Sieci neuronowe: pomysl
|
|
|
- Bronisław Kozłowski
- 5 lat temu
- Przeglądów:
Transkrypt
1 ËÞØÙÞÒ ÁÒØ Ð Ò ËÝ Ø ÑÝ ÓÖ Þ ½
2 ØÓ Þ ÞÙÑ ÓÒ Ó õ ØÖ ÒÙ ÔÓÞ ÓÑ ÔÓØ Ò Ù Ð ØÖÝÞÒ Ó ËÝ Ò Ý ÓÑ Ö Sieci neuronowe: pomysl Æ Ð ÓÛ Ò Ñ Þ Ù Þ Ó Ó ÓÑ Ö Ò ÙÖÓÒÓÛÝ Axonal arborization Synapse Axon from another cell Dendrite Axon Nucleus Synapses Cell body or Soma ¾
3 Û ÙÑÝ ÓÛ ÐÙ Þ ÑÙ Ó ÖÓÑÒ ÔÖÞ Û Ò ÓÑÔÙ¹ Ê ÛÒÓÐ Ó ÔÓÑ ÑÓ Ù Ó ÛÓÐÒ Þ Ó Þ Ù ÔÖÞ ØÛ ÖÞ Ò Ò ÓÖÑ Ø Ö Ñ Sieci neuronowe: sztuczne i naturalne ÃÓÑÔÙØ Ö Å Þ Ó Ð Þ Ò ÓÛ ½ ÈÍ Ò ÙÖÓÒ Û Â ÒÓ Ø 10 8 ÐÓ ÞÒÝ ¾¼ ØÝÔ Û Ö Ñ Ñ ÒÝ Ø Ò Û»
4 Perceptron x = (x 1, x 2,..., x n Û ØÓÖ Û ÓÛÝ Ó Ø ÒÝ µ ) x 1 w 1 x 0 =1 x 2 w 2 w 0 x n... w n Σ n Σ w i x i i=0 o = n 1 if Σ w i x > 0 i=0 i {-1 otherwise w = (w 0, w 1,..., w n Û ØÓÖ Û Ô Ö ÔØÖÓÒÙ ) w 0 Û ÔÖÞ ÙÒ ÔÖÞ ÙÛ ÔÖ ÙÒ ØÝÛ µ ÔÖÓ ÓÛ Ó ÓÛ µ ÙÒ ØÝÛ Ô Ö ÔØÖÓÒÙ σ Û ÖØÓ ÛÝ Ô Ö ÔØÖÓÒÙ Ð Û ØÓÖ o( x) x o( x) = σ( w x) = 1 w 0 + w 1 x w n x n > 0 ÓØ ÖÛ º 1
5 Perceptron: wyrazalnosc X2 È Ö ÔØÖÓÒ Ö ÔÖ Þ ÒØÙ Ð Ò ÓÛ Û ÔÖÞ ØÖÞ Ò Û X1
6 Perceptron: wyrazalnosc ÅÓ Ò ÛÝÖ Þ ÙÒ ÐÓ ÞÒ Æ ÇÊ ÆÇÌ W = W = W = W = 1 1 W = 1 2 W = 1 1 W = 1 2 W = -1 1 AND OR NOT
7 Perceptron: wyrazalnosc ÅÓ Ò ÛÝÖ Þ ÙÒ ÐÓ ÞÒ Æ ÇÊ ÆÇÌ W = W = W = W = 1 1 W = 1 2 W = 1 1 W = 1 2 W = -1 1 AND OR NOT I 1 I 1 I 1 Ð Ò Ó Ö Û Ó ÙÒ ÇÊ 1 1 1? I 1 I 2 I I 1 I 2 (a) and (b) or (c) I 2 I 1 xor I 2 I 2
8 Ö Ô Ø x = (x ÓÖ 1,..., x n Ò Ü ÑÔÐ Ó ) Ò ÓÑ ØÓÔÔ Ò Ö Ø Ö ÓÒ Ø ÙÒØ Ð Ö ØÙÖÒ Ô Ö ÔØÖÓÒ Uczenie perceptronu: algorytm È Ö ÔØÖÓÒ¹Ä ÖÒ Ô Ö ÔØÖÓÒ Ü ÑÔÐ αµ Ö ØÙÖÒ Ô Ö ÔØÖÓÒ ÙÒØ ÓÒ Ü ÑÔÐ Ø Ó Ü ÑÔÐ Û Ø ÒÔÙØ x Ò ÓÙØÔÙØ y( x) ÒÔÙØ Ô Ö ÔØÖÓÒ Û Ø Û Ø w = (w Ô Ö ÔØÖÓÒ 0,..., w n ) α Ø Ð ÖÒ Ò Ö Ø w α (y( x) w x ) x w w + w
9 Þ Ö ÒÝ Ø Ð Ò ÓÛÓ Ô ÖÓÛ ÐÒÝ Â Ð Û Ô ÞÝÒÒ ÞÝ Ó ÙÞ Ò α ÛÝ Ø ÖÞ Ó Ñ Ý Uczenie perceptronu: wlasnosci ÌÛ Ö Þ Ò ½ Ð ÓÖÝØÑ ÙÞ Ò Ô Ö ÔØÖÓÒÙ Ø Þ ÒÝ
10 Þ Ö ÒÝ Ø Ð Ò ÓÛÓ Ô ÖÓÛ ÐÒÝ Â Ð Û Ô ÞÝÒÒ ÞÝ Ó ÙÞ Ò α ÛÝ Ø ÖÞ Ó Ñ Ý Uczenie perceptronu: wlasnosci ÌÛ Ö Þ Ò ½ Ð ÓÖÝØÑ ÙÞ Ò Ô Ö ÔØÖÓÒÙ Ø Þ ÒÝ ÌÛ Ö Þ Ò ¾ Þ Ö ÒÝ Ò Ø Ð Ò ÓÛÓ Ô ÖÓÛ ÐÒÝ Â Ð Ð ÓÖÝØÑ Þ ÐÓ ÐÒ Ó Ñ Ò Ñ ÐÒ Ó Ù Ö Ò Ó Û Ö ØÓÛ Ó ½¼
11 Zbieznosc uczenia perceptronu E[ w] = 1 2 Σ x U(y( x) w x) 2 Ö Ò Ó Û Ö ØÓÛÝ Ð Þ ÓÖÙ ØÖ Ò Ò ÓÛ Ó U ½½
12 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ Ð Þ ÓÖÙ ØÖ Ò Ò ÓÛ Ó U E[ w] = 1 2 Σ x U(y( x) w x) E[w] w w Ù Ö ÒØ Ö Ò Ó Û Ö ØÓÛ Ó E E[ w] =, E, E w 0 w 1 w n Û ÞÙ ÖÙÒ Û Ø ÖÝÑ E[ w] ÖÓ Ò ½¾
13 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = ½
14 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = 1 2 Σ x U(y( x) w x) 2 ½
15 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = 1 2 Σ x U(y( x) w x) 2 (y( x) w x) 2 = 1 2 Σ x U ½
16 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = 1 2 Σ x U(y( x) w x) 2 (y( x) w x) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) w x) (y( x) w x) ½
17 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = 1 2 Σ x U(y( x) w x) 2 (y( x) w x) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) w x) (y( x) w x) = Σ x U (y( x) w x) (y( x) w x) ½
18 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = 1 2 Σ x U(y( x) w x) 2 (y( x) w x) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) w x) (y( x) w x) = Σ x U (y( x) w x) (y( x) w x) = Σ x U (y( x) w x)( x i ) ½
19 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = 1 2 Σ x U(y( x) w x) 2 (y( x) w x) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) w x) (y( x) w x) = Σ x U (y( x) w x) (y( x) w x) = Σ x U (y( x) w x)( x i ) = Σ x U (y( x) w x)x i ½
20 Zbieznosc uczenia perceptronu Ö Ò Ó Û Ö ØÓÛÝ E[ w] = 1 2 Σ x U(y( x) w x) 2 E = 1 2 Σ x U(y( x) w x) 2 (y( x) w x) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) w x) (y( x) w x) = Σ x U (y( x) w x) (y( x) w x) = Σ x U (y( x) w x)( x i ) = Σ x U (y( x) w x)x i ËØ E[ w] = Σ x U (y( x) w x) x ¾¼
21 E[ w] = Σ Ö ÒØ x U (y( x) w Û ÞÙ ÖÙÒ x) x Ø ÖÝÑ Ö Ò Ó Û Ö ØÓÛÝ E[ w] ÖÓ Ò Û Zbieznosc uczenia perceptronu ¾½
22 E[ w] = Σ Ö ÒØ x U (y( x) w Û ÞÙ ÖÙÒ x) x Ø ÖÝÑ Ö Ò Ó Û Ö ØÓÛÝ E[ w] ÖÓ Ò Û Zbieznosc uczenia perceptronu Û Ô Ö ÔØÖÓÒÙ ÔÓÔÖ Û Ò Û ÖÙÒ Ù Ó Ò ÔÖÞ ÛÒÝÑ Ó Ö ÒØÙ E[ w] ¾¾
23 E[ w] = Σ Ö ÒØ x U (y( x) w Û ÞÙ ÖÙÒ x) x Ø ÖÝÑ Ö Ò Ó Û Ö ØÓÛÝ E[ w] ÖÓ Ò Û Zbieznosc uczenia perceptronu Û Ô Ö ÔØÖÓÒÙ ÔÓÔÖ Û Ò Û ÖÙÒ Ù Ó Ò ÔÖÞ ÛÒÝÑ Ó Ö ÒØÙ E[ w] Û Ð ÓÖÝØÑ ÙÞ Ò Ô Ö ÔØÖÓÒÙ ËØ w α(y( x) w x) x w w + w ¾
24 Porownanie perceptronu i drzewa decyzyjnego ÙÒ Û ÞÓ ÔÓ ÓÛ Ø Û ½µ ÝÞ Ó Û Ø Ô Ò Ù Ó Ö Ø ÙÖ Ð Ô ÛÝÙÞ ÐÒ ÔÖÞ Þ Ô Ö ÔØÖÓÒ 1 1 Ð Ô ÛÝÙÞ ÐÒ ÔÖÞ Þ ÖÞ ÛÓ ÝÞÝ Ò Proportion correct on test set Perceptron Decision tree Proportion correct on test set Decision tree Perceptron Training set size Training set size ¾
25 Plaska siec perceptronow Ê ÔÖ Þ ÒØÙ ÙÒ Û ØÓÖÓÛ ÈÓ ÞÞ ÐÒ Ô Ö ÔØÖÓÒÝ Ò Þ Ð Ò ØÖÞ ØÖ ÒÓÛ Ý Ô Ö ÔØÖÓÒ Ó Þ ÐÒ Input Units W j,i Output Units ¾
26 Â ÒÓ Ø ÔÓ Þ ÐÓÒ Ò Û Ö ØÛÝ ÒÓ Ø Â ÒÓ Ø Ï ÔÓ ÞÓÒ ÛÝ ÞÒ Ó ÒÓ Ø Ï ÈÓ Þ Ò ÛÝ ØÔÙ ÛÝ ÞÒ ÔÓÑ ÞÝ ÒÓ Ø Ñ ÈÓ Þ Ò Ò Û Ö ØÛ Þ Þ Û Þ ÛÝ ÒÓ Ø Þ Û Ö ØÛÝ Ò Þ Þ Û Ñ Ó ÒÓ Ø Û Û Ö ØÛ ÛÝ Þ Þ ÏÝ Þ Ò Û ÖØÓ ÙÒ Ñ ØÝÐ Ó Ò ÒÓ Ø ÌÝÔÓÛ Wielowarstwowa siec neuronowa ÔÖÞÝÔÓÖÞ ÓÛ Ò Ø Ó Ó Ò Ò Û Ö ØÛÝ ÞÒ Ù Ý Û Ò Ò Þ Û Ö ØÛ Û Ò ÛÝ Þ Û Ö ØÛ ÛÝ Þ Ø ÒÓ Ø Ø ÛÝ Ñ ¾
27 Wielowarstwowa siec neuronowa: przyklad Output units a i ¾ Û Ö ØÛÝ ½¼ Û Ò ÙÖÓÒÝ Ù ÖÝØ Û Û Ö Ø Û ÛÒØÖÞÒ µ W j,i Hidden units a j W k,j Input units a k ¾
28 Wielowarstwowa siec neuronowa: ewaluacja 1 W 1,3 W 1,4 3 W 3,5 5 2 W 2,3 W 2,4 4 W 4,5 ¾
29 Wielowarstwowa siec neuronowa: ewaluacja 1 W 1,3 W 1,4 3 W 3,5 5 2 W 2,3 W 2,4 4 W 4,5 x 5 = σ(w 3,5 x 3 + w 4,5 x 4 ) = σ(w 3,5 σ(w 1,3 x 1 + w 2,3 x 2 ) + w 4,5 σ(w 1,4 x 1 + w 2,4 x 2 )) ¾
30 Wielowarstwowa siec neuronowa: uczenie ÈÖÓ Ð Ñ ÙÒ ØÝÛ Ø Ò Ò Ö Ò Þ ÓÛ ÐÒ ÈÖÓ ÓÛ Ð ÒÓ Ø Û ÛÒØÖÞÒÝ Ò ÑÓ Ò ÛÝÔÖÓÛ Þ Ö ÒØÓÛ Ö Ù Ý ÔÓÔÖ Û Ò Û Û Ö ÒØÙ Þ ÒÓ ÙÞ Ò ¼
31 Wielowarstwowa siec neuronowa: uczenie ÈÖÓ Ð Ñ ÙÒ ØÝÛ Ø Ò Ò Ö Ò Þ ÓÛ ÐÒ ÈÖÓ ÓÛ Ð ÒÓ Ø Û ÛÒØÖÞÒÝ Ò ÑÓ Ò ÛÝÔÖÓÛ Þ Ö ÒØÓÛ Ö Ù Ý ÔÓÔÖ Û Ò Û Û Ö ÒØÙ Þ ÒÓ ÙÞ Ò ÊÓÞÛ Þ Ò ØÓ ÓÛ Ò Ö Ò Þ ÓÛ ÐÒ ÙÒ ØÝÛ ½
