tylko nieliniowe, ale wręcz wielowartościowe funkcje. Narzędzie to daje więc olbrzymie możliwości. Dotychczas sztuczne sieci neuronowe skutecznie
|
|
- Bogdan Krajewski
- 4 lat temu
- Przeglądów:
Transkrypt
1 1. Wstęp Problematyka związana z prognozowaniem ciągłych deformacji powierzchni wywołanych eksploatacją podziemną jest trudna i niezwykle istotna. Badania nad tym zagadnieniem trwają od przeszło 100 lat. Dotychczas powstało bardzo wiele modeli pozwalających na predykcję wskaźników deformacji, spośród których obecnie najbardziej popularna w Polsce jest metoda Knothego. Zarówno ta metoda, jak i wiele innych z obliczeniowego punktu widzenia wyznacza obniżenia wywołane eksploatacją podziemną jako ważoną sumę wpływów elementarnych fragmentów eksploatacji. Wartości współczynników ważenia określone są poprzez tzw. funkcję wpływów, której wartość zależy od odległości pomiędzy analizowanym punktem a rozpatrywanym fragmentem eksploatacji. Isotne jest również, iż metoda Knothego należy do grupy modeli dedukcyjnych, w których czyni się pewne założenia, a następnie na tej podstawie analizuje ich implikacje. W metodach tego typu nie ma mowy o uczeniu z danych. Wiedza zakumulowana przez model wynika bezpośrednio z kształtu przyjętej funkcji wpływów określonej na podstawie obserwacji przeprowadzonych przez badacza. Z uwagi na pewne uproszczenia i uogólnienia związane z deterministycznym charakterem tych modeli, jak i złożonością zjawiska deformacji powierzchni dochodzi do systematycznych rozbieżności pomiędzy wartościami modelowanych i obserwowanych wskaźników. Te systematyczne rozbieżności mogłyby zostać usunięte przez zastosowanie odpowiednio elastycznych modeli uczących się z danych. Sztuczne sieci neuronowe stanowią grupę modeli statystycznych umożliwiających z powodzeniem (przy pewnych obostrzeniach) na modelowanie dowolnych odwzorowań. W tym stwierdzeniu kryją się dwie ważne informacje. Po pierwsze modele zbudowane w oparciu o sieci neuronowe są modelami statystycznymi i co za tym idzie aproksymują na wyjściach wartości średniej warunkowej modelowanych zmiennych (uwarunkowanych wartościami na wejściach). Po drugie sieci neuronowe mogą modelować z arbitralną dokładnością dowolne odwzorowania, tj. są uniwersalnymi aproksymatorami. Warunkiem takiego ich działania jest przyjęcie odpowiedniego kryterium optymalizacji oraz zagwarantowanie odpowiednio dużej liczby danych w trakcie treningu, a także właściwy dobór struktury sieci. Istotne jest, iż w przypadku sieci neuronowych dochodzi do uczenia z danych tzn. parametry sieci (wagi połączeń synaptycznych) wyznaczane są w procesie uczenia na podstawie danych zawartych w zbiorze uczącym. Proces ten ma kluczowe znaczenie dla działania sieci; wiąże się z nim zarówno problematyka błędów generalizacji i efektywnej złożoności modelu, jak i liczby i charakteru danych etc. Przy spełnieniu wszelkich obostrzeń sieci modelować mogą skutecznie nie 1
2 tylko nieliniowe, ale wręcz wielowartościowe funkcje. Narzędzie to daje więc olbrzymie możliwości. Dotychczas sztuczne sieci neuronowe skutecznie zastosowano w wielu dziedzinach nauki i techniki zarówno do klasyfikacji, klasteryzacji, jak i regresji. Również w dziedzinie prognozowania i modelowania obniżeń wykonano pewne prace badawcze z ich zastosowaniem. Prace te są jednak nastawione na modelowanie jedynie na konkretnych obiektach, dla których przeprowadzony był trening (za każdym razem dla jednego obiektu). Takie podejście poważnie ogranicza praktyczne zastosowanie sieci do modelowania obniżeń. Istnieje więc potrzeba przedstawienia rozwiązania, które byłoby bardziej uniwersalne, tak by sieć wytrenowaną na danych z jednego lub większej liczby obiektów można było wykorzystać na innych o podobnej charakterystyce. Takie rozwiązanie musi być powiązane raczej z