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

KOMPUTEROWE wykład 001

KOMPUTEROWE wykład 001 INTELIGENTNE TECHNIKI KOMPUTEROWE wykład 001 ZiIP, ZC6, sem.. IX prowadzący: dr inż. Witold Beluch (p. 149) konsultacje: wtorek 11 45-13 15 czwartek 10 00-11 11 30 1 2 wykład: 15h laboratorium: 15h OCENA

Bardziej szczegółowo

ALGORYTMY EWOLUCYJNE

ALGORYTMY EWOLUCYJNE 1 ALGORYTMY FITNESS F. START COMPUTATION FITNESS F. COMPUTATION EWOLUCYJNE INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS VALUE fitness f.

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

INTELIGENCJA OBLICZENIOWA METODY INTELIGENCJI OBLICZENIOWEJ. wykład: LITERATURA: SIEĆ: prowadzący: dr inż. Witold Beluch (p. 149)

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

Stefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010

Stefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010 Stefan Sokołowski SZTUCZNAINTELIGENCJA Inst. Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str.1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://inf.ug.edu.pl/ stefan/dydaktyka/sztintel/

Bardziej 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

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: INTELIGENTNE SYSTEMY OBLICZENIOWE Systems Based on Computational Intelligence Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj

Bardziej szczegółowo

Plan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji

Plan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji

Bardziej szczegółowo

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

O badaniach nad SZTUCZNĄ INTELIGENCJĄ O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia

Bardziej 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

Algorytmy ewolucyjne 1

Algorytmy ewolucyjne 1 Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz

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

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

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

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

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

LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność poszukiwań AE

LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność poszukiwań AE Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 3: Wpływ operatorów krzyżowania na skuteczność

Bardziej szczegółowo

ALGORYTMY GENETYCZNE (wykład + ćwiczenia)

ALGORYTMY GENETYCZNE (wykład + ćwiczenia) ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja

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

Algorytm genetyczny (genetic algorithm)-

Algorytm genetyczny (genetic algorithm)- Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie

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

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie

Bardziej szczegółowo

Algorytmy ewolucyjne NAZEWNICTWO

Algorytmy ewolucyjne NAZEWNICTWO Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne

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

LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2

LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2 Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl OBLICZENIA EWOLUCYJNE LABORATORIUM 7: Problem komiwojażera (TSP) cz. 2 opracował:

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

Symbol efektu kształcenia

Symbol efektu kształcenia Efekty dla studiów drugiego stopnia - profil ogólnoakademicki, na kierunku Informatyka, na specjalnościach Metody sztucznej inteligencji (Tabela 1), Projektowanie systemów CAD/CAM (Tabela 2) oraz Przetwarzanie

Bardziej szczegółowo

JAKIEGO RODZAJU NAUKĄ JEST

JAKIEGO RODZAJU NAUKĄ JEST JAKIEGO RODZAJU NAUKĄ JEST INFORMATYKA? Computer Science czy Informatyka? Computer Science czy Informatyka? RACZEJ COMPUTER SCIENCE bo: dziedzina ta zaistniała na dobre wraz z wynalezieniem komputerów

Bardziej szczegółowo

LABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch

LABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE. opracował: dr inż. Witold Beluch OBLICZENIA EWOLUCYJNE LABORATORIUM 2: Wpływ wielkości populacji i liczby pokoleń na skuteczność poszukiwań AE opracował: dr inż. Witold Beluch witold.beluch@polsl.pl Gliwice 12 OBLICZENIA EWOLUCYJNE LABORATORIUM

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

Historia sztucznej inteligencji. Przygotował: Konrad Słoniewski

Historia sztucznej inteligencji. Przygotował: Konrad Słoniewski Historia sztucznej inteligencji Przygotował: Konrad Słoniewski Prahistoria Mit o Pigmalionie Pandora ulepiona z gliny Talos olbrzym z brązu Starożytna Grecja System sylogizmów Arystotelesa (VI w. p.n.e.)

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBPOPULATION SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. wykład VALUE 5fitness f. value EVOLUTIONARY

Bardziej szczegółowo

Sztuczna Inteligencja i Systemy Doradcze

Sztuczna Inteligencja i Systemy Doradcze Sztuczna Inteligencja i Systemy Doradcze Wprowadzenie Wprowadzenie 1 Program przedmiotu Poszukiwanie rozwiązań w przestrzeni stanów Strategie w grach Systemy decyzyjne i uczenie maszynowe Wnioskowanie

Bardziej szczegółowo

Elementy kognitywistyki II: Sztuczna inteligencja

Elementy kognitywistyki II: Sztuczna inteligencja Elementy kognitywistyki II: Sztuczna inteligencja Piotr Konderak Zakład Logiki i Filozofii Nauki p.203b, Collegium Humanicum konsultacje: wtorki, 16:00-17:00 kondorp@bacon.umcs.lublin.pl http://konderak.eu

