Sieci neuronowe i algorytmy ewolucyjne

Wielkość: px
Rozpocząć pokaz od strony:

Download "Sieci neuronowe i algorytmy ewolucyjne"

Transkrypt

1 Sieci neuronowe: Rys historyczny Sieci neuronowe i algorytmy ewolucyjne 2. Sieci wielowarstwowe PERCEPTRON Jerzy KORCZAK Model neuronu [McCulloch, Pitts, 943] Proces uczenia [Hebb, 949] PERCEPTRON [Rosenblatt,958] Zbieznosc algorytmu ucenia (adaptacji wag) Ograniczenia PERCEPTRONu [Minsky, Papert, 969] Problem Maszyna Bolzmanna [Hopfield, 982] Retropropagacja MLP [Rumelhart, Parker, Le Cun, 985] SelfAdapting Maps [Kohonen, 98] Sieci Hopfielda [Hopfield, 982] ICANN, IJCNN, ECANN, 2 Inspiracja biologiczna Model komórki Purkinje (Schutter 25) mozg : ~ neuronów neuron : ~ 4 połączeń Model zawiera m.in. 32 rownan rozniczkowych! 82 modele kanalow jonowych 92 parametrow opis morfologii jadro soma akson synapsa dendryt 3 4 Neuron Siec neuronowa: Wstępna definicja Sygnal aktywności (ang.spike) Siec neuronowa jest zestawem polaczonych ze soba prostych jednostek obliczeniowych, zwanych neuronami, o wysokim stopniu wzajemnych polaczen, skalarnych komunikatach i adaptacyjnym mechanizmie interakcji miedzy neuronami. action potential Wagi wzajmenych połaczen obliczane sa w trakcie procesu adaptacji, uczenia sie z przedstawionych danych. mm neurones 3 km fil µm Typy algorytmow uczacych: uczenie pod nadzorem (z nauczycielem) uczenie bez nadzoru 5 6

2 Podstwowy element sieci neuronowej: neuron Funkcja aktywacji (trnasferu): funkcja sigmoidalna X X 2 w w2 F Funkcja aktywacji Σ O ϕ(z) = / ( + e c z ) Funkcja logistyczna.2.8 c =.5 c =. c = 2. X 3 wi Σ F O Wejścia wk Wejscie neuronu Σx i *w ij Σ O 3 Wyjścia Funkcja aktywacji (transferu): funkcja tangh ϕ(z) = (e c z e c z ) / (e c z + e c z ) Architektury sieci Podstawowe klasy sieci: tangens hyperbolicus.5 c =,5 c =. c = 2. Jednowrastwowa, jednokierunkowa (feedforward) Wielowarstwowa (multilayer), bez cykli Rekurencyjna Architektura i algorytm uczący Sieć jednowarstwowa Multilayer feedforward 342 Network Neurony warstwy wejścia Neurony warstwy wyjścia Input layer Output layer Hidden Layer 2

3 Sieć rekurencyjna Sieć rekurencyjna z ukrytym neuronem i z umożliwiającym modelowanie systemów dynamicznych Wejście i wagi połączeń WEJSCIE WAGI z z z Wyjście Ukryty Wyjście Neuron wejściowy może reprezentować wartości zmiennej (przekszałcone lub nie) Liczba wejść i ich wartości zależą od dziedziny zastosowań. Wagi połączeń miedzy neuronami wejścia a sumatorem. Na początku procesu wartości wag są losowe Bias jest neuronem reprezentującym stałą. 4 WE x = + x x 2 Bias: dodatkowa zmienna na wejściu Bias może być modelowany jako dodatkowy neuron. m w.. v w = j = = b w Zmienna lokalna v w 2 ϕ( ) Sumator w jx j Funkcja aktywacji WY y Funkcje aktywacji Hardlimiter Piecewise linear Sigmoid Hyperbolic tangent if v φ ( v) = if v < if v 2 φ ( v) = v if 2 v 2 if v 2 ϕ ϕ ( v) = tanh ( v) φ ( v) = + exp( av) x m w m Wagi synaptyczne Perceptron wielowarstwowy (MLP) MultiLayer Perceptron (MLP) MLP składa się z sukcesywnych warstw : warstwy wejściowej (prezentacja wektora wejsciowego), jednej lub kilku warstw ukrytych, oraz warstwy wyjściowej (prezentujacej wartości obliczone przez sieć). Algorytmy uczace MLP : Gradient Backpropagation, SuperSAB Cascade Correlation Conjugate Gradient Metody drugiego rzędu, Warstwa wejsciowa Wartswa ukryta Warstwa wyjsciowa MLP są uniwersalnymi aproksymatorami