punktem, dla którego wyznaczane jest obniżenie, niż z przyjętym dla obiektu układem współrzędnych. Najbardziej przypomina więc ono klasyczne podejście, w którym tworzona jest odpowiednio sparametryzowana funkcja wpływów. Zastosowanie sieci neuronowych pozwala na modelowanie bardziej złożonych odwzorowań niż dotąd stosowane. Dzięki możliwości oderwania modelu od obiektów, z których pochodzą dane treningowe i rozszerzeniu zakresu jego stosowalności na obiekty o podobnej charakterystyce, równocześnie ułatwione jest uniezależnienie prognozującego od twórcy modelu. Biorąc powyższe rozważania pod uwagę autor zdecydował się na podjęcie badań w tym zakresie i sformułowanie następującej tezy: Sieci neuronowe stanowią efektywne narzędzie do prognozowania deformacji górniczych, zarówno pod względem dokładności, jak i ekonomiki procesu obliczeniowego. Jednocześnie uwzględniając pionierski charakter badań zdecydowano o ograniczeniu ich zakresu do wskaźników asymptotycznych i położeniu nacisku na modelowanie obniżeń, jako zagadnienia najprostszego, ale i podstawowego do wyznaczenia pozostałych wskaźników deformacji. Za cel pracy postawiono raczej opracowanie metody pozwalającej na wykorzystanie sieci do prognozowania deformacji niż stworzenie pojedynczego modelu do tego celu. Wynika to z charakteru tego narzędzia, które pozwala na dopasowanie konkretnego modelu do konkretnych warunków eksploatacji poprzez trening na najbardziej zbliżonych do nich danych. Niemniej, na potrzeby pracy wykonano z użyciem sieci modele pozwalające na prognozę asymptotycznych wskaźników deformacji. Przedstawione w pracy rozwiązania pozwalają na prognozowanie obniżeń, nachyleń, krzywizn i odkształceń poziomych. Nie prowadzono badań nad przemieszczeniami poziomymi ze względu na brak odpowiedniego materiału pomiarowego. 2
3 2. Metodyka Dla modelowania obniżeń obszar wokół każdego analizowanego punktu dzielono na regularną siatkę kwadratów lub okręgów zgodnie ze schematem przedstawionym na rysunku 1. W każdym z powstałych w ten sposób pierścieni lub kwadratów (zwanych dalej pikselami) obliczano wskaźnik intensywności eksploatacji. Przyjęto do rozważenia dwa rodzaje tego wskaźnika: i 1 = a g P (1) i 2 = P gdzie: i 1 lub i 2 - wartość wskaźnika, a - współczynnik eksploatacji, g - wysokość furty eksploatacyjnej, P - ułamek powierzchni piksela, w której była prowadzona eksploatacja (względem całej powierzchni piksela). Dla danej sieci wykorzystywany był jeden z dwóch wskaźników, wartości wskaźników w poszczególnych pikselach podawane były na wejścia sieci. Dla wskaźnika typu i 1 na wyjściu sieci w czasie treningu podawane były obniżenia (w [mm]). Ten wskaźnik intensywności eksploatacji pozwala na zastosowanie w treningu przykładów uczących o zróżnicowanych (wewnatrz pojedynczego przykładu) wartościach w max. Wskaźnik i 2 wymaga stosowania przykładów o jednolitej wartości w max. Przy jego użyciu na wyjściu sieci w trakcie uczenia podawane w były ułamki [ w max ]. Przyjęte postępowanie wymaga zastosowania dwóch parametrów, przy czym oba wykorzystane zostały w metodzie Knothego tj. a - współczynnik eksploatacji i r - promień zasięgu wpływów głównych. Dla pikseli kwadratowych każdy przykład podawano wielokrotnie obracając układ współrzędnych wokół analizowanego punktu, tak by uniezależnić wynik od skręcenia układu współrzędnych. Ponieważ liczba zmiennych wejściowych, przy zastosowaniu pikseli kwadratowych wraz ze wzrostem rodzielczości siatki szybko rośnie, zastosowano metodę analizy składowych głównych dla zmniejszenia liczby wejść sieci. Przy tak postawionych warunkach zadania do ustalenia pozostaje docelowy: kształt pikseli (kołowy czy kwadratowy), wskaźnik intensywności eksploatacji (i 1 czy i 2 ), oraz rozdzielczość siatki pikseli. Dodatkowo istotne jest wskazanie typów i struktur modeli, które będą szczególnie skuteczne w modelowaniu obniżeń, a także takich które dla przyjętych warunków zadania są względnie mało skuteczne. Znaczenie ma także wskazanie metod kontroli złożoności modelu, a także metody oceny dokładności aproksymacji obniżeń, w tym także metody modelowania ich (warunkowego) odchylenia standardowego. (2) 3
