Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu***
|
|
- Renata Górska
- 8 lat temu
- Przeglądów:
Transkrypt
1 AUTOMATYKA 2009 Tom 13 Zeszyt 3 Joanna Grabska-Chrz¹stowska*, Wojciech Lazar** Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu*** 1. Wprowadzenie Sieci neuronowe [1] s¹ uznanym i powszechnie stosowanym narzêdziem do zagadnieñ klasyfikacji. Zw³aszcza w medycynie poszukuje siê wiarygodnych testów wstêpnie rozdzielaj¹cych, na podstawie badania przesiewowego, pacjentów zdrowych od potencjalnie chorych. U ywaj¹c jednej sieci neuronowej z wyjœciem z przedzia³u domkniêtego <0, 1>, gdzie skrajne wartoœci rozdzielaj¹ normê od zaburzenia, trudno okreœliæ, gdzie przebiega granica, od której wysy³amy wybrane osoby na dodatkowe badania, czêsto obci¹ aj¹ce organizm pacjenta. W pracy [3] przedstawiono neuronowy system wnioskuj¹cy bazuj¹cy na za³o eniu, e mamy mo liwoœæ stworzenia, po pierwsze, uniwersalnej sieci oddzielaj¹cej normê od zaburzenia, a po drugie zbudowanie co najmniej dwóch struktur rozdzielaj¹cych ró ne rodzaje zaburzeñ od podanej normy. Na tak przygotowanym zestawie sieci przeprowadzamy szereg eksperymentów maj¹cych na celu dobranie dla ka dej gotowej sieci progu rozdzielaj¹cego zdrowych pacjentów od chorych. Rêczne szukanie optymalnego zestawu co najmniej 3 liczb z przedzia³u (0, 1) jest niezwykle mudne i czasoch³onne. Celem zadania opisanego w tej pracy by³o stworzenie oprogramowania wspomagaj¹cego w³aœciwe zastosowanie systemy wnioskuj¹cego. Automatyczny system zosta³ przetestowany na przyk³adzie badania spirometrycznego opisanego w [3]. Wyniki otrzymane w wyniku dzia³ania programu uleg³y niewielkiej poprawie w stosunku do poprzednich czasoch³onnych poszukiwañ. Automatyczny system poszukiwañ optymalnych sieci i progów oceniania wyników dzia³ania tych struktur zostanie w przysz³oœci zastosowany do innego problemu maj¹cego podobne w³asnoœci np. do oceny prze ywalnosci w przypadku raka jajnika [4]. * Katedra Automatyki, Akademia Górniczo-Hutnicza w Krakowie ** student Informatyki Stosowanej, Wydzia³ EAIiE, Akademia Górniczo-Hutnicza w Krakowie *** Pracê sfinansowano z funduszu badañ w³asnych (umowa AGH nr ) 1369
2 1370 Joanna Grabska-Chrz¹stowska, Wojciech Lazar Wszystkie przeprowadzone eksperymenty neuronowe wykonano za pomoc¹ programu Statistica firmy StatSoft [2]. U ywano modu³u Automatycznego Projektanta, który z 200 przebadanych sieci uczonych metod¹ wstecznej propagacji b³êdów wybiera sieæ o najlepszych wynikach przystosowania do zadanych sterowañ. 2. Idea systemu wnioskuj¹cego W zastosowaniach medycznych, przy budowie testów rozdzielaj¹cych pacjentów zdrowych od potencjalnie chorych, czyli podzia³ na normê i zaburzenie przedstawia siê w standardowych tabelach (tab. 1), podaj¹c w poszczególnych polach liczby odpowiadaj¹ce przypisaniu do odpowiedniej kategorii. Przy doborze testu d¹ y siê do sytuacji, w której liczby b i c przyjmuj¹ mo liwie najmniejsz¹ wartoœæ. Tabela 1 Sposób przedstawiania wyników klasyfikacji TEST norma a c zaburzenie b d Uwagi: a, b, c, d zgodne z przyjêtymi we wzorze (1). Jakoœæ testu czyli liczbê poprawnych klasyfikacji oblicza siê za pomoc¹ nastêpuj¹cego wzoru: a+ d liczba poprawnych klasyfikacji = 100% (1) a+ b+ c+ d gdzie: a liczba przypadków klasyfikowanych w normie przez eksperta i sieæ przypadki prawdziwie ujemne, b liczba przypadków klasyfikowanych przez eksperta jako zaburzenie, a przez sieæ jako norma fa³szywie ujemne, c liczba przypadków uznanych przez eksperta za normê, a przez sieæ za zaburzenie fa³szywie dodatnie, d liczba przypadków kwalifikowanych przez eksperta i sieæ jako zaburzenie prawdziwie dodatnie. Oprócz jakoœci klasyfikacji wprowadza siê tak e dwa parametry statystyczne charakteryzuj¹ce wartoœæ diagnostyczn¹ zaproponowanego testu. Zdolnoœæ testu do wykrywania choroby u rzeczywiœcie chorych pacjentów nazywamy czu³oœci¹ metody, a umiejêtnoœæ testu wykluczenia choroby u osób rzeczywiœcie zdrowych jej swoistoœci¹. Wyniki podane
