Centralność w sieciach społecznych. Radosław Michalski Social Network Group - kwiecień 2009
|
|
- Henryk Popławski
- 8 lat temu
- Przeglądów:
Transkrypt
1 Centralność w sieciach społecznych Radosław Michalski Social Network Group - kwiecień 2009
2 Agenda spotkania Pojęcie centralności Potrzeba pomiaru centralności Miary centralności degree centrality betweenness closeness Eigenvector (wektory własne) Problemy
3 Czym jest centralność Istotność członka sieci społecznej Mierzona róŝnymi miarami, w zaleŝności od celu Określenie centralności w sieciach społecznych pozwala wyłonić kluczowych uŝytkowników Centralność moŝe dotyczyć węzłów jak i całej sieci
4 Potrzeba pomiaru centralności Analiza węzłów kluczowych zatrzymanie uŝytkownika w sieci potencjalnie duŝy oddźwięk w przypadku zwiększenia nakładów w tym miejscu porównanie istotności stron Analiza sieci w przypadku sieci zdecentralizowanej brak single point of failure w przypadku sieci scentralizowanej potrzeba wprowadzenia ścieŝek alternatywnych (zaleŝy od rodzaju sieci)
5 Miary centralności Degree centality ogólnie outdegree centrality (DC) indegree centrality (prestige) Betweenness centrality Closeness centrality Eigenvector
6 Degree centrality - ogólnie Ilość połączeń danego uŝytkownika z innymi w grafach nieskierowanych Na powyŝszym rysunku - Diane
7 Outdegree centrality Dotyczy grafów skierowanych Węzeł jest bardziej istotny gdy komunikuje się z większą ilością uŝytkowników Im więcej krawędzi wychodzących, tym lepiej Przykładowa interpretacja: im większa wartość, tym bardziej towarzyska jest dana osoba
8 Indegree centrality (prestige) Dotyczy grafów skierowanych Węzeł jest bardziej istotny gdy wskazuje na niego większa ilość innych wierzchołków Im więcej wierzchołków wchodzących, tym lepiej Przykładowa interpretacja: im większa wartość, tym bardziej popularna jest dana osoba
9 Betweenness Kluczowość wierzchołka w zakresie komunikacji (przechodniość, pośredniczene) MoŜliwość wykrycia pojedyńczych miejsc awarii Wysoka wartość moŝliwa interpretacja jako punkt krytyczny dla sieci
10 Algorytm wyznaczania centralności betweennes węzła w sieci idea Istnieją wierzchołki s, t, v V Wiemy Ŝe istnieje przynajmniej jedna droga z s do t Liczymy ilość najkrótszych ścieŝek z wierzchołka z s do t, Liczymy ilość ścieŝek z s do t przechodzących przez wierzchołek v, σ ( v) σ st Suma stosunków st i daje stopień centralności c B ( v) σ st σ st = ( v) v t s σ st σ ( v) st
11 Betweenness - przykład Na poniŝszym przykładzie - Heather
12 Podejście do obliczania Ułatwienie obliczania polega na zbudowaniu tabelki z długościami i liczbą najkrótszych ścieŝek pomiędzy wszystkimi parami wierzchołków. A G C F c B ( v) X D
13 ZłoŜoność Obliczenia cb(v) wynoszą O(n²) tylko przy liczeniu wyznaczaniu centralności dla jednego wierzchołka Dla wszystkich wierzchołków złoŝoność tego algorytmu wynosi O(n³)
14 Closeness centrality Stopień bliskości Określa jak daleko / jak blisko wierzchołek ma do pozostałych wierzchołków w sieci Wysoki stopień centralności wskazuje na uŝytkowników, którzy mogą mieć dobre własności propagacji informacji (wirusów itp. takŝe...)
15 c C (v) Algorytm wyznaczania centralności wierzchołków według bliskości Policzenie wszystkich wierzchołków n Policzenie sumy wszystkich odległości od wierzchołka v do wszystkich pozostałych wierzchołków Stosunek ilości wierzchołków ich odległości od wierzchołka v c n 1 = i 1, v t d( v, C ( v) = n 1 = i 1, v t t i ) n 1 d( v, t i )
16 Closeness - przykład Na poniŝszym przykładzie Fernando i Garth
17 Eigenvector (wektory własne) Przykład web centrality która strona w sieci na zadany temat jest najistotniejsza? Nie wystarczy ilość wskazań do tej strony, ale waŝne skąd te wskazania pochodzą (wskazujący teŝ muszą być istotni, inaczej łatwo oszukać engine) Eigenvector do obliczenia pozycji strony uwzględnia pozycje stron pozostałych Przykłady: PageRank, Social Position
18 Problemy DuŜa złoŝoność obliczeniowa aproksymacja? DuŜa dynamika sieci często kłopotliwa (wymaga ponownych obliczeń w algorytmach liczących całą sieć) Konieczność doboru właściwej miary i wyciągnięcia właściwych wniosków Spoofowanie algorytmów np. PageRank