4 MLP: Algorytm uczący Metoda spadku gradientu (Gradient Backpropagation) Inicjalizacja wag Repeat for kazdego przykladu naucz sie wzorca Obliczenia w przód (propagacja) Obliczenia wstecz (retropropagacja) end for Dopoki błąd nie jest akceptowanie mały Slabości : Określenie parametrów procesu uczenia Długi proces uczenia Problem wyboru topologii sieci x x 2 x 3... x n w o ij o 2 o 3 Vecteur yi= Σ w d entrée ij x i Funkcja sigmoidalna F(y)=/(+e ky)... o m t t 2 t 3 t m... E=/2 Σ(t k o k ) 2 F (y) = F(y)(F(y)) 9 2 Problem : określenie wyjścia neuronu w warstwie ukrytej Problem : określenie wyjścia neuronu w warstwie ukrytej xi Wejscia oi wij tj: wyjscie dep/dwij = (dep/dσj)(dσj/dwij) =(dep/dσj) yi podstawiając δj= (dep/dσj), d où wij(t+) = wij(t) λ(t) δj yi oi oj wjk xi σi σj σk f f f wij wejscie tj Metoda obliczeń : ) Funkcja kosztu : E(t)=Σp(optp) 2 2) Gradient : w(t+) = w(t) λ(t) gradw (Ep(t)) 3) Liczenie dep/dwij zatem δj= (dep/dσj)= Σk(dEp/dσk) (dσk/dσj)= Σk δk (dσk/dσj)= = Σk δk wjk (dyk/dσj) gdzie δj = 2(oj tj) f (σj) dla neronów w warstwie WY δj = (Σk wij δk) f (σj) dla neuronów ukrytych 2 22 OCR: Rozpoznawanie znaków Axone : Przykład [http://citilab.pl] 23 J.Korczak, ULP 24 4

5 Axone : Siec nauczona Proces uczenia: Problem modyfikacji wag i narzedzia Batch: Przedstawienie wszystkich przykładow przed modyfikacją wag Online: Modyfikacja wag po każdym przykładzie Adaptacja stała i zmienna Problem zbieżności Narzedzia i systemy neuronowe: Matlab, Axone, SNNS 25 J.Korczak, ULP 26 Przyklad : Gradient BackPropagation (GBP) Przyklad: Gradient BackPropagation (GBP) Proces uczenia sieci X Y (X,Y) W ij = f(net k )=/(+e net k) net j =Σw ij o i o j =f(net j ) X,5 δ k =(t k o k )f (net k ) f (net k )=o k (o k ) w jk (t+)=w jk (t)+λ k o j,5 Y X Y (X,Y) h =f (net j ) Σ k w kj =,5*(,5)*,25*,625=,95 w hx =+,*,95*=,95 z,5 λ=, z =(.5)*,5*(.5)= W ij = =,25 w zx (t+)=+,*,25*= =,25,5 h x y J.Korczak, ULP Proces uczenia: wagi i wspolczynnik uczenia Przyklad: Nauczona siec MLP w ij (t+)= w ij( (t) + λ a j * w i w zx =,25 λ iteracja w zy =, w zh =,625,5 372 w hx =,95 3, 39 w hy = 4, (fails) w zbh =,95 f(net) =,573 X Y (X,Y) 2,76 3,29,9 7, 7, X Y

6 Przyklad: Testowanie sieci Uczenie, walidacja i testowanie X Y * 7, * 2,76 * 7, Σxw = 4,34 2,76 3,29 X 7,,9,9,98 7, Y Y=/(+e Σxw ) =/(+e 4,34 ) =,98 Plik uczący (training set) : zbiór przykładów do nauczenia sieci Plik walidacji (validation set) : zbiór przyładów do poprawienia parametrów i architektury sieci. Plik testujący (test set) : zbiór danych do określenia jakości sieci. Metody estymacji błędu generalizacji: Kfold cross validation: walidacja krzyżowa, uczenie sieci kkrotnie na k podzbiorach, zostawiając jeden do testowania. Leaveoneout przypad szczególny crossvalidation Bootstrapping: zamiast powtarzania analizy podzbiorów danych, powtarzamy proces na podzbiorach losowo wybranych danych ( ze zwracaniem) z całego pliku danych Przyklad: Testowanie sieci Axone : Przykład [http://citilab.pl] X Y,8,9,, 3,29,9,9,98 2,76 7, 7, X Y J.Korczak, ULP 33 J.Korczak, ULP 34 Axone: Przyklad parametry uczenia Axone : Example 35 6

