Porównywanie tagerów dopuszczajacych niejednoznaczności

Wielkość: px
Rozpocząć pokaz od strony:

Download "Porównywanie tagerów dopuszczajacych niejednoznaczności"

Transkrypt

1 Porównywanie tagerów dopuszczajacych niejednoznaczności (na przykładzie tagerów wykorzystanych w Korpusie IPI PAN) 3 listopad 2008

2 Plan prezentacji 1 Wprowadzenie Problem niejednoznaczności Poprawna interpretacja 2 3 Omówienie

3 Intepretacje morfosyntktyczne Problem niejednoznaczności Poprawna interpretacja Każdemu segmentowi w tekście możemy przypisać znacznik (lub, w wypadku segmentów o kilku możliwych interpretacjach, kilka znaczników) morfosyntaktyczny interpretujacy dany segment np.: a Pamiętam go pijanego (Biernik) b Widziałam ja pijana. (Biernik, Narzędnik)

4 Oznaczenia Problem niejednoznaczności Poprawna interpretacja Wprowadźmy następujace oznaczenia: - s - segment, t - intepretacja morfosyntaktyczna, - S s - zbiór wszystkich segmentów w danym tekście - S (s,t) -zbiór wszystkich par segment - interpretacja, - I X (s) - zbiór intepretacji morfosyntaktycznych przypisanych segmentowi s przez metodę X, { 1 jeśli t IX (s) - i X (s, t) =, 0 wpp - ZS - złoty standard - Ti - tager Ti

5 Problem niejednoznaczności Poprawna interpretacja Przypisywanie segmentom intepretacji morfosyntaktycznych przez tager Załóżmy, że zarówno złoty standard jak i tager dopuszczaja kilka znaczników. Rozpatrzmy następujace przypadki: s t ZS T1 T2 T3 pijanego gen acc s t ZS T1 T2 T3 T4 pijana ppas adj:acc adj:inst

6 Problem niejednoznaczności Poprawna interpretacja Przypisywanie segmentom intepretacji morfosyntaktycznych przez tager Możliwe przypisanie interpretacji przez tager Ti : I ZS (s) = I Ti (s) I ZS (s) I Ti (s) I ZS (s) I Ti (s) I ZS (s) I Ti (s) I ZS (s) I Ti (s) =

7 Poprawna intepretacja Problem niejednoznaczności Poprawna interpretacja Oczywiście chcemy, aby nasz tager dla każdego segmentu s zachowywał się tak, że I ZS (s) = I Ti (s). Co z pozostałymi sytuacjami? Czy możemy je czasem uznać za wystarczajaco dobre? tager jest baza dla parsera składniowego (I ZS (s) I Ti (s)) tager regułowy jest baza dla tagera stochastycznego (I ZS (s) I Ti (s))

8 Poprawna intepretacja Problem niejednoznaczności Poprawna interpretacja Oczywiście chcemy, aby nasz tager dla każdego segmentu s zachowywał się tak, że I ZS (s) = I Ti (s). Co z pozostałymi sytuacjami? Czy możemy je czasem uznać za wystarczajaco dobre? tager jest baza dla parsera składniowego (I ZS (s) I Ti (s)) tager regułowy jest baza dla tagera stochastycznego (I ZS (s) I Ti (s))

9 Poprawna intepretacja Problem niejednoznaczności Poprawna interpretacja Oczywiście chcemy, aby nasz tager dla każdego segmentu s zachowywał się tak, że I ZS (s) = I Ti (s). Co z pozostałymi sytuacjami? Czy możemy je czasem uznać za wystarczajaco dobre? tager jest baza dla parsera składniowego (I ZS (s) I Ti (s)) tager regułowy jest baza dla tagera stochastycznego (I ZS (s) I Ti (s))

10 Definicje miar Poprawność (ang. correctness) c(ti, S s ) = {s S s : I ZS (s) = I Ti (s)} S s Trafność (ang. accuracy) 100% acc(ti, S (s,t) ) = {(s, t) S (s,t) : i ZS (s, t) = i Ti (s, t)} 100% S (s,t) Dokładność (ang. precision) P(Ti, S (s,t) ) = {(s, t) S (s,t) : i ZS (s, t) = 1 i Ti (s, t) = 1} {(s, t) S (s,t) : i Ti (s, t) = 1}

11 Definicje miar (2) Pełność (ang. recall) R(Ti, S (s,t) ) = {(s, t) S (s,t) : i ZS (s, t) = 1 i Ti (s, t) = 1} {(s, t) S (s,t) : i ZS (s, t) = 1} F 1 F(α, Ti, S (s,t) ) = 1 α P(Ti,S (s,t) ) + (1 α) 1 R(Ti,S (s,t) ) F(2, Ti, S (s,t) ) = 2P(Ti, S (s,t))r(ti, S (s,t) ) P(Ti, S (s,t) ) + R(Ti, S (s,t) )

12 Najczęśćiej stosowane miary Miary najczęśćiej stosowane przy ewaluacji tagerów dopuszczajacych niejednoznaczności: Przy ewaluacji korpusu Penn Treebank Brown (dopuszcza niejednoznaczności) stosowano miarę poprawność. Do ewaluacji tagerów wykorzystywanych w korpusie IPI PAN stosowano najczęściej miarę trafność.

