1. Wstęp Ideą podejścia wielomodelowego jest łączenie nazywane także agregacją wyników M modeli bazowych D 1, w jeden model zagregowany
|
|
- Lidia Kowalewska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Marcn Pełka Unwersytet Ekonoczny we Wrocławu Podeśce weloodelowe z wykorzystane etody boostng w analze danych sybolcznych Streszczene Cele artykułu est zaprezentowane ożlwośc wykorzystana etody boostng w agregac odel dla danych sybolcznych z zastosowane etody k-nablższych sąsadów ako klasyfkatora bazowego. W artykule przedstawono podstawowe poęca z zakresu analzy danych sybolcznych, etody k-nablższych sąsadów. W częśc epryczne przedstawono zastosowane podeśca weloodelowego dla danych sybolcznych dla kredytów konsupcynych. Słowa kluczowe: analza danych sybolcznych, podeśce weloodelowe, boostng. 1. Wstęp Ideą podeśca weloodelowego est łączene nazywane także agregacą wynków M odel bazowych D 1,, D M w eden odel zagregowany * D, por. [Kuncheva 2004, s. 6-7; Walesak, Gatnar 2009, s. 261; Gatnar 2008, s. 62]. Cele zastosowana podeśca weloodelowego, zaast wykorzystana poedynczego odelu, est zneszene błędu predykc. Oznacza to, że odel połączony est odele bardze dokładny nż akkolwek z poedynczych odel, które wchodzą w ego skład, zob. [ Gatnar 2008, s. 62]. Metoda boostng est drugą obok etody baggng z bardze znanych etod stosowanych w podeścu weloodelowy. Metoda ta została zaproponowana pod nazwą AdaBoost przez Freunda Schapre w 1995 r., zob. [Gatnar 2008, s. 148; Freund, Schapre 1997, s. 119]. Cele artykułu est zaprezentowane ożlwośc zastosowana odyfkac etody boostng w agregac odel dla danych sybolcznych z wykorzystane etody k-nablższych sąsadów ako klasyfkatora bazowego. W częśc epryczne przedstawono wynk badań z wykorzystane zboru kredytów konsupcynych. 2. Dane sybolczne Obekty sybolczne ogą być opsywane przez następuące rodzae zennych sybolcznych [Bock, Dday 2000, s. 2-3]: 1
2 1) zenne w uęcu klasyczny, t. lorazowe, przedzałowe, porządkowe, nonalne; 2) zenne sybolczne, t. zenne: nterwałowe, których realzacą są przedzały lczbowe rozłączne lub nerozłączne; welowarantowe, gdze realzacą zenne est węce nż eden warant (lczba lub kategora); welowarantowe z waga, gdze realzacą zenne oprócz welu warantów są dodatkowo wag (lub prawdopodobeństwa) dla każdego z warantów zenne dla danego obektu. Nezależne od typu zenne w analze danych sybolcznych ożey eć do czynena ze zenny strukturalny [Bock, Dday 2000, s. 2-3; 33-37]. Do tego typu zennych zalcza sę zenne herarchczne w których a pror ustalone są reguły decyduące o ty, czy dana zenna opsue dany obekt czy ne; zenne taksonoczne w których ustalone są a pror realzace dane zenne; zenne logczne t. take, dla których ustalono a pror reguły logczne lub funkcyne, które decyduą o wartoścach zenne. W analze danych sybolcznych wyróżna sę dwa typy obektów sybolcznych: obekty sybolczne perwszego rzędu obekty rozuane w sense klasyczny (obekty eleentarne), np. konsuent, przedsęborstwo, produkt, pacent czy gospodarstwo doowe, obekty sybolczne drugego rzędu obekty utworzone w wynku agregac zboru obektów sybolcznych perwszego rzędu, np. grupa konsuentów preferuąca określony produkt, regon geografczny (ako wynk agregac podregonów). 3. Idea etody boostng Drugą, obok etody baggng, popularną etodą łączena odel bazowych est etoda boostng, zob. [Gartnar 2008, s ; Polkar 2006, s ; Kuncheva 2004, s ]. Metoda ta realzue w swe konstrukc archtekturę szeregową odel zagregowanych (zob. rys. 1). Oznacza to, że wynk kolenych odel zależą od wynków odel poprzednch. O D 1 D 2... D M D*(O ) Źródło: [Gatnar2008, s. 69]. Rys. 1. Archtektura szeregowa 2