7 Axone : Example Optymalizacja topologii sieci Podejście tryanderror Podejścia inkrementalne: dodawanie neuronów i połączeń CascadeCorrelation [Fahlman, Lebiere, 99] Upstart [Frean, 99] Tiling [Mézard, Nadal, 989] Podejscia redukujące: wycinanie połączeń i neuronów w trakcie procesu uczenia [Weight Elimination, Weigend,99] po procesie uczenia [OBD, Brain Surgeon, Le Cun, 99] Podejście ewolucyjne: genetic connectionism AGWin, Axone [Korczak, 998] Cechy dobrych dziedzin zastosowań: Problemy trudne do zdefiniowania explicite Dostepność do dużych baz danych Zakłócenia w danych Problemy wymagające szybkich obliczeń Brak rozwiązań algorytmicznych Autoryzacja dostępu podejście biometryczne Proces weryfikacji osoby na podstawie jej cech fizycznych (np. tęczówka oka, linie papilarne, kształt dłoni, kształt ucha, zapach, DNA, itp.. Klient czy oszust? 39 Biometryczna autentyfikacja Face Module: Feature Extraction Face Détection des yeux Normalisation Apprentissage et + Codage Reconnaissance Moment Decision Vert Filtre Trouver Trouver ConvolutionI de base Y X nondation + Bleu Hue Saturation Intensité Extraction Réseau des neurones w Raw Feature Normalised Feature Identyfikator Voice Transformation de l ondelette Baza danych Normalisation Apprentissage et + Codage Reconnaissance w2 Akceptuj Odrzuć Video Acquisition Face Detection Face Feature Localization Feature Extraction Feature Normalisation Effacer les silences Fréquence C C C 2 C 3 C 4 C 5 C 6 C 7 C 9 C C C 2 C 3 C 4 Temps C 5 Réseau des neurones 7

8 Voice Module: Feature Extraction Zastosowania w zarządzaniu Klasyfikacja, analiza klientow Przewidywanie (rynku akcji, bankructwa, sprzedaży) Zarządzanie ryzykiem Uproszczenie danych, walidacja danych, kompresja Autoryzacja dostępu Ocena kredytobiorcy (Credit Scoring) Wavelet Transform Truncate Normalise Sample Merge Nowe zastosowania Wyszukiwanie informacji (Web) Data Mining Multimedia (indeksacja obrazów) 44 BourseExperts: Online Trading Notowania (dzienne, godzinne, min, online), Ceny otwarcia, zamknięcia, max, min, wolumin transakcji, indeks Stopa zwrotu Reguły decyzyjne: Short and Longterm Moving Averages Peugeot Rule: The crossovers are the points of decisions Buy : when STMA moves above LTMA (cross the time series à la hausse) Sell : when STMA moves below LTMA (the time series à la baisse) Ekspertyza giełdowa Pożądane wyjście: p = f(return rate) Decyzja z sieci: y Błąd : (p y) 2 Backpropagation learning ϕ(x) = / ( + exp( B x)) Testowanie Po nauczeniu na danych z okresu uczącego, generowanie decyzji na danych testowych ( następny dzień lub minuta) Porównanie ekspertyzy z danymi rzeczywistymi Powtórzenie testu na różnych okresach 8

9 Wyniki Interval: day (. 5 ) Interval: minute (. ) # Experiments Learn Period Test Period Accepted (Optical) Character Recognition # Experiments Learn Period Test Period Accepted Robocup: FourLegged League Literatura Bishop C.M., Neural Networks for Pattern Recognition, Oxford Univ., 995. Gupta J., Smith K., Neural Network in Business: Techniques and Applications, Idea GR. Pub., 22. Haykin S., Neural Networks: A Comprehensive Foundation, Prentice, 999. Rojas R., Neural Networks: A Systematic Introduction, Springer, 996. Kohonen T., SelfOrganizing Maps, Springer, 997. Masters T., Practical Neural Network Recipes in C++, Academic Press, 994. Miniprojekt. Problem rozpoznawania przez sieć prostych symboli graficznych zapisanych w postaci matrycy 3 x 3. WEJŚCIE WYJŚCIE 53 9

Metody Sztucznej Inteligencji II

Metody Sztucznej Inteligencji II 17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału

Bardziej szczegółowo

Podstawy sztucznej inteligencji

Podstawy sztucznej inteligencji wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,

Bardziej szczegółowo

Sieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka

Sieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka Sieci neuronowe i ich ciekawe zastosowania Autor: Wojciech Jamrozy III rok SMP / Informatyka Klasyczna algorytmika Sortowanie ciągu liczb Czy i ile razy dane słowo wystąpiło w tekście Najkrótsza droga