4 (a) Piksele kołowe (b) Piksele kwadratowe Rysunek 1: Schemat podziału obszaru wokół analizowanego punktu na piskele kołowe i kwadratowe: a - punkt dla którego wyznaczane jest obniżenie, b - jeden z pikseli, c - eksploatacja, d - eksploatacja wpływająca na wartości atrybutów pikseli, r - promień zasięgu wpływów głównych 4
5 Jako podstawową charakterystykę dokładności aproksymacji w pracy obrano błędy RMS obliczane zgodnie z wzorem E RMS =, gdzie v to [vv] n różnica pomiędzy wartością obserwowaną, a modelowaną, zaś n to liczba przykładów w grupie danych. Przeprowadzone badania obejmowały trzy etapy: 1. Aproksymacja obniżeń obliczonych modelem Knothego. Etap obejmował analizę dokładności aproksymacji obniżeń na względnie dużym zbiorze danych symulowanym z użyciem modelu Knothego. Wzorcowe obniżenia obliczono ponad 12 polami, dla każdego po 400 punktów w równomiernej siatce. Połowę danych wykorzystano do treningu, a po jednej czwartej do weryfikacji i testów. Porównano dokładność aproksymacji w zależności od zastosowanego sposobu prezentacji problemu sieciom neuronowym, rozdzielczości siatki pikseli i typu zastosowanej sieci neuronowej. 2. Aproksymacja na podstawie wartości obniżeń obarczonych szumem. W tym etapie zawężono zakres danych dostarczanych sieciom neuronowym do dwóch prostopadłych linii przechodzących w pobliżu osi pól wykorzystanych do testów w pierwszym etapie. Wzorcowe obniżenia podawane w czasie treningu sieci zostały obarczone addytywnym szumem wylosowanym z rozkładu normalnego o wartości średniej równej zero i odchyleniu standardowym równym 4% maksymalnego obniżenia ponad danym polem eksploatacyjnym. Te dwa zabiegi miały na celu lepsze odwzorowanie obniżeń obserwowanych zazwyczaj na liniach pomiarowych. Na podstawie wielokrotnych symulacji (przeprowadzanych przy niezależnie losowanych wartościach szumu) analizowano zachowanie sieci w zależności od typu, struktury (liczby neuronów ukrytych) oraz metody kontroli złożoności sieci. Porównano uzyskane błędy generalizacji z wartościami błędów RMS 1, a także oszacowano dokładność modelowania warunkowego odchylenia standardowego. 3. Modelowanie obserwowanych przebiegów wskaźników deformacji. Do badań wykorzystano dane z 14 linii obserwacyjnych z obszaru GZW, przy czym do treningu i weryfikacji posłużono się danymi z 11 linii (zawierających łącznie 481 punktów), zaś testy przeprowadzono 1 Błędy RMS odpowiadają błędom wpasowania modelu w obniżenia, przy konkretnym rozkładzie szumów, zaś błędy generalizacji przeciętnemu przebiegowi obniżeń. W praktycznych przypadkach w trakcie uczenia obliczane są błędy RMS, zaś model faktycznie powinien zmierzać do minimalizacji błędów generalizacji, tak by uwzględniać w jak namniejszym stopniu szumy zawarte w przykładach uczących, jednocześnie wyjaśniając maksimum zmienności w danych. 5
6 na zbiorach danych z 3 niezależnych linii (95 punktów). Analizie poddano dokładność aproksymacji obniżeń, jak również nachyleń i krzywizn wyznaczanych pośrednio na drodze analogicznej jak przy opracowywaniu wyników pomiarów geodezyjnych. Dla modelowania odkształceń poziomych wykorzystano wartości modelowanych krzywizn i wartości promienia zasięgu wpływów głównych. Uzyskane modele (dla wszystkich wyznaczanych wskaźników) porównano z modelem Knothego dla eksploatacji w kształcie półpłaszczyzny i pasa o szerokości 0.8r. 3. Wyniki doświadczeń W wyniku badań na symulowanych zbiorach danych stwierdzono, iż zastosowanie w