ANALIZA DANYCH KONCEPCJE I METODY
|
|
- Ludwik Morawski
- 5 lat temu
- Przeglądów:
Transkrypt
1 ANALIZA DANYCH KONCEPCJE I METODY
2 Podejścia do analizy danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
3 Analiza danych Podejścia do analizy danych: Analiza decryptywna (deskrypcyjna) ang. descriptive analytics Co się zdarzyło? Analiza diagnostyczna ang. diagnostic analytics Dlaczego się zdarzyło? Analiza predyktywna (predykcyjna) ang. predictive analytics Co się może zdarzyć? Analiza preskryptywna (preskrypcyjna) ang. prescriptive analytics Co należy zrobić? Analiza kognitywna (ang. cognitive analysis) Integracja podejść, bazująca na wykorzystaniu narzędzi sztucznej inteligencji i wieloaspektowych danych z różnych źródeł Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
4 Analiza danych Przykładowe formy analizy danych: Raportowanie Standardowe biblioteki raportów OLAP Analizy ad-hoc, Data Mining Poszukiwanie informacji Text Mining Przetwarzanie języka naturalnego Machine Learning Rozpoznawanie wzorców Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
5 Raportowanie - przykład Terminy rzeczywiste zapadalności dla kredytów Źródła danych: Aktualne saldo (system księgowy) Terminarz rat (umowa kredytowa) Przetwarzanie: Weryfikacja stanu (czy aktualne saldo jest zgodne z planem) Przeliczenie pozostałych rat na kategorie czasowe Agregacja wyników Efektem jest kilkanaście wartości (z ponad 5 tyś. wymaganych w sprawozdawczości obowiązkowej dla banków) W instytucji typu bank liczba różnych raportów w skali miesiąca może przekraczać tysiące (samych sprawozdań wymaganych przez prawo jest kilkaset) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
6 OLAP On-line Analytical Processing (MOLAP,ROLAP,HOLAP) Wykorzystuje przetworzone i wyselekcjonowane dane w modelu opartym na faktach i wymiarach Pozwala na ogląd danych na różnych poziomach szczegółowości Umożliwia prowadzenie prostych analiz i zapytań w trybie bieżącym (ad-hoc) Opiera się na raczej prostym interfejsie a sposób prezentowania wyników jest silnie zależny od struktury danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
7 Data Mining Data Mining (Eksploracja Danych) jest jedną z metod analizy danych upowszechnioną wraz z rozwojem Hurtowni Danych Definicja: Nietrywialne wydobywanie ukrytej, uprzednio nie znanej i potencjalnie użytecznej informacji z danych (1992) Nauka zajmująca się wydobywaniem informacji z dużych zbiorów danych lub baz danych (2001) Istotą DM jest automatyczne wykrywanie związków/zależności w danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
8 Ogólny schemat eksploracji danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
9 Uwarunkowania selekcji danych Wybór właściwych danych do zbioru roboczego: Zbyt mała liczba danych nie pozwoli postawić hipotezy Zbyt duża liczba danych zwiększy czas przetwarzania Nietypowe wartości (np. przewaga wartości skrajnych) zaburzą obraz danych dając błędną hipotezę Rozkłady wartości, dyskretyzacja, redukcja wymiarów, Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
10 Zadania eksploracji danych Wyszukiwanie asocjacji Klasyfikacja Predykcja Grupowanie Wykrywanie charakterystyk Wykrywanie szeregów czasowych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
11 Wybrane metody eksploracji danych analiza regresji liniowej i nieliniowej, regresja logistyczna, analiza przeżycia modele szeregów czasowych ARIMA analiza ANOVA analiza skupień modele drzew decyzyjnych metody klasyfikacji: najbliższych sąsiadów, naiwny klasyfikator Bayesa analiza asocjacji sztuczne sieci neuronowe algorytmy genetyczne zbiory/logika/arytmetyka rozmyta Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
12 SZTUCZNE SIECI NEURONOWE
13 Sztuczne sieci neuronowe Koncepcja wzorowana na strukturach układu nerwowego, dająca możliwość uczenia się Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
14 Struktury sieci neuronowych Sieci jedno i wielowarstwowe Sieci jednokierunkowe i ze sprzężeniem zwrotnym Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
15 Sztuczne sieci neuronowe podstawowa koncepcja działania neuronu Parametrami działania neuronu są wagi i funkcja aktywacji mogą one być zadane z góry (ale skąd je brać?) lub ulegać zmianie w procesie uczenia sieci Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
16 Uczenie sztucznych sieci neuronowych Uczenie nadzorowane (z nauczycielem) Znany jest pożądany wynik działania sieci Wynik działania porównywany ze wzorcem Uczenie nienadzorowane Nie znamy pożądanego wyniku działania sieci Wynik oceniany w zadanych kategoriach Problem przeuczenia sieci Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
