STUDIA I PRACE I FINANSOW

Wielkość: px
Rozpocząć pokaz od strony:

Download "STUDIA I PRACE I FINANSOW"

Transkrypt

1 ISSN STUDIA I PRACE KO LEGIUM ZARZ1\DZANIA..- I FINANSOW ZESZYT NAUKOWY 41 Szkola GI6wna Handlowa w Warszawie

2 SPIS TRESCI Od Komitetu Redakcyjnego CZJ;:SC PffiRWSZA ARTYKULY Z ZARRESU FINANSOW I BANKOWOSCI... 7 Oeeoa wynik6w polskich funduszy inwestycyjnych przy wykorzystaniu miar efektywnosci zarzl:\dzania portfelami papierow wartosciowych Tomasz S~dkowski... 9 Neutralno c pieni~dza 8 zadania wsp6lczesnych bank6w centralnycb A.I'Lur Wi ~znowski _ Stan prac nad Now~ Bazylejskq Umowq Kapitalow~ - wyzwania dia polskiego sektora bankowego Jan Kolesnik Metody scoringowe Anna Matuszyk... _ Analiza przyczyn pogorszenia s i~ kondycji finansowej Banku W Malgorzat.a Zaleska, Zhigniew Korzeb... _ _ 68 Aktualnosc propozycji wprowadzenia obowit\zkowej emisji podporzt\dkowanych instrument6w djuznych przez banki Krzysztof Jackowicz. _ _..... _... _ CZJ;:SC ORUGA ARTYKULY Z ZAKRESU ZARZP,DZANIA I EKONOMII Wsp61czesne uj~cie krzywej Phillipsa Radoslaw Sliwerski.; Kapit,al intelektualny w przedsi~biorstwie - istota i melody pomiaru Jacek Grzywacz, Ewa Lorek Wybrane problemy fuzji i przej~c Grazyna Aniszewska _ Analiza i oeena metod ograniczania ryzyka w d'l.iatalnosci handlowej przedsi~biorstwa Anna Maria Olkiewicz.. _.. _.. _... _ _... _... _ 139 Zagadnienia niepoznawalnej przysztosci a strategiczne zarzlldzanie przedsi~biorstwem Krzysztof Popowicz... _... _.. _. _ _... _. 152 Polityka roln. Maciej Mindur..... _.... _ _ Zestawienie artyku16w, kt6re ukazaly si~ w Zeszytach Naukowych "Studia i Prace Kolegium Zarzlldzania i Finans6w" w 2003 roku... _..... _ 185 Zestawienie zawartosci kolejnych numerow Zeszyt6w Naukowych "Studia i Prace Kolegium Zar z~dzania i Finans6w"z 2003 roku... _

3 Anna Matuszyk Szkola Gt6wna Handlowa* Metody scoringowe 1. Wprowadzenie Kluczowym problemem do rozwi'lzania dla bankow prowadz'lcych dzialalnosc kredytowq stanowi mozliwie obiektywne okreslenie poziomu ryzyka zwiqzanego z klientem banku oraz wskazanie analitykom bankowym metody pozwalaj~cej oa podj~cie decyzji 0 akceptowalnym poziomie ryzyka. 1 Do szacowania ryzyka kredy towego sl uzy grupa metod scoringowych, dzi~k.i ktorym mozna ocenic zagrozenia wynikaj'lce z wartosci poszczegolnych cech kredytobiorcy. Metody stosowane w credit scoringu mozna podzielic na dwie glowne grupy: metody statystyczne, metody niestatystyczne. Do lat 80. XX wieku, jedynymi metodamj stosowanymi w credit scoringu, byly metody statystyczne. 2 Metody niestatystyczne sq wi~c nowymi metodami, jednakze rozwijaj'l si~ dynamicznie. One tez b~d'l przedmiotem rozwazaii. Tabela 1. Podzial metod scoringowych Metody stosowane w credit scor;ngu Statystyczne Niestatystyczne analiza dyskryminacyjna, regresja Liniow8, regresja logistyczna, najblizsze sbrsiedztwo, drzewa klasyfikacyjne ZrOdlo: opracowanie wlasne. 2. Programowanie matematyczne programowanie matematyczne (liniowe i calkowitoliczbowe). sieci neuronowe, algorytmy genetyczne, systemy eksperckie Jednq z metod nalez!lcych do grupy metod niestatystycznych. jest programowanie matematyczne. 3 Szczegolnym przypadkiem modeli programowania matematycznego, Autorlut jest sluchaczkq studi6w doktoranekieh przy KZiP. I Por. P. Mierzejewslti, Metoda scoringowll, Bank, , $ Por. L. C. Thomas, D. B. Edelman, J. N. Crook, Credit Scoring and Its Applications. Society for Industrial and Applied Mathematics, Philadelphia 2002 S Por. A. Jane, M. Kraska, Credit-scoring... ap. cit. S. 84.

4 56 / Anna Matuszyk stosowanyeh w credit scoringu przy klasyfikacji kredytobioreow, S'l modele programowania liniowego oraz programowania c3jkowitoliczbowego. 2_1. Programowanie liniowe Zanim zostanie omowione programowanie liniowe, nalezy przyj~c nast~pujqce zaloienia. Nieeh: A - b~dzie grup'l wszystkich moiliwych kombinacji wartogci, ktore zmienne charakteryzuj'lee aplikanta X = (XI'X2''''' X~ mog'l przyj'lc,' (x ii,x i2 '... ' x ip ) - charakterystyki i-tego aplikanta, odpowiadaj'lee zmiennym, X = (Xl'X2''''' X~ nd - proba rzetelnyeh aplikantow ("dobrych"), n, - proba nierzetelnyeh aplikantow ("zlyeh"), n - proba bytych aplikantow; n= nd + n" (wl'w 2,,,.,w ) - p wagi przypisywane zmiennym niezaleznyrn, c - wartoge punktu odei~cia (ang. cut-off point); a i - wektor bl~6w absolutnych (odchylen), rozumianych jako odleglosc i-tej obserwacji od punktu progowego c i reprezentuj'lcych rozmiar zlej klasyfikacji obserwacji. 5 Nast~pnie naleiy znale'c takie wartogei (wl'w 2,,,.,w p )' aby dla "dobrych" klientow wyrazenie w lx 1 + wzx W px p) bylo powyzcj wortosci c, natomiast dia "zlych" klientow poniiej,6 J egli i-ty aplikant w probie jest dobry, to musi bye spelniony nast~puj'ley warunek: Jeglij-ty apjikant w pr6bie jest zly, to musi bye spelniony warunek: W tx j 1 + WzXj W pxj p :S C + aj" Aby znaleic wagi (wl'w 2,,,.,w p ) ' kt6re minimalizuj'l sum~ odchylen, naleiy rozwi'lzac nast~puj'ley program liniowy: 7 minimalizowac: a t + a a n +n J d, pod warunkiem: W 1 X t1 + W~ i wpxip 2: C - a j ; 1 :s i s n d, w1x n + w ri2 +,.. + wpx ip~c + ai;n d + 1 si :sn d + n zl a i ~ 0; 1 si s nd + n z '.j Por. L. C. Thomas, A Survey of Credit and Behavioural Scoring; Forecasting financial risk of lending to consumers, University of Edinburgh, UK, Credit Research Centre Working Papers No. 99/2, s Por. A. Jane, M. Kraska, Credit-scoring... up. cit., s Por. L. C. Thomas, A Survey of Credit and..., op. cit., bidern.

