Metody Informatyki Stosowanej

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody Informatyki Stosowanej"

Transkrypt

1 Polska Akademia Nauk Oddział w Gdańsku Komisja Informatyki Metody Informatyki Stosowanej Nr 3/2009 (20) Szczecin 2009

2 Metody Informatyki Stosowanej Kwartalnik Komisji Informatyki Polskiej Akademii Nauk Oddział w Gdańsku Komitet Naukowy: Przewodniczący: prof. dr hab. inż. Henryk Krawczyk, czł. koresp. PAN, Politechnika Gdańska Członkowie: prof. dr hab. inż. Michał Białko, czł. rzecz. PAN, Politechnika Koszalińska prof. dr hab. inż. Ludosław Drelichowski, Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy prof. dr hab. inż. Janusz Kacprzyk, czł. koresp. PAN, Instytut Badań Systemowych PAN prof. dr hab. Jan Madey, Uniwersytet Warszawski prof. dr hab. inż. Leszek Rutkowski, czł. koresp. PAN, Politechnika Częstochowska prof. dr hab. inż. Piotr Sienkiewicz, Akademia Obrony Narodowej prof. dr inż. Jerzy Sołdek, Zachodniopomorska Szkoła Biznesu w Szczecinie prof. dr hab. inż. Andrzej Straszak, Instytut Badań Systemowych PAN prof. dr hab. Maciej M. Sysło, Uniwersytet Wrocławski Recenzenci współpracujący z redakcją: Marian Adamski, Zbigniew Banaszak, Alexander Barkalov, Włodzimierz Bielecki, Janusz Bobulski, Piotr Bubacz, Ryszard Budziński, Henryk Budzisz, Dariusz Burak, Jacek Czarnecki, Andrzej Czyżewski, Ludosław Drelichowski, Piotr Dziurzański, Witold Dzwinel, Imed El Frey, Mykhaylo Fedorov, Paweł Forczmański, Dariusz Frejlichowski, Krzysztof Giaro, Larysa Globa, Zbigniew Gmyrek, Janusz Górski, Stanisław Grzegórski, Volodymyr Harbarchuk, Volodymyr Hrytsyk, Wojciech Jędruch, Aleksander Katkow, Przemysław Klęsk, Shinya Kobayashi, Leonid Kompanets, Józef Korbicz, Jerzy Korostil, Marcin Korzeń, Georgy Kukharev, Mieczysław Kula, Eugeniusz Kuriata, Emma Kusztina, Małgorzata Łatuszyńska, Wiesław Madej, Wojciech Maleika, Oleg Mashkov, Oleg Maslennikow, Karol Myszkowski, Evgeny Ochin, Krzysztof Okarma, Piotr Pechmann, Jerzy Pejaś, Andrzej Pieczyński, Andrzej Piegat, Mateusz Piwowarski, Marcin Pluciński, Jacek Pomykała, Orest Popov, Remigiusz Rak, Valeriy Rogoza, Leszek Rutkowski, Khalid Saeed, Jerzy Sołdek, Boris Sovetov, Marek Stabrowski, Andrzej Stateczny, Janusz Stokłosa, Alexander Ţariov, Leszek Trybus, Andrzej Tujaka, Zenon Ulman, Andrzej Walczak, Jarosław Wątróbski, Sławomir Wiak, Antoni Wiliński, Waldemar Wolski, Waldemar Wójcik, Oleg Zaikin, Zenon Zwierzewicz Redaktor Naczelny: Antoni Wiliński Sekretarz redakcji: Piotr Czapiewski ISSN Wydawnictwo: Polska Akademia Nauk Oddział w Gdańsku, Komisja Informatyki Adres kontaktowy: ul. Żołnierska 49 p. 104, Szczecin, Druk: Pracownia Poligraficzna Wydziału Informatyki Zachodniopomorskiego Uniwersytetu Technologicznego w Szczecinie Nakład 510 egz.

3 Spis treści Jacek Bartman REGUŁA PID UCZENIA SZTUCZNYCH NEURONÓW... 5 Piotr Byszewski, Anna Tomaszewska REALISTYCZNA ORAZ SZYBKA WIZUALIZACJA ALGORYTMU ZACHOWANIA SIĘ TŁUMU W OBLICZU PANIKI Luiza Fabisiak EKSPLORACJA DANYCH W SERWISACH INTERNETOWYCH Mykhailo Fedorov ON PARALLEL IMPLEMENTATION OF A STEADY STATE THERMAL AND HYDRAULIC ANALYSIS OF PIPE NETWORKS IN OPENMP Włodzimierz Filipowicz STRUKTURY PRZEKONAŃ I ICH ZASTOSOWANIE W NAWIGACJI Dariusz Frejlichowski REPREZENTACJA KSZTAŁTU 3D OPARTA NA DESKRYPTORZE EGI NA POTRZEBY INDEKSOWANIA Sławomir Jaszczak, Mariusz Dramski, Mariusz Matejski SYMULACJA I TESTOWANIE UKŁADU STEROWANIA RUCHEM POJAZDU PODWODNEGO METODĄ HIL Georgy Kukharev, Ekaterina Kamenskaya TWO-DIMENSIONAL CANONICAL CORRELATION ANALYSIS FOR FACE IMAGE PROCESSING AND RECOGNITION Krzysztof Małecki, Jarosław Wątróbski THE EFFECTIVENESS OF LANE SELECTION IN ROUNDABOUT Wojciech Maleika SEMANTIC DATA DESCRIPTION IN CONTENT MANAGEMENT SYSTEMS Marcin W. Mastalerz, Zygmund Drążek PROCEDURA WYBORU WARIANTU E-LEARNINGU W SZKOLE WYŻSZEJ W OPARCIU O HIERARCHICZNĄ ANALIZĘ PROBLEMU Leszek Misztal WYKORZYSTANIE NAIWNEGO ALGORYTMU BAYES A W ZADANIU KLASYFIKACJI PODATNIKÓW Antoni Nowakowski, Tomasz Klasa EVALUATION OF INFORMATION SYSTEMS RISK TREATMENT EFFICIENCY PROPOSAL Łukasz Nozdrzykowski ANALIZA ISTOTNOŚCI MIAR OBRAZU WPŁYWAJĄCYCH NA ZMNIEJSZENIE ZNIEKSZTAŁCEŃ SPOWODOWANYCH STEGANOGRAFICZNYM UKRYWANIEM WIADOMOŚCI W OBRAZACH W OPARCIU O FUNKCJĘ CSF Andrzej Piegat, Marcin Olchowy CZY ISTNIEJE OPTYMALNA FORMA EKSPERCKIEGO MODELU ROZMYTEGO? Marcin Pluciński MODULAR FUZZY SYSTEMS THE COMPARISON OF TWO DIFFERENT APPROACHES

4 Edward Półrolniczak SEGMENTACJA ELEMENTÓW ZNAKÓW TABLIC REJESTRACYJNYCH Z WYKORZYSTANIEM STATYSTYCZNEGO ŁĄCZENIA REGIONÓW Artur Sosnówka RÓWNOLEGŁE PRZETWARZANIE NIEREGULARNYCH ZAGNIEŻDŻONYCH PĘTLI PROGRAMOWYCH Grzegorz Ulacha ZASTOSOWANIE GRADIENTOWO ZALEŻNEJ PREDYKCJI LINIOWEJ DO BEZSTRATNEJ KOMPRESJI OBRAZÓW Abdullah Zair WYBRANE ASPEKTY ZASTOSOWAŃ METOD OPTYMALIZACJI W SYSTEMACH WSPOMAGANIA DECYZJI NA PRZYKŁADZIE ODDZIAŁU CHIRURGII