32 Perceptron z sigmoidalna funkcja aktywacji x 1 w 1 x 0 = 1 x 2 w 2 w 0 x n... w n Σ n net = Σ w i x i=0 i o = σ(net) = ē net Ë ÑÓ ÐÒ ÙÒ ØÝÛ Ô Ö ÔØÖÓÒÙ σ(z) = 1 1+e z o( x) = σ( w x) = e w x ¾
33 ÛÝ Ð ÔÓ ÝÞÒ Ó Ô Ö ÔØÖÓÒÙ Þ ÑÓ ÐÒ ÙÒ ØÝÛ ÙÒ ¾ Û Ñ Perceptron z sigmoidalna funkcja aktywacji Perceptron output x x 2
34 Û ¾ Ð Þ Û Ö ØÛ ¾ Ä Þ Ù ÖÝØ ¾ Ô Ö ÔØÖÓÒÝ ÖÓÛ Ò ÔÖÞ ÛÒ Ó Ï Ö ØÛ Wielowarstwowa siec neuronowa: przyklad Ò Ù Ö Û õ + +/ +/ + h W (x 1, x 2 ) x x 2 X1 X 2
35 Û ¾ Ð Þ Û Ö ØÛ Ä Þ Ù ÖÝØ ¾ ØÛÓÖÞ Ö Û Þ Ù Ø Û ÓÒ ÔÖÓ ØÓÔ Ð Ó Ï Ö ØÛ Wielowarstwowa siec neuronowa: przyklad Ò Ù Ó Ö Ò ÞÓÒ ÛÞÒ Ò h W (x 1, x 2 ) x x 2
36 Wielowarstwowa siec neuronowa: przyklad ÊÓÞÔÓÞÒ Û Ò Û ¾ Û Ö ØÛÝ ¾ Û Û Ð ÛÝ head hid who d hood F1 F2
37 ÙÒ ÓÓÐÓÛ ÑÓ Ý Ö ÔÖ Þ ÒØÓÛ Ò ÔÖÞ Þ Þ Ò Û Ö ØÛ Ã Ð ÑÓ ÛÝÑ ÛÝ Ò Þ Ð Þ Ý ÒÓ Ø Ù ÖÝØÝ Ù ÖÝØ Ó Ö Ò ÞÓÒ ÙÒ ÑÓ Ý ÔÖÓ ÝÑÓÛ Ò Þ ÓÛÓÐÒ Ñ ÝÑ Ã ÔÖÞ Þ Þ Ò Û Ö ØÛ Ù ÖÝØ Ý Ò Ó ½ ÀÓÖÒ Ø Ðº ½ Ñ ÙÒ ÑÓ Ý ÔÖÓ ÝÑÓÛ Ò Þ ÓÛÓÐÒ Ó ÒÓ ÔÖÞ Þ ÓÛÓÐÒ ÛÓÑ Û Ö ØÛ Ñ Ù ÝØÝÑ Ý Ò Ó ½ Þ Wielowarstwowa siec neuronowa: wlasnosci ÙÒ ÓÓÐÓÛ ÙÒ
38 Ö Ô Ø x = (x ÓÖ 1,..., x n Ò Ü ÑÔÐ Ó ) Propagacja wsteczna: algorytm ¹ÈÖÓÔ¹ÍÔ Ø Ü ÑÔÐ Ð Ý Ö αµ Ö ØÙÖÒ Ò ØÛÓÖ ÙÒØ ÓÒ Ü ÑÔÐ Ø Ó Ü ÑÔÐ Û Ø ÒÔÙØ x Ò ÓÙØÔÙØ y( x) ÒÔÙØ Ð Ý Ö 0 Ð Ý Ö 1... Ð Ý Ö n Ò ÙÖÓÒ Ð Ý Ö ÓÖØ ÖÓÑ Ø ÓØØÓÑ ØÓ Ø ØÓÔ α Ø Ð ÖÒ Ò Ö Ø ÙÒ Ø j Ð Ý Ö ÓÖ 0 o Ó j x j ÙÒ Ø j Ð Ý Ö ÓÖ p ÓÖ Ö ÖÓÑ Ð Ý Ö Ò 1 ØÓ Ð Ý Ö ÙÔ n Ó z j Σ i layerp 1 w i,j o i o j σ(z j ) ÙÒ Ø j Ð Ý Ö ÓÖ n δ Ó j σ (z j )(y j ( x) o j ) ÙÒ Ø j Ð Ý Ö ÓÖ p ÓÖ Ö ÖÓÑ Ð Ý Ö Ò n 1 ØÓ Ð Ý Ö ÓÛÒ 0 Ó δ j σ (z j )Σ k layerp+1 w j,k δ k w j,k αδ k o j w j,k w j,k + w j,k ÓÑ ØÓÔÔ Ò Ö Ø Ö ÓÒ Ø ÙÒØ Ð Ð Ý Ö Û Ø ÑÓ Û Ø Ö ØÙÖÒ
39 ÔÖÓÔ Û Ø ÞÒ Þ Ð ÓÛÓÐÒ Ó Ö Ù ÖÓÛ Ò Ó Þ Ð ÓÖÝØÑ Ý Ð Propagacja wsteczna: wlasnosci Ø
40 ÔÖÓÔ Û Ø ÞÒ Þ Ð ÓÛÓÐÒ Ó Ö Ù ÖÓÛ Ò Ó Þ Ð ÓÖÝØÑ Ý Ð ÔÖÓÔ Û Ø ÞÒ Þ ÐÓ ÐÒ Ó Ñ Ò Ñ ÐÒ Ó Ù Ö Ò Ó¹ Ð ÓÖÝØÑ Û Ö ØÓÛ Ó Propagacja wsteczna: wlasnosci Ø ÌÛ Ö Þ Ò ¼
41 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 ½
42 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 E = 1 2 Σ x U(y( x) o( x)) 2 ¾
43 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 E = 1 2 Σ x U(y( x) o( x)) 2 (y( x) o( x)) 2 = 1 2 Σ x U
44 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 E = 1 2 Σ x U(y( x) o( x)) 2 (y( x) o( x)) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) o( x)) (y( x) o( x))
45 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 E = 1 2 Σ x U(y( x) o( x)) 2 (y( x) o( x)) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) o( x)) (y( x) o( x)) = Σ x U (y( x) o( x)) o( x)
46 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 E = 1 2 Σ x U(y( x) o( x)) 2 (y( x) o( x)) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) o( x)) (y( x) o( x)) = Σ x U (y( x) o( x)) o( x) = Σ x U (y( x) o( x)) σ z [z = w x] ( w x)
47 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 E = 1 2 Σ x U(y( x) o( x)) 2 (y( x) o( x)) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) o( x)) (y( x) o( x)) = Σ x U (y( x) o( x)) o( x) = Σ x U (y( x) o( x)) σ z [z = w x] ( w x) ( w x) = x i
48 Propagacja wsteczna: zbieznosc uczenia E[ w] = 1 2 Σ x U(y( x) o( x)) 2 = 1 2 Σ x U (y( x) σ( w x)) 2 E = 1 2 Σ x U(y( x) o( x)) 2 (y( x) o( x)) 2 = 1 2 Σ x U = 1 2 Σ x U2(y( x) o( x)) (y( x) o( x)) = Σ x U (y( x) o( x)) o( x) = Σ x U (y( x) o( x)) σ z [z = w x] ( w x) = Σ x U (y( x) o( x)) σ z [z = w x]x i
49 Propagacja wsteczna: zbieznosc uczenia σ E[ w] = Σ x U z [z = w x](y( x) o( x)) x
50 Propagacja wsteczna: zbieznosc uczenia σ E[ w] = Σ x U z [z = w x](y( x) o( x)) x Ð Ò ÙÖÓÒ Û j Þ Ò ÛÝ Þ Û Ö ØÛÝ ØÓ Ù ÑÝ ÞÑ ÒÝ Û ËØ δ j σ z [z = w x](y j( x) o j ( x)) w i,j αδ j x i,j ¼
51 Propagacja wsteczna: zbieznosc uczenia σ E[ w] = Σ x U z [z = w x](y( x) o( x)) x Ð Ò ÙÖÓÒ Û j Þ Ò ÛÝ Þ Û Ö ØÛÝ ØÓ Ù ÑÝ ÞÑ ÒÝ Û ËØ δ j σ z [z = w x](y j( x) o j ( x)) w i,j αδ j x i,j Æ ÙÖÓÒÝ Þ Ò ÞÝ Û Ö ØÛ ÑÙ Þ Ñ Ó ÔÓÛ Ò Ù y j ( x) o j ( x) ½
52 Propagacja wsteczna: zbieznosc uczenia σ E[ w] = Σ x U z [z = w x](y( x) o( x)) x Ð Ò ÙÖÓÒ Û j Þ Ò ÛÝ Þ Û Ö ØÛÝ ØÓ Ù ÑÝ ÞÑ ÒÝ Û ËØ δ j σ z [z = w x](y j( x) o j ( x)) w i,j αδ j x i,j Þ Ò ÞÝ Û Ö ØÛ ÑÙ Þ Ñ Ó ÔÓÛ Ò Ù y Æ ÙÖÓÒÝ j ( x) o j ( x) Ð Ó Ò ÙÖÓÒÙ j layer p Ø Û ÓÒ ÙÑ Û Ð ÞÓÒ Ò ÛÝ Ø Ó Ò ÙÖÓÒÙ Σ k layerp+1 w j,k δ k ¾
53 Propagacja wsteczna: zbieznosc uczenia σ E[ w] = Σ x U z [z = w x](y( x) o( x)) x Ð Ò ÙÖÓÒ Û j Þ Ò ÛÝ Þ Û Ö ØÛÝ ØÓ Ù ÑÝ ÞÑ ÒÝ Û ËØ δ j σ z [z = w x](y j( x) o j ( x)) w i,j αδ j x i,j Þ Ò ÞÝ Û Ö ØÛ ÑÙ Þ Ñ Ó ÔÓÛ Ò Ù y Æ ÙÖÓÒÝ j ( x) o j ( x) Ð Ó Ò ÙÖÓÒÙ j layer p Ø Û ÓÒ ÙÑ Û Ð ÞÓÒ Ò ÛÝ Ø Ó Ò ÙÖÓÒÙ Σ k layerp+1 w j,k δ k Û Ò ÓÛ Ò Ø ÛØ Ý Ó Ñ Ò δ j σ z [z = w x]σ k layer p+1 w j,k δ k w i,j αδ j x i,j
54 Prop. wsteczna z sigmoidalna funkcja aktywacji Ë ÑÓ ÐÒ ÙÒ ØÝÛ σ(z) = 1 1+e z Û Û ÞÝ Ø Ò ÙÖÓÒ o( x) = σ( w x) = σ z = e z e w x e z σ [z = w x] = o( x)(1 o( x)) z Ï ÖØÓ Û Ô ÞÝÒÒ Û ÞÑ ÒÝ Û δ j Ð Ò ÙÖÓÒ Û j Þ Û Ö ØÛÝ Ò ÛÝ Þ δ j o j (1 o j )(y j ( x) o j ) Ð Ò ÙÖÓÒ Û j Þ Ò Þ Û Ö ØÛÝ p δ j o j (1 o j )Σ k layerp+1 w j,k δ k
55 ÔÖÞ ÒÓ ÖÓØÒ Û ÞÝ Ø Ó ØÝ ØÖ Ò Ò ÓÛ ÔÓÔÖ Û Û ÔÓ ÓÒ ÛÝÐ Þ ÙÑ ÖÝÞÒÝ Ð Ó Þ ÓÖÙ ØÖ Ò Ò ÓÛ Ó Ò Propagacja wsteczna: przyklad zbieznosci Ð ÓÖÝØÑ ÙÞ Ò Þ ØÖÞÝÑÙ Ý ÔÖÞ Ø Ñ Ð 14 Total error on training set Number of epochs
56 ÈÓÞÛ Ð Ò ÞÝ Þ ÒÓ Ò ÔÓÞ Ø Ù ÒÔº α 0.5µ ÔÖ ÝÞÝ Ò Þ ÒÓ Ó ÐÓ ÐÒ Ó Ñ ÑÙÑ Û Ó ÓÛ Þ α 0µ Dobor wspolczynnika szybkosci uczenia α ÞÛÝÞ α [0.01; 0.5] Ù Ø ÐÓÒ Ð Þ ÔÓ ÑÓ Ò Ö Ù ÓÛ ÓÑ ØÖÝÞÒ ÈÓ α := α c c [0.9; 0.99]
57 Uczenie neuronow ukrytych (wewnetrznych) Inputs Outputs ÁÒÔÙØ ÇÙØÔÙØ ½¼¼¼¼¼¼¼ ½¼¼¼¼¼¼¼ ¼½¼¼¼¼¼¼ ¼½¼¼¼¼¼¼ ¼¼½¼¼¼¼¼ ¼¼½¼¼¼¼¼ ¼¼¼½¼¼¼¼ ¼¼¼½¼¼¼¼ ¼¼¼¼½¼¼¼ ¼¼¼¼½¼¼¼ ¼¼¼¼¼½¼¼ ¼¼¼¼¼½¼¼ ¼¼¼¼¼¼½¼ ¼¼¼¼¼¼½¼ ¼¼¼¼¼¼¼½ ¼¼¼¼¼¼¼½
58 Uczenie neuronow ukrytych (wewnetrznych) Inputs Outputs ÁÒÔÙØ À Ò ÇÙØÔÙØ Î ÐÙ ½¼¼¼¼¼¼¼ º º¼ º¼ ½¼¼¼¼¼¼¼ ¼½¼¼¼¼¼¼ º¼½ º½½ º ¼½¼¼¼¼¼¼ ¼¼½¼¼¼¼¼ º¼½ º º¾ ¼¼½¼¼¼¼¼ ¼¼¼½¼¼¼¼ º º º ½ ¼¼¼½¼¼¼¼ ¼¼¼¼½¼¼¼ º¼ º¼ º¼¾ ¼¼¼¼½¼¼¼ ¼¼¼¼¼½¼¼ º¾¾ º º ¼¼¼¼¼½¼¼ ¼¼¼¼¼¼½¼ º ¼ º¼½ º ¼¼¼¼¼¼½¼ ¼¼¼¼¼¼¼½ º ¼ º º¼½ ¼¼¼¼¼¼¼½
