(a) Jednowarstwowa sieć Hopfielda, z n neuronami (źródło [2]) (b) Bipolarna funkcja przejścia
|
|
- Anna Nowacka
- 5 lat temu
- Przeglądów:
Transkrypt
1 Sieci rekurecyje Przedmiot: Sieci euroowe i ich zastosowaie Sieci rekurecyje posiadają sprzężeie zwrote, co ma istoty wpływ a ich możliwości uczeia. Mają symulować asocjacyjy charakter ludzkiej pamięci. Najprostszy przykład sieci rekurecyjej to jedowarstwowa sieć Hopfielda.. Sieć Hopfielda Po podaiu owej próbki wejściowej wyliczae jest wyjście i podawae z powrotem a wejście. Wyliczae poowie, proces powtarzay jest dopóki wyjście się ie ustali (ie zmieia się w kolejych iteracjach). Zmiay w wartościach wyjściowych kolejych iteracji ie zawsze skutkują coraz miejszymi zmiaami ich wartości. Przeciwie, mogą prowadzić do chaotyczych zachowań. W takim przypadku, wyjście sieci igdy się ie ustali i sieć jest iestabila. (a) Jedowarstwowa sieć Hopfielda, z euroami (źródło [2]) (b) Bipolara fukcja przejścia Rys. a przedstawia warstwową sieć Hopfielda z euroami. Wyjście każdego eurou jest sprzężoe z wejściami (z wyjątkiem własego, brak samosprzężeia). W sieci stosuje się zazwyczaj euroy ze skokowymi, bipolarymi fukcjami przejścia (rys. b): { + if X Y = if X < Bieżący sta sieci jest określoy przez zestaw wyjść euroów y, y 2,..., y : y y 2 Y =. y Wagi w macierzowej formie: W = Y m Ym T M I, m= gdzie M to liczba staów do zapamiętaia przez sieć, Y m to wymiarowy biary wektor, I macierz idetyczościowa. Jak działa sieć Hopfielda przykład. Załóżmy, że mamy do zapamiętaia dwa stay (,, ) oraz (,, ):. Możemy określić wagi: W = [ ] + Y = ad Y = [ ] 2 =
2 Po określeiu wag moża przetestować sieć podając wektory wejściowe X oraz X 2 (które są rówoważe wektorom docelowym Y, Y 2 ). Po podaiu wektora wejściowego X oraz obliczeiu aktualego wyjścia Y porówujemy wyik z wektorem wejściowym. W celu uzyskaia wyjścia: Y m = sig(w X m θ), m =, 2,..., M gdzie θ jest wartością progową, w przypadku aszej fukcji przejścia rówą. Dla aszego przykładu, wyjścia sieci: Y = sig = 2 2 oraz Y 2 = sig = Wszystko się zgadza, obydwa stay możemy określić jako stabile. Jak wygląda sytuacja z pozostałymi staami? Dla sieci złożoej z trzech euroów (o skokowych fukcjach przejścia) możliwych jest osiem staów. W aszym przypadku pozostałe sześć staów jest iestabilych. Natomiast stabile stay (fudametala pamięć powiy przyciągać stay im bliskie. W ramach ćwiczeń obliczeiowych proszę sprawdzić, czy tak jest rzeczywiście, a uzyskae wyiki umieścić w tabeli. Podsumujmy algorytm treigowy sieci Hopfielda.. Zapamiętywaie. Wagi euroowa sieć Hopfielda, wymagaej do zapamiętaia M wzorców: Y, Y 2,..., Y M w formie macierzowej: W = Y m Ym T M I. () Raz obliczoe wagi pozostają stałe. m= 2. Testowaie. W celu potwierdzeia, że sieć prawidłowo odtwarza wszystkie wzorce fudametalej macierzy Y m, które są rówoważe wejściom X m : Y m = sig(w X m θ), m =, 2,..., M. (2) Jeżeli wszystkie wzorce odtwarzae są prawidłowo, możemy przejść do astępego kroku. 3. Odzyskiwaie daych. Zaprezetujmy sieci iezaą próbkę X, w celu uzyskaia stau stabilego. Zazwyczaj, w takim przypadku próbka jest iekompletą bądź uszkodzoą wersją stau z pamięci fudametalej: X Y m dla m =, 2,..., M. Obliczmy odpowiedź sieci dla aszej próbki X(), w iteracji p = : Y() = sig(w X() θ) Obliczoy sygał wyjściowy podajemy z powrotem a wejście sieci i w ramach kolejej iteracji poowie obliczmy wyjście. Porówujemy obydwa wektory Y(p) oraz Y(p+) czyli wyjście uzyskae w bieżącej iteracji z wcześiejszym. Jeżeli obydwa wektory są iezmieioe, ozacza to, że uzyskaliśmy sta stabily. Waruek stabilości: Y(p + ) = sig(w Y(p) θ) Okazuje się, że wprzypadku sieci Hopfielda uzyskay sta stabily iekoieczie musi odpowiadać wzorcowi z fudametalej pamięci, a jeżeli odpowiada to ie musi to być sta ajbliższy badaej próbce testowej. Przykład: Dla sieci zlożoej z pięciu euroów umieść w pamięci fudametalej trzy wzorce: X = (,,,, ) X 2 = (,,,, ) X 3 = (,,,, ) 2
