OBLICZENIA EWOLUCYJNE EWOLUCYJNE LITERATURA: prowadzący: LUDZKA INTELIGENCJA. 15h laboratorium: 15h CZĄ SIĘ EGZAMINEM

Wielkość: px
Rozpocząć pokaz od strony:

Download "OBLICZENIA EWOLUCYJNE EWOLUCYJNE LITERATURA: prowadzący: LUDZKA INTELIGENCJA. 15h laboratorium: 15h CZĄ SIĘ EGZAMINEM"

Transkrypt

1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome EVOLUTIONARY OPERATORS wykład AND RECEIVING FITNESS F. 1 VALUE fitness f. value MIGRATION PHASE FITNESS F. communication COMPUTATION with other SELECTION subpopulations YES TERMINATION CONDITION NO END 1 AiR, AB3, sem.. I prowadzący: dr hab. inż. Witold Beluch (p.149) wykład: 15h laboratorium: 15h ZAJĘCIA KOŃCZ CZĄ SIĘ EGZAMINEM OCENA KOŃCOWA: 65% - OCENA Z EGZAMINU 35% - OCENA Z LABORATORIUM obydwie oceny muszą być pozytywne! 2 LITERATURA: 1. Arabas J., Wykłady z algorytmów w ewolucyjnych,, WNT, Warszawa, Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne,, WNT, Warszawa, Goldberg D.E., Algorytmy genetyczne i ich zastosowania,, WNT, Warszawa, 2003 (1989) 4. L. Rutkowski, Metody i techniki sztucznej inteligencji,, PWN, Warszawa, wazniak.mimuw.edu.pl/index.php?title=sztuczna_inteligencjaindex.php?title=sztuczna_inteligencja - wykład dotyczący cy sztucznej inteligencji 3 4 Powiązania: AE budowa baz reguł i f. przynależno ności SR AE wagi i topologia SN SN dobór parametrów AE SR dobór parametrów AE SR dobór parametrów SN SN zdolność uczenia się SR INTELIGENTNE TECHNIKI OBLICZENIOWE SIECI NEURONOWE (Computational Intelligence) ALGORYTMY EWOLUCYJNE SYSTEMY ROZMYTE Soft computing 5 LUDZKA INTELIGENCJA Formy inteligencji: Praktyczna: : umiejętno tność rozwiązywania zywania konkretnych zagadnień. Abstrakcyjna: : zdolność operowania symbolami i pojęciami. Społeczna eczna: : umiejętno tność zachowania się w grupie. Cechy inteligencji: Dopasowanie działania ania do okoliczności. ci. Świadomość działania. ania. Znajomość własnych ograniczeń. 6

2 INTELIGENCJA OBLICZENIOWA (Computational Intelligence,, CI) Cechy inteligentnego systemu: zdolność do przyswajania nowej wiedzy; Rozwiązywanie zywanie obliczeniowo problemów, które nie sąs efektywnie algorytmizowalne. Korzysta z metod matematycznych oraz inspiracji: biologicznych, biocybernetycznych, psychologicznych, statystycznych, logicznych, informatycznych, inżynierskich i innych. samoadaptacja (krótki okres wiarygodności informacji); akceptacja danych niepełnych nych i nie w pełni spójnych logicznie; kreatywność (np. opracowywanie reguł czy wniosków nie wynikających bezpośrednio z materiału faktograficznego). 7 8 SZTUCZNA INTELIGENCJA (Artificial Intelligence,, AI część CI) John McCarthy (1955): Konstruowanie maszyn, o których działaniu aniu dałoby się powiedzieć, że e jest podobne do ludzkich przejawów inteligencji. TEST TURINGA (1950): Maszyna jest inteligentna, jeżeli eli znajdujący się w innym pomieszczeniu obserwator nie zdoła a odróżni nić jej odpowiedzi od odpowiedzi człowieka. 9 TEST TURINGA Sędzia - człowiek - prowadzi rozmowę w języku j naturalnym z pozostałymi stronami. Jeśli sędzia s nie jest w stanie wiarygodnie określi lić,, czy która raś ze stron jest maszyną czy człowiekiem, wtedy mówi m się, że e maszyna przeszła test. Zakłada ada się, że e zarówno człowiek jak i maszyna próbuj bują przejść test jako człowiek. 10 TURING - prognozy TEST TURINGA spory: Turing oczekiwał, że e maszyny w końcu będąb w stanie przejść ten test. Ocenił, że e około o roku 2000 maszyny z pamięci cią o pojemności 10 9 bitów w (około o 119 MB) będąb w stanie oszukać 30% ludzkich sędzis dziów w czasie pięciominutowego testu. Przepowiedział również, że e ludzie przestaną uważać zdanie "myśląca maszyna" za wewnętrznie sprzeczne. Maszyna, która przejdzie test Turinga może e być w stanie symulować ludzkie zachowanie konwersacyjne, co nie musi świadczyć o inteligencji (może e używau ywać sprytnie wymyślonych reguł). Maszyna może e być inteligentna bez ludzkiej umiejętno tności gawędzenia. Wielu ludzi mogłoby oby nie być w stanie zaliczyć takiego testu

