SZTUCZNA INTELIGENCJA
|
|
- Lech Domagała
- 5 lat temu
- Przeglądów:
Transkrypt
1 SZTUCZNA INTELIGENCJA MODELE OBLICZENIOWE, BIOCYBERNETYKA I KOGNITYWISTYKA Adrian Horzyk
2 MODELE OBLICZENIOWE Zasadniczym pytaniem w informatyce jest kwestia sposobu przetwarzania danych, czyli określenia, w jaki sposób operować na symbolach i liczbach.
3 OGRANICZENIA WSPÓŁCZESNYCH OBLICZEŃ BAZUJĄCYCH NA MASZYNIE TURINGA Współczesna informatyka opiera się na deterministycznym modelu obliczeniowym, tzw. Maszynie Turinga (MT), który formalnie zdefiniowany jest jako krotka: MT = < Q, Σ, δ, Γ, q 0, B, F > gdzie: Q skończony zbiór stanów, q 0 stan początkowy, q 0 Q F zbiór stanów końcowych Γ skończony zbiór dopuszczalnych symboli B symbol pusty, B Γ Σ zbiór symboli wejściowych, taki że: B Σ Γ δ: Γ x Q Q x Γ x {L,P,-} funkcja opisująca przejście od stanu q 1 Q pod wpływem symbolu wejściowego ze zbioru Γ w kolejny stan ze zbioru q 2 Q zwracający symbol ze zbioru Γ oraz przesunięcie głowicy w lewo (L), prawo (P) lub nie dokonując bez przesunięcia (-). Model MT skupia się na przetwarzaniu skończonego zbioru symboli, operuje na językach i gramatykach formalnych oraz jest podstawą działania współczesnych komputerów. Maszyna ta ma jednak istotne ograniczenia, np. w stosunku do architektury i sposobu działania ludzkiego umysłu mózgu oraz biologicznych sieci neuronowych, które z natury są w stanie przetwarzać różne dane, mimo iż nie są maszynami Turinga!
4 PORÓWNANIE MODELI OBLICZENIOWYCH MASZYNA TURINGA Nie zmienia stanów pod wpływem upływu czasu. Nie zmienia sposobu swojego działania, symboli, danych ani funkcji przejścia pod wpływem upływu czasu ani przetwarzanych danych. Nie formuje wiedzę o danych, lecz tylko może je zapamiętać oraz przetwarzać, a sposób ich przetwarzania jest zasadniczo liniowy, również w wersji zrównoleglonej. Przetwarza dane deterministycznie według określonych algorytmów Oddziela dane od algorytmów, gdzie dane mogą zostać zmodyfikowane tylko na skutek działania algorytmów, które muszą zostać zewnętrznie zdefiniowane oraz podane Maszynie Turinga. Większość czasu pracy procesora (zwykle od 60% do 99%) tracą na wyszukiwanie danych i relacji pomiędzy nimi oraz przenoszenie danych pomiędzy pamięcią i rejestrami procesora! Model więc zorientowany jest bardziej na dane niż na relacje pomiędzy danymi. Ma wiele ograniczeń związanych ze złożonością obliczeniową (np. problemy NP-Trudne) na skutek konieczności przeszukiwania danych. MODEL ASOCJACYJNY Automatycznie zmienia swoje stany pod wpływem upływu czasu, może np. zerować słabe dane. Automatycznie zmienia sposób swojego działania pod wpływem formującej się wiedzy i na skutek przetwarzanych danych. Automatycznie formuje wiedzę o danych w postaci skojarzeń (asocjacji), które dynamicznie zmieniają związki (relacje) pomiędzy danymi. Potrafi zmieniać sposób swojego działania na skutek procesów refrakcji ( odpoczywania ) i zmęczenia neuronów, co automatycznie wprowadza w życie alternatywy. Dane formują algorytmy ich kojarzenia a następnie przetwarzania w przyszłości, więc powstają samoistnie na skutek działania tego modelu. Dane pozostające ze sobą w pewnej relacji są ze sobą skojarzone, a ich reprezentacje neuronalne kontekstowo powiązane, dzięki czemu zwykle bardzo upraszczany jest proces szukania, osiągając często stałą złożoność obliczeniową, więc mózg może zająć się przetwarzaniem danych. Dane są częścią mechanizmów ich przetwarzania.
