Wykorzystanie sztucznych sieci neuronowych do prognozowania upadłoci przedsibiorstw
|
|
- Amalia Bukowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Grzegorz Zieliski 1 Wykorzystanie sztucznych sieci neuronowych do prognozowania upadłoci przedsibiorstw 1. Czym s sztuczne sieci neuronowe (SSN)? Inspiracj dla powstania dziedziny SSN było zafascynowanie ludzkim mózgiem, składajcym si z 10 miliardów komórek nerwowych (neuronów), które wzajemnie ze sob współpracujc - przetwarzaj w sposób równoległy przepływajce przez nie sygnały. Sztuczne sieci neuronowe s strukturami złoonymi ze sztucznych neuronów, bdcych uproszczonymi odpowiednikami komórek nerwowych. Poniewa pojedynczy sztuczny neuron zachowuje si tak samo, bdc równie elementem składowym sieci, to przedstawienie zasady jego działania stanowi klucz do zrozumienia, jak działa cała sztuczna sie neuronowa. Analizujc uproszczony model działania sztucznego neuronu (Rys. 1) mona wyróni nastpujce etapy: Na wejcie neuronu trafia wektor skoczonej liczby sygnałów wejciowych (X 1, X 2,, X n ). Wprowadzone na wejcia dane s przemnaana przez wartoci wag (W 1, W 2,, W n ), które okrelaj stopie wanoci informacji, stanowi te swojego rodzaju pami neuronu, zapamituj bowiem zwizki midzy danymi przepływajcymi midzy wejciem i wyjciem. Nastpuje sumowanie iloczynów wag i sygnałów wejciowych czyli obliczane jest tzw. pobudzenie neuronu, które przy zastosowaniu odpowiedniej funkcji aktywacji zamieniane jest na sygnał wyjciowy czyli warto kocow zwracan przez neuron. Rys. 1. Model działania sztucznego neuronu 1 Student III roku Informatyki i ekonometrii, Koło Naukowe Metod Sztucznej Inteligencji Wyszej Szkoły Zarzdzania i Administracji w Zamociu. Opiekun mgr in. Andrzej Burda
2 Działanie sztucznej sieci neuronowej opiera si na podobnych zasadach, co zostało zobrazowane na przykładowej, 3-warstwowej sieci neuronowej (Rys. 2.). Dane (sygnały wejciowe) po przemnoeniu przez współczynniki wag zostaj wprowadzone do sieci poprzez warstw wejciow (warstwa 1). Dobór odpowiednich wartoci wag tak, aby jak najlepiej odwzorowywały one istotno wprowadzanych danych, nazywany jest procesem uczenia sieci. Wartoci generowane (zwracane) przez neurony warstwy 1 po przemnoeniu przez wagi stanowi sygnały wejciowe dla warstwy 2. Analogiczna zaleno istnieje pomidzy warstw 2 i warstw 3. Warstwa 2 umieszczona pomidzy warstw wejciow i wyjciow nosi nazw warstwy ukrytej (poredniej). W zalenoci od złoonoci problemu badawczego warstw porednich moe by wicej ni jedna, aby zasymulowa skomplikowane zalenoci pomidzy przepływajcymi przez sie danymi (moe te nie by adnej przy modelowaniu banalnych zagadnie). Przetworzone dane trafiaj na wejcia ostatniej warstwy, zwanej wyjciow (warstwa 3), która zwraca kocowy wynik działania sieci. Przedstawiona na Rys. 2 warstwa wyjciowa zawiera 3 neurony, jednake ich liczba jest uzaleniona od podanych wyników działania SSN przykładowo przy problemach klasyfikacji obiektu do 8 grup liczba neuronów w warstwie wyjciowej moe wynie 8, za klasyfikacja typu tak/nie wymaga moe tylko 1 neuronu. Liczba neuronów w pozostałych warstwach take jest dobierana w zalenoci od parametrów realizowanego modelu. Rys. 2 Model 3-warstwowej sztucznej sieci neuronowej SSN dziki takim cechom jak: zdolno do uczenia si oraz uogólniania wiedzy nabytej w procesie trenowania,
3 odporno na uszkodzenia, równoległe i rozproszone przetwarzanie duej iloci danych (take rozmytych, niekompletnych i chaotycznych), brak koniecznoci programowania przy poszukiwaniu algorytmu rozwizania danego problemu, znajduj szerokie zastosowanie w wielu dziedzinach współczesnej nauki, m.in. w badaniu stanu finansowego przedsibiorstw czy ocenie wiarygodnoci kredytowej. 2. Istota upadłoci przedsibiorstw Z ekonomicznego punktu widzenia o upadłoci przedsibiorstw najogólniej mona powiedzie, e wie si ona z brakiem moliwoci samodzielnego kontynuowania działalnoci bez udzielania pomocy finansowej z zewntrz. W aspekcie prawnym za jest to ustalony na drodze sdowej przymus rozpoczcia procesu zaspokajania wierzycieli. Wie si to z postpowaniem prawnym obejmujcym okrelone procedury, np.: ogłoszenie upadłoci, rozpoczcie procesu upadłociowego, likwidacja bd restrukturyzacja firmy, powołanie syndyka masy upadłociowej, itp. Według polskiego prawa upadłociowego i naprawczego przesłankami do ogłoszenia upadłoci mog by: niewypłacalno przedsibiorstwa (brak moliwoci regulowania zobowiza); warto posiadanego majtku wystarczajca na pokrycie kosztów postpowania. 3. Definicja przedsibiorstwa zagroonego upadłoci z punktu widzenia prowadzonej analizy Jedn z pierwszych kwestii do rozwaenia przy budowie modelu prognozowania stanu finansowego przedsibiorstw było zdefiniowanie firmy zagroonej upadkiem z punktu widzenia prowadzanej analizy. W literaturze spotyka si róne podejcia przy definiowaniu bankrutów oprócz decyzji o upadłoci wydanej przez sd, czsto spotykan praktyk jest branie pod uwag faktu rozpoczcia procesu układowego bd naprawczego (które według polskiego prawa upadłociowego i naprawczego s take czci postpowania upadłociowego), bd te same złoenie wniosku o upadło. Takie podejcie jednak moe by obarczone błdem cz wniosków jest składana przez wierzycieli z zamiarem wywarcia presji na spółkach, aby zaczły regulowa wobec nich zobowizania. Z kolei przy ocenie moliwoci kredytowych czsto za bankruta uznaje si firmy majce stale zwikszajce si opónienia w spłatach kredytu.