3 Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego przez eksperta przyjmuje siê za ca³kowicie pewne i wiarygodne. Wartoœci parametrów czu³oœci i swoistoœci oblicza siê wed³ug nastêpuj¹cych wzorów: czu³oœæ = d 100% b+ d swoistoœæ = a 100% a+ c (2) (3) gdzie: a, b, c, d zgodne z przyjêtymi w tabeli 1. Przy wyjœciu z za³o enia binarnym, a w praktyce ci¹g³ym w przedziale obustronnie domkniêtym <0,1>, stosowano zasadê przypisywania odpowiedzi zero (norma), gdy wyjœciowa wartoœæ otrzymana jako odpowiedÿ sieci wynosi³a mniej, ni przyjêta wartoœæ progowa (np. 0,5) i wartoœci 1 (zaburzenie), gdy rezultat osi¹ga³ lub przekracza³ zadany próg. Mo na to nazwaæ testem o zadanym progu (np. 0,5). Okaza³o siê, e mo na sterowaæ wartoœci¹ przypadków fa³szywie ujemnych (b) i fa³szywie dodatnich (c), zmieniaj¹c ten wczeœniej arbitralnie przyjêty próg binaryzacji. Dla pojedynczej sieci nie mo na dokonaæ jednoczesnego zwiêkszenia progu binaryzacji tak, aby otrzymaæ jak najmniej przypadków w polu b i zmniejszenia progu, aby otrzymaæ ma³¹ liczbê w polu c. St¹d pomys³ systemu sieci z ró nymi progami binaryzacji. Ideê systemu wnioskuj¹cego przedstawia rysunek 1. Rys. 1. Struktura systemu wnioskuj¹cego (N liczba sieci w systemie) Przy wyborze uznanym za ostateczny (klasyfikacjia pewna) dopuszcza siê niewielki b³¹d, którego przy takim podejœciu nie da siê unikn¹æ. Dobór progu przy interpretacji odpowiedzi sieci 1 ma jak najbardziej zmniejszyæ ten wstêpny b³¹d. Przy ostatecznej klasyfikacji
4 1372 Joanna Grabska-Chrz¹stowska, Wojciech Lazar (sieæ nr N) nale y tak ustawiæ próg binaryzacji, aby mo liwie najmniej przypadków pozosta³o w polu b przy rozs¹dnej liczbie przypadków w polu c. Sieæ o numerze 1 (rys. 1) jest sieci¹ uniwersaln¹, czyli najlepsz¹ sieci¹ rozdzielaj¹c¹ normê od zaburzenia. Natomiast sieci 2 do N, to neuronowe struktury rozdzielaj¹ce poszczególne rodzaje zaburzenia od szeroko pojêtej normy (wszystkie wyniki osób o innym charakterze zaburzenia oddechowego s¹ chwilowo pomijane). Przy eksploatacji tak zbudowanego systemu wnioskuj¹cego nale y na wejœcie sieci nr 1 wprowadziæ zestaw wszystkich wektorów, które chcemy poddaæ klasyfikacji. Tych pacjentów, których uznamy za chorych, dopisujemy do rejestru klasyfikacji pewnych, uznanych za nie bêd¹cych w normie. Resztê wektorów, czyli wyniki pacjentów uznanych za zdrowych wprowadzamy na wejœcie sieci nr 2. I znowu czêœæ pacjentów zostanie (z pewnym b³êdem) wpisana do klasyfikacji pewnych. Po przejœciu przez wszystkie etapy asystemu, na koñcu zostajemy z rejestrem pacjentów uznanych za chorych i pozosta³ych (uznanych za zdrowych przez sieæ o numerze N) ostatecznie sklasyfikowanych jako bêd¹cych w normie. 3. Automatyzacja procesu badania systemu wnioskuj¹cego Statistica udostêpnia interfejs programistyczny wykorzystuj¹c standard COM (Component Object Model) [2]. Architektura oparta na tym standardzie umo liwia dostêp do bibliotek oraz modu³ów systemu Statistica z poziomu jêzyków programowania takich jak: Visual Basic.NET, C# oraz C++. G³ówny interfejs systemu znajduje siê w bibliotece DLL Statistica Object Library. W czasie instalacji systemu biblioteka jest rejestrowana w systemie operacyjnym. Udostêpniony przez system interfejs pozwala wywo³ywaæ funkcje i biblioteki systemu Statistica z zewnêtrznej aplikacji. Aplikacja wykorzystuje silnik systemu Statistica do wygenerowania sieci neuronowych. Statystyki wygenerowane przez system dla poszczególnych