AUTO-ENKODER JAKO SKŠADNIK ARCHITEKTURY DEEP LEARNING

Wielkość: px
Rozpocząć pokaz od strony:

Download "AUTO-ENKODER JAKO SKŠADNIK ARCHITEKTURY DEEP LEARNING"

Transkrypt

1 AUTO-ENKODER JAKO SKŠADNIK ARCHITEKTURY DEEP LEARNING Magdalena Wiercioch Uniwersytet Jagiello«ski 3 kwietnia 2014

2 Plan Uczenie gª bokie (deep learning) Auto-enkodery Rodzaje Zasada dziaªania Przykªady Bibliograa 2 z 48

3 Uczenie gª bokie (deep learning) cel - wydobycie cech najbardziej istotnych 3 z 48

4 Uczenie gª bokie (deep learning) Potrzeba funkcji, która zapewni efektywno± oblicze«i wydajno± uczenia. Nasuwa si pytanie w jaki sposób j reprezentowa. 4 z 48

5 Uczenie gª bokie (deep learning) Technika uczenia gª bokiego ma swoje ideologiczne podstawy w procesie skªadania funkcji. Ka»da z funkcji skªadanych otrzymuje dane do przetworzenia. 5 z 48

6 Uczenie gª bokie (deep learning) 6 z 48

7 Uczenie gª bokie (deep learning) A mo»e sie wielowarstwowa (uczona gradientowo)? 7 z 48

8 Uczenie gª bokie (deep learning) (Bengio, 2007) Idea greedy layer-wise training: trenowanie krok po kroku, a wi c najpierw trenuje si sie z jedn warstw ukryt, potem z dwoma itd. w ka»dym kroku do rozwa»anej sieci zawieraj cej k 1 warstw ukrytych dodaje si kolejn warstw, która na wej±ciu przyjmuje rezultat poprzedniej architektury 8 z 48

9 Uczenie gª bokie (deep learning) mo»liwe jest zarówno podej±cie nadzorowane jak i nienadzorowane (cz ±ciej stosowane, realizowane za pomoc auto-enkoderów) wyuczone wagi sªu» do inicjalizacji wag w caªej sieci pozwala to na dostrojenie caªej architektury (ne-tune) 9 z 48

10 Uczenie gª bokie (deep learning) Zalety: zdecydowanie lepsza dost pno± danych metoda spadku gradientu znajduje wªa±ciwe (lub prawie poprawne) lokalne minimum 10 z 48

11 Auto-enkoder obecno± trzech warstw reprodukcja informacji wej±ciowej na wyj±ciu 11 z 48

12 Auto-enkoder rzadki (sparse autoencoder) W zwyczajnym trybie sie uczyªaby si funkcji identyczno±ciowej, co nie miaªoby sensu. Dlatego wprowadza si pewne kryteria, jak np. ilo± neuronów w warstwie ukrytej. Okazuje si,»e ciekawe wªasno±ci ujawniaj si gdy ilo± neuronów w warstwie ukrytej jest wi ksza od wymiaru danych wej±ciowych. Wówczas wprowadza si dodatkowe ograniczenie na rzadko± (sparsity). 12 z 48

13 Auto-enkoder 13 z 48

14 Auto-enkoder x [0, 1] d, y [0, 1] d, z [0, 1] d y f θ (x) = s(wx + b); θ = W, b z g θ (y) = s(w y + b ); θ = W, b θ, θ = argmin θ,θ 1 n n R(x (i), g i=1 θ (f θ (x (i) ))) 14 z 48

15 Auto-enkoder R(x, z) = x z 2 R H (x, z) = d j=1 [x j log z j + (1 x j ) log(1 z j )] Istnieje dowód na to,»e gdy neurony w warstwie ukrytej oraz w warstwie wyj±ciowej maj charakterystyki liniowe (lub qasiliniowe), to taka sie w rzeczywisto±ci uczy si aproksymowa standardowy algorytm analizy gªównych skªadowych. 15 z 48

16 Dywergencja Kullbacka-Leiblera Dywergencja Kullbacka-Leiblera (entropia wzgl dna, rozbie»no± Kullbacka-Leiblera) to miara stosowana w teorii informacji. Sªu»y do okre±lenia rozbie»no±ci pomi dzy dwoma rozkªadami p oraz q. Przyjmuje zawsze warto±ci nieujemne. Je±li dwa rozkªady s identyczne, wówczas jej warto± wynosi 0. Dla rozkªadów dyskretnych dywergencja Kullbacka-Leiblera wyra»a si wzorem: gdzie q - dane rzeczywiste; p - model teoretyczny. D KL (q, p) = i=1 q i log 2 q(i) p(i) 16 z 48

17 Ograniczenie na rzadko± (sparsity) a (2) k (x) - poziom aktywacji neuronu k w warstwie ukrytej pod wpªywem wej±cia x ˆρ k = 1 n n i=1 [a(2) k (x (i) )] - ±rednia aktywacja neuronu ρ jako parametr odnosz cy si do wymuszanej cechy rzadko±ci (sparsity parameter) celem jest doprowadzenie do równo±ci ˆρ k = ρ funkcja straty: L s (W, b) = L(W, b) + β n KL(ρ ˆρ i=1 i) 17 z 48

18 Dywergencja Kullbacka-Leiblera a auto-enkoder 18 z 48

19 Auto-enkoder odszumiaj cy (denoising autoencoder) wej±cie x [0, 1] d modykacja wej±cia daje x q( x x) przeksztaªcenie x do reprezentacji zredukowanej y = f θ ( x) odtworzenie z na podstawie y, z = g θ (y) 19 z 48

20 Auto-enkoder odszumiaj cy (denoising autoencoder) (Vincent, 2008) ró»ne interpretacje, jedno z nich oparte na idei rozmaito±ci przyjmuje si,»e oryginalne dane s umiejscowione bli»ej rozmaito±ci o mniejszej liczbie wymiarów p(x X ) = B gθ (f θ ( X ))(X ) zapewnia stosowne rzutowanie 20 z 48

