Podobieństwo semantyczne w ontologiach biomedycznych
|
|
- Patryk Jacek Borkowski
- 7 lat temu
- Przeglądów:
Transkrypt
1 Podobieństwo semantyczne w ontologiach biomedycznych Bogumił Konopka Politechnika Wrocławska Wydział Podstawowych Problemów Techniki Instytut Inżynierii Biomedycznej i Pomiarowej KN Bio Nanopor
2 Plan prezentacji Wstęp definicje GO (gene ontology) Przykład ontologii Miary podobieństwa semantycznego Porównywanie terminów Porównywanie zbiorów terminów Ocena poprawności Ontologia Podobieństwo semantyczne Przykłady zastosowań
3 Wstęp Ontologia Ontologia [gr. on óntos będący, byt, óntos on rzeczywiście będący, istniejący, lógos słowo, nauka, teoria ], filozficzna nauka o bycie; w sensie pierwotnym termin używany od XVII w. (J. Clauberg, Ch. Wolff) zamiennie ze starszą nazwą metafizyka; odnosi się do arystotelesowskiej filozofii pierwszej jako do nauki o bycie jako bycie, następnie do kontynuacji jej rozważań w teorii bytu, zajmującej się bytem w jego naturze powszechnym; Encyklopedia PWN Ontologia od lat 70 tych XX w. jest terminem wykorzystywanym w informatyce.
4 Wstęp ontologia Ontologia w informatyce wykorzystuje: Kategoryzację przyporządkowanie obiektu do określonej klasy obiektów (na podstawie cech) Hierarchizację klasy umiejscowione są w hierarchicznej strukturze. Klasy dziedziczą cechy z klas nadrzędnych. Ontologia słownik, zbiór powiązanych terminów
5 Wstęp ontologia
6 Wstęp podobieństwo semantyczne Semantyka językoznawcza nauka o znaczeniu wyrazów
7 Wstęp podobieństwo semantyczne Semantyka językoznawcza nauka o znaczeniu wyrazów Podobieństwo semantyczne podobieństwo znaczenia
8 Gene Ontology GO Cel Standaryzacja opisu genów oraz białek Zadania Tworzenie i kontrola słownika wyrażeń Opisywanie obiektów Dostarczenie narzędzi do przetwarzania zgromadzonych danych Struktura Molecular function (8660) Biological Process (17893) Cellular Component (2625)
9 Gene Ontology GO
10 Gene Ontology GO
11 Gene Ontology GO
12 Gene Ontology GO
13 Gene Ontology GO
14 Gene Ontology GO
15 Gene Ontology GO Opisywany obiekt: 2he4A > Q15599 Molecular function Biological Process Cellular Component GO: GO: GO: GO: GO: GO: GO: GO: GO: GO: GO:
16 Gene Ontology GO Opisywany obiekt: 2he4A > Q15599 Molecular function protein binding protein C terminus binding channel regulator activity Biological Process protein complex assembly inner ear development Cellular Component nucleus cytoplasm plasma membrane membrane apical plasma membrane extrinsic to membrane
17 Miary podobieństwa semantycznego
18 Miary podobieństwa semantycznego
19 Miary podobieństwa semantycznego
20 Miary podobieństwa semantycznego
21 Miary bazujące na krawędziach Metody mierzące odległość pomiędzy terminami Metody mierzące wspólną drogę do korzenia drzewa
22 Miary bazujące na krawędziach Metody mierzące odległość pomiędzy terminami Metody mierzące wspólną drogę do korzenia drzewa
23 Miary bazujące na krawędziach Metody mierzące odległość pomiędzy terminami Metody mierzące wspólną drogę do korzenia drzewa
24 Miary bazujące na krawędziach Metody mierzące odległość pomiędzy terminami Metody mierzące wspólną drogę do korzenia drzewa
25 Miary bazujące na krawędziach Metody mierzące odległość pomiędzy terminami Metody mierzące wspólną drogę do korzenia drzewa
