Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW

Wielkość: px
Rozpocząć pokaz od strony:

Download "Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW"

Transkrypt

1 Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW

2 SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się zagadnieniami tworzenia i rozwoju właściwości maszyn sztucznych tak, aby właściwości te były podobne do najcenniejszej cechy człowieka inteligencji. Inteligencja to zdolność rozpoznawania obserwowanego wycinka rzeczywistości, jego rozumowania, określania właściwych celów oraz poszukiwania sposobów osiągnięcia tych celów.

3 Poddziedziny Sztucznej Inteligencji : systemy ekspertowe sieci neuronowe algorytmy genetyczne robotyka przetwarzanie języka naturalnego programy automatyki rozpoznawanie mowy, percepcji, wizja komputerowa rozwiązanie problemów metodami sterowania i przeszukiwania oprogramowanie i języki programowania

4 Dwa sposoby tworzenia modelu problemu 1. Budowa modelu poprzez opis za pomocą równań matematycznych, jeżeli znane są prawa rządzące zachowaniem zjawiska 2. Identyfikacja modelu, jeżeli prawa rządzące zjawiskiem nie są znane. Wtedy wystarczające są informacje o wejściu i wyjściu

5 Sztuczna Sieć Neuronowa (SN) jest systemem wzajemnie połączonych prostych elementów przetwarzających informacje, zwanych neuronami. Zasada działania SN polega na symulacji pracy komórek nerwowych mózgu człowieka.

6 Właściwości SN przetwarzanie równoległe, rozproszone szybkie i efektywne przetwarzanie dużych ilości danych zdolność przetwarzania niekompletnych danych możliwość wytwarzania rezultatów przybliżonych skojarzeniowy dostęp do informacji zawartej w sieci, tzw. pamięć skojarzeniowa informacja rozproszona (zawarta w połączeniach) duża tolerancja na błędy i uszkodzenia możliwość przetwarzania informacji rozmytych, chaotycznych, niekompletnych, a nawet sprzecznych

7 SN wytwarza się i wykorzystuje się w postaci: programowej oprogramowanie symulujące neurony i ich połączenia na konwencjonalnym komputerze sprzętowej realizacja SN w postaci fizycznie połączonych elementów półprzewodnikowych tworzących

8 Inspiracją do stworzenia SN była budowa mózgu ludzkiego

9 Model neuronu sztucznego w 1 x 1 x 2... w 2 w n Σ e ϕ y x n e n = w x i i i= 1 y = ϕ (e)

10 Funkcje przejścia (aktywacji) neuronu ϕ(e) tangens hiperboliczny logistyczna

11 Dwie fazy działania SN faza treningowa (uczenia się) faza reakcji na określony bodziec zewnętrzny (pracy)

12 Grupy algorytmów uczących nadzorowane (z nauczycielem) bez nadzoru (bez nauczyciela)

13 x 1 x 2 w i y Architektura perceptronu wielowarstwowego (MLP)

14 y 0 y 1 y n-1 y n... x 0 x 1 x n-1 x n Architektura sieci Hopfielda

15 warstwa wejściowa warstwa konkurencyjna x 1... x n Architektura sieci Kohonena

16 Przetwarzanie realizowane przez SN klasyfikacja, realizowana przez podział zbioru wejściowego na klasy lub kategorie skojarzenia każdego wejścia z kategorią rozpoznawanie, rozumiane jako klasyfikowanie wejścia, mimo że nie odpowiada ono żadnemu z przechowywanych wzorców predykcja, określenie przyszłych zachowań lub stanów systemu na podstawie ciągu wartości z przeszłości estymacja, realizacja następujących zadań: aproksymacja, interpolacja, filtrowanie optymalizacja, w tym rozwiązywanie liniowych i nieliniowych, równań sterowanie, realizowane inteligentnie bez konieczności opracowania modelu, oparte wyłącznie na doświadczeniu

17 Dobór parametrów SN. Problemy. Architektura wybór architektury liczba warstw liczba neuronów w każdej warstwie postaci funkcji przejścia Uczenie podział zbioru danych wielkość zbioru uczącego wartość współczynników uczenia początkowe wartości wag czas uczenia sieci

18 Wybór architektury SN Różnorodność architektur SN, liczebność ich modyfikacji, możliwość doboru dowolnej liczby warstw sieci oraz neuronów w każdej warstwie umożliwia zaprojektowanie sieci najbardziej odpowiedniej do rozwiązywanego problemu Jednokierunkowe (MLP) Rekurencyjne sygnał wyj. może być przekazywany na wejście sieci (sieć Hopfielda) Komórkowe tylko neuronów znajdujących się tylko w obrębie sąsiedztwa są połączone między sobą (sieć SOM Kohonena)

19 Liczba neuronów w warstwach SN Warstwy wejściowa i wyjściowa zawsze występują w architekturze SN Liczba neuronów w tych warstwach jest określona przez model problemu, który sieć rozwiązuje Liczba neuronów w warstwach ukrytych wpływa na leprze lub gorsze zdolności rozwiązywania określonego problemu

20 Liczba neuronów w warstwach ukrytych Zbytmała liczba neuronów ukrytych powoduje niezdolność sieci do zgromadzenia dostatecznej wiedzy o rozwiązywanym problemie Zaduża liczba neuronów jest z kolei przyczyną zbyt dokładnego zapamiętywania przez sieć danych treningowych, co powoduje kłopoty z uogólnieniem ich na przypadki nie objęte procesem uczenia. Problem ten rozwiązuje się zwykle eksperymentalnie

21 Postaci funkcji przejścia Obecnie jako funkcji przejścia neuronu najczęściej używa się funkcje logistyczną i tangens hiperboliczny