3 Następie sprawdź reakcję sieci a ową próbkę testową:x = (,,,, ). Jeżeli wcześiej porówamy ową próbkę z aszą pamięcią, to zauważymy, że ajbardziej odpowiada wzorcowi X (różica tylko a jedym bicie). Jakiej odpowiedzi atmiast udzieliła sieć? Przykład wskazuje a problem charakterystyczy dla sieci Hopfielda, o którym już wspomialiśmy (częsty brak zbieżości do abliższego wzorca). Iym problemem jest pojemość pamięci, czyli maksymala liczba wzorców, która może być w iej umieszczoa oraz poprawie odzyskaa. Hopfield wykazał eksperymetalie, że dla euroowej sieci maksymala liczba możliwych wzorców do zapamiętaia wyosi: M max =.5 (3) Geeralie, większość wzorców może być odzyskaa z pamięci o maksymalej pojemości: M max = 2 l Natomiast wszystkie próbki odzyskamy perfekcyje dla pamięci o pojemości zmiejszoej o połowę: M max = 4 l Jak widzimy, pamięć sieci Hopfielda ie jest pojema i ta cecha jest jej główym ograiczeiem. Na rys.. możemy sprawdzić wartości pojemości w zależości od liczby euroów w sieci (od 2 do euroów). Przykładowo, z sieci składającej się ze euroów możemy w sposób perfekcyjy odzyskać maksymalie 5 wzorców (pojemość 5.43). (4) (5) Rysuek : Zależość liczby euroów w sieci Hopfielda od maksymalej pojemości: M max = 4 l Dodatkowo, sieć Hopfielda reprezetuje typ pamięci auto asocjacyjej. Iymi słowy, może odtworzyć uszkodzoy lub iekomplety wzorzec, atomiast ie skojarzy go z ią iformacją. W odróżieiu od ludzkiej pamięci, która jest skojarzeiowa (asocjacyja). Przykładowo, jeda iformacja wyzwala skojarzeie z ią, bądź ciąg skojarzeń. Dlaczego sieć Hopfielda posiada wspomiae ograiczia? Składa się z jedej warstwy euroów. Wzorzec wyjściowy pojawia się a tym samym zbiorze euroów, a którym próbka wejściowa została zastosowaa. W celu skojarzeia jedej pamięci z ią, potrzebujemy sieci rekurecyjej akceptującej wzorzec wejściowy a jedym zbiorze euroów i produkującej skojarzoy wzorzec wyjściowy a iym zbiorze euroów. Potrzebujemy dwuwarstwowej sieci rekurecyjej:dwukierukowej pamięci asocjacyjej bidirectioal associative memory (BAM)..2 BAM Dwukierukowa pamięć asocjacyja (BAM) została zapropoowaa przez B. Kosko. Kojarzy próbki z jedego zbioru: A, z próbkami z iego zbioru: B i odwrotie. Podobie jak sieć Hopfielda, BAM może geeralizować oraz odtwarzać wzorce uszkodzoe bądź iekomplete. Podstawowa architektura przedstawioa jest a rys. 2. Sieć składa się z dwóch, w pełi połączoych warstw: wejściowej oraz wyjściowej. Wektor wejściowy X(p) podaway jest do traspoowaej macierzy wag W T, w celu ustaleia Y(p) (rys. 2(a).) Następie wektor Y(p) 3
4 Rysuek 2: Architektura sieci BAM: (a) kieruek wprzód, (b) wstecz (źródło [2]) podaway jest wstecz do macierzy wag W dla uzyskaia owego wektora wejściowego Y(p + ). Proces jest powtarzay dopóki wektory wejściowy oraz wyjściowy się ie zmieiają sieć uzyska sta stabily. Podstawową ideą pamięci BAM jest takie zapamiętaie par wzorców, że po zaprezetowaiu -wymiarowego wektora wejściowego X ze zbioru A, sieć odpowie m-wymiarowym wektorem Y ze zbioru B, bądź odwrotie (wektor Y a wejściu skutkuje odpowiedzią X). W celu zapamiętaia par wzorców ależy stworzyć macierz ich korelacji, którą staowi iloczy macierzowy wektora wejść X oraz traspoowaego wektora wyjść Y T. Tak więc macierz wag jest sumą macierzy korelacji wszystkich wzorców: W = X m Ym, T (6) gdzie M jest liczbą próbek do zapamiętaia. Podobie jak sieć Hopfielda, BAM zazwyczaj posiada euroy z bipolarą fukcją aktywacji. Algorytm uczeia sieci BAM. m=. Zapamiętywaie. W pamięci ależy umieścić trzy pary próbek: Wejściowe:X = X 2 = X 3 = Wyjściowe:Y = [ ] [ Y 2 = ] [ Y 3 = W tym przypadku, warstwa wejściowa BAM będzie posiadać trzy euroy, atomiast wyjściowa dwa. Ustalamy macierz wag zgodie z zależością 6: W = 3 X m Ym T m= ]. czyli W = [, ] + [, ] + [, ] = Testowaie. Podając dowoly wektor ze zbioru wejściowego powiiśmy uzyskać odpowiedi wektor wyjściowy: Y m = sig(w T X m ), m =, 2,..., M (7) i odwrotie X m = sig(w Y m ), m =, 2,..., M (8) 4