26 Miary bazujące na krawędziach Zaleta bardzo intuicyjne, zbliżone do sposobu wnioskowania ludzi Podstawowe założenia: Węzły i krawędzie są rozmieszczone równomiernie Krawędzie na tym samym poziomie w grafie odpowiadają tej samej odległości semantycznej (znaczeniowej)
27 Miary bazujące na węzłach
28 Miary bazujące na węzłach Wykorzystują właściwości porównywanych terminów, terminów poprzedzających ( przodków ) lub terminów następujących ( dzieci ). Np. Information Content IC (informatywność) IC= log p c p(c) prawdopodobieństwo wystąpienia terminu c w określonej bazie p (c) oblicza się jako częstotliwość przypisań danego terminu; IC oblicza się również wykorzystując liczbę dzieci terminu;
29 Miary bazujące na węzłach Wykorzystują właściwości porównywanych terminów, terminów poprzedzających ( przodków ) lub terminów następujących ( dzieci ). Np. Information Content IC (informatywność) IC= log p c p(c) prawdopodobieństwo wystąpienia terminu c w określonej bazie p (c) oblicza się jako częstotliwość przypisań danego terminu; IC oblicza się również wykorzystując liczbę dzieci terminu;
30 Miary bazujące na węzłach MICA (Most Informative Common Ancestor) DCA (Disjoint Common Ancestor)
31 Miary bazujące na węzłach MICA (Most Informative Common Ancestor) DCA (Disjoint Common Ancestor)
32 Miary bazujące na węzłach Najbardziej popularne miary podobieństwa semantycznego korzystające z IC. Resnik sim Res c 1, c 2 = IC c MICA Lin Jian & Conrath sim JC c 1, c 2 =1 IC c 1 IC c 2 2xIC c MICA Schlicker 2xIC c MCIA sim Lin c 1, c 2 = IC c 1 IC c 2 sim Rel c 1, c 2 =sim Lin c 1, c2 x 1 p c A Cx termin x p(ca)- prawdopodobieństwo wystąpienia danego przodka w bazie (A -> Ancestor)
33 Miary bazujące na węzłach Zalety metod korzystających z IC: Mniej wrażliwe na zmienną odległość znaczeniową pomiędzy terminami Mniej wrażliwe na nierównomierny rozkład terminów w grafie Wady: Na częstotliwość przypisywania danego terminu mają wpływ trendy w nauce
34 Porównywanie zbiorów terminów
35 Porównywanie zbiorów terminów Porównywanie parami: Wszystkie pary Najlepsze pary Metody łączenia wyników: Średnia Maksimum Suma GO: GO: GO: GO:
36 Porównywanie zbiorów terminów
37 Porównywanie zbiorów terminów Najlepsze rozwiązanie porównywania zbirów to średnia z najlepiej pasujących par. wypośrodkowanie pomiędzy metodami wykorzystującymi maksimum, a uśredniającymi
38 Porównywanie zbiorów terminów Najlepsze rozwiązanie porównywania zbirów to średnia z najlepiej pasujących par. wypośrodkowanie pomiędzy metodami wykorzystującymi maksimum, a uśredniającymi GO: GO: GO: GO:
39 Ocena poprawności miary Nie ma obiektywnego punktu odniesienia. Można wykorzystywać inne właściwości, aby ocenić stopień podobieństwa: Podobieństwo sekwencji aminokwasowej korelacja (ograniczenie do noniea) Ekseprymenty ekspresji genów korelacja Wyniki klasyfikacji białek... IEA Inferred Electronically Annotation
40 Ocena poprawności miary Żadna z metod opisanych w literaturze nie została uznana za najlepszą Skuteczność metod zmienia się w zależności od: Pierwotnego przeznaczenia Bazy danych Stosowanej miary skuteczności
41 Zastosowania Ocena skuteczności metod przewidywania funkcji białek Przewidywanie odziaływań białko białko Przewidywanie lokalizacji białka Ocena istotność powiązań pomiędzy koekspresjonowanymi genami...