19 Pytania?
20 Źródła Musial, K., Juszczyszyn, K., Gabrys, B. and Kazienko, P., Patterns of Interactions in Complex Social Networks Based on Coloured Motifs Analysis, 15th International Conference on Neural Information Processing (ICONIP 2008), Nov 2008, Auckland, New Zealand, Wojciech Piekaj, Grzegorz Skorek, Anna Zygmunt, Jarosław Kozlak Środowisko do identyfikowania wzorców zachowań w oparciu o podejście sieci społecznych Algorytmy wyznaczania centralności w sieci, Szymon Szylko Social Network Analysis -
Algorytmy wyznaczania centralności w sieci Szymon Szylko
Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności
Bardziej szczegółowoAksjomatyzacja centralności wektora własnego i Katza oraz ich zastosowanie w systemie finansowym. Tomasz Wąs
Aksjomatyzacja centralności wektora własnego i Katza oraz ich zastosowanie w systemie finansowym Tomasz Wąs Jak zmierzyć ryzyko instytucji finansowej? A Inc. Jak zmierzyć ryzyko instytucji finansowej?
Bardziej szczegółowoBadania w sieciach złożonych
Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar
Bardziej szczegółowoWprowadzenie do analizy sieci społecznych
Wprowadzenie do analizy sieci społecznych Mikołaj Morzy Agnieszka Ławrynowicz Instytut Informatyki Poznań, rok akademicki 2010/2011 (c) Mikołaj Morzy, Agnieszka Ławrynowicz, Instytut Informatyki Politechniki
Bardziej szczegółowoDefinicja pochodnej cząstkowej
1 z 8 gdzie punkt wewnętrzny Definicja pochodnej cząstkowej JeŜeli iloraz ma granicę dla to granicę tę nazywamy pochodną cząstkową funkcji względem w punkcie. Oznaczenia: Pochodną cząstkową funkcji względem
Bardziej szczegółowoAlgorytmy analizy skupień / Sławomir Wierzchoń, Mieczysław Kłopotek. wyd. 1, 1. dodr. (PWN). Warszawa, Spis treści
Algorytmy analizy skupień / Sławomir Wierzchoń, Mieczysław Kłopotek. wyd. 1, 1. dodr. (PWN). Warszawa, 2017 Spis treści Lista ważniejszych oznaczeń 5 Przedmowa 7 1. Analiza skupień 19 1.1. Formalizacja
Bardziej szczegółowoDetekcja motywów w złożonych strukturach sieciowych perspektywy zastosowań Krzysztof Juszczyszyn
Detekcja motywów w złożonych strukturach sieciowych perspektywy zastosowań Krzysztof Juszczyszyn Instytut Informatyki Technicznej PWr MOTYWY SIECIOWE -NETWORK MOTIFS 1. Co to jest? 2. Jak mierzyć? 3. Gdzie
Bardziej szczegółowoKodowanie transformacyjne. Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG
Kodowanie transformacyjne Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG Zasada Zasada podstawowa: na danych wykonujemy transformacje która: Likwiduje korelacje Skupia energię w kilku komponentach
Bardziej szczegółowoA=8; B=9; C=6. Min. Czas trwania Tgr. Wykonanie schematu pracy urządzenia w zespole
1. Cel projektu Zapoznanie się z moŝliwością wspomagania przedsięwzięć związanych z organizacyjno- technicznym przygotowaniem prototypu wyrobu. ZłoŜoność tego typu zagadnień, wymaga stosowania metod wspomagających,
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowosieci społecznych metodą analizy - future work...