59 Uczenie neuronow ukrytych (wewnetrznych) ÌÖ ÒÓÛ Ò Û Ð Ò Ó Þ Ò ÙÖÓÒ Û Û ÛÒØÖÞÒÝ Weights from inputs to one hidden unit
60 ¾º ± Û ¹ÒÒ ¹Û Ö ØÛÓÛ ¼¼ ¼¼ ½¼µ ½º ± Û Ë Rozpoznawanie cyfr recznie pisanych Ä Æ Ø ¹Û Ö ØÛÓÛ ½ ¾ ¼ ½¼µ ¼º ± Û ¼
61 Sieci rekurencyjne y(t + 1) y(t + 1) Û Ö Ý Ð ÖÓÛ Ò ÞÑ Ò Û Û ÓÐ ÒÝ Ø Ø Þ Ö b x(t) x(t) c(t) (a) Feedforward network (b) Recurrent network y(t + 1) x(t) c(t) y(t) x(t 1) c(t 1) y(t 1) (c) Recurrent network unfolded in time x(t 2) c(t 2) ½
62 Å ÞÝÒÝ ÓÐÞØÑ ÒÒ Ù ÝÛ ØÓ ØÝÞÒÝ ÙÒ ØÝÛ Sieci rekurencyjne Ë ÀÓÔ Ð ÓÐÓ Ö ÞÒ Ô Ñ Ó Ý Ò µ ÝÑ ØÖÝÞÒ Û ÔÖÓ ÓÛ ÙÒ ØÝÛ σ(z) = sign(z) ¾
Þ Á Ö Ø ØÙÖÝ ÓÑÔÙØ ÖÓÛÝ À Ö Ö ÔÖÓØÓ Ó Û Ð Ù ØÛ Ò ÔÖÓ Ù ÔÖÓ ØÓÛ Ò Û Ô Þ ÒÝ ÓÑÔÙØ ÖÓ¹ ÛÝ ÔÖÞÝ ØÓ Þ Ó Ò ÓÒ ÔÓ Û Ñ Ö ÔÖÓ Ø ØÖÙ ØÙÖ ÐÓ ÞÒ º Ç Ø Ø ÞÒ Þ Ý ÓÛ ÒÓ ÓÑÔÙØ ÖÓÛ Þ ÞÓÖ Ò ÞÓ¹ ÊÝ ÙÒ ½ Ï Ö ØÛÓÛ ØÖÙ ØÙÖ
ÈÐ Ò ÛÝ Ø Ô Ò ½ ¾ ÃÐ ÝÞÒ Ó Ð Þ Ò ÓÛ ÞØÙÞÒ ÒØ Ð Ò ÅÓ Ð Ó Ð Þ Ò ÓÛ ÞØÙÞÒ ÒØ Ð Ò Ë Ò ÙÖÓÒÓÛ ÏÒ Ó ÓÛ Ò Þ ÐÓ ÖÓÞÑÝØ Ð ÓÖÝØÑÝ ÛÓÐÙÝ Ò ÊÓÞÛ Þ Ò Ý ÖÝ ÓÛ ÝÒ Ñ
Ç Ð Þ Ò ÓÛ ÞØÙÞÒ ÒØ Ð Ò Â ÖÓ Û Ö ÈÓÐ Ø Ò Ï Ö Þ Û ÁÒ ØÝØÙØ ËÝ Ø Ñ Û Ð ØÖÓÒ ÞÒÝ Ï ÌÁ ÈÐ Ò ÛÝ Ø Ô Ò ½ ¾ ÃÐ ÝÞÒ Ó Ð Þ Ò ÓÛ ÞØÙÞÒ ÒØ Ð Ò ÅÓ Ð Ó Ð Þ Ò ÓÛ ÞØÙÞÒ ÒØ Ð Ò Ë Ò ÙÖÓÒÓÛ ÏÒ Ó ÓÛ Ò Þ ÐÓ ÖÓÞÑÝØ Ð ÓÖÝØÑÝ
Ð ÓÖÝØÑÝ ØÖÙ ØÙÖÝ ÒÝ Ñ Ø Ö Ý ÛÝ ÓÛ ËØÙ Þ ÓÞÒ ÈÂÏËÌÃ Á ËÌÊÍÃÌÍÊ Æ À Ä ÇÊ ÌÅ ÁÁ Ñ Ø Ö Ý ÔÓÑÓÒ Þ µ Ï Ã ÈÖÓ Ð Ñ ÛÝ ÞÙ Ò ÈÓÐ Ó Â ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑÔÙØ ÖÓ
Á ËÌÊÍÃÌÍÊ Æ À Ä ÇÊ ÌÅ ÁÁ Ñ Ø Ö Ý ÔÓÑÓÒ Þ µ Ï Ã ÈÖÓ Ð Ñ ÛÝ ÞÙ Ò ÈÓÐ Ó Â ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑÔÙØ ÖÓÛÝ Ï Ö Þ Û Ð ØÓÔ ¾¼¼ Ð ØÓÔ ¾¼¼ ËÐ ½ È Û Ê Ñ Ð Ð ÓÖÝØÑ Û ÒÝ ÒÝ Ð ÓÖÝØÑ ØÙÖÒ Ð ÔÖÓ Ð ÑÙ ¾¹ Ó Ó Ó Û Ð Ó Ð
Ð ÓÖÝØÑÝ ØÖÙ ØÙÖÝ ÒÝ Ñ Ø Ö Ý ÛÝ ÓÛ ËØÙ Þ ÓÞÒ ÈÂÏËÌÃ Á ËÌÊÍÃÌÍÊ Æ À Ä ÇÊ ÌÅ ÁÁÁ Ñ Ø Ö Ý ÔÓÑÓÒ Þ µ Ï Ã ÈÖÓ Ð Ñ ÓÖØÓÛ Ò ÈÓÐ Ó Â ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑÔÙØ Ö
Á ËÌÊÍÃÌÍÊ Æ À Ä ÇÊ ÌÅ ÁÁÁ Ñ Ø Ö Ý ÔÓÑÓÒ Þ µ Ï Ã ÈÖÓ Ð Ñ ÓÖØÓÛ Ò ÈÓÐ Ó Â ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑÔÙØ ÖÓÛÝ Ï Ö Þ Û ½¼ Ð ØÓÔ ¾¼¼ ½¼ Ð ØÓÔ ¾¼¼ ËÐ ½ È Û Ê Ñ Ð Ð ÓÖÝØÑ ÓÖØÓÛ Ò ÔÖÞ Þ Ð Ð ÓÖÝØÑ ÓÖØÓÛ Ò ÔÖÞ Þ Û Ø
Ï ØÔ ÈÖÞÝ Ý Ç ÐÒ Û ÒÓ Ó Þ Ò À Ð ¹ÈÓ Ø ÓÒ Ð Ø ÖÑ Ò Ý Ó ÁÒ Ò Ø Ñ ÖÝ ÃÓÔÞÝ Ï Ö Û ÍÒ Ú Ö ØÝ Û ØÒ ¾¼¼ ÖÝ ÃÓÔÞÝ À Ð ¹ÈÓ Ø ÓÒ Ð Ø ÖÑ Ò Ý Ó ÁÒ Ò Ø Ñ ½» ¼
Ï Ö Û ÍÒ Ú Ö ØÝ Û ØÒ ¾¼¼ ½» ¼ ÔÖÞÝ Ö Þ ÛÝÔ Ø Ö Ò Ö Ò Ó ÞÓÒÝ Ò ØÖ Ø ÔÓÞÝÝ ÒÝ Ò ¹ÔÓÞÝÝ ÒÝ Ò Ò ÛÝÒ ¹ ¹ ¾¼ ÑÝ ¹½ ¹½ ¹¾ ½¼ ¹¾ ¹½ ¹¾ ÓÒ ¹½ ¹ ¾» ¼ ÔÖÞÝ Ö Ô ÖÞÝ ØÓ Ö Ò Ó ÞÓÒÝ Ò ØÖ Ø ÔÓÞÝÝ ÒÝ Ò ¹ÔÓÞÝÝ ÒÝ Ò Ò ÛÝÒ
ÏÝ Ö Ò ÖÙÒ Û ÛÓÐÙ Ö Ò ÓÛ Â ÖÓ Û Ö ÈÓÐ Ø Ò Ï Ö Þ Û ÁÒ ØÝØÙØ ËÝ Ø Ñ Û Ð ØÖÓÒ ÞÒÝ ¹Ñ Ð Ö Ð ºÔÛº ÙºÔÐ Ñ Ò Ö ÙÑ Ù ÁÒØ Ð ÒØÒÝ ËÝ Ø Ñ Û Ï ÔÓÑ Ò ÝÞ ÈÓÐ Ø Ò ÈÓ
ÏÝ Ö Ò ÖÙÒ Û ÛÓÐÙ Ö Ò ÓÛ Â ÖÓ Û Ö ÈÓÐ Ø Ò Ï Ö Þ Û ÁÒ ØÝØÙØ ËÝ Ø Ñ Û Ð ØÖÓÒ ÞÒÝ ¹Ñ Ð Ö Ð ºÔÛº ÙºÔÐ Ñ Ò Ö ÙÑ Ù ÁÒØ Ð ÒØÒÝ ËÝ Ø Ñ Û Ï ÔÓÑ Ò ÝÞ ÈÓÐ Ø Ò ÈÓÞÒ ¾ º½½º¾¼½¼ ÈÐ Ò ÔÖ Þ ÒØ ½ ¾ Ð ÓÖÝØÑ ÛÓÐÙÝ ÒÝ Ó ÖÓÞ
ÔÖÓ Ù ÔÖÓ Ù Þ Ø ÑÒ Ñ Ø Ö ÞÔÓð Ö Ò Ø ÞÔÓð Ö Ò Ý Ò Û Ó Þ ÝÛ Ò Å ÔÓ ÞÙ Û Ò Ø ÔÓð Ö Ò Ý Ò Û Ó Þ ÝÛ Ò Ò Ð µ ÔÓ ÞÙ Û Ò ÑÒ Ñ Ø Ö ÈÓ ÞÙ Û Ò Ó ÑÓ ÐÙ ÑÓ Þ ÑÝ ÔÓ
ÈÓð Ö Ò ÔÓ ÞÙ Û Ò ÑÒ Ñ Ø Ö ÔÓÑ ÖÝ ÔÖÓÑ Ò ÓÛ Ò Ó Ñ ÞÒ Ó Ø Ð Ø ÖÒ Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÎÁÁ æ ÊÅÁ æ È Å Ä æ Å˹¾ ÔÖÓ Ù ÔÖÓ Ù Þ Ø ÑÒ Ñ Ø Ö ÞÔÓð Ö Ò Ø ÞÔÓð Ö Ò Ý Ò Û Ó
ÛÙÛÝÑ ÖÓÛÝ ÔÖ Ò ÂÓ ÒÒ ÀÓÖ ÂÓ ÒÒ ÀÓÖ ÛÙÛÝÑ ÖÓÛÝ ÔÖ Ò
½º Ò ¾º ÈÖÞÝ º Ï ÒÓ Ð ÓÖÝØÑÙ Þ ÒÓ Ù Ý Ó ÛÖ ÐÒ ÔÖÞ ÔÐ Ø Ò Ù ÐÒÓ µ º Ê Ó¹ Ð Û ÐÐ Þ º ÈÖ Ò Ð ÓÖÝØÑ Å º ÏÔÖÓÛ Þ Ò Ó Û ÐÓÛÝÑ ÖÓÛ Ó ÔÖ Ò Ò Ù Ý Ó Ò ÖÓÛ Ò Þ Û ØÓÖ ÐÓ ÓÛ Ó (, ) Ó ÔÓÛ Ò ÔÖ Ý ( ½, ½ ),( ¾, ¾ ),...
½ ÏÝ Ï Þ ð Û Ø ÛÓÐÙ Þ Ø Ð Ñ ÒØ ÖÒÝ Ï Þ ð Û Ø ÔÖÓ º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ ÞÝ Óð Û Þ ÐÒ ÁÒ ØÝØÙØ Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ ½ ÛÓÐÙ Ï Þ ð Û Ø ¾ Ñ ¾¼½ æ
½ ÏÝ Ï Þ ð Û Ø ÛÓÐÙ Þ Ø Ð Ñ ÒØ ÖÒÝ Ï Þ ð Û Ø ÔÖÓ º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ ÞÝ Óð Û Þ ÐÒ ÁÒ ØÝØÙØ Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ ½ ÛÓÐÙ Ï Þ ð Û Ø ¾ Ñ ¾¼½ æ Ôº½»¾ Ï Þ ð Û Ø ÛÓÐÙ Ï Þ ð Û Ø ÏÔÖÓÛ Þ Ò Ö Û Ø Ç ÐÒ
ØÖ Ò ÔÓÖØ Û ÖØÓ ÔÖÞ ÛÓ Ò ÐÙ ÔÖÞ ÒÓ Þ Ò Û ÖØÓ Ô Ò ÒÝ ÔÓÞ Ó Ö Ñ Ô Þ ÐÒ ºÓ ÒÓ Ø Ó Ð Þ Ò ÓÛ ÔÖÞÝ Ø Ó Ó Ö Ð Ò Ð Ñ ØÙ ÔÖÞ ÓÛÝÛ ¹ ÒÝ ÐÙ ØÖ Ò ÔÓÖØÓÛ ÒÝ Û ÖØÓ
ÁÒ ØÖÙ Ó ÔÓ Ö ÓÛ ½ ¹¼ ¹¾¼¼ ½ ÈÓ Ø ÒÓÛ Ò Ó ÐÒ ï½ ÁÒ ØÖÙ Ó Ö Ð Þ Ý Ó ÖÓÒÝ Û ÖØÓ Ô Ò ÒÝ ÔÖÓÛ Þ Ò Ó ÔÓ Ö ÓØ Û Û Ù Ó ÙÑ ÒØÓÛ Ò ÓÔ Ö ÓÛÝ ÈÖÞ Þ Ù ÝØ Û Ò ØÖÙ Ó Ö Ð Ò ÖÓÞÙÑ Ô Þ ÐÒ Ô Þ ÐÒ Ñ Þ Ò ÓÛ È ÓØÖÓÛÓ Þ ÖÞ
ÁÒ ØÝØÙØ ÈÓ Ø Û ÁÒ ÓÖÑ ØÝ ÈÓÐ Ñ Æ Ù Ì ÑÔÓÖ ÐÒ Ô ØÝ ÔÐÓÖ ÒÝ Ñ ØÓ Ý Þ ÓÖ Û ÔÖÞÝ Ð ÓÒÝ ÊÇ ÈÊ Ï ÇÃÌÇÊËà ÙØÓÖ Ñ Ö È ÓØÖ ËÝÒ ÈÖÓÑÓØÓÖ ÈÖÓ º Ö º Ò º Ò ÖÞ Ë ÓÛÖÓÒ Ï Ö Þ Û ¾¼¼ Öº ËÔ ØÖ ½ Ï ØÔ ½º½ ÏÔÖÓÛ Þ Ò º º
ÔÖÓ Ù ÔÖÓ Ù Þ Ø ÑÒ Ñ Ø Ö ÞÔÓð Ö Ò Ø ÞÔÓð Ö Ò Ý Ò Û Ó Þ ÝÛ Ò Å ÔÓ ÞÙ Û Ò Ø ÔÓð Ö Ò Ý Ò Û Ó Þ ÝÛ Ò Ò Ð µ ÔÓ ÞÙ Û Ò ÑÒ Ñ Ø Ö ÈÓ ÞÙ Û Ò Ó ÑÓ ÐÙ ÑÓ Þ ÑÝ ÔÓ
ÈÓð Ö Ò ÔÓ ÞÙ Û Ò ÑÒ Ñ Ø Ö ÔÓÑ ÖÝ ÔÖÓÑ Ò ÓÛ Ò Ó Ñ ÞÒ Ó Ø Ð Ø ÖÒ Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÎÁÁ æ ÊÅÁ æ È Å Ä æ Å˹¾ ÔÖÓ Ù ÔÖÓ Ù Þ Ø ÑÒ Ñ Ø Ö ÞÔÓð Ö Ò Ø ÞÔÓð Ö Ò Ý Ò Û Ó
System ALVINN. 30 Output. Units. 4 Hidden. Units. 30x32 Sensor Input Retina. Straight Ahead. Sharp Right. Sharp Left
ËÞØÙÞÒ ÁÒØ Ð Ò ËÝ Ø ÑÝ ÓÖ Þ ½ System ALVINN ÄÎÁÆÆ ÔÖÓÛ Þ ÑÓ ÔÓ ÙØÓ ØÖ Þ Þ ÞÝ Ó ¼ Ñ Ð Ò Ó Þ Ò Sharp Left Straight Ahead Sharp Right 30 Output Units 4 Hidden Units 30x32 Sensor Input Retina ¾ www.wisewire.com,
Þ Á Í Ù ÞÓÖ ÒØÓÛ Ò ÔÓ Þ Ò ÓÛÓ Ù Ù ÞÔÓ Þ Ò ÓÛ Ï Ö ØÛÝ ÑÓ Ó ÖÓÛ Û Ö ØÛÓÑ Ð ÝÑ Ó Ò ÔÓÞ ÓÑ ÛÝ Ù Ù ÞÔÓ Þ Ò ÓÛ Ù Ù ÛÝÑ ÔÓ Þ Ò º Ï Ù Ù ÓÛÝ ÞÓÖ ÒØÓÛ ÒÝ ÔÓ Þ Ò ÓÛÓ Ù ÝØ ÓÛÒ Ù Ù Ò Ô ÖÛ Ù Ø Ð ÔÓ Þ Ò ÔÓØ Ñ ÔÓ Þ Ò
Number of included frames vs threshold effectiveness Threshold of effectiveness
Ò Ð Þ ÒÝ Þ ÒÓÛ Ô Ö ØÙÖÝ Ø Ý Ò È Ó Ø Ë Ý ËÞÝÑÓÒ Å Þ ÞÑ Þ Ñ ÐºÓÑ ØÝÞÒ ¾¼½¾ ËÔ ØÖ ½ Ï ØÔ ½ ¾ ÇÔ Ñ ØÓ Ý ½ ¾º½ Ç Ò Ò Ö ÒÝ ÔÓÑ Ö Û º º º º º º º º º º º º º º º º º º º º º º º º º º º ½ ¾º¾ Ç Ö Ð Ò ØÝÛÒÓ Ð
Reguly. Wind = Weak Temp > 20 Outlook Rain PlayTennis = Y es
ËÞØÙÞÒ ÁÒØ Ð Ò ËÝ Ø ÑÝ ÓÖ Þ ½ Ï ÖÙÒ Ð ØÓÖ Û Ý Ð ØÓÖ Ö ÔÖ Þ ÒØÙ Ø Ø Û ÖØÓ ÃÓÒ ÙÒ ØÖÝ ÙØÙ Û ÖÙÒ Ó ÔÓÛ Ó ØÓÑ Ô Ò ÝÑ ÔÓ ÝÒÞ Ó Ð ØÓÖÝ Û ÞÝ Ø ÝÞ Ö Ù ÞÛ Þ Ò Ø Þ Ò ÝÞ Ã Reguly ÔÖÞÝÔ ÝÛ Ò Ó ØÓÑ Ô Ò ÝÑ Û ÖÙÒ Ö Ù