5 Reguła PID uczenia sztucznych neuronów Jacek Bartman Uniwersytet Rzeszowski, Wydział Matematyczno-Przyrodniczy, Instytut Techniki Abstract: The training of artificial neural networks and strictly related with them artificial neurons are still interesting research areas. A new artificial neurons learning rule PID algorithm has been proposed in this paper. The rule presentation is preceded by brief analysis of the learning algorithms. Their mathematical formulas and short characteristics are presented. The paper compares neurons learning effectiveness of PID algorithm and widely used Delta algorithm. The first results have shown that the demonstrated rule can have better performance and can be less sensitive for choice of learning algorithms. It makes this method very promising for further research. Keywords: artificial neural net, learning rule, PID rule 1. Wprowadzenie Przebieg procesu uczenia sztucznej sieci neuronowej ma charakter stochastyczny, a więc w pewnym zakresie nieprzewidywalny, ta słabość jest jednocześnie największą siłą SSN siłą z której wynika bardzo ważna cecha: sieć może rozwiązywać zadania, których my sami nie potrafimy rozwiązać lub których nie potrafimy zapisać przy pomocy klasycznego aparatu matematycznego. Cała wiedza jaką posiada sieć neuronowa zgromadzona jest w wagach poszczególnych neuronów, a sam proces uczenia polega na modyfikacji wartości tych wag wg określonego algorytmu [2]. Czy jest różnica pomiędzy uczeniem sieci a uczeniem pojedynczego neuronu, czy jest możliwe rozdzielenie tych procesów i potraktowanie osobno? Wydaje się, że tak, warto jednak byłoby wprowadzić jednoznaczną nomenklaturę nazywając uczenie pojedynczych neuronów regułami uczenia, a uczenie całej sieci metodami uczenia. Oczywiście elementem uczenia sieci jest uczenie neuronów, a więc metoda uczenia wykorzystuje regułę bądź reguły uczenia. Reguły uczenia to po prostu opis w jaki sposób modyfikować wagi neuronu, a metody uczenia to opis jak korzystać z reguł uczenia neuronów, jak wyznaczyć wymagane przez nie parametry. Ze względu na rodzaj algorytmu (wzorów), według których w procesie uczenia dokonuje się modyfikacji wag synaptycznych, wyróżnia się szereg reguł uczenia. Niektóre z tych reguł odnoszą się do trybu uczenia z nauczycielem, a niektóre do uczenia bez nauczyciela [9] (rys. 1). Wartość wyjścia neuronu, można zapisać zależnością: y f ( u ) f n i0 w i x i f w T x (1) Metody Informatyki Stosowanej, nr 3/2009 (20), s ISSN Polska Akademia Nauk Oddział w Gdańsku, Komisja Informatyki

6 6 Jacek Bartman T gdzie: 1, x1,x2...xn x0,x1,x2... xn T T,w,w...w w,w,w... w T x wektor sygnałów wejściowych; w b 1 2 n n wektor wag synaptycznych; u potencjał membranowy neuronu. Analiza formuły (1) prowadzi do wniosku, że sztuczny neuron jest elementem realizującym funkcję dwóch zmiennych wektorowych przekształcającym sygnał z przestrzeni n- wymiarowej w przestrzeń jednowymiarową [1]. Przekształcenie wartości z przestrzeni n- wymiarowej w przestrzeń jednowymiarowa odbywa się w bloku sumującym, blok aktywacji nie zmienia wymiarowości a jedynie wartość sygnału. Funkcja przejścia f determinuje zachowanie neuronu, najczęściej stosuje się funkcje typu tangens hiperboliczny lub sinus hiperboliczny gdyż właśnie one najlepiej oddają działanie neuronów biologicznych. Rzadziej wykorzystywane są funkcje: liniowa, bipolarna czy unipolarna, a zastosowanie jeszcze innych funkcji przejścia jest zupełnie marginalne. 2. Uczenie pojedynczego sztucznego neuronu. Reguły uczenia Uczenie neuronu ma na celu dobór takich wartości wag, dla których odpowiedzi elementu są optymalne wedle pewnego przyjętego kryterium - określonego przez odpowiednio zdefiniowaną funkcję celu, której wartość ustala punkt stopu. Uczenie może odbywać się w trybie nadzorowanym (z nauczycielem) lub nienadzorowanym (bez nauczyciela). Uczenie nadzorowane może być stosowane tylko wtedy gdy znana jest oczekiwana odpowiedź neuronu (z), jeżeli oczekiwana odpowiedź nie jest znana wówczas można stosować tylko uczenie nienadzorowane (rys.1.). a) Sygnał wejściowy x Uczony neuron W Oczekiwana odpowiedź z Sygnał wyjściowy y ustalenie błędu =z-y Sygnał wejściowy x Uczony neuron W Sygnał wyjściowy y Rysunek 1. Schemat uczenia nadzorowanego (a) i nienadzorowanego (b) neuronu [9] Wielkość korekty wag zarówno dla uczenia nadzorowanego jak i uczenia nienadzorowanego można opisać zależnością: w( k 1 ) w( k ) w( k ) (2) gdzie wielkość w jest poszukiwaną wartością zmian wag, zaś parametr k wprowadzono w celu podkreśla, iż uczenie neuronu ma charakter iteracyjny. Ogólna zasada uczenia mówi, że korekta wag neuronu winna być proporcjonalna do iloczynu sygnału wejściowego x oraz sygnału uczącego r. Dla dowolnego neuronu regułę uczenia można zapisać wzorem: b) w( k ) r( k ) x( k ) (3)

7 Reguła PID uczenia sztucznych neuronów 7 gdzie: gdzie: współczynnik proporcjonalności (współczynnik uczenia), r sygnał uczący, zdefiniowany jako funkcja trzech zmiennych w - wektor wag neuronu; x - wektor wejściowy; z - sygnał nauczyciela (oczekiwana odpowiedź neuronu). r r w, x,z (4) Warto zauważyć, iż sygnał uczący r może być funkcją wektora wag neuronu, wektora wejściowego oraz sygnału będącego oczekiwaną odpowiedzią elementu. Nie jest wprost zaznaczone, że sygnał uczący może zależeć od odpowiedzi udzielonej przez uczony neuron, ale ponieważ odpowiedź neuronu jest funkcją wektora wag oraz wektora wejściowego (1) więc sygnał uczący również może być jego funkcją. Poniżej scharakteryzowano, znane podstawowe iteracyjne reguły uczenia (modyfikacji wag) sztucznych neuronów. W dalszej części pracy przedstawiono nową regułę uczenia neuronów tzw. regułę PID. Wszystkie przedstawione reguły różnią się jedynie sygnałem uczącym r() Reguła Hebba Reguła umożliwia uczenie w trybie nienadzorowanym i stanowi praktyczną realizację znanej obserwacji z zakresu neurologii odnotowanej przez Hebba [2]: Jeżeli akson komórki A bierze systematycznie udział w pobudzaniu komórki B powodującym jej aktywację, to wywołuje to zmianę metaboliczną w jednej lub w obu komórkach, prowadzącą do wzrostu skuteczności pobudzania komórki B przez komórkę A. Tak sformułowana zasada pozwala jako sygnał uczący przyjąć wyjście neuronu: r y f x (5) wówczas zgodnie z zależnością (3) przyrost wektora wag wynosi: w T t w y x f w xx (6) Analiza zależności (6) prowadzi do wniosku, iż wzmocnieniu ulegają te wagi, których wejścia są aktywne (mają duże x) i towarzyszy im duża wartość odpowiedzi neuronu (y). Występuje wówczas autoasocjacja jeżeli pewien wzór wzbudzenia jest sygnalizowany przez pewne wyjcie y, to w miarę upływu czasu ta sygnalizacja staje się coraz wyraźniejsza. W konsekwencji reguła prowadzi do uzyskania najlepszej korelacji pomiędzy sygnałami wejściowymi, a zapamiętanym w wagach wzorcem. Wadą reguły jest to, iż prowadzi ona do nieograniczonego wzrostu wag. Reguła wymaga wstępnego ustawienia wag na wartości przypadkowe z otoczenia 0 (zera) Reguła korelacyjna Reguła korelacyjna stosowana jest do uczenia nadzorowanego, neuronów z dowolną funkcją aktywacji. Można ją uważać za odpowiednik reguły Hebba wykorzystywanej w uczeniu nienadzorowanym w regule Hebba sygnałem uczącym jest odpowiedź neuronu, a w regule korelacyjnej oczekiwana odpowiedź neuronu:

