Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji"

Transkrypt

1 Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji 26 października 2011

2 Agenda Wprowadzenie 1 Wprowadzenie 2 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 3 4

3 Podstawowe informacje 1 Naśladowanie natury (podobnie jak algorytmy genetyczne, ewolucyjne, algorytmy rojowe odwołujace się do samoorganizacji mrówek, ptaków, itp.).

4 Podstawowe informacje 1 Naśladowanie natury (podobnie jak algorytmy genetyczne, ewolucyjne, algorytmy rojowe odwołujace się do samoorganizacji mrówek, ptaków, itp.). 2 Wykorzystanie mechanizmów działajacych w układzie odpornościowym.

5 Podstawowe informacje 1 Naśladowanie natury (podobnie jak algorytmy genetyczne, ewolucyjne, algorytmy rojowe odwołujace się do samoorganizacji mrówek, ptaków, itp.). 2 Wykorzystanie mechanizmów działajacych w układzie odpornościowym. 3 Rozproszony system przetwarzania, operowanie na chmurze rozwiazań możliwa lepsza eksploracja przestrzeni rozwiazań niż w przypadku algorytmów operujacych w każdym kroku na jednym rozwiazaniu (np. problem znalezienia minimum/maksimum funkcji wielomodalnej).

6 Przykładowe zastosowania optymalizacja,

7 Przykładowe zastosowania optymalizacja, eksploracyjna analiza danych (Sławomir Wierzchoń et al. wyodrębnianie jednorodnych grup tematycznych w dużych zbiorach dokumentów tekstowych inspirowane mechanizmem formowania pamięci immunologicznej),

8 Przykładowe zastosowania optymalizacja, eksploracyjna analiza danych (Sławomir Wierzchoń et al. wyodrębnianie jednorodnych grup tematycznych w dużych zbiorach dokumentów tekstowych inspirowane mechanizmem formowania pamięci immunologicznej), systemy uczace się (STARLAB rozwiazywanie zadań maszynowego uczenia się i wnioskowania w czasie rzeczywistym),

9 Przykładowe zastosowania optymalizacja, eksploracyjna analiza danych (Sławomir Wierzchoń et al. wyodrębnianie jednorodnych grup tematycznych w dużych zbiorach dokumentów tekstowych inspirowane mechanizmem formowania pamięci immunologicznej), systemy uczace się (STARLAB rozwiazywanie zadań maszynowego uczenia się i wnioskowania w czasie rzeczywistym), uniwersalne systemy antywirusowe (Symantec Digital Immune System,

10 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna,

11 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna, 2 czynniki fizjologiczne (ph, temperatura) stwarza niekorzystne warunki dla rozwoju obcych organizmów,

12 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna, 2 czynniki fizjologiczne (ph, temperatura) stwarza niekorzystne warunki dla rozwoju obcych organizmów, 3 odporność nieswoista (wrodzona) nie podlega modyfikacjom, jej rola jest natychmiastowe wszczęcie akcji obronnej, co daje czas na przygotowanie odpowiedzi przez adaptacyjna warstwę układu,

13 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna, 2 czynniki fizjologiczne (ph, temperatura) stwarza niekorzystne warunki dla rozwoju obcych organizmów, 3 odporność nieswoista (wrodzona) nie podlega modyfikacjom, jej rola jest natychmiastowe wszczęcie akcji obronnej, co daje czas na przygotowanie odpowiedzi przez adaptacyjna warstwę układu, 4 odporność swoista (adaptacyjna) posiada zdolność do ciagłej adaptacji procesu rozpoznawania nowo pojawiajacych się antygenów, a także przechowywania informacji o już rozpoznanych antygenach (pamięć immunologiczna).

14 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego

15 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz.

16 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz. Eliminacja antygenów:

17 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz. Eliminacja antygenów: uszkodzenie powierzchni komórki antygenu, przez co ona obumiera,

18 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz. Eliminacja antygenów: uszkodzenie powierzchni komórki antygenu, przez co ona obumiera, otoczenie antygenu przez przeciwciała, komórki żerne pochłaniaja obca komórkę, a następnie ja neutralizuja.

19 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T.

20 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T:

21 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych),

22 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych), cytotoksyczne (rozpoznaja komórki prezentujace obce lub nieprawidłowe białka i niszcza je),

23 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych), cytotoksyczne (rozpoznaja komórki prezentujace obce lub nieprawidłowe białka i niszcza je), supresyjne (hamuja nadmiernie aktywne komórki układu odpornościowego),

24 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych), cytotoksyczne (rozpoznaja komórki prezentujace obce lub nieprawidłowe białka i niszcza je), supresyjne (hamuja nadmiernie aktywne komórki układu odpornościowego), pamięciowe (pamięć immunologiczna).