sieci s¹ wykorzystywane na dalszym etapie analizy. Aplikacja dzia³a na zasadzie kontrolera przep³ywu danych pomiêdzy systemem Statistica a baz¹ danych. Statistica w swoim pakiecie dostarcza u ytkownikowi modu³ Automatyczne Sieci Neuronowe. Z poziomu aplikacji wczytujemy dane do systemu Statistica, aby nastêpnie wywo³aæ now¹ instancjê analizy typu Automatyczne Sieci Neuronowe Aplikacja uruchamia instancjê Statistica i wywo³uje modu³ SANN (rys. 2). W aplikacji ustalamy iloœæ warstw sieci neuronowych, przez które bêd¹ przechodziæ dane w kolejnych iteracjach. W panelu Thresholds ustalamy progi binaryzacji na wyjœciu poszczególnych warstw. Po ka dej iteracji wyekstrahowane dane zostaj¹ zapisane w bazie danych, a nastêpnie ³adowane do kolejnej warstwy. U ytkownik aplikacji podaje z ilu sieci ma sk³adaæ siê system wnioskuj¹cy i interakcyjnie dobiera parametry Automatycznego Projektanta w programie Statistica. Po ustale-
5 Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego niu, które sieci zostan¹ wybrane, aplikacja testuje wszystkie sieci z ró nymi progami binaryzacji odpowiedzi i generuje koñcowe wyniki w formie odpowiednich tabel i wartoœci jakoœci testów. Rys. 2. Zrzut z ekranu dzia³aj¹cej aplikacji 4. Wyniki otrzymane dla klasyfikacji badañ spirometrycznych Do testowania aplikacji automatycznie szukaj¹cej najlepszej struktury systemu wnioskuj¹cego u yto wyników badañ nad klasyfikatorem do zadania spirometrycznego przedstawionych w pracy [3]. Na podstawie standardowego testu diagnostycznego nale y okreœliæ, czy dany pacjent przejawia zaburzenia oddechowe czy te nie. W razie podejrzeñ o wystêpowanie pewnych nieprawid³owoœci badana osoba zostanie skierowana na dodatkowe, specjalistyczne testy. Testy przeprowadzono na podstawie 1022 wyników badañ spirometrycznych (samych ch³opców), które zosta³y wykonane w Zak³adzie Fizjopatologii Uk³adu Oddychania Instytutu GruŸlicy i Chorób P³uc w Rabce. Przy rêcznym badaniu systemu wnioskuj¹cego, jako pierwszy element systemu wykorzystano sieæ uczon¹ tylko 6 elementami badania spirometrycznego, oddzielaj¹c¹ normê od zaburzenia, czyli strukturê z jednym wyjœciem binarnym. Ustalono próg na 0,3 (ma³a wartoœæ progu zmniejsza liczbê przypadków w polu c). Wyniki uzyskane dla 1022 wektorów wejœciowych pokazano w tabeli 2.
6 1374 Joanna Grabska-Chrz¹stowska, Wojciech Lazar Na wejœcie sieci nr 2 podaje siê wektory z pól a i b, czyli uznane przez sieæ nr 1 za bêd¹ce w normie. W tym miejscu wprowadza siê ju wstêpny b³¹d (oko³o 2%) zwi¹zany z 20 wektorami, które zosta³y b³êdnie zaklasyfikowane i ju nie zostan¹ zweryfikowane. Ta czêœæ pacjentów potencjalnie zdrowych zostanie wys³ana do dalszych badañ. Tabela 2 Sieæ nr 1: 6 parametrów na wejœciu próg 0,3 SIEÆ norma zaburzenie Tabela 3 Sieæ nr 2 oddzielaj¹ca normê od obturacji próg 0,6 SIEÆ norma zaburzenie Na podstawie analizy rodzajów i czêstoœci wystêpowania zaburzeñ w 1022 danych rozpoznañ ustalono, e sieæ nr 2 oddzieli normê od obturacji, a sieæ nr 3 umo liwi separacjê normy od restrykcji. Na wejœciu sieci 2 i 3 dodano parametr wzrostu, który u³atwia uczenie sieci (tab. 3 i 4). Tabela 4 Wyniki systemu wnioskuj¹cego próg sieci 3 0,6 SYSTEM WNIOSKUJ CY norma zaburzenie Zbiór ucz¹cy i testowy obejmowa³ wszystkich pacjentów uznanych przez eksperta za zdrowych, w przypadku sieci 2 cierpi¹cych na zaburzenie obturacyjne, a dla sieci 3 zaburzenie typu restrykcyjnego. Pacjenci z zaburzeniem mieszanym chwilowo nie zostali wziêci pod uwagê. Obydwie sieci zosta³y poddane uczeniu. Na wejœcie wczeœniej wytrenowanej sieci 2 wprowadzamy 754 wektory (przypadki z pól a i b tab. 1) jako elementy testowe. Wyniki dla wszystkich wektorów ze zbioru danych przedstawia tabela 3.