8 8 Jacek Bartman Korektę wektora wag opisuje zależność: Reguła wymaga przyjęcia zerowych początkowych wartości wag Reguła perceptronowa r z (7) w zx (8) Reguła perceptronowa została zaproponowana przez Rosenblatta w 1958 roku, do uczenia neuronów dyskretnych metodą nadzorowaną [6]. Sygnałem uczącym jest błąd popełniany przez neuron: r z y (9) Dla tak określonego sygnału uczącego zgodnie z zależnością (3) korektę wag można opisać wzorem: Wartości początkowe wag powinny być losowe Reguła Delta w z yx (10) Reguła została opublikowana przez McClellanda i Rumelharta w 1986 roku. Stosuje się ją dla neuronów z ciągłymi funkcjami aktywacji, uczonych w trybie nadzorowanym (z nauczycielem) [4]. Sygnał uczący - uzyskany w wyniku minimalizacji sumy kwadratów błędów - zwany tu sygnałem Delta, zdefiniowany jest w tej regule jako: def z yf w x T r (11) gdzie: δ - sygnał uczący Delta, właściwie jest to przeskalowany błąd neuronu; f x - pierwsza pochodna funkcji aktywacji neuronu. w T W regule tej - zgodnie ze wzorem (3) - przyrost wektora wag wynosi: T z y f w xx w (12) Reguła stanowi odpowiednik reguły perceptronowej dla neuronów o ciągłej funkcji aktywacji i dlatego bywa nazywana ciągłą funkcją perceptronową. Reguła Delta jest najpopularniejszym sposobem uczenia z nauczycielem, jej wielką zaletą jest możliwość uogólnienia zapisu na sieci wielowarstwowe. W regule tej wartości początkowe wag powinny być losowe.

9 Reguła PID uczenia sztucznych neuronów Reguła Widrowa-Hoffa (reguła LMS) Reguła Widrowa-Hoffa została zaproponowana w 1960 roku i odnosi się do uczenia nadzorowanego neuronów o dowolnych funkcjach aktywacji (ciągłych i nieciągłych). Regułę uzyskuje się minimalizując błąd średniokwadratowy pomiędzy oczekiwaną odpowiedzią neuronu, a jego potencjałem membranowym, dlatego nosi też ona nazwę reguły LMS - od nazwy metody optymalizacji - metoda najmniejszych kwadratów (least mean square). Sygnał uczący jest zdefiniowany jako: def r z u z x (13) Podstawiając powyższą zależność do wzoru (3) uzyskujemy wzór pozwalający wyznaczyć wielkość korekty wag neuronu: T w T w z w xx (14) Dla neuronów z liniową funkcją aktywacji reguła Widrowa-Hoffa stanowi szczególny przypadek reguły Delta, w literaturze można nawet spotkać tę regułę pod nazwą reguła delta [3]. W regule Widrowa-Hoff wartości początkowe wag powinny być losowe Algorytm Resilient BackPropagation (RPROP) Algorytm Resilient BP zaproponowali w 1992 roku Riedmiller oraz Braun postuluje on aby przyrost wag był zależny jedynie od znaku gradientu miary błędu (bez uwzględniania jego wartości): E wi i sgn (15) wi gdzie: E funkcja określająca błąd popełniany przez neuron (miara błędu). Charakterystyczną cechą algorytmu jest indywidualne potraktowanie wag neuronów. Otóż dla każdej wagi przypisany jest oddzielny współczynnik uczenia i, który jest modyfikowany w każdym kroku, według następującej zasady: gdy znaki kolejnych gradientów pozostają zgodne - współczynnik uczenia jest zwiększany, natomiast gdy są różne, jest on zmniejszany [6]. 3. Reguła PID Reguła PID odwołuje się do ogólnej zasady uczenia nakazującej aby korekta wag była proporcjonalna do sygnału uczącego r oraz wektora wejściowego x (3). Proponuje się, aby sygnał uczący uwzględniał błąd popełniany przez neuron, szybkość i kierunek zmian tegoż błędu oraz historię uczenia. W celu uwzględnienia wymienionych elementów wprowadza się sygnał uczący składający się z trzech elementów: składnika uwzględniającego błąd popełniany przez neuron, składnika uwzględniającego szybkość i kierunek zmian błędu, składnika uwzględniającego historię zmian.

10 10 Jacek Bartman Prowadzi to do następującej zależności opisującej sygnał uczący r 1 d K p t t dt Td Ti dt t (16) przy czym t zt yt (17) Zaproponowana zależność (16) prowadzi do skojarzenia sposobu wyliczania sygnału uczącego r ze sposobem wyznaczania sterowania w układach automatycznej regulacji. Zasadę wyznaczania sygnału uczącego pokazano na rys. 2. Rysunek 2. Ogólny schemat wyliczania sygnału uczącego w regule PID Wielkości występujące we wzorze (16) mają znaczenie identyczne jak wcześniej, a ponadto (wykorzystano kontekst z automatyki): błąd popełniany przez neuron; K p wzmocnienie; T i stała całkowania określająca wpływ członu całkującego na sygnał uczący definiuje wpływ historii uczenia na wartość sygnału uczącego; T d stała różniczkowania określająca wpływ członu różniczkującego na sygnał uczący definiuje wpływ szybkości zmian błędu na wartość sygnału uczącego. Uwzględniając zależność (16) we wzorze na korektę wag (3) uzyskujemy stosowny wzór dla reguły PID: 1 d w K p t t dt Td Ti dt t x (18) 3.1. Dyskretyzacja algorytmu PID Parametr t występujący w zależności (18) ma charakter ciągły, dlatego bezpośrednie jej zastosowanie do uczenia neuronów nie jest możliwe - gdyż proces uczenia sztucznych neuronów ma charakter iteracyjny - dlatego koniczne jest przeprowadzenie dyskretyzacji reguły PID. W tym celu całkę zastąpimy sumą:

11 Reguła PID uczenia sztucznych neuronów 11 t n k 0 k dt (19) zaś pochodną z błędu popełnianego przez neuron przybliżymy ilorazem różnicowym pierwszego rzędu: T s d( t ) ( k ) ( k 1) dt T s (20) Parametr T s stanowi odpowiednik okresu próbkowania czyli odstępu czasu pomiędzy pobieraniem kolejnych próbek, w przypadku uczenia sieci neuronowej będzie to pojedynczy krok iteracji. Po uwzględnieniu zależności (19) oraz (20) we wzorze na korektę wag (18) uzyskujemy w T n s T d K p k x k k k 1 (21) Ti T k 0 s Podstawiając (zastosowano te same nazwy parametrów gdyż podstawienie prowadzi jedynie do przeskalowania wartości): Ti Td K p, Ti, Td (22) T T uzyskujemy końcowy wzór opisujący korektę wag pojedynczego neuronu wg reguły PID: s n w 1 k x k Td t k 1 (23) Ti k 0 Zaproponowana metoda może być stosowana do uczenia nadzorowanego sztucznych neuronów. Wartości początkowe wag powinny być przypadkowe. 4. Wyniki badań symulacyjnych W celu wstępnego sprawdzenia efektywności zaproponowanej metody przeprowadzono uczenie pojedynczego neuronu reguł bramki NOR oraz przeprowadzono uczenie dla prostego zadania klasyfikacji. Uzyskane rezultaty zestawiono z rezultatami uzyskanymi przy zastosowaniu klasycznej reguły Delta oraz reguły Resilient BP (RPROP). Klasyczna reguła Delty jest metodą bardzo wolną, ale stanowi dobry punkt odniesienia do ogólnej oceny proponowanej reguły PID. Natomiast reguła Resilient BP jest metodą, która w obszarach niewielkiego nachylenia funkcji celu daje bardzo duże przyspieszenie procesu uczenia i pomimo niewielkiej złożoności obliczeniowej zaliczana jest do szybszych metod uczenia. Symulacje wykonano dla losowych wartości początkowych wag. Zagwarantowano jednak, aby dla wszystkich reguł proces uczenia odbywał się z takimi samymi wartościami początkowymi wag zabezpiecza to pełną porównywalność metod. Dla żadnej z reguł nie s