42 Bibligrafia Semantic Similarity in Biomedical Ontologies, C. Pesquita, D. Faria, A. O. Falca, P. Lord, F. M. Couto, PLOS Computational Biology, July 2009, vol. 5, Iss. 7 A new method to measure the semantic similarity of GO terms, J. Z. Wang, Z. Du, R. Payattakool, P. S. Yu and Chin Fu Chen, Bioinformatics, Vol. 23 no , p SESAME Zdjęcia strona tytułowa:
Ocena jakości modeli strukturalnych białek w oparciu o podobieństwo strukturalne i semantyczny opis funkcji w ontologii GO
Ocena jakości modeli strukturalnych białek w oparciu o podobieństwo strukturalne i semantyczny opis funkcji w ontologii GO Bogumil Konopka 1, Jean-Christophe Nebel 2, Malgorzata Kotulska 1 * 1 Politechnika
Bardziej szczegółowoOntologie, czyli o inteligentnych danych
1 Ontologie, czyli o inteligentnych danych Bożena Deka Andrzej Tolarczyk PLAN 2 1. Korzenie filozoficzne 2. Ontologia w informatyce Ontologie a bazy danych Sieć Semantyczna Inteligentne dane 3. Zastosowania
Bardziej szczegółowoReprezentacja wiedzy ontologie, logiki deskrypcyjne
Reprezentacja wiedzy ontologie, logiki deskrypcyjne Agnieszka Ławrynowicz 24 listopada 2016 Plan wykładu 1 Powtórka: sieci semantyczne, RDF 2 Definicja ontologii 3 Logiki deskrypcyjne Semantyczny Internet
Bardziej szczegółowoGrafy i sieci wybrane zagadnienia wykład 3: modele służące porównywaniu sieci
Grafy i sieci wybrane zagadnienia wykład 3: modele służące porównywaniu sieci prof. dr hab. inż. Marta Kasprzak Instytut Informatyki, Politechnika Poznańska Plan wykładu 1. Sieci jako modele interakcji
Bardziej szczegółowoEmotiWord, semantyczne powiązanie i podobieństwo, odległość znaczeniowa
, semantyczne powiązanie i podobieństwo, odległość Projekt przejściowy ARR Politechnika Wrocławska Wydział Elektroniki Wrocław, 22 października 2013 Spis treści 1 językowa 2, kryteria 3 Streszczenie artykułu
Bardziej szczegółowoKamila Muraszkowska Znaczenie wąskich gardeł w sieciach białkowych. źródło: (3)
Kamila Muraszkowska Znaczenie wąskich gardeł w sieciach białkowych źródło: (3) Interakcje białko-białko Ze względu na zadanie: strukturalne lub funkcjonalne. Ze względu na właściwości fizyczne: stałe lub
Bardziej szczegółowoPojęcia to. porównanie trzech sposobów ujmowania pojęć. Monika Marczak IP, UAM
Pojęcia to. porównanie trzech sposobów ujmowania pojęć Monika Marczak IP, UAM Takiego zwierzęcia nie ma?????????? Jeśli brakuje umysłowej reprezentacji pewnego fragmentu rzeczywistości, fragment ten dla
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
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 szczegółowoAnaliza zawartości dokumentów za pomocą probabilistycznych modeli graficznych
Analiza zawartości dokumentów za pomocą probabilistycznych modeli graficznych Probabilistic Topic Models Jakub M. TOMCZAK Politechnika Wrocławska, Instytut Informatyki 30.03.2011, Wrocław Plan 1. Wstęp
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoE: Rekonstrukcja ewolucji. Algorytmy filogenetyczne
E: Rekonstrukcja ewolucji. Algorytmy filogenetyczne Przypominajka: 152 drzewo filogenetyczne to drzewo, którego liśćmi są istniejące gatunki, a węzły wewnętrzne mają stopień większy niż jeden i reprezentują
Bardziej szczegółowoPOISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH
POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL
Bardziej szczegółowoBazy danych. dr inż. Andrzej Macioł
Bazy danych dr inż. Andrzej Macioł http://amber.zarz.agh.edu.pl/amaciol/ Ontologia Dziedzina metafizyki, która para się badaniem i wyjaśnianiem natury jak i kluczowych właściwości oraz relacji rządzących
Bardziej szczegółowoZagadnienia (1/3) Data-flow diagramy przepływów danych ERD diagramy związków encji Diagramy obiektowe w UML (ang. Unified Modeling Language)
Zagadnienia (1/3) Rola modelu systemu w procesie analizy wymagań (inżynierii wymagań) Prezentacja różnego rodzaju informacji o systemie w zależności od rodzaju modelu. Budowanie pełnego obrazu systemu
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 szczegółowoMetody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin. Henryk Bujak
Metody statystyczne wykorzystywane do oceny zróżnicowania kolekcji genowych roślin Henryk Bujak e-mail: h.bujak@ihar.edu.pl Ocena różnorodności fenotypowej Różnorodność fenotypowa kolekcji roślinnych zasobów
Bardziej szczegółowoParametryzacja obrazu na potrzeby algorytmów decyzyjnych