3 TEST TURINGA spory: Ale: : inteligencję innych ludzi oceniamy zazwyczaj wyłą łącznie na podstawie tego co i jak mówim wią. I jeszcze: : niekiedy by zaliczyć test maszyna musiałaby aby symulować brak posiadanej wiedzy czy umiejętno tności. Krzysztof Lech 15 września 2011 DO NIEDAWNA ŻADEN KOMPUTER NIE ZALICZYŁ TESTU TURINGA... Najbliżej (długo) ALICE: ALICE: Artificial Linguistic Internet Computer Entity (zawody zawody o nagrodę Loebnera) 13 jednakże wg. informacji w Wikipedii: Nagroda Loebnera nagroda ufundowana przez Hugha Loebnera w 1990 roku, dla programisty, który zdoła napisać program, który skutecznie przejdzie Test Turinga. Nagroda ta obejmuje przyznanie złotego z medalu (całego z 18 to karatowego złota) z oraz USD dla programisty, który przedstawi program, który zdoła a skutecznie zmylić wszystkich sędzis dziów w (testerów) programu. Oprócz tego nagroda ta obejmuje też przyznanie pozłacanego, brązowego zowego medalu oraz nagrody pienięż ężnej USD temu programiście, który w danym roku dostarczy program, który co prawda nie przejdzie w pełni testu Turinga,, ale będzie b zdaniem sędzis dziów w najskuteczniej udawał ludzką konwersację. Zawody o nagrodę Loebnera odbywają się co roku, w The Cambridge Center of Behavioral Studies.. Sędziowie S są dorocznie losowani spośród d pracowników w tego instytutu. Programiści muszą dostarczyć program, który działa a pod Linuksem, MS Windows lub na Macintoshach lub alternatywnie dostarczyć swój j własny w komputer z programem, przy czym komputer musi się dać podłą łączyć do standardowego terminala DEC 100. Dostarczone programy mają generować na tym terminalu ekran, na którym od góry g do dołu u pojawia się tekst konwersacji pisany standardową czcionką i nie formatowany w żaden szczególny sposób. Sędziowie S mają przez jeden dzień wolny dostęp p do dwukrotnie większej liczby terminali niż liczba dostarczonych programów. w. Co drugi ter minal jest obsługiwany przez prosty program komunikacyjny, który generuje na ekranie taki sam tekst jak testowane programy, ale jest obsługiwany ugiwany przez człowieka wylosowanego spośród d studentów w instytutu i zaakceptowanego przez autorów w programów. Do co drugiego terminala jest natomiast przyłą łączony testowany program. Sędziowie S po całym dniu "konwersowania" ze wszystki mi terminalami, decydują które z terminali obsługiwa ugiwał człowiek a które re program, oraz który z terminali obsługiwanych ich zdaniem przez programy zachowywał się "najbardziej po ludzku". Sędziowie mają prawa zadawać terminalom dowolne pytania, oprócz takich, które w oczywisty sposób zdemaskowałyby programy, jak "jaki jest numer twojego buta", albo "jak ma na imię twoja dziewczyna". Złoty Z medal i główng wną nagrodę dostaje ew. ten program który zdoła a zmylić ponad 50% sędzis dziów, zaś gdy żaden program nie uzyska tego wyniku, brązowy medal i USD dostaje ten program, który zdaniem największej liczby sędzis dziów w zachowywał się "najbardziej po ludzku". 16 ELIZA: ELIZA - przykłady: Pierwszy program naśladuj ladujący zwykłą konwersację (1966). Analizuje wzorce w zdaniach, które otrzymuje, a następnie buduje pytania przez przestawienie słów oraz podmianę słów kluczowych. Efekt Elizy - zjawisko przypisywania przez ludzi znaczenia i sensu znakom, słowom s owom i zdaniom, które takiego sensu same z siebie nie mają. (Np: interpretowanie przypadkowych wzorów w tworzonych przez chmury na niebie jako obrazy, które przedstawiają jakieś konkretne kształty). ty). 17 (C - człowiek owiek, E - ELIZA) C: : Czy jesteś człowiekiem? E: : Być człowiekiem... czy to coś znaczy... C: : Co myślisz o mojej matce? E: : Nie znam twojej matki, opowiedz mi o niej coś więcej. 18