12 12 Jacek Bartman optymalizowano wartości współczynników uczenia, (w przypadku reguły PID -, T i, T d, w przypadku reguły Delta oraz Resilient BP - ) przyjęto dla nich wartość 1. Uczyniono tak ponieważ brak jest metod analitycznego doboru ich wartości, a dokonuje się go w sposób heurystyczny. Zrealizowano po 1000 przebiegów uczenia dla wszystkich reguł Symulacja reguł bramki NOR Ponieważ brak jest metod, które pozwalałyby analitycznie określić punkt stopu dla algorytmów uczenia SSN dlatego badania przeprowadzono dla dwóch różnych wartości końcowych funkcji celu - 0,01 oraz 0,001 (uwzględniono, iż oczekujemy odpowiedzi o wartościach 0 lub 1) Efekty ucznia reguł bramki NOR dla wartości funkcji celu 0.01 W tabeli 1 pokazano tablicę bramki NOR oraz przykładowe odpowiedzi neuronu uczonego porównywanymi regułami (Delta, Resilient BP oraz PID). Uzyskane odpowiedzi różnią się od wartości oczekiwanej, ale nie ulega wątpliwości, iż neuron prawidłowo klasyfikuje sygnały wejściowe - tabela 1. Tabela 1. Zestawienie przykładowych odpowiedzi dla wartości funkcji celu MSE=0.01 Wejścia Odpowiedź oczekiwana Przykładowe odpowiedzi sieci Delta Resilent BP PID Przykładowy przebieg procesu uczenia porównywanych reguł pokazano na rysunku 3 rysunek b) stanowi powiększenie fragmentu rysunku a) w celu ułatwienia porównania przebiegu uczenia regułą PID i Resilient BP. a) b) Rysunek 3. Przykładowy przebieg procesu uczenia neuronu porównywanymi regułami (MSE=0.01) Zestawienie statystyczne wyników symulacji przedstawiono w tabeli 2. Analiza uzyskanych rezultatów prowadzi do wniosku, iż w przypadku końcowej wartości funkcji celu 0.01 uczenie najszybciej przebiegało w oparciu o regułę PID - oczekiwany rezultat uczenia dla

13 Reguła PID uczenia sztucznych neuronów 13 reguły Delta uzyskano średnio po 697 krokach, dla reguły Resilient BP po 18 a dla reguły PID po 7,7 krokach. Tabela 2. Wyniki uczenia poszczególnymi regułami w ujęciu statystycznym (MSE=0.01) Delta Resilient BP PID Wartość maksymalna Wartość minimalna Mediana Średnia ,0 7,7 Odchylenie standardowe 839 5,45 3, Efekty ucznia reguł bramki NOR dla wartości funkcji celu Kolejne badania wykonano zmniejszając dziesięciokrotnie wartość końcową funkcji celu (z 0.01 do 0.001). Przedstawione w tabeli 3 wyniki pokazują, że uzyskane odpowiedzi neuronu są obarczone mniejszym błędem. Tabela 3. Zestawienie przykładowych odpowiedzi dla MSE=0.001 Wejścia Odpowiedź oczekiwana Przykładowe odpowiedzi sieci Delta Resilient BP PID a) b) Rysunek 4. Przykładowy przebieg procesu uczenia neuronu porównywanymi regułami (MSE=0.001) Kolejna tabela zawiera zestawienie statystyczne uzyskanych wyników. Po zmniejszeniu końcowej wartości funkcji celu najszybsza okazała się reguła Resilient BP, która oczekiwany rezultat uczenia osiągała średnio po 20,3 epokach wobec 28,5 epok potrzebnych regule PID oraz 2884 regule Delta. Warto zauważyć, iż odchylenie standardowe w przypadku reguł Resilient BP oraz PID jest zdecydowanie mniejsze niż w przypadku uczenia klasyczną regułą Delta oznacza to, mniejszy rozrzut wyników, co można interpretować jako większa powtarzalność uczenia (w wymiarze liczby epok potrzebnych do nauczenia neuronu).

14 14 Jacek Bartman Tabela 4. Wyniki uczenia poszczególnymi regułami w ujęciu statystycznym (MSE=0.001) Delta Resilient BP PID Wartość maksymalna Wartość minimalna Mediana Średnia ważona ,3 28,5 Odchylenie standardowe 960 4,60 5, Wnioski i spostrzeżenia z badań symulacyjnych bramki NOR Szybkość uczenia regułą PID dla rozważanego przypadku jest porównywalna z szybkością uczenia regułą Resilient BP, reguła Delta jest zdecydowanie wolniejsza. Analiza przebiegów uczenia regułą PID i regułą Resilient BP (rys. 3, rys. 4) prowadzi do wniosku, że uczenie regułą PID powoduje w początkowym etapie szybszy postęp procesu uczenia, natomiast reguła Resilient BP w początkowym etapie uczy się wolniej a w końcowym bardzo szybko. Charakterystyczne dla uczenia regułą PID szarpnięcia (rys.3, rys. 4) (wzrost wartości funkcji celu) prawdopodobnie można wyeliminować odpowiednio dobierając wartości współczynników, T i, T d, w konsekwencji powinno to prowadzić do przyspieszenia procesu uczenia Zadanie klasyfikacji elementów dla danych wejściowych dwuwymiarowych Zadanie klasyfikacji elementów było kolejnym problemem służącym porównaniu efektywności reguł Delta, Resilinet BP oraz PID uczenia sztucznych neuronów. Zadaniem neuronu była klasyfikacja elementów rozmieszczonych na płaszczyźnie (rys. 5.): a1=(2, 11), a2=(7, 10), a3=(8, 16), a4=(10, -6), a5=(15, -10), b1=(-4, 6), b2=(0, 7), b3=(10, 15), b4=(-6, -7), b5=(-10,-4) do dwóch zbiorów A, B: A={a1, a2, a3, a4, a5}, B={b1, b2, b3, b4, b5} Tabela 5 zawiera statystyczne zestawienie uzyskanych rezultatów. Dla reguły Delta okazało się, że neuron nie nauczył się ani razu na 1000 przypadków konieczne jest właściwe dobranie współczynnika uczenia Rysunek 5. Rozkład klasyfikowanych elementów na płaszczyźnie Tabela 5. Wyniki uczenia klasyfikacji elementów w ujęciu statystycznym Resilient BP PID Wartość maksymalna Wartość minimalna Mediana Średnia ważona Odchylenie standardowe 51,5 45,6

15 Reguła PID uczenia sztucznych neuronów 15 Porównanie szybkości uczenia regułami Resilient BP oraz PID wypada na korzyść reguły PID dla której neuron nauczył się średnio po 131 epokach przy 147 epokach uczenia potrzebnych metodzie Resilent BP. Również odchylenie standardowe jest mniejsze dla metody PID. Rysunek 6 pokazuje przykładowy przebieg procesu uczenia neuronu. Kształt krzywej obrazującej uczenie regułą PID jest bardzo nietypowy początkowo praktycznie brak postępów w uczeniu (wartość funkcji celu na przemian wzrasta i maleje) a następnie następuje gwałtowna poprawa. Zachowanie w początkowym etapie uczenia sugeruje, iż parametry (, T i, T d ) są mocno nieoptymalne i właściwe ich dostrojenie winno spowodować poprawę efektywności metody. Wart podkreślenia jest fakt, iż w każdym przypadku (z 1000) sieć uczona regułą PID uzyskiwała zadaną wartość funkcji celu. Rysunek 6. Przykładowy przebieg procesu uczenia neuronu zadania klasyfikacji elementów Kolejne porównanie efektywności uczenia sztucznych neuronów regułami Delta, Resilinet BP oraz PID wykonano wykorzystując dane ze zbioru Baloon set umieszczone w UCI Machine Learning Repository [10]. Zbiór wejściowy składał się z 16 wektorów uczących, opisujących balony, a każdy wektor złożony był z czterech atrybutów: color {yellow, purple}; size {large, small}; act {stretch, dip}; age {adult, child}. Na podstawie danych sieć miała podjąć decyzję czy balon się uniesie czy nie. Zadanie zalicza się więc do problemów klasyfikacji jednak w odróżnieniu od zagadnień rozwiązywanych wcześniej, dane wejściowe nie mają charakteru dwuwymiarowego (łatwego do zaprezentowania na płaszczyźnie i stwierdzenia separowalności liniowej), a charakter wielowymiarowy. Dane z których złożone były wektory uczące posiadały charakter tekstowy, dlatego też konieczne było ich zakodowanie przyjęto bardzo prostą zasadę kodowania przypisując w zależności od wartości każdemu z atrybutów wartość 0 lub 1. W tabeli 6 pokazano dane przed kodowaniem, po zakodowaniu oraz przykładowe odpowiedzi sieci dla każdej z reguła uczenia. Przykładowy przebieg procesu uczenia porównywanych reguł pokazano na rysunku 7 rysunek b) stanowi powiększenie fragmentu rysunku a). Zwraca uwagę fakt, iż przebieg uczenia każdą z porównywanych metod ma charakter monotoniczny (funkcja miary błędu systematycznie maleje do zadanej wartości). W zaprezentowanych powyżej przykładach przebieg uczenia regułą PID miał charakter szarpany (miara błędu na przemian rosła i malała). W analizowanym przypadku zjawisko to nie występuje i w konsekwencji reguła PID osiąga zdecydowanie najszybciej zadaną wartość funkcji celu (miary błędu). Tabela 7 zawiera zestawienie statystyczne uzyskanych wyników. Porównanie szybkości uczenia metodami PID oraz Resilient, BP wypada zdecydowanie na korzyść reguły PID potrzebowały one średnio odpowiednio 20,8 oraz 2,47 epoki do nauczenia neuronu właściwej klasyfikacji elementów. Reguła Delta jest zdecydowanie wolniejsza.