3 Metoda boostng polega na poprawanu (nacze wzacnanu) dokładnośc predykc odelu zagregowanego D,, * D w rezultace odyfkac kolenych odel bazowych 1 D M, por. [Gatnar 2008, s. 145]. Poprawę dokładnośc predykc uzyskue sę poprzez zastosowane podwónego systeu wag. Perwszy dotyczy obserwac polega na ty, że obserwace, które błędne sklasyfkował -ty odel D, otrzyuą wyższe wag. Drug syste wag polega na przydzelenu każdeu z odel wag proporconalnych do błędu ego predykc. Obserwace są losowane do każdego z M odel bazowych zgodne z przypsany waga, których sua dla obektu us wynosć eden, zob. [Gatnar 2008, s. 145; Kuncheva 2004, s. 216; Polkar 2006, s. 29]. Algoryt etody boostng zostane oówony na przykładze algorytu AdaBoost (nazwa pochodz od Adaptve Boostng) [por. Gatnar 2008, s. 146]. Algoryt ten składa sę z czterech kroków [Gatnar 2008, s. 146; Polkar 2006, s ; Kuncheva 2004, s. 216]: 1. Ustalene lczby odel bazowych M. 2. Ustalene początkowych wag obserwac ze zboru uczącego U : a) wag ogą być odwrotne proporconalne do lczby obektów w zborze uczący: (1) 1 1,, N w, (1) N b) wag ogą być zależne od potencału opsowego obektów sybolcznych propozycę takego rozwązana zawarł w swoe pracy A. Dudek, zob. [2009, s ]: gdze: O O, O -ty obekt sybolczny ze zboru uczącego, (1) 1,, N w (2) O E syntetyczny obekt sybolczny opsuący wszystke obekty ze zboru uczącego, potencał obektu sybolcznego lczony zgodne ze wzore [Bock, Dday 2000, s. 176]: P R O, (3) v 1 1,, P nuer zenne sybolczne, 3
4 v długość przedzału dla zennych nterwałowych, dla zennych welowarantowych lczba eleentów (warantów) -te zenne dla -tego obektu sybolcznego. W częśc epryczne artykułu wykorzystane zostaną zarówno wag zależne od potencału opsowego, ak wag odwrotne proporconalne do lczby obektów. 3. Wykonane dla każdego 1,, M następuących czynnośc: a) wylosowane ze zboru uczącego U do próby uczące U obektów zgodne z rozkłade ch wag, b) zbudowane odelu bazowego D na podstawe próby uczące U oblczene błędu predykc (ako błędu resubstytuc): N ( ) e D ˆ w I D O y, (4) c) eżel e 0 lub e 0, 5 D D 1, należy przerwać dzałane algorytu, d) w przecwny raze oblczana est waga dla odelu bazowego D : D ed, 1 e) zodyfkowane wag obserwac zgodne ze wzore: f) powrót do podpunktu 3a. w ( 1) e (5) ( ) I ( Dˆ ( O ) y ) w N ( ) I ( Dˆ ( Ok ) yk ) k w 1 k 4. Dokonane predykc odelu zagregowanego dla obserwac O za poocą odel bazowych z wykorzystane ważonego głosowana: Dˆ * M 1 O arg ax ln I Dˆ O 1, C. Jak wsponano we wprowadzenu, klasyfkatore bazowy w przykładze epryczny est etoda k-nablższych sąsadów dla danych sybolcznych. Algoryt te etody ożna wyrazć za poocą następuących kroków (zob. [Malerba, D'Aato, Esposto, Monopol 2003; Malerba, Esposto, D Aato, Appce 2004; Malerba, Esposto, D Aato, Appce 2006; Pełka 2010]): 1. Wybór lczby sąsadów branych pod uwagę w dalsze częśc algorytu (k). 2. Oblczene odległośc ędzy obekta sybolczny (ze zboru uczącego testowego). (6) (7) 4
5 3. Wybór k obektów ze zboru uczącego nablższych -teu obektow ze zboru testowego. 4. Oblczene prawdopodobeństw a posteror przydzelena obektu ze zboru testowego do każde z klas zboru uczącego. Prawdopodobeństwo to oblczane est zgodne ze wzore: J K (8) J K 1 K C K, 1,, J, P O gdze: w C, C, w 1 k k 1 d O, O wag, które są odwrotnoścą odległośc ędzy -ty obekte ze zboru testowego a k-ty sąsade ze zboru uczącego,, 1 C C k eżel klasa, do które należy k-ty sąsad, est taka saa ak klasa, do które przyporządkowuey -ty obekt,, 0 C C k eżel klasa, do które należy k-ty sąsad, est nna nż klasa, do które przyporządkowuey -ty obekt, K lczba sąsadów należących do -te klasy, 1,, J nuer klasy. 4. Przykład epryczny Bank BGŻ SA osągnął w 2004 r. dzesąte esce pod względe suy udzelonych kredytów, a edenaste pod względe funduszy własnych, por. [Adosk 2005, s. 6]. Jednocześne bank ten w rankngu 50 nawększych banków w Polsce został uznany w 2004 r. za drug bank, po BPH SA, w kategor banków unwersalnych, por. [Adosk 2005, s. 22]. Zadłużene z tytułu kredytów konsupcynych według danych na konec 2004 r. stanowło 69% całego bankowego zadłużena gospodarstw doowych, zob. [Penczar n. 2005, s. 19]. W przykładze epryczny wykorzystano dwa zbory danych dotyczący kredytów konsupcynych udzelonych w 2004 r. przez Bank Gospodark Żywnoścowe SA w Kłodzku. Jako etodę doboru próby do badana wybrano dobór nelosowy (wybór kwotowy), zob. [Szreder 2004, s ]. Kwota w ty przypadku były poszczególne rodzae kredytów konsupcynych udzelone przez BGŻ SA. Oddzał w Kłodzku. Zbór danych 5