4 ZAGADNIENIA AI Sformułowanie owanie mocne : Konstruowanie systemów w inteligentnych, którym można by przypisać zdolność do myślenia w sposób w pewnym stopniu dający się porównywa wnywać z myśleniem ludzkim. Sformułowanie owanie słabe : Stworzenie maszyn (algorytmów) przejawiających cych tylko wąski aspekt inteligencji (grających w szachy, rozpoznających obrazy czy tworzących streszczenia tekstu). 19 Włodzisław Duch: serdecznie polecam... AI uważana ana jest za część informatyki. AI zaliczana jest do nauk kognitywnych 20 DEFINICJE AI: NIEKTÓRE ZASTOSOWANIA Dziedzina nauki zajmująca się rozwiązywaniem zywaniem zagadnień efektywnie niealgorytmizowalnych w oparciu o modelowanie wiedzy. Nauka mająca za zadanie nauczyć maszyny zachowań podobnych do ludzkich. Nauka o tym, jak nauczyć maszyny robić rzeczy które obecnie ludzie robią lepiej. Nauka o komputerowych modelach wiedzy umożliwiaj liwiających rozumienie, wnioskowanie i działanie. anie. 21 Rozpoznawanie mowy - stosowane obecnie powszechnie na skalę komercyjną. 22 NIEKTÓRE ZASTOSOWANIA NIEKTÓRE ZASTOSOWANIA Technologie oparte na logice rozmytej - powszechnie stosowane do np: : sterowania przebiegiem procesów w technologicznych w fabrykach w warunkach "braku wszystkich danych". Systemy ekspertowe - rozbudowane bazy danych z wszczepioną "sztuczną inteligencją" " umożliwiaj liwiającą zadawanie im pytań w języku j naturalnym i uzys- kiwanie w tym samym języku j odpowiedzi. Systemy takie stosowane sąs już w farmacji i medycynie. Maszynowe tłumaczenie t tekstów - systemy takie są wciąż bardzo ułomne, u jednak robią postępy py i za- czynają się nadawać do tłumaczenia t np. tekstów technicznych. Sztuczne sieci neuronowe - stosowane z powo- dzeniem w wielu zastosowaniach łącznie z progra- mowaniem "inteligentnych przeciwników" w" w grach komputerowych. Rozpoznawanie optyczne - stosowane sąs już programy rozpoznające osoby na podstawie zdjęcia twarzy lub rozpoznające automatycznie zadane obiekty na zdjęciach satelitarnych. 23 Rozpoznawanie ręcznego r pisma - stosowane masowo np: : do automatycznego sortowania listów, oraz w elektronicznych notatnikach. Deep Blue - program, który wygrał w szachy z Gary Kasparowem ( ). 97). Sztuczna twórczo rczość - istnieją programy automatycznie generujące krótkie formy poetyckie, komponujące, aranżuj ujące i interpretujące utwory muzyczne, które re sąs w stanie zmylić nawet profesjonalnych artystów. 24

5 HISTORIA HISTORIA Era prehistoryczna: do ok (pojawienie się powszechnie dostępnych komputerów). Era romantyczna: (przewidywano, że e AI osiągnie swoje cele w ciągu 10 lat spore początkowe sukcesy). Okres ciemności: ci: (niewiele nowego, spadek entuzjazmu i pojawienie się głosów krytycznych). Renesans: (pierwsze użyteczne u systemy doradcze). Okres partnerstwa: (wprowadzenie do badań nad AI metod z nauk poznawczych, nauk o mózgu, itd). Okres komercjalizacji: inteligentny slogan reklamowy CZEGO NIE UDAŁO O SIĘ DOTĄD OSIĄGN GNĄĆ (mimo wielu wysiłków...): w...): Programów w skutecznie wygrywających w niektórych grach (go, brydż sportowy, polskie warcaby). OPTYMALIZACJA: działanie, anie, mające na celu zwiększenie efektywności aża do osiągni gnięcia pewnego optimum. CEL GŁÓWNY: G ULEPSZENIE. CEL DRUGORZĘDNY: DNY: OSIĄGNI GNIĘCIE OPTIMUM. Programu, który potrafiłby skutecznie generować zysk, grając c na giełdzie (nie da się nawet odpowiedzieć na pytanie, czy jest możliwe zarabianie na giełdzie). ANALITYCZNE METODY OPTYMALIZACJI PRZEGLĄDOWE (enumeracyjne) LOSOWE Programu skutecznie tłumaczt umaczącego cego teksty literackie i mowę. 27 pośrednie bezpośrednie 28 Metody analityczne bezpośrednie: Poruszanie się po wykresie funkcji w kierunku wyznaczonym przez lokalny gradient (wspinaczka po najbardziej stromym zboczu z możliwych). ZALETY METOD ANALITYCZNYCH YCH: mają solidne podstawy matematyczne; są szeroko stosowane. Metody analityczne pośrednie: Poszukiwanie ekstremów w lokalnych poprzez rozwiązanie zanie układu równar wnań (zwykle nieliniowych), otrzymanych poprzez przyrównanie gradientu funkcji celu do zera. Dla funkcji gładkich, g określonych na obszarze otwartym, poszukiwanie ekstremum można ograniczyć do zbioru punktów, w których nachylenie stycznej do wykresu jest równe zero w każdym kierunku. 29 GŁÓWNA WADA METOD ANALITYCZNYCH: MAŁA A ODPORNOŚĆ ŚĆ: 30