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

8. Neuron z ciągłą funkcją aktywacji.

8. 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 szczegółowo

Sieci neuronowe i algorytmy ewolucyjne

Sieci neuronowe i algorytmy ewolucyjne Sztuczna inteligencja Sieci neuronowe i algorytmy ewolucyjne I. Wprowadzenie Jerzy KORCZAK email :jerzy.korczak@ue.wroc.pl http://www.korczak-leliwa.pl http://citi-lab.pl http://kti.ue.wroc.pl Russell

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

Inteligentne systemy informacyjne

Inteligentne systemy informacyjne Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz

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

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 1 2 SZTUCZNE SIECI NEURONOWE HISTORIA SSN 3 Walter Pitts, Warren McCulloch (1943) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich

Bardziej szczegółowo

SZTUCZNE SIECI NEURONOWE

SZTUCZNE SIECI NEURONOWE METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 SZTUCZNE SIECI NEURONOWE HISTORIA SSN Walter Pitts, Warren McCulloch (94) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich wynalazek

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 NEURONOWE Wprowadzenie

SIECI NEURONOWE Wprowadzenie SIECI NEURONOWE Wprowadzenie JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA WYKŁADOWCA JOANNA GRABSKA CHRZĄSTOWSKA KATEDRA

Bardziej szczegółowo

Metody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów

Metody klasyfikacji i rozpoznawania wzorców.  Najważniejsze rodzaje klasyfikatorów Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej

Bardziej szczegółowo

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe wykład 1. Właściwości sieci neuronowych Model matematyczny sztucznego neuronu Rodzaje sieci neuronowych Przegląd d głównych g

Bardziej szczegółowo

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu

Bardziej szczegółowo

Sieci neuronowe w Statistica

Sieci neuronowe w Statistica http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej

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

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

BIOCYBERNETYKA SIECI NEURONOWE. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.

BIOCYBERNETYKA SIECI NEURONOWE. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej. Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk SIECI NEURONOWE www.agh.edu.pl Mózg inspiruje nas od wieków Co takiego

Bardziej szczegółowo

Rozpoznawanie twarzy za pomocą sieci neuronowych

Rozpoznawanie twarzy za pomocą sieci neuronowych Rozpoznawanie twarzy za pomocą sieci neuronowych Michał Bereta http://torus.uck.pk.edu.pl/~beretam Praktyczna przydatność Bardzo szerokie praktyczne zastosowanie Ochrona Systemy bezpieczeństwa (np. lotniska)

Bardziej szczegółowo

Elementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2

Elementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2 Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe cz. 2 1 Plan wykładu Uczenie bez nauczyciela (nienadzorowane). Sieci Kohonena (konkurencyjna) Sieć ze sprzężeniem zwrotnym Hopfielda. 2 Cechy uczenia

Bardziej szczegółowo

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej

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

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex. Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów

Bardziej szczegółowo

I. Wprowadzenie SZTUCZNA INTELIGENCJA W FINANSACH. Artificial Intelligence

I. Wprowadzenie SZTUCZNA INTELIGENCJA W FINANSACH. Artificial Intelligence Artificial Intelligence SZTUCZNA INTELIGENCJA W FINANSACH I. Wprowadzenie Jerzy KORCZAK jerzy.korczak@ue.wroc.pl http://www.korczak-leliwa.pl Russell S.J., Norvig P., (199) : Artificial Intelligence :

Bardziej szczegółowo

MODELOWANIE RZECZYWISTOŚCI

MODELOWANIE RZECZYWISTOŚCI MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona

Bardziej szczegółowo

Automatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010

Automatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010 Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie

Bardziej szczegółowo

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI

Bardziej szczegółowo

Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych

Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-21 Koncepcja kursu Koncepcja

Bardziej szczegółowo

Dokumentacja Końcowa

Dokumentacja Końcowa Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem

Bardziej szczegółowo

Prof. Stanisław Jankowski

Prof. Stanisław Jankowski Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny

Bardziej szczegółowo

Deep Learning na przykładzie Deep Belief Networks

Deep Learning na przykładzie Deep Belief Networks Deep Learning na przykładzie Deep Belief Networks Jan Karwowski Zakład Sztucznej Inteligencji i Metod Obliczeniowych Wydział Matematyki i Nauk Informacyjnych PW 20 V 2014 Jan Karwowski (MiNI) Deep Learning

Bardziej szczegółowo

PROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH

PROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH Michał Sarapata Uniwersytet Ekonomiczny w Katowicach PROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH Wprowadzenie Kluczową kwestią w procesie podejmowania

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

Testowanie modeli predykcyjnych

Testowanie modeli predykcyjnych Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności

Bardziej szczegółowo

Pattern Classification

Pattern Classification Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors

Bardziej szczegółowo

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych mgr inż. C. Dendek prof. nzw. dr hab. J. Mańdziuk Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych Outline 1 Uczenie