4 Zdefiniowanie bankruta zaley wic od punktu widzenia prowadzonej analizy w przypadku moich bada decydowała ustalona na drodze sdowej decyzja o ogłoszeniu upadłoci. Na tej podstawie zbiór przedsibiorstw uytych w budowie modelu podzielono na dwie grupy: upadłe (bankruci) i niezagroone (zdrowe). 4. Dobór materiału statystycznego niezbdnego do oszacowania modelu Model oparty jest na przedsibiorstwach notowanych na Giełdzie Papierów Wartociowych w Warszawie (GPW) w latach ródłem szczegółowych informacji na temat kadej z 328 spółek były ich roczne sprawozdania finansowe, zgromadzone i odpłatnie udostpnione przez serwis Wród całej grupy spółek - zgodnie z przyjtym kryterium - wyróni mona było 18 bankrutów. Do kadego z nich dobrano od 2 do 5 przedsibiorstw zdrowych, zwaajc na ten sam sektor działalnoci, ten sam rynek notowa i najmniejsz rónic w wartoci aktywów. Łcznie dało to zbiór 76 spółek uytych do szacowania modelu. 5. Okrelenie zmiennych objaniajcych Pocztkowo korzystajc z modelu Katarzyny Szarzec i Doroty Appenzeller opracowany take dla spółek notowanych na GPW (lata ) wybrano 5 zmiennych. Trzy sporód zmiennych zaproponowanych przez autorki, które zostały uyte w moim modelu to: mara zysku operacyjnego (wskanik zyskownoci przedsibiorstwa), wskanik płynnoci biecej (wskanik płynnoci), dług/ebitda (wskanik zadłuenia). Sporód grupy wskaników sprawnoci działania rotacja zapasów została zastpiona rotacj nalenoci, bowiem niektóre ze spółek oferowały działalno usługow, wic nie posiadały zapasów, za odrzucenie tych przypadków uszczupliłoby jeszcze prób badawcz. Pit zmienn, któr posłuyły si autorki był cykl operacyjny (rotacja zapasów + rotacja nalenoci). Poniewa składow cyklu operacyjnego jest rotacja zapasów argument odrzucenia poprzedniego miernika jest słuszny take i w tym przypadku, ponadto majc po jednej zmiennej z kadej grupy wskaników (zyskownoci, płynnoci, zadłuenia i sprawnoci działania) lepszym rozwizaniem wydało si wprowadzenie do modelu jako pitej zmiennej miernika rynkowego wartoci ksigowej na jedn akcj. Ostatecznie do modelu wybranych zostało 5 zmiennych objaniajcych:
5 wskanik płynnoci biecej = majtek obrotowy / zobowizania krótkoterminowe, mara zysku operacyjnego = zysk operacyjny / przychody ze sprzeday netto, rotacja nalenoci = (nalenoci krótkoterminowe / przychody netto ze sprzeday)*360, dług/ebitda = (zobowizania i rezerwy / (zysk (strata) z działalnoci operacyjnej + amortyzacja), warto ksigowa na jedn akcj. Wartoci zmiennych odnosz si do roku poprzedzajcego bankructwo. 6. Przygotowanie odpowiedniego zbioru wejciowego dla modelu sieci neuronowej Neuronowy model prognozowania upadłoci firm był budowany przy uyciu wbudowanego modułu Neural Networks (Sieci Neuronowe) pakietu STATISTICA. Wymagało to przygotowania zbioru danych wejciowych w odpowiedniej formie. Aby zbudowa efektywnie działajc sztuczn sie neuronow naley przede wszystkim najpierw nauczy j rozpoznawa charakterystyczne cechy wprowadzanych danych, podajc jej odpowiednie wzorce w tym przypadku zbudowa zbiór uczcy, zawierajcy spółki upadłe i zdrowe i podpowiedzie sieci, które z nich s tymi dobrymi, a które złymi. Jednak, aby sie nie dopasowała si zbyt dobrze do znanych sobie przypadków (problem przeuczenia sieci), co mogłoby skutkowa błdn interpretacj nowych, nieznanych spółek, naley take utworzy tzw. zbiór walidacyjny, słucy do monitorowania procesu uczenia. Z kolei zbiór testowy, zawierajcy dane nie ujte w grupie uczcej, słuy do oceny skutecznoci sieci. Uwzgldniajc wymagania właciwego procesu uczenia, wygenerowano 10 zestawów danych o losowej zawartoci spółek. Kady zestaw pod wzgldem budowy wygldał identycznie składał si z 47 spółek podzielonych na 3 zbiory: uczcy: 11 bankrutów i 22 spółki zdrowe, walidacyjny: 4 bankrutów i 4 spółki zdrowe, testowy: 3 bankrutów i 3 spółki zdrowe. Generator zestawów był napisany tak, aby spółka zdrowa była dobrana z grupy przedsibiorstw dobrych odpowiadajcych spółce-bankrutowi (pod wzgldem rynku notowa, sektora i wartoci aktywów). W zbiorze uczcym liczba zdrowych spółek była dwukrotnie wysza od upadłych. W rzeczywistoci proporcja ta jest jeszcze wiksza, lecz ze wzgldu na niedu liczebno próby nie mona było jej zamodelowa. W zbiorach
6 walidacyjnym i testowym spółki dobre i złe umieszczone zostały w stosunku 1:1, aby zapewni efektywn klasyfikacj firm. Tabela 1. Przykładowy zestaw danych wejciowych. Zestaw danych wejciowych (Tabela 1) opisany był nastpujcymi właciwociami: Zbiór - okrelenie przynalenoci spółki do zbioru uczcego (u), walidacyjnego (w) lub testowego (t); Nazwa spółki nie brana pod uwag w przetwarzaniu danych przez program, sygnalizujca wystpienie konkretnej spółki w danym zestawie i ułatwiajca odnalezienie konkretnego przypadku; Stan bankruci z przypisan wartoci 0, spółki zdrowe oznaczone 1; 5 zmiennych zastosowanych w modelu do opisania kondycji finansowej spółek;
7 7. Proces uczenia sieci dobór parametrów sieci i optymalizacja modelu W przeprowadzonych badaniach szybko okazało si po testowaniu rónych rodzajów sieci na tym samym zbiorze danych wejciowych e perceptron wielowarstwowy daje zdecydowanie lepsze rezultaty ni sieci liniowe, sieci o radialnych funkcjach bazowych (radial basis functions) czy probabilistyczne sieci neuronowe (probabilistic neural networks). Potwierdzona została, spotykana w wielu przypadkach z literatury, słuszno uycia perceptronu do budowy modelu opartego na wskanikach finansowych. Ze wzgldu na mał złoono budowanego modelu (tylko 5 zmiennych objaniajcych) wystarczyło zastosowa 1 warstw ukryt z iloci neuronów nie przewyszajc iloci zmiennych wejciowych czyli liczba neuronów w warstwie poredniej wahała si od 1 do 5. Liczba neuronów w warstwie wejciowej równa była liczbie zmiennych objaniajcych (jeden neuron na wejciu przetwarzał dane odpowiadajce jednej zmiennej wejciowej), za w warstw wyjciow stanowił jeden neuron, zwracajcy rezultat działania sieci. Sporód liniowej i logistycznej funkcji aktywacji, ta