Badanie cech lokalnej topologii sieci społecznych metodą analizy motywów sieciowych - perspetktywy... - zastosowania... - future work... Krzysztof Juszczyszyn Krzysztof Juszczyszyn www.iit.pwr.wroc.pl/~krzysiek
Bardziej szczegółowoSieci Społeczne i Analiza Sieci. P. Kazienko and K. Musial Instytut Informatyki Stosowanej, Politechnika Wrocławska Wrocław, 25 Października 2007
Sieci Społeczne i Analiza Sieci P. Kazienko and K. Musial Instytut Informatyki Stosowanej, Politechnika Wrocławska Wrocław, 25 Października 2007 Agenda Kilka słów o naszej grupie Dlaczego warto zająć się
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 szczegółowoXII. GEOMETRIA PRZESTRZENNA GRANIASTOSŁUPY
pitagoras.d2.pl XII. GEOMETRIA PRZESTRZENNA GRANIASTOSŁUPY Graniastosłup to wielościan posiadający dwie identyczne i równoległe podstawy oraz ściany boczne będące równoległobokami. Jeśli podstawy graniastosłupa
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Dane w postaci grafów Przykład: social network 3 Przykład: media network 4 Przykład: information network
Bardziej szczegółowoP r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt.
P r a w d o p o d o b i eństwo Lekcja 1 Temat: Lekcja organizacyjna. Program. Kontrakt. Lekcja 2 Temat: Podstawowe pojęcia związane z prawdopodobieństwem. Str. 10-21 1. Doświadczenie losowe jest to doświadczenie,
Bardziej szczegółowoGEOMETRIA ANALITYCZNA. Poziom podstawowy
GEOMETRIA ANALITYCZNA Poziom podstawowy Zadanie (4 pkt.) Dana jest prosta k opisana równaniem ogólnym x + y 6. a) napisz równanie prostej k w postaci kierunkowej. b) podaj współczynnik kierunkowy prostej
Bardziej szczegółowoMODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH SIECI BAYESOWSKICH
InŜynieria Rolnicza 12/2006 Grzegorz Bartnik, Andrzej Kusz, Andrzej W. Marciniak Katedra Podstaw Techniki Akademia Rolnicza w Lublinie MODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH
Bardziej szczegółowoKurs ZDAJ MATURĘ Z MATEMATYKI - MODUŁ 13 Teoria stereometria
1 GRANIASTOSŁUPY i OSTROSŁUPY wiadomości ogólne Aby tworzyć wzory na OBJĘTOŚĆ i POLE CAŁKOWITE graniastosłupów musimy znać pola figur płaskich a następnie na ich bazie stosować się do zasady: Objętość
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 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 szczegółowoĆwiczenie 3 ANALIZA SIECI SPOŁECZNYCH (SNA) W SIECI
Geografia Internetu Prowadzący: Krzysztof Janc Ćwiczenie 3 ANALIZA SIECI SPOŁECZNYCH (SNA) W SIECI N ZAKŁAD ZAGOSPODAROWANIA PRZESTRZENNEGO I STYTUT GEOGRAFII I ROZWOJU REGIONALNEGO U. WR. Zakład Zagospodarowania
Bardziej szczegółowoŚrodowisko do identyfikowania wzorców zachowań w oparciu o podejście sieci społecznych
Środowisko do identyfikowania wzorców zachowań w oparciu o podejście sieci społecznych Wojciech Piekaj 1, Grzegorz Skorek 1, Anna Zygmunt 1, Jarosław Koźlak 1 Streszczenie: Artykuł opisuje zastosowanie
Bardziej szczegółowoMichał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska
Michał Kozielski Łukasz Warchał Instytut Informatyki, Politechnika Śląska Algorytm DBSCAN Algorytm OPTICS Analiza gęstego sąsiedztwa w grafie Wstępne eksperymenty Podsumowanie Algorytm DBSCAN Analiza gęstości
Bardziej szczegółowoWOJEWÓDZKI KONKURS MATEMATYCZNY dla uczniów gimnazjów i oddziałów gimnazjalnych województwa pomorskiego w roku szkolnym 2018/2019 etap wojewódzki
WOJEWÓDZKI KONKURS MATEMATYCZNY dla uczniów gimnazjów i oddziałów gimnazjalnych województwa pomorskiego w roku szkolnym 2018/2019 etap wojewódzki Zad.1. (0-3) PRZYKŁADOWE ROZWIĄZANIA I KRYTERIA OCENIANIA
Bardziej szczegółowojest rozwiązaniem równania jednorodnego oraz dla pewnego to jest toŝsamościowo równe zeru.