13 Przykład 1 s t ZS T1 T2 s1 z z z s2 x x x s3 y y Y c(t 1, S s ) = 0% < c(t 2, S s ) = 33, (3)% acc(t 1, S (s,t) ) = 66, (6)% > acc(t 2, S (s,t) ) = 33, (3)%

14 Przykład 2 s t ZS T1 T2 liczba s1 z z z z s2 x x c(t 1, S s ) = 60% > c(t 2, S s ) = 40% acc(t 1, S (s,t) ) = 6/14 100% < acc(t 2, S (s,t) ) = 8/14 100%

15 Przykład 1 (jeszcze raz) s t ZS T1 T2 s1 z z z s2 x x x s3 y y Y P(T 1, S (s,t) ) = 1 > P(T 2, S (s,t) ) = 1 2 R(T 1, S (s,t) ) = 1 2 > R(T 2, S (s,t)) = 1 3 F (1/2, T 1, S (s,t) ) = 2 3 > F(1/2, T 2, S (s,t)) = 2 5

16 Przykład 2 (jeszcze raz) s t ZS T1 T2 liczba s1 z z z z s2 x x P(T 1, S (s,t) ) = 1 3 < P(T 2, S (s,t)) = 2 5 R(T 1, S (s,t) ) = 3 5 > R(T 2, S (s,t)) = 2 5 F (1/2, T 1, S (s,t) ) = 3 7 > F(1/2, T 2, S (s,t)) = 2 5

17 Przykład 3a s t ZS T1 T2 s1 z z z s2 x x c(t 1, S s ) = c(t 2, S s ) = 50% acc(t 1, S (s,t) ) = acc(t 2, S (s,t) ) = 60% P(T 1, S (s,t) ) = P(T 2, S (s,t) ) = 2 3 R(T 1, S (s,t) ) = R(T 2, S (s,t) ) = 2 3 F (1/2, T 1, S (s,t) ) = F(1/2, T 2, S (s,t) ) = 2 3

18 Przykład 3b s t ZS T1 T2 liczba s1 z z z s2 x x s3 x x c(t 1, S s ) = c(t 2, S s ) = 90% acc(t 1, S (s,t) ) = acc(t 2, S (s,t) ) = % P(T 1, S (s,t) ) = P(T 2, S (s,t) ) = R(T 1, S (s,t) ) = R(T 2, S (s,t) ) = F (1/2, T 1, S (s,t) ) = F(1/2, T 2, S (s,t) ) =

19 Spostrzeżenia Przykłady 1 i 2 pokazuja, że miary trafność i poprawność moga dawać mylace wyniki. Na trafność duży wpływ maja poprawnie rozpoznane błędne interpretacje. Dokładność i pełność sa czułe na małe zmiany poprawnie rozpoznanych jako dobre i błednie rozpoznanych interpretacji. Sterujac parametrem α możemy decydować czy bardziej zależy nam na dokładności czy na pełności. Przykłady 3a i 3b pokazuja, że zdefiniowane miary okazuja się czasami niewystarczajace.

20 Wnioski Czy fakt, że zdefiniowane miary okazuja się niewystarczajace, stanowi problem? Tak: jeśli segmentów, dla których dopuszczamy więcej niż jedna poprawna interpretację, jest istotnie dużo.

21 Wnioski Czy fakt, że zdefiniowane miary okazuja się niewystarczajace, stanowi problem? Tak: jeśli segmentów, dla których dopuszczamy więcej niż jedna poprawna interpretację, jest istotnie dużo.

22 Dokładność i pełność segmentów Dokładność segmentu Pełność segmentu P(Ti, s) = I Ti(s) I ZS (s) I Ti (s) R(Ti, s) = I Ti(s) I ZS (s) I ZS (s)

23 Przykład 3b (jeszcze raz) s t ZS T1 T2 liczba s1 z z z s2 x x s3 x x P(T 1, s) P(T 2, s) R(T 1, s) R(T 2, s) s1 1/2 1 1/2 1 s s E( ) 95/100 90/100 95/100 90/100

24 Potraktujmy P(Ti, ) i R(Ti, ) jako zmienne losowe. Możemy wtedy m.in. policzyć: jaki procent segmentów ma R(Ti, s) > 0.5 E(P(Ti, s)), E(R(Ti, s)) oraz Var(P(Ti, s)), Var(P(Ti, s)) Porównywać dystrybuanty (np.: metoda QQ plot) Porównywać interesujace nas warunkowe zmienne losowe

25 Czemu policzenie dokładności i pełności segmentów może być interesujace? Na miary dokładność i pełność duży wpływ maja segmenty, dla których dopuszczamy więcej niż jedna poprawna iterpretację Miary pełność i dokładność segmentu nie sa czułe na segmenty z wieloma poprawnymi interpretacjami Kiedy tworzymy nowe narzędzie korzystajace z tagera chcielibyśmy wiedzieć np. czy błędy sa skupione (Var(P(Ti, s)) większa) Pozwalaja odpowiedzieć na pytanie czy średnio I ZS (s) I Ti (s)?

26 Wyniki (całość) Omówienie Plik etc: Plik frek:

27 Omówienie Wyniki (bez znaków interpunkcyjnych) Plik etc: Plik frek:

28 Wyniki (POS) Omówienie Plik etc: Plik frek:

29 Uwagi Omówienie Aby tagsety stosowane przez tagery i złoty standard był takie same rzutowaliśmy je Przy obliczeniach uwzględniamy tylko te segmenty, które sa takie same wg. złotego standardu i danego tagera Obliczenia zostana powtórzone, gdy na nowo wytrenuje się tagery

30 KONIEC DZIEKUJ E ZA UWAGE

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1

Weryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1 Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie

Bardziej szczegółowo

ź Ś ś ś Ś Ś ś ś ś ś ś ś ź ś ś Ś Ś Ś źś Ń Ś ś Ą Ź ś ś ś ś Ś ś ś Ą Ś Ą Ą ś ś Ś Ś ść ś Ś ś ś Ś ś ś ś ź ś Ś Ś Ś Ś ś Ś Ź ś ś ś ś ś Ś ś Ś ć ć Ś Ś Ą ć ć Ś Ś Ś ś Ś ś Ę Ś Ę ś Ś Ś Ś Ś ś ś ś Ś Ś Ś Ś ś ś ć Ć Ę Ś Ś

Bardziej szczegółowo

Sztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek

Sztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek Sztuczna Inteligencja w medycynie projekt (instrukcja) Bożena Kostek Cel projektu Celem projektu jest przygotowanie systemu wnioskowania, wykorzystującego wybrane algorytmy sztucznej inteligencji; Nabycie

Bardziej szczegółowo

Wydobywanie reguł na potrzeby ujednoznaczniania morfo-syntaktycznego oraz płytkiej analizy składniowej tekstów polskich

Wydobywanie reguł na potrzeby ujednoznaczniania morfo-syntaktycznego oraz płytkiej analizy składniowej tekstów polskich Wydobywanie reguł na potrzeby ujednoznaczniania morfo-syntaktycznego oraz płytkiej analizy składniowej tekstów polskich Adam Radziszewski Instytut Informatyki Stosowanej PWr SIIS 23, 12 czerwca 2008 O

Bardziej szczegółowo

KORBA Elektroniczny korpus tekstów polskich z XVII i XVIII w. (do 1772 r.)