5 PORÓWNANIE MODELI OBLICZENIOWYCH MASZYNA TURINGA Zaniedbuje relacje pomiędzy danymi, nawet w relacyjnych bazach danych: Musi sortować, żeby wyszukiwać efektywniej, lecz tabele są toporne! MODEL ASOCJACYJNY Agregacja danych i ich podobieństwa oraz utrwalanie i wartościowanie relacji pomiędzy danymi są podstawą asocjacji, formowania wiedzy i inteligentnego kontekstowego ich przetwarzania. Wszystko się samo sortuje dzięki podobieństwu i w takiej postaci jest przechowywane, więc nie wymaga sortowania, indeksowania i wyszukiwania
6 BIOCYBERNETYKA Biocybernetyka to dział cybernetyki zajmujący się badaniem procesów sterowania w układach biologicznych oraz sprzężeń pomiędzy tymi procesami a środowiskiem. Określenie biocybernetyka wywodzi się od słów bio (z greckiego: życie) i cybernetyka (z greckiego: kybernetes "sternik; zarządca" lub od kybernán "sterować; kontrolować"). Prof. dr hab. Inż. Ryszard Tadeusiewicz Biocybernetyk o Biocybernetyce: Biocybernetyka stanowi swoisty most pomiędzy dziedzinami biologii (oraz medycyny) i techniki. O tym, że dziedziny te powinny ze sobą kooperować nikogo dziś specjalnie przekonywać nie trzeba. Biologia i medycyna mogą pozyskać od techniki nowe narzędzia diagnostyczne i badawcze, których przykładem są na rysunku tomograf komputerowy i mikroskop elektronowy, a także nowe narzędzia terapeutyczne, symbolizowane na rysunku przez system robota chirurgicznego.
7 BIOCYBERNETYKA Technika jednak także może wiele zyskać, gdyż wiele zadań inżynierskich rozwiązuje się metodą naśladowania rozwiązań podpatrzonych w ludzkim organizmie lub w strukturach innych tworów biologicznych. Na rysunku ten transfer biologicznych patentów do techniki symbolizowany jest przez system BCI (Brain Computer Interface) czyli narzędzie do przekazywania informacji i poleceń wprost z mózgu człowieka do komputera oraz maszyna krocząca, która jest zdolna poruszać się po bezdrożach, ponieważ zamiast kół używa nóg naśladujących biologiczne odnóża.
8 BIOCYBERNETYKA Zrodziła się z obserwacji działania istot żywych oraz z modelowania procesów, jakie odgrywają się w przyrodzie. Jej potencjał leży więc w otaczającym nas świecie. Nauka o cybernetycznym modelowaniu procesów biologicznych i jako dział cybernetyki zajmuje się procesami informacyjnymi zachodzącymi w organizmach żywych, w szczególności w mózgu - naczelnym organie biocybernetycznym organizmów żywych. Ma na celu wyjaśnienie, opisanie i modelowanie cybernetycznych procesów zachodzących w organizmach żywych, a w szczególności w ludzkim mózgu. Pomost pomiędzy inteligencją ludzką i inteligencją sztuczną, czyli modelem biocybernetycznych procesów zachodzących u istot żywych. Łączy ze sobą sposób działania organizmów żywych z działaniem systemów cybernetycznych. Systemy cybernetyczne w czasach dzisiejszych usprawniają nasze życie w różnych obszarach, dając nam większe możliwości poznawcze oraz poszerzając nasze zmysły. Zajmuje się interfejsami człowiek-komputer oraz modelowaniem mechanizmów obliczeniowych z tym związanych, aby ta interakcja mogła być łatwiejsza i przyjemniejsza. Nauka po poznaniu sposobu działania organizmów żywych oraz asymilacji tych mechanizmów do współdziałania z systemami cybernetycznymi.
9 BIOCYBERNETYKA Biocybernetyka obejmuje szeroki obszar nauk technicznych: od informatyki, matematyki, fizyki, biochemii, neurologii, neurobiologii, przez psychologię, socjologię aż po obszary kognitywistyki i filozofii. Biocybernetyka zajmuje się modelowaniem biologicznych procesów cybernetycznych, a więc obejmuje: Sztuczne sieci neuronowe Sztuczną inteligencję Inteligencję obliczeniową Obliczenia miękkie Obliczenia genetyczne Obliczenia rozmyte Modelowanie i reprezentację wiedzy Celem praktycznym jest opracowanie modeli biocybernetycznych lub z zakresu inteligencji obliczeniowej do rozwiązania wybranych zagadnień naukowych, następnie przygotowanie prezentacji oraz referatu w postaci publikacji naukowej. Przedmiot ten ma więc aktywnie wspomagać doktorantów w ich aktywności naukowej i publikacyjnej, bardzo istotnej z punktu widzenia przygotowania do otwarcia ich przewodów doktorskich oraz prowadzenia dalszych prac badawczych pod opieką ich opiekunów naukowych, zachęcając ich do współpracy i wymiany doświadczeń naukowych.