21 Auto-enkoder stosowy (stacked autoencoder) warstwa 1 21 z 48

22 Auto-enkoder stosowy (stacked autoencoder) warstwa 1 warstwa 2 22 z 48

23 Auto-enkoder stosowy (stacked autoencoder) warstwa 1 warstwa 2 warstwa 3 23 z 48

24 Auto-enkoder stosowy (stacked autoencoder) warstwa 1 warstwa 2 warstwa 3 warstwa uczona z nadzorem 24 z 48

25 Auto-enkoder stosowy (stacked autoencoder) 25 z 48

26 Auto-enkoder stosowy (stacked autoencoder) 26 z 48

27 Auto-enkoder stosowy (stacked autoencoder) 27 z 48

28 Auto-enkoder stosowy (stacked autoencoder) 28 z 48

29 Zestaw odszumiaj cych auto-enkoderów (stacked denoising autoencoders) wstawianie kolejnych warstw z auto-enkoderem (odszumiaj cym) rezultat ka»dego procesu oczyszczenia przesyªany jest do warstwy poªo»nej wy»ej 29 z 48

30 Strojenie (ne tuning) inicjalizacja parametrów sieci w sposób nienadzorowany dostrajanie w wersji nadzorowanej 30 z 48

31 Auto-enkoder 31 z 48

32 Auto-enkoder 32 z 48

33 Auto-enkoder 33 z 48

34 Auto-enkoder 34 z 48

35 Auto-enkoder 35 z 48

36 Auto-enkoder 36 z 48

37 Auto-enkoder Zbiór STL z 48

38 Auto-enkoder 38 z 48

39 Auto-enkoder odszumiaj cy (denoising autoencoder) MNIST 39 z 48

40 Auto-enkoder odszumiaj cy (denoising autoencoder) poziom zaszumienia = 0% 40 z 48

41 Auto-enkoder odszumiaj cy (denoising autoencoder) poziom zaszumienia = 15% 41 z 48

42 Auto-enkoder odszumiaj cy (denoising autoencoder) poziom zaszumienia = 30% 42 z 48

43 Auto-enkoder odszumiaj cy (denoising autoencoder) poziom zaszumienia = 45% 43 z 48

44 Wynik zestawienia auto-enkoderów 44 z 48

45 Wynik zestawienia auto-enkoderów odszumiaj cych 45 z 48

46 Rezultat zastosowania sieci Deep Belief 46 z 48

47 Bibliograa Bengio Y., Learning deep architectures for AI, Foundations and trends in Machine Learning (2009) Vincent P., Larochelle H., Lajoie I., Bengio Y., Manzagol P.A., Stacked Denoising Autoencoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion (2010) Bengio Y., Lamblin P., Popovici D., Larochelle H., Greedy layer-wise training of deep networks. NIPS (2006) Ranzato M., Poultney C., Chopra S., and LeCun Y., Ecient learning of sparse representations with an energy-based model. NIPS 2006, MIT Press, 2006 Ranzato M., Boureau Y., LeCun Y., Sparse feature learning for deep belief networks. Advances in Neural Information Processing Systems (NIPS 2007) 47 z 48

48 Bibliograa Hinton G.E., Osindero S., Teh Y., A fast learning algorithm for deep belief nets. Neural Computation 18 (2006) Hinton G. E., Salakhutdinov R., Reducing the dimensionality of data with neural networks. Science (2006) 48 z 48

dr Igor T. Podolak 19 grudnia 2013, 9 i 16 stycznia 2014

dr Igor T. Podolak 19 grudnia 2013, 9 i 16 stycznia 2014 dr Igor T Podolak 19 grudnia 2013, 9 i 16 stycznia 2014 1 / Igor T Podolak, WMiI UJ igorpodolak@ujedupl Głębokie uczenie, nowe perspektywy uczenia maszynowego 1/47 47 Potrzeba głębokich architektur podstawowe

Bardziej szczegółowo

Metody numeryczne i statystyka dla in»ynierów

Metody numeryczne i statystyka dla in»ynierów Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci

Bardziej szczegółowo

przewidywania zapotrzebowania na moc elektryczn

przewidywania 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 szczegółowo

Metodydowodzenia twierdzeń

Metodydowodzenia twierdzeń 1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych

Bardziej szczegółowo

Poprawa efektywnoci metody wstecznej propagacji bdu. Jacek Bartman

Poprawa 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 szczegółowo

KLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu

KLASYCZNE ZDANIA KATEGORYCZNE. ogólne - orzekaj co± o wszystkich desygnatach podmiotu szczegóªowe - orzekaj co± o niektórych desygnatach podmiotu ➏ Filozoa z elementami logiki Na podstawie wykªadów dra Mariusza Urba«skiego Sylogistyka Przypomnij sobie: stosunki mi dzy zakresami nazw KLASYCZNE ZDANIA KATEGORYCZNE Trzy znaczenia sªowa jest trzy rodzaje

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych.

Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Wykªad jest prowadzony w oparciu o podr cznik Analiza matematyczna 2. Denicje, twierdzenia, wzory M. Gewerta i Z. Skoczylasa. Wykªad 7. Ekstrema lokalne funkcji dwóch zmiennych. Denicja Mówimy,»e funkcja

Bardziej szczegółowo

1. Wprowadzenie do C/C++

1. Wprowadzenie do C/C++ Podstawy Programowania :: Roman Grundkiewicz :: 014 Zaj cia 1 1 rodowisko Dev-C++ 1. Wprowadzenie do C/C++ Uruchomienie ±rodowiska: Start Programs Developments Dev-C++. Nowy projekt: File New Project lub