5 Metody scoring owe / 57 Dll,zy si~ do okreslenia xi' aby suma absolutnych odchylen jednostek, lez~cych po nieodpowiedniej stronie wielowymiarowej plaszczyzny, oddzielajll,cej dwie grupy, byla najrnniejsza B Obserwacja z grupy nd jest He zaklasyfikowana, jezeli lezy powyzej wielowymiarowej plaszczyzny, natomiast obserwacja z grupy n,jest :lie zaklasyfikowana, jesli lezy ponizej wielo~arowej plaszczyzny. :llii b~d z ie rowna zero, jesli dwie grupy b~d,! dokladnie oddzielone przez wielowymiarow,! plas zczyzn~ Programowanie calkowitoliczbowe Jesli wiadamo, ze;9 L - zaklasyfikowanie i-ty podmiotu "dobrego" do grupy "zlych" klient6w, D - zaklasyfikowanie i-ty podmiotu "zlego" do grupy "dobrych" klient6w, to zbudowanie karty scoringowej na podstawie tych kryteri6w moze bye dokonane za pomoc,! programowania liniowego. Niekt6re zmienne b~d,! mialy postae liczb calkowitych, dlatego tez technika ta jest nazywana programowaniem calkowitoliczbowym. Tego typu model (minimalizuj,!cy liczb ~ zlych klasyfikacji) zostal przedstawiony przez Koehlera i Erenguca w 1990 roku w nast~puj~cy spos6b: 10 minimalizowae: L(d! d ) + D(d d ), nd fl d' I Tld +z pod warunkiem: W1X i l WpXip ~ C - Md; 1 :s; i!i n d, W 1X il WpX jp.s c + Md;; n d + 1 si s n d + n z, d gdzie: i E {O, I}, d - i zmienna, ktora przyjrnuje wartosci: 1 - jesli i-ty klient jest :lie zaklasyfikowany oraz 0 w przeciwnym przypadku. Programowanie matematyczne, jako metoda klasyfikacji w credit scoring", zasluguje na uwag~ ze wzgl~du na kilka fakt6w: 11 maze wykorzystywac jednoczesnie duz! liczbfi! zmiennych, maze rozwiqzywac kilka zadan jednoczesnie, co pomaga w utworzeniu tabliey scoringowej, pozwalajqcej na przyklad oceniac zarowno zdolnosc kredytow,!, rentownose, jak i wykorzystanie karty kredytowej, pozwala na stawienie pewnych wymagail, co do wlasciwosci wag, programowanie matematyczne moina latwo przystosowac do roinych celow badail i stopnia skomplikowania rozwazanych problemow,12 8 Por. A. J ane, M. Kraska, Credit-scoring..., op. cit., s Por. L. C.Thomas, A Survey of Credit and..., op. cit., s Ibidem. 11 Por, A. Jane, M. Kraska, Credit-scoring... op, cit., s Por. J. Kulawik, Modele..., "Bank. i Kredyt" /1996, s. 75.

6 58 / Anna Matuszyk latwo daje si~ wi'lczye do modelu zmienne zaloienia 0 istotnosci bt~ow klazyfikacj~ mniejszy jest wplyw znieksztalcen spowodowanych wyst~powaniem wartosci skrajnych. 3. Sieci neuronowe Sieci neuronowe s'ljedn'l z metod stosowanych w credit scoringu. Umoiliwiaj'l one, poprzez eksperymenty, odkrycie zwi'lzku mi~dzy cechami kredytobiorcy a prawdopodobienstwem nie sptacania zobowi~zail. PozwalajEl rowniez okreslic, kt6re cechy s'l nl\ibardziej istotne przy przewidywaniu prawdopodobienstwa niewyplacalnosci. Sztuczne neurony SEl logicznymi odpowiednikami oryginalnych neuronow - maj'lcymi podobne wlasciwosci i dzialaj'lcymi takjak ich pierwowzory.13 Najprosciej sztuczny neuron moina okreslie jako przetwornik, ktory pobiera informacje ze w8zystkich, swoich wejsc i na ich podstawie emituje sygnat wyjsciowy. W modelu sztucznego neuronu, kaidemu pol'lczeniu, mi~dzy neuronami przypisuje si~ odpowiedni'l wag~. Waga to pewna stala, przez ktor'l przemnoiony jest kaidy sygnal przechodzf\cy mi~dzy dwoma konkretnymi neuronami. Dzi~ki temu, w zaleznosci od wag, impulsy od jednych neuron6w Bel wainiejsze od innych. Kaidy neuron pobiera sygnaly od wszystkich pol~czonych ze sobfl neuron6w, kazdy przemnaza przez odpowiedni'l wag~ otrzymane wartosci, sumuje i w oparciu 0 t~ sum~ nadaje sygnal wyjsciowy. Funkcja, ktora odpowiada za koncowy sygnal, nazywa si~ f\lnkcj'l aktywacji. Wybor funkcji aktywacji zaleiy od rodzaju problemu, jaki stawia si~ przed sieci.:t do rozwiflzania. DIa sieci wielowarstwowych najczfi!sciej stosowane S'l funkcje nieliniowe, gdyi neurony 0 takich charakterystykach wykazuj'l najwi",ksze zdolnosci do nauki. Rysunek 1 przedstawia prosty sztuczny neuron, ktory jest nazywany Perceptorem Rosenblatta. Skonstruowany w~zel (ang. node) sumuje ze swego Sljsiedztwa dane wejsciowe (sygnaly) 0 przypisanych wagach, porownuje sumfi! do swej progowej wartosci e i przesyta wynik jako argument do funkcji aktywacji. Wartosc typowego w~zla Y jest obliczana za pomoc'l nast~puj'lcego wzoru: l4 " Y, ~ g(a) ~g(2: wj'y j -(J,). j_l gdzie: 0- progowy poziom aktywacji, uwaiany za rownowag~. l3 Ibidem. 14 Por. R. E. Dorsey, R. O. Edmister, J. D. Johnson, Bankruptcy Prediction Using Artificial Neural Systems, The University of Mississippi School of Business, s. 6.

7 Metody scoringowe / 59 Rysunek 1. Typowy sztuczny neuron vo v, V2 Vi - sygnaty wejsciowe dla i= 0... n-1 Y - sygnal wyjsciowy funkcja aktywacji ----~------~~~ QJ~ -. y Y,t-l 2r0010: opracowanie wlasne nn podstawie: R. E. Oorooy, R. 0, Edmister, J. D. Johnaon, Bankrupu.")' Prediction Using Artificial Neural Systems, The University of Mississippi School of Business, s. 7 oraz L. C. Thomas. D. B. Edelman, J. N. Crook, Credit Scoring and Its Applications, Society for Industrial and Applied Mathematics, Philadelphia 2002, s. 70. Jo..k widal: na rysunku I, kaidy w~zel Y maze bye przedstawiony jako funkcja n-sygnalow danych wejsciowych 0 odpowiednich wagach. Perceptrony mog'li'lczyc si~ ze sob::t w zbiory warstw tworzqce tzw. wielowarstwowy perceptron, co zostalo przedstawione na rysunku 2. Rysunek 2. Przyklad trzywarstwowej sieci percepcyjnej warstwa wyjsciowa (ang. output layer) warstwa ukryta (ang. hidden layer) v, 6k warstwa wejsciowa tang. input/ayer) In1 In9 Zr6dlo: R. E. Dorsey, R. O. Edmister, J. D. Joh nson, Ba.nkruptcy Prediction Using Artificial Neural Systems, The University of Mississippi School of Business, s. 6.

8 60 / Anna Matuszyk W tego typu sieciach warstwowych (perceptronach) neurany podzielone s<l na warstwy, gdzie kazdy neuron w warstwie jest polllczony ze wszystkimi neu ronami, z warstwy poprzedniej.15 PierwszEl warstw~ nazywamy warstwel wejsciowel, ostatnill wyjsciowel, a wszystkie pomi~dzy nimi to warstwy ukryte. Do roznych zadad. wykorzystuje si~ sieci 0 roznej liczbie warstw. ls W systemach credit scoringu liczba danych wejsciowych uzalezniona jest od liczby zmiennych poddawanych ocenie. NajpopularniejszEl form==! sztucznej sieci neuronowej jest trzywarstwowa siec, 17 Na rysunku 2 dolna warstwa w~zl6w reprezentuje obserwacje zmiennych wejsciowych. 18 Przy kazdym w~zle warstwy ukrytej jest obliczana zwazona suma impulsow (wejsciowych), a dane wyjsciowe z w~zlow warstwy ukrytej s'l nieliniow'l transformacj'l tej sumy. W tym przypadku zostala zastosowana funkcja logistyczna ze wzoru (l). Zatem, kazda linia i'lcz'lca w~zly, reprezentuje wag~ w jk. Dana wyjsciowa z k-tego w~zla ukrytego jest podana rownaniem (1), gdziej jest liczb'l zmiennych wejsciowych. Wyjscie z siecijest zwazon'l sum'! danych wyjsciowych z w~zlow ukrytych. Tabela 2. Zalety i wady sieci neuronowych Zalety system maze nie osiqgnqc struej minimal- nej konfiguracji (optymalnej redukcji ble- du), okreslajqc jedynie lokalne minima bez zdolnosci zbliienia si Ci! do optimum; siee neuronowa nie wymaga wczesniej sprecyzowanej funkcjonalnej farmy ani przyj~ia restrykcyjnych zalozen. dotyczqcych charakterystyk, statystycznej dystrybucji zmiennych i b1li':d6w modelu; system maze spowodowac oscylacjf; (nie- stabilnosc) zachowail w fazie uczenia sif;; istnieje mozliwosc pracy z nieprecyzyjnymi zmiennymi i z ciwymi zmianami modeli, co pozwala na stopniowe pczystosowywanie sif; do pojawiajqcych sif; nowych przypadk6w, powoduj~cych zmiany sytuacji; metoda ta maze zostac polqczona z istniejelcymi systemamij daje moiliwosc opanowania ukrytych struktur danych. Wady proces uczenia si/il moze trwac bardzo dlugo; analiza procesu przyznawania wag poszczeg6lnym jednostkom jest ztoiona i trudna do zinterpretowaniaj istnieje slaba przejrzystosc sieci, jeieli chodzi 0 analiz~ logiki systemu. Sprawia to trudnosci w identyfikacji przyczyn bl~d6w i wadliwych odpowiedzi. Zr6dlo: opraeowanie wlasne na podstawie: A. Jane, M. Kraska, Credit-scoring. Nowoczesna metoda oceny zdolnosci kredytowej, Biblioteka Menedzera i Bankowea, Warszawa 2001, s. 94 oraz E. Mays, Handbook of credit scoring, The Gienlake Publishing Company Ltd., 2001, s Por. Sieci neuronowe - Eiementarz, 16 Ibidem. 17 Por. A. Jane, M. Kraska, Credit-scoring..., op. eit., s Par. R. E. Dorsey, R. O. Edmister, J. D. Johnson, Bankruptcy Prediction..., op. cit., s. 6.