7 Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego Podobnie jak poprzednio, przypadki z pól c i d uznajemy za pewne, a 665 wektorów na razie uznanych przez sieæ za normê, wprowadzamy jako zbiór testowy do wczeœniej nauczonej sieci nr 3, separuj¹cej normê od restrykcji. Rezultaty ca³ego systemu otrzymane przy zastosowaniu ró nych progów klasyfikacji sieci nr 3 zawarto w tabeli Podsumowanie Zbudowana aplikacja spe³ni³a oczekiwania autorów pracy i dla znanego rozpracowanego wczeœniej problemu z rêcznie, pracoch³onnie dobieranymi progami dla kolejnych sieci, uzyskano podobne, a nawet odrobinê lepsze wyniki ostatecznej klasyfikacji (tab. 5). Tabela 5 Zestawienie wyników Jakoœæ klasyfikacji [%] Czu³oœæ [%] Swoistoœæ [%] Automatyczny system wnioskuj¹cy (progi 0,3, 0,7, 07) System wnioskuj¹cy (progi 0,3, 0,6, 0,6) 91,1 92,9 89,1 90, W³aœciwym celem budowy tak zaawansowanej aplikacji jest jej testowanie dla innych strukturalnie podobnych problemów. Do takich zagadnieñ nale y ocena prze ycia kobiet w przypadku wyst¹pienia u nich raka jajnika. Ten problem równie mo na rozdzieliæ na trzy sieci: jedn¹ uniwersaln¹, a dwie uwzglêdniaj¹ce wyniki badañ krwi przed i po chemioterapii. W tym wypadku wy sze wskaÿniki poprawnoœci klasyfikacji s¹ niezwykle istotne z punktu widzenia planowania bardziej agresywnych metod dalszego leczenia w Ÿle rokuj¹cych przypadkach. Literatura [1] Tadeusiewicz R., Sieci neuronowe. PWN, Warszawa, [2] Tadeusiewicz R., Lula P., Wprowadzenie do sieci neuronowych. Dokumentacja polskiej wersji Statistica Neural Networks, StatSoft [3] Grabska-Chrz¹stowska J., Tomalak W., Zastosowanie neuronowego systemu wnioskuj¹cego do klasyfikacji wyników badania spirometrycznego. Materia³y konferencyjne Sztuczna inteligencja, Kraków, [4] Grabska-Chrz¹stowska J., Kulpa J., Rychlik U., Zastosowanie sieci neuronowych do predykcji prze ycia w przypadku raka jajnika. Automatyka (pó³rocznik AGH), t. 11, z. 3, 2007,
Systemy 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 szczegółowoWyznaczanie charakterystyki widmowej kolorów z wykorzystaniem zapisu liczb o dowolnej precyzji
AUTOMATYKA 2011 Tom 15 Zeszyt 3 Maciej Nowak*, Grzegorz Nowak* Wyznaczanie charakterystyki widmowej kolorów z wykorzystaniem zapisu liczb o dowolnej precyzji 1. Wprowadzenie 1.1. Kolory Zmys³ wzroku stanowi
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 szczegółowoROCZNIKI 2010 GEOMATYKI. Metodyka i technologia budowy geoserwera tematycznego jako komponentu INSPIRE. Tom VIII Zeszyt 3(39) Warszawa
POLSKIE TOWARZYSTWO INFORMACJI PRZESTRZENNEJ ROCZNIKI 2010 GEOMATYKI Metodyka i technologia budowy geoserwera tematycznego jako komponentu INSPIRE Tom VIII Zeszyt 3(39) Warszawa PROPOZYCJA ZASAD POLSKIE
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 szczegółowoMODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY
MODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY WYKORZYSTANIU METOD STATYSTYCZNYCH mgr Małgorzata Pelczar 6 Wprowadzenie Reforma służby zdrowia uwypukliła problem optymalnego ustalania kosztów usług zdrowotnych.
Bardziej szczegółowoSkanowanie trójwymiarowej przestrzeni pomieszczeñ
AUTOMATYKA 2008 Tom 12 Zeszyt 3 S³awomir Je ewski*, Micha³ Jaros* Skanowanie trójwymiarowej przestrzeni pomieszczeñ 1. Wprowadzenie Obecnie w erze komputerów, które pozwalaj¹ na wizualizacje scen nie tylko
Bardziej szczegółowoMIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 520 PROCEDURY ANALITYCZNE SPIS TREŒCI
MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 520 PROCEDURY ANALITYCZNE (Stosuje siê przy badaniu sprawozdañ finansowych sporz¹dzonych za okresy rozpoczynaj¹ce siê 15 grudnia 2009 r. i póÿniej) Wprowadzenie
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
Bardziej szczegółowoInsERT GT Własne COM 1.0
InsERT GT Własne COM 1.0 Autor: Jarosław Kolasa, InsERT Wstęp... 2 Dołączanie zestawień własnych do systemu InsERT GT... 2 Sposób współpracy rozszerzeń z systemem InsERT GT... 2 Rozszerzenia standardowe
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 szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. Algorytmy konstrukcyjne dla sieci skierowanych
Wstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. dla sieci skierowanych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-25 1 Motywacja
Bardziej szczegółowoCENTRUM ROZWOJU. ul. Krótka 4 31-149 KRAKÓW. ZNAKI I SYGNA Y DROGOWE ZAKTUALIZOWANE Pakiet EXT03 wersja 1.1
CENTRUM ROZWOJU ul. Krótka 4 31-149 KRAKÓW tel.: (0-12) 632 82 74, 76 fax: (0-12) 632 58 64 e-mail: ext@explotrans.com.pl http://www.explotrans.com.pl ZNAKI I SYGNA Y DROGOWE ZAKTUALIZOWANE Pakiet EXT03
Bardziej szczegółowoPrzeszczepienie nerek Najczêœciej zadawane pytania
Przeszczepienie nerek Najczêœciej zadawane pytania Witamy w naszej Stacji Dializ Dlaczego potrzebujê przeszczepienia nerki? Kiedy nerki przestaj¹ funkcjonowaæ istniej¹ trzy dostêpne metody leczenia: Hemodializa
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, laboratorium BIOCYBERNETYKA Biocybernetics Forma studiów:
Bardziej szczegółowoWstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty
Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału
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 szczegółowoPERSON Kraków 2002.11.27
PERSON Kraków 2002.11.27 SPIS TREŚCI 1 INSTALACJA...2 2 PRACA Z PROGRAMEM...3 3. ZAKOŃCZENIE PRACY...4 1 1 Instalacja Aplikacja Person pracuje w połączeniu z czytnikiem personalizacyjnym Mifare firmy ASEC
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoZespó³ Dandy-Walkera bez tajemnic
Zespó³ Dandy-Walkera bez tajemnic www.fundacja.dandy-walker.org.pl Fundacja chorych na zespó³ Dandy-Walkera 64-100 Leszno ul. Bu³garska 5/10 tel./fax +48 65 520 02 33 mob. +48 662 015 362 fundacja@dandy-walker.org.pl
Bardziej szczegółowoWykład 2. Zdarzenia niezależne i prawdopodobieństwo całkowite
Wstęp do probabilistyki i statystyki Wykład 2. Zdarzenia niezależne i prawdopodobieństwo całkowite dr hab.inż. Katarzyna Zakrzewska, prof.agh, Katedra lektroniki, WIT AGH Wstęp do probabilistyki i statystyki.