KORBA Elektroniczny korpus tekstów polskich z XVII i XVIII w. (do 1772 r.) KORBA Elektroniczny korpus tekstów polskich z XVII i XVIII w. (do 1772 r.) Pracownia Historii Języka Polskiego XVII i XVIII wieku IJP PAN, Instytut Podstaw Informatyki PAN Podstawowe informacje o projekcie

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych 9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :

Bardziej szczegółowo

Korpusomat narzędzie do tworzenia przeszukiwalnych korpusów języka polskiego

Korpusomat narzędzie do tworzenia przeszukiwalnych korpusów języka polskiego Korpusomat narzędzie do tworzenia przeszukiwalnych korpusów języka polskiego Witold Kieraś Łukasz Kobyliński Maciej Ogrodniczuk Instytut Podstaw Informatyki PAN III Konferencja DARIAH-PL Poznań 9.11.2016

Bardziej szczegółowo

Ekonometria. Zajęcia

Ekonometria. Zajęcia Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)

Bardziej szczegółowo

PRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKA NIEMIECKIEGO DLA KLAS VII-VIII

PRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKA NIEMIECKIEGO DLA KLAS VII-VIII PRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKA NIEMIECKIEGO DLA KLAS VII-VIII I. Kontrakt z uczniami: 1. Każdy uczeń jest oceniany zgodnie z zasadami sprawiedliwości. 2. Prace klasowe są obowiązkowe. 3. Jeżeli

Bardziej szczegółowo

Część XVII C++ Funkcje. Funkcja bezargumentowa Najprostszym przypadkiem funkcji jest jej wersja bezargumentowa. Spójrzmy na przykład.

Część XVII C++ Funkcje. Funkcja bezargumentowa Najprostszym przypadkiem funkcji jest jej wersja bezargumentowa. Spójrzmy na przykład. Część XVII C++ Funkcje Funkcja bezargumentowa Najprostszym przypadkiem funkcji jest jej wersja bezargumentowa. Spójrzmy na przykład. 2 3 Tworzymy deklarację i definicję funkcji o nazwie pobierzln() Funkcja

Bardziej szczegółowo

29. Poprawność składniowa i strukturalna dokumentu XML

29. Poprawność składniowa i strukturalna dokumentu XML 29. i strukturalna dokumentu XML 13 października 2015 1 2 Poprawny składniowo dokument XML powinien być tworzony zgodnie z poniżej przedstawionymi zasadami. Deklaracja XML Powinien zawierać deklarację

Bardziej szczegółowo

Wymagania edukacyjne. Opracowano na podstawie planu wynikowego nauczania języka włoskiego w szkole ponadgimnazjalnej na

Wymagania edukacyjne. Opracowano na podstawie planu wynikowego nauczania języka włoskiego w szkole ponadgimnazjalnej na Wymagania edukacyjne Opracowano na podstawie planu wynikowego nauczania języka włoskiego w szkole ponadgimnazjalnej na podstawie metody nauczania Nuovo Progetto Italiano 1 wydawnictwa EDILINGUA Poziom

Bardziej szczegółowo

ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE

ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE Ocena bieżąca postępów ucznia uwzględnia wszystkie cztery sprawności językowe, tj.: rozumienie ze słuchu, pisanie, czytanie, mówienie oraz tzw.

Bardziej szczegółowo

Wyszukiwanie binarne

Wyszukiwanie binarne Wyszukiwanie binarne Wyszukiwanie binarne to technika pozwalająca na przeszukanie jakiegoś posortowanego zbioru danych w czasie logarytmicznie zależnym od jego wielkości (co to dokładnie znaczy dowiecie

Bardziej szczegółowo

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y

Bardziej szczegółowo

Algorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych. Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS

Algorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych. Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS Algorytmy klasteryzacji jako metoda dyskretyzacji w algorytmach eksploracji danych Łukasz Przybyłek, Jakub Niwa Studenckie Koło Naukowe BRAINS Dyskretyzacja - definicja Dyskretyzacja - zamiana atrybutów

Bardziej szczegółowo

Psychometria PLAN NAJBLIŻSZYCH WYKŁADÓW. Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. TEN SLAJD JUŻ ZNAMY

Psychometria PLAN NAJBLIŻSZYCH WYKŁADÓW. Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. TEN SLAJD JUŻ ZNAMY definicja rzetelności błąd pomiaru: systematyczny i losowy Psychometria Co wyniki testu mówią nam o samym teście? A. Rzetelność pomiaru testem. rozkład X + błąd losowy rozkład X rozkład X + błąd systematyczny

Bardziej szczegółowo

Priorytetyzacja przypadków testowych za pomocą macierzy

Priorytetyzacja przypadków testowych za pomocą macierzy Priorytetyzacja przypadków testowych za pomocą macierzy W niniejszym artykule przedstawiony został problem przyporządkowania priorytetów do przypadków testowych przed rozpoczęciem testów oprogramowania.