6 zawera 100 obektów podzelonych na dwe klasy (72 decyze o udzelenu kredytu klasa 1, 28 decyz o odrzucenu wnosku kredytowego klasa 2). Obydwe klasy opsue trzynaśce zennych: 1. Średne wpływy na rachunek beżący zenna nterwałowa. 2. Staż pracy kredytoborcy zenna nterwałowa. 3. Czas trwana kredytu w esącach zenna nterwałowa. 4. Dochody kredytoborcy zenna nterwałowa. 5. Wnoskowana kwota kredytu zenna nterwałowa. 6. Hstora kredytowa zenna welowarantowa. 7. Staż klenta w banku BGŻ SA zenna nterwałowa. 8. Wskazane poręczycela zenna welowarantowa. 9. Ocena poręczycela zenna welowarantowa. 10. Inne proponowane zabezpeczena zenna welowarantowa. 11. Ocena klenta w BGŻ SA zenna welowarantowa. 12. Loalność klenta wobec BGŻ SA zenna welowarantowa. 13. Udzelona nforaca o sytuac kredytowe zenna welowarantowa. Zbór danych podzelono na dwa podzbory zbór uczący stanowło 75 obektów, a zbór testowy 25 obektów. Wynk otrzyane przy zastosowanu podeśca weloodelowego boostng z zastosowane wag odwrotne proporconalnych do lczby obektów zestawono w tab. 1. Wynk otrzyane przy zastosowanu wag zależnych od potencału opsowego obektów sybolcznych zestawono w tab. 2. Tabela 1. Wynk oblczeń dla wag odwrotne proporconalnych do lczby obektów. Decyza KNN Źródło: oblczena własne w prograe R. Klasyfkaca rzeczywsta klasa 1 klasa 2 klasa klasa Naneszy błąd klasyfkac (12%) otrzyano dla 38 odel bazowych. W ty przypadku błędne sklasyfkowano 3 spośród 25 obektów w zborze testowy. Tabela 2. Wynk oblczeń dla wag zależnych od potencału opsowego obektów Klasyfkaca rzeczywsta klasa 1 klasa 2 Decyza KNN klasa
7 Źródło: oblczena własne w prograe R. klasa Naneszy błąd klasyfkac (4%) uzyskano dla 26 odel bazowych. W ty przypadku edyne eden obekt (o pozytywne decyz kredytowe) został sklasyfkowany ako obekt, który ne pownen otrzyać kredytu. 5. Podsuowane Metoda boostng oże znaleźć zastosowane w klasyfkac różnych zborów danych sybolcznych. Podeśce weloodelowe analzy danych sybolcznych, podobne ak podeśce weloodelowe dla danych klasycznych, pozwala osągnąć neszy błąd klasyfkac nż zastosowane poedynczego odelu. Na potrzeby badań eprycznych opracowano w prograe R skrypt realzuący algoryt etody boostng z zastosowane etody k-nablższych sąsadów ako klasyfkatora bazowego. W etodze boostng ożna zastosować dwa sposoby ważena obektów sybolcznych zależny od lczby obektów oraz zależny od potencału opsowego. W obydwu przypadkach neco lepsze wynk uzyskano, stosuąc ważene obektów sybolcznych zależne od ch potencału opsowego. Etape dalszych prac będze porównane wynków otrzyywanych przy różnych sposobach ważena obektów sybolcznych oraz porównane etody boostng z nny etoda podeśca weloodelowego (np. baggng). Lteratura Adosk G., Każdeu według potrzeb, Bank 2005, nr 4(150). Bock H.-H., Dday E (red.), Analyss of Sybolc Data. Explanatory Methods for Extractng Statstcal Inforaton fro Coplex Data, Sprnger Verlag, Berln Dudek A., Tworzene zagregowanych odel dyskrynacynych dla obektów sybolcznych wybrane probley, [w:] J. Pocecha, Współczesne probley statystyk, ekonoetr ateatyk stosowane, Studa Prace Unwersytetu Ekonocznego w Krakowe, Kraków Freund Y., Schapre R.E., A decson-theoretc generalzaton of on-lne learnng and an applcaton to boostng, Journal of Coputer and Syste Scences 1997, vol. 55, no 1. Gatnar E., Podeśce weloodelowe w zagadnenach dyskrynac regres, Wydawnctwo Naukowe PWN, Warszawa Kuncheva L.I., Cobnng Pattern Classfers. Methods and Algorths, Wley, New Jersey