5 3. Odtwarzaie. Zaprezetujmy sieci iezaą próbkę i sprawdźmy reakcję. Obliczamy wyjście Y(p) = sig(w T X(p)) dla początkowej iteracji p =.. Aktualizujemy wektor wejściowy: X(p + ) = sig(w Y(p)) procedurę powtarzamy dopóki, w kolejych iteracjach, wektory wejściowy i wyjściowy się ie zmieiają..3 Zadaie do samodzielego wykoaia Ze względu a biary charakter wzorców możliwych do umieszczeia w pamięci BAM (oczywiście przy założeiu skokowych fukcji aktywacji euroów), sprawdźmy możliwości tej sieci w rozpozawaiu zaków prezetowaych, przykładowo w formie moochromatyczych map bitowych.. Zbiór próbek do przechowaia. W tym celu ależy przygotować zbiór zaków. Należy założyć stały rozmiar bitmapy przechowującej pojedyńczy zak oraz wygeerować (przykładowo w programie pait ) wybraą liczbę zaków przykładowo 2 plików. Obliczeia ależy wykoać w formie macierzowej w Matlabie (fukcja do pobraia pliku graficzego imread). Przykładowy zbiór pięciu próbek wejściowych: (a) (b) (c) (d) (e) oraz odpowiedio wektorów wyjściowych: A: Y = [,, ], B: Y 2 = [+, +, +], C: Y 3 = [, +, ], D: Y 4 = [+, +, ], E: Y 5 = [,, +]. 2. Struktura sieci. Przykładowo dla rozmiaru bitmapy 3 3 pikseli, warstwa wejściowa sieci będzie posiadać 69 euroów (rozmiar macierzy bitmapy w formie wektora kolumowego). Liczba euroów w warstwie wyjściowej będzie zależała od długości wektora wyjściowego, będącego kodem daego zaku (w aszym przykładzie 3 euroy). 3. Zapis oraz odtwarzaie. Przygotoway zbiór próbek ależy umieścić w pamięci. Sprawdzić możliwości odtwarzaia zapisaych zaków. Jeżeli wszystkie zaki odtwarzae są prawidłowo, przystępujemy do astępego kroku. 4. Weryfikacja. Najciekawsza część weryfikacja możliwości odtwarzaia przez pamięć wzorców uszkodzoych, iekompletych. W tym celu ależy przygotować zbiór testujący. Przykładowo zapisae w pamięci wzorce moża częściowo zdekompletować, bądź obciążyć szumem. 5. Przeprowadzoe eksperymety obiczeiowe ależy zdokumetować w postaci sprawozdaia. Literatura [] Mark H. Beale Marti T. Haga, Howard B. Demuth. Neural Network Desig. ISBN: [2] M. Negevitsky. Artificial Itelligece. A Guide to Itelliget Systems. Secod Editio. Addiso Wesley, 25. [3] Osowski S. Sieci euroowe do przetwarzaia iformacji. Oficya Wydawicza Politechiki Warszawskiej, 26. 5
Sieć Hopfielda. Sieci rekurencyjne. Ewa Adamus. ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych.
Sieci rekurencyjne Ewa Adamus ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych 7 maja 2012 Jednowarstwowa sieć Hopfielda, z n neuronami Bipolarna funkcja przejścia W wariancie
Bardziej szczegółowoMETODY I ZASTOSOWANIA SZTUCZNEJ INTELIGENCJI. LABORATORIUM nr 01. dr inż. Robert Tomkowski
METODY I ZASTOSOWANIA SZTUCZNEJ INTELIGENCJI LABORATORIUM r 01 Temat: PERCEPTRON dr iż. Robert Tomkowski pok. 118 bud. C robert.tomkowski@tu.koszali.pl tel. 94 3178 251 Metody i zastosowaia sztuczej iteligecji
Bardziej szczegółowoMetrologia: miary dokładności. dr inż. Paweł Zalewski Akademia Morska w Szczecinie
Metrologia: miary dokładości dr iż. Paweł Zalewski Akademia Morska w Szczeciie Miary dokładości: Najczęściej rozkład pomiarów w serii wokół wartości średiej X jest rozkładem Gaussa: Prawdopodobieństwem,
Bardziej szczegółowoMINIMALIZACJA PUSTYCH PRZEBIEGÓW PRZEZ ŚRODKI TRANSPORTU
Przedmiot: Iformatyka w logistyce Forma: Laboratorium Temat: Zadaie 2. Automatyzacja obsługi usług logistyczych z wykorzystaiem zaawasowaych fukcji oprogramowaia Excel. Miimalizacja pustych przebiegów
Bardziej szczegółowoL A B O R A T O R I U M T E C H N I K I C Y F R O W E J
Paweł OSTASZEWSKI 55566 25.11.2002 Piotr PAWLICKI 55567 L A B O R A T O R I U M T E C H N I K I C Y F R O W E J Ćwiczeie r 2 Temat: B A D A N I E P R Z E R Z U T N I K Ó W Treść ćwiczeia: Obserwacja a
Bardziej szczegółowoSYSTEM OCENY STANU NAWIERZCHNI SOSN ZASADY POMIARU I OCENY STANU RÓWNOŚCI PODŁUŻNEJ NAWIERZCHNI BITUMICZNYCH W SYSTEMIE OCENY STANU NAWIERZCHNI SOSN
ZAŁĄCZNIK B GENERALNA DYREKCJA DRÓG PUBLICZNYCH Biuro Studiów Sieci Drogowej SYSTEM OCENY STANU NAWIERZCHNI SOSN WYTYCZNE STOSOWANIA - ZAŁĄCZNIK B ZASADY POMIARU I OCENY STANU RÓWNOŚCI PODŁUŻNEJ NAWIERZCHNI
Bardziej szczegółowoZADANIA - ZESTAW 2. Zadanie 2.1. Wyznaczyć m (n)
ZADANIA - ZESTAW Zadaie.. Wyzaczyć m (), D ( ) dla procesu symetryczego (p = q =,) błądzeia przypadkowego. Zadaie.. Narysuj graf łańcucha Markowa symetrycze (p = q =,) błądzeie przypadkowe z odbiciem.
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoKolorowanie Dywanu Sierpińskiego. Andrzej Szablewski, Radosław Peszkowski
olorowaie Dywau ierpińskiego Adrzej zablewski, Radosław Peszkowski pis treści stęp... Problem kolorowaia... Róże rodzaje kwadratów... osekwecja atury fraktalej...6 zory rekurecyje... Przekształcaie rekurecji...