praktyce siatek pikseli o rozdzielczości większej niż 400 pikseli kwadratowych lub 10 pikseli kołowych (co odpowiada długości boku elementarnego kwadratu i szerokości elementarnego pierścienia równej 0.1r) nie ma praktycznego uzasadnienia. Sieci typów RBF i GRNN wykazały mniejszą dokładność aproksymacji obniżeń wzgledem sieci liniowych i MLP. Spowodowane to jest prawdopodobnie klątwą wymiarowości (ang. curse of dimensionality). Badania wykazały, iż przy zastosowaniu sieci typu MLP wyższe dokładności aproksymacji uzyskiwane są dla wskaźnika intensywności eksploatacji typu i 2 (niż przy wskaźniku typu i 1 ). Dla dużych zbiorów danych (siatki 400 punktów nad polami) dokładność aproksymacji obniżeń (mierzona błędem RMS) miała wartość około 0.2%w max. Ze względu na genezę danych wykorzystanych do treningu i testów można uznać ten wynik za graniczną dokładność teoretycznie możliwą dla zastosowanego sposobu prezentacji danych sieciom przy nieograniczonym (tj. o praktycznie nieosiągalnych rozmiarach) zbiorze danych uczących. Zmniejszenie zasobu danych uczących i wprowadzenie szumu spowodowało w drugim etapie badań zmniejszenie dokładności aproksymacji (mierzonej błędem RMS) do wartości około 3.4% w max, czemu odpowiadała wartość błędu generalizacji około %w max. Wyniki aproksymacji warunkowego odchylenia standardowego i porównanie dokładności aproksymacji dla sieci MLP i MDN wskazują na podobne możliwości obu rozwiązań (pod kątem dokładności). Nieco lepsze wyniki uzyskiwane przez sieci MLP, a także łatwiejsza kontrola ich złożoności spowodowały wykorzystanie właśnie tego typu sieci i zaniechanie dalszych badań nad zastosowaniem sieci typu MDN w dalszej części pracy. Należy jednak wyraźnie podkreślić, iż wyniki uzyskiwane przez sieci MDN, a także ich potencjalne możliwości powodują, iż ich zastosowaniem do modelowania obniżeń należy zająć się w przyszłości. Wyniki badań z użyciem danych z linii obserwacyjnych wskazują na nie- 6
7 co dokładniejszą aproksymację wskaźników dla pikseli o kształcie kwadratowym niż kołowym. Przewaga wyników uzyskanych z wykorzystaniem pikseli kwadratowych jest niewielka, a wynik ten jest na tyle istotny, iż wymaga potwierdzenia w przyszłości na szerszym zbiorze danych. W tabeli zebrano uzyskane dokładności aproksymacji wskaźników deformacji dla eksploatacji jednowarstwowej (przykłady treningowe/weryfikacyjne) oraz dwuwarstwowej (przykłady testowe). Wskaźnik Przeciętny błąd względny [%] deformacji komitet sieci Metoda Knothego w 6.5(4.5) 8.4(5.2) T 18(17) (19) K 61(50) (52) E 59(84) (94) Tabela 1: Dokładność aproksymacji wskaźników deformacji dla przykładów treningowych/weryfikcyjnych oraz dla przykładów testowych (wartości podane w nawiasach). Przeciętny błąd względny obliczono jako iloraz błędu RMS i maksymalnej wyznaczonej dla danej eksploatacji wartości danego wskaźnika deformacji Zarówno dla danych wykorzystanych do treningu i weryfikacji, jak i do testów wyniki uzyskiwane przez sieci były nieco lepsze od wyników dla referencyjnego modelu Knothego. Charakterystyczne przy tym jest, iż (względnie) największą przewagę w dokładności modelowania sieci uzyskiwały dla obniżeń, mniejszą dla nachyleń i jeszcze mniejszą dla krzywizn i odkształceń poziomych. Porównanie przebiegu wskaźników deformacji obliczonych przy pomocy sieci neuronowych (wytrenowanych na danych obserwowanych) z obliczonymi metodą Knothego (Rys. 2-5) wskazuje na wykrycie przez sieci faktycznie istniejących trendów w danych, takich jak przesunięcie wpływów w kierunku eksploatacji (podobnie jak przy zastosowaniu obrzeża dla modelu Knothego), oraz asymetria skrzydła niecki obniżeniowej. Dla odkształceń poziomych przebieg generowany przez sieci wskazuje na istnienie stref rozciągań i ściskań o dość znacznym rozproszeniu losowym, bez wyraźnie wyróżnionych ekstremów. 7