22 Podział zbioru danych Zbiór danych dzieli się na dwa podzbiory uczący i testowy Podzbiór uczący wykorzystywany jest do uczenia SN Podzbiór testowy do sprawdzenia dobroci nauczonej sieci Można przyjąć podział zbioru danych w proporcji: U90/T10

23 Wielkość zbioru uczącego Zbiór danych uczących powinien pokrywać skale rozwiązywanego problemu Liczba przypadków uczących powinna być co najmniej kilka razy większa niż liczba połączeń w SN Liczb połączeń: LP= (LNWe+1)*LNUk +(LNUk+1)*LNWy

24 Wartość współczynników uczenia Dobór odpowiedniej wartości współczynnika uczenia ma istotne znaczenie dla szybkości i jakości procesu uczenia Zbyt mała wartość tego współczynnika spowalnia proces uczenia sieci Zbyt duża zaś powoduje oscylację wokół optymalnego rozwiązania i uniemożliwia przyjęcie rozwiązania optymalnego co też powoduje spowolnienie uczenia Zwykle należy ona do przedziału od 0,5 do 0,9 i jest jednakowa dla wszystkich neuronów w sieci Wartość współczynnika uczenia dobiera się eksperymentalnie w fazie budowy modelu sieci. Wartość ta jest zmniejszana w miarę postępów uczenia się sieci

25 Początkowe wartości wag Dobór początkowych wartości wag znacząco wpływa na szybkość działania algorytmu uczenia SN Istotny jest przedział, z którego te wartości są wybierane Zwiększenie szerokości przedziału wpływa na ogół korzystnie na dynamikę uczenia Zwykle wartości początkowe wag nadawane są losowo

26 Czas uczenia sieci Czas uczenia sieci jest określony stopniem złożoności problemu jaki sieć ta ma rozwiązywać Sygnałem ku zakończeniu procesu uczenia jest moment, gdy sieć nauczy się rozpoznawać cały zbiór uczący i cały lub zdecydowaną większość zbioru testującego

27 Ocena dobroci nauczonej SN w programie Neuronix Błąd RMS Tolerancja (0, 1) określa dopuszczalny błąd na pojedynczym wyjściu sieci Ilość wzorców poza tolerancją Epoka uczenia

28 Poprawa dobroci SN W praktyce aby uzyskać dobrą zdolność uogólniania SN należy: 1) ograniczyć liczbę neuronów ukrytych 2) ograniczyć liczbę powiązań międzyneuronowych 3) stosować takie metody wstępnego przetworzenia danych, które umożliwiają zmniejszenie wymiarowości wektora wejściowego sieci

29 Jak sieć uczy się prognozować uczenie sieci Dane wej. i wyj. są znane WEJŚCIE zmienna wej. 1 zmienna wej. 2 zmienna wej. n SN (czarna skrzynka) WYJŚCIE zmienna wyj.

30 Jak sieć uczy się prognozować wykorzystanie sieci WEJŚCIE zmienna wej. 1 zmienna wej. 2 zmienna wej. n SN (czarna skrzynka) WYJŚCIE? prognozowana zmienna wyj.

31 SN stosuje się wtedy, gdy: nie dysponujemy całą wiedzą potrzebną do rozwiązania danego problemu a czas rozwiązania metodami znanymi (np. algorytmicznymi) jest zbyt długi; dane są nie tylko w postaci numerycznej ale też w postaci symbolicznej; informacja jest dostępna raczej w postaci heurystyk niż dobrze zdefiniowanych procedur algorytmicznych; wiedza o przedmiocie nie jest pełna a koszt pozyskania niezbędnych ekspertyz jest duży; wiedza jest niepewna.

32 Funkcje przejścia (aktywacji) neuronu Liniowa Progowa Logistyczna Hiperboliczna (tangens hiperboliczny) Wykładnicza Sinus Pierwiastek kwadratowy

33 1. Liniowa Architektury SN 2. Jednokierunkowa wielowarstwowa (MLP) 3. Sieć o radialnych funkcjach bazowych (RBF) 4. Realizująca regresję uogólnioną (GRNN) 5. Kohonena 6. Probabilistyczna

34 1. Sieci liniowe Składają się z dwóch warstw: liniowej wejściowej i liniowej wyjściowej. Nie posiadają warstw ukrytych Neurony warstwy wyjściowej posiadają liniową funkcję aktywacji Sieci liniowe są dogodnym narzędziem do opisu zależności o charakterze liniowym Do uczenia sieci stosuje się uczenie z nauczycielem

35 Architektura sieci liniowej - przykład X 1 X 2 y X 3

36 2. Sieci jednokierunkowe wielowarstwowe Składają się z kilku warstw: wejściowej, wyjściowej i jednej lub kilku warstw ukrytych Każdy neuron warstwy poprzedniej jest połączony z każdym neuronem warstwy następnej Funkcje przejścia poszczególnych warstw: -wejściowa funkcja liniowa - ukryte funkcja nieliniowa -wyjściowa funkcja liniowa lub nieliniowa Do uczenia sieci stosuje się uczenie z nauczycielem

37 Architektura sieci typu MLP - przykład x 1 x 2 w i y

38 Wybrane metody uczenia sieci jednokierunkowych Algorytm wstecznej propagacji błędu (ang. BP) Gradienty sprzężone Quasi-Newton Levenberg-Marquardt Szybka propagacja Delta-Bar-Delta inne

39 3. Sieć o radialnych funkcjach bazowych Składają się z trzech warstw: wejściowej, wyjściowej i jednej warstw ukrytej Funkcje przejścia neuronów w poszczególnych warstwach: -wejściowa funkcja liniowa - ukryta funkcja radialna -wyjściowa funkcja liniowa Warunkiem utworzenia przez sieci RBF skutecznego modelu jest zapewnienie dostatecznej liczby neuronów radialnych Neuron radialny jest zdefiniowany przez swoje centrum oraz parametr określony jako promień lub odchylenie. Centrum jest przechowywane jako wagi zaś promień jako wartość progowa Powierzchnia odpowiedzi pojedynczego neuronu ma charakter funkcji gaussowskiej z wierzchołkiem w centrum