10 KOGNITYWISTYKA Cognitive Science Kognitywistyka jest nauka o procesach poznawczych, ich modelowaniu, pamięci, formowaniu wiedzy i rozumowaniu. Jest nauką interdyscyplinarną na pograniczu psychologii poznawczej, neurobiologii, neurofizjologii, antropologii, socjologii, informatyki, sztucznej inteligencji, lingwistyki, logiki, fizyki i matematyki. Kognitywistyka zgłębia tajniki poznawania, uczenia się, percepcji, definiowania pojęć, symboliki, języka, pamięci, myślenia, rozumowania, dedukcji, introspekcji, podejmowania decyzji, reprezentacji mentalnych, emocji, procesami motywacji, jak również formowaniu się w umyśle: wiedzy, inteligencji i świadomości. Kognitywistyka jest dziedziną nauki zajmującą się obserwacją i modelowaniem działania umysłu (układu nerwowego, a w szczególności mózgu i zmysłów)! Kognitywistyka symboliczna koncentruje się na modelowaniu abstrakcyjnych funkcji myślowych opartych na symbolach, tworzeniu symbolicznych baz wiedzy (Knowledge Base) i systemów opartych na nich (Knowledge Base Systems). Architektury kognitywne próbują modelować ludzki umysł:
11 Mózg i Neurony Jak w rzeczywistości działają?
12 Mózg i Neurony Uruchamiają wewnętrzne procesy równolegle i często asynchronicznie Wykorzystują czas do temporalnych i kontekstowych obliczeń Integrują pamięć z procedurami (algorytmami) Jak w rzeczywistości działają?
13 Mózg i Neurony Automatycznie i kontekstowo kojarzą dane i obiekty Tworzą samo-organizujące reprezentacje danych i obiektów Agregują dane i obiekty podobne Jak w rzeczywistości działają?
14 Mózg i Neurony Wykorzystują złożone pamięci o neuronowej strukturze grafowej Nie są ograniczone modelem obliczeniowym maszyny Turinga Automatycznie powracają do stanu spoczynku neuronów Jak w rzeczywistości działają?
15 Mózg i Neurony Kojarzą różne informacje w celu uformowania wiedzy Agregują reprezentacje takich samych i bliskich obiektów Łączą reprezentacje powiązanych obiektów Jak w rzeczywistości działają?
16 Fundamentalne Pytanie i Cele Neurobiologii Jak informacje są kodowane i dekodowane za pośrednictwem serii impulsów przesyłanych przez aktywowane neurony po ich potencjałach czynnościowych? Podstawowym celem neurobiologii jest wyjaśnienie czy neurony komunikują się poprzez częstotliwość pulsów czy poprzez różnice w czasie pomiędzy impulsami? Asocjacyjne Neurony Pulsacyjne dowodzą, że upływ czasu pomiędzy kolejnymi impulsami, jak również częstotliwość tych impulsów mają wpływ na wynik asocjacji oraz obliczeń neuronowych. Jak w rzeczywistości działają?
17 Ewolucja Modeli Neuronów GENERACJE MODELI NEURONÓW: 1. Model neuronów McCulloch-Pittsa implementuje tylko najbardziej podstawowe mechanizmy integracji (sumowania) ważonych wejść i progu aktywacji, nie modelując czasu, plastyczności i innych ważnych czynników neuronów. 2. Nieliniowy model neuronów o ciągłej funkcji transferu pozwala na zbudowanie wielowarstwowych sieci neuronowych (tj. MLP) i ich adaptację do bardziej skomplikowanych zbiorów danych uczących, które nie są liniowo separowalne. 3. Modele neuronów impulsowych wzbogacają ten model o implementację paradygmatu czasu, w którym zachodzą różne procesy wewnętrzne w neuronie w trakcie integracji bodźców. 4. Model neuronów asocjacyjno-pulsacyjnych (APN) produkuje serie impulsów, których frekwencja określa wynik działania sieci oraz stopień skojarzenia odpowiedzi z kontekstem wejściowym. Ponadto sieci zbudowane z tych neuronów w wyniku procesów plastycznych są w stanie budować, rozwijać i konfigurować strukturę połączeń pomiędzy neuronami i wyznaczać ich wagi oraz progi aktywacji, dopasowując się do różnych wzorców i ich sekwencji. Rzeczywiste neurony są plastyczne!
18 Neurony Asocjacyjno-Pulsacyjne Łączą się warunkowo zmieniając swoją wrażliwość na bodźce wejściowe. Modelują zachowania neuronów w czasie w sieci neuronowej. Tworzą rzadką grafową strukturę połączeń odwzorowującą różne relacje pomiędzy obiektami, tj. podobieństwa, następstwa, definiowania. Agregują reprezentacje takich samych lub podobnych obiektów prezentowanych sieci neuronowej za pośrednictwem pól sensorycznych. Reprezentują te kombinacje bodźców wejściowych, które powodują ich najczęstszą aktywację i w zależności od wrażliwości specjalizują się. Pozwalają na wywoływanie skojarzonych informacji.
19 Neurony Asocjacyjno-Pulsacyjne Implementują mechanizmy integracji bodźców wejściowych w czasie tworzą wewnętrzną kolejkę procesów (internal process queue - IPQ) modelujących reakcje neuronów APN na nie. Pozwalają na wywoływanie skojarzonych informacji.
20 Neurony Asocjacyjno-Pulsacyjne Wewnętrzne procesy modelowane są liniowo, co umożliwia integrację równoległych i nakładających się bodźców w dyskretnych momentach czasu i tylko wtedy, gdy nadchodzi nowy bodziec lub kończy się jakiś proces. Pozwalają na wywoływanie skojarzonych informacji.