Bardziej szczegółowoBogdan Nogalski*, Anna Wójcik-Karpacz** Sposoby motywowania pracowników ma³ych i œrednich przedsiêbiorstw
Bogdan Nogalski*, Anna Wójcik-Karpacz** Sposoby motywowania pracowników ma³ych i œrednich przedsiêbiorstw Artyku³ zawiera rozwa ania zwi¹zane ze sposobami motywowania pracowników w sektorze MŒP. Autorzy
Bardziej szczegółowoKlasyfikacja publikacji biomedycznych w konkursie JRS 2012 Data Mining Competition - Szkic koncepcji
Kierunek: Informatyka Zastosowania Informatyki w Medycynie Klasyfikacja publikacji biomedycznych w konkursie JRS 2012 Data Mining Competition - Szkic koncepcji 1. WSTĘP AUTORZY Joanna Binczewska gr. I3.1
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-10 Projekt pn. Wzmocnienie
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoBaza dla predykcji medycznej
1 rof. Danuta Makowiec Instytut Fizyki Teoretycznej i Astrofizyki UG Kontakt: pok. 353 tel.: 58 523 2466 e-mail danuta.makowiec at gmail.com http://www.fizdm.strony.ug.edu.pl/me/biostatystyka.html Reguła
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 szczegółowoAnaliza zmienności czasowej danych mikromacierzowych
Systemy Inteligencji Obliczeniowej Analiza zmienności czasowej danych mikromacierzowych Kornel Chromiński Instytut Informatyki Uniwersytet Śląski Plan prezentacji Dane mikromacierzowe Cel badań Prezentacja
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 szczegółowoSystem wspomagania harmonogramowania przedsięwzięć budowlanych
System wspomagania harmonogramowania przedsięwzięć budowlanych Wojciech Bożejko 1 Zdzisław Hejducki 2 Mariusz Uchroński 1 Mieczysław Wodecki 3 1 Instytut Informatyki, Automatyki i Robotyki Politechnika
Bardziej szczegółowo13. Interpretacja wyników testowych
13. Interpretacja wyników testowych q testowanie a diagnozowanie psychologiczne q interpretacja wyników testu q interpretacja kliniczna a statystyczna q interpretacja ukierunkowana na kryteria lub normy
Bardziej szczegółowoRozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE 6. Ćwiczenia komputerowe Ćwiczenie 6.1
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 szczegółowoMetody eksploracji danych w odkrywaniu wiedzy (MED) projekt, dokumentacja końcowa
Metody eksploracji danych w odkrywaniu wiedzy (MED) projekt, dokumentacja końcowa Konrad Miziński 14 stycznia 2015 1 Temat projektu Grupowanie hierarchiczne na podstawie algorytmu k-średnich. 2 Dokumenty
Bardziej szczegółowoProcess Automation Toolkit (PAT)
Process Automation Toolkit (PAT) Wprowadzenie Process Automation Tool Kit (PAT) zapewnia innowacyjną metodę automatyzacji procedur testowych dla testerów radiokomunikacyjnych Freedom. Przez wiele lat
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 szczegółowoKlasyfikacja metodą Bayesa
Klasyfikacja metodą Bayesa Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski warunkowe i bezwarunkowe 1. Klasyfikacja Bayesowska jest klasyfikacją statystyczną. Pozwala przewidzieć prawdopodobieństwo
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
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 szczegółowoMIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 530 BADANIE WYRYWKOWE (PRÓBKOWANIE) SPIS TREŒCI
MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 530 BADANIE WYRYWKOWE (PRÓBKOWANIE) (Stosuje siê przy badaniu sprawozdañ finansowych sporz¹dzonych za okresy rozpoczynaj¹ce siê 15 grudnia 2009 r. i póÿniej)
Bardziej szczegółowona dostawę licencji na oprogramowanie przeznaczone do prowadzenia zaawansowanej analizy statystycznej
Warszawa, dnia 16.10.2015r. ZAPYTANIE OFERTOWE na dostawę licencji na oprogramowanie przeznaczone do prowadzenia zaawansowanej analizy statystycznej Do niniejszego postępowania nie mają zastosowania przepisy
Bardziej szczegółowo1. Informacje o StatSoft Polska
1. Informacje o StatSoft Polska StatSoft Polska jest największym w Polsce dostawcą programów do statystycznej analizy danych, a także największym w Polsce organizatorem specjalistycznych kursów i szkoleń
Bardziej szczegółowoProjektowanie logistycznych gniazd przedmiotowych