40 Architektura sieci RBF - przykład t i RBF x 1 x 2 RBF w i y RBF

41 4. Sieci realizujące regresję uogólnioną Sieci GRNN (ang. General Regression Neural Networks) składają się z 4 warstw: liniowa, radialna, regresyjna i wyjściowa. Warstwa wejściowa zawiera neurony liniowe o liczbie równej liczbie zmiennych wejściowych Warstwa radialna zawiera neurony sposób działania których zbliżony jest do neuronów sieci RBF Warstwa regresyjna składa się neuronów typu A (o liczbie równej liczbie neuronów w warstwie wejściowej) i jednego neuronu typu B Warstwy wyjściowej, która służy do obliczenia ilorazu wartości obliczonych przez neurony typu A i B, w ten sposób szacowana jest wartość wyjściowa Sieci te posiadają niewielkie zdolności do ekstrapolacji

42 Architektura sieci GRNN - przykład RBF x 1 x 2 RBF y RBF warstwa radialna warstwa regresyjna

43 5. Sieć Kohonena Sieć Kohonena składa się z dwu warstw: wejściowej i wyjściowej Warstwa wejściowa służy do wprowadzenia danych do sieci Warstwa wyjściowa może składać się z dowolnej liczby neuronów uporządkowanych. Najczęściej spotyka się następujące uporządkowania: - liniowe neurony ułożone w jednym rzędzie - płaszczyznowe neurony tworzą prostokąt lub kwadrat Jest siecią typu zwycięzca bierze wszystko (ang. WTA) Każdy neuron warstwy wejściowej jest połączony z każdym neuronem warstwy wyjściowej Do uczenia stosuje się uczenie bez nauczyciela

44 Architektura sieci Kohonena warstwa wejściowa warstwa konkurencyjna x 1... x n

45 6. Sieci probabilistyczne Sieci probabilistyczne najczęściej składają się z 3 lub 4 warstw Funkcje przejścia neuronów w poszczególnych warstwach: -wejściowa funkcja liniowa - ukryta funkcja radialna -wyjściowa (klasyfikująca) funkcja Suma jednostkowa Liczba neuronów w warstwie radialnej jest najczęściej równa liczbie przypadków uczących Kolejne neurony w warstwie wyjściowej reprezentują wyróżnione klasy

46 Architektura sieci probabilistycznych warstwa wejściowa warstwa radialna RBF warstwa klasyfikacyjna x 1 x 2 RBF... RBF y y 1 2 RBF

47 Wybór właściwej architektury SN Modele regresyjne: - sieci liniowe - jednokierunkowe sieci wielowarstwowe (MLP) - sieci o radialnych funkcjach bazowych (RBF) - sieci realizujące regresję uogólnioną (GRNN) Modele klasyfikacji wzorcowej - jednokierunkowe sieci wielowarstwowe (MLP) - sieci o radialnych funkcjach bazowych (RBF) - sieci probabilistycznych Modele klasyfikacji bezwzorcowej - sieci Kohonena

48 Rozwiązywanie problemów za pomocą SN 1. Zdefiniowanie problemu do rozwiązania 2. Zapoznanie się z literaturą na temat problemu 3. Określenie modelu problemu: czynniki, dane opisujące czynniki, zmienna wejściowa, zmienna wyjściowa 4. Określenie rodzaju przetwarzania, który będzie realizowała SN 5. Pozyskanie i przygotowanie danych dla SN 6. Wybór sposobu postępowania przy uczeniu SN: dodawanie lub odejmowanie zmiennych 7. Dobór parametrów SN 8. Uczenie SN 9. Ocena dobroci nauczonej SN 10. Wykorzystanie SN

49 Przykład zastosowania SN - zadanie Należy zrealizować narzędzie służące do rozpoznawania 3 grup obiektów na podstawie ich opisów Wybrano SN jako narządzie do identyfikacji modelu klasyfikacji Na podstawie rozeznania wiadomo, że rozpatrywany problem uwarunkowany jest 5 czynnikami. Cztery spośród tych czynników są opisane jedną wartością danej a jeden z czynników trzema wartościami. 1) Jakie przetwarzanie będzie realizowała SN 2) Zaproponuj wstępne parametry SN

50 Przykład zastosowania SN - rozwiązanie SN będzie realizowała klasyfikacje wzorcową Jest jedna zmienna wyjściowa, która może przybierać 3 wartości Wszystkich zmiennych wejściowych jest 7 Klasyfikację wzorcową realizują trzy architektury SN. Wybrana zastała architektura MLP Złożoność problemu nie jest wielka, wiec zakłada się, że wystarczy jedna warstwa ukryta. Liczba neuronów w warstwach: -wejściowa: 7 - ukryta: 4 -wyjściowa: 1

51 Przykład zastosowania SN - rozwiązanie Wartość współczynnika uczenia przyjmujemy z zakresu 0,5-0,9 Na podstawie zaproponowanej architektury obliczamy liczbę połączeń w sieci: LP = (LNWe+1)*LNUk +(LNUk+1)*LNWy LP = (7+1)*4+(4+1)*1 = 37 Szacunkowa minimalna wielkość zbioru uczącego wynosi więc około przypadków uczących Przyjmujemy następujący podział zbioru danych: podzbiór uczący 85 %, podzbiór testowy 15%

52 Przykłady wykorzystania SN Prognoza zapotrzebowania na energie elektryczną Określenie profilu klienta Monitorowanie stanu urządzeń Generowanie mowy na podstawie tekstu pisanego (Nettalk) Sterowanie procesami Analiza języka mówionego