ÃÓÑÔ Ð ØÖÓÒ ÞÒÝ ÈÓ ÖÞÒ ½º¼ ÏÝ Ò ÖÓÛ ÒÓ ÔÖÞ Þ ÓÜÝ Ò ½º º Ï ÂÙÒ ½½ ¼ ¾¼¼ ËÔ ØÖ ½ ÃÓÑÔ Ð ØÖÓÒ ÞÒÝ ½ ½º½ ÇÔ ÔÖÓ ØÙ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½ ½º¾ Ð Ñ ÒØÝ
ÈÓÔÖ ÛÒ ÛÝ ÓÖÞÝ Ø Ò ÏÞÓÖ ÔÖÓ ØÓÛ áö Ò ÓµÞ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û ÏÝ ¾ ¹ Ø Ó ÛÞÓÖ ÔÖÓ ØÓÛ ÊÓ ÖØ ÆÓÛ ¾¼¼ áö Ò ÓµÞ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û ½»
ÏÝ ¾ ¹ Ø Ó ÛÞÓÖ ÔÖÓ ØÓÛ ÊÓ ÖØ ÆÓÛ ¾¼¼ ½» ÈÒ ÛÝ Ù ÔÓ Ø ÛÓÛ ÔÓ Û ÔÓÛØ ÖÞ Ò µ Ø Ó ÞÝÞÒ Ó ÞÒ ÔÓÛØ ÖÞ Ò µ Ö Þ Þ Þ Ò ÔÓÛØ ÖÞ Ò µ ÛÞÓÖ ÔÖÓ ØÓÛ Ò ØÓÒ ÔÖÓØÓØÝÔ ¾» Ö Ò Ö ¹ Ý Ò Þ Ô ÛÒ Ò ÞÛ Ó ÒÓ Ó Þ Ó ÜØ ÖÒ ÒØ Ü»»
ËÞ ÐÓÒÝ ¹ ÔÓÛØ ÖÞ Ò ÈÖÓ Ð ÑÝ ÔÖÞÝ ØÓ ÓÛ Ò Ù Þ ÐÓÒ Û áö Ò Ó Þ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û Èʵ ÏÝ ½¼ ¹ Þ ÐÓÒÝ ÊÓ ÖØ ÆÓÛ ¾¼¼ áö Ò Ó Þ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û È
áö Ò Ó Þ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û Èʵ ÏÝ ½¼ ¹ Þ ÓÒÝ ÊÓ ÖØ ÆÓÛ ¾¼¼ ½» ÃÓ ÓÖÝØÑÝ ÈÓ Ò Þ Ò Ó ØÝÔÙ Ó ÒÔº Øݵ ÓÖÝØÑÝ ÒÔº ÞÒ ÓÛ Ò Ò Û Þ Ó Ñ ÒØÙµ Å Ò ÞÑÝ Ñ ÒÙ Ö ÙÒ Ò Ó Ùº Û Ô Ò ÞÓÛ ÛÝ ÓÖÞÝ Ø Ò Þ ÓÒ Û ¾» à ÞÓÛ ÒÙ
Ð ÓÖÝØÑÝ ØÖÙ ØÙÖÝ ÒÝ Ñ Ø Ö Ý ÛÝ ÓÛ ËØÙ Þ ÓÞÒ ÈÂÏËÌÃ Á ËÌÊÍÃÌÍÊ Æ À Ä ÇÊ ÌÅ ÁÎ Ñ Ø Ö Ý ÔÓÑÓÒ Þ µ Ï Ã ÒÝ ËØÖÙ ØÙÖÝ ÓÛÒ Ð ØÝ ÈÓÐ Ó Â ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑ
Á ËÌÊÍÃÌÍÊ Æ À Ä ÇÊ ÌÅ ÁÎ Ñ Ø Ö Ý ÔÓÑÓÒ Þ µ Ï Ã ÒÝ ËØÖÙ ØÙÖÝ ÓÛÒ Ð ØÝ ÈÓÐ Ó Â ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑÔÙØ ÖÓÛÝ Ï Ö Þ Û ¾ Ð ØÓÔ ¾¼¼ ¾ Ð ØÓÔ ¾¼¼ ËÐ ½ È Û Ê Ñ Ð ÓÔ Ö Ò Ð Ø Ð ÓÖÝØÑ Ë ÔÖÞ Ó Þ Ò Ö Ù Ð ÓÖÝØÑ Ë ÔÖÞ
f (n) lim n g (n) = a, f g
Á ËÌÊÍÃÌÍÊ Æ À Ä ÇÊ ÌÅ Á Ñ Ø Ö Ý ÔÓÑÓÒ Þ µ Ï Ã Ï ØÔ ÈÓÐ Ó Â ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑÔÙØ ÖÓÛÝ Ï Ö Þ Û ½¾ Ô õ Þ ÖÒ ¾¼¼ ½¾ Ô õ Þ ÖÒ ¾¼¼ ËÐ ½ È Û Ê Ñ Ð ÛÝ Ù ÈÐ Ò ÒÓØ ÝÑÔØÓØÝÞÒ ÔÓ Ð ÓÖÝØÑÙ Ó ÞØ Ð ÓÖÝØÑÙ Þ Ó ÓÒÓ
Ð Ö Û Ø Ý Ò Û Ö ÞÓ Ò Û Ð Ñ ØÓÔÒ Ù ÔÓ Ð ÓÖ Û Ñ Ø Ö Â Ò Ð Ø Ó ÛÝ ÖÝ Ø Ø ØÖÙ Ò µ Ð Ö Û Ø Ý Ò Ï ÒÓð Ð Ö Û Ø Ý Ò Þ ÓÛÙ ÔÓ Ó Ò Ð Ð ØÖÓÑ Ò ØÝÞÒ ÔÓÖÙ Þ Þ Ø Ñ
Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÁÎ ÈÓ ÞÙ Û Ò Ð Ö Û Ø Ý ÒÝ Ï½ ¼ ½ ÓÐ Ò ÔÖÞÝÔ È Ö Ô ØÝÛÝ ðò Ð Ö Û Ø Ý Ò Û Ö ÞÓ Ò Û Ð Ñ ØÓÔÒ Ù ÔÓ Ð ÓÖ Û Ñ Ø Ö Â Ò Ð Ø Ó ÛÝ ÖÝ Ø Ø ØÖÙ Ò µ Ð Ö Û
pomiary teoria #pomiarow N
ÞÝ Á Å Ò ÔÖÓ º Ö º Ð Ò Ö Ð Ô ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ Á Ã Ò Ñ ØÝ ÈÓÑ ÖÝ ÞÝÞÒ Ù ÒÓ Ø ËÁ Ý ÔÓÑ ÖÓÛ Ã Ò Ñ ØÝ ÔÓ ÔÓ Ø ÛÓÛ µ ÔÙÒ Ø Ñ Ø Ö ÐÒÝ Ù Ó Ò Ò Ù Û Ô ÖÞ ÒÝ µ ØÓÖ ÔÖ Óð ð ÔÖÞÝ Ô Þ Ò ÊÙ ÒÓ Ø ÒÝ
Fizyka I (mechanika), rok akad. 2012/2013 Zadania kolokwialne 1
ÞÝ Á ¾¼½¾»¾¼½ µ ÃÓÐÓ Û ÙÑ ½ º½½º¾¼½¾ Ò Ö ÙÒ ÓÛ ÖÙÔ ÍÛ Ã Þ Ò ÖÓÞÛ ÞÙ ÑÝ Ò Ó Ó Ò ÖØ º ÈÖ ÔÓÛ ÒÒÝ Ý ÞÝØ ÐÒ ÓÐ Ò ÖÓ ÓÔ ØÖÞÓÒ Ø Ñ ÓÑ ÒØ ÖÞ Ñ Ý ØÓ ÖÓÞÙÑÓÛ Ò Ý ÒÝ Ð ÔÖ Û Þ Óº ÊÓÞÛ ÞÙ Þ Ò ÛÝÔÖÓÛ õ ÛÞ Ö Ó ÓÛÝ ÔÖ
ÈÖÓÑ Ò ÓÛ Ò Ó Ñ ÞÒ Ï Ð Ô ØÑÓ ÖÝÞÒ º º ÖÒ ÏÝ ½
Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ Ô ÖÝÑ ÒØ Í Ê ÈÖÓ Ø Â Å¹ ÍËÇ Ê ÓÛ Ø Ô Û ØÑÓ ÖÝÞÒÝ ÈÖÓÑ Ò ÓÛ Ò Ó Ñ ÞÒ Ï Ð Ô ØÑÓ ÖÝÞÒ º º ÖÒ ÏÝ ½ ÔÖÓÑ Ò ÓÛ Ò Þ Ö Ò ÓÛ ÔÖÞ Þ Ð ØÖÓÒÝ Û Ö Þ Ò Ù ÔÖÓ
ÈÖ ÔÖÞ Ð Ñ Ó Ó ÒÝ Ø ÈÓ Ô ÙØÓÖ ÔÖ Ý ÈÖ Ø ÓØÓÛ Ó Ó ÒÝ ÔÖÞ Þ Ö ÒÞ ÒØ Ø ÈÓ Ô ÖÙ Ó ÔÖ
ÍÒ Û Ö ÝØ Ø Ï Ö Þ Û ÏÝ Þ Ð Å Ø Ñ ØÝ ÁÒ ÓÖÑ ØÝ Å Ò È Û Ð Å Ð ÒÞÙ ÆÖ Ð ÙÑÙ ½ ½ Ò Ð Þ ÑÔÐ Ñ ÒØ Ð Ò ÛÝ ÞÝ ÓÛ ÙÒ Ý ÒÝ ÈÖ Ñ Ø Ö Ò ÖÙÒ Ù ÁÆ ÇÊÅ Ì Ã ÈÖ ÛÝ ÓÒ Ò ÔÓ ÖÙÒ Ñ Ö Ð Ó Ë Ù ÖØ ÁÒ ØÝØÙØ ÁÒ ÓÖÑ ØÝ Ð ÄÓ ËØÓ
LVI Olimpiada Fizyczna zawody III stopnia
LV Olimpiada Fizyczna zawody stopnia Zadanie 1 Piłka uderza w poziomą podłogę pod kątem α z prędkością v 0. Współczynnik tarcia piłki o podłogę jest równy µ. W jakiej odległości od miejsca pierwszego uderzenia
ØÓ ÔÖ Ù Ð ØÖÝÞÒ Ó ÈÖ Ó ÙÒÓ Þ Ò Ó Ò ÓÖ ØÓ ÔÖ Ù Ø Û ØÓÖ Ñ Ø Ö Ó ÖÙÒ ÛÝÞÒ Þ ØÝÞÒ Ó ØÓÖÙ ÔÓÖÙ Þ Ó ÙÒ Ù Ó ØÒ Óº ÛÖÓØ Û ØÓÖ Ó Ö Ð ÙÑÓÛÒ Ó ÖÙÒ ÖÙ Ù ÙÒ Ù Ó ØÒ
ÈÖ Ð ØÖÝÞÒÝ ÈÓÐ Ñ Ò ØÝÞÒ ½¼»½ Ò ÖÞ Ã Ô ÒÓÛ ØØÔ»»Ù Ö ºÙ º ÙºÔл Ù Ô ÒÓ» ÁÒ ØÝØÙØ ÞÝ ÍÒ Û Ö ÝØ Ø Â ÐÐÓ ÃÖ Û ¾¼½ ÈÖ Ð ØÖÝÞÒÝ Ø ØÓ ÙÔÓÖÞ ÓÛ ÒÝ ÖÙ ÙÒ Û Ð ØÖÝÞÒÝ º ÊÙ ÙÒ Û ÑÓ Ñ Ñ Û ÔÖÞ ÛÓ Ò Û Ô ÛÒÝ Û ÖÙÒ Ö ÛÒ
ÈÖÞ ØÛ ÖÞ Ò Ø ØÙ Û ÈÓÛØ ÖÞ Ò áö Ò Óµ Þ Û Ò ÓÛ Ò Èʵ ÏÝ ¹ ÔÖÞ ØÛ ÖÞ Ò Ø ØÙ ÊÓ ÖØ ÆÓÛ ¾¼¼ áö Ò Óµ Þ Û Ò ÓÛ Ò Èʵ ½»
ÏÝ ¹ ÔÖÞ ØÛ ÖÞ Ò Ø ØÙ ÊÓ ÖØ ÆÓÛ ¾¼¼ ½» È Ò ÛÝ Ù Ó ÞÑ ÓÓ Ø Ö Ü ÓÓ Ø ÜÔÖ Ú ÓÓ Ø Ô Ö Ø ÈÖÞÝ ÓÛ Þ Ò Ò ÓÓ Û ÙÑ ¾» ÈÖÞ ØÛ ÖÞ Ò Ø ØÙ Û» ÔÖÞ ØÛ ÖÞ Ò Ø ØÙ ÙÒ ÓÒÛ ÖØÙ Þ ³ ÍØÛÓÖÞ Ò Þ Ý Ò ÔÓ Ø Û Ò Ô Ù ÒÙ Ø ÒØ ØÓ ½¾
ÏÝ Ô ÖÝÑ ÒØÝ Ï Ô Þ Ò Þ Ø Ð Ñ ÒØ ÖÒÝ Ï Þ ð Û Ø ÔÖÓ º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ ÁÒ ØÝØÙØ ÞÝ Óð Û Þ ÐÒ Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ Ï Ô Þ Ò Ô ÖÝÑ ÒØÝ ¾ Ñ Ö ¾
ÏÝ Ô ÖÝÑ ÒØÝ Ï Ô Þ Ò Þ Ø Ð Ñ ÒØ ÖÒÝ Ï Þ ð Û Ø ÔÖÓ º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ ÁÒ ØÝØÙØ ÞÝ Óð Û Þ ÐÒ Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ ¾ Ñ Ö ¾¼½ æ Ôº½» Ï Þ ð Û Ø Þ ð ãû Þ ÑÝä Ó Þ ÝÛ Ò Þ Ø Â Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ ¾ Ñ
ÍÒ Û Ö ÝØ Ø Ï Ö Þ Û ÏÝ Þ Å Ø Ñ ØÝ ÁÒ ÓÖÑ ØÝ Å Ò ËÔ Ý Û õò ÓÛÝ ØÖÙ ØÙÖ ÒÝ ÈÖ Ó ØÓÖ µ Å Ö Ò ÃÙ ÈÖÓÑÓØÓÖ ÔÖÓ º Ö º Â Ò Å Ý ½ ØÝÞÒ ¾¼¼¼
ÍÒ Û Ö ÝØ Ø Ï Ö Þ Û ÏÝ Þ Å Ø Ñ ØÝ ÁÒ ÓÖÑ ØÝ Å Ò ËÔ Ý Û õò ÓÛÝ ØÖÙ ØÙÖ ÒÝ ÈÖ Ó ØÓÖ µ Å Ö Ò ÃÙ ÈÖÓÑÓØÓÖ ÔÖÓ º Ö º Â Ò Å Ý ½ ØÝÞÒ ¾¼¼¼ ËÔ ØÖ ½ Ï ØÔ ½º½ Ì Þ ÔÖ Ý º º º º º º º º º º º º º º º º º º º º º
Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ Ï Ô Þ Ò Ô ÖÝÑ ÒØÝ ¾ Ñ Ö ¾¼½ Ï Þ ð Û Ø µæ Ôº¾»
ÏÝ Ô ÖÝÑ ÒØÝ Ï Ô Þ Ò Þ Ø Ð Ñ ÒØ ÖÒÝ Ï Þ ð Û Ø ÔÖÓ º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ ÁÒ ØÝØÙØ ÞÝ Óð Û Þ ÐÒ Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ Ï Ô Þ Ò Ô ÖÝÑ ÒØÝ ¾ Ñ Ö ¾¼½ æ Ôº½» Ï Þ ð Û Ø Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ Ï Ô Þ Ò Ô ÖÝÑ
ÃÓÒØ Ò ÖÝ Þ ÓÓ Ø ÓÓ Ø Ö Ô Ä Ö ÖÝ ÈÓÛØ ÖÞ Ò áö Ò Ó Þ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û Èʵ ÏÝ ½¾ ¹ ÓÒØ Ò ÖÝ Þ ÓÓ Ø ÊÓ ÖØ ÆÓÛ ¾¼¼ áö Ò Ó Þ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û È
áö Ò Ó Þ Û Ò ÓÛ Ò ÔÖÓ Ö ÑÓÛ Ò Û Èʵ ÏÝ ½¾ ¹ ÓÒØ Ò ÖÝ Þ ÓÓ Ø ÊÓ ÖØ ÆÓÛ ¾¼¼ ½» ½ ËÌÄ ¹ Ø Ò Ö ÓÛ Ð ÓØ Þ ÐÓÒ Û ÓÒØ Ò ÖÝ Ø Ö ØÓÖÝ Ð ÓÖÝØÑÝ ÙÒ ØÓÖÝ Ó º ÙÒ Ý Ò µ ÔØ ÖÝ ÌÛÓÖÞ Ò ÙÒ ØÓÖ Û ÖÞÒ Ò ÔÓ Ø Û ØÒ Ý ÙÒ Ñ
A(T)= A(0)=D(0)+E(0).