9 Metody scoringowe / Algorytmy genetyczne Doniesienia 0 prabach zastosowania metody opartej 0 algorytmy genetyczne w obszarze analizy ekonomicznej, pojawily si~ dopiero z pocz1jtkiem lat 90. Przyktadem tego typu aplikacji jest algorytm GAAT, ' 9 stosowany przez banki do oceny kondycji ekonomicznej przedsi~biorstw staraj1jcych si~ 0 kredyt. Algorytmy genetyczne znalazly zastosowanie do rozwi"zywania problemaw optymalizacji. rawniez w credit scoringu. Kolejne procedury, wg ktarych przebiega proces algorytmu genetycznego, S1j nast~puj'lce:2 0 losowanie populacji, ocena osobnik6w, selekcja, krzyzowanie, mutacja, powrat do punktu 2. Procedura od punktu 2 do 6 jest powtarzana do momentu, ai otrzyma si~ stal1j populacj~, czyli wtedy, gdy nie ma juz mozliwosci przeprowadzenia dalszej ewolucji poprzez krzyzowanie, a jedynie rzadkie genetyczne modyfikacje,2l 4.1. Losowanie populacji W tym miejscu ustala si~, jak wielka b~dzie tworzona populacja. J esli populacja b~dzie zawierala zbyt mato osobnikaw, to algorytm moze zatrzymae si~ w jakims minimum lokalnym, taka sytuacja moze zaistniee, gdy jakies nie najlepsze rozwi1jzanie zdominuje cal1j populacj~. Z drugiej strony, zbyt duza liczebnose populacji zmniejsza szybkose dzialania programu. Po ustaleniu wielkosci populacji nalezy stworzye od nowa wszystkie osobniki. Ze wzgl~du na fakt, ze pocz1jtkowa populacja powinna bye jak najbardziej raznorodna, kazdy osobnik powinien bye tworzony calkowicie losowo Ocena osobnik6w W tym kroku badana jest "dobroe" poszczegalnych osobnikaw. W zaleznosci od rodzaju problemu, razne S1j funkcje sprawdzaj1jce przystosowanie osobnikaw. W przypadku ekstremum funkcji, "dobroci'l" jest po prostu wartose funkcji w zadanym punkcie x. 19 Por. L. C. Thomas, D. B. Edelman, Credit Scoring and.. " op. cit., s Por. 0 algorytmach genetycznych, 21 Por. A. Jane, M. Kraska, Credit scoring..., op. cit., s. 100.

10 62 / Anna Matu5zyk Przypusemy. ze eheemy obliezye parametry:22 a p a 2... a p bp b 2 ". bp. e. uzyte w ponizszym r6wnaniu scoringowym, stosowanym do klasyflkowania aplikant6w ubiegajl\cyeh si~ 0 kredyt: gdzie: X ip... x,p - wartosei eeeh charakterystyeznyeh dla i-tego aplikanta. ai' a 2."., ap' bp b 2,,,., bp' c - szukane wartosei populaeji kandydat6w. Jezeli: fl.x,) >0. to aplikant moze bye zaklasyfikowany jako dobry. fix) < O. to aplikant moze bye zaklasyfikowany jako zly. Najpierw Sl\ wybierane wartosei populaeji kandydat6w dla kolejnyeh a. b i e. DIa potrzeb algorytinu, kazda liczba w rozwi~zaniu, jest reprezentowana w binarnej formie. Rozwi,!zaniem problemu jest wi~e zbi6r zer i jedynek, okreslany jako ei,!g znak6w lub ehromosom. Wewn'!trz ehromosomu S,! poszezeg6lne eeehy lub geny. przyjmuj,!ee dane wartosei. W zwi,!zku z tym. rozwi,!zanie funkeji seoringowej b~dzie si~ skladalo z grupy gen6w ulozonych w rz~dzie, a kazdy gen b~dzi e mial wartose 0 lub 1. Caly rz'!d to ehromosom Selekcja N a tym etapie tworzona jest nowa populaeja osobnik6w na podstawie juz istniej,! cej. W zaleznosei od wartosei funkeji oeeny (obliezanej w poprzednim kroku) dany osobnik ma wi~ksze (gdy jest "dobry") lub mniejsze (gdy jest "slaby") szanse na znalezienie sili! w kolejnym pokoleniu. 23 N ast~pnie nowe chromosomy SE! tworzone poprzez zastosowanie operator6w genetyeznyeh. Operator genetyezny jest proeedur,! sluz,!e,! zmianie pewnyeh wartosei w jednym lub w parze ehromosom6w. Tymi operatorami sl\: krzyzowanie lub mutaeja Krzyzowanie Zadaniem kroku krzyzowania (ang. crossover) jest wymiana "materiaju genetycznego" pomi~dzy dwoma rozwi,!zaniami w populaeji. W wyniku krzyzowania dw6eh rozwi'!zan (rodziee), tworzone s,! dwa nowe osobniki (dziee;). Po wykonaniu krzyzowania dzieei zast~pujl\ w populaeji rodzie6w. Oezywiseie w tym kroku nie wszystkie rozwi'lzania musz'! si~ ze sob,! krzyzowae. Liezb~ krzyzowan okresla tzw. wsp61ezynnik krzyzowania. kt6ry wskazuje. jaka liezba osobnik6w powinna 22 Por. L. C. Thomas, D. B. Edelman, Credit Scoring and.. " op. cit... s Por. Algorytmy genetyczne,

11 Metody scoring owe / 63 bye w jednej iteraeji skrzyiowana, b~dz okresla prawdopodobienstwo, z jakim innym osobnikiem kaide rozwi~zanie moie wzi~e udzial w krzyiowaniu. W przypadku binarnej reprezenta~ji chromosomu, najprostsze krzyzowanie polega na podziale dwoch chromosomow (rodzic6w) na dwie cz~sci (niekoniecznie rowne) i z nieh tworzone s~ dzieei: pierwsze dzieeko sklada si~ z poez'ltkowej ez~sei pierwszego rodziea i koneowki drugiego, natomiast drugie dzieeko odwrotnie - poez~tek drugiego rodziea i koniee pierwszego. 24 Rysunek 3_ Przykladowe krzyzowanie chromosom6w Rodzice Dzieci Zr6dJO: opracowanie wlasne Da podstawie: L. C. Thomas, O. B. Edelman, Credit Scoring and Its Application, Society for Industrial and AppUed Mathematics, Philadelphia, 2002, s Mutacja Mutacja (ang. mutatiun), pudobnie jak krzyzowanie, zapewnia dodawanie do populaeji nowyeh osobnik6w. 25 Jednak w odr6inieniu od krzyiowania, w przypadku mutaeji, modyfikowany jest jeden, a nie dwa osobniki. Podobnie jak w przypadku krzyiowania istnieje tzw. wsp61ezynnik mutaeji, kt6ry okresla, ile osobnik6w b~dzie w jednej iteraeji ulegalo mutaeji. Rysunek 4. Przykladowa mutacja chromosom6w Rodzice Dzieci Zr6dlo: opracowanie wlasne na podstuwie: P Bialas. Sieci neuronowe. Przegl",d architektur i algorytmow nauczania, s. 45; W koneowym eta pie zostaje wybrany ehromos"om, kt6ry poehodzi z nowe) populacji i zawiera dzieci powstaie z krzyzowania i po mutacji Par. L. C. Thomas. D. B. Edelman. Credit Scoring and... s Pal'. Algorytmy genetyczne, 26 Par. L. C. Thomas, D. B. Edelman. Credit Scoring and... op. cit