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 2B, lato 2015/16
Egzami,.9.6, godz. :-5: Zadaie. ( puktów) Wyzaczyć wszystkie rozwiązaia rówaia z 4 = 4 w liczbach zespoloych. Zapisać wszystkie rozwiązaia w postaci kartezjańskiej (bez używaia fukcji trygoometryczych)
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI MAJ 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY
Cetrala Komisja Egzamiacyja Arkusz zawiera iformacje prawie chroioe do mometu rozpoczęcia egzamiu. Układ graficzy CKE 2010 KOD WISUJE ZDAJĄCY ESEL Miejsce a aklejkę z kodem EGZAMIN MATURALNY Z INORMATYKI
Bardziej szczegółowoINSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW
INSTYTUT MASZYN I URZĄDZEŃ ENERGETYCZNYCH Politechika Śląska w Gliwicach INSTRUKCJA DO ĆWICZEŃ LABORATORYJNYCH Z WYTRZYMAŁOŚCI MATERIAŁÓW BADANIE ODKSZTAŁCEŃ SPRĘŻYNY ŚRUBOWEJ Opracował: Dr iż. Grzegorz
Bardziej szczegółowoNumeryczny opis zjawiska zaniku
FOTON 8, iosa 05 7 Numeryczy opis zjawiska zaiku Jerzy Giter ydział Fizyki U Postawieie problemu wielu zagadieiach z różych działów fizyki spotykamy się z astępującym problemem: zmiay w czasie t pewej
Bardziej szczegółowoMateriał powtarzany w II etapie. II 4. Ciągi
Materiał powtarzay w II etapie II. Ciągi 3 1, dla parzystych 1. Wyzacz sześć początkowych wyrazów ciągu a = { +1, dla ieparzystych. Które wyrazy ciągu a = są rówe 1? 3. Pomiędzy liczby 7 i 5 wstaw 5 liczb
Bardziej szczegółowoZnajdowanie pozostałych pierwiastków liczby zespolonej, gdy znany jest jeden pierwiastek
Zajdowaie pozostałych pierwiastków liczby zespoloej, gdy zay jest jede pierwiastek 1 Wprowadzeie Okazuje się, że gdy zamy jede z pierwiastków stopia z liczby zespoloej z, to pozostałe pierwiastki możemy
Bardziej szczegółowoWYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ
WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ LABORATORIUM RACHUNEK EKONOMICZNY W ELEKTROENERGETYCE INSTRUKCJA DO ĆWICZENIA
Bardziej szczegółowoPrzykład Obliczenie wskaźnika plastyczności przy skręcaniu
Przykład 10.5. Obliczeie wskaźika plastyczości przy skręcaiu Obliczyć wskaźiki plastyczości przy skręcaiu dla astępujących przekrojów: a) -kąta foremego b) przekroju złożoego 6a 16a 9a c) przekroju ciekościeego
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoD. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assignment Problem)
D. Miszczyńska, M.Miszczyński KBO UŁ, Badaia operacyje (wykład 6 _ZP) [1] ZAGADNIENIE PRZYDZIAŁU (ZP) (Assigmet Problem) Bliskim "krewiakiem" ZT (w sesie podobieństwa modelu decyzyjego) jest zagadieie
Bardziej szczegółowoAnaliza wyników symulacji i rzeczywistego pomiaru zmian napięcia ładowanego kondensatora
Aaliza wyików symulacji i rzeczywistego pomiaru zmia apięcia ładowaego kodesatora Adrzej Skowroński Symulacja umożliwia am przeprowadzeie wirtualego eksperymetu. Nie kostruując jeszcze fizyczego urządzeia
Bardziej szczegółowoX i. X = 1 n. i=1. wartość tej statystyki nazywana jest wartością średnią empiryczną i oznaczamy ją symbolem x, przy czym x = 1. (X i X) 2.
Zagadieia estymacji Puktem wyjścia badaia statystyczego jest wylosowaie z całej populacji pewej skończoej liczby elemetów i zbadaie ich ze względu a zmieą losową cechę X Uzyskae w te sposób wartości x,
Bardziej szczegółowoJak obliczać podstawowe wskaźniki statystyczne?
Jak obliczać podstawowe wskaźiki statystycze? Przeprowadzoe egzamiy zewętrze dostarczają iformacji o tym, jak ucziowie w poszczególych latach opaowali umiejętości i wiadomości określoe w stadardach wymagań
Bardziej szczegółowoEgzamin maturalny z informatyki Poziom rozszerzony część I
Zadaie 1. Długość apisów biarych (7 pkt) Opisaa poiżej fukcja rekurecyja wyzacza, dla liczby aturalej 0, długość apisu uzyskaego przez sklejeie biarych reprezetacji liczb aturalych od 1 do 1. ukcja krok
Bardziej szczegółowoO liczbach naturalnych, których suma równa się iloczynowi
O liczbach aturalych, których suma rówa się iloczyowi Lew Kurladczyk i Adrzej Nowicki Toruń UMK, 10 listopada 1998 r. Liczby aturale 1, 2, 3 posiadają szczególą własość. Ich suma rówa się iloczyowi: Podobą
Bardziej szczegółowoAlgorytmy 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 szczegółowoZadanie 2 Niech,,, będą niezależnymi zmiennymi losowymi o identycznym rozkładzie,.
Z adaie Niech,,, będą iezależymi zmieymi losowymi o idetyczym rozkładzie ormalym z wartością oczekiwaą 0 i wariacją. Wyzaczyć wariację zmieej losowej. Wskazówka: pokazać, że ma rozkład Γ, ODP: Zadaie Niech,,,
Bardziej szczegółowoMetoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.
Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak
Bardziej szczegółowoSTATYSTYKA I ANALIZA DANYCH
TATYTYKA I ANALIZA DANYCH Zad. Z pewej partii włókie weły wylosowao dwie próbki włókie, a w każdej z ich zmierzoo średicę włókie różymi metodami. Otrzymao astępujące wyiki: I próbka: 50; średia średica
Bardziej szczegółowoma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y
Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:
Bardziej szczegółowoKADD Metoda najmniejszych kwadratów
Metoda ajmiejszych kwadratów Pomiary bezpośredie o rówej dokładości o różej dokładości średia ważoa Pomiary pośredie Zapis macierzowy Dopasowaie prostej Dopasowaie wielomiau dowolego stopia Dopasowaie
Bardziej szczegółowoĆwiczenie 6. Realizacja i pomiary filtrów adaptacyjnych
Ćwiczeie 6 Realizacja i pomiary filtrów adaptacyjyc Cele ćwiczeia Zapozaie z działaiem prostyc filtrów adaptacyjyc. Obserwacja efektów działaia filtru predykcyjego. Porówaie algorytmów LMS i LMS. Pomiary
Bardziej szczegółowoWYZNACZENIE CHARAKTERYSTYK STATYCZNYCH PRZETWORNIKÓW POMIAROWYCH
Zakład Metrologii i Systemów Pomiarowych P o l i t e c h i k a P o z ańska ul. Jaa Pawła II 4 60-96 POZNAŃ (budyek Cetrum Mechatroiki, Biomechaiki i Naoiżerii) www.zmisp.mt.put.poza.pl tel. +48 6 66 3
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowoZeszyty naukowe nr 9
Zeszyty aukowe r 9 Wyższej Szkoły Ekoomiczej w Bochi 2011 Piotr Fijałkowski Model zależości otowań giełdowych a przykładzie otowań ołowiu i spółki Orzeł Biały S.A. Streszczeie Niiejsza praca opisuje próbę
Bardziej szczegółowo3. Regresja liniowa Założenia dotyczące modelu regresji liniowej
3. Regresja liiowa 3.. Założeia dotyczące modelu regresji liiowej Aby moża było wykorzystać model regresji liiowej, muszą być spełioe astępujące założeia:. Relacja pomiędzy zmieą objaśiaą a zmieymi objaśiającymi
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,
Bardziej szczegółowoMetody badania zbieżności/rozbieżności ciągów liczbowych
Metody badaia zbieżości/rozbieżości ciągów liczbowych Ryszard Rębowski 14 grudia 2017 1 Wstęp Kluczowe pytaie odoszące się do zagadieia badaia zachowaia się ciągu liczbowego sprowadza się do sposobu opisu
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI MAJ 2012 POZIOM PODSTAWOWY CZĘŚĆ I WYBRANE: Czas pracy: 75 minut. Liczba punktów do uzyskania: 20 WPISUJE ZDAJĄCY
Cetrala Komisja Egzamiacyja Arkusz zawiera iformacje prawie chroioe do mometu rozpoczęcia egzamiu. Układ graficzy CKE 2010 KOD WPISUJE ZDAJĄCY PESEL Miejsce a aklejkę z kodem EGZAMIN MATURALNY Z INFORMATYKI
Bardziej szczegółowoTRANZYSTORY POLOWE JFET I MOSFET
POLTECHNKA RZEZOWKA Kaedra Podsaw Elekroiki srukcja Nr5 F 00/003 sem. lei TRANZYTORY POLOWE JFET MOFET Cel ćwiczeia: Pomiar podsawowych charakerysyk i wyzaczeie paramerów określających właściwości razysora
Bardziej szczegółowoPierwiastki z liczby zespolonej. Autorzy: Agnieszka Kowalik
Pierwiastki z liczby zespoloej Autorzy: Agieszka Kowalik 09 Pierwiastki z liczby zespoloej Autor: Agieszka Kowalik DEFINICJA Defiicja : Pierwiastek z liczby zespoloej Niech będzie liczbą aturalą. Pierwiastkiem
Bardziej szczegółowoUczenie się pojedynczego neuronu. Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z<0 y=1 gdy z>=0. Wówczas: W 1 x 1 + w 2 x 2 + = 0
Uczenie się pojedynczego neuronu W0 X0=1 W1 x1 W2 s f y x2 Wp xp p x i w i=x w+wo i=0 Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z=0 Wówczas: W 1 x 1 + w 2 x 2 + = 0 Algorytm
Bardziej szczegółowo, dla n = 1, 2, 3, 4 : 2
Ćwiczeia VI Uwagi do zadań -5 : W każdym z zadań proszę : A. arysować graf przejść i macierz itesywości B. podać graiczą itesywość zgłoszeń λ gr dla której system jest już iestabily C. obliczyć prawdopodobieństwa
Bardziej szczegółowoELEKTROTECHNIKA I ELEKTRONIKA
UNIWERSYTET TECHNOLOGICZNO-PRZYRODNICZY W BYDGOSZCZY WYDZIAŁ INŻYNIERII MECHANICZNEJ INSTYTUT EKSPLOATACJI MASZYN I TRANSPORTU ZAKŁAD STEROWANIA ELEKTROTECHNIKA I ELEKTRONIKA ĆWICZENIE: E20 BADANIE UKŁADU
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą
Bardziej szczegółowoVII MIĘDZYNARODOWA OLIMPIADA FIZYCZNA (1974). Zad. teoretyczne T3.