Parametryzacja obrazu na potrzeby algorytmów decyzyjnych Piotr Dalka Wprowadzenie Z reguły nie stosuje się podawania na wejście algorytmów decyzyjnych bezpośrednio wartości pikseli obrazu Obraz jest przekształcany
Bardziej szczegółowo1. KEGG 2. GO. 3. Klastry
ANALIZA DANYCH 1. Wykład wstępny 2. Charakterystyka danych 3. Analiza wstępna genomiczna charakterystyka cech 4. Prezentacje grup roboczych analiza wstępna 5. Prezentacje grup roboczych analiza wstępna
Bardziej szczegółowoBazy danych. dr inż. Andrzej Macioł
Bazy danych dr inż. Andrzej Macioł http://amber.zarz.agh.edu.pl/amaciol/ Ontologia Dziedzina metafizyki, która para się badaniem i wyjaśnianiem natury jak i kluczowych właściwości oraz relacji rządzących
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoAUTOMATYZACJA PROCESÓW CIĄGŁYCH I WSADOWYCH
AUTOMATYZACJA PROCESÓW CIĄGŁYCH I WSADOWYCH kierunek Automatyka i Robotyka Studia II stopnia specjalności Automatyka Dr inż. Zbigniew Ogonowski Instytut Automatyki, Politechnika Śląska Plan wykładu pojęcia
Bardziej szczegółowoDiagramy obiegu dokumentów a UML w modelowaniu procesów biznesowych. Stanisław Niepostyn, Ilona Bluemke Instytut Informatyki, Politechnika Warszawska
Diagramy obiegu dokumentów a UML w modelowaniu procesów biznesowych Stanisław Niepostyn, Ilona Bluemke Instytut Informatyki, Politechnika Warszawska Wprowadzenie Modelowanie biznesowe jest stykiem między
Bardziej szczegółowoKlasyfikacja metodą Bayesa
Klasyfikacja metodą Bayesa Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski warunkowe i bezwarunkowe 1. Klasyfikacja Bayesowska jest klasyfikacją statystyczną. Pozwala przewidzieć prawdopodobieństwo
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoTeoria grafów dla małolatów. Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska
Teoria grafów dla małolatów Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska Wstęp Matematyka to wiele różnych dyscyplin Bowiem świat jest bardzo skomplikowany wymaga rozważenia
Bardziej szczegółowoKARTA PRZEDMIOTU. (pieczęć wydziału)
(pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: Eksploracja danych w bioinformatyce 2. Kod przedmiotu: EksDaBio 3. Karta przedmiotu ważna od roku akademickiego: 2017/2018 4. Forma kształcenia:
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test
Bardziej szczegółowoCLUSTERING. Metody grupowania danych
CLUSTERING Metody grupowania danych Plan wykładu Wprowadzenie Dziedziny zastosowania Co to jest problem klastrowania? Problem wyszukiwania optymalnych klastrów Metody generowania: k centroidów (k - means
Bardziej szczegółowoPolitechnika Wrocławska, Katedra Inżynierii Biomedycznej Systemy Pomiarowo-Diagnostyczne, laboratorium
Politechnika Wrocławska, Katedra Inżynierii Biomedycznej Systemy Pomiarowo-Diagnostyczne, laboratorium Zajęcia wprowadzające 1. Cel ćwiczenia Przyswojenie podstawowych informacji dotyczących zasad tworzenia
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 szczegółowoEDU TALENT - serwis pomocy w pisaniu prac magisterskich i licencjackich dla studentów
Analiza filozoficzna księgi X (Iota) z Metafizyki Arystotelesa Filozofia arystotelejska zawsze była i zawsze będzie inspiracją dla kolejnych pokoleń filozofów. Zawiera ona wiele wskazówek nie tylko dla
Bardziej szczegółowokod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2
kod nr w planie ECTS Przedmiot studiów PODSTAWY STATYSTYKI 7 2 Kierunek Turystyka i Rekreacja Poziom kształcenia II stopień Rok/Semestr 1/2 Typ przedmiotu (obowiązkowy/fakultatywny) obowiązkowy y/ ćwiczenia
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoMotywacja. Do tej pory: Dzisiaj:
GENE SET ENRICHMENT Motywacja Do tej pory: Gen traktowany jest niezależnie Konieczna jest korekcja dla wielokrotnego testowania (FDR) Wynikowa lista interesujących genów jest zmienna Biologiczna interpretacja
Bardziej szczegółowoSpis treści. Dzień 1. I Wprowadzenie (wersja 0906) II Dostęp do danych bieżących specyfikacja OPC Data Access (wersja 0906) Kurs OPC S7
I Wprowadzenie (wersja 0906) Kurs OPC S7 Spis treści Dzień 1 I-3 O czym będziemy mówić? I-4 Typowe sytuacje I-5 Klasyczne podejście do komunikacji z urządzeniami automatyki I-6 Cechy podejścia dedykowanego
Bardziej szczegółowoMetodologia badań naukowych
Metodologia badań naukowych Cele zajęć: Nabycie umiejętności określania problemu badawczego i planowania badania Przyswojenie umiejętności z zakresu przygotowania i przeprowadzenia badania empirycznego
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoZagadnienia do próbnych matur z poziomu podstawowego.