17 Sztuczne sieci neuronowe obszary wykorzystania We wszystkich obszarach gdzie istotna jest odpowiedź jakościowa a nie ilościowa, np.: ekonomia, biologia i medycyna; prognozowanie sprzedaży; interpretacja badań biologicznych; prognozy cen, kursów walut, akcji, itp.; Obejmuje takie działania jak Predykcja Klasyfikowanie i rozpoznawanie Analiza i kojarzenie danych Optymalizacja Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
18 ALGORYTMY GENETYCZNE
19 Algorytmy genetyczne Prosta koncepcja wzorowana na teorii ewolucji Poszukiwanie rozwiązania optymalnego metodą błądzenia
20 Algorytmy genetyczne Przestrzeń rozwiązań - opis populacji Selekcja populacji startowej Warunek zatrzymania definiowanie funkcji celu Mechanizmy ewolucji reprodukcja, krzyżowanie, mutacja
21 Algorytmy genetyczne Działanie algorytmu na przykładach: Problem komiwojażera (optymalizacja drogi) Szukanie rozwiązań przybliżonych Główne problemy: Złożoność obliczeniowa Lokalna optymalność Wybór reprezentacji i mechanizmów modyfikacji
22 Algorytmy genetyczne Zastosowania: Przy problemach optymalizacyjnych (ustalanie parametrów, układanie harmonogramów) z dużą liczbą parametrów i/lub złożonej algorytmice (problemy NP-zupełne), np.: Logistyka Przemysł chemiczny Medycyna Do uczenia sieci neuronowych
23 LOGIKA ROZMYTA
24 Logika (zbiory, arytmetyka) rozmyta Pojęcie zmiennej lingwistycznej Próba odzwierciedlenia myślenia ludzi Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
25 Działanie systemów logiki rozmytej Rozmywanie (fuzzyfikacja) i wyostrzanie (defuzyfikacja) Reguły zapisywane w terminach zmiennych lingwistycznych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
26 Logika rozmyta: funkcja przynależności Wybór funkcji przynależności zależy od charakteru zjawiska i postaci reguł wnioskowania Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
27 Logika rozmyta Zastosowanie: Systemy sterujące Analiza danych (ekonomia, medycyna) Przetwarzanie i rozpoznawanie obrazów Zalety: Stabilność (małe zmiany na wejściu dają małe zmiany na wyjściu) Interpolacja (możliwa obsługa danych spoza zakresu) Łatwość zrozumienia (wiedza reprezentowana w języku naturalnym) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
28 PRZETWARZANIE DOKUMENTÓW TEKSTOWYCH
29 Przetwarzanie języka naturalnego nlp.stanford.edu/~wcmac/papers/ unlu.pdf Przetwarzanie tekstów jest jednym z elementów szerszego zagadnienia, obejmującego rozpoznawanie i generację mowy (ASR/TTS), przetwarzanie (NLP) i rozumienie (NLU) języka naturalnego Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
30 NLU NLP Przetwarzanie tekstu Przygotowanie tekstu Rozpoznanie języka Segmentacja tekstu (Tokenizacja) wyodrębnienie zdań, wyrazów, rdzeni i końcówek, reprezentacja (strukturalna) tekstu Analiza syntaktyczna Identyfikacja części mowy, części zdań, (zastosowanie reguł gramatycznych) Analiza semantyczna Identyfikacja nazw własnych, określeń czasu, itd. (uwzględnienie kontekstu znaczeniowego) Analiza pragmatyczna Uwzględnienie znaczenia tekstu (relacje między wyrazami, sens, kontekst użycia, itp. ) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
31 Reprezentacja tekstu (i zapytań) Oparta na słowach kluczowych Wyszukiwanie na podstawie występowania słów ang. keyword-based retrieval Dokument jako sekwencja słów (wyrazów) Oparta na reprezentacji wektorowej Wyszukiwanie na podstawie podobieństwa ang. similarity-based retrieval Dokument jako n-wymiarowy wektor słów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
32 Reprezentacja wektorowa Identyfikacja termów (tokenizacja) Zbiór termów Liczebność zbioru = wymiar przestrzeni Reprezentacja dokumentu Wystąpienie, częstość, inne Założeniem jest że podobny zestaw słów wskazuje na podobieństwo dokumentów Częstość wystąpienia słów w dokumencie (term frequency): tf j = N j Odwrotna (względna) częstość wystąpienia słów w dokumencie (inverse document frequency): idf j = ln(n/n j ) Podobieństwo = odległość między wektorami Częstość wystąpienia słów w dokumencie i zbiorze dokumentów słowa rzadko występujące w zbiorze lepiej identyfikują dokument Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
33 Reprezentacja tekstu - zastosowanie Przeszukiwanie kolekcji dokumentów, m.in.: Wyszukiwarki internetowe Systemy Zarządzania Wiedzą Analiza danych, m.in. : Zarządzanie relacjami z klientem (np. analiza opinii klienckich sentiment analysis) Przetwarzanie danych z mediów społecznościowych Wszędzie tam, gdzie źródło informacji może być przetworzone do postaci tekstu (information retrieval and extraction) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