Bardziej szczegółowo

wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia

wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. Metodyka bada«do±wiadczalnych dr hab. in». Sebastian Skoczypiec Cel wiczenia Zaªo»enia wiczenie nr 3 z przedmiotu Metody prognozowania kwiecie«2015 r. wiczenia 1 2 do wiczenia 3 4 Badanie do±wiadczalne 5 pomiarów 6 7 Cel Celem wiczenia jest zapoznanie studentów z etapami przygotowania i

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

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

Bardziej szczegółowo

Eksploracja Danych. Wprowadzenie. (c) Marcin Sydow

Eksploracja Danych. Wprowadzenie. (c) Marcin Sydow Wprowadzenie Proponowane podr czniki T.Hastie, R.Tibshirani et al. An Introduction to Statistical Learning I.Witten et al. Data Mining S.Marsland Machine Learning J.Koronacki, J.Mielniczuk Statystyka dla

Bardziej szczegółowo

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału

Bardziej szczegółowo

Elementy kognitywistyki III: Modele i architektury poznawcze

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

Bardziej szczegółowo

Szkolenie Podstawy statystyki i analizy danych

Szkolenie Podstawy statystyki i analizy danych Szkolenie Podstawy statystyki i analizy danych program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Szkolenie Podstawy statystyki i analizy danych Co obejmuje? Program szkolenia

Bardziej szczegółowo

Sztuczne siei neuronowe - wprowadzenie

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

Bardziej szczegółowo

Chess. Joanna Iwaniuk. 9 marca 2010

Chess. Joanna Iwaniuk. 9 marca 2010 9 marca 2010 Plan prezentacji 1. Co to jest? 2. Jak u»ywa? 3. Prezentacja dziaªania 4. kontrola przeplotów model checking odtwarzanie wadliwego wykonania 5. Ogólna idea Wynik dziaªania Co to jest? program

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

Metody numeryczne i statystyka dla in»ynierów

Metody numeryczne i statystyka dla in»ynierów Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana

Bardziej szczegółowo

Video And Map. Grzegorz Pieniążek. Video And Map jest to projekt wykorzystujący Google Maps i Youtube API

Video And Map. Grzegorz Pieniążek. Video And Map jest to projekt wykorzystujący Google Maps i Youtube API 2008 Video And Map Grzegorz Pieniążek Video And Map jest to projekt wykorzystujący Google Maps i Youtube API Grzegorz Pieniążek Politechnika Warszawska 1/7/2008 Spis treści 1. Wstęp... 3 2. Instrukcja

Bardziej szczegółowo

1. Wprowadzenie do C/C++

1. Wprowadzenie do C/C++ Podstawy Programowania - Roman Grundkiewicz - 013Z Zaj cia 1 1 rodowisko Dev-C++ 1. Wprowadzenie do C/C++ Uruchomienie ±rodowiska: Start Programs Developments Dev-C++. Nowy projekt: File New Project lub

Bardziej szczegółowo

Edycja geometrii w Solid Edge ST

Edycja geometrii w Solid Edge ST Edycja geometrii w Solid Edge ST Artykuł pt.: " Czym jest Technologia Synchroniczna a czym nie jest?" zwracał kilkukrotnie uwagę na fakt, że nie należy mylić pojęć modelowania bezpośredniego i edycji bezpośredniej.

Bardziej szczegółowo

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

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

Bardziej szczegółowo

Metody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9

Metody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Wst p do metod numerycznych Dawid Rasaªa January 9, 2012 Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Czym s metody numeryczne? Istota metod numerycznych Metody numeryczne s

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Diagnoza psychologiczna: podstawowe kompetencje (II część - decyzje diagnostyczne) Rola intuicji w diagnozie

Diagnoza psychologiczna: podstawowe kompetencje (II część - decyzje diagnostyczne) Rola intuicji w diagnozie Uniwersytet im. Adama Mickiewicza w Poznaniu Instytut Psychologii Anna Słysz Diagnoza psychologiczna: podstawowe kompetencje (II część - decyzje diagnostyczne) konwersatorium/wykład Poznań 2008 1 Rola

Bardziej szczegółowo

Koªo Naukowe Robotyków KoNaR. Plan prezentacji. Wst p Rezystory Potencjomerty Kondensatory Podsumowanie

Koªo Naukowe Robotyków KoNaR. Plan prezentacji. Wst p Rezystory Potencjomerty Kondensatory Podsumowanie Plan prezentacji Wst p Rezystory Potencjomerty Kondensatory Podsumowanie Wst p Motto W teorii nie ma ró»nicy mi dzy praktyk a teori. W praktyce jest. Rezystory Najwa»niejsze parametry rezystorów Rezystancja

Bardziej szczegółowo

POLITECHNIKA WROCŠAWSKA WYDZIAŠ ELEKTRONIKI PRACA DYPLOMOWA MAGISTERSKA

POLITECHNIKA WROCŠAWSKA WYDZIAŠ ELEKTRONIKI PRACA DYPLOMOWA MAGISTERSKA POLITECHNIKA WROCŠAWSKA WYDZIAŠ ELEKTRONIKI Kierunek: Specjalno± : Automatyka i Robotyka (AIR) Robotyka (ARR) PRACA DYPLOMOWA MAGISTERSKA Podatny manipulator planarny - budowa i sterowanie Vulnerable planar

Bardziej szczegółowo

Szybkoschładzarki SZYBKOSCHŁADZARKI. Szybkoschładzarki z funkcją 50 szybkozamrażania

Szybkoschładzarki SZYBKOSCHŁADZARKI. Szybkoschładzarki z funkcją 50 szybkozamrażania SZYBKOSCHŁADZARKI Szybkoschładzarki z funkcją 50 szybkozamrażania SZYBKOSCHŁADZARKI DLACZEGO WARTO ICH UŻYWAĆ? Wszystkie świeże produkty zawierają naturalną florę bakteryjną, która w sprzyjających warunkach

Bardziej szczegółowo

Matematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej

Matematyka wykªad 1. Macierze (1) Andrzej Torój. 17 wrze±nia 2011. Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej Matematyka wykªad 1 Macierze (1) Andrzej Torój Wy»sza Szkoªa Zarz dzania i Prawa im. H. Chodkowskiej 17 wrze±nia 2011 Plan wykªadu 1 2 3 4 5 Plan prezentacji 1 2 3 4 5 Kontakt moja strona internetowa:

Bardziej szczegółowo

Elementy Sztucznej Inteligencji

Elementy 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 szczegółowo

Strategia czy intuicja?