2 ÅÓ Ð ØÖÙ ØÙÖ ÐÒ ÈÓ ØÖÙ ØÙÖ ÐÒ ÓÔ ÖØ Ø Ò ÔÖ Ù ÓÛÝ ÑÓ ÐÙ ÛÝ Ò Ó Þ ÖÞ Ò Ò ÖÙØÛ Û ÔÓÛ Þ Ò Ù Þ Þ Û Ñ Þ Ó Þ ÝÑ Û Ó Ö ÖÓÞ¹ Û Ò ÖÑݺ Å Û Ò ÔÖÓ ÖÝÞÝ Ó Ö Ø ÖÞ Ö ÝØÓÛÝÑ ÛÝÒ Þ Ö Ù ÓØ Û Ò Ö ÙÐÓÛ Ò ÞÓ ÓÛ Þ º ÙÒ ÓÒÓÛ
Þ ð ãû Þ ÑÝä Ó Þ ÝÛ Ò Þ Ø Â Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ Ï Ô Þ Ò Ô ÖÝÑ ÒØÝ ½ Ð ØÓÔ ¾¼½ Ï Þ ð Û Ø µæ Ôº¾»
Þ Ø Ð Ñ ÒØ ÖÒÝ Ï Þ ð Û Ø ÙÑ Ò Ø Û Ð ÏÝ Ï Ô Þ Ò Ô ÖÝÑ ÒØÝ ÔÖÓ º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ ÁÒ ØÝØÙØ ÞÝ Óð Û Þ ÐÒ Þ Ø Ð Ñ ÒØ ÖÒÝ ÏÝ Ï Ô Þ Ò Ô ÖÝÑ ÒØÝ ½ Ð ØÓÔ ¾¼½ æ Ôº½» Ï Þ ð Û Ø Þ ð ãû Þ ÑÝä Ó Þ ÝÛ
Å Ø Ù Þ Ë ÓÖ ËØ ÐÒÓ Ñ Ò ÞÒ Ö ØÝ ÙÒ ÓÒ Ð ÞÓÛ ÒÝ Ò ÒÓÞ Ø Û ÑÓ Ð ÖÙ ÓÞ ÖÒ ØÝ ÈÖÓÑÓØÓÖ ÈÖÓ º Ö º Å Ö ÔÐ ÊÓÞÔÖ Û Ó ØÓÖ ÛÝ ÓÒ Ò Û áöó ÓÛ ÓÛÝÑ Ä ÓÖ ØÓÖ ÙÑ ÞÝ ÓÐÓ ÞÒ ÁÒ ØÝØÙØ ÞÝ È Æ Ï Ö Þ Û ½ Ñ ¾¼½¾ ÈÓ Þ ÓÛ Ò
e 2 = 8, 3 e 1 = 5, 1, e 2 = i 3 + i
ÆÓØ Ø Ó Û Þ Þ Ò Ð ÞÝ Ð Öݺ Ä Ê Ò ½ ÞÝ Û ØÓÖ v ÑÓ Ò ÔÖÞ Ø Û Ó ÓÑ Ò Ð Ò ÓÛ Û ØÓÖ Û e e 2 Þ i) v = 2, 4 e = 5, 7 e 2 = 8, 3 6 9 ÓÖ Þ ii) v = 2 3, e = Ç ÔÓÛ õ i) Ø v = 2e e 2 ii) Ò º, e 2 =, Ò ¾ ÞÝ Û ØÓÖÝ
Survival Probability /E. (km/mev)
Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÁÁ ØÖÓÒÓÑ Ò ÙØÖ Ò µ Ô ÖÝÑ ÒØ Á Ù ÛÓÐÙ Û Þ ð Ö ½¼¼ Å Î ¹ Ì Î ½¼ ½ ØÑÓ ÖÝÞÒ Ñ ¾ Ð Ö ØÓÖÓÛ ÖÞ Ù Î ½¼ ¾¼ Æ ÙØÖ Ò ÌÝÔ Ô Ò Ö ËØÖÙÑ ðò ½ Å Î ½¼ ½¼ ½
Strategie heurystyczne
ËÞØÙÞÒ ÁÒØ Ð Ò ËÝ Ø ÑÝ ÓÖ Þ ÔÖÞ ØÖÞ Ò Ø Ò Û Ð ÓÖÝØÑÝ ÈÖÞ ÞÙ Û Ò ÙÖÝ ØÝÞÒ ½ ÙÖÝ ØÝÞÒ ÓÖÞÝ Ø Þ Ó Ø ÓÛ ÙÖÝ ØÝÞÒ ÙÒ Ó ÒÝ ËØÖ Ø ÒÔº Þ Ù Ó ÞØ ÖÓÞÛ Þ Ò Ó Ó Ø ÒÙ Ó ÐÙµ Ø ÒÙ Strategie heurystyczne ÈÖÞ ÞÙ Û Ò Ô
Þ ÈÖ ÛÓ ÀÙ Ð ÈÖÞ ÙÒ Ù Þ ÖÛ Ò Â ð Ð ðþö Ó ð Û Ø Ó Ð Ó Ä Ò Û Ð Û Û Ñ Û Þ Ö ÈÃË ½¾ ¾ ¼ ½ Ó ÖÛ ØÓÖ Ò Ø ÔÙ ÛÝ Ù Þ Ò Ð ½ ½ ¼ ½ Þµ ÔÖÞ ÙÒ Ù Þ ÖÛ Ò Ò º ãö Øäµ
Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÁÁÁ Ï Ð ÏÝ Ù ÛÓÐÙ Ï Þ ð Û Ø ÈÖÓÑ Ò ÓÛ Ò Ø ÈÓÑ ÖÝ Ù ØÙ Å Þ ÈÖ ÛÓ ÀÙ Ð ÈÖÞ ÙÒ Ù Þ ÖÛ Ò Â ð Ð ðþö Ó ð Û Ø Ó Ð Ó Ä Ò Û Ð Û Û Ñ Û Þ Ö ÈÃË ½¾ ¾ ¼ ½
Þ ÑÒ ÑÒ Ñ Ø Ö Ö Å ØØ Ö ¹ ŵ ÓÐ À Å Ñ Å Þ Å Ñ Å Å Å ÛÓÐÙ Ï Þ ð Û Ø Ç Ò ÔÓÛ Þ Ò ÙÞÒ ÒÝÑ ÑÓ Ð Ñ ÛÓÐÙ Ï Þ ð Û Ø Ø ØÞÛº ÑÓ Ð Åº ÓÒ Ï Þ ð Û Ø ÛÝÔ Ò ãþûý ä Ñ
Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÁÎ ÑÒ Ñ Ø Ö Û Ï Þ ð Û È ÖÛÓØÒ ÆÙ Ð Ó ÝÒØ Þ ÊÓØ Ð ØÝ ÓÖÑÓÛ Ò ØÖÙ ØÙÖ Ç Ð ÙÔ ÖÒÓÛ ÖÓÑ ÈÓ ÙÐÐ Ø ÐÙ Ø Öµ Þ ÑÒ ÑÒ Ñ Ø Ö Ö Å ØØ Ö ¹ ŵ ÓÐ À Å Ñ Å Þ
ð Ö ½¼¼ Å Î ¹ Ì Î ½¼ ½ ØÑÓ ÖÝÞÒ Ñ ¾ Ð Ö ØÓÖÓÛ ÖÞ Ù Î ½¼ ¾¼ Æ ÙØÖ Ò ÌÝÔ Ô Ò Ö ËØÖÙÑ ðò ½ Å Î ½¼ ½¼ ½ Ë ÓÒ ÞÒ Ñ ¾ Ò Ñ µ ÔÓÛÝ Þ ½¼ Šε ÖÞ Ù Å Î ½¼ ½ Ê Ø
Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÁÁ ØÖÓÒÓÑ Ò ÙØÖ Ò µ Ô ÖÝÑ ÒØ Á Ù ÛÓÐÙ Û Þ ð Ö ½¼¼ Å Î ¹ Ì Î ½¼ ½ ØÑÓ ÖÝÞÒ Ñ ¾ Ð Ö ØÓÖÓÛ ÖÞ Ù Î ½¼ ¾¼ Æ ÙØÖ Ò ÌÝÔ Ô Ò Ö ËØÖÙÑ ðò ½ Å Î ½¼ ½¼ ½
Janusz Przewocki. Zeroth Milnor-Thurston homology for the Warsaw Circle. Instytut Matematyczny PAN. Praca semestralna nr 3 (semestr zimowy 2010/11)
Janusz Przewocki Instytut Matematyczny PAN Zeroth Milnor-Thurston homology for the Warsaw Circle Praca semestralna nr 3 (semestr zimowy 2010/11) Opiekun pracy: Andreas Zastrow ÖÓØ Å ÐÒÓÖ¹Ì ÙÖ ØÓÒ ÓÑÓÐÓ
Lech Banachowski. Rola Uczelni oraz metod i technik e-edukacji w uczeniu się przez całe życie
Lech Banachowski Rola Uczelni oraz metod i technik e-edukacji w uczeniu się przez całe życie Notka biograficzna Prof. Lech Banachowski jest kierownikiem Katedry Baz Danych i kierownikiem Studiów Internetowych
SID Wykład 8 Sieci neuronowe
SID Wykład 8 Sieci neuronowe Wydział Matematyki, Informatyki i Mechaniki UW slezak@mimuw.edu.pl Sztuczna inteligencja - uczenie Uczenie się jest procesem nastawionym na osiaganie rezultatów opartych o
ρ h (x 0 ) = M h h 3 ρ(x 0 ) = lim ρ h (x 0 )
ÏÝ ½ ÈÓ Ø ÛÓÛ ÔÓ Ñ Ò Ó ÖÓ Ó ËÔ ØÖ ½ ÏÔÖÓÛ Þ Ò Ó Ø ÓÖ Ó ÖÓ Ó ½ ½º½ ÍÛ Ó ÔÓØ Þ Ó ÖÓ Ó º º º º º º º º º º º º º º º º º º º º º º º ½ ¾ ÈÓ ÖÙ Ù Û Ó ÖÓ Ù ÝÑ ¾ ¾º½ ÇÔ ÖÙ Ù Û ÞÑ ÒÒÝ Ä Ö Ò ³ Û ÞÑ ÒÒÝ ÙÐ Ö º
N j=1 (η M η j ) Û Ö η 1... η N Ö
Ù ÔØ Ð ØÝ ÌÓÔÓÐÓ Ð ØÛ Ø Ñ ÖÑ ÓÒ ÖÓÑ Ù Ò Ô ØÖ Ð ÔÖÓ ØÓÖ Ý ÃÖÞÝ ÞØÓ Ë ÙØ Ò ÖÑ ÒÝ ÆÁ Ñ Å Û Þ ÍÒ Ú Ö ØÝ ÈÓÞÒ ÈÓÐ Ò ÓÐÐ ÓÖ Ø ÓÒ Û Ø Ò Ö Ê ÑÓ Ð Ò Ã ÖÐ Â Ò Ò Ä ÌÌÁ ¾¼½ ½» ¾ ÁÒØÖÓ ÙØ ÓÒ ÌÓÔÓÐÓ Ð ÒÓØ Ö Ð Ò Ò Ø
ÈÖ ÔÖÞ Ñ Ó Ó ÒÝ Ø ÈÓ Ô ÙØÓÖ ÔÖ Ý ÈÖ Ø ÓØÓÛ Ó Ó ÒÝ ÔÖÞ Þ Ö ÒÞ ÒØ Ø ÈÓ Ô ÖÙ Ó ÔÖ
ÍÒ Û Ö ÝØ Ø Ï Ö Þ Û ÏÝ Þ Å Ø Ñ ØÝ ÁÒ ÓÖÑ ØÝ Å Ò Ñ Ã ÙÒ ÆÖ ÙÑÙ ½ ½ Ê ØÓÖÝÞ ÔÖÓ Ö Ñ Û Û ÞÝ Ù Â Ú ÈÖ Ñ Ø Ö Ò ÖÙÒ Ù ÁÆ ÇÊÅ Ì Ã ÈÖ ÛÝ ÓÒ Ò ÔÓ ÖÙÒ Ñ Ö Â Ò ÒÝ Å Ò Ö Þ Û Þ ÁÒ ØÝØÙØ ÁÒ ÓÖÑ ØÝ Ä Ô ¾¼¼½ ÈÖ ÔÖÞ Ñ
ÊÇ ÆÁÃ ÄÍ ÍËÃÁ ÌÓÑ ¾ Þº ¾ ¾¼½ ÒÒ ÙÞ ÅÍ Ã Â ÃÇ Æ Ê Á ÃË Ì ÌÇÏ ÆÁ Å áä ÆÁ Å Ì Å Ì Æ Ç Ï ÍÃ ÂÁ Á Ã Ï Û ØÐ Û Ô Þ ÒÝ ÓÒ Ô Ô Ó ÞÒÝ ÛÝ ÓÛ Ò Ø ØÝÞÒ Ñ Ò ÐÙ Û Þ
ÊÇ ÆÁÃ ÄÍ ÍËÃÁ ÌÓÑ ¾ Þº ¾ ¾¼½ ÒÒ ÙÞ ÅÍ Ã Â ÃÇ Æ Ê Á ÃË Ì ÌÇÏ ÆÁ Å áä ÆÁ Å Ì Å Ì Æ Ç Ï ÍÃ ÂÁ Á Ã Ï Û ØÐ Û Ô Þ ÒÝ ÓÒ Ô Ô Ó ÞÒÝ ÛÝ ÓÛ Ò Ø ØÝÞÒ Ñ Ò ÐÙ Û Þ ØÖÓÒÒ ÓÖÑÓÛ Ò Ó Ó ÓÛÓ Þ ÓÛ º Â Ó ÒØ Ö ÐÒ Þ Ø ÛÝ ÓÛ
ËÔ ØÖ ½ Ð Þ Ö ÔÖ Ý ¾ ËÝ Ø ÑÝ ÔÐ Û Ý Ø ÑÝ ÓÔ Ö Ý Ò ¾º½ ÊÓÐ Ý Ø Ñ Û ÔÐ Û º º º º º º º º º º º º º º º º º º º º º º ¾º¾ Ê ÒÓÖÓ ÒÓ Ý Ø Ñ Û ÔÐ Û º º º º
ÊÓÞÛ ÑÔÐ Ñ ÒØ Ý Ø Ñ Û ÔÐ Û ÈÓÐ Ø Ò áð ÙØÓÖ Ò ÖÞ Ö ÞÓÛ ÈÖÓÑÓØÓÖ ÔÖÓ º Ö º Ò º Ò ÖÞ ÖÞÝÛ ÃÓÒ ÙÐØ ÒØ Ñ Ö Ò º È ÓØÖ Ã ÔÖÞÝ Ð ØÓÔ ¾¼¼½ ÖÓ Ù ËÔ ØÖ ½ Ð Þ Ö ÔÖ Ý ¾ ËÝ Ø ÑÝ ÔÐ Û Ý Ø ÑÝ ÓÔ Ö Ý Ò ¾º½ ÊÓÐ Ý Ø Ñ Û
¾ Å ÑÞ ÈÖ Þ Ó ÓÒÓ Û Ý Ø Ñ Ä Ì º