25 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane.

26 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane. 2 Określony antygen może być rozpoznawany jedynie przez niewielka część limfocytów.

27 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane. 2 Określony antygen może być rozpoznawany jedynie przez niewielka część limfocytów. 3 Mechanizm selekcji klonalnej (namnożenie odpowiednich przeciwciał, bioracych udział w zwalczaniu antygenu).

28 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane. 2 Określony antygen może być rozpoznawany jedynie przez niewielka część limfocytów. 3 Mechanizm selekcji klonalnej (namnożenie odpowiednich przeciwciał, bioracych udział w zwalczaniu antygenu). 4 Mechanizm selekcji negatywnej (działa w stosunku do limfocytów rozpoznajacych własne komórki).

29 Selekcja klonalna i negatywna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna

30 Selekcja klonalna i negatywna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Selekcja negatywna usuwane sa te limfocyty, które ulegaja stymulacji poprzez komórki własne organizmu. 2 Selekcja klonalna: Uaktywnione limfocyty B zaczynaja się intensywnie dzielić, produkujac wiele krótko żyjacych klonów, Klony podlegaja hipermutacji, Populacja zmutowanych klonów jest poddawana ocenie stopnia dopasowania do antygenu; klony słabo wiaż ace antygen sa usuwane, natomiast klony o wysokim stopniu dopasowania przekształcaja się po pewnym czasie w komórki plazmatyczne lub komórki pamięciowe, Komórki plazmatyczne produkuja wolne przeciwciała, które łacz ac się z antygenem wskazuja go komórkom żernym do eliminacji, komórki pamięciowe pozostaja w organizmie przez dłuższy czas i biora aktywny udział we wtórnej odpowiedzi immunologicznej.

31 Pamięć immunologiczna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna FAKT System immunologiczny utrzymuje przez dłuższy czas informacje o rozpoznanym antygenie, tak, że przy kolejnym jego pojawieniu się jest on natychmiastowo rozpoznawany i likwidowany (wtórna odpowiedź immunologiczna).

32 Pamięć immunologiczna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna FAKT System immunologiczny utrzymuje przez dłuższy czas informacje o rozpoznanym antygenie, tak, że przy kolejnym jego pojawieniu się jest on natychmiastowo rozpoznawany i likwidowany (wtórna odpowiedź immunologiczna). TEORIE Okres życia komórek pamięciowych, w odróżnieniu od zwykłych limfocytów, może być porównywalny z okresem życia całego organizmu. Komórki immunologiczne sa bezustannie stymulowane, co pozwalala im zostać aktywnymi.

33 (De Castro, Von Zuben, Timmis) Generacja nowej populacji P osobników (komórek) rozwiazań kandydujacych, zawierajacej podzbiór komórek pamięciowych + pozostała populacja,

34 (De Castro, Von Zuben, Timmis) Generacja nowej populacji P osobników (komórek) rozwiazań kandydujacych, zawierajacej podzbiór komórek pamięciowych + pozostała populacja, Wybór n-osobników z najwyższym stopniem dopasowania,

35 (De Castro, Von Zuben, Timmis) Generacja nowej populacji P osobników (komórek) rozwiazań kandydujacych, zawierajacej podzbiór komórek pamięciowych + pozostała populacja, Wybór n-osobników z najwyższym stopniem dopasowania, Klonowanie każdego z wybranych osobników w ilości proporcjonalnej do jego stopnia dopasowania (liczba klonów wytwarzana przez pojedyncza komórkę jest zazwyczaj proporcjonalna do jej stopnia dopasowana, jednakże istnieja także rozwiazania, w których ilość ta jest stała dla każdej z wybranych komórek),

36 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania:

37 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu,

38 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji,

39 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji, probabilistyczna każda pozycja jest mutowana z określonym prawdopodobieństwem,

40 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji, probabilistyczna każda pozycja jest mutowana z określonym prawdopodobieństwem, Ponowny wybór ulepszonych osobników, utworzenie z nich zbioru komórek pamięciowych M,

41 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji, probabilistyczna każda pozycja jest mutowana z określonym prawdopodobieństwem, Ponowny wybór ulepszonych osobników, utworzenie z nich zbioru komórek pamięciowych M, Zastapienie określonej liczby d osobników z populacji P lepszymi klonami, osobniki z niższym stopniem dopasowania maja większe prawdopodobieństwo zastapienia.