34 Przetwarzanie języka naturalnego obszary działania P r z y g o t o w a n i e W y k o r z y s t a n i e Przetwarzanie - analiza Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
35 Przetwarzanie języka naturalnego przykładowe zastosowanie Tłumaczenie maszynowe Tekst (np. google translator) Generowanie języka naturalnego Systemy dialogowe (chat-bots) Interakcja człowiek komputer Identyfikacja treści Automatyczne streszczenia Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
36 PRZETWARZANIE DŹWIĘKU
37 Przetwarzanie mowy ogólny schemat Mowa Obróbka sygnału analogowego Transformacja A-D Obróbka sygnału cyfrowego Identyfikacja fonemów Wyodrębnienie słów Tekst Rozpoznawanie języka Słowniki ASR Automatic Speech Recognition Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
38 Przetwarzanie dźwięku w połączeniu z automatycznym tłumaczeniem Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
39 PRZETWARZANIE OBRAZÓW
40 Przetwarzanie obrazów - koncepcja Analogowe dane źródłowe cyfryzacja Przetworniki (matryce) cyfrowe: czułość, rozdzielczość, jakość sygnału Formy przechowanie obrazów (formaty plików) Identyfikacja zawartości tworzenie reprezentacji Wykrywanie krawędzi i kształtów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
41 Przetwarzanie obrazów Stworzenie reprezentacji obrazu pozwalającej na: Automatyczne przetwarzanie Przechowanie, przesyłanie, odtwarzanie Wyostrzanie, korekcja, itd. Identyfikację zawartości Wyodrębnianie elementów składowych obrazu i relacji między tymi elementami Stanowi wstępny element m.in. procesów rozpoznawania wzorców (ang. Pattern recognition) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
42 Pattern Recognition ROZPOZNAWANIE WZORCÓW
43 Rozpoznawanie wzorców Przedmiotem Rozpoznawania Wzorców (ang. Pattern Recognition - PR)jest wykrywanie schematów (ang. regularities) w danych przy wykorzystaniu algorytmów komputerowych i użyciu tych schematów do podejmowania działań np. klasyfikacji danych do różnych kategorii (Bishop 2006) Pokrewne i często stosowane wymiennie pojęcia to: Uczenie maszynowe, sztuczna inteligencja, Określane również jako rozpoznawanie obrazów Stanowi istotny element wykorzystania dużych niestrukturalnych zbiorów danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
44 Rozpoznawanie wzorców Wzorzec - zespół cech pozwalających na identyfikację i klasyfikację danego obiektu (rzeczy, zjawiska, ) Rozpoznanie identyfikacja obiektu na podstawie wyróżnionego zespołu cech Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
45 Ogólny schemat PR Zbiór obiektów Detekcja Przetworzenie do wymaganej postaci (np. przetwarzanie obrazów, dźwięku, itp.) Pobranie danych (czujniki, sensory, itp.) Obróbka danych Wydobycie cech Identyfikacja wystąpienia wzorców w danych Rozpoznanie (klasyfikacja) Opisanie obiektów w terminach (języku) poszukiwanych wzorców Przetworzenie wyników do wymaganej postaci Interpretacja (post-processing) Działania Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
46 Problemy definiowania wzorców Identyfikacja cech możliwych do wydobycia Wybór cech dla konkretnego problemu Problem liczby cech Za mało nie da się rozwiązać problemu Za dużo niemożliwe będzie efektywne rozwiązanie problemu Zasada brzytwa Ockhama Źródła wzorców: Zewnętrzne (opracowany niezależnie) modele dziedzinowe uczenie maszynowe z nauczycielem Wewnętrzne (wykrywany w danych) eksploracja danych uczenie maszynowe bez nauczyciela Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
47 Modele rozpoznawania wzorców: Oparte na zgodności schematu (ang. matching templates) Najstarsze i najprostsze podejście Poszukuje podobieństwa pomiędzy obiektami (punkty, krzywe, kształty) z wykorzystaniem różnych metod transformacji (translacja, rotacja, zmiana wielkości) Podejście statystyczne Rozpoznawany obiekt i wzorzec jest reprezentowany jako punkt w n- wymiarowej przestrzeni (cech) Podejście strukturalno-syntaktyczne Wzorzec posiada wewnętrzną strukturę pozwalającą na hierarchiczną dekompozycję na podwzorce, każdy podwzorzec może być analizowany (rozpoznawany) odrębnie, ale kluczowym elementem są relacje pomiędzy podwzorcami Oparte na sztucznych sieciach neuronowych Pozwalają na wykrywanie złożonych nieliniowych relacji pomiędzy wzorcem a rozpoznawanym obiektem Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