Bardziej szczegółowo

Podstawy sztucznej inteligencji

Podstawy sztucznej inteligencji wykład 5 Sztuczne sieci neuronowe (SSN) 28 listopad 2012 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 5 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest

Bardziej szczegółowo

Wprowadzenie do klasyfikacji

Wprowadzenie do klasyfikacji Wprowadzenie do klasyfikacji ZeroR Odpowiada zawsze tak samo Decyzja to klasa większościowa ze zbioru uczącego A B X 1 5 T 1 7 T 1 5 T 1 5 F 2 7 F Tutaj jest więcej obiektów klasy T, więc klasyfikator

Bardziej szczegółowo

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XI: Sztuczne sieci neuronowe

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XI: Sztuczne sieci neuronowe Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD XI: Sztuczne sieci neuronowe [pattern associator], PA struktura: Sieci kojarzące wzorce programowanie: wyjście jednostki = aktywacji sieciowej (N)

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

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się algorytmem gradientu prostego

Bardziej szczegółowo

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski Sieci neuronowe - wprowadzenie - Istota inteligencji WYKŁAD Piotr Ciskowski na dobry początek: www.mql4.com - championship 2007 - winners of the ATC 2007 - the ATC 2007 is over forex-pamm.com na dobry

Bardziej szczegółowo

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Jarosław Piersa piersaj(at)mat.uni.torun.pl Abstrakt Poniższy referat dotyczy zagadnień uczenia w sieciach neuronowych i bayesowskich(sieciach

Bardziej szczegółowo

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót

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

SIEĆ GRNN W KOMPRESJI OBRAZÓW RADAROWYCH

SIEĆ GRNN W KOMPRESJI OBRAZÓW RADAROWYCH ZESZYTY NAUKOWE AKADEMII MARYNARKI WOJENNEJ ROK XLV NR 1 (156) 2004 Tomasz Praczyk SIEĆ GRNN W KOMPRESJI OBRAZÓW RADAROWYCH STRESZCZENIE Obraz morskiego radaru nawigacyjnego może być podstawą perspektywicznego

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Laboratorium 01 Organizacja zajęć. Perceptron.

Wprowadzenie do Sieci Neuronowych Laboratorium 01 Organizacja zajęć. Perceptron. Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.. Programu Operacyjnego Kapitał Ludzki Wprowadzenie do Sieci

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

Systemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016

Systemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016 Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania

Bardziej szczegółowo

Nieeuklidesowe sieci neuronowe

Nieeuklidesowe sieci neuronowe Uniwersytet Mikołaja Kopernika Wydział Fizyki, Astronomii i Informatyki Stosowanej Katedra Informatyki Stosowanej Helena Jurkiewicz numer albumu: 177622 Praca magisterska na kierunku fizyka komputerowa

Bardziej szczegółowo

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Patryk DUŃSKI Wydział Informatyki, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie E mail: pdunski@wi.zut.edu.pl Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Streszczenie:

Bardziej szczegółowo

Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie. Joanna Palczewska. 1. Wprowadzenie

Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie. Joanna Palczewska. 1. Wprowadzenie Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie 2007 Studium Doktoranckie Wydzia u Zarzàdzania Mo liwoêci zastosowania modelu jednokierunkowej sieci neuronowej do prognozowania sygna ów kupna i

Bardziej szczegółowo

Przetwarzanie danych i rozwiązywanie problemów

Przetwarzanie danych i rozwiązywanie problemów Przetwarzanie danych i rozwiązywanie problemów Jak to robi komputer? 1. pobierz instrukcję z pamięci 2. pobierz z pamięci konieczne dane 3. wykonaj instrukcję 4. zapamiętaj wynik 5. Przejdź do 1. Instrukcje

Bardziej szczegółowo

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska The brain - that's my second most favourite organ! - Woody Allen Sieci neuronowe - wprowadzenie Agnieszka Nowak - Brzezińska Klasyfikacja danych Klasyfikacja danych to jedno z podstawowych zadań wykonywanych

Bardziej szczegółowo

Nieeuklidesowe sieci neuronowe

Nieeuklidesowe sieci neuronowe Uniwersytet Mikołaja Kopernika Wydział Fizyki, Astronomii i Informatyki Stosowanej Katedra Informatyki Stosowanej Helena Jurkiewicz numer albumu: 177622 Praca magisterska na kierunku fizyka komputerowa

Bardziej szczegółowo

WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej.

WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej. WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej. Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. D. Rutkowska, M. Piliński i L.