8 0 w [w max ] X[r] Knothe komitet +/-σ Rysunek 2: Porównanie przebiegów obniżeń uzyskanych przy zastosownaiu komitetu sieci neuronowych i metody Knothego dla eksploatacji w kształcie półpłaszczyzny T [w max /r] X[r] 0.13 Knothe komitet +/-σ Rysunek 3: Porównanie przebiegów nachyleń uzyskanych przy zastosownaiu komitetu sieci neuronowych i metody Knothego dla eksploatacji w kształcie półpłaszczyzny 8
9 K [w max /r 2 ] X[r] Knothe komitet +/-σ Rysunek 4: Porównanie przebiegów krzywizn uzyskanych przy zastosownaiu komitetu sieci neuronowych i metody Knothego dla eksploatacji w kształcie półpłaszczyzny E [w max /r] X [r] Knothe MDN +/-σ Rysunek 5: Porównanie przebiegów odkształceń poziomych uzyskanych przy zastosownaiu komitetu sieci neuronowych i metody Knothego dla eksploatacji w kształcie półpłaszczyzny 9
10 4. Podsumowanie Przeprowadzone badania wykazały przydatność sieci neuronowych do modelowania wskaźników deformacji. Opracowana metoda wykorzystania sieci do tego celu jest względnie prosta w zastosowaniu i możliwa do zautomatyzowania. Właściwa kontrola złożoności pozwala na wykrycie istniejących trendów w danych przy absorbcji znikomej ilości szumów. Uzyskane wyniki pozwalają uznać, iż postawiona we wstępie teza pracy została udowodniona. Jednocześnie trzeba wyraźnie zaznaczyć, iż przeprowadzone w pracy badania nie wyczerpują tematu i stanowią jedynie pewien etap w wykorzystaniu tej techniki do modelowania i prognozowania deformacji. 10
1. Wstęp. 2. Sformułowanie problemu
WOJCIECH GRUSZCZYŃSKI * ZASTOSOWANIE SIECI NEURONOWYCH DO PROGNOZOWANIA DEFORMACJI GÓRNICZYCH DLA NIECEK W STANIE ASYMPTOTYCZNYM ** 1. Wstęp Sieci neuronowe są systemami obliczeniowymi stosowanymi z powodzeniem
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoRozprawa doktorska ZASTOSOWANIE SIECI NEURONOWYCH DO PROGNOZOWANIA DEFORMACJI GÓRNICZYCH. Wojciech Gruszczyński
Akademia Górniczo-Hutnicza im. Stanisława Staszica Wydział Geodezji Górniczej i Inżynierii Środowiska Katedra Ochrony Terenów Górniczych, Geoinformatyki i Geodezji Górniczej Rozprawa doktorska ZASTOSOWANIE
Bardziej szczegółowoSpis treści Wykaz ważniejszych pojęć Wykaz ważniejszych oznaczeń Wstęp 1. Wprowadzenie w problematykę ochrony terenów górniczych
Spis treści Wykaz ważniejszych pojęć... 13 Wykaz ważniejszych oznaczeń... 21 Wstęp... 23 1. Wprowadzenie w problematykę ochrony terenów górniczych... 27 1.1. Charakterystyka ujemnych wpływów eksploatacji
Bardziej szczegółowoPrognozowanie deformacji za pomocą sieci neuronowych dla niecek w stanie aspymptotycznym
WOJCIECH GRUSZCZYŃSKI Akademia Górniczo-Hutnicza, Wydział Geodezji Górniczej i Inżynierii Środowiska, Katedra Geodezji Górniczej Prognozowanie deformacji za pomocą sieci neuronowych dla niecek w stanie
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO PROGNOZOWANIA ASYMPTOTYCZNYCH ODKSZTAŁCEŃ POZIOMYCH POWIERZCHNI WYWOŁANYCH EKSPLOATACJĄ PODZIEMNĄ
sieci neuronowe, odkształcenia poziome, modelowanie, prognozowanie, eksploatacja podziemna, deformacje górnicze Wojciech GRUSZCZYŃSKI * ZASTOSOWANIE SIECI NEURONOWYCH DO PROGNOZOWANIA ASYMPTOTYCZNYCH ODKSZTAŁCEŃ
Bardziej szczegółowoWykorzystanie metody przekrojów i jej wizualizacja dla celów w ochrony przeciwpowodziowej dolin rzecznych prof. dr hab. inż.. Andrzej Stateczny Akadem
Wykorzystanie metody przekrojów i jej wizualizacja dla celów w ochrony przeciwpowodziowej dolin rzecznych prof. dr hab. inż.. Andrzej Stateczny Akademia Morska Wydział Nawigacyjny Magdalena Kozak, Tomasz
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoObiekty budowlane na terenach górniczych
Jerzy Kwiatek Obiekty budowlane na terenach górniczych Wydanie II zmienione i rozszerzone GŁÓWNY INSTYTUT GÓRNICTWA Katowice 2007 SPIS TREŚCI WYKAZ WAŻNIEJSZYCH POJĘĆ... 13 WYKAZ WAŻNIEJSZYCH OZNACZEŃ...