Bardziej szczegółowo

BADANIE DIAGNOSTYCZNE W ROKU SZKOLNYM 2011/2012

BADANIE DIAGNOSTYCZNE W ROKU SZKOLNYM 2011/2012 Centralna Komisja Egzaminacyjna BADANIE DIAGNOSTYCZNE W ROKU SZKOLNYM 2011/2012 CZĘŚĆ MATEMATYCZNO-PRZYRODNICZA MATEMATYKA ODPOWIEDZI I PROPOZYCJE OCENIANIA ZADAŃ GRUDZIEŃ 2011 Zadania zamknięte Numer

Bardziej szczegółowo

JAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE

JAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE JAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE 1 Dokładność i poprawność Dr hab. inż. Piotr KONIECZKA Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska ul. G. Narutowicza 11/12 80-233 GDAŃSK e-mail:

Bardziej szczegółowo

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów

Bardziej szczegółowo

Ekstrakcja informacji oraz stylometria na usługach psychologii Część 2

Ekstrakcja informacji oraz stylometria na usługach psychologii Część 2 Ekstrakcja informacji oraz stylometria na usługach psychologii Część 2 ws.clarin-pl.eu/websty.shtml Tomasz Walkowiak, Maciej Piasecki Politechnika Wrocławska Grupa Naukowa G4.19 Katedra Inteligencji Obliczeniowej

Bardziej szczegółowo

Co wylicza Jasnopis? Bartosz Broda

Co wylicza Jasnopis? Bartosz Broda Co wylicza Jasnopis? Bartosz Broda Analiza języka polskiego Ekstrakcja tekstu Dokument narzędzie do mierzenia zrozumiałości Analiza morfologiczna Analiza morfosyntaktyczna Indeksy Klasa trudności:

Bardziej szczegółowo

Wymagania edukacyjne język włoski

Wymagania edukacyjne język włoski Wymagania edukacyjne język włoski Opracowano na podstawie planu wynikowego nauczania w szkole ponadgimnazjalnej na podstawie metody nauczania Nuovo Progetto Italiano 1 wydawnictwa EDILINGUA Poziom IV.0

Bardziej szczegółowo

Komentarz Sesja letnia zawód: zawód: technik elektronik 311 [07] 1. Treść zadania egzaminacyjnego wraz z załącznikami.

Komentarz Sesja letnia zawód: zawód: technik elektronik 311 [07] 1. Treść zadania egzaminacyjnego wraz z załącznikami. Komentarz Sesja letnia zawód: zawód: technik elektronik 311 [07] 1. Treść zadania egzaminacyjnego wraz z załącznikami. 1 2 3 4 5 6 1. Przykładowe rozwiązania zadania egzaminacyjnego wraz z komentarzem

Bardziej szczegółowo

Barycentryczny układ współrzędnych

Barycentryczny układ współrzędnych SkaiWD Laboratorium 2 Barycentryczny układ współrzędnych Iwo Błądek 21 marca 2019 1 Barycentryczny układ współrzędnych Podstawowa wiedza została przekazana na wykładzie. W tej sekcji znajdują się proste

Bardziej szczegółowo

Poprawność semantyczna

Poprawność semantyczna Poprawność składniowa Poprawność semantyczna Poprawność algorytmu Wypisywanie zdań z języka poprawnych składniowo Poprawne wartościowanie zdań języka, np. w języku programowania skutki wystąpienia wyróżnionych

Bardziej szczegółowo

Zastosowanie metod statystycznych do problemu ujednoznaczniania struktury zdania w języku polskim

Zastosowanie metod statystycznych do problemu ujednoznaczniania struktury zdania w języku polskim Motywacja Zastosowanie metod statystycznych do problemu ujednoznaczniania struktury zdania w języku polskim Seminarium IPI PAN, 03.01.2011 Outline Motywacja 1 Motywacja Poziomy anotacji Równoważność dystrybucyjna

Bardziej szczegółowo

Scoring kredytowy w pigułce

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

Bardziej szczegółowo

KASK by CTI. Instrukcja

KASK by CTI. Instrukcja KASK by CTI Instrukcja Spis treści 1. Opis programu... 3 2. Pierwsze uruchomienie... 4 3. Okno główne programu... 5 4. Konfiguracja atrybutów... 6 5. Nadawanie wartości atrybutom... 7 6. Wybór firmy z

Bardziej szczegółowo

Rozszerzanie ontologii nazw geograficznych

Rozszerzanie ontologii nazw geograficznych 6.11.2012 Wikipedia i DBPedia Wikipedia - przydatny zasób, jeśli chcemy dowiedzieć się czegoś o konkretnym obiekcie. Ale nie pozwala na zadawanie zapytań, odpowiedzenie na które wymaga skorzystania z wiedzy

Bardziej szczegółowo

Agnieszka Nowak Brzezińska

Agnieszka Nowak Brzezińska Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia

Bardziej szczegółowo

Klasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV

Klasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną

Bardziej szczegółowo

WYMAGANIA EDUKACYJNE Z JĘZYKA POLSKIEGO DLA UCZNIÓW KLASY VI NA POSZCZEGÓLNE OCENY I OKRES OCENA CELUJĄCA

WYMAGANIA EDUKACYJNE Z JĘZYKA POLSKIEGO DLA UCZNIÓW KLASY VI NA POSZCZEGÓLNE OCENY I OKRES OCENA CELUJĄCA WYMAGANIA EDUKACYJNE Z JĘZYKA POLSKIEGO DLA UCZNIÓW KLASY VI NA POSZCZEGÓLNE OCENY I OKRES OCENA CELUJĄCA otrzymuje uczeń, którego wiadomości i umiejętności znacznie wykraczają poza program języka polskiego

Bardziej szczegółowo

Modele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11

Modele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11 Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)

Bardziej szczegółowo

Przykład 1: Funkcja jest obiektem, przypisanie funkcji o nazwie function() do zmiennej o nazwie funkcja1

Przykład 1: Funkcja jest obiektem, przypisanie funkcji o nazwie function() do zmiennej o nazwie funkcja1 Rachunek Prawdopodobieństwa i Statystyka lab 3. Kaja Gutowska (Kaja.Gutowska@cs.put.poznan.pl) 1. Funkcje: - Funkcje nie powinny korzystać ze zmiennych globalnych. - Funkcje powinny być możliwie krótkie.