42 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności,

43 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności, Dobrze przystosowane do przeszukiwania wielowymiarowej, złożonej przestrzeni rozwiazań,

44 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności, Dobrze przystosowane do przeszukiwania wielowymiarowej, złożonej przestrzeni rozwiazań, Łatwe w implementacji,

45 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności, Dobrze przystosowane do przeszukiwania wielowymiarowej, złożonej przestrzeni rozwiazań, Łatwe w implementacji, Algorytmy immunologiczne sa z natury równoległe.

46 Wady sztucznych systemów immunologicznych Brak gwarancji osiagnięcia optimum w określonym czasie,

47 Wady sztucznych systemów immunologicznych Brak gwarancji osiagnięcia optimum w określonym czasie, Dla każdego problemu konieczne strojenie algorytmu; niewłaściwie dobrane parametery powoduja, że algorytm "utyka",

48 Wady sztucznych systemów immunologicznych Brak gwarancji osiagnięcia optimum w określonym czasie, Dla każdego problemu konieczne strojenie algorytmu; niewłaściwie dobrane parametery powoduja, że algorytm "utyka", Brak formalnego aparatu matematycznego umożliwiajacego precyzyjna analizę ich własności (stosuje się np. analizę probabilistyczna).

49 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001

50 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf

51 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf Anna Świtalska, Sztuczne systemy immunologiczne zastosowanie w optymalizacji kombinatorycznej, stw/ais/ks/index.html

52 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf Anna Świtalska, Sztuczne systemy immunologiczne zastosowanie w optymalizacji kombinatorycznej, stw/ais/ks/index.html Joanna Kołodziejczyk, Obliczenia z wykorzystaniem sztucznej inteligencji, wykład V Sztuczne systemy immunologiczne,

53 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf Anna Świtalska, Sztuczne systemy immunologiczne zastosowanie w optymalizacji kombinatorycznej, stw/ais/ks/index.html Joanna Kołodziejczyk, Obliczenia z wykorzystaniem sztucznej inteligencji, wykład V Sztuczne systemy immunologiczne,

54 Dziękuję za uwagę!

Plan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny

Plan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny

Bardziej szczegółowo

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena

Bardziej szczegółowo

OBLICZENIA EWOLUCYJNE

OBLICZENIA EWOLUCYJNE 1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne 9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom

Bardziej szczegółowo

Obliczenia Naturalne - Algorytmy immunologiczne

Obliczenia Naturalne - Algorytmy immunologiczne Literatura Podstawowe pojęcia Obliczenia Naturalne - immunologiczne Paweł Paduch Politechnika Świętokrzyska 10 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - immunologiczne 1 z 44 Plan wykładu Literatura

Bardziej szczegółowo

ALGORYTMY IMMUNO- LOGICZNE

ALGORYTMY IMMUNO- LOGICZNE OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome wykład AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS 7 VALUE fitness

Bardziej szczegółowo

MOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ. Anna Kempa. Wprowadzenie

MOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ. Anna Kempa. Wprowadzenie MOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ Anna Kempa Wprowadzenie Liczne podobieństwa grup społecznych do Ŝywego organizmu zauwa- Ŝane były przez ludzi juŝ

Bardziej szczegółowo

PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej)

PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej) PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej) Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt do wykładu

Bardziej szczegółowo

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych

Algorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi

Bardziej szczegółowo

Algorytm genetyczny (genetic algorithm)-

Algorytm genetyczny (genetic algorithm)- Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie

Bardziej szczegółowo

Algorytmy ewolucyjne 1

Algorytmy ewolucyjne 1 Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz

Bardziej szczegółowo

Czy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar

Czy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar Czy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar Zakład Immunologii Klinicznej Katedra Immunologii Klinicznej i Transplantologii Uniwersytet Jagielloński Collegium Medicum, oraz Uniwersytecki

Bardziej szczegółowo

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana

Bardziej szczegółowo

OD IMMUNOLOGII DO MODELOWANIA, PRZETWARZANIA I ANALIZ DANYCH

OD IMMUNOLOGII DO MODELOWANIA, PRZETWARZANIA I ANALIZ DANYCH INFORMATYKA EKONOMICZNA BUSINESS INFORMATICS 4(30) 2013 ISSN 1507-3858 Mirosława Lasek Uniwersytet Warszawski e-mail: mlasek@wne.uw.edu.pl Witold Lasek Warszawski Uniwersytet Medyczny e-mail: witold.lasek@wum.edu.pl