12 64 / Anna Matuszyk Operatory genetyczne modyflkujll tylko jednostki 0 najwyzszej wartosci funkcji dopasowania 2 7 Nalezy podkreslic, ze klasyczne algorytmy genetyczne w zaden sposob nie wykorzystuj'l wiedzy 0 rozwillzywanym problemie. To, ze znajduj'l rozwi'lzanie, wynika z faktu, ze do kazdej nast~pnej generacji przedostajll si~ lepsze jednostki z generacji poprzedniej, a operatory genetyczne wymieniaj~ informacje zawarte w tycb jednostkach tworz'lc nowe, potencjalnie doskonalsze rozwi'lzania. Rysunek 5. Proces tworzenia nowej populacji $I~ba Ijednostka 8' 1 dobra Uednostka a2 ~red"la I reprodukcja I /I V I krzyi:owani~r Ijednostka 83r ~ 1 mu,acja 1 '-.., sredoia 1 jednostka b, 1!iednostka b21 "-!iednostka b31 Ijednostka mutacja 1 jednostka b4i populacja n populacja "+1 ZrOdlo: Algorytmy genetyczne; AJgorytmy genetyczne sll mlodll technikll, dlatego tez trudno jednoznacznie wymienic ich wady i zalety.28 Podobnie jak w przypadku kazdej nowej koncepcji, minusem jest brak doswiadczenia w jej zastosowaniu oraz brak pejnego zrozumienia zasad dzialania. 5. Systemy eksperckie Wspomagany komputerowo system podejmowania decyzji, zwany dalej systemem eksperckim (SE), podobnie jak sie'; neuronowa, zaliczany jest do grupy systemow sztucznej inteligencji.29 Jest to kolejny przyklad metody klasyflkacji wykorzystywanej w credit scoringu. Wczesne systemy eksperckie zakladaly rozumowanie oparte na zasadach. 30 Dla celow kredytowych, mialy pocz'ltkowo zastosowanie poprzez przydzielanie 27 Por. Algorytmy genetyczne; 28 Por. A. Janc, M. Kraska, "Credit-scoring... ", op. cit..., S Ibidem, B Por. A Practical Solution for Doing More With Less;

13 Metody scoring owe / 65 punkt6w w odpowiedzi na pytania zawarte we wniosku kredytowym i sumowanie tych punktow umozliwialo kierownictwu kredytowemu zdecydowae 0 udzieleniu lub odmowie kredytu. W jaki spo.ob moina zastosowac technologi~ systemu eksperckiego w procesie udzielania kredytow? Bior'lc pod uwag~ przyszl'l sytu acj~ fmansow'l k1ienta, pozycj~ konkurencji, kompetencje kierownicze, jakoseiowe informacje 0 prz edsi~biorstwie i inne istotne czynniki, anajityk kredytowy moze wsp61pracowae z systemem eksperckim,31 w celu rozpoznania i zbadania istotnych kwestu, si! i slabosci. System ekspercki moze pomoc inspektorowi zanajizowae zdolnose kredytow'l klienta poprzez wasenie informacji jakoseiowych w stosunku do wyniku operacyjnego oraz poczynie przypuszczenia w odniesieniu do wynik6w historycznych itp. System ekspercki zbudowany jest z czterech glownych komponentow:32 bazy wiedzy (ang. knowledge base), mechanizmu interfencyjnego wnioskowania (ang. interference engine), modulu nabywania wiedzy (ang. knowledge acquisition module), interfejsu objasniaj'lcego (ang. explanatory interface). Cechy systemu eksperckiego. Coats zidentyfikowal pi~e cech sytemu eksperckiego, kwre S'l szczegalnie pomocne przy ocenie kredytu. S'I to:33 zdolnosc do rozpoznawania wzor6w, rozumienie materialu pisanego prozll, dostarczanie wyjasnien z zastosowanej scieiki rozumowania, uw zgl ~dnianie niepewnosci, zapami~tywanie duzych i!osci informacji. Rozpoznawanie wzorow jest uzyteczne przy ocenie kredytu, w momeneie przeprowadzania anajizy finansowej.34 Jako cz~se procesu oceny, bank moze zamierzae przewidywanie pozyc;ji finansowej firmy w perspektywie kiiku lat, stos\\i'lc dane ekonomiczne, firmy i rynku. Na wszystkich etapach system jest w stanie dostarczye objasnienie takiego procesu oceny, kwre moze bye zachowane w dokumentacji kredytowej. Te szczegalne mozliwosci systemu przyczyniaj'l si.., do osiljglli..,cia pewnych korzysci. Najwi~ksz'l zaje~ w zautomatyzowanych ocenach kredyt6w jest ulepszenie bankowych zapisow kredytowych (ang. records) poprzez jednolite wnioski kredytowe i wskazawki bezpieczeilstwa. System zapewnia swiadomosc i stosowanie istotnej polityki banku. 31 Por. K. Bryant, "The Integration of Qualitative... ", op. cil., Por. Expert Systems or Intelligent Knowledge Based Systems, Introduction to AI, Week 3; as Por. P. K. Coats, Improving Loan Portfolios with Expert Systems, "The Journal of Commercia] Bank Lending", 1998, 71(1), s. 35-4l. 34 Por. K. Bryant, The Integration of Qualitative Factors into Expert Systems for Evaluating Agricultural Loans, Griffith University, Brisbane, Australia,

14 66 I Anna Mat uszyk Rysunek 6. Typowy syst em ekspercki ekspert baza danych modul nabywania wiedzy --c praces nauki (strategie indukcji) i81018 systemu eksperckiego baza wiedzy ----Orzedstawienie wiedzy mechanizm inferencyjny etody prawdopo?obnego rozumowama -E imerfejs objasniaj,!cy ---c element ludzki uiytkownik Zr6dlo: Expert Systems or Intelligent Knowledge Based Systems, Introduction to AI, Week 3; Identyfikowane Sll r6wniez inne korzysci. Po pierwsze, podejrnowanie decyzji jest bardziej spojne, a Deeny s~ bardziej dokladne, co maze przyczynic si~ do zaakceptowania wi~kszej ilosci wniosk6w i mniejszych strat spowodowanych nieregulowanjem zobowi'lzan. System ekspercki moie rowniei wspomoc dalszy rozwoj doswjadczonych i wydajnych inspektorow kredytowych. poprzez popraw~ jch rozumowania 0 niektorych aspektach firm. Do zalet systemow eksperckich zalicza si~ takie moiliwosc tatwej interpretacji pochodzenia otrzymanych rezultat6w. Jest to szczegolnie wa:ine, gdy ustawodawstwo nakazuje kredytodawcom uzasadnienie podj~tej decyzji, na prosb~ kre-

15 Metody scoringowe / 67 dytobiorcy.35 Ponadto budowa systemu eksperckiego pozwala na dodanie do bazy wiedzy nowych regul i procedur dzialania. Jednak willie si~ z tym pewne ograniczenie. W momencie dokonania jakichkolwiek zmian, system musi zostac dostosowany do nowych charakterystyk, a to moie okazac si~ trudne i kosztowne. Trudnosci tkwi" takie w pozniejszej interpretacji wynikow, gdyi wi~kszosc systemow nie roinicuje przedsi~biorstw pod wzgl~dem ich wielkosci, fszy rozwoju, specyficznych potrzeb finansowych czy tei rodzaju sektora, w ktorym dziaiaj". Rozroinierue owych elementow w systemie jest moiliwe, a nawet konieczne. jednak technologia nie jest na tyle wystarczajllca, ahy tego dokonac na odpowiednim poziomie kosztow. 6. Podsumowanie Aby moiliwie obiektywnie oszacowac poziom ryzyka zwillzanego z klientem banku prowadzllcego dzialainosc kredytow,!, wykorzystuje si~ metody scoringowe - statystyczne i niestatystyczne. Do lat 80. XX wieku jedynymi metodami stosowanymi w credit scoringu by Iy metody statystyczne. Metody niestatystyczne Sll nowymi metodami, jednak rozwijajl\ si~ dynamicznie. Wi~kszosc systemow scoringowych wykorzystuje jednl\ wybranq technik~ klasyfikacji kredytobiorcow albo ich kombinacj~. Z dotychczasowych badan nad zachowaniem poszczegolnych metod wynika, ze coraz wi~k szego znaczenia nabieraj,! wlasnie metody odwoluj,!ce si~ do sztucznej intejigencji. 35 Por. A. Jane, M. Kraska, Cred.it-SUlring... op. cit.,