6 Funkcja trudna do optymalizacji metodami analitycznymi: f ( x, x ) = 21.5 sin(4 π x ) + x sin(20 π x ) x [ -3.0, 12.1 ]; x [ 4.1, 5.8 ]; 1 2 Czasem maksimum globalne nie jest pożą żądane: Funkcja niemożliwa do optymalizacji metodami analitycznymi: f f(x) x31 Preferowane są czasem rozwiązania zania, których otoczenie przyjmuje wartości bliskie temu ekstremum a nie te, dla których niewielkie oddalenie się od ekstremum powoduje gwałtowny spadek wartości funkcji. Np: w przypadku inwestycji kapitałowych owych, by nie ryzykować straty z powodu niezbyt precyzyjnie zdefiniowanej funkcji, bądź nieznacznej zmiany jakiegoś parametru funkcji. 32 METODY ENUMERACYJNE: METODY LOSOWE: Sprowadzają się do przeszukiwania wszystkich punktów przestrzeni w poszukiwaniu optimum. Algorytm niezwykle prosty lecz skuteczny jedynie w przypadku skończonych, małych przestrzeni. Zwykle sprawdzenie wszystkich możliwo liwości jest niemożliwe w rozsądnym czasie (tzw. przekleństwo wymiaru). W swej najprostszej postaci: bada się losowo całą przestrzeń zadania nie korzystając c z innych informacji. Poszukiwanie takie jest zwykle bardzo czasochłonne onne (zwykle jednak mniej niż metody enumeracyjne). Algorytmy genetyczne i ewolucyjne równier wnież zawie- rają element losowości (algorytm zrandomizowany) EFEKTYWNOŚĆ 1 Metoda odporna ideał... Metoda wyspecjalizowana (analityczna) Metoda enumeracyjna, błądzenie przypadkowe 0 kombinatoryczny dyskretny jednomodalny wielomodalny PROBLEM 35

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE 1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 1 FITNESS

Bardziej szczegółowo

METODY INTELIGENCJI OBLICZENIOWEJ wykład 1

METODY INTELIGENCJI OBLICZENIOWEJ wykład 1 METODY INTELIGENCJI OBLICZENIOWEJ wykład 1 1 2 ETI, EC3, sem.. VIII prowadzący: dr inż. Witold Beluch (p. 149) konsultacje: poniedziałek 8 15 wtorek 11 45-13 15-9 45 13 15 wykład: 15h laboratorium: 15h

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Inteligencja obliczeniowa

Inteligencja obliczeniowa Wydział Zarządzania AGH Katedra Informatyki Stosowanej Inteligencja Treści wykładów Sztuczna inteligencja Algorytmy heurystyczne Podstawy algorytmów ewolucyjnych Techniki stosowane w EA Wprowadzenie do

Bardziej szczegółowo

Sztuczna inteligencja - wprowadzenie

Sztuczna inteligencja - wprowadzenie Sztuczna inteligencja - wprowadzenie Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Sztuczna inteligencja komputerów - wprowadzenie Kontakt: dr inż. Dariusz Banasiak, pok.

Bardziej szczegółowo

Sztuczna inteligencja Definicja Sztuczna inteligencja (AI - ang. artificial inteligence) lub krótko SI jest stosunkowo nową interdyscyplinarną dziedziną nauki, przedmiotem wielkich oczekiwań i ożywionych

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

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania

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

Sztuczna inteligencja

Sztuczna inteligencja Sztuczna inteligencja Przykładowe zastosowania Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 12 czerwca 2008 Plan 1 Czym jest (naturalna) inteligencja? 2 Czym jest (sztuczna)

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE 1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS

Bardziej szczegółowo

Przetwarzanie języka naturalnego (NLP)

Przetwarzanie języka naturalnego (NLP) Przetwarzanie języka naturalnego (NLP) NLP jest dziedziną informatyki łączącą zagadnienia sztucznej inteligencji i lingwistyki zajmującą się automatyzacją analizy, rozumienia, tłumaczenia i generowania

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

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

Bardziej szczegółowo

ALGORYTMY IMMUNO- LOGICZNE

ALGORYTMY IMMUNO- LOGICZNE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome wykład AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS 7 VALUE fitness

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Przetwarzanie języka naturalnego

Przetwarzanie języka naturalnego Wstęp Przetwarzanie języka naturalnego Adam Sawicki Grzegorz Stępnik Informatyka, gr. II, sem. V 2005-12-13 Przetwarzanie języka naturalnego (ang. Natural Language Processing, NLP) to dział sztucznej inteligencji

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Egzamin / zaliczenie na ocenę*

Egzamin / zaliczenie na ocenę* Zał. nr do ZW 33/01 WYDZIAŁ / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Optymalizacja systemów Nazwa w języku angielskim System optimization Kierunek studiów (jeśli dotyczy): Inżynieria Systemów

Bardziej szczegółowo

LABORATORIUM 1: Program Evolutionary Algorithms

LABORATORIUM 1: Program Evolutionary Algorithms Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 1: Program Evolutionary Algorithms opracował:

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA Chatboty

SZTUCZNA INTELIGENCJA Chatboty Daniel Jasina SZTUCZNA INTELIGENCJA Chatboty 19-04-2013 1. Sztuczna inteligencja 1. Zarys 2. Test Turinga 2. Chatboty 1. Czym lub kim są? 2. Zastosowania 3. Znane chatboty 4. Działanie 3. AIML 1. Czym

Bardziej szczegółowo

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie

Bardziej szczegółowo

Narzÿdzia AI UKŁAD WYKŁADU

Narzÿdzia AI UKŁAD WYKŁADU Narzÿdzia AI Dominik lÿzak slezak@pjwstk.edu.pl Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 311, tel. wewn. 152 http://www.qed.pl/ai/ UKŁAD WYKŁADU Sztuczna inteligencja Systemyuczce siÿ Program wykładu