druga dawała lepsze efekty przy zamianie stanu pobudzenia neuronu na sygnał wyjciowy. Z kolei, jeli chodzi o wybór metody uczenia, najlepsz opcj okazało si zastosowanie kombinacji algorytmu wstecznej propagacji błdów (przy przebiegu 100 epok) oraz metoda gradientów sprzonych (maksymalnie 500 epok). Takie połczenie do szybko zapewniało stabilne działanie sieci, bo poniej 200. epoki w drugiej fazie uczenia metodzie gradientowej. Generujc sieci na podstawie 10 rónych zestawów spółek otrzymałem dla kadego z zestawów najwydajniejsze pod wzgldem klasyfikacji bankrut/ nie-bankrut sieci. Jednak kady zestaw miał losowe przyporzdkowanie spółek do danego zbioru (uczcego, walidacyjnego, testowego), co rónicowało wyniki zwracane przez poszczególne sieci. W celu uogólnienia (urednienia) wyników, otrzymywanych na wyjciu najlepszych sieci dla kadego zestawu danych, zbudowany został model kombinowany, co przełoyło si na lepsz wydajno przy rozpoznawaniu stanu zagroenia przedsibiorstw. Opracowane zostały 2 podejcia: Model kombinowany (dla zachowania czytelnoci toku postpowania oznaczany dalej jako MK I), w skład którego wchodziło po jednej najlepszej sieci dla kadego z 10 zestawów wejciowych spółek (czyli łcznie 10 sieci w MK I); Model kombinowany (dalej MK II) złoony z 10 modeli kombinowanych (mk1, mk2,, mk10) (zawierajcych po 5 najlepszych sieci) utworzonych dla kadego zestawu
8 danych wejciowych (łcznie w MK II znalazło si 47 sieci dla mk6, mk8 i mk9 wybrano po 4 najlepsze sieci, gdy pozostałe odbiegały pod wzgldem efektywnoci). Poniej przedstawiono zestawienia modeli kombinowanych (Tabela 2). Pierwsze 10 wierszy to modele kombinowane dla kadego z 10 zestawów danych wejciowych mk1,..., mk10, kolejne dwie pozycje to modele kombinowane omówione powyej dla wiersza o indeksie 281 MK I, za o indeksie 282 MK II. Jak wida modele kombinowane mk1,, mk10 tworzone na podstawie pojedynczych zestawów w wikszoci charakteryzuj si lepsz wydajnoci na kadym ze zbiorów (Train/Select/Test Performance) i mniejszymi błdami (Train/Selekt/Test Error) ni modele MK I I MK II, lecz naley wzi pod uwag, e ich wynik bdzie obarczony wikszym błdem przy analizowaniu spółek, które nie wchodziły w skład danego zestawu. Modele MK I i MK II maj lepsz zdolno do uogólniania i przy klasyfikacji typu bankrut/ nie-bankrut w odniesieniu do grupy wszystkich przedsibiorstw popełniaj mniej błdów. Tabela 2. Zestawienie grup zbiorczych wraz z ich charakterystykami. Wykresy zalenoci zmiennej objanianej (stan finansowy przedsibiorstwa, gdzie 1 bardzo dobry, 0 bardzo zły, przy skali cigłej) od poszczególnych zmiennych objaniajcych (Rys. 3 wskanik płynnoci biecej, Rys. 4 mara zysku operacyjnego) jednoznacznie pokazuj, e model MK II (oznaczona czerwonym kolorem linii na wykresie, MK I niebieski kolor linii) posiadła wiksz zdolno do generalizowania (uogólniania), bowiem wykresy s bardziej wygładzone, a wic zaleno zmiennej wejciowej od zmiennych wyjciowych jest bardziej stabilna, mniej podatna na losowe wartoci. Ostatecznie to model MK II (47 sieci) posłuył za model najbardziej optymalny i został on wykorzystana w kocowym procesie testowania.
9 Rys. 3. Wykres zalenoci stanu finansowego przedsibiorstwa od wskanika płynnoci biecej. Rys. 4. Wykres zalenoci stanu finansowego przedsibiorstwa od mary zysku operacyjnego. 8. Testowanie oszacowanego modelu i wyniki prognoz. Testowanie oszacowanego modelu zostało przeprowadzone na zbiorze 76 spółek tych samych, które zostały wykorzystanych do budowy poszczególnych zestawów. Niewtpliwie wynik takiego testowania jest w jakim stopniu obarczony zawyonym prawdopodobiestwem właciwej klasyfikacji bankrut/ nie-bankrut (przy dosy małej liczebnoci próby była to niemal konieczno), jednak stanowi to nieduy udział w tym, e oszacowany model ma charakteryzuje si bardzo dobrymi skłonnociami predykcji upadłoci przedsibiorstw. Wyniki działania zbudowanego modelu zaprezentowane s na Rys. 7.
10 Rys. 5. Zestawienie rzeczywistych i oszacowanych stanów finansowych przedsibiorstw. Za warto graniczn, rónicujc przedsibiorstwo zdrowe od bankruta przejta została warto 0,5 zmiennej objanianej. Oszacowane wartoci powyej 0,5 wskazywały na dobry stan spółki, za poniej na zagroenie upadłoci. Wród spółek zdrowych, dla 43 z nich sie zwróciła warto 1 (co mona interpretowa jako całkowita pewno dobrej kondycji finansowej), dla 14 sie wygenerowała wynik z przedziału <0,5;1> (tutaj wystpuje pewne ryzyko przy stwierdzeniu, e firma jest zdrowa), za jedna spółka została błdnie oceniona jako bankrut (warto zwrócona przez sie 0,413) W przypadku przedsibiorstw, które w rzeczywistoci upadły (brak słupków prezentujcych wartoci rzeczywiste, bowiem warto stanu finansowego dla spółek upadłych wynosi 0), dla 13 z nich model wskazywał warto 0, czyli pewno bankructwa (analogicznie brak słupków odpowiadajcych oszacowanym wartociom stanu finansowego dla tych przypadków), za dla pozostałych 5 zwrócona została warto z przedziału <0;0,5), co oznacza moliwo obarczenia pewnym ryzykiem diagnozy upadłoci firmy. Zatem adna spółka-bankrut nie została sklasyfikowana błdnie. Łcznie wic tylko w jednym na 76 przypadków neuronowy model dokonał nietrafnej oceny, przy czym warto zauway, e zaklasyfikował spółk zdrow do grupy bankrutów (błd I rodzaju), co obarczone jest mniejsz szkodliwoci, bowiem w przypadku kredytodawców pojawia si koszt utraconych korzyci, podczas gdy błd II rodzaju (wskazanie potencjalnego bankruta jako przedsibiorstwa niezagroonego upadłoci) naraa ju na strat kapitału. Wartoci obu rodzajów błdów wyniosły odpowiednio: błd I rodzaju 0% (0 błdów klasyfikacji na 18 przypadków), błd II rodzaju 1,72% (1 na 58). Łczna efektywno modelu wyniosła 98,68% (75 trafnych klasyfikacji na 76 przypadków). 9. Podsumowanie