48 Rozpoznawanie wzorców - przykład Automatyczne sortowanie ryb: Łosoś czy okoń? Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
49 Analiza problemu: [Detekcja]: Kamera (jako sensor) pozwala na uzyskanie z obrazu informacji o rybach: [potencjalny zestaw cech]: długość, jasność, szerokość, liczba i kształt płetw, położenie elementów budowy morfologicznej (pysk, oczy, ) [Obróbka danych]: Wyodrębnienie obrazu ryby z tła [Wydobycie cech]: dokonanie pomiaru wyodrębnionych cech Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
50 Wybór cech klasyfikujących: Analiza poszczególnych cech na podstawie zbioru testowego: Długość samodzielnie nie jest wystarczającym parametrem Jasność daje lepsze rezultaty ale też nie rozwiązuje problemu Połączenie obu: ryba = [długość, jasność] (reprezentacja) Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
51 Poszukiwanie klasyfikatora Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
52 Poszukiwanie klasyfikatora Uwzględnienie innych uwarunkowań: klient nie chce w puszce okonia jak kupuje łososia, ale na odwrót już nie koniecznie Można dodać kolejną (nieskorelowaną) cechę, ale czy nakłady na pomiar kolejnej cechy i uwzględnienie jej w działaniu systemu będą uzasadnione? Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
53 Przykład podsumowanie: System rozpoznawania wzorców jest tworzony celowy i nie tylko uwarunkowania naukowe są istotne Ocena systemu jest oparta na efektywności, nie zawsze pojawienie się błędu przekreśla jego przydatność Szacowanie błędu jest najczęściej stosowaną metodą oceny systemów rozpoznawania wzorców Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
54 Obszary zastosowania PR Biometryka (np. rozpoznawanie głosu, twarzy, odcisków palców, itd.) Rozpoznawanie mowy (NLP) i pisma (OCR) Diagnostyka medyczna (np. RTG, EKG, Bankowość (np. zdolność kredytowa, wykrywanie fraudów, itp.) Przemysł (np. wykrywanie defektów w złożonych strukturach, segregacja produktów spożywczych, itd.) Bezpieczeństwo (np. skanowanie przesyłek, rozpoznawanie zagrożeń analiza zachowań, itd.) Meteorologia (prognozowanie pogody) i wszędzie tam gdzie jesteśmy wstanie powiązać regularności w danych z identyfikowalnym dla człowieka obiektem (zjawiskiem) oraz wykorzystać potencjalną wiedzę do podejmowania działań Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
55 Machine & Deep Learning UCZENIE MASZYNOWE
56 Systemy uczące się: "System uczący się wykorzystuje zewnętrzne dane empiryczne w celu tworzenia i aktualizacji podstaw dla udoskonalonego działania na podobnych danych w przyszłości oraz wyrażania tych podstaw w zrozumiałej i symbolicznej postaci (Donald Michie ) Pojęcia pokrewne: rozpoznawanie wzorców, uczenie maszynowe (ang. Machine Learning), uczenie głębokie (ang. Deep Learning) System uczący się może zachowywać się w sposób niedeteministyczny i zmieniać swój sposób działania w zależności od wcześniej przetworzonych danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
57 Uczenie maszynowe - rodzaje: Uczenie z nauczycielem/nadzorcą (ang. supervised learning) Zestaw uczący danych składa się z par [wejście, wyjście], system uczy się właściwej reakcji na dane wejściowe Uczenie bez nauczyciela/nadzorcy (ang. unsupervised learning) Dane uczące nie zawierają poprawnej odpowiedzi systemu, system sam próbuje identyfikować wzorce Uczenie ze wzmocnieniem (ang. reinforcement learning) Wariant uczenia maszynowego, wykorzystujący wielokrotny trening z maksymalizacją funkcji nagrody Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
58 Uczenie z nauczycielem Klasyfikacja diagnostyka (medyczna, techniczna), identyfikacja (obrazów, zachowań), przewidywania Regresja: Czas życia, prognozy pogody, przewidywania rynkowe, Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
59 Uczenie bez nauczyciela Klasteryzacja: Szukanie regularności w danych (wzorców) np. segmentacja klientów, itp. Redukcja wymiarów: Identyfikacja cech, wykrywanie struktur, wizualizacja danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
60 Uczenie ze wzmocnieniem Sterowanie robotami, trenowanie umiejętności, decyzje w czasie rzeczywistym, game AI, itp. Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
61 Metody uczenia maszynowego: Regresja (liniowa, logistyczna, itd.) Oparte na przykładach (ang. Instance(case)- based): Drzewa decyzyjne Metody Bayes owskie Wykrywanie skupień (ang. Clustering) Oparte na regułach (ang. Rule-based) Sztuczne sieci neuronowe Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