8 Malerba D., D'Aato C., Esposto F., Monopol M., Extendng the K-Nearest Neghbour Classfcaton Algorth to Sybolc Obects, Att del Convegno Interedo della Socetà Italana d Statstca Anals Statstca Multvarata per le scenze econocosocal, le scenze natural e la tecnologa, Napol Malerba D., Esposto F., D Aato C., Appce A., K-nearest Neghbor Classfcaton for Sybolc Obects, [w:] Sybolc and Spatal Data Analyss: Mnng Coplex Data Structures, P. Brto, M. Norhoe-Frature (red.), Unversty of Psa, Psa Malerba D., Esposto F., D Aato C., Appce A., Classfcaton of sybolc obects: A lazy learnng approach, Intellgent Data Analyss 2006, vol. 10, no 4. Polkar R., Enseble based systes n decson akng, IEEE Crcuts and Systes Magazne 2006, vol. 6, no 3. Pełka M., K-nearest neghbour classfcaton for sybolc data, Acta Unverstats Lodzenss. Fola Oeconoca 2010, nr 235. Penczar M., Lepczyńsk B., Gostosk E. (red.), Zadłużene konsuentów w bankach nstytucach fnansowych, Instytut Badań nad Gospodarką Rynkową, Gdańsk. Szreder M., Metody technk sondażowych badań opn, PWE, Warszawa Walesak M., Gatnar E. (red.), Statystyczna analza danych z wykorzystane prograu R, Wydawnctwo Naukowe PWN, Warszawa
9 Enseble learnng wth the applcaton of boostng n sybolc data analyss Suary The a of ths paper s to present the applcaton of boostng ethod n enseble learnng for sybolc data wth the applcaton of k-nearest neghbour ethod as the base classfer. The artcle presents basc ters of sybolc data, k-nearest neghbour classfcaton rule for sybolc data. In the eprcal part the results of applcaton of enseble learnng for sybolc data appled for credt data set are presented. Key words: sybolc data analyss, enseble learnng, boostng. 9
PROBLEMATYKA DOBORU MIARY ODLEGŁOŚCI W KLASYFIKACJI SPEKTRALNEJ DANYCH SYMBOLICZNYCH
Marcn Peła Unwersytet Eonoczny we Wrocławu PROBLEMATYKA DOBORU MIARY ODLEGŁOŚCI W KLASYFIKACJI SPEKTRALNEJ DANYCH SYMBOLICZNYCH Wprowadzene Zagadnene doboru odpowednej ary odległośc stanow, obo probleaty
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowo1. Wprowadzenie Podejście wielomodelowe polega, ogólnie rzecz ujmując, na łączeniu (agregacji) M modeli bazowych. w jeden model zagregowany
Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu Podeście wielomodelowe w analizie danych symbolicznych metoda bagging Streszczenie: W artykule przedstawiono podstawowe poęcia związane z metodą bagging
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoEKONOMETRIA ECONOMETRICS 2(48) 2015
EKONOMETRIA ECONOMETRICS 2(48) 2015 Wydawnctwo Unwersytetu Ekonomcznego we Wrocławu Wrocław 2015 Redakcja wydawncza: Anna Grzybowska Redakcja technczna: Barbara Łopusewcz Korekta: Barbara Cbs Łamane: Małgorzata
Bardziej szczegółowoANALIZA WYBRANYCH METOD MODELOWANIA WARTOŚCI KATASTRALNYCH NIERUCHOMOŚCI 1
Acta Sc. Pol., Geodesa et Descrpto Terraru 8(2) 2009, 27-38 ANALIZA WYBRANYCH METOD MODELOWANIA WARTOŚCI KATASTRALNYCH NIERUCHOMOŚCI Edward Sawłow Unwersytet Przyrodnczy we Wrocławu Streszczene. W artykule
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoBadania sondażowe. Braki danych Konstrukcja wag. Agnieszka Zięba. Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa
Badana sondażowe Brak danych Konstrukcja wag Agneszka Zęba Zakład Badań Marketngowych Instytut Statystyk Demograf Szkoła Główna Handlowa 1 Błędy braku odpowedz Całkowty brak odpowedz (UNIT nonresponse)
Bardziej szczegółowoANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO
Artur Zaborsk Unwersytet Ekonomczny we Wrocławu ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Wprowadzene Od ukazana
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoOKREŚLANIE PARZYSTOŚCI LICZB W RESZTOWYM SYSTEMIE LICZBOWYM Z WYKORZYSTANIEM KONWERSJI DO SYSTEMU Z MIESZANYMI PODSTAWAMI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 76 Electrcal Engneerng 2013 Mrosław PLEBANEK* OKREŚLANIE PARZYSTOŚCI LICZB W RESZTOWYM SYSTEMIE LICZBOWYM Z WYKORZYSTANIEM KONWERSJI DO SYSTEMU Z
Bardziej szczegółowoProblem plecakowy (KNAPSACK PROBLEM).
Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne
Bardziej szczegółowoMODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI
Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Wprowadzene
Bardziej szczegółowoDr Krzysztof Piontek. Metody taksonomiczne Klasyfikacja i porządkowanie
Lteratura przegląd etod Studu podyploowe Analty Fnansowy Metody tasonoczne Klasyfaca porządowane Dzechcarz J. (pod red.), Eonoetra: etody, przyłady, zadana, Wydawnctwo Aade Eonoczne we Wrocławu, Wrocław,
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje
Bardziej szczegółowoMETODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.
Opracowane: Dorota Mszczyńska METODA UNITARYZACJI ZEROWANEJ Porównane obektów przy ocene welokryteralnej. Rankng obektów. Porównane wybranych obektów (warantów decyzyjnych) ze względu na różne cechy (krytera)
Bardziej szczegółowoZAJĘCIA 3. Pozycyjne miary dyspersji, miary asymetrii, spłaszczenia i koncentracji
ZAJĘCIA Pozycyjne ary dyspersj, ary asyetr, spłaszczena koncentracj MIARY DYSPERSJI: POZYCYJNE, BEZWZGLĘDNE Rozstęp dwartkowy (ędzykwartylowy) Rozstęp dwartkowy określa rozpętośd tej częśc obszaru zennośc
Bardziej szczegółowoAnaliza i diagnoza sytuacji finansowej wybranych branż notowanych na Warszawskiej Giełdzie Papierów Wartościowych w latach
Jacek Batóg Unwersytet Szczecńsk Analza dagnoza sytuacj fnansowej wybranych branż notowanych na Warszawskej Gełdze Paperów Wartoścowych w latach 997-998 W artykule podjęta została próba analzy dagnozy
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoPRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU RESEARCH PAPERS OF WROCŁAW UNIVERSITY OF ECONOMICS
PRACE NAUKOWE UNIWERSYTETU EKONOMICZNEGO WE WROCŁAWIU RESEARCH PAPERS OF WROCŁAW UNIVERSITY OF ECONOMICS nr 507 2018 Taksonomia 30 ISSN 1899-3192 Klasyfikacja i analiza danych teoria i zastosowania e-issn
Bardziej szczegółowoANALIZA PORÓWNAWCZA WYNIKÓW UZYSKANYCH ZA POMOCĄ MIAR SYNTETYCZNYCH: M ORAZ PRZY ZASTOSOWANIU METODY UNITARYZACJI ZEROWANEJ
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XVI/3, 2015, str. 248 257 ANALIZA PORÓWNAWCZA WYNIKÓW UZYSKANYCH ZA POMOCĄ MIAR SYNTETYCZNYCH: M ORAZ PRZY ZASTOSOWANIU METODY UNITARYZACJI ZEROWANEJ Sławomr
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
Bardziej szczegółowoZmodyfikowana technika programowania dynamicznego
Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.