21 Neurony Asocjacyjno-Pulsacyjne Implementują mechanizmy plastyczne rzeczywistych neuronów, pozwalających na adaptację i samoorganizację struktury sieci. Mechanizmy te działają warunkowo dostosowując strukturę i parametry sieci do danych wejściowych, kodując klasy obiektów w skojarzonych neuronach. Pozwalają na wywoływanie skojarzonych informacji.
22 EKSPERYMENTY I ANIMACJA Z SIECIAMI NEURONOWYMI APNN Teraz spróbujmy stymulować receptory następującymi wartościami [?, 6.0,?, 5.0, 1.5]. Który obiekt okaże się być najbardziej podobny? Klasa skojarzona ze zwycięzkim obiektem 2 1 Najmocniej skojarzony APNs reprezentujący najbardziej podobne wzorce uczące pulsujące najczęściej i jako pierwsze!
23 EKSPERYMENTY I ANIMACJA Z SIECIAMI NEURONOWYMI APNN Weźmy większy zbiór danych uczących i stymulujmy receptory wartościami [?, 6.0,?, 5.0, 1.5]. KLASYFIKACJA Najmocniej skojarzony APNs reprezentujący najbardziej podobne wzorce uczące pulsujące najczęściej i jako pierwsze!
24 APN
25 Podsumowanie Neurony APN automatycznie kreują dedykowane struktury neuronowe dla podanych danych treningowych oraz dokonują szybkich porównań i wnioskowanie skojarzeniowe w porównaniu do innych algorytmów. Sieci neuronowe APNN uczą się i pracują wielokrotnie szybciej niż inne sieci impulsowe, np. Izhikevich spiking neurons, ze względu na liniową integrację bodźców, dyskretną aktualizację neuronów i krótkie kolejki procesów.
26 Podsumowanie Neurony Asocjacyjno-Pulsacyjne (APNs) reprezentują te rozciągnięte w czasie kombinacje bodźców wejściowych, które powodują ich aktywację. Te neurony APN, które zaczynają pulsować jako pierwsze i pulsują najczęściej reprezentują najmocniej skojarzone wartości, obiekty lub informacje powiązane z kontekstem wejściowym oraz reprezentują odpowiedź sieci neuronowej która przekazywane jest w czasie przez sierie impulsów.
27 Podsumowanie Połączone neurony APN mogą reprezentować różne relacje asocjacyjne: Podobieństwo wartości lub obiektów Bliskość obiektów w przestrzeni Następstwo obiektów w czasie Kontekst dla dalszych bodźców
28 Podsumowanie Neurony APN są aktualizowane w dyskretnych i rzadkich momentach czasu: kiedy nadchodzi bodziec zewnętrzny, gdy skończy się jakiś wewnętrzny proces. Ta cecha neuronów APN w połączeniu z odpowiednią implementacją kolejek procesów (IPQ) i globalnej kolejki zdarzeń równoległych (GEQ) decydują o szybkim ich działaniu w trakcie symulacji.
29 Podsumowanie Wewnętrzne procesy neuronów APN są efektywnie zarządzane i porządkowane przez: Wewnętrzne kolejki procesów IPQ (Internal Process Queue) które integrują wszystkie bodźce do postaci sekwencji kolejnych nie nakładających się procesów w czasie w każdym neuronie. Globalną kolejkę zdarzeń GEQ (Global Event Queue) która sortuje wszystkie procesy względem czasu ich zakończenie i pilnuje aktualizacji neuronów w czasie.
30 Podsumowanie Sieci APNN udzielają również odpowiedzi na fundamentalne pytanie z neurobiologii dotyczące sposobu kodowanie i dekodowania informacji: Frekwencja serii impulsów reprezentują siłę skojarzeń pomiędzy obiektami oraz w odniesieniu do kontekstu wejściowego. Czas pomiędzy impulsami nie koduje informacji, lecz pośrednio wpływa na możliwość reprezentacji i siłę oddziaływania kontekstu.