Bardziej szczegółowo

Jacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa

Jacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników

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

Tabela odniesień efektów kierunkowych do efektów obszarowych

Tabela odniesień efektów kierunkowych do efektów obszarowych Umiejscowienie kierunku w obszarze kształcenia Kierunek studiów automatyka i robotyka należy do obszaru kształcenia w zakresie nauk technicznych i jest powiązany z takimi kierunkami studiów jak: mechanika

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

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

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

a) Szczegółowe efekty kształcenia i ich odniesienie do opisu efektów

a) Szczegółowe efekty kształcenia i ich odniesienie do opisu efektów 1. PROGRAM KSZTAŁCENIA 1) OPIS EFEKTÓW KSZTAŁCENIA a) Szczegółowe efekty kształcenia i ich odniesienie do opisu efektów kształcenia dla obszaru nauk społecznych i technicznych Objaśnienie oznaczeń: I efekty

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

Algorytmy genetyczne

Algorytmy genetyczne 9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom

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

Diagnostyka procesów przemysłowych Kod przedmiotu

Diagnostyka procesów przemysłowych Kod przedmiotu Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki

Bardziej 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

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

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

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

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

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

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

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

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

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

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 2 FITNESS

Bardziej szczegółowo

Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka

Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA Studia III stopnia (doktoranckie) kierunek Informatyka (przyjęty przez Radę Wydziału Informatyki i Nauki o Materiałach w

Bardziej 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

Inteligentne systemy informacyjne

Inteligentne systemy informacyjne Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz

Bardziej 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

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

Opis. Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów) Liczba godzin zajęć dydaktycznych z podziałem na formy prowadzenia zajęć

Opis. Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów) Liczba godzin zajęć dydaktycznych z podziałem na formy prowadzenia zajęć Załącznik nr 5 do Uchwały nr 1202 Senatu UwB z dnia 29 lutego 2012 r. nazwa SYLABUS A. Informacje ogólne Tę część wypełnia koordynator (w porozumieniu ze wszystkimi prowadzącymi dany przedmiot w jednostce)

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

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

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

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

Modele Obliczeń. Wykład 1 - Wprowadzenie. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski

Modele Obliczeń. Wykład 1 - Wprowadzenie. Marcin Szczuka. Instytut Matematyki, Uniwersytet Warszawski Modele Obliczeń Wykład 1 - Wprowadzenie Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Wykład fakultatywny w semestrze zimowym 2014/2015 Marcin Szczuka (MIMUW) Modele Obliczeń 2014/2015 1 /

Bardziej szczegółowo

dr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych

dr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych - Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 14 listopada 2011 roku 1 - - 2 3 4 5 - The purpose of computing is insight, not numbers Richard Hamming Motywacja - Mamy informację,

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 Metody uczenia się i studiowania. 1 15 1 Środowisko programisty. 1 30 3 Komputerowy

Bardziej szczegółowo

Elementy filozofii i metodologii INFORMATYKI

Elementy filozofii i metodologii INFORMATYKI Elementy filozofii i metodologii INFORMATYKI Filozofia INFORMATYKA Metodologia Wykład 1. Wprowadzenie. Filozofia, metodologia, informatyka Czym jest FILOZOFIA? (objaśnienie ogólne) Filozofią nazywa się

Bardziej szczegółowo

Optymalizacja. Wybrane algorytmy

Optymalizacja. Wybrane algorytmy dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem

Bardziej szczegółowo

Karta (sylabus) modułu/przedmiotu Mechanika i Budowa Maszyn Studia I stopnia. Technologie informacyjne Rodzaj przedmiotu:

Karta (sylabus) modułu/przedmiotu Mechanika i Budowa Maszyn Studia I stopnia. Technologie informacyjne Rodzaj przedmiotu: Karta (sylabus) modułu/przedmiotu Mechanika i Budowa Maszyn Studia I stopnia Przedmiot: Technologie informacyjne Rodzaj przedmiotu: Obowiązkowy Kod przedmiotu: Rok: Semestr: Forma studiów: Studia stacjonarne

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

Matematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0

Matematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0 Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia

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

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

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów

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

2.1.M.06: Modelowanie i wspomaganie komputerowe w inżynierii powierzchni

2.1.M.06: Modelowanie i wspomaganie komputerowe w inżynierii powierzchni 2nd Workshop on Foresight of surface properties formation leading technologies of engineering materials and biomaterials in Białka Tatrzańska, Poland 29th-30th November 2009 1 Panel nt. Procesy wytwarzania

Bardziej 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

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego

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

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

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

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

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, laboratorium PROGRAMOWANIE OBIEKTOWE Object-Oriented Programming

Bardziej szczegółowo