53 Wybrane narzędzia do tworzenia SN Najczęściej stosuje się symulatory SN narzędzia programistyczne służące do symulacji pracy sztucznej sieci neuronowej Neuronix (AITECH) Statistica Neural Network (StatSoft Inc.) BrainMaker (California Scientific Software) NeuroSolution (NeuroDimension Inc.) SPSS Neural Connection (SPSS Inc.) Stuttgart Neural Network Simulator www-ra.informatik.uni-tuebingen.de/snns

54 Literatura Mulawka J., 1996: Systemy ekspertowe. WNT. Warszawa Tadeusiewicz R. 1998: Elementarne wprowadzenie do sieci neuronowych z przykładami. Akademicka Oficyna wydawnicza PLJ. Warszawa Tadeusiewicz R. 1993: Sieci neuronowe. Akademicka Oficyna wydawnicza PLJ. Warszawa Korbicz J., Obuchowicz A., Usiński D. Sztuczne sieci neuronowe podstawy i zastosowanie. Akademicka Oficyna wydawnicza PLJ. Warszawa Zieliński J., 2000: Inteligentne systemy w zarządzaniu. Teoria i praktyka. WNT. Warszawa Refenes A. (red.), 1995: Neural Networks in the Capital Markets. John Wiley and Sons. Chichester Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (red.). 2000: Sieci neuronowe. Akademicka oficyna wydawnicza Exit. Warszawa

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia

Bardziej szczegółowo

SIECI RBF (RADIAL BASIS FUNCTIONS)

SIECI RBF (RADIAL BASIS FUNCTIONS) SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi

Bardziej szczegółowo

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA MODUŁU KSZTAŁCENIA KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia

Bardziej szczegółowo

Metody sztucznej inteligencji

Metody sztucznej inteligencji Metody sztucznej inteligencji sztuczne sieci neuronowe - wstęp dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz Metody sztucznej

Bardziej szczegółowo

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu

Bardziej szczegółowo

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski Sieci neuronowe - wprowadzenie - Istota inteligencji WYKŁAD Piotr Ciskowski na dobry początek: www.mql4.com - championship 2007 - winners of the ATC 2007 - the ATC 2007 is over forex-pamm.com na dobry

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt

Bardziej szczegółowo

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Adam Stawowy Paweł Jastrzębski Wydział Zarządzania AGH Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Jedną z najczęściej podejmowanych decyzji w działalności

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

Praktyczne informacje o sieciach neuronowych. Elżbieta Dłubis. Państwowa Wyższa Szkoła Zawodowa w Chełmie

Praktyczne informacje o sieciach neuronowych. Elżbieta Dłubis. Państwowa Wyższa Szkoła Zawodowa w Chełmie Praktyczne informacje o sieciach neuronowych Elżbieta Dłubis Państwowa Wyższa Szkoła Zawodowa w Chełmie Wiedza o sieciach neuronowych zaczęła się od fascynacji mózgiem narządem (..), którego możliwości

Bardziej szczegółowo

2.2.P.07: Komputerowe narzędzia inżynierii powierzchni

2.2.P.07: Komputerowe narzędzia inżynierii powierzchni 2nd Workshop on Foresight of surface properties formation leading technologies of engineering materials and biomaterials in Białka Tatrzańska, Poland 29th-30th November 2009 2 Panel nt. Produkt oraz materiał

Bardziej szczegółowo

Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie. Joanna Palczewska. 1. Wprowadzenie

Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie. Joanna Palczewska. 1. Wprowadzenie Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie 2007 Studium Doktoranckie Wydzia u Zarzàdzania Mo liwoêci zastosowania modelu jednokierunkowej sieci neuronowej do prognozowania sygna ów kupna i

Bardziej szczegółowo

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega

Bardziej szczegółowo

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74 3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15

Bardziej szczegółowo

ALGORYTM RANDOM FOREST

ALGORYTM RANDOM FOREST SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM

Bardziej szczegółowo

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex. Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów

Bardziej szczegółowo

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne

Bardziej szczegółowo

WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej.

WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej. WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej. Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. D. Rutkowska, M. Piliński i L.

Bardziej szczegółowo

ANALIZA PROCESÓW TRIBOLOGICZNYCH Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH

ANALIZA PROCESÓW TRIBOLOGICZNYCH Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH Dr hab. inż. Henryk CZARNECKI, prof. PCz Instytut Marketingu Politechnika Częstochowska DOI: 10.17814/mechanik.2015.7.223 ANALIZA PROCESÓW TRIBOLOGICZNYCH Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH

Bardziej szczegółowo

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału

Bardziej szczegółowo

MODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING 767-300ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH

MODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING 767-300ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH P R A C E N A U K O W E P O L I T E C H N I K I W A R S Z A W S K I E J z. 102 Transport 2014 Aleksandra Stycunów, Jerzy Manerowski Politechnika Warszawska, Wydzia Transportu MODELOWANIE FAZ ZNI ANIA I

Bardziej szczegółowo

Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym

Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?