Bardziej szczegółowo

Wyklady IIIL 2016/ :00-16:30 środa Wprowadzenie do immunologii Prof. dr hab. med. ML Kowalski

Wyklady IIIL 2016/ :00-16:30 środa Wprowadzenie do immunologii Prof. dr hab. med. ML Kowalski III rok Wydział Lekarski Immunologia ogólna z podstawami immunologii klinicznej i alergologii rok akademicki 2016/17 PROGRAM WYKŁADÓW Nr data godzina dzień tygodnia Wyklady IIIL 2016/2017 tytuł Wykladowca

Bardziej szczegółowo

Aproksymacja funkcji a regresja symboliczna

Aproksymacja funkcji a regresja symboliczna Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą

Bardziej szczegółowo

Algorytmy genetyczne

Algorytmy genetyczne Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą

Bardziej szczegółowo

CZYM SĄ OBLICZENIA NAT A URALNE?

CZYM SĄ OBLICZENIA NAT A URALNE? CZYM SĄ OBLICZENIA NATURALNE? Co to znaczy obliczać (to compute)? Co to znaczy obliczać (to compute)? wykonywać operacje na liczbach? (komputer = maszyna licząca) wyznaczać wartości pewnych funkcji? (program

Bardziej szczegółowo

Generowanie i optymalizacja harmonogramu za pomoca

Generowanie i optymalizacja harmonogramu za pomoca Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska

Bardziej szczegółowo

Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych

Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych S.T. Wierzchoń Instytut Podstaw Informatyki PAN, Warszawa Instytut Informatyki Politechniki Białostockiej, Białystok e-mail:

Bardziej szczegółowo

Obliczenia z wykorzystaniem sztucznej inteligencji

Obliczenia z wykorzystaniem sztucznej inteligencji Obliczenia z wykorzystaniem sztucznej inteligencji wykład V Sztuczne systemy immunologiczne Joanna Kołodziejczyk 18 maja 2014 Plan wykładu 1 Wprowadzenie Definicje Historia 2 Elementy IS 3 Działanie IS

Bardziej szczegółowo

Plan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji

Plan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji

Bardziej szczegółowo

Model Marczuka przebiegu infekcji.

Model Marczuka przebiegu infekcji. Model Marczuka przebiegu infekcji. Karolina Szymaniuk 27 maja 2013 Karolina Szymaniuk () Model Marczuka przebiegu infekcji. 27 maja 2013 1 / 17 Substrat Związek chemiczny, który ulega przemianie w wyniku

Bardziej szczegółowo

Optymalizacja optymalizacji

Optymalizacja optymalizacji 7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja

Bardziej szczegółowo

Metody przeszukiwania

Metody przeszukiwania Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania

Bardziej szczegółowo

SYSTEMY (ALGORYTMY) MRÓWKOWE

SYSTEMY (ALGORYTMY) MRÓWKOWE OLIZNI WOLUYJN ITNSS. STRT OMPUTTION ITNSS. OMPUTTION INITIL SUGenration SNING HROM. TO OMPUTRS chromosome VOLUTIONRY OPRTORS N RIVING ITNSS. wykład 7 VLU fitness f. value MIGRTION PHS ITNSS. communication

Bardziej szczegółowo

Autoreferat. przedstawiający opis dorobku i osiągnięć naukowych, w szczególności określonych w art. 16 ust. 2 ustawy,

Autoreferat. przedstawiający opis dorobku i osiągnięć naukowych, w szczególności określonych w art. 16 ust. 2 ustawy, Autoreferat przedstawiający opis dorobku i osiągnięć naukowych, w szczególności określonych w art. 16 ust. 2 ustawy, w formie papierowej w języku polskim i angielskim (wersja polska) Załącznik 2 do Wniosku

Bardziej szczegółowo

PRZYKŁADOWY EGZAMIN MATURALNY Z BIOLOGII POZIOM ROZSZERZONY MAJ Czas pracy: 180 minut. Liczba punktów do uzyskania : 60

PRZYKŁADOWY EGZAMIN MATURALNY Z BIOLOGII POZIOM ROZSZERZONY MAJ Czas pracy: 180 minut. Liczba punktów do uzyskania : 60 1 PRZYKŁADOWY EGZAMIN MATURALNY Z BIOLOGII MAJ 2015 POZIOM ROZSZERZONY Czas pracy: 180 minut Instrukcja dla zdającego 1. Sprawdź, czy arkusz egzaminacyjny zawiera strony 1-19 (zadania 1 21). 2. Odpowiedzi