Bardziej szczegółowo

LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów

LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki

Bardziej szczegółowo

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska The brain - that's my second most favourite organ! - Woody Allen Sieci neuronowe - wprowadzenie Agnieszka Nowak - Brzezińska Klasyfikacja danych Klasyfikacja danych to jedno z podstawowych zadań wykonywanych

Bardziej szczegółowo

Zastosowania sieci neuronowych predykcja - giełda

Zastosowania sieci neuronowych predykcja - giełda Zastosowania sieci neuronowych predykcja - giełda LABORKA Piotr Ciskowski AKCJE INDEKS WIG20 plik giełda-wig.xlsx : dane: indeks WIG od 1991 do 2005 ok. 3000 sesji bez ostatniej szalonej hossy dla każdej

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Laboratorium 01 Organizacja zajęć. Perceptron.

Wprowadzenie do Sieci Neuronowych Laboratorium 01 Organizacja zajęć. Perceptron. Wprowadzenie do Sieci Neuronowych Laboratorium Organizacja zajęć. Perceptron. Jarosław Piersa --3 Organizacja zajęć. Co będzie Dużo programowania (pisanie programów), Trochę matematyki, Małe zadania do

Bardziej szczegółowo

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych Sztuczne sieci neuronowe i algorytmy genetyczne Artykuł pobrano ze strony eioba.pl SPIS TREŚCI 1. ARCHITEKTURY, ALGORYTMY UCZENIA I PROJEKTOWANIE SIECI NEURONOWYCH 1.1. HISTORIA ROZWOJU SZTUCZNYCH SIECI

Bardziej szczegółowo

Praktyczne informacje o sieciach neuronowych. Elżbieta Dłubis. Państwowa Wyższa Szkoła Zawodowa w Chełmie

Praktyczne informacje o sieciach neuronowych. Elżbieta Dłubis. Państwowa Wyższa Szkoła Zawodowa w Chełmie Praktyczne informacje o sieciach neuronowych Elżbieta Dłubis Państwowa Wyższa Szkoła Zawodowa w Chełmie Wiedza o sieciach neuronowych zaczęła się od fascynacji mózgiem narządem (..), którego możliwości

Bardziej szczegółowo

Algorytmy przeszukiwania w zastosowaniu do perceptrona wielowarstwowego

Algorytmy przeszukiwania w zastosowaniu do perceptrona wielowarstwowego Algorytmy przeszukiwania w zastosowaniu do perceptrona wielowarstwowego Mirosław Kordos Autoreferat rozprawy doktorskiej promotor: prof. dr hab. Włodzisław Duch Politechnika Śląska Wydział Automatyki,

Bardziej szczegółowo

Analiza i prognozowanie poziomu zachorowań na grypę

Analiza i prognozowanie poziomu zachorowań na grypę Analiza i prognozowanie poziomu zachorowań na grypę Roksana Kowalska, Anna Noga, Maciej Kawecki, Paweł Szczypiór Instytut Matematyki i Informatyki Politechnika Wrocławska WZUR 2010 25 września 2010 1 /

Bardziej szczegółowo

METODY INŻYNIERII WIEDZY

METODY INŻYNIERII WIEDZY METODY INŻYNIERII WIEDZY WALIDACJA KRZYŻOWA dla ZAAWANSOWANEGO KLASYFIKATORA KNN ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej

Bardziej szczegółowo

Wykład z Technologii Informacyjnych. Piotr Mika

Wykład z Technologii Informacyjnych. Piotr Mika Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły

Bardziej szczegółowo

Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu SIECI NEURONOWE DLA DANYCH SYMBOLICZNYCH: PERCEPTRON WIELOWARSTWOWY

Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu SIECI NEURONOWE DLA DANYCH SYMBOLICZNYCH: PERCEPTRON WIELOWARSTWOWY Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu SIECI NEURONOWE DLA DANYCH SYMBOLICZNYCH: PERCEPTRON WIELOWARSTWOWY 1. Wstęp Jedną z najczęściej stosowanych struktur sieci neuropodobnych jest wielowarstwowa

Bardziej szczegółowo

III. Sieci neuronowe SZTUCZNA INTELIGENCJA W FINANSACH. Pojęcie sieci neuronowej. Definicje (cd) Korzenie prac badawczych

III. Sieci neuronowe SZTUCZNA INTELIGENCJA W FINANSACH. Pojęcie sieci neuronowej. Definicje (cd) Korzenie prac badawczych SZTUCZN INTELIGENCJ W FINNSCH III. Sieci neuronowe Jerzy KORCZK email : jerzy.korczak@ue.wroc.pl http://www.korczak-leliwa.pl Sieci neuronowe: Rys historyczny Model neuronu [McCulloch, Pitts, 943] Proces