31 BIBLIOGRAFIA I LITERATURA 1. A. Horzyk, J. A. Starzyk, J. Graham, Integration of Semantic and Episodic Memories, IEEE Transactions on Neural Networks and Learning Systems, 2017, DOI: /TNNLS A. Horzyk, J. A. Starzyk, A. Horzyk and J.A. Starzyk, Fast Neural Network Adaptation with Associative Pulsing Neurons, IEEE Xplore, In: 2017 IEEE Symposium Series on Computational Intelligence, pp , presentation, movie Iris-4, movie Iris A. Horzyk, Deep Associative Semantic Neural Graphs for Knowledge Representation and Fast Data Exploration, Proc. of KEOD 2017, SCITEPRESS Digital Library, A. Horzyk, Neurons Can Sort Data Efficiently, Proc. of ICAISC 2017, Springer-Verlag, LNAI, 2017, pp , ICAISC BEST PAPER AWARD 2017 sponsored by Springer. 5. A. Horzyk, J. A. Starzyk and Basawaraj, Emergent creativity in declarative memories, IEEE Xplore, In: 2016 IEEE Symposium Series on Computational Intelligence, Greece, Athens: Institute of Electrical and Electronics Engineers, Curran Associates, Inc. 57 Morehouse Lane Red Hook, NY USA, 2016, ISBN , pp. 1-8, DOI: /SSCI A. Horzyk, Human-Like Knowledge Engineering, Generalization and Creativity in Artificial Neural Associative Systems, Springer-Verlag, AISC 11156, ISSN , ISBN , ISBN (ebook), DOI / , Springer, Switzerland, 2016, pp A. Horzyk, Innovative Types and Abilities of Neural Networks Based on Associative Mechanisms and a New Associative Model of Neurons - Invited talk at ICAISC 2015, Springer-Verlag, LNAI 9119, 2015, pp , DOI / _3. 8. Horzyk, A., How Does Generalization and Creativity Come into Being in Neural Associative Systems and How Does It Form Human-Like Knowledge?, Neurocomputing, Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk University of Science and Technology in Krakow, Poland
32 BIBLIOGRAFIA I LITERATURA 9. Mariusz Flasiński, Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa, Daniel T. Larose, Odkrywanie wiedzy z danych, Wydawnictwo naukowe PWN, Warszawa Andrzej Łachwa, Rozmyty świat zbiorów, liczb, relacji, faktów, reguł i decyzji, Akademicka Oficyna Wydawnicza EXIT, Warszawa, Ryszard Tadeusiewicz, Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, w serii Problemy Współczesnej Nauki, Informatyka, Akademicka Oficyna Wydawnicza PLJ, Warszawa, Ryszard Tadeusiewicz, Józef Korbicz, Leszek Rutkowski, Włodzisław Duch, Sieci neuronowe w inżynierii biomedycznej, 9. tom serii Inżynieria biomedyczna. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa, R. Tadeusiewicz, M. Szaleniec, Leksykon sieci neuronowych, Wrocław, Horzyk, A., Human-Like Knowledge Engineering, Generalization and Creativity in Artificial Neural Associative Systems, Springer Verlag, AISC 11156, ISSN , Horzyk, A., Innovative Types and Abilities of Neural Networks Based on Associative Mechanisms and a New Associative Model of Neurons - referat na zaproszenie na międzynarodowej konferencji ICAISC 2015, Springer Verlag, LNAI, Horzyk, A., Sztuczne systemy skojarzeniowe i asocjacyjna sztuczna inteligencja, EXIT, Warszawa, Tadeusiewicz, R., Horzyk, A., Man-Machine Interaction Improvement by Means of Automatic Human Personality Identification, Gerhard Goos, Juris Hartmanis, and Jan van Leeuwen (Eds.), Springer, LNCS 8104, Horzyk, A., Gadamer, M., Associative Text Representation and Correction, Springer Verlag Berlin Heidelberg, LNAI 7894, 2013, pp Horzyk, A., Information Freedom and Associative Artificial Intelligence, Springer Verlag Berlin Heidelberg, LNAI 7267, 2012, pp Horzyk, A., Self-Optimizing Neural Network 3, L. Franco, D. Elizondo, J.M. Jerez (eds.), Constructive Neural Networks, Springer, Series: Studies in Computational Intelligence, Vol. 258, 2009, pp Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk
BIOCYBERNETYKA PROLOG
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk PROLOG www.agh.edu.pl Pewnego dnia przyszedł na świat komputer Komputery
Bardziej szczegółowoAdrian Horzyk
Sztuczne Systemy Skojarzeniowe SSS Asocjacyjne grafowe struktury danych AGDS Associative Graph Data Structure Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowoAdrian Horzyk
Sztuczne Systemy Skojarzeniowe SSS Relacje Bazodanowe czy Asocjacje AGDS? DB Relations v AGDS Associations? Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowoWIEDZA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WIEDZA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki
Bardziej szczegółowoSztuczne Systemy Skojarzeniowe. Adrian Horzyk
Sztuczne Systemy Skojarzeniowe Inspiracje biologiczne Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoZastosowanie 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 szczegółowoNeuroasocjacyjne modele obliczeniowe w sztucznej inteligencji dla celów formowania się wiedzy i skojarzeń
Neuroasocjacyjne modele obliczeniowe w sztucznej inteligencji dla celów formowania się wiedzy i skojarzeń IRRACJONALNOŚĆ kontra RACJONALNOŚĆ czyli starcie tytanów na poziomie skojarzeń i inteligencji dr
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: INTELIGENTNE SYSTEMY OBLICZENIOWE Systems Based on Computational Intelligence Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj
Bardziej szczegółowoPRZEWODNIK 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 szczegółowoUniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka
Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA Studia III stopnia (doktoranckie) kierunek Informatyka (przyjęty przez Radę Wydziału Informatyki i Nauki o Materiałach w
Bardziej szczegółowoWykład wprowadzający
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Wykład wprowadzający dr inż. Michał Grochowski kiss.pg.mg@gmail.com michal.grochowski@pg.gda.pl
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład II: Modele pojęciowe Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe) przeformułowanie
Bardziej szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
Bardziej szczegółowoAdrian Horzyk
Metody Inteligencji Obliczeniowej Metoda K Najbliższych Sąsiadów (KNN) Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, laboratorium BIOCYBERNETYKA Biocybernetics Forma studiów:
Bardziej szczegółowoElementy 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 szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoPROLOG WSTĘP DO INFORMATYKI. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej WSTĘP DO INFORMATYKI Adrian Horzyk PROLOG www.agh.edu.pl Pewnego dnia przyszedł na świat komputer Komputery
Bardziej szczegółowo2.1.M.06: Modelowanie i wspomaganie komputerowe w 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 1 Panel nt. Procesy wytwarzania
Bardziej szczegółowoElementy kognitywistyki:
Wykład I: Elementy kognitywistyki: język naturalny Kognitywistyka, poznanie, język. Uwagi wprowadzające. Po raz pierwszy w historii można coś napisać o instynkcie uczenia się, mówienia i rozumienia języka.