Układy liniowe Układ liniowy pierwszego rzędu, niejednorodny. gdzie Jeśli to układ nazywamy jednorodnym Pamiętamy, Ŝe kaŝde równanie liniowe rzędu m moŝe zostać sprowadzone do układu n równań liniowych
Bardziej szczegółowoMateriał ćwiczeniowy z matematyki Poziom podstawowy Styczeń Klucz odpowiedzi do zadań zamkniętych oraz schemat oceniania
Materiał ćwiczeniowy z matematyki Poziom podstawowy Styczeń 0 Klucz odpowiedzi do zadań zamkniętych oraz schemat oceniania KLUCZ ODPOWIEDZI DO ZADAŃ ZAMKNIĘTYCH Nr zadania 4 5 6 7 8 9 0 4 5 6 7 8 9 0 Odpowiedź
Bardziej szczegółowoLEĆ FMEA FMEA ZAMIAST. Analiza FMEA. Tomasz Greber tomasz@greber.com.pl. Opracował: Tomasz Greber (www.greber.com.pl)
Tomasz Greber tomasz@greber.com.pl MYŚLE LEĆ ZAMIAST PŁACIĆ 1 Dlaczego? Konkurencja Przepisy Normy (ISO 9000, TS 16949 ) Wymagania klientów Koszty niezgodności 1 10 100 1000 Projektowanie Początek produkcji
Bardziej szczegółowoGeometria analityczna
Geometria analityczna Paweł Mleczko Teoria Informacja (o prostej). postać ogólna prostej: Ax + By + C = 0, A + B 0, postać kanoniczna (kierunkowa) prostej: y = ax + b. Współczynnik a nazywamy współczynnikiem
Bardziej szczegółowoUSTALANIE WARTOŚCI NOMINALNYCH W POMIARACH TOROMIERZAMI ELEKTRONICZNYMI
Dr inŝ. Zbigniew Kędra Politechnika Gdańska USTALANIE WARTOŚCI NOMINALNYCH W POMIARACH TOROMIERZAMI ELEKTRONICZNYMI SPIS TREŚCI 1. Wstęp. Podstawy teoretyczne metody 3. Przykład zastosowania proponowanej
Bardziej szczegółowoZałącznik nr 8. do Studium Wykonalności projektu Sieć Szerokopasmowa Polski Wschodniej województwo podkarpackie
MINISTERSTWO ROZWOJU REGIONALNEGO Załącznik nr 8 do Studium Wykonalności projektu Sieć Szerokopasmowa Polski Wschodniej Instrukcja obliczania wskaźnika pokrycia. Strona 2 z 24 Studium Wykonalności projektu
Bardziej szczegółowoKolokwium ze statystyki matematycznej
Kolokwium ze statystyki matematycznej 28.05.2011 Zadanie 1 Niech X będzie zmienną losową z rozkładu o gęstości dla, gdzie 0 jest nieznanym parametrem. Na podstawie pojedynczej obserwacji weryfikujemy hipotezę
Bardziej szczegółowoOgólne wiadomości o grafach
Ogólne wiadomości o grafach Algorytmy i struktury danych Wykład 5. Rok akademicki: / Pojęcie grafu Graf zbiór wierzchołków połączonych za pomocą krawędzi. Podstawowe rodzaje grafów: grafy nieskierowane,
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoWykład 3. Opis struktury zbiorowości. 1. Parametry opisu rozkładu badanej cechy. 3. Średnia arytmetyczna. 4. Dominanta. 5. Kwantyle.
Wykład 3. Opis struktury zbiorowości 1. Parametry opisu rozkładu badanej cechy. 2. Miary połoŝenia rozkładu. 3. Średnia arytmetyczna. 4. Dominanta. 5. Kwantyle. W praktycznych zastosowaniach bardzo często
Bardziej szczegółowoNiepewność metody FMEA. Wprowadzenie 2005-12-28
5-1-8 Niepewność metody FMEA Wprowadzenie Doskonalenie produkcji metodą kolejnych kroków odbywa się na drodze analizowania przyczyn niedociągnięć, znajdowania miejsc powstawania wad, oceny ich skutków,
Bardziej szczegółowoRanking wyników na bazie linków
Eksploracja zasobów internetowych Wykład 4 Ranking wyników na bazie linków mgr inż. Maciej Kopczyński Białystok 2014 Wstęp Poznane do tej pory mechanizmy sortowania istotności zwróconych wyników bazowały
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowoWYMAGANIE EDUKACYJNE Z MATEMATYKI W KLASIE II GIMNAZJUM. dopuszczającą dostateczną dobrą bardzo dobrą celującą
1. Statystyka odczytać informacje z tabeli odczytać informacje z diagramu 2. Mnożenie i dzielenie potęg o tych samych podstawach 3. Mnożenie i dzielenie potęg o tych samych wykładnikach 4. Potęga o wykładniku
Bardziej szczegółowoANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza
ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ Joanna Bryndza Wprowadzenie Jednym z kluczowych problemów w szacowaniu poziomu ryzyka przedsięwzięcia informatycznego