Bardziej szczegółowo

Wymagania edukacyjne Klasa I liceum język włoski

Wymagania edukacyjne Klasa I liceum język włoski Wymagania edukacyjne Klasa I liceum język włoski Opracowano na podstawie planu wynikowego nauczania języka włoskiego w szkole ponadgimnazjalnej na podstawie metody nauczania Nuovo Progetto Italiano 1 wydawnictwa

Bardziej szczegółowo

III. ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE

III. ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE III. ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE Ocena bieżąca postępów ucznia uwzględnia wszystkie cztery sprawności językowe, tj.:, rozumienie ze słuchu, pisanie, czytanie, mówienie oraz

Bardziej szczegółowo

ZASADY WEWNĄTRZSZKOLNEGO OCENIANIA Z JĘZYKA WŁOSKIEGO W VII KLASIE SZKOŁY PODSTAWOWEJ

ZASADY WEWNĄTRZSZKOLNEGO OCENIANIA Z JĘZYKA WŁOSKIEGO W VII KLASIE SZKOŁY PODSTAWOWEJ ZASADY WEWNĄTRZSZKOLNEGO OCENIANIA Z JĘZYKA WŁOSKIEGO W VII KLASIE SZKOŁY PODSTAWOWEJ 1. Oceny są wystawiane za następujące formy aktywności: a) odpowiedź ustna obejmuje trzy ostatnie lekcje: odpowiedzi

Bardziej szczegółowo

WebSty - otwarty sieciowy system do analizy stylometrycznej i semantycznej tekstów

WebSty - otwarty sieciowy system do analizy stylometrycznej i semantycznej tekstów IJP PAN / UP Kraków maciejeder@gmail.com WebSty - otwarty sieciowy system do analizy stylometrycznej i semantycznej tekstów ws.clarin-pl.eu/websty.shtml Maciej Piasecki, Tomasz Walkowiak, Maciej Eder Politechnika

Bardziej szczegółowo

Przedmiotowe Zasady Oceniania z Informatyki w Szkole Podstawowej nr 4 z Oddziałami Dwujęzycznymi im. Wojciecha Korfantego w Mysłowicach

Przedmiotowe Zasady Oceniania z Informatyki w Szkole Podstawowej nr 4 z Oddziałami Dwujęzycznymi im. Wojciecha Korfantego w Mysłowicach Przedmiotowe Zasady Oceniania z Informatyki w Szkole Podstawowej nr 4 z Oddziałami Dwujęzycznymi im. Wojciecha Korfantego w Mysłowicach Przedmiotowe Zasady Oceniania uwzględniają główne ramy i wartości

Bardziej szczegółowo

Zapisywanie w wybranej notacji algorytmów z warunkami i iteracyjnych

Zapisywanie w wybranej notacji algorytmów z warunkami i iteracyjnych Temat 2. Zapisywanie w wybranej notacji algorytmów z warunkami i iteracyjnych Cele edukacyjne Usystematyzowanie podstawowych pojęć: algorytm z warunkami, iteracja, algorytm iteracyjny, zmienna sterująca.

Bardziej szczegółowo

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA

METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu

Bardziej szczegółowo

NA PODSTAWIE PODRĘCZNIKA DAS IST DEUTSCH

NA PODSTAWIE PODRĘCZNIKA DAS IST DEUTSCH PRZEDMIOTOWY SYSTEM OCENIANIA Z JĘZYKA NIEMIECKIEGO W GIMNAZJUM W BUDZOWIE NA PODSTAWIE PODRĘCZNIKA DAS IST DEUTSCH OCENA CELUJĄCA - uczeń rozumie wszystkie polecenia pisane, których słownictwo i wykraczają

Bardziej szczegółowo

Nazwa wariantu modułu (opcjonalnie): Laboratorium programowania w języku C++

Nazwa wariantu modułu (opcjonalnie): Laboratorium programowania w języku C++ Uniwersytet Śląski w Katowicach str. 1 Kierunek i poziom studiów: Chemia, poziom pierwszy Sylabus modułu: Laboratorium programowania (0310-CH-S1-019) Nazwa wariantu modułu (opcjonalnie): Laboratorium programowania

Bardziej szczegółowo

Język rachunku predykatów Formuły rachunku predykatów Formuły spełnialne i prawdziwe Dowody założeniowe. 1 Zmienne x, y, z...

Język rachunku predykatów Formuły rachunku predykatów Formuły spełnialne i prawdziwe Dowody założeniowe. 1 Zmienne x, y, z... Język rachunku predykatów 1 Zmienne x, y, z... 2 Predykaty n-argumentowe P(x, y,...), Q(x, y...),... 3 Funktory zdaniowe,,,, 4 Kwantyfikatory: istnieje, dla każdego Język rachunku predykatów Ustalenie

Bardziej szczegółowo

Statystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41

Statystyka. Wykład 4. Magdalena Alama-Bućko. 13 marca Magdalena Alama-Bućko Statystyka 13 marca / 41 Statystyka Wykład 4 Magdalena Alama-Bućko 13 marca 2017 Magdalena Alama-Bućko Statystyka 13 marca 2017 1 / 41 Na poprzednim wykładzie omówiliśmy następujace miary rozproszenia: Wariancja - to średnia arytmetyczna

Bardziej szczegółowo

PRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKÓW OBCYCH OKREŚLENIE WYMOGÓW I SPOSOBY SPRAWDZANIA OSIĄGNIĘĆ EDUKACYJNYCH Z JĘZYKÓW OBCYCH

PRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKÓW OBCYCH OKREŚLENIE WYMOGÓW I SPOSOBY SPRAWDZANIA OSIĄGNIĘĆ EDUKACYJNYCH Z JĘZYKÓW OBCYCH PRZEDMIOTOWE ZASADY OCENIANIA Z JĘZYKÓW OBCYCH OKREŚLENIE WYMOGÓW I SPOSOBY SPRAWDZANIA OSIĄGNIĘĆ EDUKACYJNYCH Z JĘZYKÓW OBCYCH 1. Uczeń w trakcie nauki języka obcego powinien: a) wykazać się umiejętnością

Bardziej szczegółowo

Lab 9 Podstawy Programowania

Lab 9 Podstawy Programowania Lab 9 Podstawy Programowania (Kaja.Gutowska@cs.put.poznan.pl) Wszystkie kody/fragmenty kodów dostępne w osobnym pliku.txt. Materiały pomocnicze: Wskaźnik to specjalny rodzaj zmiennej, w której zapisany

Bardziej szczegółowo

SIECI KOMPUTEROWE I TECHNOLOGIE INTERNETOWE

SIECI KOMPUTEROWE I TECHNOLOGIE INTERNETOWE Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania SIECI KOMPUTEROWE I TECHNOLOGIE INTERNETOWE Temat: Prosty serwis internetowy oparty o zestaw powiązanych

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

Sprawozdanie z laboratoriów HTK!