16 16 Jacek Bartman Tabela 6. Zestawienie przykładowych odpowiedzi dla MSE=0.001 Dane z repozytorium Dane po zakodowaniu Przykładowe odpowiedzi sieci Dane wejściowe Odp. Dane wejściowe Odp. Delta ResilientBP PID Yellow Small Stretch Adult T Yellow Small Stretch Child F Yellow Small Dip Adult F Yellow Small Dip Child F Yellow Large Stretch Adult T Yellow Large Stretch Child F Yellow Large Dip Adult F Yellow Large Dip Child F Purple Small Stretch Adult T Purple Small Stretch Child F Purple Small Dip Adult F Purple Small Dip Child F Purple Large Stretch Adult T Purple Large Stretch Child F Purple Large Dip Adult F Purple Large Dip Child F a) b) Rysunek 7. Przykładowy przebieg procesu uczenia neuronu porównywanymi regułami Tabela.7. Wyniki uczenia klasyfikacji elementów w ujęciu statystycznym Delta Resilient BP PID Wartość maksymalna Wartość minimalna Mediana Średnia ważona ,8 2,47 Odchylenie standardowe 289 4,0 0,792

17 Reguła PID uczenia sztucznych neuronów Badania na danych eksperckich. Dane do kolejnych badań zaczerpnięto ze zbioru Acute Inflammations Data Set [11] umieszczonego w UCI Machine Learning Repository. Dane zostały stworzone przez eksperta medycznego w celu zbudowania systemu eksperckiego wykonującego diagnostykę dwóch domniemanych chorób układu moczowego - zapalenia pęcherza moczowego oraz zapalenia nerek. Każdy rekord reprezentuje potencjalnego pacjenta opisanego poprzez następujące atrybuty: temperaturę ciała {35C - 42C), złe samopoczucie, nudności {tak, nie}, ból lędźwiowy {tak, nie}, ciągłą potrzebę oddawania moczu {tak, nie}, ból podczas oddawania moczu {tak, nie}, obrzęk cewki moczowej {tak, nie}. Dane logiczne (tak/nie) wymagały odpowiedniego zakodowania w tym celu wartości tak przypisano 1, a wartości nie Klasyfikacja danych eksperckich W artykule przedstawiono przypadek uczenia sztucznej sieci neuronowej rozpoznawania zapalenia nerek na podstawie danych zawartych w wektorze wejściowym (rekordzie). Tak postawione zadanie jest zadaniem z dziedziny klasyfikacji. Uczenie przeprowadzono w oparciu o reguły PID oraz Resilient BP. Zrezygnowano z uczenia regułą Delta gdyż wymagała ona precyzyjnego doboru współczynnika uczenia. Na rys. 8. przedstawiono przykładowy przebieg uczenia dla obu porównywanych metod jak widać reguła PID jest wyraźnie szybsza. Spostrzeżenie to potwierdzają zawarte w tabeli 8 zestawienia statystyczne na 1000 wykonanych prób reguła PID średnio po 15,7 epokach uzyskiwała założoną dopuszczalną wartość błędu, a reguła Resilient BP po 57 epokach. Rysunek 8. Przebieg uczenia neuronów zadania klasyfikacji elementów eksperckich Tabela 8. Wyniki uczenia klasyfikacji elementów eksperckich w ujęciu statystycznym Resilient BP PID Wartość maksymalna Wartość minimalna 24 1 Mediana Średnia ważona 57,0 15,7 Odchylenie standardowe 15,3 6,07

18 18 Jacek Bartman Diagnostyka W kolejnym eksperymencie dane eksperckie podzielono na dwie grupy grupę danych uczących oraz grupę danych testowych. Do zbioru uczącego włączono 40 spośród 120 wektorów z danymi uczącymi. Przykładowy przebieg procesu uczenia pokazano na rysunku 9 a zestawienie statystyczne uzyskanych rezultatów (na podstawie 1000 powtórzeń) zebrano w tabeli 9. Uczenie skróconym zbiorem uczącym przebiegało nieco wolniej, ale w tym przypadku podobnie jak we wcześniejszym reguła PID okazała się szybsza od Resilient BP, uzyskując pożądany efekt uczenia po 43,5 epokach wobec 63,6 epok reguły Resilient BP. Rysunek 9. Przebieg uczenia neuronów zadania diagnostycznego Tabela 9. Wyniki uczenia skróconym zbiorem danych eksperckich w ujęciu statystycznym Resilient BP PID Wartość maksymalna Wartość minimalna 27 4 Mediana Średnia ważona 63,6 43,5 Odchylenie standardowe 18,0 16,2 Zasadniczym zadaniem w analizowanym przypadku było określenie jak reguła uczenia wpłynęła na zdolność do uogólniania. W zbiorze testowym (rozłącznym ze zbiorem uczącym) umieszczono 80 przypadków zdefiniowanych przez eksperta. Wykonano 100 krotnie uczenie neuronów po każdym sprawdzając poprawność jego odpowiedzi na dane testowe. Przyjęto, iż w przypadku oczekiwanej odpowiedzi 0 jako poprawną (nie budzącą wątpliwości) uznaje się odpowiedź nie przekraczającą 0,3 a w przypadku oczekiwanej odpowiedzi 1 za poprawną uznano wartości nie mniejsze niż 0,7. Uzyskane podczas badań wyniki zebrano w tabeli 10, należy podkreślić, iż liczba błędnych diagnoz była bardzo mała. Neuron uczony regułą PID 15 krotnie podał błędną odpowiedź na 800 prób a uczony regułą Resilient BP 10 krotnie wystawił błędną diagnozę w analogicznej liczbie prób. Dla pojedynczego uczenia neuron uczony regułą PID maksymalnie dla 1 przypadku udzielił błędnej odpowiedzi a dla reguły Resilient BP dla 2 przypadków. Tabela.10. Wyniki uczenia skróconym zbiorem danych eksperckich w ujęciu statystycznym Resilient BP PID Liczba błędnych diagnoz w 800 przypadkach Maksymalna liczba błędów dla 1 epoki danych testowych 2 1 Minimalna liczba błędów dla 1 epoki danych testowych 0 0