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą

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

Praca Dyplomowa Magisterska. Zastosowanie algorytmów genetycznych w zagadnieniach optymalizacji produkcji

Praca Dyplomowa Magisterska. Zastosowanie algorytmów genetycznych w zagadnieniach optymalizacji produkcji Praca Dyplomowa Magisterska Zastosowanie algorytmów genetycznych w zagadnieniach optymalizacji produkcji Cel pracy zapoznanie się z zasadami działania ania algorytmów genetycznych przedstawienie możliwo

Bardziej szczegółowo

Informatyka II stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES)

Informatyka II stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES) KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Badania Operacyjne w Informatyce Operations Research in Computer Science

Bardziej szczegółowo

Z-ZIP2-303z Zagadnienia optymalizacji Problems of optimization

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

Bardziej szczegółowo

Metody przeszukiwania

Metody przeszukiwania Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania

Bardziej szczegółowo

Sztuczna inteligencja wprowadzenie

Sztuczna inteligencja wprowadzenie Sztuczna inteligencja wprowadzenie Sławomir Samolej Slajdy zostały przygotowane na podstawie materiałów opublikowanych na (http://wazniak.mimuw.edu.pl/ Literatura Leszek Rutkowski Metody i techniki sztucznej

Bardziej szczegółowo

Wprowadzenie. Jacek Bartman. Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski

Wprowadzenie. Jacek Bartman. Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski Sztuczna inteligencja Wprowadzenie Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski INFORMACJE ORGANIZACYJNE Forma zajęć: Studia stacjonarne Wykłady 30h Laboratorium

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Alan M. TURING. Matematyk u progu współczesnej informatyki

Alan M. TURING. Matematyk u progu współczesnej informatyki Alan M. TURING n=0 1 n! Matematyk u progu współczesnej informatyki Wykład 5. Alan Turing u progu współczesnej informatyki O co pytał Alan TURING? Czym jest algorytm? Czy wszystkie problemy da się rozwiązać

Bardziej szczegółowo

Na poprzednim wykładzie:

Na poprzednim wykładzie: ALGORYTMY EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 3 fitness f. value FITNESS F.

Bardziej szczegółowo

Algorytmy i bazy danych (wykład obowiązkowy dla wszystkich)

Algorytmy i bazy danych (wykład obowiązkowy dla wszystkich) MATEMATYKA I EKONOMIA PROGRAM STUDIÓW DLA II STOPNIA Data: 2010-11-07 Opracowali: Krzysztof Rykaczewski Paweł Umiński Streszczenie: Poniższe opracowanie przedstawia projekt planu studiów II stopnia na

Bardziej szczegółowo

Kierunek Informatyka stosowana Studia stacjonarne Studia pierwszego stopnia

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

Bardziej szczegółowo

Zarządzanie zasobami ludzkimi. ludzkimi. przedsiębiorstwie, ludzkimi. Cele zarządzania zasobami

Zarządzanie zasobami ludzkimi. ludzkimi. przedsiębiorstwie, ludzkimi. Cele zarządzania zasobami Zarządzanie zasobami w przedsiębiorstwie Zarządzanie zasobami Zbiór r zadań związanych zanych z pracownikami w przedsiębiorstwie, zmierzających do osiągni gnięcia strategii przedsiębiorstwa i zaspokojenia

Bardziej szczegółowo

KARTA KURSU. Opis kursu (cele kształcenia) Warunki wstępne. Efekty kształcenia. Technologia informacyjna kierunek Ochrona Środowiska.

KARTA KURSU. Opis kursu (cele kształcenia) Warunki wstępne. Efekty kształcenia. Technologia informacyjna kierunek Ochrona Środowiska. KARTA KURSU Nazwa Nazwa w j. ang. Technologia informacyjna kierunek Ochrona Środowiska Information Technology Kod Punktacja ECTS* 2 Koordynator Dr hab. Grzegorz Formicki, Prof. UP Zespół dydaktyczny Dr

Bardziej szczegółowo

Związek między problemem, algorytmem a programem komputerowym. Klasa 2 Lekcja 3

Związek między problemem, algorytmem a programem komputerowym. Klasa 2 Lekcja 3 Związek między problemem, algorytmem a programem komputerowym Klasa 2 Lekcja 3 Na początku jest problem Komputer umożliwia rozwiązanie zanie problemów, wykonując programy komputerowe. Komputer bez programu

Bardziej szczegółowo

Obliczenia ewolucyjne - plan wykładu

Obliczenia ewolucyjne - plan wykładu Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja

Bardziej szczegółowo

Metody Optymalizacji: Przeszukiwanie z listą tabu

Metody Optymalizacji: Przeszukiwanie z listą tabu Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Systemy Decision suport systems Zarządzanie i Inżynieria Produkcji Management and Engineering of Production Rodzaj przedmiotu: obowiązkowy Poziom studiów: studia II stopnia

Bardziej szczegółowo

Nowoczesne narzędzia w relacjach z klientami

Nowoczesne narzędzia w relacjach z klientami Nowoczesne narzędzia w relacjach z klientami Jak robić to dobrze? Plan prezentacji o o o o o Wprowadzenie Co lubią internauci Kilka ważnych zasad projektowania Różne narzędzia ale taki sam proces Postępujące