Algorytmy genetyczne

Algorytmy genetyczne Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania

Bardziej szczegółowo

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata

Bardziej szczegółowo

Metody scoringowe w regresji logistycznej

Metody scoringowe w regresji logistycznej Metody scoringowe w regresji logistycznej Andrzej Surma Wydział Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego 19 listopada 2009 AS (MIMUW) Metody scoringowe w regresji logistycznej 19

Bardziej szczegółowo

Scoring kredytowy w pigułce

Scoring kredytowy w pigułce Analiza danych Data mining Sterowanie jakością Analityka przez Internet Scoring kredytowy w pigułce Mariola Kapla Biuro Informacji Kredytowej S.A. StatSoft Polska Sp. z o.o. ul. Kraszewskiego 36 30-110

Bardziej szczegółowo

IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM

IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM IMPLIKACJE ZASTOSOWANIA KODOWANIA OPARTEGO NA LICZBACH CAŁKOWITYCH W ALGORYTMIE GENETYCZNYM Artykuł zawiera opis eksperymentu, który polegał na uyciu algorytmu genetycznego przy wykorzystaniu kodowania

Bardziej szczegółowo

6. Klasyczny algorytm genetyczny. 1

6. Klasyczny algorytm genetyczny. 1 6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu

Bardziej szczegółowo

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74 3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15

Bardziej szczegółowo

2015-02- 1 6. Warszawa, dnia /3 lutego2015. RZADOWE CENTRUM LEGISLACJI WIGEPREZES Robert Brochocki RCL.DPS.510-8/15 RCL.DPS.

2015-02- 1 6. Warszawa, dnia /3 lutego2015. RZADOWE CENTRUM LEGISLACJI WIGEPREZES Robert Brochocki RCL.DPS.510-8/15 RCL.DPS. RZADOWE CENTRUM LEGISLACJI WIGEPREZES Robert Brochocki Warszawa, dnia /3 lutego2015 RCL.DPS.510-8/15 RCL.DPS.511-10/15 MiHISTEKSTWO iid^mcji NARODOWEJ I I^NCEL/iRrAGLOWIA Wpi, 2015-02- 1 6 ''Podpi< Pani

Bardziej szczegółowo

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w

Bardziej szczegółowo

Obliczenia ewolucyjne - plan wykładu

Obliczenia ewolucyjne - plan wykładu Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja

Bardziej szczegółowo

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania

Bardziej szczegółowo

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Obrona 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 szczegółowo

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Adam Stawowy Paweł Jastrzębski Wydział Zarządzania AGH Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Jedną z najczęściej podejmowanych decyzji w działalności

Bardziej szczegółowo

ALGORYTM RANDOM FOREST

ALGORYTM 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 szczegółowo

potencjalnej przyczyny/mechanizmu lub slabych stron projektu przez stosowanie odpowiednich narzqdzi;

potencjalnej przyczyny/mechanizmu lub slabych stron projektu przez stosowanie odpowiednich narzqdzi; 6) prawdopodobieristwo wystqpienia wady (Cz) - okresla prawdopodobienstwo wystqpienia specyficznej wady. Jedynq metodq obnizenia tego prawdopodobienstwa jest wprowadzenie zmian konstrukcyjnych; 7) metody,

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych

Bardziej szczegółowo

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa 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 szczegółowo

Zagadnienie klasyfikacji (dyskryminacji)

Zagadnienie klasyfikacji (dyskryminacji) Zagadnienie klasyfikacji (dyskryminacji) Przykład Bank chce klasyfikować klientów starających się o pożyczkę do jednej z dwóch grup: niskiego ryzyka (spłacających pożyczki terminowo) lub wysokiego ryzyka

Bardziej szczegółowo

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

Wstęp 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 szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy 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 szczegółowo

Gospodarcze zastosowania algorytmów genetycznych

Gospodarcze zastosowania algorytmów genetycznych Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym

Bardziej szczegółowo

GSM-80 GS2lf-1200 GSM-300

GSM-80 GS2lf-1200 GSM-300 WZMACNIACZ GSM GSM-80 GS2lf-1200 GSM-300 Dzil(kujemy za wyb6r wzmacniacza GSM marki d1:tm,. StosujltC urzltdzenia marki Signal mozna w prosty i szybki spos6b wzmocnic sygnal GSM Przed podlltczeniem,urzltdzenia

Bardziej szczegółowo

Generowanie i optymalizacja harmonogramu za pomoca

Generowanie i optymalizacja harmonogramu za pomoca Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA 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 szczegółowo

Sztuczne siei neuronowe - wprowadzenie

Sztuczne siei neuronowe - wprowadzenie Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 2 Sztuczne siei neuronowe - wprowadzenie Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika Poznańska Poznań, 2 Wstęp

Bardziej szczegółowo

Problemy z ograniczeniami

Problemy z ograniczeniami Problemy z ograniczeniami 1 2 Dlaczego zadania z ograniczeniami Wiele praktycznych problemów to problemy z ograniczeniami. Problemy trudne obliczeniowo (np-trudne) to prawie zawsze problemy z ograniczeniami.

Bardziej szczegółowo

Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego

Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Odkrywanie algorytmów kwantowych za pomocą programowania genetycznego Piotr Rybak Koło naukowe fizyków Migacz, Uniwersytet Wrocławski Piotr Rybak (Migacz UWr) Odkrywanie algorytmów kwantowych 1 / 17 Spis

Bardziej szczegółowo

Uchwaia Nr Rady Powiatu w Slawnie z dnia. w sprawie zmiany znaku graficznego - logo Powiatu Slawieriskiego

Uchwaia Nr Rady Powiatu w Slawnie z dnia. w sprawie zmiany znaku graficznego - logo Powiatu Slawieriskiego XI fe budzi zastr.-'c- I t Uchwaia Nr Rady Powiatu w Slawnie z dnia. w sprawie zmiany znaku graficznego - logo Powiatu Slawieriskiego Na podstawie art. 3 ust. 1 ustawy z dnia 21 grudnia 1978 r. o odznakach

Bardziej szczegółowo

istocie dziedzina zajmująca się poszukiwaniem zależności na podstawie prowadzenia doświadczeń jest o wiele starsza: tak na przykład matematycy

istocie 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 szczegółowo

DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE:

DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: DATAMINING 1 S t r o n a WSTĘP Czyli jak zastąpić wróżenie z fusów i przysłowiowego nosa, statystyką i modelami ekonometrycznymi. Niniejszy dokument,

Bardziej szczegółowo

na realizacje zintegrowanej perspektywy

na realizacje zintegrowanej perspektywy Monografie i Opracowania 578 Grazyna Lesniak-tebkowska Wptyw zewn^trznych uwarunkowari na realizacje zintegrowanej perspektywy zröwnowazonego rozwoju przedsi^biorstwa Kolegium Zarzqdzania i Finansöw Szkofa

Bardziej szczegółowo

Warszawa, 6 marca 2014 r. KL/140/44/256/JKr/MP/2014. Pani Magdalena Mtochowska Podsekretarz Stanu Ministerstwo Administracji i Cyfryzacji

Warszawa, 6 marca 2014 r. KL/140/44/256/JKr/MP/2014. Pani Magdalena Mtochowska Podsekretarz Stanu Ministerstwo Administracji i Cyfryzacji Konfederacja Lewlatan ul. Zbyszka Cybulskiego 3 00-727 Warszawa Warszawa, 6 marca 2014 r. tel.(+48) 22 55 99 900 fax (+48) 22 55 99 910 lewlatan@konfederacjalewiatan.pl www.konfederacjalewiatan.pl KL/140/44/256/JKr/MP/2014

Bardziej szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty

Bardziej szczegółowo

Automatyczny dobór parametrów algorytmu genetycznego

Automatyczny dobór parametrów algorytmu genetycznego Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja

Bardziej szczegółowo

Krystyna Kietliriska. Rola trzeciego. sektora. w spofeczenstwie. obywatelskim. Diffira

Krystyna Kietliriska. Rola trzeciego. sektora. w spofeczenstwie. obywatelskim. Diffira Krystyna Kietliriska Rola trzeciego sektora w spofeczenstwie obywatelskim Diffira Spis tresci Przedmowa 9 Rozdziat 1 Rola spoteczenstwa obywatelskiego w realizacji potrzeb spofecznych 13 1. Spoleczenstwo