Bardziej szczegółowo

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica. Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural

Bardziej szczegółowo

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych Sztuczne sieci neuronowe i algorytmy genetyczne Artykuł pobrano ze strony eioba.pl SPIS TREŚCI 1. ARCHITEKTURY, ALGORYTMY UCZENIA I PROJEKTOWANIE SIECI NEURONOWYCH 1.1. HISTORIA ROZWOJU SZTUCZNYCH SIECI

Bardziej szczegółowo

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót

Bardziej szczegółowo

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu Podstawy baz danych PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych

Bardziej szczegółowo

Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT

Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT Julia Siderska Politechnika Białostocka, Wydział Zarządzania, e-mail: j.siderska@pb.edu.pl Streszczenie

Bardziej szczegółowo

TYPY SZTUCZNYCH SIECI NEURONOWYCH U YWANYCH JAKO NARZ DZIE PROGNOZY W PROCESACH ZARZ DZANIA

TYPY SZTUCZNYCH SIECI NEURONOWYCH U YWANYCH JAKO NARZ DZIE PROGNOZY W PROCESACH ZARZ DZANIA TYPY SZTUCZNYCH SIECI NEURONOWYCH U YWANYCH JAKO NARZ DZIE PROGNOZY W PROCESACH ZARZ DZANIA MATEUSZ DUDZIC Uniwersytet Szczeci ski Streszczenie Celem tego artykułu jest przedstawienie architektur sztucznych

Bardziej szczegółowo

SI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu

SI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu SI w procesach przepływu i porządkowania informacji Paweł Buchwald Wyższa Szkoła Biznesu Początki SI John MC Carthy prekursor SI Alan Thuring pomysłodawca testu na określenie inteligencji maszyn Powolny

Bardziej szczegółowo

Technologia informacyjna Sztuczna Inteligencja Janusz Uriasz

Technologia informacyjna Sztuczna Inteligencja Janusz Uriasz Technologia informacyjna Sztuczna Inteligencja Janusz Uriasz 4. Sztuczna inteligencja Sztuczna inteligencja (SI) - dziedzina informatyki związana z koncepcjami i metodami wnioskowania symbolicznego, wykonywanego

Bardziej szczegółowo

Sieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka

Sieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka Sieci neuronowe i ich ciekawe zastosowania Autor: Wojciech Jamrozy III rok SMP / Informatyka Klasyczna algorytmika Sortowanie ciągu liczb Czy i ile razy dane słowo wystąpiło w tekście Najkrótsza droga

Bardziej szczegółowo

ECTS (Część 2. Metody numeryczne) Nazwa w języku angielskim: Algorithms and data structures.

ECTS (Część 2. Metody numeryczne) Nazwa w języku angielskim: Algorithms and data structures. Algorytmy i struktury danych. Metody numeryczne ECTS (Część 2. Metody numeryczne) Nazwa w języku angielskim: Algorithms and data structures. dzienne magisterskie Numerical methods. (Part 2. Numerical methods)

Bardziej szczegółowo

SIECI NEURONOWE Wprowadzenie

SIECI NEURONOWE Wprowadzenie SIECI NEURONOWE Wprowadzenie JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA WYKŁADOWCA JOANNA GRABSKA CHRZĄSTOWSKA KATEDRA

Bardziej szczegółowo

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe)

Bardziej szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty

Bardziej szczegółowo

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,

Bardziej szczegółowo

Sztuczne siei neuronowe - wprowadzenie

Sztuczne siei neuronowe - wprowadzenie Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 2 Sztuczne siei neuronowe - wprowadzenie Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika Poznańska Poznań, 2 Wstęp

Bardziej szczegółowo

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu. SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu

Bardziej szczegółowo

Testowanie modeli predykcyjnych

Testowanie modeli predykcyjnych Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności

Bardziej szczegółowo

Z-ZIP2-303z Zagadnienia optymalizacji Problems of optimization

Z-ZIP2-303z Zagadnienia optymalizacji Problems of optimization KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 0/03 Z-ZIP-303z Zagadnienia optymalizacji Problems of optimization A. USYTUOWANIE

Bardziej szczegółowo

Metody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów

Metody klasyfikacji i rozpoznawania wzorców.  Najważniejsze rodzaje klasyfikatorów Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej

Bardziej szczegółowo

Efekty kształcenia na kierunku AiR drugiego stopnia - Wiedza Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej

Efekty kształcenia na kierunku AiR drugiego stopnia - Wiedza Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej Efekty na kierunku AiR drugiego stopnia - Wiedza K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W12 K_W13 K_W14 Ma rozszerzoną wiedzę dotyczącą dynamicznych modeli dyskretnych stosowanych

Bardziej szczegółowo

WSTĘP DO INFORMATYKI SIECI NEURONOWE I SZTUCZNA INTELIGENCJA wykład

WSTĘP DO INFORMATYKI SIECI NEURONOWE I SZTUCZNA INTELIGENCJA wykład WSTĘP DO INFORMATYKI SIECI NEURONOWE I SZTUCZNA INTELIGENCJA wykład Adrian Horzyk Web: http://home.agh.edu.pl/~horzyk/ E-mail: horzyk@agh.edu.pl Google: Adrian Horzyk, Gabinet: paw. C3p. 205 Akademia Górniczo-Hutniacza

Bardziej szczegółowo

This copy is for personal use only - distribution prohibited.

This copy is for personal use only - distribution prohibited. ZESZYTY NAUKOWE WSOWL Nr 2 (160) 2011 ISSN 1731-8157 Dariusz SKORUPKA Artur DUCHACZEK Zbigniew KAMYK ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OKREŚLENIA KLASY OBCIĄŻENIA POJAZDU W artykule podjęto

Bardziej szczegółowo

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Patryk DUŃSKI Wydział Informatyki, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie E mail: pdunski@wi.zut.edu.pl Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Streszczenie:

Bardziej szczegółowo

Dostawa oprogramowania. Nr sprawy: ZP /15

Dostawa oprogramowania. Nr sprawy: ZP /15 ........ (pieczątka adresowa Oferenta) Zamawiający: Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu, ul. Staszica,33-300 Nowy Sącz. Strona: z 5 Arkusz kalkulacyjny określający minimalne parametry techniczne

Bardziej szczegółowo

Zagadnienia na egzamin dyplomowy. Studia jednolite magisterskie WFMiI rok akad. 2010/11