Bardziej szczegółowoAdrian Horzyk Web: Google: Adrian Horzyk Gabinet: paw. C3 p. 206
WSTĘP DO INFORMATYKI Wprowadzenie do zagadnień SZTUCZNEJ INTELIGENCJI i SIECI NEURONOWYCH wykład Adrian Horzyk Web: http://home.agh.edu.pl/~horzyk/ E-mail: horzyk@agh.edu.pl Google: Adrian Horzyk Gabinet:
Bardziej szczegółowoWSTĘP I TAKSONOMIA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WSTĘP I TAKSONOMIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra
Bardziej szczegółowoCZYM SĄ OBLICZENIA NAT A URALNE?
CZYM SĄ OBLICZENIA NATURALNE? Co to znaczy obliczać (to compute)? Co to znaczy obliczać (to compute)? wykonywać operacje na liczbach? (komputer = maszyna licząca) wyznaczać wartości pewnych funkcji? (program
Bardziej szczegółowoInformatyka w medycynie Punkt widzenia kardiologa
Informatyka w medycynie Punkt widzenia kardiologa Lech Poloński Mariusz Gąsior Informatyka medyczna Dział informatyki zajmujący się jej zastosowaniem w ochronie zdrowia (medycynie) Stymulacja rozwoju informatyki
Bardziej szczegółowotechnologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.
Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,
Bardziej szczegółowoSylabus modułu kształcenia na studiach wyższych. Nazwa Wydziału. Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia
Załącznik nr 4 do zarządzenia nr 12 Rektora UJ z 15 lutego 2012 r. Sylabus modułu kształcenia na studiach wyższych Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Wydział Matematyki
Bardziej szczegółowoSieci 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 szczegółowoWstęp do kognitywistyki. Wykład 6: Psychologia poznawcza
Wstęp do kognitywistyki Wykład 6: Psychologia poznawcza Sześciokąt nauk kognitywnych I. Psychologia poznawcza Poznanie to zdolność człowieka do odbierania informacji z otoczenia i przetwarzania ich w celu
Bardziej szczegółowoNazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek:
Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek: Forma studiów: Informatyka Stacjonarne Rodzaj przedmiotu: obowiązkowy
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD III: Problemy agenta
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD III: Problemy agenta To już było: AI to dziedzina zajmująca się projektowaniem agentów Określenie agenta i agenta racjonalnego Charakterystyka PAGE
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA I STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina
Bardziej szczegółowoKARTA PRZEDMIOTU. Kod przedmiotu Nazwa przedmiotu w języku. M INF _05.15 Analiza obrazów medycznych Analysis of medical images. polskim angielskim
Kod przedmiotu Nazwa przedmiotu w języku polskim angielskim KARTA PRZEDMIOTU M INF _05.15 Analiza obrazów medycznych Analysis of medical images 1. USYTUOWANIE PRZEDMIOTU W SYSTEMIE STUDIÓW 1.1. Kierunek
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3
Algorytmy wspomagania decyzji Czyli co i jak 2018 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoKARTA PRZEDMIOTU. Dyscyplina:
KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba
Bardziej szczegółowoKognitywistyka, poznanie, język. Uwagi wprowadzające.
Wykład I: Elementy kognitywistyki: język naturalny Kognitywistyka, poznanie, język. Uwagi wprowadzające. Po raz pierwszy w historii można coś napisać o instynkcie uczenia się, mówienia i rozumienia języka.
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoInteligentne systemy informacyjne
Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych
Wstęp do kognitywistyki Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Epistemologia eksperymentalna W. McCulloch: Wszystko, czego dowiadujemy się o organizmach wiedzie nas do wniosku, iż nie są
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Przykładowe zastosowania Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 12 czerwca 2008 Plan 1 Czym jest (naturalna) inteligencja? 2 Czym jest (sztuczna)
Bardziej szczegółowoOdniesienie do efektów kształcenia dla obszaru nauk EFEKTY KSZTAŁCENIA Symbol
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział Informatyki i Zarządzania Kierunek studiów INFORMATYKA (INF) Stopień studiów - pierwszy Profil studiów - ogólnoakademicki Projekt v1.0 z 18.02.2015 Odniesienie do
Bardziej szczegółowoI rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.
Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING NEURONOWE MAPY SAMOORGANIZUJĄCE SIĘ Self-Organizing Maps SOM Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowoWstęp do kognitywistyki
Wstęp do kognitywistyki Wykład I: Kognitywistyka z lotu ptaka Piotr Konderak konsultacje: poniedziałki, 11:10-12:40, p. 205 Strona przedmiotu: http://konderak.eu/wkg10.html W historii intelektualnej wszystko
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.
Algorytmy wspomagania decyzji Czyli co i jak 2013 andrzej.rusiecki@pwr.wroc.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 911/D-20 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoPODSTAWY 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 szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY SZTUCZNE SIECI NEURONOWE MLP Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
Bardziej szczegółowoWykład organizacyjny
Automatyka - zastosowania, metody i narzędzia, perspektywy na studiach I stopnia specjalności: Automatyka i systemy sterowania Wykład organizacyjny dr inż. Michał Grochowski kiss.pg.mg@gmail.com michal.grochowski@pg.gda.pl
Bardziej szczegółowoPodsumowanie wyników ankiety
SPRAWOZDANIE Kierunkowego Zespołu ds. Programów Kształcenia dla kierunku Informatyka dotyczące ankiet samooceny osiągnięcia przez absolwentów kierunkowych efektów kształcenia po ukończeniu studiów w roku
Bardziej szczegółowoWSTĘP 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 szczegółowoInżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Inżynierii Produkcji Dr Małgorzata Lucińska
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 205/206 Z-ID-602 Wprowadzenie do uczenia maszynowego Introduction to Machine Learning
Bardziej szczegółowoNeurokognitywistyka. Mózg jako obiekt zainteresowania w
Neurokognitywistyka. Mózg jako obiekt zainteresowania w psychologii poznawczej Małgorzata Gut Katedra Psychologii Poznawczej WyŜsza Szkoła Finansów i Zarządzania w Warszawie http://cogn.vizja.pl Wykład
Bardziej szczegółowoSztuczna inteligencja - wprowadzenie
Sztuczna inteligencja - wprowadzenie Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Sztuczna inteligencja komputerów - wprowadzenie Kontakt: dr inż. Dariusz Banasiak, pok.
Bardziej szczegółowoModelowanie i obliczenia techniczne. dr inż. Paweł Pełczyński
Modelowanie i obliczenia techniczne dr inż. Paweł Pełczyński ppelczynski@swspiz.pl Literatura Z. Fortuna, B. Macukow, J. Wąsowski: Metody numeryczne, WNT Warszawa, 2005. J. Awrejcewicz: Matematyczne modelowanie
Bardziej szczegółowoWykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012
Wykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012 - prof. dr hab. Wojciech Rytter: Algorytmika kombinatoryczno-grafowa (30 g. semestr zimowy
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład I Czym jest SI? Przeszukiwanie problemy oraz jak je rozwiązywać 13 październik 2011 Plan wykładu Od inteligencji naturalnej do sztucznej? Przyjrzyjmy się krótko historii 1 Czym jest sztuczna inteligencja?
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu
Wstęp do kognitywistyki Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu Sztuczna inteligencja...to próba zrozumienia i wyjaśnienia jednostek inteligentnych. Specyfika SI polega na metodzie: wyjaśnianie
Bardziej szczegółowoWspółczesna problematyka klasyfikacji Informatyki
Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowo2.2.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 szczegółowoInformacja w perspektywie obliczeniowej. Informacje, liczby i obliczenia
Informacja w perspektywie obliczeniowej Informacje, liczby i obliczenia Cztery punkty odniesienia (dla pojęcia informacji) ŚWIAT ontologia fizyka UMYSŁ psychologia epistemologia JĘZYK lingwistyka nauki
Bardziej szczegółowoMetody symulacji komputerowych Modelowanie systemów technicznych
Metody symulacji komputerowych Modelowanie systemów technicznych dr inż. Ryszard Myhan Katedra Inżynierii Procesów Rolniczych Program przedmiotu Lp. Temat Zakres 1. Wprowadzenie do teorii systemów Definicje
Bardziej szczegółowoO REDUKCJI U-INFORMACJI
O REDUKCJI U-INFORMACJI DO DANYCH Cztery punkty odniesienia (dla pojęcia informacji) ŚWIAT ontologia fizyka UMYSŁ psychologia epistemologia JĘZYK lingwistyka nauki o komunikacji KOMPUTER informatyka elektronika
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoprawda symbol WIEDZA DANE komunikat fałsz liczba INFORMACJA (nie tyko w informatyce) kod znak wiadomość ENTROPIA forma przekaz