Zygmunt Mazur Projektowanie logistycznych gniazd przedmiotowych Uwagi wstępne Logistyka obejmuje projektowanie struktury przep³ywu w procesie wytwarzania. Projektowanie dotyczy ustalania liczby, kszta³tu
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowoWERYFIKACJA HIPOTEZ STATYSTYCZNYCH
WERYFIKACJA HIPOTEZ STATYSTYCZNYCH I. TESTY PARAMETRYCZNE II. III. WERYFIKACJA HIPOTEZ O WARTOŚCIACH ŚREDNICH DWÓCH POPULACJI TESTY ZGODNOŚCI Rozwiązania zadań wykonywanych w Statistice przedstaw w pliku
Bardziej szczegółowoAnaliza obrazów RTG w celu zwiêkszenia skutecznoœci predykcji dysplazji oskrzelowo-p³ucnej u noworodków
AUTOMATYKA 2008 Tom 12 Zeszyt 2 Marcin Ochab* Analiza obrazów RTG w celu zwiêkszenia skutecznoœci predykcji dysplazji oskrzelowo-p³ucnej u noworodków 1. Wprowadzenie Dotychczas w pracach dotycz¹cych przewidywañ
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoVinCent Office. Moduł Drukarki Fiskalnej
VinCent Office Moduł Drukarki Fiskalnej Wystawienie paragonu. Dla paragonów definiujemy nowy dokument sprzedaży. Ustawiamy dla niego parametry jak podano na poniższym rysunku. W opcjach mamy możliwość
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 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 szczegółowoStan dotychczasowy. OCENA KLASYFIKACJI w diagnostyce. Metody 6/10/2013. Weryfikacja. Testowanie skuteczności metody uczenia Weryfikacja prosta
Stan dotychczasowy OCENA KLASYFIKACJI w diagnostyce Wybraliśmy metodę uczenia maszynowego (np. sieć neuronowa lub drzewo decyzyjne), która będzie klasyfikować nieznane przypadki Na podzbiorze dostępnych
Bardziej szczegółowoData Mining w doborze parametrów układu testującego urządzenia EAZ 1
Rozdział 6 Data Mining w doborze parametrów układu testującego urządzenia EAZ 1 Streszczenie. W rozdziale został zaproponowany sposób doboru parametrów układu testującego urządzenia elektroenergetycznej
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoZapisywanie algorytmów w języku programowania
Temat C5 Zapisywanie algorytmów w języku programowania Cele edukacyjne Zrozumienie, na czym polega programowanie. Poznanie sposobu zapisu algorytmu w postaci programu komputerowego. Zrozumienie, na czym
Bardziej szczegółowoREFERAT PRACY DYPLOMOWEJ Temat pracy: SUDOKU - Algorytmy tworzenia i rozwiązywania
REFERAT PRACY DYPLOMOWEJ Temat pracy: SUDOKU - Algorytmy tworzenia i rozwiązywania Autor: Anna Nowak Promotor: dr inż. Jan Kowalski Kategorie: gra logiczna Słowa kluczowe: Sudoku, generowanie plansz, algorytmy,
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 szczegółowoU ług u i g teleme m dyc y zne n w w regi g on o a n lne n j słu u bi b e z dr d ow o i w a Mich c ał a K o K si s ed e owsk s i
Usługi telemedyczne w regionalnej służbie zdrowia Michał Kosiedowski Tradycyjna służba zdrowia Brak współpracy pomiędzy jednostkami służby zdrowia pacjent w jednym czasie leczony jest w obrębie jednej
Bardziej szczegółowoINŻYNIERIA OPROGRAMOWANIA
INSTYTUT INFORMATYKI STOSOWANEJ 2014 Nowy blok obieralny! Testowanie i zapewnianie jakości oprogramowania INŻYNIERIA OPROGRAMOWANIA Inżynieria Oprogramowania Proces ukierunkowany na wytworzenie oprogramowania
Bardziej szczegółowoPLATFORMA DO PRZETWARZANIA ZDJĘĆ TOMOGRAFII KOMPUTEROWEJ MÓZGU ORAZ ZDJĘĆ MAMMOGRAFICZNYCH WSPOMAGAJĄCA DIAGNOZOWANIE CHORÓB
PLATFORMA DO PRZETWARZANIA ZDJĘĆ TOMOGRAFII KOMPUTEROWEJ MÓZGU ORAZ ZDJĘĆ MAMMOGRAFICZNYCH WSPOMAGAJĄCA DIAGNOZOWANIE CHORÓB Międzynarodowa Konferencja Naukowa Studentów Uczelni Medycznych. Kraków, 2009
Bardziej szczegółowoREFERAT PRACY DYPLOMOWEJ
REFERAT PRACY DYPLOMOWEJ Temat pracy: Projekt i implementacja środowiska do automatyzacji przeprowadzania testów aplikacji internetowych w oparciu o metodykę Behavior Driven Development. Autor: Stepowany
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoZintegrowane Systemy Zarządzania Biblioteką SOWA1 i SOWA2 SKONTRUM
Zintegrowane Systemy Zarządzania Biblioteką SOWA1 i SOWA2 SKONTRUM PROGRAM INWENTARYZACJI Poznań 2011 Spis treści 1. WSTĘP...4 2. SPIS INWENTARZA (EWIDENCJA)...5 3. STAŁE UBYTKI...7 4. INTERPRETACJA ZAŁĄCZNIKÓW
Bardziej szczegółowoTeraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1.
Teraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1. Grażyna Koba MIGRA 2019 Spis treści (propozycja na 2*32 = 64 godziny lekcyjne) Moduł A. Wokół komputera i sieci komputerowych
Bardziej szczegółowoOpis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej
Opis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej 3.1 Informacje ogólne Program WAAK 1.0 służy do wizualizacji algorytmów arytmetyki komputerowej. Oczywiście istnieje wiele narzędzi
Bardziej szczegółowoSeminarium Zastosowania statystyki i data mining w badaniach naukowych. Warszawa, 15 września 2015
Seminarium Zastosowania statystyki i data mining w badaniach naukowych Warszawa, 15 września 2015 Seminaria 2000-2015 w liczbach Wystąpienia: 100 Wykładowcy: 85 Uczestnicy: 5000 Informacje organizacyjne
Bardziej szczegółowoAnaliza wariancji - ANOVA
Analiza wariancji - ANOVA Analiza wariancji jest metodą pozwalającą na podział zmienności zaobserwowanej wśród wyników eksperymentalnych na oddzielne części. Każdą z tych części możemy przypisać oddzielnemu
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 szczegółowoFundacja Watch Health Care
Krzysztof Łanda 1 z 9 KSI YCE : DEIMOS I PHOBOS OBSZAR A KOSZYK WIADCZE rodki ze sk adki podstawowej GWARANTOWANYCH OBSZAR B tanie drogie A+B= REALNY KOSZYK NEGATYWNY KSI YCE : DEIMOS I PHOBOS Pacjenci
Bardziej szczegółowomicro Programator ISP mikrokontrolerów AVR zgodny z STK500v2 Opis Obs³ugiwane mikrokontrolery Wspó³praca z programami Podstawowe w³aœciwoœci - 1 -
STK500v2 Programator ISP mikrokontrolerów AVR zgodny z STK500v2 Opis Obs³ugiwane mikrokontrolery Programator STK500v2 jest programatorem ISP 8-bitowych mikrokontrolerów AVR firmy Atmel. Pod³¹czany do portu
Bardziej szczegółowoKonwerter RS 232 / Centronics typ KSR
W i t o l d J u r e c z k o 44-151 Gliwice, ul. Daszyñskiego 560 Regon: 271215331 NIP: 631-010-66-35 Internet: www.yuko.com.pl e-mail: yuko@yuko.com.pl tel./ fax : (+48) (32) 230-89-49 telefony wewnêtrzne,
Bardziej szczegółowoOpis. Wykład: 30 Laboratorium: 30
Załącznik nr 5 do Uchwały nr 1202 Senatu UwB z dnia 29 lutego 2012 r. Elementy składowe sylabusu Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów
Bardziej szczegółowoBadania kliniczne w szpitalu akademickim wyzwania i kontrowersje Sesja warsztatowa
Badania kliniczne w szpitalu akademickim wyzwania i kontrowersje Sesja warsztatowa dr Rafał Staszewski mgr Joanna Wieczorek mec. Paweł Węgrzynowski mgr Mariola Stalińska Badania kliniczne w szpitalu akademickim
Bardziej szczegółowoAnaliza motywacyjnie zgodnych decyzji w wielokryterialnym przetargu
AUTOMATYKA 2011 Tom 15 Zeszyt 2 Lech Kruœ*, Jan Skorupiñski**, Eugeniusz Toczy³owski** Analiza motywacyjnie zgodnych decyzji w wielokryterialnym przetargu 1. Wprowadzenie Prezentowana praca wykonywana
Bardziej szczegółowoINSTRUKCJA OBS UGI MIKROPROCESOROWY PRZETWORNIK TEMPERATURY. TxRail 4-20 ma. wydanie listopad 2004
INSTRUKCJA OBS UGI MIKROPROCESOROWY PRZETWORNIK TEMPERATURY TxRail 4-20 ma wydanie listopad 2004 PRZEDSIÊBIORSTWO AUTOMATYZACJI I POMIARÓW INTROL Sp. z o.o. ul. Koœciuszki 112, 40-519 Katowice tel. 032/
Bardziej szczegółowoINSTRUKCJA OBS UGI MIKROPROCESOROWY PRZETWORNIK TEMPERATURY. TxBlock 4-20 ma. wydanie listopad 2004
INSTRUKCJA OBS UGI MIKROPROCESOROWY PRZETWORNIK TEMPERATURY TxBlock 4-20 ma wydanie listopad 2004 PRZEDSIÊBIORSTWO AUTOMATYZACJI I POMIARÓW INTROL Sp. z o.o. ul. Koœciuszki 112, 40-519 Katowice tel. 032/
Bardziej szczegółowoINSTRUKCJA UŻYTKOWNIKA Mechanizm wymiany danych oraz rozliczeń apteka nfz od 1 września 2016 ISO 9001:2008 Dokument: Wydanie: 1 Waga: 90
MECHANIZM WYMIANY DANYCH ORAZ ROZLICZEŃ APTEKA - NFZ I. Wstęp W związku z nowelizacją rozporządzenia w sprawie informacji gromadzonych przez apteki oraz informacji przekazywanych Narodowemu Funduszowi