62 ML vs. DL DL wymaga znacznie większej ilości danych i mocy obliczeniowej Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
63 Business Intelligence & Big Data DATA SCIENCE
64 Data Science / Data Scientist Nowa dyscyplina/zawód wywodzona od koncepcji Big Data (Gartner,2012) Stanowi ewolucyjne rozwinięcie Analizy/Analityka Danych przez położenie nacisku na pozyskiwanie danych z różnorodnych źródeł i umiejętności wyszukania/doboru danych i metod ich analizy do rozwiązywania nowych problemów W kategoriach zawodowych łączy wiedzę eksperta dziedzinowego ze skutecznym użyciem różnych metod analizy danych i umiejętnościami specjalisty IT w zakresie pozyskiwania, gromadzenie i przetwarzania danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
65 Data Science wg. Gartner a Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
66 Data Scientist wymagane umiejętności Ponadprzeciętna wiedza i umiejętności w zakresie technologii informatycznych, metod analizy danych i dziedziny wykorzystania Umiejętność samodzielnego formułowania i rozwiązywania problemów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
67 Data Science punkty widzenia: Każda technologia może być wykorzystywana do różnych celów Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
68 Data Science 6 kroków Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
69 Business Intelligence & Big Data PODSUMOWANIE
70 Przyszłość Big Data Rozwój metod analizy danych Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
71 Rozwój technologii IT Przyszłość Big Data Doskonalenie technik i metod zbierania, przechowania i udostępniania danych Wzrost mocy obliczeniowej (High Performance Computing) Nowe technologie: komputery kwantowe, optyczne, biologiczne, Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
72 Podsumowanie Rosnące znaczenie koncepcji BD w różnych dziedzinach życia Wiedza jako towar Wyzwania dla przyszłości: Stały rozwój = ciągłe kształcenie Problem wykluczenia cyfrowego Zagrożenia: Prywatność w czasach BD Dariusz Dymek - Uniwersytet Ekonomiczny w Krakowie
73 DZIĘKUJĘ ZA UWAGĘ
Pattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoSPOTKANIE 2: Wprowadzenie cz. I
Wrocław University of Technology SPOTKANIE 2: Wprowadzenie cz. I Piotr Klukowski Studenckie Koło Naukowe Estymator piotr.klukowski@pwr.edu.pl 17.10.2016 UCZENIE MASZYNOWE 2/27 UCZENIE MASZYNOWE = Konstruowanie
Bardziej szczegółowodata mining machine learning data science
data mining machine learning data science deep learning, AI, statistics, IoT, operations research, applied mathematics KISIM, WIMiIP, AGH 1 Machine Learning / Data mining / Data science Uczenie maszynowe
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoTechniki uczenia maszynowego nazwa przedmiotu SYLABUS
Techniki uczenia maszynowego nazwa SYLABUS Obowiązuje od cyklu kształcenia: 2014/20 Część A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej studiów Poziom kształcenia Profil studiów
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowow ekonomii, finansach i towaroznawstwie
w ekonomii, finansach i towaroznawstwie spotykane określenia: zgłębianie danych, eksploracyjna analiza danych, przekopywanie danych, męczenie danych proces wykrywania zależności w zbiorach danych poprzez
Bardziej szczegółowoSystemy uczące się wykład 1
Systemy uczące się wykład 1 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 5 X 2018 e-mail: przemyslaw.juszczuk@ue.katowice.pl Konsultacje: na stronie katedry + na stronie domowej
Bardziej szczegółowoZastosowanie 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 szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoWSTĘP I TAKSONOMIA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WSTĘP I TAKSONOMIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra
Bardziej szczegółowoAUTOMATYKA INFORMATYKA
AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław Kowalczuk Inteligentne wydobywanie informacji z internetowych serwisów
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowo1.7. 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 szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2012 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoSZKOLENIA SAS. ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie
SZKOLENIA SAS ONKO.SYS Kompleksowa infrastruktura inforamtyczna dla badań nad nowotworami CENTRUM ONKOLOGII INSTYTUT im. Marii Skłodowskiej Curie DANIEL KUBIK ŁUKASZ LESZEWSKI ROLE ROLE UŻYTKOWNIKÓW MODUŁU