Bardziej szczegółowoOcena błędów systematycznych związanych ze strukturą CCD danych astrometrycznych prototypu Pi of the Sky
Ocena błędów systematycznych związanych ze strukturą CCD danych astrometrycznych prototypu Pi of the Sky Maciej Zielenkiewicz 5 marca 2010 1 Wstęp 1.1 Projekt Pi of the Sky Celem projektu jest poszukiwanie
Bardziej szczegółowoSieci obliczeniowe poprawny dobór i modelowanie
Sieci obliczeniowe poprawny dobór i modelowanie 1. Wstęp. Jednym z pierwszych, a zarazem najważniejszym krokiem podczas tworzenia symulacji CFD jest poprawne określenie rozdzielczości, wymiarów oraz ilości
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
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 szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowoSprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich
Podstawy Metrologii i Technik Eksperymentu Laboratorium Sprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich Instrukcja do ćwiczenia nr 4 Zakład Miernictwa
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych Dr inż. Marcin Zieliński I Pracownia Fizyczna dla Biotechnologii, wtorek 8:00-10:45 Konsultacje Zakład Fizyki Jądrowej
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 szczegółowoWyznaczanie modułu Younga metodą strzałki ugięcia
Ćwiczenie M12 Wyznaczanie modułu Younga metodą strzałki ugięcia M12.1. Cel ćwiczenia Celem ćwiczenia jest wyznaczenie wartości modułu Younga różnych materiałów poprzez badanie strzałki ugięcia wykonanych
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 4. UCZENIE SIĘ INDUKCYJNE Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WSTĘP Wiedza pozyskana przez ucznia ma charakter odwzorowania
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
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 szczegółowoRegresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna
Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować
Bardziej szczegółowo5 Błąd średniokwadratowy i obciążenie
5 Błąd średniokwadratowy i obciążenie Przeprowadziliśmy 200 powtórzeń przebiegu próbnika dla tego samego zestawu parametrów modelowych co w Rozdziale 1, to znaczy µ = 0, s = 10, v = 10, n i = 10 (i = 1,...,
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 szczegółowoTeoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.
Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoAnaliza stateczności zbocza
Przewodnik Inżyniera Nr 25 Aktualizacja: 06/2017 Analiza stateczności zbocza Program: MES Plik powiązany: Demo_manual_25.gmk Celem niniejszego przewodnika jest analiza stateczności zbocza (wyznaczenie
Bardziej szczegółowo( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:
ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoZałącznik 1.1. Lokalizacja punktów pomiaru miąższości wybranych pokładów węgla w KWK Murcki (opróbowanie wiertnicze i górnicze)
ZAŁĄCZNIKI SPIS ZAŁĄCZNIKÓW Załącznik 1.1. Lokalizacja punktów pomiaru miąższości wybranych pokładów węgla w KWK Murcki (opróbowanie wiertnicze i górnicze) Załącznik 1.2. Lokalizacja punktów pomiaru miąższości
Bardziej szczegółowoTemat: Skanowanie 3D obrazu w celu pomiaru odkształceń deski podobrazia
Raport z przeprowadzonych badań Temat: Skanowanie 3D obrazu w celu pomiaru odkształceń deski podobrazia Spis treści Spis treści... 2 1.Cel badań... 3 2. Skanowanie 3D pozyskanie geometrii... 3 3. Praca
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoPODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH
PODSTAWY OPRACOWANIA WYNIKÓW POMIARÓW Z ELEMENTAMI ANALIZY NIEPEWNOŚCI POMIAROWYCH Dr Benedykt R. Jany I Pracownia Fizyczna Ochrona Środowiska grupa F1 Rodzaje Pomiarów Pomiar bezpośredni - bezpośrednio