Bardziej szczegółowoKlasyfikatory liniowe Linear classifiers
Klasyfkatory lnowe Lnear classfers JERZY STEFANOWSKI Insttute of Computng Scences, Poznań Unversty of Technology UMSN slady wykładu Wersa 2010 Plan 1. Lnowe klasyfkatory 2. Klasyczne lnowa analza dyskrymnacyna
Bardziej szczegółowoWielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki
Welokategoralne systemy uząe sę h zastosowane w bonformatye Rafał Grodzk Welokategoralny system uząy sę (multlabel learnng system) Zbór danyh weśowyh: d X = R Zbór klas (kategor): { 2 } =...Q Zbór uząy:
Bardziej szczegółowoRola informatyki w naukach ekonomicznych i społecznych Innowacje i implikacje interdyscyplinarne. redakcja ZBIGNIEW E. ZIELIŃSKI
Rola nformatyk w naukach ekonomcznych społecznych Innowace mplkace nterdyscyplnarne redakca ZBIGNIEW E. ZIELIŃSKI Wydawnctwo Wyższe Szkoły Handlowe Kelce 2011 Publkaca wydrukowana została zgodne z materałem
Bardziej szczegółowoREGUŁY NIEDETERMINISTYCZNE W SYSTEMACH DECYZYJNYCH
STUDIA INFORMATICA 2012 Volume 33 Number 2A (105) Barbara MARSZAŁ-PASZEK, Potr PASZEK Unwersytet Śląsk, Instytut Informatyk REGUŁY NIEDETERMINISTYCZNE W SYSTEMACH DECYZYJNYCH Streszczene W artykule przedstawono
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoKrzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej
Krzysztof Borowsk Zastosowane metody wdeł cenowych w analze technczne Wprowadzene Metoda wdeł cenowych została perwszy raz ogłoszona przez Alana Andrewsa 1 w roku 1960. Trzy lne wchodzące w skład metody
Bardziej szczegółowoAnaliza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A
Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoGrupowanie. Wprowadzenie. Metody hierarchiczne. Modele mieszane (mixture models) Metody najmniejszych kwadratów. Zastosowania
Grupowane Wprowadzene Metody herarchczne Modele meszane (mxture models) Metoda Expectaton-maxmzaton (EM) Metody namneszych kwadratów Krytera akośc grupowana Algorytm k-średnch Zastosowana Statstcal Pattern
Bardziej szczegółowoStatystyka Opisowa 2014 część 1. Katarzyna Lubnauer
Statystyka Opsowa 2014 część 1 Katarzyna Lubnauer Lteratura: 1. Statystyka w Zarządzanu Admr D. Aczel 2. Statystyka Opsowa od Podstaw Ewa Waslewska 3. Statystyka, Lucjan Kowalsk. 4. Statystyka opsowa,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoKONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE
Adranna Mastalerz-Kodzs Unwersytet Ekonomczny w Katowcach KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Wprowadzene W dzałalnośc nstytucj fnansowych, takch
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoAnaliza niestacjonarności systemów WIM 1
Poary Autoatyka Kontrola nr 10bs/06 Potr BUROS, AGH AKADEMIA GÓRICZO-HUTICZA, KATEDRA METROLOGII ELEKTROIKI {burnos@agh.edu.pl} Analza nestacjonarnośc systeów WIM 1 Ten utwór jest dostępny na lcencj Creatve
Bardziej szczegółowoDobór procesora sygnałowego w konstrukcji regulatora optymalnego
Pomary Automatyka Robotyka 10/2008 Dobór procesora sygnałowego w konstrukc regulatora optymalnego Marusz Pauluk Potr Bana Darusz Marchewka Mace Rosół W pracy przedstawono przegląd dostępnych obecne procesorów
Bardziej szczegółowoMODEL ROZMYTY WYBORU SAMOCHODU W NAJWYŻSZYM STOPNIU SPEŁNIAJĄCEGO PREFERENCJE KLIENTA
ZESZYTY NAUKWE PLITECHNIKI ŚLĄSKIEJ 2013 Sera: RGANIZACJA I ZARZĄDZANIE z. 64 Nr ol. 1894 Dorota GAWRŃSKA Poltechna Śląsa Wydzał rganzacj Zarządzana Instytut Eono Inforaty MDEL RZMYTY WYBRU SAMCHDU W NAJWYŻSZYM
Bardziej szczegółowoZASTOSOWANIE WYBRANYCH ELEMENTÓW ANALIZY FUNDAMENTALNEJ DO WYZNACZANIA PORTFELI OPTYMALNYCH
Adranna Mastalerz-Kodzs Ewa Pośpech Unwersytet Ekonomczny w Katowcach ZASTOSOWANIE WYBRANYCH ELEMENTÓW ANALIZY FUNDAMENTALNEJ DO WYZNACZANIA PORTFELI OPTYMALNYCH Wprowadzene Zagadnene wyznaczana optymalnych
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoZjawiska masowe takie, które mogą wystąpid nieograniczoną ilośd razy. Wyrazów Obcych)
Statystyka - nauka zajmująca sę metodam badana przedmotów zjawsk w ch masowych przejawach ch loścową lub jakoścową analzą z punktu wdzena nauk, do której zakresu należą.
