feature FilmAar Koto DinBest Book • Shataranj Ke Khiladi • Cinema, Kannakkum KavithayumBest Film CriticK. N. T. SastryDadasaheb...

 

Athlon 64

Series of CPUs by AMD Athlon 64Original logoGeneral informationLaunchedSeptember 23, 2003Discontinued2009Common manufacturerAMDPerformanceMax. CPU clock rate1.0 GHz to 3.2 GHzHyperTransport speeds800 MT/s to 1000 MT/sArchitecture and classificationTechnology node130nm to 65nmMicroarchitectureK8Instruction setMMX, SSE, SSE2, SSE3, x86-64, 3DNow!Physical specificationsCores1SocketSocket 754, Socket 939, Socket 940, AM2, AM2+, Socket FHistoryPredecessorAthlonSuccess...

List of governors of the Italian Islands of the Aegean

Governor of the Italian Islands of the AegeanGovernatore della Isole italiane dell'EgeoLongest servingMario Lago16 November 1922 – 27 November 1936Reports toKing of ItalyResidenceGovernor's Palace [it], RhodesFormation5 May 1912First holderGiovanni Ameglio (Commander)Final holderIginio Ugo Faralli [it] (Vice Governor)Abolished7 May 1945SuccessionBritish military administrators in the Aegean Dodecanese (red) within Greece. An Italian map of the Dodecanese. This art...

 

2019–20 DFB-Pokal

77th season of the annual German football cup competition Football tournament season 2019–20 DFB-PokalTournament detailsCountryGermanyVenue(s)Olympiastadion, BerlinDates9 August 2019 – 4 July 2020Teams64Final positionsChampionsBayern Munich (20th title)Runner-upBayer LeverkusenEuropa League1899 Hoffenheim[note 1]Tournament statisticsMatches played63Goals scored245 (3.89 per match)Attendance1,321,688 (20,979 per match)Top goal scorer(s)Robert Lewandowski (6 goal...

 

Takeo Takagi

Takeo TakagiLaksamana Takeo TakagiLahir(1892-01-25)25 Januari 1892 [1]Iwaki, Fukushima, JepangMeninggal8 Juli 1944(1944-07-08) (umur 52)Saipan, Kepulauan Mariana UtaraPengabdianKekaisaran JepangDinas/cabang Angkatan Laut Kekaisaran JepangLama dinas1911-1944PangkatLaksamana (anumerta)KomandanNagara, Takao, MutsuDistrik Garda Mako, Distrik Garda Takao, Armada VIPerang/pertempuranPerang Dunia II Pertempuran Filipina (1941-1942) Pertempuran Laut Jawa Pertempuran Laut Karang Pert...

Palacio de Santa Cruz (Valladolid)

Palacio de Santa Cruz Bien de Interés Cultural11 de febrero de 1955 RI-51-0001248 Fachada del Palacio de Santa Cruz en la plaza del mismo nombreLocalizaciónPaís España EspañaComunidad Castilla y León Castilla y LeónUbicación  ValladolidCoordenadas 41°39′06″N 4°43′13″O / 41.651547, -4.720145Información generalUsos PalacioEstilo RenacentistaInicio 1486Finalización 1491Construcción 1486Propietario Universidad de ValladolidDiseño y construcció...

 

Football League Two

EFL League TwoAltri nomiFourth Division (1959-1992)Third Division (1993-2004) Sport Calcio TipoSquadre di club FederazioneFA Paese Inghilterra Galles OrganizzatoreEnglish Football League Cadenzaannuale Aperturaagosto Chiusuramaggio Partecipanti24 squadre Formulagirone A/R+play-off Promozione inEFL League One Retrocessione inNational League Sito InternetFootball League Two StoriaFondazione1958 [1] Numero edizioni66 [2] Detentore Stockport County Record vittorie&#...

 

Mantralayam Assembly constituency

Constituency of the Andhra Pradesh Legislative Assembly, India MantralayamConstituency No. 145 for the Andhra Pradesh Legislative AssemblyLocation of Mantralayam Assembly constituency within Andhra PradeshConstituency detailsCountryIndiaRegionSouth IndiaStateAndhra PradeshDistrictKurnoolLS constituencyKurnoolEstablished2008Total electors187,011ReservationNoneMember of Legislative Assembly16th Andhra Pradesh Legislative AssemblyIncumbent Y. Balanagi Reddy PartyYSR Congress PartyElected year202...

Ферьер-сюр-Сишон

КоммунаФерьер-сюр-СишонFerrières-sur-Sichon Герб 46°01′34″ с. ш. 3°38′59″ в. д.HGЯO Страна  Франция Регион Овернь Департамент Алье Кантон Ле-Мейе-де-Монтань Мэр Jean-Marcel Lazzerini(2008–2014) История и география Площадь 38,58 км² Высота центра 397–980 м Часовой пояс UTC+1:00, летом UTC+2:00 Населе�...

 

澳大利亚反对党领袖列表

此條目中有过多未翻译的专业术语，可能需要翻译或解释。 (2013年3月17日)请在讨论页中发表对于本议题的看法，并帮助翻译或解释本条目的术语。 在澳洲國會, 反對黨領袖的座位於中央桌子的左邊，對面為總理座位 (相片中的右邊). 澳大利亚反对党领袖（英語：Australian Leader of the Opposition），是澳洲國會議員，由第一大在野黨的黨魁擔任[1]。在國會開會期間，反對黨領�...