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoPracownia Astronomiczna. Zapisywanie wyników pomiarów i niepewności Cyfry znaczące i zaokrąglanie Przenoszenie błędu
Pracownia Astronomiczna Zapisywanie wyników pomiarów i niepewności Cyfry znaczące i zaokrąglanie Przenoszenie błędu Każdy pomiar obarczony jest błędami Przyczyny ograniczeo w pomiarach: Ograniczenia instrumentalne
Bardziej szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
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 szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335 Wykład 10 Mapa cech Kohonena i jej modyfikacje - uczenie sieci samoorganizujących się - kwantowanie wektorowe
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoMetoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych
inż. Marek Duczkowski Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych słowa kluczowe: algorytm gradientowy, optymalizacja, określanie wodnicy W artykule
Bardziej szczegółowoWZORCOWANIE URZĄDZEŃ DO SPRAWDZANIA LICZNIKÓW ENERGII ELEKTRYCZNEJ PRĄDU PRZEMIENNEGO
Mirosław KAŹMIERSKI Okręgowy Urząd Miar w Łodzi 90-132 Łódź, ul. Narutowicza 75 oum.lodz.w3@gum.gov.pl WZORCOWANIE URZĄDZEŃ DO SPRAWDZANIA LICZNIKÓW ENERGII ELEKTRYCZNEJ PRĄDU PRZEMIENNEGO 1. Wstęp Konieczność
Bardziej szczegółowoPomiar rezystancji metodą techniczną
Pomiar rezystancji metodą techniczną Cel ćwiczenia. Poznanie metod pomiarów rezystancji liniowych, optymalizowania warunków pomiaru oraz zasad obliczania błędów pomiarowych. Zagadnienia teoretyczne. Definicja
Bardziej szczegółowoPochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych
Pochodna i różniczka unkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją
Bardziej szczegółowoSTATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE
STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss
Bardziej szczegółowoWyniki pomiarów okresu drgań dla wahadła o długości l = 1,215 m i l = 0,5 cm.
2 Wyniki pomiarów okresu drgań dla wahadła o długości l = 1,215 m i l = 0,5 cm. Nr pomiaru T[s] 1 2,21 2 2,23 3 2,19 4 2,22 5 2,25 6 2,19 7 2,23 8 2,24 9 2,18 10 2,16 Wyniki pomiarów okresu drgań dla wahadła
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
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 szczegółowoCharakterystyka mierników do badania oświetlenia Obiektywne badania warunków oświetlenia opierają się na wynikach pomiarów parametrów świetlnych. Podobnie jak każdy pomiar, również te pomiary, obarczone
Bardziej szczegółowoTutaj powinny znaleźć się wyniki pomiarów (tabelki) potwierdzone przez prowadzacego zajęcia laboratoryjne i podpis dyżurujacego pracownika obsługi
Tutaj powinny znaleźć się wyniki pomiarów (tabelki) potwierdzone przez prowadzacego zajęcia laboratoryjne i podpis dyżurujacego pracownika obsługi technicznej. 1. Wstęp Celem ćwiczenia jest wyznaczenie
Bardziej szczegółowoWykład 5: Statystyki opisowe (część 2)
Wykład 5: Statystyki opisowe (część 2) Wprowadzenie Na poprzednim wykładzie wprowadzone zostały statystyki opisowe nazywane miarami położenia (średnia, mediana, kwartyle, minimum i maksimum, modalna oraz
Bardziej szczegółowoSIGMA KWADRAT. Weryfikacja hipotez statystycznych. Statystyka i demografia CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY
SIGMA KWADRAT CZWARTY LUBELSKI KONKURS STATYSTYCZNO-DEMOGRAFICZNY Weryfikacja hipotez statystycznych Statystyka i demografia PROJEKT DOFINANSOWANY ZE ŚRODKÓW NARODOWEGO BANKU POLSKIEGO URZĄD STATYSTYCZNY
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoKORELACJE I REGRESJA LINIOWA
KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem
Bardziej szczegółowoĆwiczenie 1 Metody pomiarowe i opracowywanie danych doświadczalnych.