WIEDZA prawda komunikat symbol DANE fałsz kod INFORMACJA (nie tyko w informatyce) liczba znak forma ENTROPIA przekaz wiadomość Czy żyjemy w erze informacji? TAK Bo używamy nowego rodzaju maszyn maszyn
Bardziej szczegółowoDiagnostyka procesów przemysłowych Kod przedmiotu
Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowo2
1 2 3 4 5 Dużo pisze się i słyszy o projektach wdrożeń systemów zarządzania wiedzą, które nie przyniosły oczekiwanych rezultatów, bo mało kto korzystał z tych systemów. Technologia nie jest bowiem lekarstwem
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Stefan Sokołowski SZTUCZNA INTELIGENCJA Inst Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://infugedupl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoBIOCYBERNETYKA SIECI NEURONOWE. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk SIECI NEURONOWE www.agh.edu.pl Mózg inspiruje nas od wieków Co takiego
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoSieci 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 szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoPrezentacja, którą czytacie jest jedynie zbiorem sugestii. Nie zawiera odpowiedzi na pytania wprost. Jeżeli nie wiedzielibyście jak odpowiedzieć na
Prezentacja, którą czytacie jest jedynie zbiorem sugestii. Nie zawiera odpowiedzi na pytania wprost. Jeżeli nie wiedzielibyście jak odpowiedzieć na któreś z pytań, to poniżej macie kierunek w jakim podążać
Bardziej szczegółowoID1SIII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
KARTA MODUŁU / KARTA RZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu ID1SIII4 Nazwa modułu Systemy inteligentne 2 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoTuring i jego maszyny
Turing Magdalena Lewandowska Politechnika Śląska, wydział MS, semestr VI 20 kwietnia 2016 1 Kim był Alan Turing? Biografia 2 3 Mrówka Langtona Bomba Turinga 4 Biografia Kim był Alan Turing? Biografia Alan
Bardziej szczegółowoArcheologia kognitywna
Wstęp Kognitywistyka Bibliografia Wstęp do archeologii 24 maja 2012 Wstęp Kognitywistyka Bibliografia Plan prezentacji 1 Kognitywistyka Kognitywistyka czyli nauki o poznaniu Baza wiedzy i mapa kognitywna
Bardziej szczegółowosynaptycznych wszystko to waży 1.5 kg i zajmuje objętość około 1.5 litra. A zużywa mniej energii niż lampka nocna.
Sieci neuronowe model konekcjonistyczny Plan wykładu Mózg ludzki a komputer Modele konekcjonistycze Perceptron Sieć neuronowa Uczenie sieci Sieci Hopfielda Mózg ludzki a komputer Twój mózg to 00 000 000
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW WYDZIAŁ KIERUNEK z obszaru nauk POZIOM KSZTAŁCENIA FORMA STUDIÓW PROFIL JĘZYK STUDIÓW Podstawowych Problemów Techniki Informatyka technicznych 6 poziom, studia inżynierskie
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA poziom kształcenia profil kształcenia tytuł zawodowy uzyskiwany przez absolwenta studia drugiego stopnia ogólnoakademicki magister inżynier 1. Umiejscowienie
Bardziej szczegółowoJAKIEGO RODZAJU NAUKĄ JEST
JAKIEGO RODZAJU NAUKĄ JEST INFORMATYKA? Computer Science czy Informatyka? Computer Science czy Informatyka? RACZEJ COMPUTER SCIENCE bo: dziedzina ta zaistniała na dobre wraz z wynalezieniem komputerów
Bardziej szczegółowoStefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010
Stefan Sokołowski SZTUCZNAINTELIGENCJA Inst. Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str.1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://inf.ug.edu.pl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoUmysł Komputer Świat TEX output: :17 strona: 1
Umysł Komputer Świat INFORMATYKA I FILOZOFIA Witold Marciszewski Paweł Stacewicz Umysł Komputer Świat O zagadce umysłu z informatycznego punktu widzenia E Warszawa Akademicka Oficyna Wydawnicza EXIT 2011
Bardziej szczegółowoPercepcja, język, myślenie
Psychologia procesów poznawczych Plan wykładu Percepcja, język, myślenie Historia psychologii poznawczej W 2 Wstęp do psychologii poznawczej Historia psychologii poznawczej dawniej Psychologia poznawcza
Bardziej szczegółowoSyste t m e y m ek e s k per pe to t w o e w Wykład 8 1
Systemy ekspertowe Wykład 8 1 SYSTEMY HYBRYDOWE 2 Definicja (przykładowa) Przez (inteligentny) system hybrydowy rozumiemy system ze sztuczną inteligencją zdolny do rozwiązywania złożonych problemów, który
Bardziej szczegółowoInteligencja. Władysław Kopaliśki, Słownik wyrazów obcych i zwrotów obcojęzycznych
Wstęp Inteligencja Władysław Kopaliśki, Słownik wyrazów obcych i zwrotów obcojęzycznych inteligencja psych. zdolność rozumienia, kojarzenia; pojętność, bystrość; zdolność znajdowania właściwych, celowych
Bardziej szczegółowo