Bardziej szczegółowo

Algorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki

Algorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane

Bardziej szczegółowo

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)

Bardziej szczegółowo

S YL AB US MODUŁ U ( I MMUNOLOGIA ) I nforma cje ogólne

S YL AB US MODUŁ U ( I MMUNOLOGIA ) I nforma cje ogólne Załącznik Nr 3 do Uchwały Nr /2012 S YL AB US MODUŁ U ( I MMUNOLOGIA ) I nforma cje ogólne Kod modułu Rodzaj modułu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów Rok studiów Nazwa

Bardziej szczegółowo

ALGORYTMY GENETYCZNE (wykład + ćwiczenia)

ALGORYTMY GENETYCZNE (wykład + ćwiczenia) ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja

Bardziej szczegółowo

Algorytmy ewolucyjne NAZEWNICTWO

Algorytmy ewolucyjne NAZEWNICTWO Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne

Bardziej szczegółowo

Immunologia - opis przedmiotu

Immunologia - opis przedmiotu Immunologia - opis przedmiotu Informacje ogólne Nazwa przedmiotu Immunologia Kod przedmiotu 12.9-WL-Lek-Imm Wydział Wydział Lekarski i Nauk o Zdrowiu Kierunek Lekarski Profil praktyczny Rodzaj studiów

Bardziej szczegółowo

Automatyczny dobór parametrów algorytmu genetycznego

Automatyczny dobór parametrów algorytmu genetycznego Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja

Bardziej szczegółowo

Część praktyczna: Metody pozyskiwania komórek do badań laboratoryjnych cz. I

Część praktyczna: Metody pozyskiwania komórek do badań laboratoryjnych cz. I Ćwiczenie 1 Część teoretyczna: Budowa i funkcje układu odpornościowego 1. Układ odpornościowy - główne funkcje, typy odpowiedzi immunologicznej, etapy odpowiedzi odpornościowej. 2. Komórki układu immunologicznego.

Bardziej szczegółowo

Zagadnienia egzaminacyjne INFORMATYKA. Stacjonarne. I-go stopnia. (INT) Inżynieria internetowa STOPIEŃ STUDIÓW TYP STUDIÓW SPECJALNOŚĆ

Zagadnienia egzaminacyjne INFORMATYKA. Stacjonarne. I-go stopnia. (INT) Inżynieria internetowa STOPIEŃ STUDIÓW TYP STUDIÓW SPECJALNOŚĆ (INT) Inżynieria internetowa 1. Tryby komunikacji między procesami w standardzie Message Passing Interface 2. HTML DOM i XHTML cel i charakterystyka 3. Asynchroniczna komunikacja serwerem HTTP w technologii

Bardziej szczegółowo

Algorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS

Algorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,

Bardziej szczegółowo

Pomiary Automatyka Robotyka 2/2010

Pomiary Automatyka Robotyka 2/2010 dr in. Bogumi a Mrozek Instytut Modelowania Komputerowego Wydzia Fizyki, Matematyki i Informatyki Stosowanej Politechnika Krakowska 31-155 Kraków, ul. Warszawska 24 ALGORYTM SELEKCJI KLONALNEJ W ZASTOSOWANIU

Bardziej szczegółowo

SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO

SCHEMAT 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 szczegółowo

Algorytmy metaheurystyczne Wykład 6. Piotr Syga

Algorytmy metaheurystyczne Wykład 6. Piotr Syga Algorytmy metaheurystyczne Wykład 6 Piotr Syga 10.04.2017 Wprowadzenie Inspiracje Wprowadzenie ACS idea 1 Zaczynamy z pustym rozwiązaniem początkowym 2 Dzielimy problem na komponenty (przedmiot do zabrania,

Bardziej szczegółowo

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba

Algorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie

Bardziej szczegółowo

Obliczenia ewolucyjne - plan wykładu

Obliczenia ewolucyjne - plan wykładu Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja

Bardziej szczegółowo

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE

LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania

Bardziej szczegółowo

II. MODUŁY KSZTAŁCENIA

II. MODUŁY KSZTAŁCENIA PROGRAM STUDIÓW I. INFORMACJE OGÓLNE 1. Nazwa jednostki prowadzącej kierunek: W y d z i a ł M a t e m a t y k i i I n f o r m a t y k i 2. Nazwa kierunku: I n f o r m a t y k a 3. Poziom kształcenia: s