Bardziej szczegółowoSpis treści. I. Czym jest Indeks Haseł 3 II. Wyszukiwanie hasła 4. 1) Alfabetyczna lista haseł 4 2) Wyszukiwarka haseł 4 3) Grupy haseł 6
Spis treści I. Czym jest Indeks Haseł 3 II. Wyszukiwanie hasła 4 1) Alfabetyczna lista haseł 4 2) Wyszukiwarka haseł 4 3) Grupy haseł 6 III. Dokumenty powiązane z wybranym hasłem 7 IV. Moje hasła 10 1)
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 szczegółowoPODSTAWY > Figury płaskie (1) KĄTY. Kąt składa się z ramion i wierzchołka. Jego wielkość jest mierzona w stopniach:
PODSTAWY > Figury płaskie (1) KĄTY Kąt składa się z ramion i wierzchołka. Jego wielkość jest mierzona w stopniach: Kąt możemy opisać wpisując w łuk jego miarę (gdy jest znana). Gdy nie znamy miary kąta,
Bardziej szczegółowoFUNKCJA LINIOWA, RÓWNANIA I UKŁADY RÓWNAŃ LINIOWYCH
FUNKCJA LINIOWA, RÓWNANIA I UKŁADY RÓWNAŃ LINIOWYCH PROPORCJONALNOŚĆ PROSTA Proporcjonalnością prostą nazywamy zależność między dwoma wielkościami zmiennymi x i y, określoną wzorem: y = a x Gdzie a jest
Bardziej szczegółowoTechniki grupowania danych w środowisku Matlab
Techniki grupowania danych w środowisku Matlab 1. Normalizacja danych. Jedne z metod normalizacji: = = ma ( y =, rσ ( = ( ma ( = min = (1 + e, min ( = σ wartość średnia, r współczynnik, σ odchylenie standardowe
Bardziej szczegółowoI Liceum Ogólnokształcące w Warszawie
I Liceum Ogólnokształcące w Warszawie Imię i Nazwisko Klasa Nauczyciel PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI POZIOM PODSTAWOWY Liczba punktów Wynik procentowy Informacje dla ucznia 1 Sprawdź, czy zestaw
Bardziej szczegółowoAnaliza sieci przedsiębiorstw z wykorzystaniem metody SNA
Analiza sieci przedsiębiorstw z wykorzystaniem metody SNA Arkadiusz Kawa, Uniwersytet Ekonomiczny w Poznaniu Słowa kluczowe: sieć przedsiębiorstw, analiza sieci społecznych, SNA, system złożony Streszczenie.
Bardziej szczegółowoWymagania na poszczególne oceny szkolne z. matematyki. dla uczniów klasy IIIa i IIIb. Gimnazjum im. Jana Pawła II w Mętowie. w roku szkolnym 2015/2016
Wymagania na poszczególne oceny szkolne z matematyki dla uczniów klasy IIIa i IIIb Gimnazjum im. Jana Pawła II w Mętowie w roku szkolnym 2015/2016 DZIAŁ 1. FUNKCJE (11h) Uczeń: poda definicję funkcji (2)
Bardziej szczegółowoMatura próbna 2014 z matematyki-poziom podstawowy
Matura próbna 2014 z matematyki-poziom podstawowy Klucz odpowiedzi do zadań zamkniętych zad 1 2 3 4 5 6 7 8 9 10 11 12 odp A C C C A A B B C B D A 13 14 15 16 17 18 19 20 21 22 23 24 25 C C A B A D C B
Bardziej szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
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 szczegółowo5c. Sieci i przepływy
5c. Sieci i przepływy Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2016/2017 rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 5c. Sieci i przepływy zima 2016/2017 1 / 40 1 Definicje
Bardziej szczegółowoTranzytywność struktur modularnych
Tranzytywność struktur modularnych Rola, cele i problemy aplikacji w ramach inżynierii wiedzy i kognitywistyki Adam Fedyniuk Abstrakt: Zastosowanie struktury modularnej w ramach róznych rozwiązań tak inżynieryjnych
Bardziej szczegółowoSCENARIUSZ LEKCJI Z MATEMATYKI. opracowała Hanna Szmyt
SCENARIUSZ LEKCJI Z MATEMATYKI opracowała Hanna Szmyt Temat: Zadania optymalizacyjne dotyczące funkcji kwadratowej. 1. Cele główne: pokazanie zastosowań własności funkcji kwadratowe w zadaniach optymalizacyjnych,
Bardziej szczegółowoProblem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowo{( ) ( ) ( ) ( )( ) ( )( ) ( RRR)
.. KLASYCZNA DEFINICJA PRAWDOPODOBIEŃSTWA Klasyczna definicja prawdopodobieństwa JeŜeli jest skończonym zbiorem zdarzeń elementarnych jednakowo prawdopodobnych i A, to liczbę A nazywamy prawdopodobieństwem
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowoBadanie funkcji. Zad. 1: 2 3 Funkcja f jest określona wzorem f( x) = +