Zagadnienia do próbnych matur z poziomu podstawowego. Wiadomości: 1. opisuje budowę i funkcje organizmu człowieka: a. opisuje budowę organizmu człowieka lub nazywa elementy budowy przedstawione na ilustracji,
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowoZARZĄDZANIE JAKOŚCIĄ Wykład: czas trwania: WYKŁAD I KWALITOLOGIA TEORIA JAKOŚCI. 15x45/10 ~ 67 minuty. czyli: 16:00 do 17:07
ZARZĄDZANIE JAKOŚCIĄ WYKŁAD I KWALITOLOGIA TEORIA JAKOŚCI Warunki zaliczenia: Wykład: czas trwania: 15x45/10 ~ 67 minuty UWAGA! Test końcowy (wiedza z wykładów test będzie przeprowadzony na jednym z ostatnich
Bardziej szczegółowoKurs Chemometrii Poznań 28 listopad 2006
Komisja Nauk Chemicznych Polskiej Akademii Nauk Oddział w Poznaniu Wydział Technologii Chemicznej Politechniki Poznańskiej w Poznaniu GlaxoSmithKline Pharmaceuticals S.A. w Poznaniu Stowarzyszenie ISPE
Bardziej szczegółowoGrupowanie Witold Andrzejewski, Politechnika Poznańska, Wydział Informatyki 201/633
Grupowanie Grupowanie 7 6 5 4 y 3 2 1 0-3 -2-1 0 1 2 3 4 5-1 -2-3 -4 x Witold Andrzejewski, Politechnika Poznańska, Wydział Informatyki 201/633 Wprowadzenie Celem procesu grupowania jest podział zbioru
Bardziej szczegółowoWyszukiwanie informacji w internecie. Nguyen Hung Son
Wyszukiwanie informacji w internecie Nguyen Hung Son Jak znaleźć informację w internecie? Wyszukiwarki internetowe: Potężne machiny wykorzystujące najnowsze metody z różnych dziedzin Architektura: trzy
Bardziej szczegółowoInformatyka w medycynie Punkt widzenia kardiologa
Informatyka w medycynie Punkt widzenia kardiologa Lech Poloński Mariusz Gąsior Informatyka medyczna Dział informatyki zajmujący się jej zastosowaniem w ochronie zdrowia (medycynie) Stymulacja rozwoju informatyki
Bardziej szczegółowoW2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Bardziej szczegółowoMatematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0
Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia
Bardziej szczegółowoGrafy Alberta-Barabasiego
Spis treści 2010-01-18 Spis treści 1 Spis treści 2 Wielkości charakterystyczne 3 Cechy 4 5 6 7 Wielkości charakterystyczne Wielkości charakterystyczne Rozkład stopnie wierzchołków P(deg(x) = k) Graf jest
Bardziej szczegółowoAlgorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych
Algorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych Rafał Walkowiak Politechnika Poznańska Studia inżynierskie Informatyka 2013/14 Znajdowanie maksimum w zbiorze
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowoTrafność czyli określanie obszaru zastosowania testu
Trafność czyli określanie obszaru zastosowania testu Trafność jest to dokładność z jaką test mierzy to, co ma mierzyć Trafność jest to stopień, w jakim test jest w stanie osiągnąć stawiane mu cele Trafność
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoEWA KRZYWICKA-BLUM, HALINA KLIMCZAK
ZASTOSOWANIE TAKSONOMII NUMERYCZNEJ W MODELOWANIU KARTOGRAFICZNYM ROZMIESZCZENIA OBSZARÓW O NIEKORZYSTNYCH WARUNKACH GOSPODAROWANIA W WOJEWÓDZTWIE DOLNOŚLĄSKIM EWA KRZYWICKA-BLUM, HALINA KLIMCZAK LOWER
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 9 Analiza skupień wielowymiarowa klasyfikacja obiektów Metoda, a właściwie to zbiór metod pozwalających na grupowanie obiektów pod względem wielu cech jednocześnie.