Sprawozdanie z laboratoriów HTK! Inżynieria akustyczna - Technologia mowy 2013 Błażej Chwiećko Sprawozdanie z laboratoriów HTK! 1. Przeznaczenie tworzonego systemu! Celem było stworzenie systemu służącego do sterowania samochodem. Zaimplementowane

Bardziej szczegółowo

R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych

R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych R ozkład norm alny Bardzo często używany do modelowania symetrycznych rozkładów zmiennych losowych ciągłych Przykłady: Błąd pomiarowy Wzrost, wydajność Temperatura ciała Zawartość różnych składników we

Bardziej szczegółowo

Po uruchomieniu programu nasza litera zostanie wyświetlona na ekranie

Po uruchomieniu programu nasza litera zostanie wyświetlona na ekranie Część X C++ Typ znakowy służy do reprezentacji pojedynczych znaków ASCII, czyli liter, cyfr, znaków przestankowych i innych specjalnych znaków widocznych na naszej klawiaturze (oraz wielu innych, których

Bardziej szczegółowo

Język niemiecki PRZEDMIOTOWY SYSTEM OCENIANIA realizowanego w oparciu o podręcznik Das ist Deutsch

Język niemiecki PRZEDMIOTOWY SYSTEM OCENIANIA realizowanego w oparciu o podręcznik Das ist Deutsch KONTRAKT Z UCZNIEM Język niemiecki PRZEDMIOTOWY SYSTEM OCENIANIA realizowanego w oparciu o podręcznik Das ist Deutsch 1. Przedmiotowy system oceniania z języka niemieckiego jest zgodny z wewnątrzszkolnym

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka

Rachunek prawdopodobieństwa i statystyka Rachunek prawdopodobieństwa i statystyka Przestrzeń probabilistyczna Niech Ω będzie dowolnym zbiorem, zwanym przestrzenią zdarzeń elementarnych. Elementy ω tej przestrzeni nazywamy zdarzeniami elementarnymi.

Bardziej szczegółowo

biegle i poprawnie posługuje się terminologią informatyczną,

biegle i poprawnie posługuje się terminologią informatyczną, INFORMATYKA KLASA 1 1. Wymagania na poszczególne oceny: 1) ocenę celującą otrzymuje uczeń, który: samodzielnie wykonuje na komputerze wszystkie zadania z lekcji, wykazuje inicjatywę rozwiązywania konkretnych

Bardziej szczegółowo

Modele długości trwania

Modele długości trwania Modele długości trwania Pierwotne zastosowania: przemysłowe (trwałość produktów) aktuarialne (długość trwania życia) Zastosowania ekonomiczne: długości bezrobocia długości czasu między zakupami dóbr trwałego

Bardziej szczegółowo

Rozdział 4 KLASY, OBIEKTY, METODY

Rozdział 4 KLASY, OBIEKTY, METODY Rozdział 4 KLASY, OBIEKTY, METODY Java jest językiem w pełni zorientowanym obiektowo. Wszystkie elementy opisujące dane, za wyjątkiem zmiennych prostych są obiektami. Sam program też jest obiektem pewnej

Bardziej szczegółowo

Wymagania dotyczące sprawozdań. Proszę przeczytać uważnie i zastosować się do niżej wymienionych wskazówek.

Wymagania dotyczące sprawozdań. Proszę przeczytać uważnie i zastosować się do niżej wymienionych wskazówek. Wymagania dotyczące sprawozdań. Proszę przeczytać uważnie i zastosować się do niżej wymienionych wskazówek. Treść sprawozdania powinna być ułożona logicznie i chronologicznie. Na początku:. Imię i Nazwisko,

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej

Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej Zmienna losowa i jej rozkład Dystrybuanta zmiennej losowej Wartość oczekiwana zmiennej losowej c Copyright by Ireneusz Krech ikrech@ap.krakow.pl Instytut Matematyki Uniwersytet Pedagogiczny im. KEN w Krakowie

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka

EGZAMIN MAGISTERSKI, czerwiec 2015 Biomatematyka Biomatematyka Rozpatrzmy chorobę, która rozprzestrzenia się za pośrednictwem nosicieli, u których nie występują jej symptomy. Niech C(t) oznacza liczbę nosicieli w chwili t. Zakładamy, że nosiciele są

Bardziej szczegółowo

JEZYKOZNAWSTWO. I NAUKI O INFORMACJI, ROK I Logika Matematyczna: egzamin pisemny 11 czerwca Imię i Nazwisko:... FIGLARNE POZNANIANKI

JEZYKOZNAWSTWO. I NAUKI O INFORMACJI, ROK I Logika Matematyczna: egzamin pisemny 11 czerwca Imię i Nazwisko:... FIGLARNE POZNANIANKI JEZYKOZNAWSTWO I NAUKI O INFORMACJI, ROK I Logika Matematyczna: egzamin pisemny 11 czerwca 2012 Imię i Nazwisko:........................................................... FIGLARNE POZNANIANKI Wybierz

Bardziej szczegółowo

Co to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem.