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii

Bardziej szczegółowo

badawezy od je na zadania ezqstkowe, - przydziela lub przyjmuje zadania do realizaeji 3. Projekt badawezy, Uezen : Uezen: Uezen: Uezen: Uezen:

badawezy od je na zadania ezqstkowe, - przydziela lub przyjmuje zadania do realizaeji 3. Projekt badawezy, Uezen : Uezen: Uezen: Uezen: Uezen: Plan wynikowy z wymaganiami edukacyjnymi przedmiotu uzupetniaj(tcego: Ekonomia w praktyce dla klas szk6t ponadgimnazjalnych - autor mgr ini. Jolanta Kija kowska. Klasa 2d, nauczyciel prowadz(tcy: mgr Tomasz

Bardziej szczegółowo

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

HAŁASU 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 szczegółowo

SIECI RBF (RADIAL BASIS FUNCTIONS)

SIECI RBF (RADIAL BASIS FUNCTIONS) SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,

Bardziej szczegółowo

Ćwiczenie 12. Metody eksploracji danych

Ćwiczenie 12. Metody eksploracji danych Ćwiczenie 12. Metody eksploracji danych Modelowanie regresji (Regression modeling) 1. Zadanie regresji Modelowanie regresji jest metodą szacowania wartości ciągłej zmiennej celu. Do najczęściej stosowanych

Bardziej szczegółowo

Burmistrz Toszka. Zapytanie cenowe. 1. Opis przedmiotu zamowienia: dostawa artykul6w biurowyeh na potrzeby

Burmistrz Toszka. Zapytanie cenowe. 1. Opis przedmiotu zamowienia: dostawa artykul6w biurowyeh na potrzeby Burmistrz Toszka ORG.2600.9.2015.MM Toszek, dnia 09.02.2015 r. Urz"d Miejski wtoszku uj. Boiealawl Chrobngo 2 M-I8OT_k lei.: (321233 4217 fax: (321233 41 41 NIP GMINY: 96911i05695 RICON GMINY: 27625'1'771

Bardziej szczegółowo

Algorytmy ewolucyjne. wprowadzenie

Algorytmy ewolucyjne. wprowadzenie Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i

Bardziej szczegółowo

ZARZADU WOJEWODZTWA LUBUSKIEGO

ZARZADU WOJEWODZTWA LUBUSKIEGO UCHWALA NR, ZARZADU WOJEWODZTWA LUBUSKIEGO z dnia &m.s$s&!&q/&&t 2015 roku w sprawie sposobu dokonywania oceny projektow programow specjalnych samorza^dow powiatow wojewodztwa lubuskiego skladanych w ramach,,zasad

Bardziej szczegółowo

Programowanie genetyczne, gra SNAKE

Programowanie genetyczne, gra SNAKE STUDENCKA PRACOWNIA ALGORYTMÓW EWOLUCYJNYCH Tomasz Kupczyk, Tomasz Urbański Programowanie genetyczne, gra SNAKE II UWr Wrocław 2009 Spis treści 1. Wstęp 3 1.1. Ogólny opis.....................................

Bardziej szczegółowo

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.

NEURAL 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 szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

Algorytmy genetyczne w interpolacji wielomianowej

Algorytmy genetyczne w interpolacji wielomianowej Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego

Bardziej szczegółowo

Zestawy zagadnień na egzamin magisterski dla kierunku EKONOMIA (studia II stopnia)

Zestawy zagadnień na egzamin magisterski dla kierunku EKONOMIA (studia II stopnia) Zestawy zagadnień na egzamin magisterski dla kierunku EKONOMIA (studia II stopnia) Obowiązuje od 01.10.2014 Zgodnie z Zarządzeniem Rektora ZPSB w sprawie Regulaminu Procedur Dyplomowych, na egzaminie magisterskim

Bardziej szczegółowo

Modyfikacje i ulepszenia standardowego algorytmu genetycznego

Modyfikacje i ulepszenia standardowego algorytmu genetycznego Modyfikacje i ulepszenia standardowego algorytmu genetycznego 1 2 Przypomnienie: pseudokod SGA t=0; initialize(p 0 ); while(!termination_condition(p t )) { evaluate(p t ); T t =selection(p t ); O t =crossover(t

Bardziej szczegółowo

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się

Bardziej szczegółowo

Zadaniem kierownika komórki audytu wewnetrznego jest ustalenie podzialu zadan audytowych, który zapewni wykonanie tego planu.

Zadaniem kierownika komórki audytu wewnetrznego jest ustalenie podzialu zadan audytowych, który zapewni wykonanie tego planu. Pomimo, ze dzialalnosc audytu wewnetrznego powinna byc w pelni zgodna ze Standardami moga wystapic przypadki odstepstw Jesli maja one wplyw na prace audytora wewnetrznego, o kazdym takim odstepstwie powinien

Bardziej szczegółowo

Wisniewo: WYKONANIE ELEWACJI - SZKOt.A STARE KOSINY - TYNK AKRYLOWY OGtOSZENIE 0 ZAMOWIENIU - roboty budowlane

Wisniewo: WYKONANIE ELEWACJI - SZKOt.A STARE KOSINY - TYNK AKRYLOWY OGtOSZENIE 0 ZAMOWIENIU - roboty budowlane PrzesYfanie ogtoszen http://bzpo.portal.uzp. goy.pilindex.php?ogloszeme=l.r-'-tvv"",,,,,, ~ ~ Wisniewo: WYKONANIE ELEWACJI - SZKOt.A STARE KOSINY - TYNK AKRYLOWY OGtOSZENIE 0 ZAMOWIENIU - roboty budowlane

Bardziej szczegółowo

System bonus-malus z mechanizmem korekty składki

System bonus-malus z mechanizmem korekty składki System bonus-malus z mechanizmem korekty składki mgr Kamil Gala Ubezpieczeniowy Fundusz Gwarancyjny dr hab. Wojciech Bijak, prof. SGH Ubezpieczeniowy Fundusz Gwarancyjny, Szkoła Główna Handlowa Zagadnienia

Bardziej szczegółowo

Testy Iq Dla Mlodziezy. Kliknij tutaj: Testy Iq Dla Mlodziezy

Testy Iq Dla Mlodziezy. Kliknij tutaj: Testy Iq Dla Mlodziezy Testy Iq Dla Mlodziezy Kliknij tutaj: Testy Iq Dla Mlodziezy Czy warto zwiekszac swoj iloraz inteligencji? -- firmowo 1 Gru 2010 Jesli wiec ktos rozwiazal test iq 1 i uzyskal niezbyt satysfakcjonujacy

Bardziej szczegółowo

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach

Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital

Bardziej szczegółowo

Wycena klienta i aktywów niematerialnych

Wycena klienta i aktywów niematerialnych Wycena klienta i aktywów niematerialnych Istota wpływu klienta na wartość spółki Strategie marketingowe i zarządzanie nimi Metryki zorientowane na klienta Podatność i zmienność klientów Łączna wartość

Bardziej szczegółowo

Plan wyk ladu. Kodowanie informacji. Systemy addytywne. Definicja i klasyfikacja. Systemy liczbowe. prof. dr hab. inż.

Plan wyk ladu. Kodowanie informacji. Systemy addytywne. Definicja i klasyfikacja. Systemy liczbowe. prof. dr hab. inż. Plan wyk ladu Systemy liczbowe Poznań, rok akademicki 2008/2009 1 Plan wyk ladu 2 Systemy liczbowe Systemy liczbowe Systemy pozycyjno-wagowe y 3 Przeliczanie liczb Algorytm Hornera Rozwini ecie liczby

Bardziej szczegółowo

Warszawa, dnia VL stycznia 2016 P R E Z E S GP-1773/2015. Pan Jaroslaw Gowin Wicepremier RP Minister Nauki i Szkolnictwa Wyzszego

Warszawa, dnia VL stycznia 2016 P R E Z E S GP-1773/2015. Pan Jaroslaw Gowin Wicepremier RP Minister Nauki i Szkolnictwa Wyzszego V POI.SKA AKADF.MIA NAUK Warszawa, dnia VL stycznia 2016 P R E Z E S GP-1773/2015 Pan Jaroslaw Gowin Wicepremier RP Minister Nauki i Szkolnictwa Wyzszego 2016-01-25 RPW/4360/2016 P odpowiadaj^c na pismo

Bardziej szczegółowo

Dopasowanie IT/biznes

Dopasowanie IT/biznes Dopasowanie IT/biznes Dlaczego trzeba mówić o dopasowaniu IT-biznes HARVARD BUSINESS REVIEW, 2008-11-01 Dlaczego trzeba mówić o dopasowaniu IT-biznes http://ceo.cxo.pl/artykuly/51237_2/zarzadzanie.it.a.wzrost.wartosci.html

Bardziej szczegółowo

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie

Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie dr hab. Grzegorz Bartoszewicz, prof. nadzw. UEP Katedra Informatyki Ekonomicznej Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie Tematyka seminarium związana jest z wykorzystaniem

Bardziej szczegółowo

Zadanie 2. (3 pkt) Wymien w punktach najwazniejsze roznice mi~dzy semaforami a zmiennymi warunkowymi.