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoSzczegółowy opis przedmiotu zamówienia
ZP/ITS/19/2013 SIWZ Załącznik nr 1.1 do Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych dla studentów
Bardziej szczegółowoData Mining Wykład 1. Wprowadzenie do Eksploracji Danych. Prowadzący. Dr inż. Jacek Lewandowski
Data Mining Wykład 1 Wprowadzenie do Eksploracji Danych Prowadzący Dr inż. Jacek Lewandowski Katedra Genetyki Wydział Biologii i Hodowli Zwierząt Uniwersytet Przyrodniczy we Wrocławiu ul. Kożuchowska 7,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoO 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 szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoTransformacja 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 szczegółowoPlan prezentacji 0 Wprowadzenie 0 Zastosowania 0 Przykładowe metody 0 Zagadnienia poboczne 0 Przyszłość 0 Podsumowanie 7 Jak powstaje wiedza? Dane Informacje Wiedza Zrozumienie 8 Przykład Teleskop Hubble
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowo2
1 2 3 4 5 Dużo pisze się i słyszy o projektach wdrożeń systemów zarządzania wiedzą, które nie przyniosły oczekiwanych rezultatów, bo mało kto korzystał z tych systemów. Technologia nie jest bowiem lekarstwem
Bardziej szczegółowoKARTA 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 szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoOpenAI Gym. Adam Szczepaniak, Kamil Walkowiak
OpenAI Gym Adam Szczepaniak, Kamil Walkowiak Plan prezentacji Programowanie agentowe Uczenie przez wzmacnianie i problemy związane z rozwojem algorytmów Charakterystyka OpenAI Gym Biblioteka gym Podsumowanie
Bardziej szczegółowoSzkolenia SAS Cennik i kalendarz 2017
Szkolenia SAS Spis treści NARZĘDZIA SAS FOUNDATION 2 ZAAWANSOWANA ANALITYKA 2 PROGNOZOWANIE I EKONOMETRIA 3 ANALIZA TREŚCI 3 OPTYMALIZACJA I SYMULACJA 3 3 ROZWIĄZANIA DLA HADOOP 3 HIGH-PERFORMANCE ANALYTICS
Bardziej szczegółowoText mining w programie RapidMiner Michał Bereta www.michalbereta.pl
Text mining w programie RapidMiner Michał Bereta www.michalbereta.pl 1. Wstęp Aby skorzystać z możliwości RapidMinera w zakresie analizy tekstu, należy zainstalować Text Mining Extension. Wybierz: 1 Po
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoZalew 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 szczegółowoAutomatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010
Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie
Bardziej szczegółowoZastosowanie 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 szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoPython : podstawy nauki o danych / Alberto Boschetti, Luca Massaron. Gliwice, cop Spis treści
Python : podstawy nauki o danych / Alberto Boschetti, Luca Massaron. Gliwice, cop. 2017 Spis treści O autorach 9 0 recenzencie 10 Wprowadzenie 11 Rozdział 1. Pierwsze kroki 15 Wprowadzenie do nauki o danych
Bardziej szczegółowoInteligentne wydobywanie informacji z internetowych serwisów społecznościowych
Inteligentne wydobywanie informacji z internetowych serwisów społecznościowych AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoSztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych Plan wystąpienia Co to jest sztuczna inteligencja? Pojęcie słabej
Bardziej szczegółowodr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Bardziej szczegółowoHURTOWNIE DANYCH I BUSINESS INTELLIGENCE
BAZY DANYCH HURTOWNIE DANYCH I BUSINESS INTELLIGENCE Akademia Górniczo-Hutnicza w Krakowie Adrian Horzyk horzyk@agh.edu.pl Google: Horzyk HURTOWNIE DANYCH Hurtownia danych (Data Warehouse) to najczęściej
Bardziej szczegółowoImagination Is More Important Than Knowledge
Imagination Is More Important Than Knowledge 1 -Albert Einstein https://www.flickr.com/photos/9555503@n07/5095475676/ Odblokuj potencjał tkwiący w danych - poznaj usługi kognitywne Grażyna Dadej Executive
Bardziej szczegółowoEfekt kształcenia. Wiedza
Efekty dla studiów drugiego stopnia profil ogólnoakademicki na kierunku Informatyka na specjalności Przetwarzanie i analiza danych, na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie oznacza
Bardziej szczegółowoMatryca efektów kształcenia dla programu studiów podyplomowych ZARZĄDZANIE I SYSTEMY ZARZĄDZANIA JAKOŚCIĄ
Podstawy firmą Marketingowe aspekty jakością Podstawy prawa gospodarczego w SZJ Zarządzanie Jakością (TQM) Zarządzanie logistyczne w SZJ Wymagania norm ISO serii 9000 Dokumentacja w SZJ Metody i Techniki
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoWprowadzenie do technologii informacyjnej.