KOOF Szczeci: www.of.szc.pl VII MIĘDZYNAODOWA OLIMPIADA FIZYCZNA (1974). Zad. teoretycze T3. Źródło: Komitet Główy Olimpiady Fizyczej; Olimpiada Fizycza XXIII XXIV, WSiP Warszawa 1977 Autor: Waldemar Gorzkowski
Bardziej szczegółowoOBLICZENIE SIŁ WEWNĘTRZNYCH DLA BELKI SWOBODNIE PODPARTEJ SWOBODNIE PODPARTEJ ALGORYTM DO PROGRAMU MATHCAD
OBLICZENIE SIŁ WEWNĘTRZNYCH DLA BELKI ALGORYTM DO PROGRAMU MATHCAD 1 PRAWA AUTORSKIE BUDOWNICTWOPOLSKIE.PL GRUDZIEŃ 2010 Rozpatrujemy belkę swobodie podpartą obciążoą siłą skupioą, obciążeiem rówomierie
Bardziej szczegółowoWERSJA TESTU A. Komisja Egzaminacyjna dla Aktuariuszy. LX Egzamin dla Aktuariuszy z 28 maja 2012 r. Część I. Matematyka finansowa
Matematyka fiasowa 8.05.0 r. Komisja Egzamiacyja dla Aktuariuszy LX Egzami dla Aktuariuszy z 8 maja 0 r. Część I Matematyka fiasowa WERJA EU A Imię i azwisko osoby egzamiowaej:... Czas egzamiu: 00 miut
Bardziej szczegółowozadań z pierwszej klasówki, 10 listopada 2016 r. zestaw A 2a n 9 = 3(a n 2) 2a n 9 = 3 (a n ) jest i ograniczony. Jest wiec a n 12 2a n 9 = g 12
Rozwiazaia zadań z pierwszej klasówki, 0 listopada 06 r zestaw A Ciag a ) jest zaday rekuryjie: a a, a + a a 9, a R, a
Bardziej szczegółowoArtykuł techniczny CVM-NET4+ Zgodny z normami dotyczącymi efektywności energetycznej
1 Artykuł techiczy Joatha Azañó Dział ds. Zarządzaia Eergią i Jakości Sieci CVM-ET4+ Zgody z ormami dotyczącymi efektywości eergetyczej owy wielokaałowy aalizator sieci i poboru eergii Obeca sytuacja Obece
Bardziej szczegółowoCiągi liczbowe z komputerem
S t r o a 1 dr Aa Rybak Istytut Iformatyki Uiwersytet w Białymstoku Ciągi liczbowe z komputerem Wprowadzeie W artykule zostaie zaprezetoway sposób wykorzystaia arkusza kalkulacyjego do badaia własości
Bardziej szczegółowoz przedziału 0,1. Rozważmy trzy zmienne losowe:..., gdzie X
Matematyka ubezpieczeń majątkowych.0.0 r. Zadaie. Mamy day ciąg liczb q, q,..., q z przedziału 0,. Rozważmy trzy zmiee losowe: o X X X... X, gdzie X i ma rozkład dwumiaowy o parametrach,q i, i wszystkie
Bardziej szczegółowoStruktura czasowa stóp procentowych (term structure of interest rates)
Struktura czasowa stóp procetowych (term structure of iterest rates) Wysokość rykowych stóp procetowych Na ryku istieje wiele różorodych stóp procetowych. Poziom rykowej stopy procetowej (lub omialej stopy,
Bardziej szczegółowoBłędy kwantyzacji, zakres dynamiki przetwornika A/C
Błędy kwatyzacji, zakres dyamiki przetworika /C Celem ćwiczeia jest pozaie wpływu rozdzielczości przetworika /C a błąd kwatowaia oraz ocea dyamiki układu kwatującego. Kwatowaie przyporządkowaie kolejym
Bardziej szczegółowoKongruencje Wykład 4. Kongruencje kwadratowe symbole Legendre a i Jac
Kogruecje kwadratowe symbole Legedre a i Jacobiego Kogruecje Wykład 4 Defiicja 1 Kogruecję w ostaci x a (mod m), gdzie a m, azywamy kogruecją kwadratową; jej bardziej ogóla ostać ax + bx + c może zostać
Bardziej szczegółowoZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA
ZAGADNIENIE ESTYMACJI. ESTYMACJA PUNKTOWA I PRZEDZIAŁOWA Mamy populację geeralą i iteresujemy się pewą cechą X jedostek statystyczych, a dokładiej pewą charakterystyką liczbową θ tej cechy (p. średią wartością
Bardziej szczegółowoROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO
Agieszka Jakubowska ROZDZIAŁ 5 WPŁYW SYSTEMU OPODATKOWANIA DOCHODU NA EFEKTYWNOŚĆ PROCESU DECYZYJNEGO. Wstęp Skąplikowaie współczesego życia gospodarczego powoduje, iż do sterowaia procesem zarządzaia
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadaie 1 Rzucamy 4 kości do gry (uczciwe). Prawdopodobieństwo zdarzeia iż ajmiejsza uzyskaa a pojedyczej kości liczba oczek wyiesie trzy (trzy oczka mogą wystąpić a więcej iż jedej kości) rówe jest: (A)
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych 9.10.2006 r. Zadanie 1. Rozważamy proces nadwyżki ubezpieczyciela z czasem dyskretnym postaci: n
Maemayka ubezpieczeń mająkowych 9.0.006 r. Zadaie. Rozważamy proces adwyżki ubezpieczyciela z czasem dyskreym posaci: U = u + c S = 0... S = W + W +... + W W W W gdzie zmiee... są iezależe i mają e sam
Bardziej szczegółowoModuł 4. Granica funkcji, asymptoty
Materiały pomocicze do e-learigu Matematyka Jausz Górczyński Moduł. Graica fukcji, asymptoty Wyższa Szkoła Zarządzaia i Marketigu Sochaczew Od Autora Treści zawarte w tym materiale były pierwotie opublikowae
Bardziej szczegółowoZasada indukcji matematycznej. Dowody indukcyjne.
Zasada idukcji matematyczej Dowody idukcyje Z zasadą idukcji matematyczej i dowodami idukcyjymi sytuacja jest ajczęściej taka, że podaje się w szkole treść zasady idukcji matematyczej, a astępie omawia,
Bardziej szczegółowoRekursja 2. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Rekursja Materiały pomocicze do wykładu wykładowca: dr Magdalea Kacprzak Rozwiązywaie rówań rekurecyjych Jedorode liiowe rówaia rekurecyje Twierdzeie Niech k będzie ustaloą liczbą aturalą dodatią i iech
Bardziej szczegółowoPrzykładowe pytania na egzamin dyplomowy dla kierunku Automatyka i Robotyka
Przykładowe pytaia a egzami dyplomowy dla kieruku Automatyka i obotyka Aktualizacja: 13.12.2016 r. Przedmiot: Matematyka 1 (Algebra liiowa) 1. Wiemy że struktura (Gh) jest grupą z elemetem eutralym e.