Bardziej szczegółowoRok akademicki: 2014/2015 Kod: EIB-2-206-BN-s Punkty ECTS: 3. Kierunek: Inżynieria Biomedyczna Specjalność: Bionanotechnologie
Nazwa modułu: Genetyka molekularna Rok akademicki: 2014/2015 Kod: EIB-2-206-BN-s Punkty ECTS: 3 Wydział: Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Kierunek: Inżynieria Biomedyczna
Bardziej szczegółowoRok akademicki: 2013/2014 Kod: ZIE n Punkty ECTS: 6. Poziom studiów: Studia I stopnia Forma i tryb studiów: -
Nazwa modułu: Statystyka opisowa i ekonomiczna Rok akademicki: 2013/2014 Kod: ZIE-1-205-n Punkty ECTS: 6 Wydział: Zarządzania Kierunek: Informatyka i Ekonometria Specjalność: - Poziom studiów: Studia I
Bardziej szczegółowoGenomika Porównawcza. Agnieszka Rakowska Instytut Informatyki i Matematyki Komputerowej Uniwersytet Jagiellooski
Genomika Porównawcza Agnieszka Rakowska Instytut Informatyki i Matematyki Komputerowej Uniwersytet Jagiellooski 1 Plan prezentacji 1. Rodzaje i budowa drzew filogenetycznych 2. Metody ukorzeniania drzewa
Bardziej szczegółowoModelowanie i Programowanie Obiektowe
Modelowanie i Programowanie Obiektowe Wykład I: Wstęp 20 październik 2012 Programowanie obiektowe Metodyka wytwarzania oprogramowania Metodyka Metodyka ustandaryzowane dla wybranego obszaru podejście do
Bardziej szczegółowoModelowanie sieci złożonych
Modelowanie sieci złożonych B. Wacław Instytut Fizyki UJ Czym są sieci złożone? wiele układów ma strukturę sieci: Internet, WWW, sieć cytowań, sieci komunikacyjne, społeczne itd. sieć = graf: węzły połączone
Bardziej szczegółowoElementy statystyki wielowymiarowej
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Elementy statystyki wielowymiarowej 1.1 Kowariancja i współczynnik korelacji 1.2 Macierz kowariancji 1.3 Dwumianowy rozkład normalny 1.4 Analiza składowych
Bardziej szczegółowoProblem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowoSTRESZCZENIE. rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne.
STRESZCZENIE rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne. Zasadniczym czynnikiem stanowiącym motywację dla podjętych w pracy rozważań
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
Bardziej szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Analiza składników podstawowych - wprowadzenie (Principal Components Analysis
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 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 szczegółowoNowe narzędzia zarządzania jakością
Nowe narzędzia zarządzania jakością Agnieszka Michalak 106947 Piotr Michalak 106928 Filip Najdek 106946 Co to jest? Nowe narzędzia jakości - grupa siedmiu nowych narzędzi zarządzania jakością, które mają
Bardziej szczegółowoHarmonogramowanie przedsięwzięć
Harmonogramowanie przedsięwzięć Mariusz Kaleta Instytut Automatyki i Informatyki Stosowanej Politechnika Warszawska luty 2014, Warszawa Politechnika Warszawska Harmonogramowanie przedsięwzięć 1 / 25 Wstęp
Bardziej szczegółowoWstęp do logiki. Kto jasno i konsekwentnie myśli, ściśle i z ładem się wyraża,
Prof. UAM, dr hab. Zbigniew Tworak Zakład Logiki i Metodologii Nauk Instytut Filozofii Wstęp do logiki Kto jasno i konsekwentnie myśli, ściśle i z ładem się wyraża, kto poprawnie wnioskuje i uzasadnia
Bardziej szczegółowoKurs OPC S7. Spis treści. Dzień 1. I OPC motywacja, zakres zastosowań, podstawowe pojęcia dostępne specyfikacje (wersja 1501)
Spis treści Dzień 1 I OPC motywacja, zakres zastosowań, podstawowe pojęcia dostępne specyfikacje (wersja 1501) I-3 O czym będziemy mówić? I-4 Typowe sytuacje I-5 Klasyczne podejście do komunikacji z urządzeniami
Bardziej szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
Bardziej szczegółowoModelowanie interakcji helis transmembranowych
Modelowanie interakcji helis transmembranowych Witold Dyrka, Jean-Christophe Nebel, Małgorzata Kotulska Instytut Inżynierii Biomedycznej i Pomiarowej, Politechnika Wrocławska Faculty of Computing, Information
Bardziej szczegółowoBazy danych. Zachodniopomorski Uniwersytet Technologiczny w Szczecinie. Wykład 3: Model związków encji.
Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Bazy danych Wykład 3: Model związków encji. dr inż. Magdalena Krakowiak makrakowiak@wi.zut.edu.pl Co to jest model związków encji? Model związków
Bardziej szczegółowoMetody analizy spójności i zgodności kolekcji dokumentów WWW
Metody analizy spójności i zgodności kolekcji dokumentów WWW Ph.D. wrap-up Marek Kopel @ Zakład Systemów Informacyjnych Instytut Informatyki Politechnika Wrocławska Plan wystąpienia Przewód doktorski Cel
Bardziej szczegółowoAkademia Wychowania Fizycznego i Sportu w Gdańsku SYLABUS NA CYKL KSZTAŁCENIA 2014-2016
Załącznik Nr 1 do Uchwały Senatu AWFiS w Gdańsku Nr 16 z dnia 27 kwietnia 2012 roku Akademia Wychowania Fizycznego i Sportu w Gdańsku SYLABUS NA CYKL KSZTAŁCENIA 2014-2016 Jednostka Organizacyjna: Rodzaj
Bardziej szczegółowo0.1. Diagram klas i pakietów
0.1. Diagram klas i pakietów Rys. 0.1. Diagram pakietów Na rysunku Rys. 0.1 przedstawiono diagram pakietów i relacje zachodzące pomiędzy nimi. Wyróżniono sześć głównych pakietów, które zostaną opisane
Bardziej szczegółowoBAZY DANYCH model związków encji. Opracował: dr inż. Piotr Suchomski
BAZY DANYCH model związków encji Opracował: dr inż. Piotr Suchomski Świat rzeczywisty a baza danych Świat rzeczywisty Diagram związków encji Model świata rzeczywistego Założenia, Uproszczenia, ograniczenia
Bardziej szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej szczegółowoWstęp do Biologii Obliczeniowej
Wstęp do Biologii Obliczeniowej Zagadnienia na kolokwium Bartek Wilczyński 5. czerwca 2018 Sekwencje DNA i grafy Sekwencje w biologii, DNA, RNA, białka, alfabety, transkrypcja DNA RNA, translacja RNA białko,
Bardziej szczegółowoMarian OSTWALD. Politechnika Poznańska Instytut Mechaniki Stosowanej INŻYNIERIA SYSTEMÓW. Materiały pomocnicze do wykładów.
Marian OSTWALD Politechnika Poznańska Instytut Mechaniki Stosowanej INŻYNIERIA SYSTEMÓW Materiały pomocnicze do wykładów Poznań 2009 Motto wykładu: DZIAŁAMY LOKALNIE, MYŚLIMY GLOBALNIE TRZEBA WIDZIEĆ LAS
Bardziej szczegółowoWyznaczanie optymalnej trasy problem komiwojażera
Wyznaczanie optymalnej trasy problem komiwojażera Optymalizacja w podejmowaniu decyzji Opracowała: mgr inż. Natalia Malinowska Wrocław, dn. 28.03.2017 Wydział Elektroniki Politechnika Wrocławska Plan prezentacji
Bardziej szczegółowo4.3 Grupowanie według podobieństwa
4.3 Grupowanie według podobieństwa Przykłady obiektów to coś więcej niż wektory wartości atrybutów. Reprezentują one poszczególne rasy psów. Ważnym pytaniem, jakie można sobie zadać, jest to jak dobrymi
Bardziej szczegółowoInżynieria oprogramowania. Część 8: Metoda szacowania ryzyka - PERT
UNIWERSYTET RZESZOWSKI KATEDRA INFORMATYKI Opracował: mgr inż. Przemysław Pardel v1.01 2010 Inżynieria oprogramowania Część 8: Metoda szacowania ryzyka - PERT ZAGADNIENIA DO ZREALIZOWANIA (3H) PERT...