Badanie funkcji Zad : Funkcja f jest określona wzorem f( ) = + a) RozwiąŜ równanie f() = 5 b) Znajdź przedziały monotoniczności funkcji f c) Oblicz największą i najmniejszą wartość funkcji f w przedziale
Bardziej szczegółowoZastosowanie wartości własnych macierzy
Uniwersytet Warszawski 15 maja 2008 Agenda Postawienie problemu 1 Postawienie problemu Motywacja Jak zbudować wyszukiwarkę? Dlaczego to nie jest takie trywialne? Możliwe rozwiazania Model 2 3 4 Motywacja
Bardziej szczegółowoIV.3.b. Potrafisz samodzielnie dokonać podstawowej konfiguracji sieci komputerowej
IV.3.b. Potrafisz samodzielnie dokonać podstawowej konfiguracji sieci komputerowej Co warto wiedzieć o łączeniu komputerów w sieci? Spójrz na rysunek IV.3p, który przedstawia właściwości Połączeń lokalnych,
Bardziej szczegółowoSposoby analizy i interpretacji statystyk strony WWW.
Sposoby analizy i interpretacji statystyk strony WWW. Jak oceniać sprzedaŝ przez WWW? Grzegorz Skiera, Łukasz PraŜmowski grzegorz.skiera@cyberstudio.pl lukasz.prazmowski@cyberstudio.pl O czym powiemy?
Bardziej szczegółowo9. Podstawowe narzędzia matematyczne analiz przestrzennych
Waldemar Izdebski - Wykłady z przedmiotu SIT 75 9. odstawowe narzędzia matematyczne analiz przestrzennych Niniejszy rozdział służy ogólnemu przedstawieniu metod matematycznych wykorzystywanych w zagadnieniu
Bardziej szczegółowoMODELE SIECIOWE 1. Drzewo rozpinające 2. Najkrótsza droga 3. Zagadnienie maksymalnego przepływu źródłem ujściem
MODELE SIECIOWE 1. Drzewo rozpinające (spanning tree) w grafie liczącym n wierzchołków to zbiór n-1 jego krawędzi takich, że dowolne dwa wierzchołki grafu można połączyć za pomocą krawędzi należących do
Bardziej szczegółowoPlanowanie produkcji poligraficznej
Planowanie produkcji poligraficznej Pierwszą fazą planowania technologicznego i technicznego produkcji jest sporządzenie schematów blokowych obrazujących kolejne procesy wykonania produktu poligraficznego.
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 5. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład. Prof. dr hab. inż. Jan Magott Algorytmy grafowe: podstawowe pojęcia, reprezentacja grafów, metody przeszukiwania, minimalne drzewa rozpinające, problemy
Bardziej szczegółowoHAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM
ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega
Bardziej szczegółowoJarosław Wróblewski Matematyka dla Myślących, 2008/09
9. Funkcje trygonometryczne. Elementy geometrii: twierdzenie Pitagorasa i twierdzenie cosinusów, twierdzenie o kącie wpisanym i środkowym, okrąg wpisany i opisany na wielokącie, wielokąty foremne (dokończenie).
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 szczegółowoRównoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami
Równoległy algorytm wyznaczania bloków dla cyklicznego problemu przepływowego z przezbrojeniami dr inż. Mariusz Uchroński Wrocławskie Centrum Sieciowo-Superkomputerowe Agenda Cykliczny problem przepływowy
Bardziej szczegółowoEGZAMIN MATURALNY Z MATEMATYKI
Miejsce na naklejkę z kodem szkoły dysleksja EGZAMIN MATURALNY Z MATEMATYKI MMA-R1A1P-052 POZIOM ROZSZERZONY Czas pracy 150 minut Instrukcja dla zdającego 1. Sprawdź, czy arkusz egzaminacyjny zawiera 15
Bardziej szczegółowoRedukcja dowolnego układu wektorów, redukcja w punkcie i redukcja do najprostszej postaci
Redukcja dowolnego układu wektorów, redukcja w punkcie i redukcja do najprostszej postaci Twierdzenie o redukcji: ażdy układ wektorów równoważny jest układowi złożonemu ze sumy o początku w dowolnym punkcie
Bardziej szczegółowoMATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY
ERIAŁY DO WYKŁADU GRAFY Graf nieskierowany Grafem nieskierowanym nazywamy parę G = (V, E), gdzie V jest pewnym zbiorem skończonym (zwanym zbiorem wierzchołków grafu G), natomiast E jest zbiorem nieuporządkowanych
Bardziej szczegółowooperacje porównania, a jeśli jest to konieczne ze względu na złe uporządkowanie porównywanych liczb zmieniamy ich kolejność, czyli przestawiamy je.