Strategia czy intuicja? Strategia czy intuicja czyli o grach niesko«czonych Instytut Matematyki Uniwersytetu Warszawskiego Grzegorzewice, 29 sierpnia 2009 Denicja gry Najprostszy przypadek: A - zbiór (na ogóª co najwy»ej przeliczalny),

Bardziej szczegółowo

Elementy Sztucznej Inteligencji

Elementy 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 szczegółowo

Optyka geometryczna. Soczewki. Marcin S. Ma kowicz. rok szk. 2009/2010. Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku

Optyka geometryczna. Soczewki. Marcin S. Ma kowicz. rok szk. 2009/2010. Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku skupiaj ce rozpraszaj ce Optyka geometryczna Zespóª Szkóª Ponadgimnazjalnych Nr 2 w Brzesku rok szk. 2009/2010 skupiaj ce rozpraszaj ce Spis tre±ci 1 Wprowadzenie 2 Ciekawostki 3 skupiaj ce Konstrukcja

Bardziej szczegółowo

Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence.

Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence. Informacje dla kadry zarządzającej Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence. 2010 Cisco i/lub firmy powiązane. Wszelkie prawa zastrzeżone. Ten dokument zawiera

Bardziej szczegółowo

Szkolenie Regresja logistyczna

Szkolenie Regresja logistyczna Szkolenie Regresja logistyczna program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Szkolenie Regresja logistyczna Co to jest regresja logistyczna? Regresja logistyczna pozwala

Bardziej szczegółowo

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega

Bardziej szczegółowo

1. Koło Naukowe Metod Ilościowych,zwane dalej KNMI, jest Uczelnianą Organizacją Studencką Uniwersytetu Szczecińskiego.

1. Koło Naukowe Metod Ilościowych,zwane dalej KNMI, jest Uczelnianą Organizacją Studencką Uniwersytetu Szczecińskiego. STATUT KOŁA NAUKOWEGO METOD ILOŚCIOWYCH działającego przy Katedrze Statystyki i Ekonometrii Wydziału Nauk Ekonomicznych i Zarządzania Uniwersytetu Szczecińskiego I. Postanowienia ogólne. 1. Koło Naukowe

Bardziej szczegółowo

Cel modelowania neuronów realistycznych biologicznie:

Cel modelowania neuronów realistycznych biologicznie: Sieci neuropodobne XI, modelowanie neuronów biologicznie realistycznych 1 Cel modelowania neuronów realistycznych biologicznie: testowanie hipotez biologicznych i fizjologicznych eksperymenty na modelach

Bardziej szczegółowo

Oferty portalu. Statystyki wejść w oferty wózków widłowych na tle ofert portalu w latach 2011-2014 oraz I kw.2015 r. 2011 2012 2013 2014 I kw.

Oferty portalu. Statystyki wejść w oferty wózków widłowych na tle ofert portalu w latach 2011-2014 oraz I kw.2015 r. 2011 2012 2013 2014 I kw. 1 kwartał 215 rok Oferty portalu Dane na przedstawionym wykresie pokazują kolejne etapy wzrostu zainteresowania ofertami, które publikowane są na portalu. W 214 roku, w stosunku do pierwszego roku działalności

Bardziej szczegółowo

ANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15

ANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15 ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku

Bardziej szczegółowo

Promocja i identyfikacja wizualna projektów współfinansowanych ze środków Europejskiego Funduszu Społecznego

Promocja i identyfikacja wizualna projektów współfinansowanych ze środków Europejskiego Funduszu Społecznego Promocja i identyfikacja wizualna projektów współfinansowanych ze środków Europejskiego Funduszu Społecznego Białystok, 19 grudzień 2012 r. Seminarium współfinansowane ze środków Unii Europejskiej w ramach

Bardziej szczegółowo

SPRAWOZDANIE MERYTORYCZNE. z wykonanego zadania na rzecz postępu biologicznego w produkcji zwierzęcej

SPRAWOZDANIE MERYTORYCZNE. z wykonanego zadania na rzecz postępu biologicznego w produkcji zwierzęcej SPRAWOZDANIE MERYTORYCZNE z wykonanego zadania na rzecz postępu biologicznego w produkcji zwierzęcej zrealizowanego na podstawie decyzji Ministra Rolnictwa i Rozwoju Wsi nr 43/2015, znak: ŻWeoz/ek-8628-62/2015(3181),

Bardziej szczegółowo

MODEL ŚRODOWISKA WIELOAGENTOWEGO W NEUROEWOLUCYJNYM STEROWANIU STATKIEM

MODEL ŚRODOWISKA WIELOAGENTOWEGO W NEUROEWOLUCYJNYM STEROWANIU STATKIEM Mirosław Łącki Akademia Morska w Gdyni MODEL ŚRODOWISKA WIELOAGENTOWEGO W NEUROEWOLUCYJNYM STEROWANIU STATKIEM W artykule tym przedstawiono propozycję użycia neuroewolucyjnego systemu wieloagentowego do

Bardziej szczegółowo

Baza danych - Access. 2 Budowa bazy danych

Baza danych - Access. 2 Budowa bazy danych Baza danych - Access 1 Baza danych Jest to zbiór danych zapisanych zgodnie z okre±lonymi reguªami. W w»szym znaczeniu obejmuje dane cyfrowe gromadzone zgodnie z zasadami przyj tymi dla danego programu

Bardziej szczegółowo

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

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica. Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural

Bardziej szczegółowo

Gruntowy wymiennik ciepła PROVENT- GEO

Gruntowy wymiennik ciepła PROVENT- GEO Gruntowy wymiennik ciepła PROVENT- GEO Bezprzeponowy Płytowy Gruntowy Wymiennik Ciepła PROVENT-GEO to unikatowe, oryginalne rozwiązanie umożliwiające pozyskanie zawartego gruncie chłodu latem oraz ciepła

Bardziej szczegółowo

Sanden Manufacturing Poland Sp. z o.o.