Bardziej szczegółowo

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

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

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Podstawy Projektowania Foundation of design in technical engineering Kierunek: Zarządzanie i Inżynieria Produkcji Rodzaj przedmiotu: Poziom studiów: obowiązkowy studia I stopnia Rodzaj

Bardziej szczegółowo

Kierunek:Informatyka- - inż., rok I specjalność: Grafika komputerowa i multimedia

Kierunek:Informatyka- - inż., rok I specjalność: Grafika komputerowa i multimedia :Informatyka- - inż., rok I specjalność: Grafika komputerowa i multimedia Podstawy prawne. 1 15 1 Podstawy ekonomii. 1 15 15 2 Repetytorium z matematyki. 1 30 3 Środowisko programisty. 1 30 3 Komputerowy

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

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

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

Bardziej szczegółowo

Programowanie strukturalne

Programowanie strukturalne Programowanie strukturalne Semestr I Technik Informatyk - Prowadzący: Elżbieta Majka Plan pracy semestrze I podstawy algorytmizacji programowanie strukturalne na przykładzie języka j Pascal podstawowe

Bardziej szczegółowo

8. Neuron z ciągłą funkcją aktywacji.

8. Neuron z ciągłą funkcją aktywacji. 8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i

Bardziej szczegółowo

Wstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych

Wstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Wstęp do kognitywistyki Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Epistemologia eksperymentalna W. McCulloch: Wszystko, czego dowiadujemy się o organizmach wiedzie nas do wniosku, iż nie są

Bardziej szczegółowo

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

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

Bardziej szczegółowo

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

Transformacja wiedzy w budowie i eksploatacji maszyn

Transformacja wiedzy w budowie i eksploatacji maszyn Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces

Bardziej szczegółowo

PROGRAM STUDIÓW. Egzamin, kolokwium, projekt, aktywność na zajęciach.

PROGRAM STUDIÓW. Egzamin, kolokwium, projekt, aktywność na zajęciach. PROGRAM STUDIÓW I. INFORMACJE OGÓLNE 1. Nazwa jednostki prowadzącej kierunek: W y d z i a ł M a t e m a t y k i i I n f o r m a t y k i 2. Nazwa kierunku: I n f o r m a t y k a 3. Oferowane specjalności:

Bardziej szczegółowo

Ochrona Środowiska I stopień

Ochrona Środowiska I stopień Załącznik nr 4 do Uchwały nr 49/2015 Senatu UKSW z dnia 23 kwietnia 2015 r. Ochrona Środowiska I stopień Dokumentacja dotycząca opisu efektów kształcenia dla programu kształcenia dla kierunku Ochrona Środowiska

Bardziej szczegółowo

Problemy z ograniczeniami

Problemy z ograniczeniami Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.

Bardziej szczegółowo

Współczesna problematyka klasyfikacji Informatyki

Współczesna problematyka klasyfikacji Informatyki Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki

Bardziej szczegółowo

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI

Bardziej szczegółowo

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim: Analiza wypukła Nazwa w języku angielskim: Convex analysis Kierunek studiów (jeśli dotyczy): MATEMATYKA Specjalność (jeśli

Bardziej szczegółowo

I rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.

I rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer. Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu

Bardziej 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

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

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

Bardziej szczegółowo

Metody Programowania

Metody Programowania POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie

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

Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia

Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Wydział Matematyki i Informatyki Instytut Informatyki i

Bardziej szczegółowo

Kierownik Katedry: Prof. dr hab. inż. Tadeusz BURCZYŃSKI

Kierownik Katedry: Prof. dr hab. inż. Tadeusz BURCZYŃSKI Kierownik Katedry: Prof. dr hab. inż. Tadeusz BURCZYŃSKI Zakład Inteligentnych Systemów Obliczeniowych RMT4-3 Kierownik Zakładu: Prof. dr hab. inż. Tadeusz BURCZYŃSKI Zakład Metod Numerycznych w Termomechanice

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: PODSTAWY MODELOWANIA PROCESÓW WYTWARZANIA Fundamentals of manufacturing processes modeling Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności APWiR Rodzaj

Bardziej szczegółowo

Sylabus do programu kształcenia obowiązującego od roku akademickiego 2014/15

Sylabus do programu kształcenia obowiązującego od roku akademickiego 2014/15 Sylabus do programu kształcenia obowiązującego od roku akademickiego 0/5 () Nazwa Rachunek prawdopodobieństwa i statystyka () Nazwa jednostki prowadzącej Wydział Matematyczno - Przyrodniczy przedmiot ()

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

Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH

Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Przeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, w głąb. Spis treści: 1. Wprowadzenie 3. str. 1.1 Krótki Wstęp

Bardziej szczegółowo

SPIS TREŚCI. Do Czytelnika... 7

SPIS TREŚCI. Do Czytelnika... 7 SPIS TREŚCI Do Czytelnika.................................................. 7 Rozdział I. Wprowadzenie do analizy statystycznej.............. 11 1.1. Informacje ogólne..........................................