Bardziej szczegółowoSTATYSTYKA OPISOWA WYKŁAD 1 i 2
STATYSTYKA OPISOWA WYKŁAD i 2 Literatura: Marek Cieciura, Jausz Zacharski, Metody probabilistycze w ujęciu praktyczym, L. Kowalski, Statystyka, 2005 2 Statystyka to dyscyplia aukowa, której zadaiem jest
Bardziej szczegółowoRelacje rekurencyjne. będzie następująco zdefiniowanym ciągiem:
Relacje rekurecyje Defiicja: Niech =,,,... będzie astępująco zdefiiowaym ciągiem: () = r, = r,..., k = rk, gdzie r, r,..., r k są skalarami, () dla k, = a + a +... + ak k, gdzie a, a,..., ak są skalarami.
Bardziej szczegółowo1. Metoda zdyskontowanych przyszłych przepływów pieniężnych
Iwetta Budzik-Nowodzińska SZACOWANIE WARTOŚCI DOCHODOWEJ PRZEDSIĘBIORSTWA STUDIUM PRZYPADKU Wprowadzeie Dochodowe metody wycey wartości przedsiębiorstw są postrzegae, jako ajbardziej efektywe sposoby określaia
Bardziej szczegółowoFundamentalna tabelka atomu. eureka! to odkryli. p R = nh -
TEKST TRUDNY Postulat kwatowaia Bohra, czyli założoy ad hoc związek pomiędzy falą de Broglie a a geometryczymi własościami rozważaego problemu, pozwolił bez większych trudości teoretyczie przewidzieć rozmiary
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1A, zima 2012/13. Ciągi.
Jarosław Wróblewski Aaliza Matematycza 1A, zima 2012/13 Ciągi. Ćwiczeia 5.11.2012: zad. 140-173 Kolokwium r 5, 6.11.2012: materiał z zad. 1-173 Ćwiczeia 12.11.2012: zad. 174-190 13.11.2012: zajęcia czwartkowe
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna A1, zima 2011/12. Kresy zbiorów. x Z M R
Kresy zbiorów. Ćwiczeia 21.11.2011: zad. 197-229 Kolokwium r 7, 22.11.2011: materiał z zad. 1-249 Defiicja: Zbiór Z R azywamy ograiczoym z góry, jeżeli M R x Z x M. Każdą liczbę rzeczywistą M R spełiającą
Bardziej szczegółowoEA3 Silnik komutatorowy uniwersalny
Akademia Góriczo-Huticza im.s.staszica w Krakowie KAEDRA MASZYN ELEKRYCZNYCH EA3 Silik komutatorowy uiwersaly Program ćwiczeia 1. Oględziy zewętrze 2. Pomiar charakterystyk mechaiczych przy zasilaiu: a
Bardziej szczegółowoPrzetworniki analogowo-cyfrowe i cyfrowo- analogowe
Przetworiki aalogowo-cyfrowe i cyfrowo- aalogowe 14.1. PRZETWORNIKI C/A Przetworik cyfrowo-aalogowy (ag. Digital-to-Aalog Coverter) jest to układ przetwarzający dyskrety sygał cyfrowy a rówowaŝy mu sygał
Bardziej szczegółowoNiepewności pomiarowe
Niepewości pomiarowe Obserwacja, doświadczeie, pomiar Obserwacja zjawisk fizyczych polega a badaiu ych zjawisk w warukach auralych oraz a aalizie czyików i waruków, od kórych zjawiska e zależą. Waruki
Bardziej szczegółowoMetody Obliczeniowe w Nauce i Technice laboratorium
Marci Rociek Iformatyka, II rok Metody Obliczeiowe w Nauce i Techice laboratorium zestaw 1: iterpolacja Zadaie 1: Zaleźć wzór iterpolacyjy Lagrage a mając tablicę wartości: 3 5 6 y 1 3 5 6 Do rozwiązaia
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH POMIAR FIZYCZNY Pomiar bezpośredi to doświadczeie, w którym przy pomocy odpowiedich przyrządów mierzymy (tj. porówujemy
Bardziej szczegółowoMatematyka finansowa 08.10.2007 r. Komisja Egzaminacyjna dla Aktuariuszy. XLIII Egzamin dla Aktuariuszy z 8 października 2007 r.
Matematyka fiasowa 08.10.2007 r. Komisja Egzamiacyja dla Aktuariuszy XLIII Egzami dla Aktuariuszy z 8 paździerika 2007 r. Część I Matematyka fiasowa WERSJA TESTU A Imię i azwisko osoby egzamiowaej:...
Bardziej szczegółowoTermodynamika defektów sieci krystalicznej
Termodyamika defektów sieci krystaliczej Defekty sieci krystaliczej puktowe (wakasje, atomy międzywęzłowe, obce atomy) jedowymiarowe (dyslokacje krawędziowe i śrubowe) dwuwymiarowe (graice międzyziarowe,
Bardziej szczegółowoBadanie efektu Halla w półprzewodniku typu n
Badaie efektu alla w ółrzewodiku tyu 35.. Zasada ćwiczeia W ćwiczeiu baday jest oór elektryczy i aięcie alla w rostoadłościeej róbce kryształu germau w fukcji atężeia rądu, ola magetyczego i temeratury.
Bardziej szczegółowoHarmonogramowanie linii montażowej jako element projektowania cyfrowej fabryki
52 Sławomir Herma Sławomir HERMA atedra Iżyierii Produkcji, ATH w Bielsku-Białej E mail: slawomir.herma@gmail.com Harmoogramowaie liii motażowej jako elemet projektowaia cyfrowej fabryki Streszczeie: W
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W12: Statystyczna analiza danych jakościowych. Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.