11 Sztuczne sieci neuronowe dziki swoim zaletom znajduj zastosowanie w wielu dziedzinach nauki. W stosunkowo niedługim czasie powstało wiele neuronowych modeli, które sprawdziły si take w prognozowaniu stanu finansowego przedsibiorstw, dajc nawet lepsze rezultaty ni klasyczne metody ekonometryczne. Oprócz lepszej wydajnoci modeli zbudowanych w oparciu o sieci neuronowe, podejcie to jest te bardziej uniwersalne nie ma potrzeby budowania modelu od pocztku dla gospodarki krajowej kadego pastwa czy dla rónych rynków - majc gotowy model wystarczy zastosowa inne zmienne objaniajce i szybko podda sie ponownemu procesowi trenowania. Ponadto nie musz by spełnione pewne wymagania, jakie s wymagane przy metodach klasycznych prognozowania upadłoci przedsibiorstw (stosunek spółek zdrowych do upadłych 1:1). Posiadajc wiedz na temat działania SSN, metod uczenia czy te architektury łatwo mona realizowa róne modele do rozwizywania złoonych problemów czy zagadnie. Ponadto narzdzia słuce do budowy SSN, takie jak STATISTICA pozwalaj na generowanie w łatwy i przyjazny uytkownikowi sposób rónego rodzaju podsumowa i analiz ułatwiajcych zrozumienie problemu i interpretacj chociaby wyników kocowych. Cho wci trwaj dyskusje co do wikszej skutecznoci prognozowania pomidzy metodami neuronowej i klasycznymi metodami, to zbudowany modelu dowodzi słusznoci uycia sztucznych sieci neuronowych w dziedzinie predykcji bankructw, co wicej jego wysoka efektywno wydaje si stawia SSN, jeli nie na szczycie, to bynajmniej w czołówce metod prognozowania stanów zagroenia finansowego przedsibiorstw. Literatura: 1. T. Korol, B. Prusak, Upadło przedsibiorstw a wykorzystanie sztucznej inteligencji, CeDeWu Sp. z o.o., Warszawa Michael R. Tyran, Wskaniki finansowe, Oficyna Ekonomiczna, Kraków Ryszard Tadeusiewicz, Sieci neuronowe, Pastwowa Oficyna Wydawnicza RM, Warszawa D. Witkowska, Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, Wydawnictwo C.H. Beck, Warszawa J. urada, M. Barski, W. Jdruch, Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa Pomoc pakietu STATISTICA (STATISTICA Electronic Manual) 7. Strona internetowa: 8. Strona internetowa:
Daniel Kierepka. Kompresja obrazów za pomoc sztucznych sieci neuronowych
Daniel Kierepka Kompresja obrazów za pomoc sztucznych sieci neuronowych We współczesnym wiecie do duym problemem jest przesyłanie danych o znacznej wielkoci w sieciach telekomunikacyjnych. W tej pracy
Bardziej szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoWybór metody preprocessingu zmiennych wejciowych do prognozowania płacenia przez przedsibiorstwo dywidendy
Agata Raszka 1 Wybór metody preprocessingu zmiennych wejciowych do prognozowania płacenia przez przedsibiorstwo dywidendy 1. Wprowadzenie Termin sztuczna inteligencja został zaproponowany w 1956 roku przez
Bardziej szczegółowoGrupa Kapitałowa Stalexport Wyniki finansowe za I kwartał 2005 r. 17 maja 2005 r. I - 1
Grupa Kapitałowa Stalexport Wyniki finansowe za I kwartał 2005 r. 17 maja 2005 r. I - 1 Spis treci Otoczenie rynkowe Omówienie wyników finansowych Grupy Kapitałowej Omówienie wyników poszczególnych segmentów
Bardziej szczegółowoRAPORT Z BADANIA SPRAWOZDANIA FINANSOWEGO SPÓŁKI MABION S.A. ZA ROK OBROTOWY 2014
RAPORT Z BADANIA SPRAWOZDANIA FINANSOWEGO SPÓŁKI MABION S.A. ZA ROK OBROTOWY 2014 I. INFORMACJE OGÓLNE 1. Dane identyfikujce badan Spółk Spółka działa pod firm Mabion S.A. (dalej Spółka ). Siedzib Spółki
Bardziej szczegółowoElementy Sztucznej Inteligencji
Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe wykład Elementy Sztucznej Inteligencji - wykład Plan Wzorce biologiczne. Idea SSN - model sztucznego neuronu. Perceptron prosty i jego uczenie reguł
Bardziej szczegółowoprzewidywania zapotrzebowania na moc elektryczn
do Wykorzystanie do na moc elektryczn Instytut Techniki Cieplnej Politechnika Warszawska Slide 1 of 20 do Coraz bardziej popularne staj si zagadnienia zwi zane z prac ¹ródªa energii elektrycznej (i cieplnej)
Bardziej szczegółowoElementy Sztucznej Inteligencji
Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe Plan Wzorce biologiczne. Idea SSN - model sztucznego neuronu. Perceptron prosty i jego uczenie reguł delta Perceptron wielowarstwowy i jego uczenie
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoWymierne korzyci wynikajce z analizy procesów
Wymierne korzyci wynikajce z analizy procesów Analiza procesu jest narzdziem do osignicia wyszej efektywnoci organizacji (midzy innymi). Wymaga ona zbudowania modelu procesu biznesowego bdcego opisem funkcjonowania
Bardziej szczegółowoWspólnikiem spółki moe by zarówno osoba fizyczna, osoba prawna, jednostka organizacyjna nie posiadajca osobowoci prawnej.
1 SPÓŁKA JAWNA Spółka jawn jest spółk osobow, która prowadzi przedsibiorstwo pod własn firm. Firma spółki jawnej wg art. 24 k.s.h., powinna zawiera nazwiska lub firmy (nazwy) wszystkich wspólników albo
Bardziej szczegółowoPlanowanie adresacji IP dla przedsibiorstwa.
Planowanie adresacji IP dla przedsibiorstwa. Wstp Przy podejciu do planowania adresacji IP moemy spotka si z 2 głównymi przypadkami: planowanie za pomoc adresów sieci prywatnej przypadek, w którym jeeli
Bardziej szczegółowoRaport kwartalny SA-Q III/2005. Koszaliskie Przedsibiorstwo Przemysłu Drzewnego SA (nazwa emitenta)
Raport kwartalny Zgodnie z 54 Załcznika Nr 1 do Uchwały Nr 29/01 Rady Nadzorczej Spółki Akcyjnej Centralna Tabela Ofert z dnia 30 padziernika 2001 r. - Regulamin obrotu (z pón. zm.) (dla emitentów papierów
Bardziej szczegółowoPoprawa efektywnoci metody wstecznej propagacji bdu. Jacek Bartman
Poprawa efektywnoci metody wstecznej propagac bdu Algorytm wstecznej propagac bdu. Wygeneruj losowo wektory wag. 2. Podaj wybrany wzorzec na wejcie sieci. 3. Wyznacz odpowiedzi wszystkich neuronów wyjciowych
Bardziej szczegółowoTrendy upadłoci przedsibiorstw w Polsce
Dr Grzegorz Gołbiowski Trendy upadłoci przedsibiorstw w Polsce Wprowadzenie Upadłoci przedsibiorstw w gospodarce rynkowej nie s niczym nadzwyczajnym. W teorii ekonomii zjawisko upadku podmiotów gospodarczych
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoArgumenty na poparcie idei wydzielenia OSD w formie tzw. małego OSD bez majtku.