Wprowadzenie do technologii informacyjnej. Data mining i jego biznesowe zastosowania dr Tomasz Jach Definicje Eksploracja danych polega na torturowaniu danych tak długo, aż zaczną zeznawać. Eksploracja
Bardziej szczegółowoTypy systemów informacyjnych
Typy systemów informacyjnych Information Systems Systemy Informacyjne Operations Support Systems Systemy Wsparcia Operacyjnego Management Support Systems Systemy Wspomagania Zarzadzania Transaction Processing
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoUniwersytet 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 szczegółowoZastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów
Zastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów Wojciech Moczulski Politechnika Śląska Katedra Podstaw Konstrukcji Maszyn Sztuczna inteligencja w automatyce i robotyce Zielona Góra,
Bardziej szczegółowoAnaliza danych i data mining.
Analiza danych i data mining. mgr Katarzyna Racka Wykładowca WNEI PWSZ w Płocku Przedsiębiorczy student 2016 15 XI 2016 r. Cel warsztatu Przekazanie wiedzy na temat: analizy i zarządzania danymi (data
Bardziej szczegółowoInstytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba
Bardziej szczegółowoZagadnienia 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 szczegółowoAlgorytm 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 szczegółowoRelacja zakresu nauk humanistyczno-społecznych z Krajową Inteligentną Specjalizacją
Relacja zakresu nauk humanistyczno-społecznych z Krajową Inteligentną Specjalizacją Inteligentne uczenie się Moduł nr 1 Inteligentne szkolnictwo wyższe dla inteligentnej gospodarki i jej kadr Inteligentne
Bardziej szczegółowoForma. Główny cel kursu. Umiejętności nabywane przez studentów. Wymagania wstępne:
WYDOBYWANIE I WYSZUKIWANIE INFORMACJI Z INTERNETU Forma wykład: 30 godzin laboratorium: 30 godzin Główny cel kursu W ramach kursu studenci poznają podstawy stosowanych powszechnie metod wyszukiwania informacji
Bardziej szczegółowoJazda autonomiczna Delphi zgodna z zasadami sztucznej inteligencji
Jazda autonomiczna Delphi zgodna z zasadami sztucznej inteligencji data aktualizacji: 2017.10.11 Delphi Kraków Rozwój jazdy autonomicznej zmienia krajobraz technologii transportu w sposób tak dynamiczny,
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoTemat: Projektowanie sterownika rozmytego. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Projektowanie sterownika rozmytego Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoSystemy agentowe. Uwagi organizacyjne i wprowadzenie. Jędrzej Potoniec
Systemy agentowe Uwagi organizacyjne i wprowadzenie Jędrzej Potoniec Kontakt mgr inż. Jędrzej Potoniec Jedrzej.Potoniec@cs.put.poznan.pl http://www.cs.put.poznan.pl/jpotoniec https://github.com/jpotoniec/sa
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoOd Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych
Od Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych Tomasz Demski StatSoft Polska www.statsoft.pl Analiza danych Zaawansowana analityka, data
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoWykaz tematów prac magisterskich w roku akademickim 2018/2019 kierunek: informatyka
Wykaz tematów prac magisterskich w roku akademickim 2018/2019 kierunek: informatyka L.p. Nazwisko i imię studenta Promotor Temat pracy magisterskiej 1. Wojciech Kłopocki dr Bartosz Ziemkiewicz Automatyczne
Bardziej szczegółowoSztuczne sieci neuronowe (SNN)
Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe
Bardziej szczegółowoIdentyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji
Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody
Bardziej szczegółowoWIEDZA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WIEDZA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki
Bardziej szczegółowoAdrian Horzyk
Metody Inteligencji Obliczeniowej Metoda K Najbliższych Sąsiadów (KNN) Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoCo to jest Business Intelligence?