Sanden Manufacturing Poland Sp. z o.o. Sanden Manufacturing Poland Sp. z o.o. Prezentacja projektu Wprowadzenie innowacyjnych technologii w produkcji kompresorów Sanden Manufacturing Poland Sp. z o.o. Let us develop with wisdom and prosper

Bardziej szczegółowo

Wykªad 10. Spis tre±ci. 1 Niesko«czona studnia potencjaªu. Fizyka 2 (Informatyka - EEIiA 2006/07) c Mariusz Krasi«ski 2007

Wykªad 10. Spis tre±ci. 1 Niesko«czona studnia potencjaªu. Fizyka 2 (Informatyka - EEIiA 2006/07) c Mariusz Krasi«ski 2007 Wykªad 10 Fizyka 2 (Informatyka - EEIiA 2006/07) 08 05 2007 c Mariusz Krasi«ski 2007 Spis tre±ci 1 Niesko«czona studnia potencjaªu 1 2 Laser 3 2.1 Emisja spontaniczna...........................................

Bardziej szczegółowo

Analiza i prognozowanie poziomu zachorowań na grypę

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

Bardziej szczegółowo

Specyfikacja techniczna banerów Flash

Specyfikacja techniczna banerów Flash Specyfikacja techniczna banerów Flash Po stworzeniu własnego banera reklamowego należy dodać kilka elementów umożliwiających integrację z systemem wyświetlającym i śledzącym reklamy na stronie www. Specyfikacje

Bardziej szczegółowo

Programowanie i struktury danych 1 / 44

Programowanie i struktury danych 1 / 44 Programowanie i struktury danych 1 / 44 Lista dwukierunkowa Lista dwukierunkowa to liniowa struktura danych skªadaj ca si z ci gu elementów, z których ka»dy pami ta swojego nast pnika i poprzednika. Operacje

Bardziej szczegółowo

Nowości w module: BI, w wersji 9.0

Nowości w module: BI, w wersji 9.0 Nowości w module: BI, w wersji 9.0 Copyright 1997-2009 COMARCH S.A. Spis treści Wstęp... 3 Obszary analityczne... 3 1. Nowa kostka CRM... 3 2. Zmiany w obszarze: Księgowość... 4 3. Analizy Data Mining...

Bardziej szczegółowo

Idea i Projekt Sieci Najciekawszych Wsi

Idea i Projekt Sieci Najciekawszych Wsi Idea i Projekt Sieci Najciekawszych Wsi INSPIRACJA: Sieci Najpiękniejszych Wsi Francja, Walonia, Włochy, Quebek, Japonia, Hiszpania, Rumunia, Saksonia) INSPIRACJA: SIEĆ NAJPIĘKNIEJSZYCH WSI Francji Ochrona

Bardziej szczegółowo

OBSZAR BADAŃ ROK 2000 ROK 2005 ZMIANY

OBSZAR BADAŃ ROK 2000 ROK 2005 ZMIANY Prezydent Miasta Legionowo zamówił badania dotyczące postaw młodzieży legionowskiej wobec uzależnień. Koordynatorem tego projektu jest Referat Zdrowia Publicznego i Spraw Społecznych. Badań dokonała Pracownia

Bardziej szczegółowo

Teorie handlu. Teoria cyklu życia produktu Vernona

Teorie handlu. Teoria cyklu życia produktu Vernona Teorie handlu Teoria cyklu życia produktu Vernona Teoria cyklu życia produktu Zgodnie z tą teorią lokalizacja produkcji zmienia się z jednych krajów na inne; Zmiany te zależą od poziomu rozwoju kraju i

Bardziej szczegółowo

SIECI RBF (RADIAL BASIS FUNCTIONS)

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

Bardziej szczegółowo

... Ireneusz Mrozek. Wydział Informatyki

... Ireneusz Mrozek. Wydział Informatyki Ireneusz Mrozek Wydział Informatyki Proces wykonujcy si program Proces jednostka pracy systemu zarzdzan przez system operacyjny. W skład procesu wchodz: - program; - dane - zawarto rejestrów, stosu; -

Bardziej szczegółowo

TYPY SZTUCZNYCH SIECI NEURONOWYCH U YWANYCH JAKO NARZ DZIE PROGNOZY W PROCESACH ZARZ DZANIA

TYPY SZTUCZNYCH SIECI NEURONOWYCH U YWANYCH JAKO NARZ DZIE PROGNOZY W PROCESACH ZARZ DZANIA TYPY SZTUCZNYCH SIECI NEURONOWYCH U YWANYCH JAKO NARZ DZIE PROGNOZY W PROCESACH ZARZ DZANIA MATEUSZ DUDZIC Uniwersytet Szczeci ski Streszczenie Celem tego artykułu jest przedstawienie architektur sztucznych

Bardziej szczegółowo

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

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne

Bardziej szczegółowo

Optymalizacja R dlaczego warto przesi ± si na Linuxa?