Bardziej szczegółowo

Immunologia komórkowa

Immunologia komórkowa Immunologia komórkowa ocena immunofenotypu komórek Mariusz Kaczmarek Immunofenotyp Definicja I Charakterystyczny zbiór antygenów stanowiących elementy różnych struktur komórki, związany z jej różnicowaniem,

Bardziej szczegółowo

Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka

Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA Studia III stopnia (doktoranckie) kierunek Informatyka (przyjęty przez Radę Wydziału Informatyki i Nauki o Materiałach w

Bardziej szczegółowo

M T E O T D O ZI Z E E A LG L O G R O Y R TM

M T E O T D O ZI Z E E A LG L O G R O Y R TM O ALGORYTMACH I METODZIE ALGORYTMICZNEJ Czym jest algorytm? Czym jest algorytm? przepis schemat zestaw reguł [ ] program ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające

Bardziej szczegółowo

Algorytmy ewolucyjne Część II

Algorytmy ewolucyjne Część II Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Część II Metaheurystyki Treść wykładu Zastosowania Praktyczne aspekty GA Reprezentacja Funkcja dopasowania Zróżnicowanie dopasowania

Bardziej szczegółowo

Zakres pytań obowiązujący w roku akad. 2015/2016

Zakres pytań obowiązujący w roku akad. 2015/2016 Akademia Górniczo-Hutnicza IM. STANISŁAWA STASZICA W KRAKOWIE Wydział: Górnictwa i Geoinżynierii Rodzaj studiów: stacjonarne i niestacjonarne II stopnia Kierunek studiów: Zarządzanie i inżynieria produkcji

Bardziej szczegółowo

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte

Sieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,

Bardziej szczegółowo

2.1.M.06: Modelowanie i wspomaganie komputerowe w inżynierii powierzchni

2.1.M.06: Modelowanie i wspomaganie komputerowe w inżynierii powierzchni 2nd Workshop on Foresight of surface properties formation leading technologies of engineering materials and biomaterials in Białka Tatrzańska, Poland 29th-30th November 2009 1 Panel nt. Procesy wytwarzania

Bardziej szczegółowo

PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz. III): Aktywacja i funkcje efektorowe limfocytów B

PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz. III): Aktywacja i funkcje efektorowe limfocytów B PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz. III): Aktywacja i funkcje efektorowe limfocytów B Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt wykładu Rozpoznanie antygenu

Bardziej szczegółowo

Badania marketingowe. Omówione zagadnienia. Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania

Badania marketingowe. Omówione zagadnienia. Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania kierunek: Zarządzanie Badania marketingowe Wykład 5 Opracowanie: dr Joanna Krygier 1 Omówione zagadnienia Ograniczenia wtórnych źródeł informacji

Bardziej szczegółowo

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,

Bardziej szczegółowo

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne

Algorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć

Bardziej szczegółowo

Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia

Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 217/218 Język wykładowy: Polski Semestr 1 IIN-1-13-s

Bardziej szczegółowo

Klub Honorowych Dawców Krwi PCK

Klub Honorowych Dawców Krwi PCK O krwi Czym jest krew? Krew to płynna tkanka w skład której wchodzą: - Krwinki czerwone(erytrocyty) są to komórkowe składniki krwi nie zawierające jądra, zawierające barwnik krwi hemoglobinę, odpowiedzialne

Bardziej szczegółowo

Metody sztucznej inteligencji w układach sterowania METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA

Metody sztucznej inteligencji w układach sterowania METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA 1 Metody sztucznej inteligencji w układach sterowania Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie

Bardziej szczegółowo

Układ odpornościowy, układ immunologiczny to układ struktur umożliwiających działanie mechanizmom odporności. Struktury te to: narządy limfoidalne

Układ odpornościowy, układ immunologiczny to układ struktur umożliwiających działanie mechanizmom odporności. Struktury te to: narządy limfoidalne Układ odpornościowy, układ immunologiczny to układ struktur umożliwiających działanie mechanizmom odporności. Struktury te to: narządy limfoidalne naczynie chłonne komórki uczestniczące w reakcjach immunologicznych

Bardziej szczegółowo

SI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu

SI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu SI w procesach przepływu i porządkowania informacji Paweł Buchwald Wyższa Szkoła Biznesu Początki SI John MC Carthy prekursor SI Alan Thuring pomysłodawca testu na określenie inteligencji maszyn Powolny