Zadanie 2. (3 pkt) Wymien w punktach najwazniejsze roznice mi~dzy semaforami a zmiennymi warunkowymi. Zadanie 1. (3 pkt) Podaj przyklad swiadczfl,cy 0 tym, ze algorytm OMIC (uogolnienie bizantyjskich generalow) nie zadziala poprawnie dla n = 6 i m = 2. Zadanie 2. (3 pkt) Wymien w punktach najwazniejsze

Bardziej szczegółowo

Region:;.lny Osrodek d Spoieczr / 'pel Pani/Pan Dyrektor Regionalnego Osrodka Polityki Spolecznej. wszyscy

Region:;.lny Osrodek d Spoieczr / 'pel Pani/Pan Dyrektor Regionalnego Osrodka Polityki Spolecznej. wszyscy MINISTERSTWO PRACY I POLITYKI SPOLECZNEJ DEPARTAMENT POMOCY I INTEGRACJI SPOLECZNEJ id. Non'ogrodzka 1/3/5. 00-5/3 H'ars:awa. lei. i 48 22 66 10 277. fax I 48 22 66 10 276 w\v\v.mpips.eov.pl :E-mail:sekretarial.dps(a)mpips.eov.pi

Bardziej szczegółowo

Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych

Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie

Bardziej szczegółowo

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)

Bardziej szczegółowo

Algorytmy ewolucyjne (3)

Algorytmy ewolucyjne (3) Algorytmy ewolucyjne (3) http://zajecia.jakubw.pl/nai KODOWANIE PERMUTACJI W pewnych zastosowaniach kodowanie binarne jest mniej naturalne, niż inne sposoby kodowania. Na przykład, w problemie komiwojażera

Bardziej szczegółowo

Metody Programowania

Metody Programowania POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie

Bardziej szczegółowo

Jednoczesnie uprzejmie prosz? o przekazanie opinii Komisji rowniez drog4 elektroniczn^ na adres: ioanna.celarv(a),mofiiet.gov.pl.

Jednoczesnie uprzejmie prosz? o przekazanie opinii Komisji rowniez drog4 elektroniczn^ na adres: ioanna.celarv(a),mofiiet.gov.pl. Warszawa, dnia ^ty cznia 2014 r. RZECZPOSPOLITA POLSKA MINISTERSTWO FINANSOW PODSEKRETARZ STANU Wojciech Kowalczyk RPW/726/2014 P Data:2014-01-07 FNl/0301/R-SKOK/Z-PP/A/l 1/JCL/ H^-^O/loK^ Pan Jacek Protas

Bardziej szczegółowo

Adres strony internetowej, na kt6rej Zamawiajqcy udost~pnia Specyfikacj~ rstotnych Warunk6w Zam6wienia: www.mikstat.bip.net.pl

Adres strony internetowej, na kt6rej Zamawiajqcy udost~pnia Specyfikacj~ rstotnych Warunk6w Zam6wienia: www.mikstat.bip.net.pl Adres strony internetowej, na kt6rej Zamawiajqcy udost~pnia Specyfikacj~ rstotnych Warunk6w Zam6wienia: www.mikstat.bip.net.pl Mikstat: Udzielenie kredytu dtugoterminowego do kwoty 3.770.000,00 zt (stownie:

Bardziej szczegółowo

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu Podstawy baz danych PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych

Bardziej szczegółowo

Spis 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. 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 szczegółowo

(x j x)(y j ȳ) r xy =

(x j x)(y j ȳ) r xy = KORELACJA. WSPÓŁCZYNNIKI KORELACJI Gdy w badaniu mamy kilka cech, często interesujemy się stopniem powiązania tych cech między sobą. Pod słowem korelacja rozumiemy współzależność. Mówimy np. o korelacji

Bardziej szczegółowo

PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: FINANSE I RACHUNKOWOŚĆ STUDIA DRUGIEGO STOPNIA

PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: FINANSE I RACHUNKOWOŚĆ STUDIA DRUGIEGO STOPNIA PYTANIA NA EGZAMIN MAGISTERSKI KIERUNEK: FINANSE I RACHUNKOWOŚĆ STUDIA DRUGIEGO STOPNIA CZĘŚĆ I dotyczy wszystkich studentów kierunku Finanse i Rachunkowość pytania podstawowe 1. Miernik dobrobytu alternatywne

Bardziej szczegółowo

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA? /9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów

Bardziej szczegółowo

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Zastosowanie 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 szczegółowo

KATawTcr. BIURORADYM/AifA

KATawTcr. BIURORADYM/AifA Sekretarz Miasta KATOWICE BIURORADYM/AifA -- Wpl. 20il -09- f 9 KATawTcr BRM c2aa 651 ~A.QQ.. eti'l, II K:>.d~ ;!o.otp".// Szanowny I! Arkad' z Godlewski Pr odnicz~cy ady Miasta Katowice W odpowiedzi na

Bardziej szczegółowo

POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH

POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL

Bardziej szczegółowo

MODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING 767-300ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH

MODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING 767-300ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH P R A C E N A U K O W E P O L I T E C H N I K I W A R S Z A W S K I E J z. 102 Transport 2014 Aleksandra Stycunów, Jerzy Manerowski Politechnika Warszawska, Wydzia Transportu MODELOWANIE FAZ ZNI ANIA I

Bardziej szczegółowo

Sterowniki Programowalne (SP)

Sterowniki Programowalne (SP) Sterowniki Programowalne (SP) Wybrane aspekty procesu tworzenia oprogramowania dla sterownika PLC Podstawy języka funkcjonalnych schematów blokowych (FBD) Politechnika Gdańska Wydział Elektrotechniki i

Bardziej szczegółowo

ZARZJ\DZENIE NR 6/2011 Burmistrza Gminy i Miasta w Drzewicy z dnia 1 MARCA 2011 r.

ZARZJ\DZENIE NR 6/2011 Burmistrza Gminy i Miasta w Drzewicy z dnia 1 MARCA 2011 r. ZARZJ\DZENIE NR 6/2011 Burmistrza Gminy i Miasta w Drzewicy z dnia 1 MARCA 2011 r. w sprawie: ustalenia wzorow wniosku i umowy 0 udzielenie dotacji oraz wzoru sprawozdania z wykonania zadania polegajqcego

Bardziej szczegółowo

Transformacja wiedzy w budowie i eksploatacji maszyn

Transformacja wiedzy w budowie i eksploatacji maszyn Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

(argument dla męskiej m. ęści populacji)

(argument dla męskiej m. ęści populacji) 1 Techniczne i organizacyjne uwarunkowania świadczenia usług ug bankowości elektronicznej Jakie warunki należy y spełni nić aby świadczyć usługi ugi bankowości elektronicznej? 2 Zapraszam na stronę internetową

Bardziej szczegółowo

MIROSŁAWA CAPIGA. m #

MIROSŁAWA CAPIGA. m # MIROSŁAWA CAPIGA m # Katowice 2008 SPIS TREŚCI WSTĘP 11 CZĘŚĆ I DWUSZCZEBLOWOŚĆ SYSTEMU BANKOWEGO W POLSCE Rozdział 1 SPECYFIKA SYSTEMU BANKOWEGO 15 1.1. System bankowy jako element rynkowego systemu finansowego

Bardziej szczegółowo

Akademia im. Jana Dlugosza w Cz^stochowie. Ireneusz Kras. Rola Narodowego Banku Polskiego. w polityce gospodarczej Polski. w latach 1997-2010

Akademia im. Jana Dlugosza w Cz^stochowie. Ireneusz Kras. Rola Narodowego Banku Polskiego. w polityce gospodarczej Polski. w latach 1997-2010 Akademia im. Jana Dlugosza w Cz^stochowie Ireneusz Kras Rola Narodowego Banku Polskiego w polityce gospodarczej Polski w latach 1997-2010 m Czfstochowa 2013 SPIS TRESCI WST^P 9 ROZDZIALI HlSTORIA BANKOWOSCICENTRALNEJ

Bardziej szczegółowo

~rnc'l ~ 00-463 Warszawa ul.podchorwch 38 tel.lfax +48225233102; +48225233996 Przewoduic~cy Sekcji Krajowej Poiarnictwa NSZZ "Solidarnosc"

~rnc'l ~ 00-463 Warszawa ul.podchorwch 38 tel.lfax +48225233102; +48225233996 Przewoduic~cy Sekcji Krajowej Poiarnictwa NSZZ Solidarnosc .to.-'" A C"t. :J'. -. ".'>- ~ {~\ \ ~ Y \~,,; \"d.'~ --:'--- ~rnc'l ~ 00-463 Warszawa ul.podchorwch 38 tel.lfax +48225233102; +48225233996 Przewoduic~cy Sekcji Krajowej Poiarnictwa NSZZ "Solidarnosc"

Bardziej szczegółowo

,(f/l,~r. m~ ~z Bl/stronaJri. Pan Michal Nowacki. Przewodniczacy Komisji Rewizyjnej Rady Gminy Nowosolna. Lódz, dnia 23 stycznia 2008 r.