Optymalizacja R dlaczego warto przesi ± si na Linuxa? Optymalizacja R dlaczego warto przesi ± si na Linuxa? 19 listopada 2014 Wi cej informacji, wraz z dodatkowymi materiaªami mo»na znale¹ w repozytorium na GitHubie pod adresem https://github.com/zzawadz/

Bardziej szczegółowo

zone ATMS.zone Profesjonalny system analizy i rejestracji czas pracy oraz kontroli dostępu

zone ATMS.zone Profesjonalny system analizy i rejestracji czas pracy oraz kontroli dostępu zone ATMS.zone Profesjonalny system analizy i rejestracji czas pracy oraz kontroli dostępu zone ATMS.zone To profesjonalny system analizy i rejestracji czasu pracy oraz kontroli dostępu. Stworzony został

Bardziej szczegółowo

Entropia Renyi ego, estymacja gęstości i klasyfikacja

Entropia Renyi ego, estymacja gęstości i klasyfikacja Entropia Renyi ego, estymacja gęstości i klasyfikacja Wojciech Czarnecki Jacek Tabor 6 lutego 2014 1 / Wojciech Czarnecki, Jacek Tabor Renyi s Multithreshold Linear Classifier 1/36 36 2 / Wojciech Czarnecki,

Bardziej szczegółowo

Szóstoklasisto! 1. Z urzędu do gimnazjum przyjmowani są absolwenci szkół podstawowych zamieszkali w obwodzie danego gimnazjum.

Szóstoklasisto! 1. Z urzędu do gimnazjum przyjmowani są absolwenci szkół podstawowych zamieszkali w obwodzie danego gimnazjum. Szóstoklasisto! Wkrótce kończysz szkołę podstawową, a więc musisz wybrać gimnazjum, w którym będziesz kontynuować naukę. Pamiętaj, że masz zapewnione miejsce w swoim gimnazjum rejonowym. Musisz jednak

Bardziej szczegółowo

Zarządzanie projektami. wykład 1 dr inż. Agata Klaus-Rosińska

Zarządzanie projektami. wykład 1 dr inż. Agata Klaus-Rosińska Zarządzanie projektami wykład 1 dr inż. Agata Klaus-Rosińska 1 DEFINICJA PROJEKTU Zbiór działań podejmowanych dla zrealizowania określonego celu i uzyskania konkretnego, wymiernego rezultatu produkt projektu

Bardziej szczegółowo

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

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

Bardziej szczegółowo

1. Reforma procesu kształcenia jako filar linii programowej PSRP

1. Reforma procesu kształcenia jako filar linii programowej PSRP 1. Reforma procesu kształcenia jako filar linii programowej PSRP Stanowisko PSRP w sprawie pilnego nadania priorytetu pracom nad Krajową Ramą Kwalifikacji (marzec 2009) Wystąpienie Przewodniczącego PSRP

Bardziej szczegółowo

Szczegółowe informacje na temat gumy, rodzajów gumy oraz jej produkcji można znaleźć w Wikipedii pod adresem:

Szczegółowe informacje na temat gumy, rodzajów gumy oraz jej produkcji można znaleźć w Wikipedii pod adresem: GUMA. To rozciągliwy materiał, elastomer chemicznie zbudowany z alifatycznych łańcuchów polimerowych (np. poliolefin), które są w stosunkowo niewielkim stopniu usieciowane w procesie wulkanizacji kauczuku

Bardziej szczegółowo

newss.pl Expander: Bilans kredytów we frankach

newss.pl Expander: Bilans kredytów we frankach Listopadowi kredytobiorcy mogą już cieszyć się spadkiem raty, najwięcej tracą osoby, które zadłużyły się w sierpniu 2008 r. Rata kredytu we frankach na kwotę 300 tys. zł zaciągniętego w sierpniu 2008 r.

Bardziej szczegółowo

WWK-951. Programowany elektronicznie wzmacniacz wielowejciowy. Instrukcja obsługi IO-7538-314-01; 2713-2902- GZT TELKOM-TELMOR Sp. z o.o.

WWK-951. Programowany elektronicznie wzmacniacz wielowejciowy. Instrukcja obsługi IO-7538-314-01; 2713-2902- GZT TELKOM-TELMOR Sp. z o.o. Programowany elektronicznie wzmacniacz wielowejciowy WWK-951 Instrukcja obsługi GZT TELKOM-TELMOR Sp. z o.o. Spis ul. Mickiewicza treci 5/7 80-425 Gdask Spis Infolinia: treci 0801 011 3111 e-mail: handlowy@telmor.pl,

Bardziej szczegółowo

Robotyka mobilna. Architektury sterowania w robotyce. Dariusz Pazderski 1. 2 pa¹dziernika 2015. Wykªady z robotyki mobilnej studia niestacjonarne

Robotyka mobilna. Architektury sterowania w robotyce. Dariusz Pazderski 1. 2 pa¹dziernika 2015. Wykªady z robotyki mobilnej studia niestacjonarne Robotyka mobilna Architektury sterowania w robotyce Dariusz Pazderski 1 1 Katedra Sterowania i In»ynierii Systemów, Politechnika Pozna«ska 2 pa¹dziernika 2015 Wprowadzenie Paradygmaty sterowania w robotyce

Bardziej szczegółowo

Zastosowania matematyki

Zastosowania matematyki Zastosowania matematyki Monika Bartkiewicz 1 / 126 ...czy«cie dobrze i po»yczajcie niczego si nie spodziewaj c(šk. 6,34-35) Zagadnienie pobierania procentu jest tak stare jak gospodarka pieni»na. Procent

Bardziej szczegółowo

Sztuczna sieć neuronowa wspomagająca proces decyzji inwestowania w akcje na giełdzie w ujęciu kwartalnym na przykładzie hipotetycznych danych

Sztuczna sieć neuronowa wspomagająca proces decyzji inwestowania w akcje na giełdzie w ujęciu kwartalnym na przykładzie hipotetycznych danych Marcin HALICKI, Tadeusz KWATER Uniwersytet Rzeszowski, Polska Sztuczna sieć neuronowa wspomagająca proces decyzji inwestowania w akcje na giełdzie w ujęciu kwartalnym na przykładzie hipotetycznych danych

Bardziej szczegółowo

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie

Bardziej szczegółowo

Strategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania).

Strategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania). Strategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania). W momencie gdy jesteś studentem lub świeżym absolwentem to znajdujesz się w dobrym momencie, aby rozpocząć planowanie swojej ścieżki

Bardziej szczegółowo

Jak Polacy podchodz do funduszy inwestycyjnych?