19 Reguła PID uczenia sztucznych neuronów Podsumowanie Uczenie sztucznych sieci neuronowych i bezpośrednio z nim związane uczenie sztucznych neuronów są ciągle interesującymi obszarami badawczymi pomimo, iż istnieje wiele reguł opisujących w jaki sposób korygować wagi neuronu, aby jego zachowanie było zgodne z oczekiwanym. W literaturze można znaleźć opisy reguł gradientowych jak i również charakteryzujących się większą złożonością obliczeniową reguł wykorzystujących macierz hesjanu funkcji celu. W pracy zaproponowano nowa regułę uczenia sztucznych neuronów regułę PID oraz dokonano porównania jej efektywności z klasyczną regułą Delty oraz regułą Resilient BP. Wstępne wyniki są zachęcające do podjęcia dalszych badań. W większości przebadanych przypadków reguła PID okazała się nieco szybsza od reguły Resilient BP oraz zdecydowanie szybsza od reguły Delty. Interesujące wydaje się być porównanie jej z innymi regułami uczenia oraz ustalenie wpływu współczynników (, T i, T d ) na jej szybkość oraz stabilność. Przebieg procesu uczenia regułą PID w wielu przypadkach miał bardzo nietypowy charakter (rys. 6, rys. 8, rys 9) wartość funkcji celu (będącej miarą błędu) przez długi czas pozostawała praktycznie niezmieniona, by następnie gwałtownie osiągnąć pożądaną wartość. Nieodzowne jest przeprowadzenie badań, które wyjaśnią czym jest to spowodowane niewłaściwym doborem współczynników uczenia(, T i, T d ), kolejnością podawania wzorców (była ona losowa), czy też jakimś innym czynnikiem. Przedstawione badania ograniczyły się do analizy uczenia pojedynczego neuronu intrygujące będzie wykorzystanie reguły w metodzie wstecznej propagacji błędu do uczenia całej sieci i zestawienie uzyskanych rezultatów z rezultatami jakie daje klasyczna metoda wstecznej propagacji błędu. Bibliografia [1] Bielecki A. Mathematical model of architecture and learning processes of artificial neural networks. TASK Quarterly 7 no 1/2003, s [2] Hebb D. The organization of behaviour. Wiley, New York, 1949 [3] Korbicz J., Obuchowicz A., Uciński D. Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa [4] McClelland T.L., Rumelhart D.E., and the PDP Research Group. Paralell Distributed Processing. MIT Press, Cambridge, Mass [5] Osowski St. Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa [6] Rosenblatt F. The perceptron: A probalistic model for information storage and organization in the brain. Psychology Review no 65/1958 s [7] Tadeusiewicz R. Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa [8] Widrow B., Hoff M. E. Adaptive switching circuits. New York IRE WESCON Conventional Record 1960, s [9] Żurada J., Barski M., Jędruch W. Sztuczne sieci neuronowe. Podstawa teorii i zastosowania. PWN, Warszawa [10] Asuncion, A., Newman, D.J. UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science, [http://www.ics.uci.edu/~mlearn/mlrepository.html] [11] Czerniak J., Zarzycki H., Application of rough sets in the presumptive diagnosis of urinary system diseases. Artificial Intelligence and Security in Computing Systems, ACS'2002 9th International Conference Proceedings, Kluwer Academic Publishers,2003, pp

20

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

Regulator PID w sterownikach programowalnych GE Fanuc

Regulator PID w sterownikach programowalnych GE Fanuc Regulator PID w sterownikach programowalnych GE Fanuc Wykład w ramach przedmiotu: Sterowniki programowalne Opracował na podstawie dokumentacji GE Fanuc dr inż. Jarosław Tarnawski Cel wykładu Przypomnienie

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

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

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

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

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

Grafika komputerowa i wizualizacja

Grafika komputerowa i wizualizacja Grafika komputerowa i wizualizacja Radosław Mantiuk ( rmantiuk@wi.zut.edu.pl, p. 315 WI2) http://rmantiuk.zut.edu.pl Katedra Systemów Multimedialnych Wydział Informatyki, Zachodniopomorski Uniwersytet

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

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

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się

Bardziej szczegółowo

SPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD

SPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD Dr inż. Jacek WARCHULSKI Dr inż. Marcin WARCHULSKI Mgr inż. Witold BUŻANTOWICZ Wojskowa Akademia Techniczna SPOSOBY POMIARU KĄTÓW W PROGRAMIE AutoCAD Streszczenie: W referacie przedstawiono możliwości

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

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

Scenariusz lekcji opartej na programie Program nauczania informatyki w gimnazjum DKW-4014-87/99

Scenariusz lekcji opartej na programie Program nauczania informatyki w gimnazjum DKW-4014-87/99 Scenariusz lekcji opartej na programie Program nauczania informatyki w gimnazjum DKW-4014-87/99 Techniki algorytmiczne realizowane przy pomocy grafiki żółwia w programie ELI 2,0. Przedmiot: Informatyka

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

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu

Bardziej szczegółowo

Praca dyplomowa magisterska

Praca dyplomowa magisterska Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji

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

LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów

LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki

Bardziej szczegółowo

Integracja systemu CAD/CAM Catia z bazą danych uchwytów obróbkowych MS Access za pomocą interfejsu API

Integracja systemu CAD/CAM Catia z bazą danych uchwytów obróbkowych MS Access za pomocą interfejsu API Dr inż. Janusz Pobożniak, pobozniak@mech.pk.edu.pl Instytut Technologii Maszyn i Automatyzacji produkcji Politechnika Krakowska, Wydział Mechaniczny Integracja systemu CAD/CAM Catia z bazą danych uchwytów

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

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

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1) ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest

Bardziej szczegółowo

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby

Bardziej szczegółowo

Analiza korespondencji

Analiza korespondencji Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy

Bardziej szczegółowo

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. 1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy

Bardziej szczegółowo

WYBÓR PUNKTÓW POMIAROWYCH

WYBÓR PUNKTÓW POMIAROWYCH Scientific Bulletin of Che lm Section of Technical Sciences No. 1/2008 WYBÓR PUNKTÓW POMIAROWYCH WE WSPÓŁRZĘDNOŚCIOWEJ TECHNICE POMIAROWEJ MAREK MAGDZIAK Katedra Technik Wytwarzania i Automatyzacji, Politechnika

Bardziej szczegółowo

MODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ

MODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ Jarosław MAŃKOWSKI * Andrzej ŻABICKI * Piotr ŻACH * MODELOWANIE POŁĄCZEŃ TYPU SWORZEŃ OTWÓR ZA POMOCĄ MES BEZ UŻYCIA ANALIZY KONTAKTOWEJ 1. WSTĘP W analizach MES dużych konstrukcji wykonywanych na skalę

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

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

PROGRAM SEMINARIUM ZAKOPANE 2011. czwartek, 1 grudnia 2011 r. Sesja przedpołudniowa

PROGRAM SEMINARIUM ZAKOPANE 2011. czwartek, 1 grudnia 2011 r. Sesja przedpołudniowa czwartek, 1 grudnia 2011 r. Sesja przedpołudniowa 9.30 9.40: 9.40 10.10: 10.10 10.40: 10.40 11.00: Otwarcie seminarium Prof. dr hab. inż. Tadeusz Czachórski prof. dr hab. inż. Robert Schaeffer, prezentacja:

Bardziej szczegółowo

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie

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

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.

SCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie. SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:

Bardziej szczegółowo

Mathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje

Mathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje Mathcad c.d. - Macierze, wykresy 3D, rozwiązywanie równań, pochodne i całki, animacje Opracował: Zbigniew Rudnicki Powtórka z poprzedniego wykładu 2 1 Dokument, regiony, klawisze: Dokument Mathcada realizuje

Bardziej szczegółowo

ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH

ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Małgorzata Szerszunowicz Uniwersytet Ekonomiczny w Katowicach ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Wprowadzenie Statystyczna kontrola jakości ma na celu doskonalenie procesu produkcyjnego

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

Definicje. Algorytm to:

Definicje. Algorytm to: Algorytmy Definicje Algorytm to: skończony ciąg operacji na obiektach, ze ściśle ustalonym porządkiem wykonania, dający możliwość realizacji zadania określonej klasy pewien ciąg czynności, który prowadzi

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

Bardziej szczegółowo

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,

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

Metoda elementów skończonych

Metoda elementów skończonych Metoda elementów skończonych Wraz z rozwojem elektronicznych maszyn obliczeniowych jakimi są komputery zaczęły pojawiać się różne numeryczne metody do obliczeń wytrzymałości różnych konstrukcji. Jedną

Bardziej szczegółowo

WYMAGANIE EDUKACYJNE Z MATEMATYKI W KLASIE II GIMNAZJUM. dopuszczającą dostateczną dobrą bardzo dobrą celującą

WYMAGANIE EDUKACYJNE Z MATEMATYKI W KLASIE II GIMNAZJUM. dopuszczającą dostateczną dobrą bardzo dobrą celującą 1. Statystyka odczytać informacje z tabeli odczytać informacje z diagramu 2. Mnożenie i dzielenie potęg o tych samych podstawach 3. Mnożenie i dzielenie potęg o tych samych wykładnikach 4. Potęga o wykładniku

Bardziej szczegółowo

Walidacja metod analitycznych Raport z walidacji

Walidacja metod analitycznych Raport z walidacji Walidacja metod analitycznych Raport z walidacji Małgorzata Jakubowska Katedra Chemii Analitycznej WIMiC AGH Walidacja metod analitycznych (według ISO) to proces ustalania parametrów charakteryzujących

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

PLAN REALIZACJI MATERIAŁU NAUCZANIA Z INFORMATYKI II. Uczeń umie: Świadomie stosować się do zasad regulaminów (P).

PLAN REALIZACJI MATERIAŁU NAUCZANIA Z INFORMATYKI II. Uczeń umie: Świadomie stosować się do zasad regulaminów (P). PLAN REALIZACJI MATERIAŁU NAUCZANIA Z INFORMATYKI II DZIAŁ I: KOMPUTER W ŻYCIU CZŁOWIEKA. 1. Lekcja organizacyjna. Zapoznanie uczniów z wymaganiami edukacyjnymi i PSP. 2. Przykłady zastosowań komputerów

Bardziej szczegółowo

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH 1. Czym jest eksploracja danych Eksploracja danych definiowana jest jako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych

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

ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN

ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 141-146, Gliwice 2009 ZASTOSOWANIE TECHNOLOGII WIRTUALNEJ RZECZYWISTOŚCI W PROJEKTOWANIU MASZYN KRZYSZTOF HERBUŚ, JERZY ŚWIDER Instytut Automatyzacji Procesów

Bardziej szczegółowo

Przykładowa analiza danych

Przykładowa analiza danych Przykładowa analiza danych W analizie wykorzystano dane pochodzące z publicznego repozytorium ArrayExpress udostępnionego na stronach Europejskiego Instytutu Bioinformatyki (http://www.ebi.ac.uk/). Zbiór

Bardziej szczegółowo

4.3 Grupowanie według podobieństwa

4.3 Grupowanie według podobieństwa 4.3 Grupowanie według podobieństwa Przykłady obiektów to coś więcej niż wektory wartości atrybutów. Reprezentują one poszczególne rasy psów. Ważnym pytaniem, jakie można sobie zadać, jest to jak dobrymi

Bardziej szczegółowo

Heurystyki. Strategie poszukiwań

Heurystyki. Strategie poszukiwań Sztuczna inteligencja Heurystyki. Strategie poszukiwań Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski DLACZEGO METODY PRZESZUKIWANIA? Sztuczna Inteligencja

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: moduł specjalności obowiązkowy: Inżynieria oprogramowania, Sieci komputerowe Rodzaj zajęć: wykład, laboratorium MODELOWANIE I SYMULACJA Modelling

Bardziej szczegółowo

TP1 - TABELE PRZESTAWNE od A do Z

TP1 - TABELE PRZESTAWNE od A do Z TP1 - TABELE PRZESTAWNE od A do Z Program szkolenia 1. Tabele programu Excel 1.1. Wstawianie tabeli 1.2. Style tabeli 1.3. Właściwości tabeli 1.4. Narzędzia tabel 1.4.1. Usuń duplikaty 1.4.2. Konwertuj

Bardziej szczegółowo

Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji

Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody

Bardziej szczegółowo

Sieci neuronowe - dokumentacja projektu

Sieci neuronowe - dokumentacja projektu Sieci neuronowe - dokumentacja projektu Predykcja finansowa, modelowanie wskaźnika kursu spółki KGHM. Piotr Jakubas Artur Kosztyła Marcin Krzych Kraków 2009 1. Sieci neuronowe - dokumentacja projektu...

Bardziej szczegółowo

Opis postępowania przy eksportowaniu geometrii z systemu Unigraphics NX do pakietu PANUKL (ver. A)

Opis postępowania przy eksportowaniu geometrii z systemu Unigraphics NX do pakietu PANUKL (ver. A) 1 Opis postępowania przy eksportowaniu geometrii z systemu Unigraphics NX do pakietu PANUKL (ver. A) Przedstawiony poniżej schemat przygotowania geometrii w systemie Unigraphics NX na potrzeby programu

Bardziej szczegółowo

Dokumentacja Końcowa

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

Bardziej szczegółowo

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

Algorytm. Słowo algorytm pochodzi od perskiego matematyka Mohammed ibn Musa al-kowarizimi (Algorismus - łacina) z IX w. ne.

Algorytm. Słowo algorytm pochodzi od perskiego matematyka Mohammed ibn Musa al-kowarizimi (Algorismus - łacina) z IX w. ne. 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

Zastosowania Robotów Mobilnych

Zastosowania Robotów Mobilnych Zastosowania Robotów Mobilnych Temat: Zapoznanie ze środowiskiem Microsoft Robotics Developer Studio na przykładzie prostych problemów nawigacji. 1) Wstęp: Microsoft Robotics Developer Studio jest popularnym

Bardziej szczegółowo

Procesowa specyfikacja systemów IT

Procesowa specyfikacja systemów IT Procesowa specyfikacja systemów IT BOC Group BOC Information Technologies Consulting Sp. z o.o. e-mail: boc@boc-pl.com Tel.: (+48 22) 628 00 15, 696 69 26 Fax: (+48 22) 621 66 88 BOC Management Office

Bardziej szczegółowo

Automatyczny dobór parametrów algorytmu genetycznego

Automatyczny dobór parametrów algorytmu genetycznego Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja

Bardziej szczegółowo

Klasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,

Klasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L, Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której

Bardziej szczegółowo

Spis treści 1. Wstęp 2. Ćwiczenia laboratoryjne LPM

Spis treści 1. Wstęp 2. Ćwiczenia laboratoryjne LPM Spis treści 1. Wstęp... 9 2. Ćwiczenia laboratoryjne... 12 2.1. Środowisko projektowania Quartus II dla układów FPGA Altera... 12 2.1.1. Cel ćwiczenia... 12 2.1.2. Wprowadzenie... 12 2.1.3. Przebieg ćwiczenia...

Bardziej szczegółowo

SCENARIUSZ LEKCJI. TEMAT LEKCJI: O czym mówią współczynniki funkcji liniowej? - wykorzystanie arkusza kalkulacyjnego na lekcjach matematyki

SCENARIUSZ LEKCJI. TEMAT LEKCJI: O czym mówią współczynniki funkcji liniowej? - wykorzystanie arkusza kalkulacyjnego na lekcjach matematyki SCENARIUSZ LEKCJI OPRACOWANY w RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE i OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:

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

Spis treści. I. Skuteczne. Od autora... Obliczenia inżynierskie i naukowe... Ostrzeżenia...XVII

Spis treści. I. Skuteczne. Od autora... Obliczenia inżynierskie i naukowe... Ostrzeżenia...XVII Spis treści Od autora..................................................... Obliczenia inżynierskie i naukowe.................................. X XII Ostrzeżenia...................................................XVII

Bardziej szczegółowo

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I Rozkład zgodny

Bardziej szczegółowo

Wykład FIZYKA I. 5. Energia, praca, moc. http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html. Dr hab. inż. Władysław Artur Woźniak

Wykład FIZYKA I. 5. Energia, praca, moc. http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html. Dr hab. inż. Władysław Artur Woźniak Wykład FIZYKA I 5. Energia, praca, moc Dr hab. inż. Władysław Artur Woźniak Instytut Fizyki Politechniki Wrocławskiej http://www.if.pwr.wroc.pl/~wozniak/fizyka1.html ENERGIA, PRACA, MOC Siła to wielkość

Bardziej szczegółowo

Badania w sieciach złożonych

Badania w sieciach złożonych Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar

Bardziej szczegółowo

Programowanie obiektowe

Programowanie obiektowe Laboratorium z przedmiotu Programowanie obiektowe - zestaw 02 Cel zajęć. Celem zajęć jest zapoznanie z praktycznymi aspektami projektowania oraz implementacji klas i obiektów z wykorzystaniem dziedziczenia.