Warszawa, dnia 22 03 2007 Zrzeszenie Zwizków Zawodowych Energetyków Dotyczy: Informacja prawna dotyczca kwestii wydzielenia Operatora Systemu Dystrybucyjnego w energetyce Argumenty na poparcie idei wydzielenia
Bardziej szczegółowoD E C Y Z J A. odmawiam uwzgldnienia wniosku. Uzasadnienie
Decyzja Generalnego Inspektora Ochrony Danych Osobowych z dnia 15 lipca 2005 r. dotyczca przetwarzania Danych Osobowych Skarcej przez Bank oraz przekazanie danych osobowych Skarcej celem dochodzenia wierzytelnoci.
Bardziej szczegółowostopie szaro ci piksela ( x, y)
I. Wstp. Jednym z podstawowych zada analizy obrazu jest segmentacja. Jest to podział obrazu na obszary spełniajce pewne kryterium jednorodnoci. Jedn z najprostszych metod segmentacji obrazu jest progowanie.
Bardziej szczegółowoCash flow projektu zakładajcego posiadanie własnego magazynu oraz posiłkowanie si magazynem obcym w przypadku sezonowych zwyek
Optymalizacja zaangaowania kapitałowego 4.01.2005 r. w decyzjach typu make or buy. Magazyn czy obcy cz. 2. Cash flow projektu zakładajcego posiadanie własnego magazynu oraz posiłkowanie si magazynem obcym
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoProjektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego.
Projektowanie i analiza zadaniowa interfejsu na przykładzie okna dialogowego. Jerzy Grobelny Politechnika Wrocławska Projektowanie zadaniowe jest jednym z podstawowych podej do racjonalnego kształtowania
Bardziej szczegółowoAUTO-ENKODER JAKO SKŠADNIK ARCHITEKTURY DEEP LEARNING
AUTO-ENKODER JAKO SKŠADNIK ARCHITEKTURY DEEP LEARNING Magdalena Wiercioch Uniwersytet Jagiello«ski 3 kwietnia 2014 Plan Uczenie gª bokie (deep learning) Auto-enkodery Rodzaje Zasada dziaªania Przykªady
Bardziej szczegółowoMODELOWANIE PROCESÓW EKSPLOATACJI MASZYN
Akademia Techniczno Rolnicza w Bydgoszczy Wojskowy Instytut Techniki Pancernej i Samochodowej MODELOWANIE PROCESÓW EKSPLOATACJI MASZYN BYDGOSZCZ SULEJÓWEK, 2002. 2 Akademia Techniczno Rolnicza w Bydgoszczy
Bardziej szczegółowoProgram Sprzeda wersja 2011 Korekty rabatowe
Autor: Jacek Bielecki Ostatnia zmiana: 14 marca 2011 Wersja: 2011 Spis treci Program Sprzeda wersja 2011 Korekty rabatowe PROGRAM SPRZEDA WERSJA 2011 KOREKTY RABATOWE... 1 Spis treci... 1 Aktywacja funkcjonalnoci...
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWprowadzenie do sprawozdania finansowego za okres
Wprowadzenie do sprawozdania finansowego za okres 01.01.2006 31.12.2006 1. Dane jednostki a) Nazwa: LSI Software Spółka Akcyjna b) siedziba Łód, Al. Piłsudskiego 135 c) organ prowadzcy rejestracj Sd Rejonowy
Bardziej szczegółowoAmortyzacja rodków trwałych
Amortyzacja rodków trwałych Wydawnictwo Podatkowe GOFIN http://www.gofin.pl/podp.php/190/665/ Dodatek do Zeszytów Metodycznych Rachunkowoci z dnia 2003-07-20 Nr 7 Nr kolejny 110 Warto pocztkow rodków trwałych
Bardziej szczegółowoRaport kwartalny SA-Q 2 / 2007
skorygowany KOMISJA NADZORU FINANSOWEGO Raport kwartalny SA-Q 2 / 2007 kwartał / rok (zgodnie z 86 ust. 1 pkt 1 Rozporzdzenia Ministra Finansów z dnia 19 padziernika 2005 r. - Dz. U. Nr 209, poz. 1744)
Bardziej szczegółowoNadwyka operacyjna w jednostkach samorzdu terytorialnego w latach 2003-2005
Nadwyka operacyjna w jednostkach samorzdu terytorialnego w latach 2003-2005 Warszawa, maj 2006 Spis treci Wprowadzenie...3 Cz I Zbiorcze wykonanie budetów jednostek samorzdu terytorialnego...7 1. Cz operacyjna...7
Bardziej szczegółowoBazy danych. Plan wykładu. Zalenoci funkcyjne. Wykład 4: Relacyjny model danych - zalenoci funkcyjne. SQL - podzapytania A B
Plan wykładu Bazy danych Wykład 4: Relacyjny model danych - zalenoci funkcyjne. SQL - podzapytania Definicja zalenoci funkcyjnych Klucze relacji Reguły dotyczce zalenoci funkcyjnych Domknicie zbioru atrybutów
Bardziej szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowostan na koniec kwartału stan na koniec kwartału stan na koniec kwartału BILANS
BILANS 30.09.2005 30.06.2005 30.09.2004 30.06.2004 A k t y w a I. Aktywa długoterminowe (trwałe) 1. Rzeczowe aktywa trwałe 6 825 7 078 11 170 10 978 2. Wartoc fimy jednostek podporzdkowanych 3. Wartoci
Bardziej szczegółowoPlan wykładu. Reguły asocjacyjne. Przykłady asocjacji. Reguły asocjacyjne. Jeli warunki to efekty. warunki efekty
Plan wykładu Reguły asocjacyjne Marcin S. Szczuka Wykład 6 Terminologia dla reguł asocjacyjnych. Ogólny algorytm znajdowania reguł. Wyszukiwanie czstych zbiorów. Konstruowanie reguł - APRIORI. Reguły asocjacyjne
Bardziej szczegółowoTemat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury.
Temat: Technika zachłanna. Przykłady zastosowania. Własno wyboru zachłannego i optymalnej podstruktury. Algorytm zachłanny ( ang. greedy algorithm) wykonuje zawsze działanie, które wydaje si w danej chwili
Bardziej szczegółowoZa I kwartał roku obrotowego 2006 obejmujcy okres od do (data przekazania)
) Wybrane skonsolidowane dane finansowe, zawierajce podstawowe pozycje skonsolidowanego sprawozdania finansowego w tys. PLN w tys. EUR WYBRANE SKONSOLIDOWANE DANE FINANSOWE I kwartał / 2006 2006-01-01
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
Bardziej szczegółowoBanki spółdzielcze na tle systemu finansowego w Polsce
Banki spółdzielcze na tle systemu finansowego w Polsce 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 2001 2002 2003 2004 2005 2006 2007 2008 Banki komercyjne Spółdzielcze Kasy Oszczdnociowo-Kredytowe Fundusze
Bardziej szczegółowoPROCEDURY REGULACYJNE STEROWNIKÓW PROGRAMOWALNYCH (PLC)
PROCEDURY REGULACYJNE STEROWNIKÓW PROGRAMOWALNYCH (PLC) W dotychczasowych systemach automatyki przemysłowej algorytm PID był realizowany przez osobny regulator sprztowy - analogowy lub mikroprocesorowy.