Jak Polacy podchodz do funduszy inwestycyjnych? Jak Polacy podchodz do funduszy inwestycyjnych? Podsumowanie badania Polska zrealizowanego przez Instytut Homo Homini wrzesie 2014 Ilu Polaków inwestuje w fundusze? 14% Polaków posiada jednostki funduszy

Bardziej szczegółowo

STATUT KOŁA NAUKOWEGO KLUB INWESTORA

STATUT KOŁA NAUKOWEGO KLUB INWESTORA STATUT KOŁA NAUKOWEGO KLUB INWESTORA 1 I. Postanowienia ogólne 1. Koło Naukowe KLUB INWESTORA, zwane dalej Kołem Naukowym, jest jednostką Samorządu Studenckiego działającą przy Wydziale Finansów i Bankowości

Bardziej szczegółowo

Bazy danych Podstawy teoretyczne

Bazy danych Podstawy teoretyczne Pojcia podstawowe Baza Danych jest to zbiór danych o okrelonej strukturze zapisany w nieulotnej pamici, mogcy zaspokoi potrzeby wielu u!ytkowników korzystajcych z niego w sposóbs selektywny w dogodnym

Bardziej szczegółowo

Politechnika Warszawska Wydział Matematyki i Nauk Informacyjnych ul. Koszykowa 75, 00-662 Warszawa

Politechnika Warszawska Wydział Matematyki i Nauk Informacyjnych ul. Koszykowa 75, 00-662 Warszawa Zamawiający: Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej 00-662 Warszawa, ul. Koszykowa 75 Przedmiot zamówienia: Produkcja Interaktywnej gry matematycznej Nr postępowania: WMiNI-39/44/AM/13

Bardziej szczegółowo

Statystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW

Statystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest

Bardziej szczegółowo

FER.042.5.2015/M.Sobczyk

FER.042.5.2015/M.Sobczyk FER.042.5.2015 Częstochowa, 29.01.2015 r. Zapytanie ofertowe ( wartość do 30 000 ) W związku z realizacją projektu Złap staż, Program Operacyjny Kapitał Ludzki 2007 2013, Priorytet IX. Rozwój wykształcenia

Bardziej szczegółowo

LASERY I ICH ZASTOSOWANIE

LASERY I ICH ZASTOSOWANIE LASERY CH ZASTOSOWANE Laboratorium nstrukcja do ćwiczenia nr Temat: Pomiar mocy wiązki laserowej 3. POMAR MOCY WĄZK LASEROWEJ LASERA He - Ne 3.1. Cel ćwiczenia. Celem ćwiczenia jest zapoznanie się z metodą

Bardziej szczegółowo

ELEMENTY I UKŁADY PNEUMATYKI I HYDRAULIKI

ELEMENTY I UKŁADY PNEUMATYKI I HYDRAULIKI Ćwiczenie 18 ELEMENTY I UKŁADY PNEUMATYKI I HYDRAULIKI 1. Wstęp W różnego rodzaju maszynach produkcyjnych wyszczególnić można zasadniczo trzy rodzaje napędów: elektryczne, pneumatyczne i hydrauliczne.

Bardziej szczegółowo

ZAPYTANIE OFERTOWE. Tłumaczenie pisemne dokumentacji rejestracyjnej ZAPYTANIE OFERTOWE

ZAPYTANIE OFERTOWE. Tłumaczenie pisemne dokumentacji rejestracyjnej ZAPYTANIE OFERTOWE ZAPYTANIE OFERTOWE Tłumaczenie pisemne dokumentacji rejestracyjnej Biofarm sp. z o.o. ul. Wałbrzyska 13 60-198 Poznań Poznań, 09 grudnia 2015r. ZAPYTANIE OFERTOWE I. Nazwa i adres Zamawiającego: Biofarm

Bardziej szczegółowo

Program do konwersji obrazu na cig zero-jedynkowy

Program 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 szczegółowo

Szkolenie przeznaczone jest dla specjalistów IT, czujących powołanie (lub przymus sytuacyjny) do edukacji swoich kolegów.

Szkolenie przeznaczone jest dla specjalistów IT, czujących powołanie (lub przymus sytuacyjny) do edukacji swoich kolegów. Kod szkolenia: Tytuł szkolenia: TTT Train The Trainer Dni: 2 Opis: Adresaci szkolenia Szkolenie przeznaczone jest dla specjalistów IT, czujących powołanie (lub przymus sytuacyjny) do edukacji swoich kolegów.

Bardziej szczegółowo

Zaproszenie. Ocena efektywności projektów inwestycyjnych. Modelowanie procesów EFI. Jerzy T. Skrzypek Kraków 2013 Jerzy T.

Zaproszenie. Ocena efektywności projektów inwestycyjnych. Modelowanie procesów EFI. Jerzy T. Skrzypek Kraków 2013 Jerzy T. 1 1 Ocena efektywności projektów inwestycyjnych Ocena efektywności projektów inwestycyjnych Jerzy T. Skrzypek Kraków 2013 Jerzy T. Skrzypek MODEL NAJLEPSZYCH PRAKTYK SYMULACJE KOMPUTEROWE Kraków 2011 Zaproszenie

Bardziej szczegółowo

2010 W. W. Norton & Company, Inc. Nadwyżka Konsumenta

2010 W. W. Norton & Company, Inc. Nadwyżka Konsumenta 2010 W. W. Norton & Company, Inc. Nadwyżka Konsumenta Pieniężny Pomiar Korzyści z Handlu Możesz kupić tyle benzyny ile chcesz, po cenie 2zł za litr. Jaka jest najwyższa cena, jaką zapłacisz za 1 litr benzyny?

Bardziej szczegółowo

GŁÓWNY URZĄD STATYSTYCZNY Notatka informacyjna Warszawa 5.10.2015 r.