,(f/l,~r. m~ ~z Bl/stronaJri. Pan Michal Nowacki. Przewodniczacy Komisji Rewizyjnej Rady Gminy Nowosolna. Lódz, dnia 23 stycznia 2008 r. WÓJT GMINY NOWOSOLNA ul. Rynek Nowosolna 1 92.703Lódz 35 lei (0-42)6~8-41-08. fax 648-41-19 Lódz, dnia 23 stycznia 2008 r. Pan Michal Nowacki Przewodniczacy Komisji Rewizyjnej Rady Gminy Nowosolna Niniejszym

Bardziej szczegółowo

Repki, dnia 10.09.2014 r. Do wszystkich Wykonawcow Numer ogloszenia (postfipowania): 291824-2014 Nazwa zamowienia: "Zakup energii elektrycznej"

Repki, dnia 10.09.2014 r. Do wszystkich Wykonawcow Numer ogloszenia (postfipowania): 291824-2014 Nazwa zamowienia: Zakup energii elektrycznej Repki, dnia 10.09.2014 r. Do wszystkich Wykonawcow Numer ogloszenia (postfipowania): 291824-2014 Nazwa zamowienia: "Zakup energii elektrycznej" Dotyczy Postfpowania 0 udzielenie zamowienia pub/icznego

Bardziej szczegółowo

Odpowiedz: Ogiaszajacy potwierdza powyzsze.

Odpowiedz: Ogiaszajacy potwierdza powyzsze. zzoz.pow.atowy CZARNKOW ZESPOL ZAKLADpW OPIEKI ZDROWOTNEJ 64-700 CZARNKOW, ul. Kosciuszki 96 tel. (067) 352 81 70, tel./fax (067) 352 81 71 NIP 763-17-48-697 REGON 000308525 Czarnkow, dnia 05.06.2014r

Bardziej szczegółowo

MINISTERSTWO SPORTU I TURYSTYKI PODSEKRETARZ STANU Dorota Idzi

MINISTERSTWO SPORTU I TURYSTYKI PODSEKRETARZ STANU Dorota Idzi RPW/9095/2015 P Data:2015-01-29 Warszawa, stycznia2015 MINISTERSTWO SPORTU I TURYSTYKI PODSEKRETARZ STANU Dorota Idzi DP-WPL/0201/l/2015/lip&- UNP: 2015-05299 Pan Szymon Wrobel Sekretarz Strony Rz^dowej

Bardziej szczegółowo

:-~_._.-,._-_. wp~= I.. -' I. , L. dz _...,..i3... L.. dz...,.. _.. (;_.. UJ~ DECYZJA,~ ~ v"- . a.. ~.

:-~_._.-,._-_. wp~= I.. -' I. , L. dz _...,..i3... L.. dz...,.. _.. (;_.. UJ~ DECYZJA,~ ~ v- . a.. ~. DOLNOSLJ\SKI WOJEWODZKI INSPEKTOR FARMACEUTYCZNY WE WROCLA WID. WOJEWODZKI INSPEKTORAf FARMACEUTYCZi, :-~_._.-,._-_ we Wrocl3wiu...,_. ----- 11. 01. 2013 wrodawj 10.01.2013r. i ----..-..-'-- -~ wp~= -1

Bardziej szczegółowo

Zarządzanie portfelem kredytowym w banku w warunkach kryzysu. Dr Agnieszka Scianowska Akademia Humanistyczno-Ekonomiczna w Łodzi

Zarządzanie portfelem kredytowym w banku w warunkach kryzysu. Dr Agnieszka Scianowska Akademia Humanistyczno-Ekonomiczna w Łodzi Zarządzanie portfelem kredytowym w banku w warunkach kryzysu Dr Agnieszka Scianowska Akademia Humanistyczno-Ekonomiczna w Łodzi Założenia Umowy Kapitałowej Przyjętej w 1988r.(Bazylea I) podstawowym wyznacznikiem

Bardziej szczegółowo

PROTOKOL Nr XL/14. AdA

PROTOKOL Nr XL/14. AdA PROTOKOL Nr XL/14 z XL Sesji Rady Gminy w Wisniewie kt6ra odbyla silf w dniu 23.04.2014 roku Obrady rozpocz~to 0 godz. 12:00, zakonczono 0 godz. 14.00. W obradach udzial wzi~li: 1. Radni wg za1'lczonej

Bardziej szczegółowo

DECYZJA. 1) udzielam pozwolenia na pol^czenie poprzez wl^czenie z dniem 1 pazdziernika 2014 r.:

DECYZJA. 1) udzielam pozwolenia na pol^czenie poprzez wl^czenie z dniem 1 pazdziernika 2014 r.: MINISTER NAUKI I SZKOLNICTWA WYZSZEGO DKN.ZNU.6013.98.2014.3.KT Warszawa, dnia 4^ listopada 2014 r. DECYZJA Na podstawie art. 25 oraz art. 25a ust. 2, w zwi^zku z art. 30 ustawy z dnia 27 lipca 2005 r.

Bardziej szczegółowo

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych. Neural networks Lecture Notes n Pattern Recognton by W.Dzwnel Krótka hstora McCulloch Ptts (1943) - perwszy matematyczny ops dzalana neuronu przetwarzana przez nego danych. Proste neurony, które mogly

Bardziej szczegółowo

L,S l) DRUK NR... 1 wrzesnia 2014 roku do 31 sierpnia 2015 roku, na kazde dziecko objyte ofert~ prowadz~cymjest Miasto Marki". konkursow~.

L,S l) DRUK NR... 1 wrzesnia 2014 roku do 31 sierpnia 2015 roku, na kazde dziecko objyte ofert~ prowadz~cymjest Miasto Marki. konkursow~. L,S l) DRUK NR..... Uchwala nr Rady Miasta Marki z dnia w sprawie wyrazenia zgody na udzielenie niepublicznym przedszkolom dotacji z budzetu gminy, 0 kt6rych mowa wart. 1 pkt 20 lit. b ustawy z dnia 13

Bardziej szczegółowo

Luty 2001 Algorytmy (7) 2000/2001 s-rg@siwy.il.pw.edu.pl

Luty 2001 Algorytmy (7) 2000/2001 s-rg@siwy.il.pw.edu.pl System dziesiętny 7 * 10 4 + 3 * 10 3 + 0 * 10 2 + 5 *10 1 + 1 * 10 0 = 73051 Liczba 10 w tym zapisie nazywa się podstawą systemu liczenia. Jeśli liczba 73051 byłaby zapisana w systemie ósemkowym, co powinniśmy

Bardziej szczegółowo

1. Przedmiotem zam6wienia jest wykonanie ustugi w zakresie recertyfikacji

1. Przedmiotem zam6wienia jest wykonanie ustugi w zakresie recertyfikacji GMINA MIASTO RZESZOW Rzesz6w, dnia 26 maja 2015 r. URZJ\D MIASTA RZESZOWA WYDZIAt. ORGANIZACYJNO-ADMINISTRACYJNY URZ~DU MIASTA RZESZOWA UL. MICKIEWICZA 11 35-064 RZESZOW TEL. 17 875 4996 Adres wydzialu

Bardziej szczegółowo

Wykaz haseł identyfikujących prace dyplomowe na Wydziale Nauk Ekonomicznych i Zarządzania

Wykaz haseł identyfikujących prace dyplomowe na Wydziale Nauk Ekonomicznych i Zarządzania Kierunek Analityka Gospodarcza Analiza ryzyka działalności gospodarczej Business Intelligence Ekonometria Klasyfikacja i analiza danych Metody ilościowe na rynku kapitałowym Metody ilościowe w analizach

Bardziej szczegółowo