Bardziej szczegółowo

Techniki optymalizacji

Techniki optymalizacji Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą

Bardziej szczegółowo

Metody Optymalizacji: Przeszukiwanie z listą tabu

Metody Optymalizacji: Przeszukiwanie z listą tabu Metody Optymalizacji: Przeszukiwanie z listą tabu Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje: wtorek

Bardziej szczegółowo

Wprowadzenie do teorii systemów ekspertowych

Wprowadzenie do teorii systemów ekspertowych Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z

Bardziej szczegółowo

Algorytmy dla maszyny PRAM

Algorytmy dla maszyny PRAM Instytut Informatyki 21 listopada 2015 PRAM Podstawowym modelem służącym do badań algorytmów równoległych jest maszyna typu PRAM. Jej głównymi składnikami są globalna pamięć oraz zbiór procesorów. Do rozważań

Bardziej szczegółowo

Efektywność algorytmów

Efektywność algorytmów Efektywność algorytmów Algorytmika Algorytmika to dział informatyki zajmujący się poszukiwaniem, konstruowaniem i badaniem własności algorytmów, w kontekście ich przydatności do rozwiązywania problemów

Bardziej szczegółowo

O ALGORYTMACH I MASZYNACH TURINGA

O ALGORYTMACH I MASZYNACH TURINGA O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego

Bardziej szczegółowo

Algorytmy ewolucyjne. wprowadzenie

Algorytmy ewolucyjne. wprowadzenie Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i

Bardziej szczegółowo

Wykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012

Wykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012 Wykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012 - prof. dr hab. Wojciech Rytter: Algorytmika kombinatoryczno-grafowa (30 g. semestr zimowy

Bardziej szczegółowo

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

O badaniach nad SZTUCZNĄ INTELIGENCJĄ O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia

Bardziej szczegółowo

Ewolucja Różnicowa Differential Evolution

Ewolucja Różnicowa Differential Evolution Ewolucja Różnicowa Differential Evolution Obliczenia z wykorzystaniem metod sztucznej inteligencji Arkadiusz Kalinowski Szczecin, 2016 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie 1 / 22 Plan

Bardziej szczegółowo

Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH

Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Marcel Stankowski Wrocław, 23 czerwca 2009 INFORMATYKA SYSTEMÓW AUTONOMICZNYCH Przeszukiwanie przestrzeni rozwiązań, szukanie na ślepo, wszerz, w głąb. Spis treści: 1. Wprowadzenie 3. str. 1.1 Krótki Wstęp

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt

Bardziej szczegółowo

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel

Zalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology

Bardziej szczegółowo

Wstęp do Sztucznej Inteligencji

Wstęp do Sztucznej Inteligencji Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony

Bardziej szczegółowo

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż.

Algorytmy genetyczne jako metoda wyszukiwania wzorców. Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Algorytmy genetyczne jako metoda wyszukiwania wzorców Seminarium Metod Inteligencji Obliczeniowej Warszawa 26 X 2005 mgr inż. Marcin Borkowski Krótko i na temat: Cel pracy Opis modyfikacji AG Zastosowania

Bardziej szczegółowo

Metody Rozmyte i Algorytmy Ewolucyjne

Metody Rozmyte i Algorytmy Ewolucyjne mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawy optymalizacji Plan prezentacji 1 Podstawy matematyczne 2 3 Eliminacja ograniczeń Metody

Bardziej szczegółowo

6. Klasyczny algorytm genetyczny. 1

6. Klasyczny algorytm genetyczny. 1 6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu

Bardziej szczegółowo

ALGORYTMY GENETYCZNE ćwiczenia

ALGORYTMY GENETYCZNE ćwiczenia ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład I: Formalizm statystyki matematycznej 17 lutego 2014 Forma zaliczenia przedmiotu Forma zaliczenia Literatura Zagadnienia omawiane na wykładach Forma zaliczenia przedmiotu Forma zaliczenia Literatura

Bardziej szczegółowo

Teoria ewolucji. Podstawowe pojęcia. Wspólne pochodzenie.