Bardziej szczegółowo2. Zdarzenia dotyczce lat ubiegłych ujte w niniejszym sprawozdaniu finansowym
1. Przyjte zasady rachunkowoci Niniejszy raport kwartalny został sporzdzony zgodnie z zasadami rachunkowoci opisanymi w raporcie półrocznym SA-P 2004, opublikowanym 26 sierpnia 2004 r. 2. Zdarzenia dotyczce
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoKONKURENCJA DOSKONA!A
KONKURENCJA OSKONA!A Bez wzgl"du na rodzaj konkurencji, w jakiej uczestniczy firma, jej celem gospodarowania jest maksymalizacja zysku (minimalizacja straty) w krótkim okresie i maksymalizacja warto"ci
Bardziej szczegółowoWspólnicy. Sprawy spółki
Przepisy dotyczce spółki cywilnej zawiera kodeks cywilny (art. 860 875). To forma prowadzenia działalnoci gospodarczej nie przekraczajcej wikszego rozmiaru, czyli jej przychód roczny nie moe przekroczy
Bardziej szczegółowoRaport półroczny SA-P 2009
skorygowany KOMISJA NADZORU FINANSOWEGO Raport półroczny (zgodnie z 82 ust. 1 pkt 2 Rozporzdzenia Ministra Finansów z dnia 19 lutego 2009 r. - Dz. U. Nr 33, poz. 259) (dla emitentów papierów wartociowych
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoRAPORT Z BADANIA SPRAWOZDANIA FINANSOWEGO SPÓŁKI MABION S.A. ZA ROK OBROTOWY 2013
MABION S.A. RAPORT Z BADANIA SPRAWOZDANIA FINANSOWEGO SPÓŁKI MABION S.A. ZA ROK OBROTOWY 2013 I. INFORMACJE OGÓLNE 1. Dane identyfikujce badan Spółk Spółka działa pod firm MABION S.A. Siedzib Spółki jest
Bardziej szczegółowoKonferencja prasowa 10 maja 2007 r. Wyniki finansowe po 1 kwartale 2007 roku str. 1
!"# #$ Konferencja prasowa 10 maja 2007 r. str. 1 Pozytywne trendy Wyniki finansowe po 1 kwartale 2007 str. 2 %& wg MSSF / zysk brutto 591 63% zysk netto 463 63% ROE brutto 34,0% 11,7 pp. ROE netto 26,6%
Bardziej szczegółowostan na koniec kwartału stan na koniec kwartału stan na koniec kwartału
SKONSOLIDOWANY BILANS 30.09.2005 30.06.2005 30.09.2004 30.06.2004 A k t y w a I. Aktywa długoterminowe (trwałe) 1. Rzeczowe aktywa trwałe 34 141 33 247 30 794 28 973 2. Warto firmy jednostek podporzdkowanych
Bardziej szczegółowoSymulacja cieek klinicznych w rodowisku PowerDesigner i SIMUL8
Symulacja w Badaniach i Rozwoju Vol. 1, No. 2/2010 Marta LIGNOWSKA Wojskowa Akademia Techniczna, ul. Kaliskiego 2, 00-908 Warszawa E-mail: marta.lignowska@wat.edu.pl Symulacja cieek klinicznych w rodowisku
Bardziej szczegółowoREGULAMIN KONKURSU OFERT NA WYBÓR BROKERA UBEZPIECZENIOWEGO DLA MIASTA ZIELONA GÓRA, JEGO JEDNOSTEK ORGANIZACYJNYCH ORAZ SPÓŁEK KOMUNALNYCH.
REGULAMIN KONKURSU OFERT NA WYBÓR BROKERA UBEZPIECZENIOWEGO DLA MIASTA ZIELONA GÓRA, JEGO JEDNOSTEK ORGANIZACYJNYCH ORAZ SPÓŁEK KOMUNALNYCH. I. INFORMACJE PODSTAWOWE Prezydent Miasta Zielona góra ogłasza
Bardziej szczegółowoTemat: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w
Bardziej szczegółowoWojciech Drzewiecki SYSTEMY INFORMACJI GEOGRAFICZNEJ
Wojciech Drzewiecki SYSTEMY INFORMACJI GEOGRAFICZNEJ Systemem Informacji Geograficznej (Systemem Informacji Przestrzennej, GIS, SIP) nazywamy skomputeryzowany system pozyskiwania, przechowywania, przetwarzania,
Bardziej szczegółowoProgram do konwersji obrazu na cig zero-jedynkowy
Łukasz Wany Program do konwersji obrazu na cig zero-jedynkowy Wstp Budujc sie neuronow do kompresji znaków, na samym pocztku zmierzylimy si z problemem przygotowywania danych do nauki sieci. Przyjlimy,
Bardziej szczegółowoArt. 1. W ustawie z dnia 20 pa dziernika 1994 r. o specjalnych strefach ekonomicznych (Dz. U. z 2007 r. Nr 42, poz. 274) wprowadza si nast puj ce
Art. 1. W ustawie z dnia 20 padziernika 1994 r. o specjalnych strefach ekonomicznych (Dz. U. z 2007 r. Nr 42, poz. 274) wprowadza si nastpujce zmiany: 1) art. 4 i 5 otrzymuj brzmienie: "Art. 4. 1. Rada
Bardziej szczegółowoCloud Computing - czego wymaga od dostawcy usług w zakresie bezpieczestwa. Telekomunikacja Polska S.A. Andrzej Karpiski Łukasz Pisarczyk
Cloud Computing - czego wymaga od dostawcy usług w zakresie bezpieczestwa Telekomunikacja Polska S.A. Andrzej Karpiski Łukasz Pisarczyk 1 AGENDA Wprowadzenie Aspekty bezpieczestwa usługi Cloud Computing
Bardziej szczegółowoTreść uchwał podjętych przez Nadzwyczajne Walne Zgromadzenie Banku BGŻ BNP Paribas S.A. w dniu 30 marca 2016 roku. Banku BGŻ BNP Paribas S.A.
Treść uchwał podjętych przez Nadzwyczajne Walne Zgromadzenie Banku BGŻ BNP Paribas S.A. w dniu 30 marca 2016 roku Uchwała Nr 1 Nadzwyczajnego Walnego Zgromadzenia Banku BGŻ BNP Paribas S.A. z dnia 30 marca
Bardziej szczegółowoElementy pneumatyczne
POLITECHNIKA LSKA W GLIWICACH WYDZIAŁ INYNIERII RODOWISKA i ENERGETYKI INSTYTUT MASZYN i URZDZE ENERGETYCZNYCH Elementy pneumatyczne Laboratorium automatyki (A 3) Opracował: dr in. Jacek Łyczko Sprawdził:
Bardziej szczegółowoHanna Szczepaska Ewa Kumirek Giełda Papierów Wartociowych w Warszawie Wołomin, 3 marca 2005 r.