Zagadnienia na egzamin dyplomowy. Studia jednolite magisterskie WFMiI rok akad. 2010/11 Zagadnienia na egzamin dyplomowy Studia jednolite magisterskie WFMiI rok akad. 2010/11 Lp PRZEDMIOT PYTANIE 1 2 3 4 Jakie jest główne zastosowanie mechanizmu Samba? Proszę omówić możliwości ochrony serwerów

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

PORÓWNANIE PODEJŚCIA APROKSYMUJĄCEGO I KLASYFIKUJĄCEGO W PROGNOZOWANIU KURSÓW WYBRANYCH AKCJI NA GPW W WARSZAWIE S.A

PORÓWNANIE PODEJŚCIA APROKSYMUJĄCEGO I KLASYFIKUJĄCEGO W PROGNOZOWANIU KURSÓW WYBRANYCH AKCJI NA GPW W WARSZAWIE S.A Anna Kasznia Uniwersytet Ekonomiczny w Katowicach PORÓWNANIE PODEJŚCIA APROKSYMUJĄCEGO I KLASYFIKUJĄCEGO W PROGNOZOWANIU KURSÓW WYBRANYCH AKCJI NA GPW W WARSZAWIE S.A. Z UŻYCIEM JEDNOKIERUNKOWYCH SIECI

Bardziej szczegółowo

PRZEGLĄD DOSTĘPNYCH APLIKACJI KOMERCYJNYCH WSPOMAGAJĄCYCH ZARZĄDZANIE RYZYKIEM PORTFELA. Karol Sot, Rafał Pajączek

PRZEGLĄD DOSTĘPNYCH APLIKACJI KOMERCYJNYCH WSPOMAGAJĄCYCH ZARZĄDZANIE RYZYKIEM PORTFELA. Karol Sot, Rafał Pajączek PRZEGLĄD DOSTĘPNYCH APLIKACJI KOMERCYJNYCH WSPOMAGAJĄCYCH ZARZĄDZANIE RYZYKIEM PORTFELA Karol Sot, Rafał Pajączek Wyższa Szkoła Finansów i Bankowości w Radomiu Abstract: It the article the representing

Bardziej szczegółowo

Narzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)

Narzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji

Bardziej szczegółowo

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 1 2 SZTUCZNE SIECI NEURONOWE HISTORIA SSN 3 Walter Pitts, Warren McCulloch (1943) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich

Bardziej szczegółowo

SZTUCZNE SIECI NEURONOWE

SZTUCZNE SIECI NEURONOWE METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 SZTUCZNE SIECI NEURONOWE HISTORIA SSN Walter Pitts, Warren McCulloch (94) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich wynalazek

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,

Bardziej szczegółowo

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania 2/32 Cel analizy Celem fazy określania wymagań jest udzielenie odpowiedzi na pytanie:

Bardziej szczegółowo

Jakość uczenia i generalizacja

Jakość uczenia i generalizacja Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które

Bardziej szczegółowo

Tadeusz A. Grzeszczyk

Tadeusz A. Grzeszczyk ZINTEGROWANA METODA PROGNOZOWANIA W ZARZĄDZANIU PRZEDSIĘBIORSTWEM Tadeusz A. Grzeszczyk Instytut Organizacji Systemów Produkcyjnych, Politechnika Warszawska, Warszawa 1 WPROWADZENIE I SFORMUŁOWANIE PROBLEMU

Bardziej szczegółowo

Kierunek Informatyka stosowana Studia stacjonarne Studia pierwszego stopnia

Kierunek Informatyka stosowana Studia stacjonarne Studia pierwszego stopnia Studia pierwszego stopnia I rok Matematyka dyskretna 30 30 Egzamin 5 Analiza matematyczna 30 30 Egzamin 5 Algebra liniowa 30 30 Egzamin 5 Statystyka i rachunek prawdopodobieństwa 30 30 Egzamin 5 Opracowywanie

Bardziej szczegółowo

Redakcja: Urszula Markowska-Kaczmar Halina Kwaśnicka SIECI NEURONOWE W ZASTOSOWANIACH. Praca zbiorowa

Redakcja: Urszula Markowska-Kaczmar Halina Kwaśnicka SIECI NEURONOWE W ZASTOSOWANIACH. Praca zbiorowa Redakcja: Urszula Markowska-Kaczmar Halina Kwaśnicka SIECI NEURONOWE W ZASTOSOWANIACH Praca zbiorowa Oficyna Wydawnicza Politechniki Wrocławskiej Wrocław 2005 3 Przedmowa 7 1 Sztuczne sieci neuronowe wprowadzenie

Bardziej szczegółowo

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII Scientific Bulletin of Che lm Section of Mathematics and Computer Science No. 1/2008 ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII WACŁAW FRYDRYCHOWICZ, KATARZYNA

Bardziej szczegółowo

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

Efekty kształcenia dla kierunku studiów INFORMATYKA, Absolwent studiów I stopnia kierunku Informatyka WIEDZA

Efekty kształcenia dla kierunku studiów INFORMATYKA, Absolwent studiów I stopnia kierunku Informatyka WIEDZA Symbol Efekty kształcenia dla kierunku studiów INFORMATYKA, specjalność: 1) Sieciowe systemy informatyczne. 2) Bazy danych Absolwent studiów I stopnia kierunku Informatyka WIEDZA Ma wiedzę z matematyki

Bardziej szczegółowo

Wymagania edukacyjne z matematyki w klasie III gimnazjum

Wymagania edukacyjne z matematyki w klasie III gimnazjum Wymagania edukacyjne z matematyki w klasie III gimnazjum - nie potrafi konstrukcyjnie podzielić odcinka - nie potrafi konstruować figur jednokładnych - nie zna pojęcia skali - nie rozpoznaje figur jednokładnych