Bardziej szczegółowoemszmal 3: Automatyczne księgowanie przelewów w sklepie internetowym Magento (plugin dostępny w wersji ecommerce)
emszmal 3: Automatyczne księgowanie przelewów w sklepie internetowym Magento (plugin dostępny w wersji ecommerce) Zastosowanie Rozszerzenie to dedykowane jest sklepom internetowych zbudowanym w oparciu
Bardziej szczegółowoKonwerter Plan testów. Jakub Rauch Tomasz Gołębiowski Adam Busch Bartosz Franaszek 1 czerwca 2008
Konwerter Plan testów Jakub Rauch Tomasz Gołębiowski Adam Busch Bartosz Franaszek 1 czerwca 2008 1 Spis treści 1 Wprowadzenie 3 1.1 Cel........................................ 3 1.2 Zamierzeni odbiorcy
Bardziej szczegółowo1. Rozwiązać układ równań { x 2 = 2y 1
Dzień Dziecka z Matematyką Tomasz Szymczyk Piotrków Trybunalski, 4 czerwca 013 r. Układy równań szkice rozwiązań 1. Rozwiązać układ równań { x = y 1 y = x 1. Wyznaczając z pierwszego równania zmienną y,
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoEfekty kształcenia na kierunku AiR drugiego stopnia - Wiedza Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej
Efekty na kierunku AiR drugiego stopnia - Wiedza K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W12 K_W13 K_W14 Ma rozszerzoną wiedzę dotyczącą dynamicznych modeli dyskretnych stosowanych
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu
Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby
Bardziej szczegółowoTestowanie aplikacji. Kurs języka Ruby
Testowanie aplikacji Kurs języka Ruby Rodzaje testów Testy jednostkowe Testy funkcjonalne Testy integracyjne Testy jednostkowe (unit tests) Testy sprawdzające pojedyncze funkcjonalności (metodę, funkcję
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
Bardziej szczegółowoZAGADNIENIE TRANSPORTOWE
ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,
Bardziej szczegółowoProgramowanie w Ruby
Programowanie w Ruby Wykład 13 Marcin Młotkowski 16 stycznia 2013 Plan wykładu Testowanie aplikacji w Ruby on Rails Testowanie modeli Testy funkcjonalne: testowanie kontrolerów Testy integracyjne Testowanie
Bardziej szczegółowoEksploracja danych. KLASYFIKACJA I REGRESJA cz. 2. Wojciech Waloszek. Teresa Zawadzka.
Eksploracja danych KLASYFIKACJA I REGRESJA cz. 2 Wojciech Waloszek wowal@eti.pg.gda.pl Teresa Zawadzka tegra@eti.pg.gda.pl Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki
Bardziej szczegółowoZastosowanie sieci neuronowych do predykcji prze ycia w przypadku raka jajnika***
AUTOMATYKA 2007 Tom 11 Zeszyt 3 Joanna Grabska-Chrz¹stowska*, Jan Kulpa**, Urszula Rychlik** Zastosowanie sieci neuronowych do predykcji prze ycia w przypadku raka jajnika*** 1. Wprowadzenie Rak jajnika
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się algorytmem gradientu prostego
Bardziej szczegółowoTeleDICOM II system telekonsultacyjny nowej generacji
Konferencja Fundusze europejskie w Małopolsce Kraków, 11 stycznia 2013 TeleDICOM II system telekonsultacyjny nowej generacji Łukasz Czekierda luke@agh.edu.pl Co to są zdalne konsultacje medyczne? Systemy
Bardziej szczegółowoZastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej Adam Żychowski Definicja problemu Każdy z obiektów może należeć do więcej niż jednej kategorii. Alternatywna definicja Zastosowania
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoINSTRUKCJA KORZYSTANIA Z ELEKTRONICZNEJ ŚCIEŻKI WYKAZÓW
INSTRUKCJA KORZYSTANIA Z ELEKTRONICZNEJ ŚCIEŻKI WYKAZÓW Aby sprawnie korzystać z możliwości wysyłania wykazów z wykorzystaniem elektronicznej skrzynki podawczej należy przede wszystkim założyć sobie skrzynkę
Bardziej szczegółowoMarian Branny*, Bernard Nowak*, Bogus³aw Ptaszyñski*, Zbigniew Kuczera*, Rafa³ uczak*, Piotr yczkowski*
Górnictwo i Geoin ynieria Rok 33 Zeszyt 3 29 Marian Branny*, Bernard Nowak*, Bogus³aw Ptaszyñski*, Zbigniew Kuczera*, Rafa³ uczak*, Piotr yczkowski* WP YW PARAMETRÓW USTALONEGO PRZEP YWU DWUFAZOWEGO W
Bardziej szczegółowo