Co to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem. 1 Wektory Co to jest wektor? Jest to obiekt posiadający: moduł (długość), kierunek wraz ze zwrotem. 1.1 Dodawanie wektorów graficzne i algebraiczne. Graficzne - metoda równoległoboku. Sprowadzamy wektory

Bardziej szczegółowo

Statystyka. Wykład 6. Magdalena Alama-Bućko. 9 kwietnia Magdalena Alama-Bućko Statystyka 9 kwietnia / 36

Statystyka. Wykład 6. Magdalena Alama-Bućko. 9 kwietnia Magdalena Alama-Bućko Statystyka 9 kwietnia / 36 Statystyka Wykład 6 Magdalena Alama-Bućko 9 kwietnia 2018 Magdalena Alama-Bućko Statystyka 9 kwietnia 2018 1 / 36 Krzywa koncentracji Lorenza w ekonometrii, ekologii, geografii ludności itp. koncentrację

Bardziej szczegółowo

EKSPERYMENT PRACODAWCA PRACOWNIK oparty na eksperymencie Gift Exchange Game (Fehr, Kirchsteiger and Riedl 1993)

EKSPERYMENT PRACODAWCA PRACOWNIK oparty na eksperymencie Gift Exchange Game (Fehr, Kirchsteiger and Riedl 1993) Ekonomia Eksperymentalna Dr Tomasz Kopczewski EKSPERYMENT PRACODAWCA PRACOWNIK oparty na eksperymencie Gift Exchange Game (Fehr, Kirchsteiger and Riedl 1993) SPIS TREŚCI Wstęp 3 Podstawowe informacje o

Bardziej szczegółowo

SMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec

SMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec SMOP - wykład Rozkład normalny zasady przenoszenia błędów Ewa Pawelec 1 iepewność dla rozkładu norm. Zamiast dodawania całych zakresów uwzględniamy prawdopodobieństwo trafienia dwóch wartości: P x 1, x

Bardziej szczegółowo

JĘZYK NIEMIECKI - ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE

JĘZYK NIEMIECKI - ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE JĘZYK NIEMIECKI - ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY SZKOLNE Ocena bieżąca postępów ucznia uwzględnia wszystkie cztery sprawności językowe, tj.: rozumienie ze słuchu, pisanie, czytanie,

Bardziej szczegółowo

Statystyka. Wykład 7. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Statystyka 16 kwietnia / 35

Statystyka. Wykład 7. Magdalena Alama-Bućko. 16 kwietnia Magdalena Alama-Bućko Statystyka 16 kwietnia / 35 Statystyka Wykład 7 Magdalena Alama-Bućko 16 kwietnia 2017 Magdalena Alama-Bućko Statystyka 16 kwietnia 2017 1 / 35 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia

Bardziej szczegółowo

Problem ujednoznaczniania sensu w kontekście ekstrakcji relacji semantycznych

Problem ujednoznaczniania sensu w kontekście ekstrakcji relacji semantycznych Problem ujednoznaczniania sensu w kontekście ekstrakcji relacji semantycznych Instytut Podstaw Informatyki Polskiej Akademii Nauk 16 kwietnia 2012 Plan prezentacji Ekstrakcja informacji Zasoby językowe

Bardziej szczegółowo

Metoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10

Metoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10 Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,

Bardziej szczegółowo

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16

Value at Risk (VaR) Jerzy Mycielski WNE. Jerzy Mycielski (Institute) Value at Risk (VaR) / 16 Value at Risk (VaR) Jerzy Mycielski WNE 2018 Jerzy Mycielski (Institute) Value at Risk (VaR) 2018 1 / 16 Warunkowa heteroskedastyczność O warunkowej autoregresyjnej heteroskedastyczności mówimy, gdy σ

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r.

Matematyka ubezpieczeń majątkowych r. Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka

Bardziej szczegółowo

Statystyka. Wykład 11. Magdalena Alama-Bućko. 21 maja Magdalena Alama-Bućko Statystyka 21 maja / 31

Statystyka. Wykład 11. Magdalena Alama-Bućko. 21 maja Magdalena Alama-Bućko Statystyka 21 maja / 31 Statystyka Wykład 11 Magdalena Alama-Bućko 21 maja 2018 Magdalena Alama-Bućko Statystyka 21 maja 2018 1 / 31 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia miary

Bardziej szczegółowo

Agnieszka Nowak Brzezińska Wykład III

Agnieszka Nowak Brzezińska Wykład III Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe

Bardziej szczegółowo

ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY Z JĘZYKA NIEMIECKIEGO Nauczyciel prowadzący: mgr Agnieszka Krzeszowiak, mgr Teresa Jaśkowska

ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY Z JĘZYKA NIEMIECKIEGO Nauczyciel prowadzący: mgr Agnieszka Krzeszowiak, mgr Teresa Jaśkowska ZAKRES WYMAGAŃ EDUKACYJNYCH NA POSZCZEGÓLNE OCENY Z JĘZYKA NIEMIECKIEGO Nauczyciel prowadzący: mgr Agnieszka Krzeszowiak, mgr Teresa Jaśkowska Ocena bieżąca postępów ucznia uwzględnia wszystkie cztery

Bardziej szczegółowo

Języki programowania zasady ich tworzenia

Języki programowania zasady ich tworzenia Strona 1 z 18 Języki programowania zasady ich tworzenia Definicja 5 Językami formalnymi nazywamy każdy system, w którym stosując dobrze określone reguły należące do ustalonego zbioru, możemy uzyskać wszystkie

Bardziej szczegółowo

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Modelowanie zmiennej jakościowej. Jakub Mućk. Katedra Ekonomii Ilościowej Ekonometria Modelowanie zmiennej jakościowej Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Ćwiczenia 8 Zmienna jakościowa 1 / 25 Zmienna jakościowa Zmienna ilościowa może zostać zmierzona

Bardziej szczegółowo

Jeśli X jest przestrzenią o nieskończonej liczbie elementów:

Jeśli X jest przestrzenią o nieskończonej liczbie elementów: Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów

Bardziej szczegółowo

Zarządzanie ryzykiem finansowym

Zarządzanie ryzykiem finansowym Zarządzanie projektami Wrocław, 30 października 2013 Spis treści Motywacja Rachunek prawdopodobieństwa Koherentne miary ryzyka Przykłady zastosowań Podsumowanie Po co analizować ryzyko na rynkach finansowych?

Bardziej szczegółowo

Oprogramowanie ILUO Biznes pozwala na jednoczesne zarządzanie wieloma sklepami Internetowymi zbudowanymi na oprogramowaniu różnych producentów.