Rachuek prawdopodobieństwa i statystyka W12: Statystycza aaliza daych jakościowych Dr Aa ADRIAN Paw B5, pok 407 ada@agh.edu.pl Wprowadzeie Rozróżia się dwa typy daych jakościowych: Nomiale jeśli opisują
Bardziej szczegółowo2 n < 2n + 2 n. 2 n = 2. 2 n 2 +3n+2 > 2 0 = 1 = 2. n+2 n 1 n+1 = 2. n+1
Tekst a iebiesko jest kometarzem lub treścią zadaia. Zadaie 1. Zbadaj mootoiczość i ograiczoość ciągów. a = + 3 + 1 Ciąg jest mootoiczie rosący i ieograiczoy poieważ różica kolejych wyrazów jest dodatia.
Bardziej szczegółowoLekcja 5: Sieć Kohonena i sieć ART
Lekcja 5: Sieć Kohonena i sieć ART S. Hoa Nguyen 1 Materiał Sieci Kohonena (Sieć samo-organizująca) Rysunek 1: Sieć Kohonena Charakterystyka sieci: Jednowarstwowa jednokierunkowa sieć. Na ogół neurony
Bardziej szczegółowoOBWODY LINIOWE PRĄDU STAŁEGO
Politechika Gdańska Wydział Elektrotechiki i Automatyki 1. Wstęp st. stacjoare I st. iżyierskie, Eergetyka Laboratorium Podstaw Elektrotechiki i Elektroiki Ćwiczeie r 1 OBWODY LINIOWE PRĄDU STAŁEGO Obwód
Bardziej szczegółowoJarosław Wróblewski Analiza Matematyczna 1, zima 2016/17
Egzami, 18.02.2017, godz. 9:00-11:30 Zadaie 1. (22 pukty) W każdym z zadań 1.1-1.10 podaj w postaci uproszczoej kresy zbioru oraz apisz, czy kresy ależą do zbioru (apisz TAK albo NIE, ewetualie T albo
Bardziej szczegółowoSystem finansowy gospodarki
System fiasowy gospodarki Zajęcia r 5 Matematyka fiasowa Wartość pieiądza w czasie 1 złoty posiaday dzisiaj jest wart więcej iż 1 złoty posiaday w przyszłości, p. za rok. Powody: Suma posiadaa dzisiaj
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoChłodnictwo i Kriogenika - Ćwiczenia Lista 2
Chłodictwo i Kriogeika - Ćwiczeia Lista 2 dr hab. iż. Bartosz Zajączkowski bartosz.zajaczkowski@pwr.edu.pl Politechika Wrocławska Wydział Mechaiczo-Eergetyczy Katedra Termodyamiki, Teorii Maszy i Urządzeń
Bardziej szczegółowoElementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2
Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe cz. 2 1 Plan wykładu Uczenie bez nauczyciela (nienadzorowane). Sieci Kohonena (konkurencyjna) Sieć ze sprzężeniem zwrotnym Hopfielda. 2 Cechy uczenia
Bardziej szczegółowoStatystyka matematyczna. Wykład II. Estymacja punktowa
Statystyka matematycza. Wykład II. e-mail:e.kozlovski@pollub.pl Spis treści 1 dyskretych Rozkłady zmieeych losowych ciągłych 2 3 4 Rozkład zmieej losowej dyskretej dyskretych Rozkłady zmieeych losowych
Bardziej szczegółowoMetody numeryczne Laboratorium 5 Info
Metody umerycze Laboratorium 5 Ifo Aproksymacja - proces określaia rozwiązań przybliżoych a podstawie rozwiązań zaych, które są bliskie rozwiązaiom dokładym w ściśle sprecyzowaym sesie. Metoda ajmiejszych
Bardziej szczegółowoInternetowe Kółko Matematyczne 2004/2005
Iteretowe Kółko Matematycze 2004/2005 http://www.mat.ui.toru.pl/~kolka/ Zadaia dla szkoły średiej Zestaw I (20 IX) Zadaie 1. Daa jest liczba całkowita dodatia. Co jest większe:! czy 2 2? Zadaie 2. Udowodij,
Bardziej szczegółowoGeometrycznie o liczbach
Geometryczie o liczbach Geometryczie o liczbach Łukasz Bożyk Dodatią liczbę całkowitą moża iterpretować jako pole pewej figury składającej się z kwadratów jedostkowych Te prosty pomysł pozwala w aturaly
Bardziej szczegółowoAlgorytmy I Struktury Danych Prowadząca: dr Hab. inż. Małgorzata Sterna. Sprawozdanie do Ćwiczenia 3 Algorytmy grafowe ( )
Poiedziałki 11.45 Grupa I3 Iformatyka a wydziale Iformatyki Politechika Pozańska Algorytmy I Struktury Daych Prowadząca: dr Hab. iż. Małgorzata Stera Sprawozdaie do Ćwiczeia 3 Algorytmy grafowe (26.03.12)
Bardziej szczegółowoCharakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja
Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej
Bardziej szczegółowoWokół testu Studenta 1. Wprowadzenie Rozkłady prawdopodobieństwa występujące w testowaniu hipotez dotyczących rozkładów normalnych
Wokół testu Studeta Wprowadzeie Rozkłady prawdopodobieństwa występujące w testowaiu hipotez dotyczących rozkładów ormalych Rozkład ormaly N(µ, σ, µ R, σ > 0 gęstość: f(x σ (x µ π e σ Niech a R \ {0}, b
Bardziej szczegółowoKATEDRA ENERGOELEKTRONIKI I ELEKTROENERGETYKI
KATEDRA ENERGOELEKTRONIKI I ELEKTROENERGETYKI Grupa: 1. 2. 3. 4. 5. LABORATORIUM ELEKTROENERGETYKI Data: Ocea: ĆWICZENIE 3 BADANIE WYŁĄCZNIKÓW RÓŻNICOWOPRĄDOWYCH 3.1. Cel ćwiczeia Celem ćwiczeia jest:
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 10 Sieci rekurencyjne. Autoasocjator Hopfielda
Wstęp do sieci neuronowych, wykład 10. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-12-19 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu
Bardziej szczegółowoPodstawy OpenCL część 2
Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024
Bardziej szczegółowo