Hanna Szczepaska Ewa Kumirek Giełda Papierów Wartociowych w Warszawie Wołomin, 3 marca 2005 r. Rynek pieniny - finansowanie biecej działalnoci. Lokaty midzybankowe, bony skarbowe, bony komercyjne, certyfikaty
Bardziej szczegółowoANALIZA PRAWNA. w sprawie PRZEKSZTAŁCE KAPITAŁOWYCH PROWADZCYCH DO WYJCIA ELEKTROWNI KOZIENICE S.A. Z GRUPY ENEA
1 ANALIZA PRAWNA w sprawie PRZEKSZTAŁCE KAPITAŁOWYCH PROWADZCYCH DO WYJCIA ELEKTROWNI KOZIENICE S.A. Z GRUPY ENEA Kraków, dnia 18 stycznia 2010 r. 2 1. Przedmiot analizy 1.1. Przedmiotem niniejszego opracowania
Bardziej szczegółowoFormularz. (kwartał/rok)
Formularz Zarzd Spółki MEDIATEL SPÓŁKA AKCYJNA podaje do wiadomoci raport kwartalny za I V kwartał roku obrotowego 2007 WYBRANE DANE FINANSOWE 01.01.2007 do 01.01.2006 do 01.01.2007 do 01.01.2006 do I.
Bardziej szczegółowoFormularz. (kwartał/rok)
Formularz Zarzd Spółki MEDIATEL SPÓŁKA AKCYJNA podaje do wiadomoci raport kwartalny za I I I kwartał roku obrotowego 2005 WYBRANE DANE FINANSOWE w tys. zł 01.01.2005 do 01.01.2004 do w tys. EUR 01.01.2005
Bardziej szczegółowoSztuczne 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 szczegółowoBazy danych. Plan wykładu. Podzapytania - wskazówki. Podzapytania po FROM. Wykład 5: Zalenoci wielowartociowe. Sprowadzanie do postaci normalnych.
Plan wykładu azy danych Wykład 5: Zalenoci wielowartociowe. Sprowadzanie do postaci normalnych. Dokoczenie SQL Zalenoci wielowartociowe zwarta posta normalna Dekompozycja do 4NF Przykład sprowadzanie do
Bardziej szczegółowoFormularz SA-QS II/2006 (kwartał/rok) (dla emitentów papierów wartociowych o działalnoci wytwórczej, budowlanej, handlowej lub usługowej)
Formularz SA-QS II/2006 (kwartał/rok) (dla emitentów papierów wartociowych o działalnoci wytwórczej, budowlanej, handlowej lub usługowej) Zgodnie z 86 1 Rozporzdzenia Ministra Finansów z dnia 19 padziernika
Bardziej szczegółowoDECYZJA. odmawiam uwzgldnienia wniosku. Uzasadnienie
Decyzja Generalnego Inspektora Ochrony Danych Osobowych z dnia 21 marca 2005 r. odmawiajca uwzgldnienia wniosku o zobowizanie Zarzdu Banku, do wykrelenia danych osobowych dotyczcych Skarcego z Bankowego
Bardziej szczegółowoWYKORZYSTANIE 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 szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoAudyt Podatki Outsourcing Doradztwo Member of Grant Thornton International Ltd
!"#$ Audyt Podatki Outsourcing Doradztwo Member of Grant Thornton International Ltd Podmiot uprawniony do badania sprawozda finansowych nr 238. Zarzd Spółki: Cecylia Pol Prezes, Tomasz Wróblewski Wiceprezes.
Bardziej szczegółowoRZDOWY PROGRAM WYRÓWNYWANIA WARUNKÓW STARTU SZKOLNEGO UCZNIÓW W 2006 r. WYPRAWKA SZKOLNA
Projekt z dnia 22.03.2006 Załcznik do uchwały Nr Rady Ministrów z dnia r. RZDOWY PROGRAM WYRÓWNYWANIA WARUNKÓW STARTU SZKOLNEGO UCZNIÓW W 2006 r. WYPRAWKA SZKOLNA 1 Wstp Rzdowy program wyrównywania warunków
Bardziej szczegółowoELEMENT SYSTEMU BIBI.NET. Instrukcja Obsługi
ELEMENT SYSTEMU BIBI.NET Instrukcja Obsługi Copyright 2005 by All rights reserved Wszelkie prawa zastrzeone!"# $%%%&%'(%)* +(+%'(%)* Wszystkie nazwy i znaki towarowe uyte w niniejszej publikacji s własnoci
Bardziej szczegółowoRegulamin Europejskiej Sieci Prewencji Kryminalnej z dnia 25 czerwca 2001 roku
Regulamin Europejskiej Sieci Prewencji Kryminalnej z dnia 25 czerwca 2001 roku Krajowi Przedstawiciele Sieci, Uwzgldniajc Decyzj Rady Unii Europejskiej z 28 maja 2001 roku ( dalej nazywanej Decyzj Rady
Bardziej szczegółowoKonspekt lekcji matematyki klasa 4e Liceum Ogólnokształcce
mgr Tomasz Grbski Konspekt lekcji matematyki klasa 4e Liceum Ogólnokształcce Temat: Dyskusja nad liczb rozwiza równania liniowego i kwadratowego z wartoci bezwzgldn i parametrem. Czas trwania: 45 minut.
Bardziej szczegółowoNa podstawie art. 14a 1 i 4 ustawy z dnia 29 sierpnia 1997r. - Ordynacja podatkowa (tekst jednolity Dz. U. Nr 8, poz. 60 z 2005r. ze zm.
Na podstawie art. 14a 1 i 4 ustawy z dnia 29 sierpnia 1997r. - Ordynacja podatkowa (tekst jednolity Dz. U. Nr 8, poz. 60 z 2005r. ze zm. ) w zwizku z wnioskiem podatnika XXXXXX z dnia 10.11.2005r., uzupełnionego
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoStatyczna próba skrcania
Laboratorium z Wytrzymałoci Materiałów Statyczna próba skrcania Instrukcja uzupełniajca Opracował: Łukasz Blacha Politechnika Opolska Katedra Mechaniki i PKM Opole, 2011 2 Wprowadzenie Do celów wiczenia
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowoMetoda statystycznej oceny klasy uszkodze materiałów pracujcych w warunkach pełzania *
AMME 00 th Metoda statystycznej oceny klasy uszkodze materiałów pracujcych w warunkach pełzania * L.A. Dobrzaski, M. Krupiski, R. Maniara, W. Sitek Zakład Technologii Procesów Materiałowych i Technik Komputerowych
Bardziej szczegółowoProgramowanie Obiektowe
Programowanie Obiektowe dr in. Piotr Zabawa IBM/Rational Certified Consultant pzabawa@pk.edu.pl WYKŁAD 1 Wstp, jzyki, obiektowo Cele wykładu Zaznajomienie słuchaczy z głównymi cechami obiektowoci Przedstawienie
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoBORYSZEW SPÓŁKA AKCYJNA
BORYSZEW SPÓŁKA AKCYJNA SPRAWOZDANIE RADY NADZORCZEJ Z OCENY SPRAWOZDANIA ZARZDU Z DZIAŁALNOCI SPÓŁKI I SPRAWOZDANIA FINANSOWEGO ZA 2005 ROK Sochaczew, maj 2006 rok I. GŁÓWNE KIERUNKI DZIAŁALNOCI RADY
Bardziej szczegółowoProblem decyzyjny naley do klasy NP. (Polynomial), jeeli moe by rozwizany w czasie conajwyej wielomianowym przez algorytm A dla DTM.