Bardziej szczegółowo

Definicje. Najprostszy schemat blokowy. Schemat dokładniejszy

Definicje. Najprostszy schemat blokowy. Schemat dokładniejszy Definicje owanie i symulacja owanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano model, do

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH I ANALIZY DYSKRYMINACYJNEJ DO USTALANIA POLITYKI CENOWEJ W REDNIM PRZEDSI BIORSTWIE

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH I ANALIZY DYSKRYMINACYJNEJ DO USTALANIA POLITYKI CENOWEJ W REDNIM PRZEDSI BIORSTWIE Marcin RELICH Pawe KU DOWICZ Uniwersytet Zielonogórski ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH I ANALIZY DYSKRYMINACYJNEJ DO USTALANIA POLITYKI CENOWEJ W REDNIM PRZEDSI BIORSTWIE 1. Wst p Obecnie obserwowany

Bardziej szczegółowo

K.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz

K.Pieńkosz Badania Operacyjne Wprowadzenie 1. Badania Operacyjne. dr inż. Krzysztof Pieńkosz K.Pieńkosz Wprowadzenie 1 dr inż. Krzysztof Pieńkosz Instytut Automatyki i Informatyki Stosowanej Politechniki Warszawskiej pok. 560 A tel.: 234-78-64 e-mail: K.Pienkosz@ia.pw.edu.pl K.Pieńkosz Wprowadzenie

Bardziej szczegółowo

1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami

1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami EFEKTY KSZTAŁCENIA 1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami Kierunkowy efekt kształcenia - symbol K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 Kierunkowy efekt

Bardziej szczegółowo

Wstęp do teorii sztucznej inteligencji

Wstęp do teorii sztucznej inteligencji Wstęp do teorii sztucznej inteligencji Wykład V Algorytmy uczenia SSN Modele sieci neuronowych. SSN = Architektura + Algorytm Wagi i wejścia dla sieci neuronuowej: reprezentacja macierzowa δ i = z i y

Bardziej szczegółowo

Teoria treningu. Projektowanie. systemów treningowych. jako ciąg zadań optymalizacyjnych. Jan Kosendiak. Istota projektowania. systemów treningowych

Teoria treningu. Projektowanie. systemów treningowych. jako ciąg zadań optymalizacyjnych. Jan Kosendiak. Istota projektowania. systemów treningowych Teoria treningu 77 Projektowanie procesu treningowego jest jednym z podstawowych zadań trenera, a umiejętność ta należy do podstawowych wyznaczników jego wykształcenia. Projektowanie systemów treningowych

Bardziej szczegółowo

Roman Mocek Zabrze 01.09.2007 Opracowanie zbiorcze ze źródeł Scholaris i CKE

Roman Mocek Zabrze 01.09.2007 Opracowanie zbiorcze ze źródeł Scholaris i CKE Różnice między podstawą programową z przedmiotu Technologia informacyjna", a standardami wymagań będącymi podstawą przeprowadzania egzaminu maturalnego z przedmiotu Informatyka" I.WIADOMOŚCI I ROZUMIENIE

Bardziej szczegółowo

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology

Bardziej szczegółowo

w najprostszych przypadkach, np. dla trójkątów równobocznych

w najprostszych przypadkach, np. dla trójkątów równobocznych MATEMATYKA - klasa 3 gimnazjum kryteria ocen według treści nauczania (Przyjmuje się, że jednym z warunków koniecznych uzyskania danej oceny jest spełnienie wszystkich wymagań na oceny niższe.) Dział programu

Bardziej szczegółowo

Zastosowanie analizy dyskryminacyjnej i sieci neuronowych do oceny możliwości sprzedaży nieruchomości mieszkaniowych

Zastosowanie analizy dyskryminacyjnej i sieci neuronowych do oceny możliwości sprzedaży nieruchomości mieszkaniowych 295 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 2(34)/2013 Politechnika Opolska Zastosowanie analizy dyskryminacyjnej i sieci neuronowych do oceny możliwości sprzedaży nieruchomości mieszkaniowych

Bardziej szczegółowo

Algorytm. Krótka historia algorytmów

Algorytm. Krótka historia algorytmów Algorytm znaczenie cybernetyczne Jest to dokładny przepis wykonania w określonym porządku skończonej liczby operacji, pozwalający na rozwiązanie zbliżonych do siebie klas problemów. znaczenie matematyczne

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W ANALIZIE SYGNAŁÓW ELEKTROKARDIOGRAFICZNYCH

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W ANALIZIE SYGNAŁÓW ELEKTROKARDIOGRAFICZNYCH ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W ANALIZIE SYGNAŁÓW ELEKTROKARDIOGRAFICZNYCH USING ARTIFICIAL NEURAL NETWORKS FOR ANALYSIS OF ELECTROCARDIOGRAPHIC SIGNALS Monika Litwińska * Politechnika Gdańska,

Bardziej szczegółowo

Katedra Systemów Decyzyjnych. Kierownik: prof. dr hab. inż. Zdzisław Kowalczuk ksd@eti.pg.gda.pl

Katedra Systemów Decyzyjnych. Kierownik: prof. dr hab. inż. Zdzisław Kowalczuk ksd@eti.pg.gda.pl Katedra Systemów Decyzyjnych Kierownik: prof. dr hab. inż. Zdzisław Kowalczuk ksd@eti.pg.gda.pl 2010 Kadra KSD profesor zwyczajny 6 adiunktów, w tym 1 z habilitacją 4 asystentów 7 doktorantów Wydział Elektroniki,

Bardziej szczegółowo

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1.