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA MODUŁU KSZTAŁCENIA KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne I. 1 Nazwa modułu kształcenia Podstawy informatyki i architektury systemów komputerowych 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki Zakład Informatyki

Bardziej szczegółowo

Nazwa modułu kształcenia Nazwa jednostki prowadzącej moduł Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia

Nazwa modułu kształcenia Nazwa jednostki prowadzącej moduł Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Nazwa modułu kształcenia Nazwa jednostki prowadzącej moduł Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Numeryczne rozwiązywanie równań różniczkowych zwyczajnych Wydział Matematyki

Bardziej szczegółowo

Lista zagadnień kierunkowych pomocniczych w przygotowaniu do egzaminu dyplomowego magisterskiego Kierunek: Mechatronika

Lista zagadnień kierunkowych pomocniczych w przygotowaniu do egzaminu dyplomowego magisterskiego Kierunek: Mechatronika Lista zagadnień kierunkowych pomocniczych w przygotowaniu do Kierunek: Mechatronika 1. Materiały używane w budowie urządzeń precyzyjnych. 2. Rodzaje stali węglowych i stopowych, 3. Granica sprężystości

Bardziej szczegółowo

PWSZ w Tarnowie Instytut Politechniczny Elektrotechnika

PWSZ w Tarnowie Instytut Politechniczny Elektrotechnika PWSZ w Tarnowie Instytut Politechniczny Elektrotechnika METODY NUMERYCZNE WYKŁAD Andrzej M. Dąbrowski amd@agh.edu.pl Paw.C p.100e Konsultacje: środa 14 45-15 30 czwartek 14 45 - Wykład 2 godz. lekcyjne.

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: MECHATRONIKA Rodzaj przedmiotu: obowiązkowy na specjalności: SYSTEMY STEROWANIA, Rodzaj zajęć: wykład, laboratorium UKŁADY STEROWANIA Control systems Forma studiów: stacjonarne

Bardziej szczegółowo

Gospodarcze zastosowania algorytmów genetycznych

Gospodarcze zastosowania algorytmów genetycznych Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym

Bardziej szczegółowo

Jak budować program (curriculum) na bazie efektów uczenia się zdefiniowanych dla obszaru studiów?

Jak budować program (curriculum) na bazie efektów uczenia się zdefiniowanych dla obszaru studiów? Jak budować program (curriculum) na bazie efektów uczenia się zdefiniowanych dla obszaru studiów? Jak budować program zajęć (sylabus) na bazie macierzy efektów uczenia się? Obszar nauk ścisłych (astronomia,

Bardziej szczegółowo

KIERUNKOWE EFEKTY KSZTAŁCENIA

KIERUNKOWE EFEKTY KSZTAŁCENIA WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina

Bardziej szczegółowo

11. 11. OPTYMALIZACJA KONSTRUKCJI

11. 11. OPTYMALIZACJA KONSTRUKCJI 11. OPTYMALIZACJA KONSTRUKCJI 1 11. 11. OPTYMALIZACJA KONSTRUKCJI 11.1. Wprowadzenie 1. Optymalizacja potocznie i matematycznie 2. Przykład 3. Kryterium optymalizacji 4. Ograniczenia w zadaniach optymalizacji

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy na specjalności: systemy sterowania Rodzaj zajęć: wykład, laboratorium UKŁADY AUTOMATYKI PRZEMYSŁOWEJ Industrial Automatics Systems

Bardziej szczegółowo

Politechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH. Heurystyka, co to jest, potencjalne zastosowania

Politechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH. Heurystyka, co to jest, potencjalne zastosowania Politechnika Wrocławska Wydział Elektroniki INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Autor: Łukasz Patyra indeks: 133325 Prowadzący zajęcia: dr inż. Marek Piasecki Ocena pracy: Wrocław 2007 Spis treści 1 Wstęp

Bardziej szczegółowo

Analiza i wizualizacja danych Data analysis and visualization

Analiza i wizualizacja danych Data analysis and visualization KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013

Bardziej szczegółowo

Liczba godzin/tydzień: 2W, 2L

Liczba godzin/tydzień: 2W, 2L Nazwa przedmiotu: Bazy wiedzy i systemy ekspertowe w ekonomice Knowledge basis and ekspert systems in economy Kierunek: Forma studiów: Informatyka Stacjonarne Rodzaj przedmiotu: Poziom przedmiotu: obowiązkowy

Bardziej szczegółowo

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

Bardziej szczegółowo

ViLab- program służący do prowadzenia obliczeń charakterystyki energetycznej i sporządzania świadectw charakterystyki energetycznej

ViLab- program służący do prowadzenia obliczeń charakterystyki energetycznej i sporządzania świadectw charakterystyki energetycznej ViLab- program służący do prowadzenia obliczeń charakterystyki energetycznej i sporządzania świadectw charakterystyki energetycznej ViLab jest samodzielnym programem służącym do prowadzenia obliczeń charakterystyki

Bardziej szczegółowo

SYLABUS/KARTA PRZEDMIOTU

SYLABUS/KARTA PRZEDMIOTU . NAZWA PRZEDMIOTU SYLABUS/KARTA PRZEDMIOTU Systemy wizyjne w automatyce przemysłowej. NAZWA JEDNOSTKI PROWADZĄCEJ PRZEDMIOT Instytut Politechniczny. STUDIA kierunek stopień tryb język status przedmiotu