WYKŁAD : Teoria NP-zupełnoci. Problem decyzyjny naley do klasy P (Polynomial), jeeli moe by rozwizany w czasie conajwyej wielomianowym przez algorytm A dla DTM. (przynaleno ta jest zachowana równie dla
Bardziej szczegółowoZapisów 17 ust. 4-6 nie stosuje si do przesuni midzy kategoriami wydatków, które s wynikiem przeprowadzenia procedury zamówie publicznych.
UMOWY O DOFINANSOWANIE PROJEKTÓW Zapisów 17 ust. 4-6 nie stosuje si do przesuni midzy kategoriami wydatków, które s wynikiem przeprowadzenia procedury zamówie publicznych. Przyjmuje si nastpujc interpretacj:
Bardziej szczegółowoAlgorytmy kodowania predykcyjnego
Algorytmy kodowania predykcyjnego 1. Zasada kodowania 2. Algorytm JPEG-LS 3. Algorytmy CALIC, LOCO-I 4. Algorytmy z wielokrotn rozdzielczoci. Progresywna transmisja obrazów Kompresja obrazów - zestawienie
Bardziej szczegółowoCZY WARTO MIE AUTO NA SPÓŁK Z PRACODAWC?
CZY WARTO MIE AUTO NA SPÓŁK Z PRACODAWC? Artykuł omawia zalety podatkowe umownego ustanowienia pomidzy pracodawc i pracownikiem współwłasnoci samochodu osobowego Cel słubowy, cel prywatny droga pod górk
Bardziej szczegółowo! "#$!%&'(#!) "34! /(5$67%&'8#!)
3 4! " #"$ % # " &# & ' & & (! " % &$ #) * & & &*## " & + # % &! & &*),*&&,) &! "& &-&. && *# &) &!/ & *) *&" / &*0 & /$ % &&, # ) *&")",$&%& 1&&2& 3 '! "#$!%&'(#!) % *+ +, - (. /0 *1 ", + 2 + -.-1- "34!
Bardziej szczegółowoUstalenie optymalnego układu lokalizacyjnodystrybucyjnego
10.02.2005 r. Optymalizacja lokalizacji i rejonizacji w sieciach dystrybucji. cz. 2. Ustalenie optymalnego układu lokalizacyjnodystrybucyjnego dla wielu uczestników Przyczyn rozwizywania problemu wielu
Bardziej szczegółowoFAKTURA PRZEDPŁATA PODRCZNIK UYTKOWNIKA
FAKTURA PRZEDPŁATA PODRCZNIK UYTKOWNIKA Alterkom Sp. z o.o., ul. Halszki 37/28A, 30-611 Kraków tel./fax +48 12 654-06-85 email:biuro@alterkom.pl www.alterkom.pl Moduł Faktura Przedpłata działajcy w powizaniu
Bardziej szczegółowoTemat: Problem minimalnego drzewa Steinera. Definicja problemu. Zastosowania. Algorytm dokładny Hakimi. Algorytmy aproksymacyjne.
Temat: Problem minimalnego drzewa Steinera. Definicja problemu. Zastosowania. Algorytm dokładny Hakimi. Algorytmy aproksymacyjne. 1. Definicja problemu Wejcie: Graf spójny niezorientowany G =
Bardziej szczegółowoStrategie VIP. Opis produktu. Tworzymy strategie oparte o systemy transakcyjne wyłącznie dla Ciebie. Strategia stworzona wyłącznie dla Ciebie
Tworzymy strategie oparte o systemy transakcyjne wyłącznie dla Ciebie Strategie VIP Strategia stworzona wyłącznie dla Ciebie Codziennie sygnał inwestycyjny na adres e-mail Konsultacje ze specjalistą Opis
Bardziej szczegółowoGRUPA PRATERM: SA- QSr IV/2004
GRUPA PRATERM: SA- QSr IV/2004 INFORMACJA DODATKOWA DO RAPORTU ZA CZWARTY KWARTAŁ 2004 R PREZENTOWANEGO WEDŁUG POLSKICH STANDARDÓW RACHUNKOWOCI Informacja dodatkowa-raport skonsolidowany- IV kwartał 2004
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoKARTA OCENY JEDNOSTKI NAUKOWEJ
ZAŁACZNIK nr 2 KARTA OCENY JEDNOSTKI NAUKOWEJ Cz A dla dyscyplin: nauki humanistyczne i społeczne Zespół roboczy Komisji Bada na Rzecz Rozwoju... NAZWA JEDNOSTKI I. WYNIKI DZIAŁALNOCI NAUKOWEJ 1. Publikacje
Bardziej szczegółowoWYKŁAD 12. Wzorce projektowe czynnociowe State Mediator
WYKŁAD 12 Wzorce projektowe czynnociowe State Mediator Behavioral Design Pattern: State [obj] Umoliwia obiektowi zmian zachowania gdy zmienia si jego stan wewntrzny. Dzieki temu obiekt zdaje si zmienia
Bardziej szczegółowoDECYZJA. odmawiam uwzgldnienia wniosku. Uzasadnienie
Decyzja Generalnego Inspektora Ochrony Danych Osobowych z dnia 6 lipca 2005 r. dotyczca przetwarzania danych osobowych córki Skarcego, przez Stowarzyszenie, poprzez publikacj informacji na temat rodziny
Bardziej szczegółowoZarzd Transportu Miejskiego w Gdasku ul. Na Stoku 49, Gdask Tel./fax
Załcznik nr 7 do SIWZ WZÓR UMOWY Zawarta w trybie przetargu nieograniczonego zgodnie z art. 39 ustawy z dnia 29 stycznia 2004r. Prawo Zamówie Publicznych (Tekst jednolity: Dz. U. z 2006r. nr 164, poz.
Bardziej szczegółowoSyntactic Pattern Recognition. Anna Kuchna Maciej arnowski
Syntactic Pattern Recognition Anna Kuchna Maciej arnowski Wprowadzenie Pattern recognition (rozpoznawanie wzorców) jest gałzi sztucznej inteligencji zajmujc si klasyfikacj i opisem obserwowanych obiektów.
Bardziej szczegółowoB. DODATKOWE NOTY OBJANIAJCE
B. DODATKOWE NOTY OBJANIAJCE 1. Informacje o instrumentach finansowych. Ad.1 Lp Rodzaj instrumentu Nr not prezentujcych poszczególne rodzaje instrumentów finansowych w SA-P 2008 Warto bilansowa na 30.06.2007
Bardziej szczegółowo