Problem porządkowania zwanego również sortowaniem jest jednym z najważniejszych i najpopularniejszych zagadnień informatycznych. Dane: Liczba naturalna n i ciąg n liczb x 1, x 2,, x n. Wynik: Uporządkowanie
Bardziej szczegółowoBADANIE DIAGNOSTYCZNE W KLASIE TRZECIEJ GIMNAZJUM CZĘŚĆ MATEMATYCZNO-PRZYRODNICZA MATEMATYKA
BADANIE DIAGNOSTYCZNE W KLASIE TRZECIEJ GIMNAZJUM CZĘŚĆ MATEMATYCZNO-PRZYRODNICZA MATEMATYKA Zadanie 1. Uczeń przeczytał w ciągu tygodnia ksiąŝkę liczącą 420 stron. Dzień Liczba przeczytanych stron Czas
Bardziej szczegółowoPOWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY PODSTAWOWY NR 2 KSWP 2 WARTOŚCI INNE NIś WARTOŚĆ RYNKOWA
1. Wprowadzenie POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) KRAJOWY STANDARD WYCENY PODSTAWOWY NR 2 KSWP 2 WARTOŚCI INNE NIś WARTOŚĆ RYNKOWA 1.1. Celem niniejszego standardu jest przedstawienie definicji wartości
Bardziej szczegółowo51. Wykorzystywanie sumy, iloczynu i różnicy zdarzeń do obliczania prawdopodobieństw zdarzeń.
Matematyka lekcja 5 5. Wykorzystywanie sumy, iloczynu i różnicy zdarzeń do obliczania prawdopodobieństw zdarzeń. I. rzypomnij sobie:. Jak rysujemy drzewo stochastyczne i przy jego pomocy obliczamy prawdopodobieństwo
Bardziej szczegółowoRUTERY. Dr inŝ. Małgorzata Langer
RUTERY Dr inŝ. Małgorzata Langer Co to jest ruter (router)? Urządzenie, które jest węzłem komunikacyjnym Pracuje w trzeciej warstwie OSI Obsługuje wymianę pakietów pomiędzy róŝnymi (o róŝnych maskach)
Bardziej szczegółowoCase study: Mobilny serwis WWW dla Kolporter
Case study: Mobilny serwis WWW dla Kolporter Sklep internetowy Kolporter.pl oferuje swoim Klientom blisko 100 000 produktów w tym: ksiąŝki, muzykę, film i gry. Kolporter postanowił stworzyć nowy kanał
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 szczegółowoLuminancja jako jednostka udziału barwy składowej w mierzonej:
Luminancja jako jednostka udziału barwy składowej w mierzonej: L : L : L 1,0000: 4,5907 :0,0601 L L : L 98,9%:1,1 % WNIOSEK: Trzeba wprowadzić skalę, w której luminancja trzech bodźców byłaby oceniana
Bardziej szczegółowoFunkcja kwadratowa. f(x) = ax 2 + bx + c,
Funkcja kwadratowa. Funkcją kwadratową nazywamy funkcję f : R R określoną wzorem gdzie a, b, c R, a 0. f(x) = ax 2 + bx + c, Szczególnym przypadkiem funkcji kwadratowej jest funkcja f(x) = ax 2, a R \
Bardziej szczegółowoSystemy liczenia. 333= 3*100+3*10+3*1
Systemy liczenia. System dziesiętny jest systemem pozycyjnym, co oznacza, Ŝe wartość liczby zaleŝy od pozycji na której się ona znajduje np. w liczbie 333 kaŝda cyfra oznacza inną wartość bowiem: 333=
Bardziej szczegółowoSieci komputerowe. Wykład 8: Wyszukiwarki internetowe. Marcin Bieńkowski. Instytut Informatyki Uniwersytet Wrocławski
Sieci komputerowe Wykład 8: Wyszukiwarki internetowe Marcin Bieńkowski Instytut Informatyki Uniwersytet Wrocławski Sieci komputerowe (II UWr) Wykład 8 1 / 37 czyli jak znaleźć igłę w sieci Sieci komputerowe
Bardziej szczegółowoWykład 16. P 2 (x 2, y 2 ) P 1 (x 1, y 1 ) OX. Odległość tych punktów wyraża się wzorem: P 1 P 2 = (x 1 x 2 ) 2 + (y 1 y 2 ) 2
Wykład 16 Geometria analityczna Przegląd wiadomości z geometrii analitycznej na płaszczyźnie rtokartezjański układ współrzędnych powstaje przez ustalenie punktu początkowego zwanego początkiem układu współrzędnych
Bardziej szczegółowoStatystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.
Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część V - Model PRAM II
Algorytmy Równoległe i Rozproszone Część V - Model PRAM II Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/ kuszner/arir/ 2005/06
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 szczegółowoOstrosłupy ( ) Zad. 4: Jedna z krawędzi ostrosłupa trójkątnego ma długość 2, a pozostałe 4. Znajdź objętość tego ostrosłupa. Odp.: V =
Ostrosłupy Zad 1: W ostrosłupie prawidłowym trójkątnym kwadrat długości krawędzi podstawy, kwadrat długości wysokości ostrosłupa i kwadrat długości krawędzi bocznej są kolejnymi wyrazami ciągu arytmetycznego
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI W KLASIE II W PUBLICZNYM GIMNAZJUM NR 2 W ZESPOLE SZKÓŁ W RUDKACH
WYMAGANIA EDUKACYJNE Z MATEMATYKI W KLASIE II W PUBLICZNYM GIMNAZJUM NR 2 W ZESPOLE SZKÓŁ W RUDKACH Marzena Zbrożyna DOPUSZCZAJĄCY: Uczeń potrafi: odczytać informacje z tabeli odczytać informacje z diagramu
Bardziej szczegółowoTematy próbnego pisemnego egzaminu dojrzałości z matematyki
Tematy próbnego pisemnego egzaminu dojrzałości z matematyki Zadanie Rozwiąż nierówność: [ +log 0, ( x- )] + [ +log 0, ( x- )] + [ +log 0, ( x- )] ++ + [ + log 0, ( x- )] Zadanie Odcinek AB, gdzie A = (,
Bardziej szczegółowoGrafem nazywamy strukturę G = (V, E): V zbiór węzłów lub wierzchołków, Grafy dzielimy na grafy skierowane i nieskierowane:
Wykład 4 grafy Grafem nazywamy strukturę G = (V, E): V zbiór węzłów lub wierzchołków, E zbiór krawędzi, Grafy dzielimy na grafy skierowane i nieskierowane: Formalnie, w grafach skierowanych E jest podzbiorem
Bardziej szczegółowoI. Liczby i działania
I. Liczby i działania porównywać liczby wymierne, zaznaczać liczby wymierne na osi liczbowej, zamieniać ułamki zwykłe na dziesiętne i odwrotnie, zaokrąglać liczby do danego rzędu, szacować wyniki działań,
Bardziej szczegółowoOpis ćwiczenia. Cel ćwiczenia Poznanie budowy i zrozumienie istoty pomiaru przyspieszenia ziemskiego za pomocą wahadła rewersyjnego Henry ego Katera.
ĆWICZENIE WYZNACZANIE PRZYSPIESZENIA ZIEMSKIEGO ZA POMOCĄ WAHADŁA REWERSYJNEGO Opis ćwiczenia Cel ćwiczenia Poznanie budowy i zrozumienie istoty pomiaru przyspieszenia ziemskiego za pomocą wahadła rewersyjnego
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoPodstawy działań na wektorach - dodawanie
Podstawy działań na wektorach - dodawanie Metody dodawania wektorów można podzielić na graficzne i analityczne (rachunkowe). 1. Graficzne (rysunkowe) dodawanie dwóch wektorów. Założenia: dane są dwa wektory
Bardziej szczegółowoTematy: zadania tematyczne
Tematy: zadania tematyczne 1. Ciągi liczbowe zadania typu udowodnij 1) Udowodnij, Ŝe jeŝeli liczby,, tworzą ciąg arytmetyczny ), to liczby,, takŝe tworzą ciąg arytmetyczny. 2) Ciąg jest ciągiem geometrycznym.
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoWymagania edukacyjne z matematyki
Wymagania edukacyjne z matematyki Klasa I - program Matematyka z plusem" LICZBY I DZIAŁANIA POZIOM KONIECZNY - ocena dopuszczająca porównywać liczby wymierne, zaznaczać liczby wymierne na osi liczbowej,
Bardziej szczegółowo