Bardziej szczegółowoAnaliza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania
Analiza skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania Analiza Skupień Elementy składowe procesu grupowania obiekt Ekstrakcja cech Sprzężenie zwrotne Grupowanie klastry Reprezentacja
Bardziej szczegółowoLingwistyczny system definicyjny wykorzystujący korpusy tekstów oraz zasoby internetowe.
Lingwistyczny system definicyjny wykorzystujący korpusy tekstów oraz zasoby internetowe. Autor: Mariusz Sasko Promotor: dr Adrian Horzyk Plan prezentacji 1. Wstęp 2. Cele pracy 3. Rozwiązanie 3.1. Robot
Bardziej szczegółowoSpis treści 377 379 WSTĘP... 9
Spis treści 377 379 Spis treści WSTĘP... 9 ZADANIE OPTYMALIZACJI... 9 PRZYKŁAD 1... 9 Założenia... 10 Model matematyczny zadania... 10 PRZYKŁAD 2... 10 PRZYKŁAD 3... 11 OPTYMALIZACJA A POLIOPTYMALIZACJA...
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
Bardziej szczegółowoSpis treści tomu pierwszego
Spis treści tomu pierwszego WSTĘP.... 11 DŹWIĘK JAKO ZJAWISKO FIZYCZNE...15 CHARAKTERYSTYKA AKUSTYCZNA I AUDYTYWNA DŹWIĘKÓW MOWY.. 17 SŁUCH...20 WYŻSZE PIĘTRA UKŁADU SŁUCHOWEGO...22 EMISJE OTOAKUSTYCZNE...25
Bardziej szczegółowoTRANSFORMACJE I JAKOŚĆ DANYCH
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING TRANSFORMACJE I JAKOŚĆ DANYCH Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoPsychometria. Psychologia potoczna. Psychometria (z gr. psyche dusza, metria miara) Plan wykładów. Plan wykładów. Wprowadzenie w problematykę zajęć
Psychometria Wprowadzenie w problematykę zajęć W 1 Psychologia potoczna potoczne przekonanie dotyczące natury ludzkiego zachowania wyrażające się w zdroworozsądkowych, intuicyjnych twierdzeniach. dr Łukasz
Bardziej szczegółowoWprowadzenie do multimedialnych baz danych. Opracował: dr inż. Piotr Suchomski
Wprowadzenie do multimedialnych baz danych Opracował: dr inż. Piotr Suchomski Wprowadzenie bazy danych Multimedialne bazy danych to takie bazy danych, w których danymi mogą być tekst, zdjęcia, grafika,
Bardziej szczegółowoArchitektury i technologie integracji danych
Architektury i technologie integracji danych Robert Wrembel Politechnika Poznańska Instytut Informatyki Robert.Wrembel@cs.put.poznan.pl www.cs.put.poznan.pl/rwrembel Problematyka i architektury integracji
Bardziej szczegółowoBazy danych TERMINOLOGIA
Bazy danych TERMINOLOGIA Dane Dane są wartościami przechowywanymi w bazie danych. Dane są statyczne w tym sensie, że zachowują swój stan aż do zmodyfikowania ich ręcznie lub przez jakiś automatyczny proces.
Bardziej szczegółowoUczelnia Łazarskiego Wydział Medyczny Kierunek Lekarski
Uczelnia Łazarskiego Wydział Medyczny Kierunek Lekarski Nazwa przedmiotu INFORMATYKA I BIOSTATYSTYKA Kod przedmiotu WL_ 10 Poziom studiów Jednolite studia magisterskie Status przedmiotu x podstawowy uzupełniający
Bardziej szczegółowoCo to jest znaczenie? Współczesne koncepcje znaczenia i najważn. i najważniejsze teorie semantyczne
Co to jest znaczenie? Współczesne koncepcje znaczenia i najważniejsze teorie semantyczne Uniwersytet Kardynała Stefana Wyszyńskiego 1 Koncepcje znaczenia 2 3 1. Koncepcje referencjalne znaczenie jako byt
Bardziej szczegółowoWprowadzenie do metodologii modelowania systemów informacyjnych. Strategia (1) Strategia (2) Etapy Ŝycia systemu informacyjnego
Etapy Ŝycia systemu informacyjnego Wprowadzenie do metodologii modelowania systemów informacyjnych 1. Strategia 2. Analiza 3. Projektowanie 4. Implementowanie, testowanie i dokumentowanie 5. WdroŜenie
Bardziej szczegółowo