Oprogramowanie ILUO Biznes pozwala na jednoczesne zarządzanie wieloma sklepami Internetowymi zbudowanymi na oprogramowaniu różnych producentów. Oprogramowanie ILUO Biznes pozwala na jednoczesne zarządzanie wieloma sklepami Internetowymi zbudowanymi na oprogramowaniu różnych producentów. Niektóre z modułów Integracyjnych z ILUO Biznes zostały przygotowane

Bardziej szczegółowo

18. Obliczyć. 9. Obliczyć iloczyn macierzy i. 10. Transponować macierz. 11. Transponować macierz. A następnie podać wymiar powstałej macierzy.

18. Obliczyć. 9. Obliczyć iloczyn macierzy i. 10. Transponować macierz. 11. Transponować macierz. A następnie podać wymiar powstałej macierzy. 1 Czy iloczyn macierzy, które nie są kwadratowe może być macierzą kwadratową? Podaj przykład 2 Czy każde dwie macierze jednostkowe są równe? Podaj przykład 3 Czy mnożenie macierzy przez macierz jednostkową

Bardziej szczegółowo

Maksymalne powtórzenia w tekstach i zerowa intensywność entropii

Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Maksymalne powtórzenia w tekstach i zerowa intensywność entropii Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Warszawa 1 Wprowadzenie 2 Ograniczenia górne i dolne 3 Przykłady

Bardziej szczegółowo

Wymagania edukacyjne z przedmiotu: JĘZYK NIEMIECKI dla klas trzecich. Klasy 3

Wymagania edukacyjne z przedmiotu: JĘZYK NIEMIECKI dla klas trzecich. Klasy 3 Wymagania edukacyjne z przedmiotu: JĘZYK NIEMIECKI dla klas trzecich Klasy 3 przybory/ lektury wycieczki przedmiotowe Podręczniki Zeszyty ćwiczeń Zeszyty przedmiotowe Przybory do pisania Płyta CD Magnetofon

Bardziej szczegółowo

Przedmiotowy System Oceniania z języka niemieckiego. Systemem Oceniania Gimnazjum nr 3 im. Marszałka Józefa Piłsudskiego w Warszawie.

Przedmiotowy System Oceniania z języka niemieckiego. Systemem Oceniania Gimnazjum nr 3 im. Marszałka Józefa Piłsudskiego w Warszawie. Przedmiotowy System Oceniania z języka niemieckiego 1. Przedmiotowy System Oceniania z języka niemieckiego jest zgodny z Wewnątrzszkolnym Systemem Oceniania Gimnazjum nr 3 im. Marszałka Józefa Piłsudskiego

Bardziej szczegółowo

Zmienność wiatru w okresie wieloletnim

Zmienność wiatru w okresie wieloletnim Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach

Bardziej szczegółowo

Analiza efektywności przetwarzania współbieżnego

Analiza efektywności przetwarzania współbieżnego Analiza efektywności przetwarzania współbieżnego Wykład: Przetwarzanie Równoległe Politechnika Poznańska Rafał Walkowiak 1/4/2013 Analiza efektywności 1 Źródła kosztów przetwarzania współbieżnego interakcje

Bardziej szczegółowo

Charakterystyki oraz wyszukiwanie obrazów cyfrowych

Charakterystyki oraz wyszukiwanie obrazów cyfrowych Algorytmy Graficzne Charakterystyki oraz wyszukiwanie obrazów cyfrowych Autor: Mateusz Nostitz-Jackowski 1 / 7 Działanie programu: Do poprawnego działania projektu potrzeba programu Mathematica 5.2 (możliwe

Bardziej szczegółowo

Rok akademicki: 2012/2013 Kod: JFM s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne

Rok akademicki: 2012/2013 Kod: JFM s Punkty ECTS: 3. Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Nazwa modułu: Statystyka inżynierska Rok akademicki: 2012/2013 Kod: JFM-1-210-s Punkty ECTS: 3 Wydział: Fizyki i Informatyki Stosowanej Kierunek: Fizyka Medyczna Specjalność: Poziom studiów: Studia I stopnia

Bardziej szczegółowo

Przedmiotowy system oceniania - ocenianie na lekcjach języka niemieckiego w LO Sióstr Prezentek im. Jana Pawła II w Rzeszowie

Przedmiotowy system oceniania - ocenianie na lekcjach języka niemieckiego w LO Sióstr Prezentek im. Jana Pawła II w Rzeszowie Przedmiotowy system oceniania - ocenianie na lekcjach języka niemieckiego w LO Sióstr Prezentek im. Jana Pawła II w Rzeszowie I. Na ocenę semestralną / końcoworoczną składają się oceny z krótkich odpowiedzi

Bardziej szczegółowo

Program warsztatów CLARIN-PL

Program warsztatów CLARIN-PL W ramach Letniej Szkoły Humanistyki Cyfrowej odbędzie się III cykl wykładów i warsztatów CLARIN-PL w praktyce badawczej. Narzędzia cyfrowe do analizy języka w naukach humanistycznych i społecznych 17-19

Bardziej szczegółowo

Klasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium

Bardziej szczegółowo

Instrukcja dla Uczelnianego Administratora Systemu Antyplagiatowego Plagiat.pl

Instrukcja dla Uczelnianego Administratora Systemu Antyplagiatowego Plagiat.pl Instrukcja dla Uczelnianego Administratora Systemu Antyplagiatowego Plagiat.pl Materiały poufne, przeznaczone wyłącznie dla UASA. Plagiat.pl 2010 Strona 1 I. Logowanie Aby zalogować się jako Uczelniany

Bardziej szczegółowo

Wymagania edukacyjne - język francuski Grupa FIII/1 Podręcznik: Le Nouveau Taxi 2 jednostki 5-9

Wymagania edukacyjne - język francuski Grupa FIII/1 Podręcznik: Le Nouveau Taxi 2 jednostki 5-9 Wymagania edukacyjne - język francuski Grupa FIII/1 Podręcznik: Le Nouveau Taxi 2 jednostki 5-9 Wymagania edukacyjne zostały opracowane na podstawie planów wynikowych nauczania języka francuskiego w szkole

Bardziej szczegółowo