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoRÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH
Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2010, Oeconomica 280 (59), 13 20
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Fola Pomer. Unv. Technol. Stetn. 2010, Oeconomca 280 (59), 13 20 Iwona Bą, Agnesza Sompolsa-Rzechuła LOGITOWA ANALIZA OSÓB UZALEŻNIONYCH OD ŚRODKÓW
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoZASTOSOWANIE WYKŁADNIKA HURSTA DO WYZNACZANIA PORTFELI OPTYMALNYCH
Studa Ekonoczne. Zeszyty Naukowe Unwersytetu Ekonocznego w Katowcach ISSN 283-86 Nr 265 26 Monka Mśkewcz-Nawrocka Unwersytet Ekonoczny w Katowcach Wydzał Zarządzana Katedra Mateatyk onka.skewcz@ue.katowce.pl
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013
ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoEvaluation of estimation accuracy of correlation functions with use of virtual correlator model
Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu
Bardziej szczegółowoPROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA WAHANIA SEZONOWE
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36 Krzysztof Dmytrów * Marusz Doszyń ** Unwersytet Szczecńsk PROGNOZOWANIE SPRZEDAŻY Z ZASTOSOWANIEM ROZKŁADU GAMMA Z KOREKCJĄ ZE WZGLĘDU NA
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoAnaliza porównawcza rozwoju wybranych banków komercyjnych w latach 2001 2009
Mara Konopka Katedra Ekonomk Organzacj Przedsęborstw Szkoła Główna Gospodarstwa Wejskego w Warszawe Analza porównawcza rozwoju wybranych banków komercyjnych w latach 2001 2009 Wstęp Polska prywatyzacja
Bardziej szczegółowoPlan wykładu. Sztuczne sieci neuronowe. Neuronu dyskretny. Neuron dyskretny (perceptron prosty)
Plan wykładu Dzałane neuronu dyskretnego warstwy neuronów dyskretnych Wykład : Reguły uczena sec neuronowych. Sec neuronowe ednokerunkowe. Reguła perceptronowa Reguła Wdrowa-Hoffa Reguła delta ałgorzata
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoOPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoWprowadzenie do kalibracji jedno- i wieloparametrowej
www.stes.google.co/ste/cheolab Wprowadzene do kalbracj jedno- weloparaetrowej Mchał Daszykowsk, Ivana Stanrova Instytut Che Unwersytet Śląsk w Katowcach Ul. Szkolna 9 40-006 Katowce E-al: www: daszyk@us.edu.pl
Bardziej szczegółowoOCENA PRZYDATNOŚCI WYBRANYCH METOD WAP W ANALIZIE SAMODZIELNOŚCI FINANSOWEJ GMIN
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH To XIII/, 0, str. 3 37 OCENA PRZYDATNOŚCI WYBRANYCH METOD WAP W ANALIZIE SAMODZIELNOŚCI FINANSOWEJ GMIN Monka Jaworska Katedra Statystyk Mateatycznej, Unwersytet
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowop Z(G). (G : Z({x i })),
3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoOPTYMALIZACJA ALGORYTMÓW WYZNACZANIA RUCHU CIECZY LEPKIEJ METODĄ SZTUCZNEJ ŚCIŚLIWOŚCI
MODELOWANIE INśYNIERSKIE ISSN 1896-771X 36, s. 187-192, Glwce 2008 OPTYMALIZACJA ALGORYTMÓW WYZNACZANIA RUCHU CIECZY LEPKIEJ METODĄ SZTUCZNEJ ŚCIŚLIWOŚCI ZBIGNIEW KOSMA, BOGDAN NOGA Instytut Mechank Stosowane,
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowoPrawdziwa ortofotomapa
Prawdzwa ortofotomapa klasyczna a prawdzwa ortofotomapa mnmalzacja przesunęć obektów wystających martwych pól na klasycznej ortofotomape wpływ rodzaju modelu na wynk ortorektyfkacj budynków stratege opracowana
Bardziej szczegółowoMetody badań kamienia naturalnego: Oznaczanie współczynnika nasiąkliwości kapilarnej
Metody badań kaena naturalnego: Oznaczane współczynnka nasąklwośc kaplarnej 1. Zasady etody Po wysuszenu do stałej asy, próbkę do badana zanurza sę w wodze jedną z powerzchn (ngdy powerzchną obrabaną)
Bardziej szczegółowoBadania operacyjne w logistyce i zarządzaniu produkcją
Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu Badana operacyne w logstyce zarządzanu produkcą cz. I Andrze Woźnak Nowy Sącz Komtet Redakcyny doc. dr Zdzsława Zacłona przewodncząca, prof. dr hab. nż. Jarosław
Bardziej szczegółowoZarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych
dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoWPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Bardziej szczegółowo= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału
5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B
Bardziej szczegółowoCZĘŚCIOWY PORZĄDEK W WYWAŻANIU WARTOŚCI I RANKINGACH - STUDIUM PRZYPADKU
CZĘŚCIOWY PORZĄDEK W WYWAŻANIU WARTOŚCI I RANKINGACH - STUDIUM PRZYPADKU Wacław GIERULSKI*, Andrzej OKNIŃSKI*, Bogusław RADZISZEWSKI** *Poltechnka Śwętokrzyska WZMK, Kelce, **Poltechnka Śwętokrzyska WMBM,
Bardziej szczegółowoPodstawy statystyczne i uniwersalna funkcjonalność scoringu
Podstawy statystyczne unwersalna funkcjonalność scorngu Leszek Boguszewsk Barbara Gelńska Przy Katedrze Statystyk Unwersytetu Gdańskego II edycja Konferencj Naukowej Interdyscyplnarne wykorzystane metod
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE
ANALIZA HARMONOGRAMÓW POWYKONAWCZYCH W BUDOWNICTWIE Wocech BOŻEJKO Zdzsław HEJDUCKI Marusz UCHROŃSKI Meczysław WODECKI Streszczene: W pracy przedstawono metodę wykorzystana harmonogramów powykonawczych
Bardziej szczegółowoGrupowanie dokumentów XML ze względu na ich strukturę, z wykorzystaniem XQuery
Rozdzał 44 Grupowane dokumentów XML ze względu na ch strukturę, z wykorzystanem XQuery Streszczene. Popularność ęzyka XML oraz ego powszechne użyce spowodowały rozwó systemów przechowuących dokumenty XML.