Cykl: Cykl: Czwartki z Business Intelligence Sesja: Co Co to jest Business Intelligence? Bartłomiej Graczyk 2010-05-06 1 Prelegenci cyklu... mariusz@ssas.pl lukasz@ssas.pl grzegorz@ssas.pl bartek@ssas.pl
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoWyszukiwanie informacji w internecie. Nguyen Hung Son
Wyszukiwanie informacji w internecie Nguyen Hung Son Jak znaleźć informację w internecie? Wyszukiwarki internetowe: Potężne machiny wykorzystujące najnowsze metody z różnych dziedzin Architektura: trzy
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW WYDZIAŁ KIERUNEK z obszaru nauk POZIOM KSZTAŁCENIA FORMA STUDIÓW PROFIL JĘZYK STUDIÓW Podstawowych Problemów Techniki Informatyka technicznych 6 poziom, studia inżynierskie
Bardziej szczegółowoKARTA PRZEDMIOTU. 1. Informacje ogólne. 2. Ogólna charakterystyka przedmiotu. Metody drążenia danych D1.3
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoMail: Pokój 214, II piętro
Wykład 2 Mail: agnieszka.nowak@us.edu.pl Pokój 214, II piętro http://zsi.tech.us.edu.pl/~nowak Predykcja zdolność do wykorzystania wiedzy zgromadzonej w systemie do przewidywania wartości dla nowych danych,
Bardziej szczegółowoT2A_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 szczegółowoInformacje 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 szczegółowoDiagramu Związków Encji - CELE. Diagram Związków Encji - CHARAKTERYSTYKA. Diagram Związków Encji - Podstawowe bloki składowe i reguły konstrukcji
Diagramy związków encji (ERD) 1 Projektowanie bazy danych za pomocą narzędzi CASE Materiał pochodzi ze strony : http://jjakiela.prz.edu.pl/labs.htm Diagramu Związków Encji - CELE Zrozumienie struktury
Bardziej szczegółowoInżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Inżynierii Produkcji Dr Małgorzata Lucińska
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 205/206 Z-ID-602 Wprowadzenie do uczenia maszynowego Introduction to Machine Learning
Bardziej szczegółowoPodsumowanie wyników ankiety
SPRAWOZDANIE Kierunkowego Zespołu ds. Programów Kształcenia dla kierunku Informatyka dotyczące ankiet samooceny osiągnięcia przez absolwentów kierunkowych efektów kształcenia po ukończeniu studiów w roku
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoKARTA PRZEDMIOTU. Dyscyplina:
KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba
Bardziej szczegółowoRelacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych"
Relacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" W dniu 18.04.2015 odbyło się III Seminarium Naukowe Inżynierskie zastosowania technologii informatycznych. Organizatorzy
Bardziej szczegółowoSPOTKANIE 1: Wprowadzenie do uczenia maszynowego
Wrocław University of Technology SPOTKANIE 1: Wprowadzenie do uczenia maszynowego Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.wroc.pl 18.10.2013 Początki uczenia maszynowego Cybernetyka
Bardziej szczegółowoINFORMATYKA Pytania ogólne na egzamin dyplomowy
INFORMATYKA Pytania ogólne na egzamin dyplomowy 1. Wyjaśnić pojęcia problem, algorytm. 2. Podać definicję złożoności czasowej. 3. Podać definicję złożoności pamięciowej. 4. Typy danych w języku C. 5. Instrukcja
Bardziej szczegółowodr inż. Maciej Kiewra Prezentacja wygłoszona na konferencji BI vs Big Data podczas Kongresu GigaCon Warszawa, 16.04.2014 r.
dr inż. Maciej Kiewra Prezentacja wygłoszona na konferencji BI vs Big Data podczas Kongresu GigaCon Warszawa, 16.04.2014 r. Big Data w praktyce, z perspektywy konsultanta Business Intelligence Parę słów
Bardziej szczegółowoOpracowanie systemu monitorowania zmian cen na rynku nieruchomości
Opracowanie systemu monitorowania zmian cen na rynku nieruchomości Ogólne założenia planowanego projektu Firma planuje realizację projektu związanego z uruchomieniem usługi, która będzie polegała na monitorowaniu
Bardziej szczegółowo