Ç ÖÛ ØÓÖ ÙÑ ØÖÓÒÓÑ ÞÒ ÍÒ Û Ö ÝØ Ø Ñº Ñ Å Û Þ Û ÈÓÞÒ Ò Ù ÇÔØÝÑ Ð Þ Ñ ØÓ Ö Ù Ó ÖÛ ÓØÓÑ ØÖÝÞÒÝ ÈÖ Ñ Ø Ö Å ÑÞ Ã ÖÓÛÒ ÔÖ Ý ÔÖÓ º Ö º Ì Ù Þ Å ÓÛ ÇÔ ÙÒ ÔÖ Ý Ö ÌÓÑ Þ ÃÛ Ø ÓÛ ÈÓÞÒ ½ ¾ Å ÑÞ ÈÖ Þ Ó ÓÒÓ Û Ý Ø Ñ Ä
ËÔ ØÖ ½ ÏÔÖÓÛ Þ Ò ½º½ Ù ÓÛ ÓÑÔÙØ Ö º º º º º º º º º º º º º º º º º º º º º º º º º º º ½º¾ ÈÖÓ Ö Ñ ÓÑÔÙØ ÖÓÛÝ º º º º º º º º º º º º º º º º º º º
Ï ØÔ Ó Ó Ù ÓÑÔÙØ Ö Û ÊÓ ÖØ ÆÓÛ Å Ø Ö Ý ÔÓÑÓÒ Þ Ó Ï Ö ÞØ Ø Û ÁÒ ÓÖÑ ØÝÞÒÝ Û Ö Ñ Å Ó Þ ÓÛ Ñ ÍÑ ØÒÓ ÖÙÔ ½ ¹¾ Ï Ö Þ Û ¾¼¼ ËÔ ØÖ ½ ÏÔÖÓÛ Þ Ò ½º½ Ù ÓÛ ÓÑÔÙØ Ö º º º º º º º º º º º º º º º º º º º º º º º º
ÈÖÓÑ Ò ÓØÛ ÖÞÓð ð ÔÖÞ Þ Àº ÕÙ Ö Ð Û ÖÓ Ù ½ º Ç ÖÝØ Æ ÙØÖ Ò ÙÖ ÒÙ Ñ ØÓÛ Ý ÔÖÓÑ Ò ÓÛ Ò Ø Ö Þ ÑÒ Ó Ô ÝØ ÓØÓ Ö ÞÒ º ËÓÐ ¹ Ò ÖÓ ÆÓ Ð ÛÖ Þ Þ ÅºË Ó ÓÛ Èº ÙÖ
ð Ö Ò ÙØÖ Ò Æ ÙØÖ Ò ÔÖÓ º Ö º Ð Ò Ö Ð Ô ÖÒ Þ Ø Ð Ñ ÒØ ÖÒÝ Ï Þ ð Û Ø ÏÝ ½¾ Æ ÙØÖ Ò Û ÒÓð ÈÓÑ ÖÝ Ò ÙØÖ Ò Ç ÝÐ Ò ÙØÖ Ò ÈÖÓÑ Ò ÓØÛ ÖÞÓð ð ÔÖÞ Þ Àº ÕÙ Ö Ð Û ÖÓ Ù ½ º Ç ÖÝØ Æ ÙØÖ Ò ÙÖ ÒÙ Ñ ØÓÛ Ý ÔÖÓÑ Ò ÓÛ Ò
Ç ÐÒ ÒÖ ½ DoCelu Ä ØÓÔ ¾¼¼¾ º º º Ó Þ ÑÝ Û ÞÝ Ý Ó ÒÓ Û ÖÝ ÔÓÞÒ Ò ËÝÒ Ó Ó Ó Ñ Ó ÓÒ Ó ÓÖÓ Ò ÑÝ Ó ÛÝÑ Ö Û Ô Ò ÖÝ ØÙ ÓÛ º º º Â ÞÙ ÞÛÝ Ý ÂÓ ÒÒ Ö ØÓÔ ÐÙÑ Ö
Ç ÐÒ ÒÖ ½ DoCelu Ä ØÓÔ ¾¼¼¾ º º º Ó Þ ÑÝ Û ÞÝ Ý Ó ÒÓ Û ÖÝ ÔÓÞÒ Ò ËÝÒ Ó Ó Ó Ñ Ó ÓÒ Ó ÓÖÓ Ò ÑÝ Ó ÛÝÑ Ö Û Ô Ò ÖÝ ØÙ ÓÛ º º º  ÞÙ ÞÛÝ Ý ÂÓ ÒÒ Ö ØÓÔ ÐÙÑ Ö Ø Ô ÓÒ Ö Û Ð Ù ÓÛ ÔÖ ÙÖ ÓÖ ÔÓ Ù ÙÛ ÐÒ Ò ½ º¼ º½ ¼
ÈÐ Ò ÔÖ Þ ÒØ ½ ¾ Ò ÔÖÞÝ Þ µº ÇÔ Ó ÔÐÙ Û Ò Û ÔÐ Ó ØÓÛ ÔÖÞÝ ÓØÓÛ Ò Ó Ó ÔÐÙ Û Ò Ø Ï Ê µº Æ ÖÞ Þ Ó ÛÝ ÖÝÛ Ò ÛÝ Û Ô Ñ Û ÔÖÓ Ö Ñ Ó ÔÖÓ ÐÓÛ Ò Ó Ùº ÝÑÓÓÔ ÍÅĺ
È ÓØÖ ÙÞ Å Ð Ò Ù Ð Ñ Å Û ØÝÞ ¾¼¼ ÈÐ Ò ÔÖ Þ ÒØ ½ ¾ Ò ÔÖÞÝ Þ µº ÇÔ Ó ÔÐÙ Û Ò Û ÔÐ Ó ØÓÛ ÔÖÞÝ ÓØÓÛ Ò Ó Ó ÔÐÙ Û Ò Ø Ï Ê µº Æ ÖÞ Þ Ó ÛÝ ÖÝÛ Ò ÛÝ Û Ô Ñ Û ÔÖÓ Ö Ñ Ó ÔÖÓ ÐÓÛ Ò Ó Ùº ÝÑÓÓÔ ÍÅĺ Ã Ï Ò µº ÈÓ Ø ÛÝ
Ë Ñ Ö ÞÒ ÔÓ Þ ÓÛ Ò Ð ÈÖÓÑÓØÓÖ ÔÖ Ý ÔÖÓ º Öº º Ò º ÊÝ Þ Ö ÓÖ Þ ÔÓÑÓ ÑÓØÝÛ Ó Ô Ò Ò Ò Þ ÖÓÞÔÖ ÛÝ ¾
ÍÆÁÏ ÊË Ì Ì Ì ÀÆÇÄÇ Á ÆÇ ¹ ÈÊ ÊÇ ÆÁ Ѻ ºº áò Û Ý Ó ÞÞÝ Ï Á Ì Ä ÃÇÅÍÆÁà ÂÁ ÁÆ ÇÊÅ Ì ÃÁ Á Ä ÃÌÊÇÌ ÀÆÁÃÁ Ñ Ö Ò º Å ÖÓ Û Å ÁÒØ Ð ÒØÒÝ ËÝ Ø Ñ ÊÓÞÔÓÞÒ Û Ò ÃÐ Ý ÈÖÞ Ý ÈÓÞØÓÛÝ ÊÓÞÔÖ Û Ó ØÓÖ ÈÖÓÑÓØÓÖ ÔÖÓ º Ö
ÈÓ Þ ÓÛ Ò Æ Ò Þ Ñ Ø Ö Ý ÔÓÛ Ø Ý Ò ÔÓ Ø Û ÒÓØ Ø Ó ÔÖÓÛ ÞÓÒÝ ÔÖÞ Þ ÑÒ Ò ÔÖÞ ØÖÞ Ò Ð Ù Ð Ø ÛÝ Û Þ Ø ÓÖ ÞÝ Û ÙØÓÑ Ø Û ÓÖ Þ Ù ÓÛÝ ÓÑÔ Ð ØÓÖ Ûº ÝÑ ÓÖ Ó ÔÓ Þ
ÂÞÝ ÓÖÑ ÐÒ ÙØÓÑ ØÝ Â Å Ö Ò ÃÙ ¹Ñ Ð Ù Ñ ÑÙÛº ÙºÔÐ ¾¼¼ Æ Ò Þ Ñ Ø Ö Ý ÔÓÛ ÒÒÝ Ý Ô ÖÛ ÞÝÑ õö Ñ Ò ÓÖÑ ÓØÝÞ Ý ÔÖÞ ¹ Ñ ÓØÙ ÂÞÝ ÓÖÑ ÐÒ ÙØÓÑ ØÝ Â µº ÞÝØ ÐÒ ÓÑ Ø ÖÞÝ ÓÔÖ Þ Ð ØÙÖÝ ØÝ ÒÓØ ¹ Ø Ð Ý Ò Ó ÔÓ ÖÞÒ ÔÓÐ Ñ
Ñ ÒÒ Û È ÖÐÙ Ñ ÒÒ ÌÝÔ Ò ÈÖÞÝ Ò Þ Ò Ë Ð Ö Ð ÈÓ ÝÒÞ Û ÖØÓ Ð Þ ÐÙ Ò Ô µ Ì Ð Ø Ð Ä Ø Û ÖØÓ Ò ÓÛ Ò Ð Þ Ñ À Þ ± ±Þ ÓÖ ÖÙÔ Û ÖØÓ Ò ÓÛ Ò Ò Ô Ñ ÈÖÓ ÙÖ ² ²ÞÖÓ Ö
È ÊÄ ¹ ÞÝ Ó Ô Ò È ÖÐ ØÓ Ö Ò Ø ÙÑ Þݺ Ð ØÝ Ø ÖÞÝ Ó Þ Ð Û ÐÙ È ÖÐ Ø ÈÖ ØÝÞÒÝÑ ÂÞÝ Ñ Ó ÏÝ Û Ê ÔÓÖØ Û Ò º ÈÖ Ø Ð ÜØÖ Ø ÓÒ Ò Ê ÔÓÖØ Ä Ò Ù µº Â Ò Ð ÔÖ Û Þ ÛÝ Ñ Ó Ò Û È ÖÐ ØÓ È ØÓÐÓ ÞÒ Ð ØÝÞÒ ÊÓ Ø Ä Ò Û ØÝÞÒ
ÈÓÞÝØÝÛÒ ÔÖÝÑÓÛ Ò Ñ ÒØÝÞÒ Ó Ò ÖÞ Þ ÓÔØÝÑ Ð Þ ÙØÓÑ ØÝÞÒÝ Ý Ø Ñ Û ÙØÓÖÝÞ Ù ÝØ ÓÛÒ Ê ÈÇÊÌ Ö Å Ö Ù Þ ÍÖ ÄÓ ÃÓ Ò ØÝÛ ØÝ ÁÒ ØÝØÙØ È Ý ÓÐÓ ÍÒ Û Ö ÝØ Ø Ñº º Å
ÈÓÞÝØÝÛÒ ÔÖÝÑÓÛ Ò Ñ ÒØÝÞÒ Ó Ò ÖÞ Þ ÓÔØÝÑ Ð Þ ÙØÓÑ ØÝÞÒÝ Ý Ø Ñ Û ÙØÓÖÝÞ Ù ÝØ ÓÛÒ Ê ÈÇÊÌ Ö Å Ö Ù Þ ÍÖ ÄÓ ÃÓ Ò ØÝÛ ØÝ ÁÒ ØÝØÙØ È Ý ÓÐÓ ÍÒ Û Ö ÝØ Ø Ñº º Å Û Þ Å Ö È Û ÙÔ ÓÛ ÄÓ ÃÓ Ò ØÝÛ ØÝ ÁÒ ØÝØÙØ È Ý ÓÐÓ
Agnieszka Pr egowska
Á Ò Ø Ý Ø Ù Ø È Ó Ø Û Ó Û Ý È Ö Ó Ð Ñ Û Ì Ò È Ó Ð Ñ Æ Ù Agnieszka Pręgowska È ØÝÛÒ Ø ÖÓÛ Ò Ù Ñ Ñ Ò ÞÒÝÑ Ö ÝÑ ÖØÒ ÖÓÞÔÖ Û Ó ØÓÖ ÔÖÓÑÓØÓÖ Ö º Ò º ÌÓÑ Þ ËÞÓÐ ÔÖÓ º ÁÈÈÌ Ï Ö Þ Û ¾¼½ ËÔ ØÖ ½º Ï ØÔ ½ ¾º Ð Ø
1. Waciki do czyszczenia optyki 2. Isopropanol 3. SLED 4. Laser diodowy 1550nm 5. Mikroskop 6. Urządzenie do czyszczenia końcówek światłowodów
ÁÁ ÈÖ ÓÛÒ ÞÝÞÒ Á Í Ǿ ½ Ǿ ¹ ÇÔØÝÞÒÝ ÛÞÑ Ò Þ Û Ø ÓÛÓ ÓÛÝ Ð Û Þ Ò Û Þ Ò Ø Ô ÖÝÑ ÒØ Ñ Þ Þ Þ ÒÝ ÓØÓÒ ÞÝ Ð Ö Û ÓØÝÞÝ Þ Ò ÓÖ Þ Û ÒÓ¹ Û ÒÓÛÝ Û Ø ÓÛÓ ÓÛÝ µ õö Û Ø º ÈÓ Ø ÛÓÛÝÑ Ð Ñ ÒØ Ñ Ù Ù Ó Û ¹ Þ ÐÒ Ó Ø Û ÒÓ»
ÑÒ Ñ Ø Ö Ò Ð Å ÈÓ ÞÙ Û Ò Ý Ò Û Ò Ð Å Û Û ÞÝ Ø ÑÓ ÞÐ ÛÝ Ò ÔÖÓÑ Ò ÓÛ Ò ÑÑ ÔÓÞÝØÓÒÝ ÒØÝÔÖÓØÓÒÝ ººº µ ÑÓ Þ ÑÝ Ø Þ ÞÙ ð Ò ÙØÖ Ò º º ÖÒ ÏÝ ÁÁ ½
Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ ÁÁ Æ ÙØÖ Ò Û ÒÓð ËÙÔ Ö Ã Ñ Ó Ò Á Ù ÑÒ Ñ Ø Ö Ò Ð Å ÈÓ ÞÙ Û Ò Ý Ò Û Ò Ð Å Û Û ÞÝ Ø ÑÓ ÞÐ ÛÝ Ò ÔÖÓÑ Ò ÓÛ Ò ÑÑ ÔÓÞÝØÓÒÝ ÒØÝÔÖÓØÓÒÝ ººº µ ÑÓ Þ ÑÝ Ø
ÈÖÓ Ö ÑÓÛ Ò ÔÐ ÓÛÝ ÍÒ Û Ö ÝØ Ø Å Ö ÙÖ ¹Ë Ó ÓÛ ÏÝ Þ Å Ø Ñ ØÝ ÞÝ ÁÒ ÓÖÑ ØÝ ÁÒ ØÝØÙØ ÁÒ ÓÖÑ ØÝ ÈÖÓ Ö ÑÓÛ Ò ÔÐ ÓÛÝ Â ÖÓ Û ÝÐ Ò Å ÓÖÞ Ø Ù Ò Å ÃÐ ÓÛ ÄÙ Ð Ò ¾¼½¾ ÁÒ ØÝØÙØ ÁÒ ÓÖÑ ØÝ ÍÅ Ë ÄÙ Ð Ò ¾¼½¾  ÖÓ Û ÝÐ
Â Ù Ä ÔÓÐÓÒÝ ÑÓ Ð ÒÙѹ ÓÖ ÓÒ ÑÓ Ð ÔÓ Ö ÛÒ ÊÓÞÔÖ Û Ó ØÓÖ ÔÖÞÝ ÓØÓÛ Ò ÔÓ ÖÙÒ Ñ ÔÖÓ º À ÒÖÝ ÖÓ Þ ÃÖ Û Ñ ¾¼½¼
Â Ù Ä ÔÓÐÓÒÝ ÑÓ Ð ÒÙѹ ÓÖ ÓÒ ÑÓ Ð ÔÓ Ö ÛÒ ÊÓÞÔÖ Û Ó ØÓÖ ÔÖÞÝ ÓØÓÛ Ò ÔÓ ÖÙÒ Ñ ÔÖÓ º À ÒÖÝ ÖÓ Þ ÃÖ Û Ñ ¾¼½¼ Ö ÞÓ Ö ÞÒ Þ Ù ÑÓ ÑÙ ÔÖÓÑÓØÓÖÓÛ ÔÖÓ ÓÖÓÛ À ÒÖÝ ÓÛ ÖÓ Þ ÓÛ Þ Þ Ñ ÔÓ Û ÓÒÝ Þ ÒÒ Ö Ý ÝÞÐ Û ÙÛ º Þ
ÉÙ ÕÙ ÔÖÙ ÒØ Ö Ø Ö Ô Ò Ñ ÇÛ Ù Þ ½ ½ Ó ÓÐÛ ÖÓ Þ Ö ÖÓÞØÖÓÔÒ Ô ØÖÞ Ó
ÈÓÐ Ø Ò Ï Ö Þ Û ÏÝ Þ Ð ØÖÓÒ Ì Ò ÁÒ ÓÖÑ Ý ÒÝ ÁÒ ØÝØÙØ ÙØÓÑ ØÝ ÁÒ ÓÖÑ ØÝ ËØÓ ÓÛ Ò È ÓØÖ Ë ÓÛ Þ ÒÙÑ Ö Ð ÙÑÙ ½ ¾ ¼ ÈÖ ÝÔÐÓÑÓÛ Ò ÝÒ Ö ÙØÓÑ ØÝÞÒ Ð Ö Ý Ø ÑÙ ÖÓ Óع Ñ Ö ÇÔ ÙÒ ÔÖ Ý ÔÖÓ º ÒÞÛº Ö º Ò º Þ ÖÝ Ð Ï Ö
N + R C. A T A 1 A 2 I I n. [a;b] (a;b] [a;b) m,n m,n = {m,m + 1,...,n 1,n}
![N + R C. A T A 1 A 2 I I n. [a;b] (a;b] [a;b) m,n m,n = {m,m + 1,...,n 1,n}](/thumbs/94/120142288.jpg "N + R C. A T A 1 A 2 I I n. [a;b] (a;b] [a;b) m,n m,n = {m,m + 1,...,n 1,n}")
