Porównywanie tagerów dopuszczajacych niejednoznaczności
|
|
- Wacław Maj
- 7 lat temu
- Przeglądów:
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 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoź 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 szczegółowoSztuczna 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 szczegółowoWydobywanie 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 szczegółowoKORBA 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 szczegółowoTestowanie 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 szczegółowoKorpusomat 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 szczegółowoEkonometria. 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 szczegółowoPRZEDMIOTOWE 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 szczegółowoCzęść 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 szczegółowo29. 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 szczegółowoWymagania 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 szczegółowoZAKRES 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 szczegółowoWyszukiwanie 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 szczegółowoModelowanie 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 szczegółowoAlgorytmy 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 szczegółowoPsychometria 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 szczegółowoPriorytetyzacja 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 szczegółowoBADANIE 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 szczegółowoJAK 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 szczegółowoWykład 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 szczegółowoEkstrakcja 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 szczegółowoCo 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 szczegółowoWymagania 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 szczegółowoKomentarz 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 szczegółowoBarycentryczny 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 szczegółowoPoprawność 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 szczegółowoZastosowanie 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 szczegółowoScoring 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 szczegółowoKASK 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 szczegółowoRozszerzanie 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 szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoWYMAGANIA 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 szczegółowoModele 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 szczegółowoPrzykład 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 szczegółowoWymagania 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 szczegółowoIII. 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 szczegółowoZASADY 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 szczegółowoWebSty - 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 szczegółowoPrzedmiotowe 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 szczegółowoZapisywanie 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 szczegółowoMETODY 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 szczegółowoNA 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 szczegółowoNazwa 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 szczegółowoJęzyk 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 szczegółowoStatystyka. 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 szczegółowoPRZEDMIOTOWE 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 szczegółowoLab 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 szczegółowoSIECI 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 szczegółowoEstymacja 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 szczegółowoSprawozdanie 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 szczegółowoR 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 szczegółowoPo 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 szczegółowoJęzyk 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 szczegółowoStatystyka 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 szczegółowoRachunek 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 szczegółowobiegle 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 szczegółowoModele 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 szczegółowoRozdział 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 szczegółowoWymagania 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 szczegółowoWykład 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 szczegółowoZmienna 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 szczegółowoEGZAMIN 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 szczegółowoJEZYKOZNAWSTWO. 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 szczegółowoCo 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 szczegółowoStatystyka. 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 szczegółowoEKSPERYMENT 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 szczegółowoSMOP - 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 szczegółowoJĘZYK 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 szczegółowoStatystyka. 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 szczegółowoProblem 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 szczegółowoMetoda 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 szczegółowoValue 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 szczegółowoMatematyka 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 szczegółowoStatystyka. 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 szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoZAKRES 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 szczegółowoJęzyki 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 szczegółowoEkonometria. 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 szczegółowoJeśli 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 szczegółowoZarządzanie 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 szczegółowoOprogramowanie 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 szczegółowo18. 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 szczegółowoMaksymalne 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 szczegółowoWymagania 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 szczegółowoPrzedmiotowy 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 szczegółowoZmienność 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 szczegółowoAnaliza 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 szczegółowoCharakterystyki 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 szczegółowoRok 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 szczegółowoPrzedmiotowy 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 szczegółowoProgram 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 szczegółowoKlasyfikator 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 szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoInstrukcja 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 szczegółowoWymagania 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