Bardziej szczegółowoSystemy Ochrony Powietrza Ćwiczenia Laboratoryjne
ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych
Bardziej szczegółowoZastosowanie wielowymiarowej analizy porównawczej w doborze spó³ek do portfela inwestycyjnego Zastosowanie wielowymiarowej analizy porównawczej...
Adam Waszkowsk * Adam Waszkowsk Zastosowane welowymarowej analzy porównawczej w doborze spó³ek do portfela nwestycyjnego Zastosowane welowymarowej analzy porównawczej... Wstêp Na warszawskej Ge³dze Paperów
Bardziej szczegółowoKarta (sylabus) modułu/przedmiotu
Karta (sylabus) mułu/przedmotu Budownctwo (Nazwa kerunku studów) Studa I Stopna Przedmot: Materały budowlane II Constructon materals Rok: II Semestr: MK_26 Rzaje zajęć lczba gzn: Studa stacjonarne Studa
Bardziej szczegółowoSztuczne sieci neuronowe
Sztuczne sec neuronowe Jerzy Stefanowsk Plan wykładu 1. Wprowadzene 2. Model sztucznego neuronu. 3. Topologe sec neuronowych 4. Reguły uczena sec neuronowych. 5. Klasyfkaca sec neuronowych. 6. Sec warstwowe
Bardziej szczegółowoOKRESOWA EMERYTURA KAPITAŁOWA ZE ŚRODKÓW ZGROMADZONYCH W OFE
OKRESOWA EMERYTURA KAPITAŁOWA ZE ŚRODKÓW ZGROMADZONYCH W OFE Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Warunk nabywana prawa do okresowej emerytury kaptałowej ze środków zgromadzonych w otwartym
Bardziej szczegółowoPOMIAR RYZYKA PORTFELI INWESTYCYJNYCH ZBUDOWANYCH NA PODSTAWIE CHARAKTERYSTYKI TEORII CHAOSU
W Y A W I C T W O P O L I T E C H I K I Ś L Ą K I E J W G L I W I C A C H ZEZYTY AUKOWE POLITECHIKI ŚLĄKIEJ 08 era: OGAIZACJA I ZAZĄZAIE z. 30 POIA YZYKA POTFELI IWETYCYJYCH ZBUOWAYCH A POTAWIE CHAAKTEYTYKI
Bardziej szczegółowoProblem nośności granicznej płyt żelbetowych w ujęciu aktualnych przepisów normowych. Prof. dr hab. inż. Piotr Konderla, Politechnika Wrocławska
Proble nośnośc grancznej płt żelbetowch w ujęcu aktualnch przepsów norowch Prof. dr hab. nż. Potr Konderla Poltechnka Wrocławska 1. Wprowadzene Przedote analz jest płta żelbetowa zbrojona ortogonalne paraetrzowana
Bardziej szczegółowoPortfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego
Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa
Bardziej szczegółowoWYWAŻANIE STATYCZNE WIRUJĄCYCH ZESTAWÓW RADIOLOKACYJNYCH
Szybkobeżne Pojazdy Gąsencowe (15) nr 1, 2002 Andrzej SZAFRANIEC WYWAŻANIE STATYCZNE WIRUJĄCYCH ZESTAWÓW RADIOLOKACYJNYCH Streszczene. Przedstawono metodę wyważana statycznego wolnoobrotowych wrnków ponowych
Bardziej szczegółowo± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Bardziej szczegółowoMetody syntezy informacji obrazowej z wielu źródeł
Tadeusz edzela Wydzał Transportu Poltechnk Warszawske Metody syntezy nformac obrazowe z welu źródeł WPROWADZEIE Wele ośrodków badawczych próbue rozwązać problem automatycznego rozpoznana obektów poprzez
Bardziej szczegółowo