Bardziej szczegółowo

Rozprawa doktorska ZASTOSOWANIE SIECI NEURONOWYCH DO PROGNOZOWANIA DEFORMACJI GÓRNICZYCH. Wojciech Gruszczyński

Rozprawa doktorska ZASTOSOWANIE SIECI NEURONOWYCH DO PROGNOZOWANIA DEFORMACJI GÓRNICZYCH. Wojciech Gruszczyński Akademia Górniczo-Hutnicza im. Stanisława Staszica Wydział Geodezji Górniczej i Inżynierii Środowiska Katedra Ochrony Terenów Górniczych, Geoinformatyki i Geodezji Górniczej Rozprawa doktorska ZASTOSOWANIE

Bardziej szczegółowo

Sieci Kohonena Grupowanie

Sieci Kohonena Grupowanie Sieci Kohonena Grupowanie http://zajecia.jakubw.pl/nai UCZENIE SIĘ BEZ NADZORU Załóżmy, że mamy za zadanie pogrupować następujące słowa: cup, roulette, unbelievable, cut, put, launderette, loveable Nie

Bardziej szczegółowo

Wstęp do teorii sztucznej inteligencji

Wstęp do teorii sztucznej inteligencji Wstęp do teorii sztucznej inteligencji Wykład V Algorytmy uczenia SSN Modele sieci neuronowych. SSN = Architektura + Algorytm Wagi i wejścia dla sieci neuronuowej: reprezentacja macierzowa δ i = z i y

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

Jakość uczenia i generalizacja

Jakość uczenia i generalizacja Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które

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

1 Podstawy programowania sieci neuronowych w programie Matlab 7.0

1 Podstawy programowania sieci neuronowych w programie Matlab 7.0 1 Podstawy programowania sieci neuronowych w programie Matlab 7.0 1.1 Wczytanie danych wejściowych Pomocny przy tym będzie program Microsoft Excel. W programie tym obrabiamy wstępnie nasze dane poprzez

Bardziej szczegółowo

Sieci neuronowe krótki kurs. Agnieszka Nowak - Brzezińska

Sieci neuronowe krótki kurs. Agnieszka Nowak - Brzezińska The brain - that's my second most favourite organ! - Woody Allen Sieci neuronowe krótki kurs Agnieszka Nowak - Brzezińska Klasyfikacja danych Klasyfikacja danych to jedno z podstawowych zadań wykonywanych

Bardziej szczegółowo

Wstęp. Spis treści. Krótka historia sztucznych sieci neuronowych. powrót

Wstęp. Spis treści. Krótka historia sztucznych sieci neuronowych. powrót powrót Spis treści 1 Wstęp 1.1 Krótka historia sztucznych sieci neuronowych 1.2 Ogólne spojrzenie na sieci neuronowe 1.3 Ogólne cechy sieci neuronowych 1.4 Sieci w technice 1.5 Kierunki badań i zastosowań

Bardziej szczegółowo

Redakcja: Urszula Markowska-Kaczmar Halina Kwaśnicka SIECI NEURONOWE W ZASTOSOWANIACH. Praca zbiorowa

Redakcja: Urszula Markowska-Kaczmar Halina Kwaśnicka SIECI NEURONOWE W ZASTOSOWANIACH. Praca zbiorowa Redakcja: Urszula Markowska-Kaczmar Halina Kwaśnicka SIECI NEURONOWE W ZASTOSOWANIACH Praca zbiorowa Oficyna Wydawnicza Politechniki Wrocławskiej Wrocław 2005 3 Przedmowa 7 1 Sztuczne sieci neuronowe wprowadzenie

Bardziej szczegółowo

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII Scientific Bulletin of Che lm Section of Mathematics and Computer Science No. 1/2008 ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII WACŁAW FRYDRYCHOWICZ, KATARZYNA

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych lista zadań 1

Wprowadzenie do Sieci Neuronowych lista zadań 1 Wprowadzenie do Sieci Neuronowych lista zadań 1 Maja Czoków, Jarosław Piersa 2010-10-04 1 Zasadyzaliczania 1.1 Oceny Zaliczenie laboratoriów na podstawie implementowania omawianych algorytmów. Każde zadanie

Bardziej szczegółowo

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu. SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu

Bardziej szczegółowo

Sieci neuronowe jako przykład współczesnej technologii informatycznej

Sieci neuronowe jako przykład współczesnej technologii informatycznej Maciej Roszkowski Sieci neuronowe jako przykład współczesnej technologii informatycznej Sieci neuronowe są technologią sztucznej inteligencji, trochę zapomnianą we współczesnym świecie. Współczesny ogólnie

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

Podstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6

Podstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6 Podstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6 I. Funkcje przeznaczone do tworzenia jednokierunkowej sieci neuronowej newff newp newlin - tworzenie wielowarstwowej