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1. Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki Mateusz Błażej Nr albumu: 130366 Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od

Bardziej szczegółowo

KRYTERIA OCENY Z MATEMATYKI W KLASIE I GIMNAZJUM

KRYTERIA OCENY Z MATEMATYKI W KLASIE I GIMNAZJUM KRYTERIA OCENY Z MATEMATYKI W KLASIE I GIMNAZJUM Na stopień dostateczny uczeń powinien umieć: Arytmetyka - zamieniać procent/promil na liczbę i odwrotnie, - zamieniać procent na promil i odwrotnie, - obliczać

Bardziej szczegółowo

Grupy pytań na egzamin inżynierski na kierunku Informatyka

Grupy pytań na egzamin inżynierski na kierunku Informatyka Grupy pytań na egzamin inżynierski na kierunku Informatyka Dla studentów studiów dziennych Należy wybrać dwie grupy pytań. Na egzaminie zadane zostaną 3 pytania, każde z innego przedmiotu, pochodzącego

Bardziej szczegółowo

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital

Bardziej szczegółowo

Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści

Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy

Bardziej szczegółowo

METODY INTELIGENCJI OBLICZENIOWEJ. ZASTOSOWANIE SIECI NEURONOWYCH W PROGNOZOWANIU

METODY INTELIGENCJI OBLICZENIOWEJ. ZASTOSOWANIE SIECI NEURONOWYCH W PROGNOZOWANIU FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 2007, Oeconomica 258 (49), 107 122 Henryk MARJAK METODY INTELIGENCJI OBLICZENIOWEJ. ZASTOSOWANIE SIECI NEURONOWYCH W PROGNOZOWANIU

Bardziej szczegółowo

WYKORZYSTANIE DO PROGNOZOWANIA WIG

WYKORZYSTANIE DO PROGNOZOWANIA WIG SIECI NEURONOWE WYKORZYSTANIE DO PROGNOZOWANIA WIG Dr Kamila Migdał Najman Dr Krzysztof Najman Katedra Statystyku Wydział Zarządzania Uniwersytet Gdański K.Najman@panda.bg.univ.gda.pl kmn@panda.bg.univ.gda.pl

Bardziej szczegółowo

Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego

Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba

Bardziej szczegółowo

Pattern Classification

Pattern Classification Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors

Bardziej szczegółowo

Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu

Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu Załącznik nr 1 do Uchwały nr 9/12 Rady Instytutu Inżynierii Technicznej PWSTE w Jarosławiu z dnia 30 marca 2012r Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu EFEKTY KSZTAŁCENIA DLA KIERUNKU

Bardziej szczegółowo

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w

Bardziej szczegółowo

Rozpoznawanie twarzy za pomocą sieci neuronowych

Rozpoznawanie twarzy za pomocą sieci neuronowych Rozpoznawanie twarzy za pomocą sieci neuronowych Michał Bereta http://torus.uck.pk.edu.pl/~beretam Praktyczna przydatność Bardzo szerokie praktyczne zastosowanie Ochrona Systemy bezpieczeństwa (np. lotniska)

Bardziej szczegółowo

Plan prezentacji W P R O W A D Z E N I E. II FILAR WYTWARZANIA - Generacja Rozproszona (OZE/URE) wybrane kryteria klasyfikacji

Plan prezentacji W P R O W A D Z E N I E. II FILAR WYTWARZANIA - Generacja Rozproszona (OZE/URE) wybrane kryteria klasyfikacji Plan prezentacji 2 W P R O W A D Z E N I E 1. II FILAR WYTWARZANIA - Generacja Rozproszona (OZE/URE) wybrane kryteria klasyfikacji 2. Poziomy wirtualizacji generacji rozproszonej 3. Struktura i funkcjonalność

Bardziej szczegółowo

Nowoczesne techniki informatyczne Program: 1. Sztuczna inteligencja. a) definicja; b) podział: Systemy ekspertowe Algorytmy ewolucyjne Logika rozmyta Sztuczne sieci neuronowe c) historia; 2. Systemy eksperckie

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Jednostki obliczeniowe w zastosowaniach mechatronicznych Kierunek: Mechatronika Rodzaj przedmiotu: dla specjalności Systemy Sterowania Rodzaj zajęć: Wykład, laboratorium Computational

Bardziej szczegółowo

Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu***

Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu*** AUTOMATYKA 2009 Tom 13 Zeszyt 3 Joanna Grabska-Chrz¹stowska*, Wojciech Lazar** Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu***

Bardziej szczegółowo

NEURONOWA ANALIZA ZDJĘĆ ULTRASONOGRA- FICZNYCH W PROCESIE IDENTYFIKACJI POZIOMU ZAWARTOŚCI TŁUSZCZU BADANIA WSTĘPNE

NEURONOWA ANALIZA ZDJĘĆ ULTRASONOGRA- FICZNYCH W PROCESIE IDENTYFIKACJI POZIOMU ZAWARTOŚCI TŁUSZCZU BADANIA WSTĘPNE Inżynieria Rolnicza 6(104)/2008 NEURONOWA ANALIZA ZDJĘĆ ULTRASONOGRA- FICZNYCH W PROCESIE IDENTYFIKACJI POZIOMU ZAWARTOŚCI TŁUSZCZU BADANIA WSTĘPNE Andrzej Przybylak, Piotr Boniecki, Radosław J. Kozłowski

Bardziej szczegółowo

T2A_W01 T2A_W01 T2A_W02 3 SI_W03 Posiada szeroką wiedzę w zakresie teorii grafów T2A_W01

T2A_W01 T2A_W01 T2A_W02 3 SI_W03 Posiada szeroką wiedzę w zakresie teorii grafów T2A_W01 Efekty dla studiów drugiego stopnia profil ogólnoakademicki, na kierunku Informatyka w języku polskim, na specjalnościach Metody sztucznej inteligencji oraz Projektowanie systemów CAD/CAM, na Wydziale

Bardziej szczegółowo