ÏÝ Þ ÁÒ ÓÖÑ ØÝ ÈÓРӹ ÔÓ ÏÝ Þ ËÞ Ó Ì Ò ÃÓÑÔÙØ ÖÓÛÝ ØÓ ÓÛ Ò Ý Ö ØÒ Ó ÓÖØÓ ÓÒ ÐÒ Ó ÓÔ Ö ØÓÖ ÀÙÖÛ ØÞ ¹Ê ÓÒ Û ÓÑÔÖ Ö ÓÒ ØÖÙ ÓÒØÙÖ Û Ó Ö Þ Û ÑÓÒÓ ÖÓÑ ØÝÞÒÝ Ñ Ö Ö Ù Þ Â Þ ÊÓÞÔÖ Û Ó ØÓÖ Ò Ô Ò ÔÓ ÖÙÒ Ñ ÔÖÓ º
ÈÇÄÁÌ ÀÆÁà ÏÊÇ ÏËÃ Ï Á Ä ÃÌÊÇÆÁÃÁ à ÖÙÒ ËÔ ÐÒÓ ÙØÓÑ ØÝ ÊÓ ÓØÝ ÊÓ ÓØÝ ÈÊ ÈÄÇÅÇÏ Å ÁËÌ ÊËà ÁÑÔÐ Ñ ÒØ Þ ÓÛ Û Ø ÖÓÛÒ Ù Ñ Ó ÖÓ ÓØ ÑÓ ÐÒ Ó ÁÑÔÐ Ñ Ø Ø ÓÒ Ó Ú ÓÖ ÓÒ Ñ ÐÐ ÑÓ Ð ÖÓ Óس ÓÒØÖÓÐ Ö ÙØÓÖ Ö Ù Þ Å Ø Ö ÈÖÓÛ
ÈÓ Þ ÓÛ Ò ÈÖ Ò Þ Ó Ý Ö ÞÒ ÔÓ Þ ÓÛ Ò Û ÞÝ Ø Ñ Ó Ó ÓÑ Ø Ö ÛÓ Ñ ÒÒÝÑ ÙÛ Ñ ÔÖÞÝÞÝÒ Ý Ó Ö Ð Þ Ò Ò Þ ÖÓÞÔÖ Ûݺ ËÞÞ ÐÒ ÔÖ Ò ÔÓ¹ Þ ÓÛ ÔÖÓÑÓØÓÖÓÛ ÔÖÓ º Ï ØÓÐ Ó
ÁÒ ØÝØÙØ ÈÓ Ø ÛÓÛÝ ÈÖÓ Ð Ñ Û Ì Ò ÈÓÐ Ñ Æ Ù ÃÐ Ý Ò ØÖÙÑ ÒØ Û ØÖÙÒÓÛÝ Û ÑÙÐØ Ñ ÐÒÝ Þ ÒÝ Þ ÞÞ ÐÒÝÑ ÙÛÞ Ð Ò Ò Ñ ÖØÝ ÙÐ Ô ÞÞ ØÓ Ñ Ö ÃÖÞÝ ÞØÓ ÌÝ ÙÖ ÊÓÞÔÖ Û Ó ØÓÖ Ò Ô Ò ÔÓ ÖÙÒ Ñ ÔÖÓ º Öº º Ï ØÓÐ ÃÓ Ó Ï Ö Þ Û
www.anilrana13014.weebly.com www.k8449.weebly.com r r r r r r r P r r r P r r r P r r r P r r P r r P P r r s r r r r r r r r r r r r r r r r r r r r r r r r r r r r r P P P P qt qt1234 56 810❶❷❶ ❸10❶❷❶
ËÔ ØÖ ½ Ò Ó Ó ÓÛ ½º½ ÁÑ Ò ÞÛ Ó º º º º º º º º º º º º º º º º º º º º º º º º º º ½º¾ ÈÓ Ò ÝÔÐÓÑÝ ØÓÔÒ Ò Ù ÓÛ º º º º º º º º º º º º º º ½º ÁÒ ÓÖÑ Ó
ÙØÓÖ Ö Ø ÁÒÒÓÛ Ý Ò Ñ ØÓ Ý Ò Ð ÞÝ Ò Ð Ò ÓÛÝ ÓÖ Ð ÖÞÝ ÓÛÝ Û Ù Þ Ó ÓÒÝ Ö Â ÒÙ Þ Å Û Þ ÍÒ Û Ö ÝØ Ø ÏÖÓ Û ÁÒ ØÝØÙØ ÞÝ Ì ÓÖ ØÝÞÒ ÏÖÓ Û ¾¼½ ËÔ ØÖ ½ Ò Ó Ó ÓÛ ½º½ ÁÑ Ò ÞÛ Ó º º º º º º º º º º º º º º º º º º º
ÃÓ Ý ÀÙ Ñ Ð ÓÖÝØÑÝ Þ Ò Ð ÓÖÝØÑÝ Þ Ò º º Ð ÓÖÝØÑ Ñ ¹Ñ Ü ÖÝ ØÝÔÙ ÛÝ Ö»ÔÖÞ Ö ÖÞ Û Æ ¹ÇÊ ÏÝ ÞÙ Û ÛÞÓÖ Û Ð ÓÖÝØÑ ÃÒÙØ ¹ÅÓÖÖ ¹ÈÖ ØØ ÈÖÞ ÞÙ Û Ö Û ÈÖÓ ÙÖÝ Ù Ó
Ï ØÔ Ó ÔÖÓ Ö ÑÓÛ Å ØÓ Ý ÔÖÓ Ö ÑÓÛ ÔÓØÓ ÙÒ Ýݵ Å Ö ÃÙ ¾¼¼»¾¼½¼ ËÔ ØÖ Ï ØÔ ÈÓ Ø ÛÝ ÞÝ ÔÖÓ Ö ÑÓÛ ½ ÓÑÔÓÞÝ ÔÖÓ Ð ÑÙ Û ÖÝ ÖÓÞÛ Þ ¾ ËØÖÙ ØÙÖÝ Ý Ù ÓÛ ØÖ Þ ÔÓÑÓ Ý ÈÖÓ ÙÖÝ ÛÝ ÞÝ ÖÞ Û Ó ØÖ ÓÒ ØÖÙ ÔÖÓ Ö Ñ ØÝÞÒÝ ÅÓ
ÈÓ Þ ÓÛ Ò ÈÖ Ò Ö ÞÒ ÔÓ Þ ÓÛ È ÒÙ Ö º Ò ÛÓÛ ÃÓÞ Þ ÒÒ ÙÛ ÞÖÓÞÙÑ Ò ÝÞÐ ÛÓ Û ØÖ Ô Ò ÔÖ Ý È ÒÙ Ñ Ö Å ÓÛ Å ØÝ Þ Ð ÞÒ Û Þ Û ÓÑ ÒØ ÖÞ Ø ÖÝÑ Ò Ò Þ ÔÖ Þ Û Þ Þ Ø
ÍÒ Û Ö ÝØ Ø ÏÖÓ Û ÏÝ Þ ÞÝ Á ØÖÓÒÓÑ ÁÒ ØÝØÙØ ÞÝ Ì ÓÖ ØÝÞÒ Ë Ø Ò ËÞÞ Ò Ï ÒÓ Ý ÖÓ ÝÒ Ñ ÞÒ ÑÓ ÐÙ ÞÙ ÓÛ Ó ÀȹÁÁÁ ÀÝ ÖÓ ÝÒ Ñ Ó Ø ÀȹÁÁÁ Ð ØØ ÙØÓÑ Ø ÇÔ ÙÒ Ö º º ÃÓÞ ÏÖÓ Û ¾¼¼ ÈÓ Þ ÓÛ Ò ÈÖ Ò Ö ÞÒ ÔÓ Þ ÓÛ È ÒÙ
LVI OLIMPIADA FIZYCZNA ZADANIA ZAWODÓW I STOPNIA
http://www.kgof.edu.pl 1 LVI OLIMPIADA FIZYCZNA ZADANIA ZAWODÓW I STOPNIA Rozwiązania zadań I stopnia należy przesyłać do Okręgowych Komitetów Olimpiady Fizycznej w terminach: część I do 5 października
Notki biograficzne Streszczenie
9 788363 103095 Notki biograficzne Wojciech Borczyk (mgr inż.), absolwent kierunku Informatyka na Politechnice Śląskiej. Napisał doktorat z zakresu syntezy fotorealistycznych obrazów z wykorzystaniem modelu
ÊÓÞÔÓÞÒ Û Ò Ð ØÖÓÒ Û Ñ ÞÓÒ Û π 0 ÔÖÞÝ Ò Ù Ó Þ ÝÛ Ò ÙØÖ Ò Û Þ ØÓ ÓÛ Ò Ù Ó Ø ØÓÖ Û Ó¹ Ö ÓÒÓÛÝ ÓÖ Þ Ð Ó Ø ØÓÖ Ô ÖÝÑ ÒØ٠̾à ÌÓÑ Þ Ï ÁÒ ØÝØÙØ ÞÝ Â ÖÓÛ Ñº
ÊÓÞÔÓÞÒ Û Ò Ð ØÖÓÒ Û Ñ ÞÓÒ Û π ÔÖÞÝ Ò Ù Ó Þ ÝÛ Ò ÙØÖ Ò Û Þ ØÓ ÓÛ Ò Ù Ó Ø ØÓÖ Û Ó¹ Ö ÓÒÓÛÝ ÓÖ Þ Ð Ó Ø ØÓÖ Ô ÖÝÑ ÒØ٠̾à ÌÓÑ Þ Ï ÁÒ ØÝØÙØ ÞÝ Â ÖÓÛ Ñº À ÒÖÝ Æ ÛÓ Ò Þ Ó ÈÓÐ Ñ Æ Ù ÊÓÞÔÖ Û Ó ØÓÖ ÔÖÞÝ ÓØÓÛ Ò
Ö Þ Þ Û ØÔÙ Ó Ñ Ø Ñ ØÝ Â Ò ÃÖ Þ Û ÏÖÓ Û ¾¼¼ ½
Ö Þ Þ Û ØÔÙ Ó Ñ Ø Ñ ØÝ Â Ò ÃÖ Þ Û ÏÖÓ Û ¾¼¼ ½ ËÔ ØÖ ÈÖÞ ÑÓÛ ½ Ò ½ ¾ Ï Þ Û Ó Þ ½ Ç ÔÓÛ Þ Ó Þ ¾½ Ð Ó Ö ¼ ¾ ÈÖÞ ÑÓÛ Ï Þ ÓÖ Þ Þ Û ØÔÙ Ó Ñ Ø Ñ ØÝ Þ Ò Þ ÞÛÝÞ Ø ÔÓ ÖÙÔÓÛ Ò Ý ÓØÝÞÝ Ý ÔÓ Þ ÔÓ ÞÞ ÐÒÝ Þ Û ÓÑ Û ÒÝ
Notka biograficzna Streszczenie
Notka biograficzna Dr Mariusz Maciejczak -doktor ekonomii, wykładowca na polskich i zagranicznych uczelniach, uczestnik projektów badawczych i aplikacyjnych, doradca i ekspert organizacji biznesowych,
arxiv: v1 [hep-th] 13 Dec 2007
![arxiv: v1 [hep-th] 13 Dec 2007](/thumbs/102/154154138.jpg "arxiv: v1 [hep-th] 13 Dec 2007")
ÍÒ Û Ö ÝØ Ø Ï Ö Þ Û ÏÝ Þ ÞÝ ÁÒ ØÝØÙØ ÞÝ Ì ÓÖ ØÝÞÒ Ô ÓØÖ Ù ÓÛ arxiv:0712.2173v1 [hep-th] 13 Dec 2007 Ð ¹Ý Ù ÖÝ Ø Ð Ò ØÓÔÓÐÓ Ð ØÖ Ò Ø ÓÖÝ ÖÝ ÞØ Ý Ð ¹Ý Ù Û ØÓÔÓÐÓ ÞÒ Ø ÓÖ ØÖÙÒ ÖÓÞÔÖ Û Ó ØÓÖ Ï Ö Þ Û ¾¼¼ º
Fizyka I (mechanika), rok akad. 2011/2012 Zadania z kolokwium I
Fizyka I (echanika), rok akad. 0/0 Zadania z kolokwiu I Zadanie (zadanie doowe, seria II) Masy, i, połączone linkai zawieszone są na bloczkach jak na rysunku. Jakie uszą być spełnione warunki, aby ożliwe
ÊÇ ÆÁÃ ÄÍ ÍËÃÁ ÌÓÑ ¾ Þº ¾ ¾¼½ ÒÒ ÑÖ ÈÊ ÃÊÇ Ê ÆÁ ÅÇÆËÌÊÍÅ Ê ÆÃ ÆËÌ ÁÆ ÈÇÏÁ á Á Å Ê ÏÇÄÄËÌÇÆ Ê Ì ËÀ ÄÄ ÊÙ Þ º... ÌÓ Ý ½ ÙÒØ ÔÖÞ Û Ó Æ ØÙÖÞ Â ÒÝÑ Þ Ó Û Þ
ÊÇ ÆÁà ÄÍ ÍËÃÁ ÌÓÑ ¾ Þº ¾ ¾¼½ ÒÒ ÑÖ ÈÊ ÃÊÇ Ê ÆÁ ÅÇÆËÌÊÍÅ Ê Æà ÆËÌ ÁÆ ÈÇÏÁ á Á Å Ê ÏÇÄÄËÌÇÆ Ê Ì ËÀ ÄÄ ÊÙ Þ º... ÌÓ Ý ½ ÙÒØ ÔÖÞ Û Ó Æ ØÙÖÞ Â ÒÝÑ Þ Ó Û ÞÒÝ ÔÖ Ò Þ ÓÛ Ø ÙÛÓÐÒ Ò Ó Ý Ø ØÙ Ò ØÙÖݺ ÏÝÖ ÓÒÓ Ò Ö
Notka biograficzna Streszczenie
Notka biograficzna Dr Mariusz Maciejczak -doktor ekonomii, wykładowca na polskich i zagranicznych uczelniach, uczestnik projektów badawczych i aplikacyjnych, doradca i ekspert organizacji biznesowych,
Ø Ò Þ È ØÖ Û Þ ËÈ ÃÌÊÇËÃÇÈÁ ÊÇÌ ÂÆ Ï Ê Æ À ËÌ Ã Á ÃÇÅÈÄ ÃË Ï ÅÁ ËÌ ÃÇÏ À Ï Æ éïá ÃÇÏ Â ÏÁ ÅÇÄ ÃÍÄ ÊÆ Â ÊÓÞÔÖ Û Ó ØÓÖ Ò Ô Ò Û ÁÒ ØÝØÙ ÞÝ ÈÓÐ Ñ Æ Ù ÔÓ Ö
Ø Ò Þ È ØÖ Û Þ ËÈ ÃÌÊÇËÃÇÈÁ ÊÇÌ ÂÆ Ï Ê Æ À ËÌ Ã Á ÃÇÅÈÄ ÃË Ï ÅÁ ËÌ ÃÇÏ À Ï Æ éïá ÃÇÏ Â ÏÁ ÅÇÄ ÃÍÄ ÊÆ Â ÊÓÞÔÖ Û Ó ØÓÖ Ò Ô Ò Û ÁÒ ØÝØÙ ÞÝ ÈÓÐ Ñ Æ Ù ÔÓ ÖÙÒ Ñ Óº Ö º Ò Û Ã Ð Ï Ö Þ Û Ñ ¾¼¼ ÅÓ ÑÙ Ñ ÓÛ ÂÙÖ ÓÛ
Ç ÐÒ ÒÖ ¾½ DoCelu Ä ØÓÔ ¾¼¼ º º º Ó Þ ÑÝ Û ÞÝ Ý Ó ÒÓ Û ÖÝ ÔÓÞÒ Ò ËÝÒ Ó Ó Ó Ñ Ó ÓÒ Ó ÓÖÓ Ò ÑÝ Ó ÛÝÑ Ö Û Ô Ò ÖÝ ØÙ ÓÛ º º º ÅÓ Ð ØÛÝ Û Ø Û ÒÒ Þ Þ ÈÓÐ Ç