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

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

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA

ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA ZASTOSOWANIE ZASADY MAKSIMUM PONTRIAGINA DO ZAGADNIENIA DYNAMICZNYCH LOKAT KAPITAŁOWYCH Krzysztof Gąsior Uniwersytet Rzeszowski Streszczenie Celem referatu jest zaprezentowanie praktycznego zastosowania

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

BADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH

BADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH BADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH Dr inż. Artur JAWORSKI, Dr inż. Hubert KUSZEWSKI, Dr inż. Adam USTRZYCKI W artykule przedstawiono wyniki analizy symulacyjnej

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

Testy nieparametryczne

Testy nieparametryczne Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów

Bardziej szczegółowo

Systemy Optymalizacji Oświetlenia Zewnętrznego Kontekst Informatyczny. Dr hab. Leszek Kotulski, prof. AGH Dr Adam Sędziwy KIS WEAIiIB AGH

Systemy Optymalizacji Oświetlenia Zewnętrznego Kontekst Informatyczny. Dr hab. Leszek Kotulski, prof. AGH Dr Adam Sędziwy KIS WEAIiIB AGH Systemy Optymalizacji Oświetlenia Zewnętrznego Kontekst Informatyczny Dr hab. Leszek Kotulski, prof. AGH Dr Adam Sędziwy KIS WEAIiIB AGH Motywacja Dlaczego my zajmujemy się oświetleniem? Wymiana infrastruktury

Bardziej szczegółowo

Wymagania edukacyjne na ocenę z informatyki KLASA III

Wymagania edukacyjne na ocenę z informatyki KLASA III Wymagania edukacyjne na ocenę z informatyki KLASA III 0. Logo [6 godz.] PODSTAWA PROGRAMOWA: Rozwiązywanie problemów i podejmowanie decyzji z wykorzystaniem komputera, stosowanie podejścia algorytmicznego.

Bardziej szczegółowo

Projekt rejestratora obiektów trójwymiarowych na bazie frezarki CNC. The project of the scanner for three-dimensional objects based on the CNC

Projekt rejestratora obiektów trójwymiarowych na bazie frezarki CNC. The project of the scanner for three-dimensional objects based on the CNC Dr inż. Henryk Bąkowski, e-mail: henryk.bakowski@polsl.pl Politechnika Śląska, Wydział Transportu Mateusz Kuś, e-mail: kus.mate@gmail.com Jakub Siuta, e-mail: siuta.jakub@gmail.com Andrzej Kubik, e-mail:

Bardziej szczegółowo

Wymagania edukacyjne z informatyki dla klasy szóstej szkoły podstawowej.

Wymagania edukacyjne z informatyki dla klasy szóstej szkoły podstawowej. Wymagania edukacyjne z informatyki dla klasy szóstej szkoły podstawowej. Dział Zagadnienia Wymagania podstawowe Wymagania ponadpodstawowe Arkusz kalkulacyjny (Microsoft Excel i OpenOffice) Uruchomienie

Bardziej szczegółowo

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II Rozkład wymagający

Bardziej szczegółowo

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie minimalizacji bez ograniczeń f(ˆx) = min x R nf(x) f : R n R funkcja ograniczona z dołu Algorytm rozwiazywania Rekurencyjny

Bardziej szczegółowo

Alicja Marszałek Różne rodzaje baz danych

Alicja Marszałek Różne rodzaje baz danych Alicja Marszałek Różne rodzaje baz danych Rodzaje baz danych Bazy danych można podzielić wg struktur organizacji danych, których używają. Można podzielić je na: Bazy proste Bazy złożone Bazy proste Bazy

Bardziej szczegółowo

Metoda wizualizacji danych z AIS na potrzeby nawigatora

Metoda wizualizacji danych z AIS na potrzeby nawigatora DRAMSKI Mariusz 1 Metoda wizualizacji danych z AIS na potrzeby nawigatora WSTĘP W dobie nowoczesnej nawigacji na statkach morskich wykorzystywane są coraz nowsze i bardziej zaawansowane narzędzia wspomagające

Bardziej szczegółowo

ANALIZA ALGORYTMÓW. Analiza algorytmów polega między innymi na odpowiedzi na pytania:

ANALIZA ALGORYTMÓW. Analiza algorytmów polega między innymi na odpowiedzi na pytania: ANALIZA ALGORYTMÓW Analiza algorytmów polega między innymi na odpowiedzi na pytania: 1) Czy problem może być rozwiązany na komputerze w dostępnym czasie i pamięci? 2) Który ze znanych algorytmów należy

Bardziej szczegółowo

Osiągnięcia ponadprzedmiotowe

Osiągnięcia ponadprzedmiotowe W rezultacie kształcenia matematycznego uczeń potrafi: Osiągnięcia ponadprzedmiotowe Umiejętności konieczne i podstawowe czytać teksty w stylu matematycznym wykorzystywać słownictwo wprowadzane przy okazji

Bardziej szczegółowo

Rekurencja (rekursja)

Rekurencja (rekursja) Rekurencja (rekursja) Rekurencja wywołanie funkcji przez nią samą wewnątrz ciała funkcji. Rekurencja może być pośrednia funkcja jest wywoływana przez inną funkcję, wywołaną (pośrednio lub bezpośrednio)

Bardziej szczegółowo

System bonus-malus z mechanizmem korekty składki

System bonus-malus z mechanizmem korekty składki System bonus-malus z mechanizmem korekty składki mgr Kamil Gala Ubezpieczeniowy Fundusz Gwarancyjny dr hab. Wojciech Bijak, prof. SGH Ubezpieczeniowy Fundusz Gwarancyjny, Szkoła Główna Handlowa Zagadnienia

Bardziej szczegółowo

Dobór parametrów regulatora - symulacja komputerowa. Najprostszy układ automatycznej regulacji można przedstawić za pomocą

Dobór parametrów regulatora - symulacja komputerowa. Najprostszy układ automatycznej regulacji można przedstawić za pomocą Politechnika Świętokrzyska Wydział Mechatroniki i Budowy Maszyn Centrum Laserowych Technologii Metali PŚk i PAN Zakład Informatyki i Robotyki Przedmiot:Podstawy Automatyzacji - laboratorium, rok I, sem.

Bardziej szczegółowo

ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia

ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia ZP/ITS/11/2012 Załącznik nr 1a do SIWZ ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Wyznacz transformaty Laplace a poniższych funkcji, korzystając z tabeli transformat: a) 8 3e 3t b) 4 sin 5t 2e 5t + 5 c) e5t e

Bardziej szczegółowo

Projekt współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego Innowacyjna Gospodarka

Projekt współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego Innowacyjna Gospodarka Projekt współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego Innowacyjna Gospodarka Poznań, 16.05.2012r. Raport z promocji projektu Nowa generacja energooszczędnych

Bardziej szczegółowo

Ćwiczenie 1 Planowanie trasy robota mobilnego w siatce kwadratów pól - Algorytm A

Ćwiczenie 1 Planowanie trasy robota mobilnego w siatce kwadratów pól - Algorytm A Ćwiczenie 1 Planowanie trasy robota mobilnego w siatce kwadratów pól - Algorytm A Zadanie do wykonania 1) Utwórz na pulpicie katalog w formacie Imię nazwisko, w którym umieść wszystkie pliki związane z

Bardziej szczegółowo

Politechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2013/2014

Politechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2013/2014 Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Mechaniczny obowiązuje studentów rozpoczynających studia w roku akademickim 013/014 Kierunek studiów: Informatyka Stosowana Forma

Bardziej szczegółowo