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

Kompetencje dla przyszłości rozwój potencjału zawodowego studentów i absolwentów UMK

Kompetencje dla przyszłości rozwój potencjału zawodowego studentów i absolwentów UMK Kompetencje dla przyszłości rozwój potencjału zawodowego studentów i absolwentów UMK Model Kompetencji Zawodowych dla studentów Wydziału Chemii, Wydziału Fizyki, Astronomii i Informatyki Stosowanej oraz

Bardziej szczegółowo

MT 2 N _0 Rok: 1 Semestr: 1 Forma studiów:

MT 2 N _0 Rok: 1 Semestr: 1 Forma studiów: Mechatronika Studia drugiego stopnia Przedmiot: Diagnostyka maszyn Rodzaj przedmiotu: obowiązkowy Kod przedmiotu: MT N 0 1 1-0_0 Rok: 1 Semestr: 1 Forma studiów: Studia niestacjonarne Rodzaj zajęć i liczba

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

Stacjonarne Wszystkie Katedra Informatyki Stosowanej Dr inż. Marcin Detka. Podstawowy Obowiązkowy Polski Semestr pierwszy. Semestr letni Brak Nie

Stacjonarne Wszystkie Katedra Informatyki Stosowanej Dr inż. Marcin Detka. Podstawowy Obowiązkowy Polski Semestr pierwszy. Semestr letni Brak Nie KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 202/203 Z-ZIP2-0452 Informatyczne Systemy Zarządzania Produkcją Manufacturing Management

Bardziej szczegółowo

TOK STUDIÓW Kierunek: informatyka rok studiów: I studia stacjonarne pierwszego stopnia, rok akademicki 2014/2015. Forma zaliczen ia. egz. lab.

TOK STUDIÓW Kierunek: informatyka rok studiów: I studia stacjonarne pierwszego stopnia, rok akademicki 2014/2015. Forma zaliczen ia. egz. lab. Lp TOK TUDIÓW rok studiów: I studia stacjonarne pierwszego stopnia, rok akademicki 2014/2015 w ć w ko n lab EC T 1 Podstawy prawno-etyczne 15 1 x 2 Podstawy ekonomii 15 1 x 3 Repetytorium z matematyki

Bardziej szczegółowo

Mechanizacja procesów spawalniczych The mechanization of welding processes. Liczba godzin/tydzień: 1W, 2L PRZEWODNIK PO PRZEDMIOCIE

Mechanizacja procesów spawalniczych The mechanization of welding processes. Liczba godzin/tydzień: 1W, 2L PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności: Spawalnictwo Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE

Bardziej szczegółowo

Wymagania z informatyki na poszczególne oceny przy realizacji programu i podręcznika Informatyka wyd. Operon dla klasy II.

Wymagania z informatyki na poszczególne oceny przy realizacji programu i podręcznika Informatyka wyd. Operon dla klasy II. Wymagania z informatyki na poszczególne oceny przy realizacji programu i podręcznika Informatyka wyd. Operon dla klasy II. Dział I O higienie pracy, komputerze, sieciach komputerowych i Internecie - zna

Bardziej szczegółowo

Strategia Ichimokudla początkujących i zaawansowanych inwestorów. Analiza bieżącej sytuacji na rynkach.

Strategia Ichimokudla początkujących i zaawansowanych inwestorów. Analiza bieżącej sytuacji na rynkach. Strategia Ichimokudla początkujących i zaawansowanych inwestorów. Analiza bieżącej sytuacji na rynkach. Kamil Oziemczuk Analityk Dom Maklerski IDM SA (www.idmtrader.pl) Agenda prezentacji 1) Wprowadzenie

Bardziej szczegółowo

Modelowanie procesów współbieżnych

Modelowanie procesów współbieżnych Modelowanie procesów współbieżnych dr inż. Maciej Piotrowicz Katedra Mikroelektroniki i Technik Informatycznych PŁ piotrowi@dmcs.p.lodz.pl http://fiona.dmcs.pl/~piotrowi -> Modelowanie... Literatura M.

Bardziej szczegółowo

Semestr I, studia magisterskie IŚ, 2013/14. Dr inż. Wojciech Artichowicz. Katedra Hydrotechniki PG

Semestr I, studia magisterskie IŚ, 2013/14. Dr inż. Wojciech Artichowicz. Katedra Hydrotechniki PG Semestr I, studia magisterskie IŚ, 2013/14 Dr inż. Wojciech Artichowicz Katedra Hydrotechniki PG Dr inż. Wojciech Artichowicz wojartic@pg.gda.pl (0 58) 347 21 12 Pokój 102A / Hydro Zasady zaliczenia 1.

Bardziej szczegółowo

Sztuczna inteligencja: aktualny stan i perspektywy rozwoju

Sztuczna inteligencja: aktualny stan i perspektywy rozwoju SGH Business Intelligence, Sztuczna inteligencja: aktualny stan i perspektywy rozwoju Andrzej Kisielewicz Wydział Matematyki i Informatyki Uniwersytet Opolski marzec 2012 Wstęp Aktualny kryzys w AI problem

Bardziej szczegółowo