Ç ÐÒ ÒÖ ¾½ DoCelu Ä ØÓÔ ¾¼¼ º º º Ó Þ ÑÝ Û ÞÝ Ý Ó ÒÓ Û ÖÝ ÔÓÞÒ Ò ËÝÒ Ó Ó Ó Ñ Ó ÓÒ Ó ÓÖÓ Ò ÑÝ Ó ÛÝÑ Ö Û Ô Ò ÖÝ ØÙ ÓÛ º º º ÅÓ Ð ØÛÝ Û Ø Û ÒÒ Þ Þ ÈÓÐ Ç ÓÛ Þ Ñ Ó Þ ÓÛ Û ÖÞ Ó Ø ÑÓ Ð ØÛ Û Ò¹ Ø Ò Ö Ù ÐÙ Þ Ø
µ(p q) ( q p) µa B B c A c
Ä Ø ¼ Û ØÔ Ó ÑØÑØÝ ½ ¼º½º ËÔÖÛõ ÞÝ Ò ØÔÙ ÞÒ ÐÓÞÒ ØÙØÓÐÓÑ (p q) ( p q) (p q) ( p q) (p q) ( q p) [(p q) p] qº ¼º¾º ÍÞ Ò ÙÒØÓÖÝ ÐØÖÒØÝÛÝ ÓÒÙÒ Ñ Û ÒÓ ÞÒÓ ÓÖÞ ÔÖÞÑÒÒÓº ÞÝ Ø Ø Û ÔÖÞÝÔÙ ÙÒØÓÖ ÑÔÐ ¼º º ÈÖÞÝ ÔÓÑÓÝ
Talk to Parrot. Buy a Dog. Go To Class. Buy Tuna Fish. Buy Arugula. Buy Milk. Sit Some More. Read A Book
Þ Ò ÞÒ Ð Þ Ò ÔÐ ÒÙ ÑÓ Ò Ø ÓÖ ØÝÞÒ ÖÓÞÛ ¹ Ã ÔÓ Ù Ù Ò Þ Ñ ØÓ ÔÖÞ ÞÙ Û Ò ÔÖÞ ØÖÞ Ò Þ Â Ø ØÓ Ò Þ ØÓ Ò ÛÝ ÓÒ ÐÒ Û ÔÖ ØÝ Þ Ø Ò Ûº Ò ÓÑÔÐ ÓÛ ÒÝ ÓÔ Ø Ò Û ÛÝ Ó Û Ô ÞÝÒÒ ÛÞ Ð Ù ÈÐ ÒÓÛ Ò ÖÓÞ Þ Ò º ½ ÈÖÞÝ ÔÐ Ò Û Ö
ÏÔÖÓÛ Þ Ò ÇÔ ÑÓ ÐÙ ÏÝÒ ÝÑÙÐ ÈÓ ÙÑÓÛ Ò Ä Ø Ö ØÙÖ Ë ÙØ ÔÖÞÝ Ø Ô Ò ÈÓÐ Ó ËØÖ Ý ÙÖÓ ÏÝÒ ÝÑÙÐ Ò ÔÓ Ø Û ÝÒ Ñ ÞÒ Ó ÑÓ ÐÙ ÌÓÑ Þ Ö Â Ò À Ñ Ö Æ ÖÓ ÓÛÝ Ò ÈÓÐ Ö À
Ò ÔÓ Ø Û ÝÒ Ñ ÞÒ Ó ÑÓ ÐÙ ÌÓÑ Þ Ö Â Ò À Ñ Ö Æ ÖÓ ÓÛÝ Ò ÈÓÐ ÈÐ Ò ÔÖ Þ ÒØ ½ ¾ Ð ÔÖ Ý ÈÖÞ Ð Ð Ø Ö ØÙÖÝ ÈÓ Ø ÛÓÛ Ý ÑÓ ÐÙ Þ ÒÝ ÅÓ Ð ÞÓÛÝ ÊÓÞ Þ ÖÞ Ò ÑÓ ÐÙ ÞÓÛ Ó Ó Ò ÝÑÙÐ Ò Ð Þ ÛÖ Ð ÛÓ ÈÐ Ò ÔÖ Þ ÒØ Ð ÔÖ Ý ÈÖÞ
º º ÖÒ ÏÝ Á ½
ÏÔÖÓÛ Þ Ò ÛÝ Ù Ð Ø Ö ØÙÖ Þ Ñ Ò ØÔº ÔÐ Ò Þ Ø ØÖÓ ÞÝ ÔÖÓ º Ö º º º ÖÒ Þ Ø Ç Þ ÝÛ ðò ÙÒ Ñ ÒØ ÐÒÝ Á ÏÝ Á ÃÖ Ø ØÓÖ ÖÓÞÛÓ Ù ÞÝ Þ Ø ÅÓ Ð ËØ Ò Ö ÓÛÝ ¾¼½ Ï Þ ØÙ ÐÒ ÔÝØ Ò Ò Ø Ö ÅÓ Ð ËØ Ò Ö ÓÛÝ Ò Ò Ñ Ó ÔÓÛ Þ º º
ÓÑ ØÖÓÐÓ ¹ Ñ Ø Ö Ý Ó ÛÝ Ù ÇÔÖ ÓÛ ÈÖÞ ÑÝ Û ÓÖÝ ÖÙ Ò ¾¼½
ÓÑ ØÖÓÐÓ ¹ Ñ Ø Ö Ý Ó ÛÝ Ù ÇÔÖ ÓÛ ÈÖÞ ÑÝ Û ÓÖÝ ÖÙ Ò ¾¼½ ¾ ËÔ ØÖ ½ ÈÓÑ ÖÝ ÞÝÞÒ ½º½ ÊÓ Þ ÔÓÑ ÖÙ º º º º º º º º º º º º º º º º º º º º º º º º º ½º¾ Ý Ò Ô ÛÒÓ º º º º º º º º º º º º º º º º º º º º º º
ÁÒ ØÝØÙØ Æ Ì ÑÔ Ö ØÙÖ ËØÖÙ ØÙÖ ÐÒÝ È Æ ÏÖÓ Û ¾¼½ º½½ ¼ ÄÁËÌ ËÌÇÈÆÁ ÇÃÌÇÊ Æ Æ À ÈÊ Ê Æ ÍÃÇÏ ÁÆËÌ ÌÍÌÍ ÄÁËÌ Ó Ç ÌÇÊ Ê Ë ÇÆ ÊÊ Ý Ø Ë Á ÆÌÁ Á ÇÍÆ ÁÄ Ó Ø Á
ÁÒ ØÝØÙØ Æ Ì ÑÔ Ö ØÙÖ ËØÖÙ ØÙÖ ÐÒÝ È Æ ÏÖÓ Û ¾¼½ º½½ ¼ ÄÁËÌ ËÌÇÈÆÁ ÇÃÌÇÊ Æ Æ À ÈÊ Ê Æ ÍÃÇÏ ÁÆËÌ ÌÍÌÍ ÄÁËÌ Ó Ç ÌÇÊ Ê Ë ÇÆ ÊÊ Ý Ø Ë Á ÆÌÁ Á ÇÍÆ ÁÄ Ó Ø ÁÆËÌÁÌÍÌ Ê Æ Ù ÓÛ Ñ ÙÔÖ ÛÒ Ò Ó Ò Û Ò ØÓÔÒ Ò Ù ÓÛ Ó Ó
ÔÓÑÓÒ Þ Ó ÛÝ Ù Å Ø Ö Ý ÔÓ Ø ÛÝ Ø Ò ÔÐÒ Ì ÖÑÓ ÝÒ Ñ ÔÖÓ Ö Ñ Û ÔÓÔÖ Û Ó ÞØ Ò ÓÖ Þ ÓØÛ Ö ÍÒÓÛÓÞ Ò Ò Ô ÐÒÓ Ó ÞÝ Ò ÖÙÒ Ù ÞÝ Û ÍÒ Û Ö ÝØ ÐÓÒÓ Ö Ñ ÒÓÛ ¼ º¼½º¼
ÔÓÑÓÒ Þ Ó ÛÝ Ù Å Ø Ö Ý ÔÓ Ø ÛÝ Ø Ò ÔÐÒ Ì ÖÑÓ ÝÒ Ñ ÔÖÓ Ö Ñ Û ÔÓÔÖ Û Ó ÞØ Ò ÓÖ Þ ÓØÛ Ö ÍÒÓÛÓÞ Ò Ò Ô ÐÒÓ Ó ÞÝ Ò ÖÙÒ Ù ÞÝ Û ÍÒ Û Ö ÝØ ÐÓÒÓ Ö Ñ ÒÓÛ ¼ º¼½º¼½¹¼¼¹¼ ½»¼ ¹¼¼ ÈÇÃÄ ÇÔ Ö Ý ÒÝ Ã Ô Ø ÄÙ Þ ÈÖÓ Ö Ñ ÏÞÑÓÒ
¾
ÞÝ Û ÓÒÓÑ Ñ ØÓ Ý ÑÓ Ð ÃÖÞÝ ÞØÓ ÓÑ ÒÓ ÈÓÐ Ø Ò áð  ÖÞÝ ÍÒ Û Ö ÝØ Ø áð à ØÓÛ ¾¼½ ¾ ËÔ ØÖ ½ ÈÖÓÐÓ ¾ Å ØÓ Ý ÔÖ ØÝÞÒ ¾º½ Ï ØÔ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ¾º½º½ Ä Ø Ö ØÙÖ º
t = pn T = pi ρ dv i dt = ρf i + p , i = 1, 2, 3 µ x i ρ( v i t + v v i div v = 0 ρ v + (v )v = ρf p = 0 j = ρf i p, i = 1, 2, 3 µ
ÏÝ Ê ÛÒ Ò ÖÙ Ù ÞÝ Ò Ð Ô À ÒÖÝ ÃÙ Ð ËÔ ØÖ ½ Ê ÛÒ Ò ÙÐ Ö ÖÙ Ù ÞÝ Ò Ð Ô ½ ½º½ Ê ÛÒ Ò ÖÙ Ù ÞÝ Ò ÐÔ Û ÓÖÑ ÖÓÑ ¹Ä Ñ º º º º º º º º º ½º¾ Ê ÛÒ Ò À ÐÑ ÓÐÞ ØÖ Ò ÔÓÖØÙ Û ÖÓÛÓ Ð Ô ÝÒÙ Ò Ð Ô Ó º º º º º º ½º ÓÑÔÓÞÝ
x = x 1 e 1 +x 2 e 2 +x 3 e 3
ÏÝ ¼ ÏÔÖÓÛ Þ Ò Ó Ö ÙÒ Ù Û ØÓÖÓÛ Ó À ÒÖÝ ÃÙ Ð ËÔ ØÖ ½ ÈÖÞ ØÖÞ Ù Ð ÓÛ ¹ Û ØÓÖ ÔÓ Ó Ò ½ ¾ Ì Ò ÓÖÝ ÖÞ Ù ÖÙ Ó ¾º½ Ê ÔÖ Þ ÒØ Ø Ò ÓÖ ÖÞ Ù ÖÙ Ó Û ÔÖÓ ØÓ ØÒÝÑ Ù Þ ÖØ Þ Ñ ¾º¾ ÈÖÞÝ Ý Ø Ò ÓÖ Û ÖÞ Ù ÖÙ Ó º º º º º
ÒØÝ ÖÝ Ø ÖÝ ÖÝ Æ ØÞ
ÒØÝ ÖÝ Ø ÖÝ ÖÝ Æ ØÞ Ö Ö Ïº Æ ØÞ ÒØÝ ÖÝ Ø ÌÝغ ÓÖÝ º Ö ÒØ Ö Ø ÔÖÞ Ó Ý Ä ÓÔÓÐ ËØ ÇÔÖ ÓÛ Ò Ö ÞÒ ½ ÓÖ Ø Â ÖÓ Û È Ø ÖÞÝ ¹Ñ Ð Ô Ø ÖÛÔº Ù Ö Ö Ï Ð ÐÑ Æ ØÞ ½ ÓÑÔ Ð Ý Ä Ì ¾ε ÈÖÞ ÑÓÛ Ã Ø ÔÖÞ ÞÒ ÞÓÒ Ø Ð Ò ÑÒ Ð ÞÒÝ
ROCZNIK LUBUSKI Tom 30, część 2
ROCZNIK LUBUSKI LUBUSKIE TOWARZYSTWO NAUKOWE ROCZNIK LUBUSKI Tom 30, część 2 RÓŻNORODNOŚĆ KAPITAŁÓW W NOWEJ RZECZYWISTOŚCI SPOŁECZNEJ Z DOROBKU ZIELONOGÓRSKIEGO ŚRODOWISKA SOCJOLOGICZNEGO Pod redakcją
Ã Ø ÖÞÝÒ Â ÑÖÓÞ ÊÇ ÆÁà ÄÍ ÍËÃÁ ÌÓÑ ¾ Þº ¾ ¾¼½ ÏÈÁË ÆÁ Ï ÃÊ ÂÇ Ê Æ ÍÃÇÏ Á ÄÇÆÇ ÊËÃÁ ËÌÍ Á Á ÄÁÇÌ ÃÇ Æ Ï À ØÓÖ ÏÓ Û Þ Å Ð ÓØ ÈÙ Ð ÞÒ Ï Å Èµ Ѻ ݹ ÔÖ Ò Æ
Ã Ø ÖÞÝÒ Â ÑÖÓÞ ÊÇ ÆÁà ÄÍ ÍËÃÁ ÌÓÑ ¾ Þº ¾ ¾¼½ ÏÈÁË ÆÁ Ï ÃÊ ÂÇ Ê Æ ÍÃÇÏ Á ÄÇÆÇ ÊËÃÁ ËÌÍ Á Á ÄÁÇÌ ÃÇ Æ Ï À ØÓÖ ÏÓ Û Þ Å Ð ÓØ ÈÙ Ð ÞÒ Ï Å Èµ Ѻ ݹ ÔÖ Ò ÆÓÖÛ Û ÐÓÒ ÖÞ ½ Öº Ý Û Ñ ÓØÛ ÖØÓ Ô ÖÛ Þ ÔÙ Ð ÞÒ ÛÝÔÓ
Ç ÐÒ ÒÖ ½ DoCelu Ä ØÓÔ ¾¼¼½ º º º Ó Þ ÑÝ Û ÞÝ Ý Ó ÒÓ Û ÖÝ ÔÓÞÒ Ò ËÝÒ Ó Ó Ó Ñ Ó ÓÒ Ó ÓÖÓ Ò ÑÝ Ó ÛÝÑ Ö Û Ô Ò ÖÝ ØÙ ÓÛ º º º ÓÖ Þ Ð ÐÙ Á ÞÒ Ò Ó Ù ÝÙ Ò Û
Ç ÐÒ ÒÖ ½ DoCelu Ä ØÓÔ ¾¼¼½ º º º Ó Þ ÑÝ Û ÞÝ Ý Ó ÒÓ Û ÖÝ ÔÓÞÒ Ò ËÝÒ Ó Ó Ó Ñ Ó ÓÒ Ó ÓÖÓ Ò ÑÝ Ó ÛÝÑ Ö Û Ô Ò ÖÝ ØÙ ÓÛ º º º ÓÖ Þ Ð ÐÙ Á ÞÒ Ò Ó Ù ÝÙ Ò Û Þ Ò Þ Ñ Ð ÞÖ ÒÝ Ò ÖÓ Û Ý Þ ÙÞÝ ÑÓ¹ ÖÞ Ð º º º Ý ØÓ
Ã Þ Ñ ÖÞ Åº ÓÖ ÓÛ Ê ÓÛ ÒØ Ö ÖÓÑ ØÖ Û Ð Ó ÞÓÛ ÎÄ Áµ ÌÓÖÙ ½
Ã Þ Ñ ÖÞ Åº ÓÖ ÓÛ Ê ÓÛ ÒØ Ö ÖÓÑ ØÖ Û Ð Ó ÞÓÛ ÎÄ Áµ ÌÓÖÙ ½ ÍÆÁÏ ÊË Ì Ì ÅÁÃÇ Â ÃÇÈ ÊÆÁÃ Ã Þ Ñ ÖÞ Åº ÓÖ ÓÛ Ê ÓÛ ÒØ Ö ÖÓÑ ØÖ Û Ð Ó ÞÓÛ ÎÄ Áµ ÌÓÖÙ ½ Ê ÒÞ Ò ÈÖÓ º Ö º Ò ÖÞ ÃÙ ÈÖÓ º Ö º Â Þ Å ÓÛ ÓÔÝÖ Ø Ý ÏÝ ÛÒ
Notka biograficzna Streszczenie
Notka biograficzna Mgr inż. Rafał Muniak -absolwent kierunku Ekonomia w Szkole Głównej Gospodarstwa Wiejskiego. Przed podjęciem pracy na PJWSTK pracował w firmie konsultingowej na stanowisku analityka
Spis treści. 1 Wstęp 3
Ê ÛÒÓÛ Æ Û Ö ÝÒ Ñ ÞÒÝ ØÒ Ò ÔÖÓ ÝÑ Ù Þ Ð Ù ÊÓÞÔÖ Û Ó ØÓÖ Ò Ô Ò ÔÓ ÖÙÒ Ñ ÔÖÓ º Ö º Ò ÖÞ ÆÓÛ ÈÓÐ Ø Ò ÏÖÓ Û ÁÒ ØÝØÙØ Å Ø Ñ ØÝ ÁÒ ÓÖÑ ØÝ ÏÖÓ Û ¾¼¼ ½ pis treści 1 Wstęp 3 2 Gry stochastyczne wielogeneracyjne