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

Metody sztucznej inteligencji

Metody sztucznej inteligencji Metody sztucznej inteligencji sztuczne sieci neuronowe - wstęp dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz Metody sztucznej

Bardziej szczegółowo

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,

Bardziej szczegółowo

17.12.2005 Neuron biologiczny. Źród lo: Korbicz i in. [4] Synapsa to po l aczenie nerwowymi.

17.12.2005 Neuron biologiczny. Źród lo: Korbicz i in. [4] Synapsa to po l aczenie nerwowymi. Wyk lad 1. 17.12.2005 Neuron biologiczny Źród lo: Korbicz i in. [4] Synapsa to po l aczenie miedzy dwoma komórkami nerwowymi. 1 neuron biologiczny A B C D Zakoñczenia przedsynaptyczne Akson Dendryt Cia³o

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby

Bardziej szczegółowo

Badacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe.

Badacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe. Naśladując w komputerze ludzki mózg staramy się połączyć zalety komputera (dostępność i szybkość działania) z zaletami mózgu (zdolność do uczenia się) informatyka + 2 Badacze zbudowali wiele systemów technicznych,

Bardziej szczegółowo

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe)

Bardziej szczegółowo

PORÓWNANIE RÓŻNYCH TYPÓW SIECI NEURONOWYCH DO LOKALIZACJI AWARII W SIECIACH WODOCIĄGOWYCH 1

PORÓWNANIE RÓŻNYCH TYPÓW SIECI NEURONOWYCH DO LOKALIZACJI AWARII W SIECIACH WODOCIĄGOWYCH 1 Izabela Rojek Jan Studziński PORÓWNANIE RÓŻNYCH TYPÓW SIECI NEURONOWYCH DO LOKALIZACJI AWARII W SIECIACH WODOCIĄGOWYCH 1 Streszczenie. W artykule prezentowane są różne typy sieci neuronowych do lokalizacji

Bardziej szczegółowo

Analiza metod wykrywania przekazów steganograficznych. Magdalena Pejas Wydział EiTI PW magdap7@gazeta.pl

Analiza metod wykrywania przekazów steganograficznych. Magdalena Pejas Wydział EiTI PW magdap7@gazeta.pl Analiza metod wykrywania przekazów steganograficznych Magdalena Pejas Wydział EiTI PW magdap7@gazeta.pl Plan prezentacji Wprowadzenie Cel pracy Tezy pracy Koncepcja systemu Typy i wyniki testów Optymalizacja

Bardziej szczegółowo

SI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu

SI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu SI w procesach przepływu i porządkowania informacji Paweł Buchwald Wyższa Szkoła Biznesu Początki SI John MC Carthy prekursor SI Alan Thuring pomysłodawca testu na określenie inteligencji maszyn Powolny

Bardziej szczegółowo

Sztuczne Sieci Neuronowe

Sztuczne Sieci Neuronowe Sztuczne Sieci Neuronowe Wykład 1 Wprowadzenie do tematyki Sztucznych Sieci Neuronowych (SSN) wykład przygotowany wg. W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz, Sieci Neuronowe, Rozdz. 1. Biocybernetyka

Bardziej szczegółowo

Dobór funkcji aktywacji sieci neuronowej realizującej odtwarzanie wielkości wejściowej przetwornika pomiarowego

Dobór funkcji aktywacji sieci neuronowej realizującej odtwarzanie wielkości wejściowej przetwornika pomiarowego Dobór funkcji sieci neuronowej realizującej odtwarzanie wielkości wejściowej przetwornika pomiarowego Piotr Makowski Jerzy Roj* W artykule przedstawiono wyniki badań wybranych struktur sieci neuronowych

Bardziej szczegółowo

Nieeuklidesowe sieci neuronowe

Nieeuklidesowe sieci neuronowe Uniwersytet Mikołaja Kopernika Wydział Fizyki, Astronomii i Informatyki Stosowanej Katedra Informatyki Stosowanej Helena Jurkiewicz numer albumu: 177622 Praca magisterska na kierunku fizyka komputerowa

Bardziej szczegółowo

ALGORYTM ROZPOZNAWANIA OBRAZÓW MATERIAŁÓW BIOLOGICZNYCH

ALGORYTM ROZPOZNAWANIA OBRAZÓW MATERIAŁÓW BIOLOGICZNYCH InŜynieria Rolnicza 7/2005 Bogusława Łapczyńska-Kordon, Jerzy Langman, Norbert Pedryc Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie ALGORYTM ROZPOZNAWANIA OBRAZÓW MATERIAŁÓW

Bardziej szczegółowo