GŁÓWNY URZĄD STATYSTYCZNY Notatka informacyjna Warszawa 5.10.2015 r. GŁÓWNY URZĄD STATYSTYCZNY Notatka informacyjna Warszawa 5.10.2015 r. Informacja o rozmiarach i kierunkach czasowej emigracji z Polski w latach 2004 2014 Wprowadzenie Prezentowane dane dotyczą szacunkowej

Bardziej szczegółowo

PLD Linux Day. Maciej Kalkowski. 11 marca 2006. Wydziaª Matematyki i Informatyki UAM

PLD Linux Day. Maciej Kalkowski. 11 marca 2006. Wydziaª Matematyki i Informatyki UAM Wydziaª Matematyki i Informatyki UAM 11 marca 2006 Nasz nagªówek Wprowadzenie Co to jest klaster? Wprowadzenie Co to jest klaster? Podziaª ze wzgl du na przeznaczenie: Wprowadzenie Co to jest klaster?

Bardziej szczegółowo

Ewaluacja projektu szkoleniowego Międzykulturowe ABC

Ewaluacja projektu szkoleniowego Międzykulturowe ABC 1. Definicja obiektu 2. Cele ewaluacji 3. Zakres przedmiotowy 4.Zakres czasowy Szkolenia dla 50 urzędników zatrudnionych w różnych departamentach i wydziałach Urzędu Miasta Lublina, obecnie lub w przyszłości

Bardziej szczegółowo

Laboratorium z Konwersji Energii. Ogniwo fotowoltaiczne

Laboratorium z Konwersji Energii. Ogniwo fotowoltaiczne Laboratorium z Konwersji Energii Ogniwo fotowoltaiczne 1.0 WSTĘP Energia słoneczna jest energią reakcji termojądrowych zachodzących w olbrzymiej odległości od Ziemi. Zachodzące na Słońcu przemiany helu

Bardziej szczegółowo

Infrastruktura krytyczna dużych aglomeracji miejskich wyznaczanie kierunków i diagnozowanie ograniczeńjako wynik szacowania ryzyka

Infrastruktura krytyczna dużych aglomeracji miejskich wyznaczanie kierunków i diagnozowanie ograniczeńjako wynik szacowania ryzyka Infrastruktura krytyczna dużych aglomeracji miejskich wyznaczanie kierunków i diagnozowanie ograniczeńjako wynik szacowania ryzyka mł. insp. dr hab. Agata Tyburska Zakład Zarządzania Kryzysowego Wyższa

Bardziej szczegółowo

Przedmiotowy System Oceniania z języka angielskiego w klasach IV-VI. Szkoła Podstawowa nr 5 im. Bohaterów 12 Kołobrzeskiego Pułku Piechoty

Przedmiotowy System Oceniania z języka angielskiego w klasach IV-VI. Szkoła Podstawowa nr 5 im. Bohaterów 12 Kołobrzeskiego Pułku Piechoty Założenia ogólne: Przedmiotowy System Oceniania z języka angielskiego w klasach IV-VI Ocenianie ucznia ma na celu: 1. Informowanie ucznia o poziomie jego osiągnięć edukacyjnych i postępach w tym zakresie;

Bardziej szczegółowo

Przyrostowe uczenie sieci neuronowych w grze w go

Przyrostowe uczenie sieci neuronowych w grze w go Przyrostowe uczenie sieci neuronowych w grze w go opieka prof. nzw. dr hab. Jacek Mańdziuk Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Seminarium z Metod Inteligencji Obliczeniowej

Bardziej szczegółowo

III. GOSPODARSTWA DOMOWE, RODZINY I GOSPODARSTWA ZBIOROWE

III. GOSPODARSTWA DOMOWE, RODZINY I GOSPODARSTWA ZBIOROWE III. GOSPODARSTWA DOMOWE, RODZINY I GOSPODARSTWA ZBIOROWE 1. GOSPODARSTWA DOMOWE I RODZINY W województwie łódzkim w maju 2002 r. w skład gospodarstw domowych wchodziło 2587,9 tys. osób. Stanowiły one 99,0%

Bardziej szczegółowo

Komputerowa Ksiga Podatkowa Wersja 11.4 ZAKOCZENIE ROKU

Komputerowa Ksiga Podatkowa Wersja 11.4 ZAKOCZENIE ROKU Komputerowa Ksiga Podatkowa Wersja 11.4 ZAKOCZENIE ROKU Przed przystpieniem do liczenia deklaracji PIT-36, PIT-37, PIT-O i zestawienia PIT-D naley zapozna si z objanieniami do powyszych deklaracji. Uwaga:

Bardziej szczegółowo

Co to jest TPM? TPM (Total Productive Maintenance) to zaawansowana metoda zarządzania

Co to jest TPM? TPM (Total Productive Maintenance) to zaawansowana metoda zarządzania Co to jest TPM? TPM (Total Productive Maintenance) to zaawansowana metoda zarządzania przedsiębiorstwem, które posiada zaawansowane technologicznie linie produkcyjne. TPM promuje tworzenie kultury organizacyjnej

Bardziej szczegółowo

4.3. Warunki życia Katarzyna Gorczyca

4.3. Warunki życia Katarzyna Gorczyca 4.3. Warunki życia Katarzyna Gorczyca [w] Małe i średnie w policentrycznym rozwoju Polski, G.Korzeniak (red), Instytut Rozwoju Miast, Kraków 2014, str. 88-96 W publikacji zostały zaprezentowane wyniki

Bardziej szczegółowo

Ranking zawodów deficytowych i nadwyżkowych w powiecie strzelińskim w roku 2009

Ranking zawodów deficytowych i nadwyżkowych w powiecie strzelińskim w roku 2009 POWIATOWY URZĄD PRACY w STRZELINIE ul. Kamienna 10, 57-100 Strzelin tel/fax(071) 39-21-981, e-mail wrst@praca.gov.pl Ranking zawodów deficytowych i nadwyżkowych w powiecie strzelińskim w roku 2009 część

Bardziej szczegółowo