Teoria ewolucji. Podstawowe pojęcia. Wspólne pochodzenie. Teoria ewolucji Podstawowe pojęcia. Wspólne pochodzenie. Ewolucja Znaczenie ogólne: zmiany zachodzące stopniowo w czasie W biologii ewolucja biologiczna W astronomii i kosmologii ewolucja gwiazd i wszechświata

Bardziej szczegółowo

Metody selekcji cech

Metody selekcji cech Metody selekcji cech A po co to Często mamy do dyspozycji dane w postaci zbioru cech lecz nie wiemy które z tych cech będą dla nas istotne. W zbiorze cech mogą wystąpić cechy redundantne niosące identyczną

Bardziej szczegółowo

Plan wykładów METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA

Plan wykładów METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA 1 Plan wykładów Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie formysztucznej inteligencji Elementy

Bardziej szczegółowo

Immunobiologia wybranych grup organizmów SYLABUS A. Informacje ogólne

Immunobiologia wybranych grup organizmów SYLABUS A. Informacje ogólne Immunobiologia wybranych grup organizmów A. Informacje ogólne Elementy sylabusa Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod Rodzaj Rok

Bardziej szczegółowo

Gospodarcze zastosowania algorytmów genetycznych

Gospodarcze zastosowania algorytmów genetycznych Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym

Bardziej szczegółowo

6. Perceptron Rosenblatta

6. Perceptron Rosenblatta 6. Perceptron Rosenblatta 6-1 Krótka historia perceptronu Rosenblatta 6-2 Binarne klasyfikatory liniowe 6-3 Struktura perceptronu Rosenblatta 6-4 Perceptron Rosenblatta a klasyfikacja 6-5 Perceptron jednowarstwowy:

Bardziej szczegółowo

PROGRAM STUDIÓW DOKTORANCKICH WYDZIAŁ W8. DYSCYPLINA INFORMATYKA I II III IV V VI VII VIII

PROGRAM STUDIÓW DOKTORANCKICH WYDZIAŁ W8. DYSCYPLINA INFORMATYKA I II III IV V VI VII VIII Zał. nr 1 do ZW 11/2012 Semestr Program Przedmioty podstawowe matematyka, fizyka, PROGRAM STUDIÓW DOKTORANCKICH I II III IV V VI VII VIII Liczba godzin PP-1 30 6 chemia, lub inne PP-2 30 6 Kurs dydaktyczny

Bardziej szczegółowo

T2A_W01 T2A_W01 T2A_W02 3 SI_W03 Posiada szeroką wiedzę w zakresie teorii grafów T2A_W01

T2A_W01 T2A_W01 T2A_W02 3 SI_W03 Posiada szeroką wiedzę w zakresie teorii grafów T2A_W01 Efekty dla studiów drugiego stopnia profil ogólnoakademicki, na kierunku Informatyka w języku polskim, na specjalnościach Metody sztucznej inteligencji oraz Projektowanie systemów CAD/CAM, na Wydziale

Bardziej szczegółowo

Modelowanie przetworników pomiarowych Kod przedmiotu

Modelowanie przetworników pomiarowych Kod przedmiotu Modelowanie przetworników pomiarowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Modelowanie przetworników pomiarowych Kod przedmiotu 06.0-WE-ED-MPP Wydział Kierunek Wydział Informatyki, Elektrotechniki

Bardziej szczegółowo

Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011

Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011 Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011 Przedmowa. CZĘŚĆ I: WPROWADZENIE 1. Komputer 1.1. Kółko i krzyżyk 1.2. Kodowanie 1.3. Odrobina fantazji

Bardziej szczegółowo

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH 1. Czym jest eksploracja danych Eksploracja danych definiowana jest jako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych

Bardziej szczegółowo

Narzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)

Narzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji

Bardziej szczegółowo

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny

Inspiracje soft computing. Soft computing. Terminy genetyczne i ich odpowiedniki w algorytmach genetycznych. Elementarny algorytm genetyczny Soft computing Soft computing tym róŝni się od klasycznych obliczeń (hard computing), Ŝe jest odporny na brak precyzji i niepewność danych wejściowych. Obliczenia soft computing mają inspiracje ze świata

Bardziej szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty

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

KARTA PRZEDMIOTU. Dyscyplina:

KARTA PRZEDMIOTU. Dyscyplina: KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba

Bardziej szczegółowo

Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści

Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji

Bardziej szczegółowo

O PO P R O NOŚ O Ć Ś WR

O PO P R O NOŚ O Ć Ś WR ODPORNOŚĆ WRODZONA Egzamin 3 czerwca 2015 godz. 17.30 sala 9B FUNKCJE UKŁADU ODPORNOŚCIOWEGO OBRONA NADZÓR OBCE BIAŁKA WIRUSY BAKTERIE GRZYBY PASOŻYTY NOWOTWORY KOMÓRKI USZKODZONE KOMÓRKI OBUNMIERAJĄCE

Bardziej szczegółowo