Ćwiczenie 1 Metody pomiarowe i opracowywanie danych doświadczalnych. Ćwiczenie ma następujące części: 1 Pomiar rezystancji i sprawdzanie prawa Ohma, metoda najmniejszych kwadratów. 2 Pomiar średnicy pręta.
Bardziej szczegółowokomputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoStatystyka. Wykład 9. Magdalena Alama-Bućko. 24 kwietnia Magdalena Alama-Bućko Statystyka 24 kwietnia / 34
Statystyka Wykład 9 Magdalena Alama-Bućko 24 kwietnia 2017 Magdalena Alama-Bućko Statystyka 24 kwietnia 2017 1 / 34 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
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 szczegółowoĆwiczenie z fizyki Doświadczalne wyznaczanie ogniskowej soczewki oraz współczynnika załamania światła
Ćwiczenie z fizyki Doświadczalne wyznaczanie ogniskowej soczewki oraz współczynnika załamania światła Michał Łasica klasa IIId nr 13 22 grudnia 2006 1 1 Doświadczalne wyznaczanie ogniskowej soczewki 1.1
Bardziej szczegółowoDOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM. Procedura szacowania niepewności
DOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM Procedura szacowania niepewności Szacowanie niepewności oznaczania / pomiaru zawartości... metodą... Data Imię i Nazwisko Podpis Opracował Sprawdził Zatwierdził
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoJAK UNIKAĆ PODWÓJNEGO LICZENIA SKŁADOWYCH NIEPEWNOŚCI? Robert Gąsior
Robert Gąsior Omówię klasyczne, nieco zmodyfikowane, podejście do szacowania niepewności wewnątrz-laboratoryjnej, oparte na budżecie niepewności. Budżet taki zawiera cząstkowe niepewności, które są składane
Bardziej szczegółowoSTATYCZNA PRÓBA SKRĘCANIA
Mechanika i wytrzymałość materiałów - instrukcja do ćwiczenia laboratoryjnego: Wprowadzenie STATYCZNA PRÓBA SKRĘCANIA Opracowała: mgr inż. Magdalena Bartkowiak-Jowsa Skręcanie pręta występuje w przypadku
Bardziej szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
Bardziej szczegółowoistocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy
MODEL REGRESJI LINIOWEJ. METODA NAJMNIEJSZYCH KWADRATÓW Analiza regresji zajmuje się badaniem zależności pomiędzy interesującymi nas wielkościami (zmiennymi), mające na celu konstrukcję modelu, który dobrze
Bardziej szczegółowoPsychometria PLAN NAJBLIŻSZYCH WYKŁADÓW. Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. TEN SLAJD JUŻ ZNAMY
definicja rzetelności błąd pomiaru: systematyczny i losowy Psychometria Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. rozkład X + błąd losowy rozkład X rozkład X + błąd systematyczny
Bardziej szczegółowoĆw. nr 31. Wahadło fizyczne o regulowanej płaszczyźnie drgań - w.2
1 z 6 Zespół Dydaktyki Fizyki ITiE Politechniki Koszalińskiej Ćw. nr 3 Wahadło fizyczne o regulowanej płaszczyźnie drgań - w.2 Cel ćwiczenia Pomiar okresu wahań wahadła z wykorzystaniem bramki optycznej
Bardziej szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoW OPARCIU JEDNOWIĄZKOWY SONDAŻ HYDROAKUSTYCZNY
TWORZENIE MODELU DNA ZBIORNIKA WODNEGO W OPARCIU O JEDNOWIĄZKOWY SONDAŻ HYDROAKUSTYCZNY Tomasz Templin, Dariusz Popielarczyk Katedra Geodezji Satelitarnej i Nawigacji Uniwersytet Warmińsko Mazurski w Olsztynie
Bardziej szczegółowoZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA. dr inż. Aleksander Astel
ZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA dr inż. Aleksander Astel Gdańsk, 22.12.2004 CHEMOMETRIA dziedzina nauki i techniki zajmująca się wydobywaniem użytecznej informacji z wielowymiarowych
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania
Bardziej szczegółowoPrzykładowe funkcje przejścia używane przy budowie sztucznych neuronów
Przykładowe funkcje przejścia używane przy budowie sztucznych neuronów Funkcja Wzór funkcji Wzór pochodnej Sigmoida f(s)=1/(1+e -(β*s) ) f (s)=β*(1- f(s))* f(s) Funkcje przejścia neuronu powinno się rozpatrywać
Bardziej szczegółowo