REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA SIECI NEURONOWEJ OPARTEGO NA TECHNOLOGII MICROSOFT WINDOWS AZURE

Wielkość: px
Rozpocząć pokaz od strony:

Download "REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA SIECI NEURONOWEJ OPARTEGO NA TECHNOLOGII MICROSOFT WINDOWS AZURE"

Transkrypt

1 STUDIA INFORMATICA 2012 Volume 33 Number 2A (105) Darusz R. AUGUSTYN, Kaml BADURA Poltechnka Śląska, Instytut Informatyk REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA SIECI NEURONOWEJ OPARTEGO NA TECHNOLOGII MICROSOFT WINDOWS AZURE Streszczene. W artykule przedstawono budowę systemu uczena sec neuronowej, opartego na koncepcj przetwarzana w chmurze oblczenowej. Implementacja systemu bazuje na technolog Mcrosoft Wndows Azure. W rozwązanu zastosowano znany algorytm uczena metodę wstecznej propagacj błędu dostosowany do rozproszonego sposobu realzacj. Zaproponowano archtekturę systemu, w której wykorzystano współpracujące procesy (nstancje) typu WorkerRole. W opracowanu przedstawono sposób wykorzystana różnych metod magazynowana danych, dostępnych przez mechanzmy Wndows Azure Table, Queue, Blob Storage. Równoległe przetwarzane systemu zostało zapewnone ne tylko dzęk zastosowanu welu procesów WorkerRole, ale równeż dzęk wykorzystanu modułu Parallel Extenson for.net przy mplementacj kodu WorkerRole. Słowa kluczowe: przetwarzane w chmurze oblczenowej, przetwarzane równoległe, Mcrosoft Wndows Azure, uczene sec neuronowej THE MICROSOFT WINDOWS AZURE-BASED SYSTEM FOR NEURAL NETWORK LEARNING AS AN EXAMPLE OF CLOUD PROCESSING APPLICATION Summary. The paper presents the system for neural network learnng based on the dea of Cloud computng. System mplementaton uses Mcrosoft Wndows Azure technology. The well-known learnng algorthm.e. back propagaton method was adopted for parallel and dstrbuted executon. The archtecture of cooperatve worker role processes was proposed. The paper descrbes applyng of methods of data storage lke Wndows Azure Table, Queue, Blob. The advantages of parallelzaton result from ether applyng multple processes (nstances) of WorkerRoles or applyng Parallel Extenson for.net module n WorkeRole s mplementaton.

2 50 D. R. Augustyn, K. Badura Keywords: cloud computng, parallel processng, Mcrosoft Wndows Azure, neural network learnng 1. Wstęp Koncepcja przetwarzana danych w tzw. chmurze oblczenowej (ang. cloud comupng) to kolejny, stotny etap rozwoju zastosowań Internetu. Technologa oblczeń w chmurze stwarza nowe możlwośc w welu zakresach, np. wydajnośc (skalowalność na potencjalne olbrzymą lczbę węzłów przetwarzających) czy bezpeczeństwa (automatyczne tworzene replk danych). Nowy model przetwarzana pozwala na dostosowane nfrastruktury do potrzeb efektywnoścowych przez dostosowane mocy oblczenowej wrtualnej nfrastruktury do aktualnego zapotrzebowana wynkającego z obcążena. Technologe przetwarzana dostarczają nowych metod magazynowana danych (np. takch jak systemy NoSQL). Dodatkowo nektóre z technolog umożlwają tworzene zrównoleglonych systemów aplkacyjnych, dzałających w środowsku rozproszonym (nowy model programowana). Systemem spełnającym opsane wymagana są technologa nfrastruktura Mcrosoft Wndows Azure. Wykorzystane własnośc Wndows Azure umożlwło utworzene wydajnego skalowalnego systemu uczena sztucznej sec neuronowej. Oczywśce wymagało to przystosowana algorytmu uczena sec (powszechne znanej metody wstecznej propagacj błędu) do równoległego trybu oblczeń. Celem nnejszego artykułu jest omówene zaproponowanej archtektury zrównoleglonego systemu uczena sec neuronowej, opartego na technolog Wndows Azure. W szczególnośc chodz o prezentację sposobu obsług welozadanowośc oraz doboru metod magazynowana danych. Chocaż system ma bardzo konkretne zastosowane (skalowalna usługa uczena sec), to sama archtektura (w szczególnośc obsługa szeregowana podzadań) może być wykorzystana do budowy nnych aplkacj, przetwarzających dane w sposób rozproszony z użycem Wndows Azure. 2. Wprowadzene do technolog Wndows Azure Mcrosoft Wndows Azure [1, 2] jest technologą nfrastrukturą programowo-sprzętową, umożlwającą tworzene efektywnych aplkacj, dzałających w ramach tzw. chmury oblcze-

3 Realzacja przetwarzana w chmurze oblczenowej na przykładze 51 nowej. Frma Mcrosoft udostępna zarówno docelowe środowsko uruchomenowe, dostępne przez Internet, jak środowsko lokalne Wndows Azure Emulator. Mcrosoft Corporaton dostarcza płatną nfrastrukturę Wndows Azure, zapewnającą skalowalność bezpeczeństwo przetwarzanych danych (system automatycznego tworzena kop zapasowych). Jednym z jej elementów są usług przechowywana danych Wndows Azure Storage [3]. W ramach tych usług wyróżna sę: Azure Blob dającą możlwość przechowywana plków bnarnych, zorganzowanych w ramach tzw. kontenerów, Azure Queue umożlwającą kolejkowane danych (z zachowanem pewnośc dokończena wykonana zadana poberającego dane z kolejk), Azure Table pozwalającą na przechowywane prostych danych strukturalnych, zorganzowanych wg koncepcj klucz-wartość, SQL Azure udostępnającą usług relacyjnego systemu zarządzana bazą danych, w znacznym zakrese kompatyblną z SZBD SQL Server. Azure Blob jest wydajnym rozwązanem przeznaczonym do obsług danych nestrukturalnych. W Azure Table [4] obsługwane są tzw. tablce, co powala na odzwercedlene bardzo prostego relacyjnego modelu danych. W tablcach przechowywane są tzw. encje (w uproszczenu, odpowednk werszy w podejścu relacyjnym). Struktura encj może, ale ne mus, być jednakowa w ramach tablcy. Struktura encj określona jest przez własnośc (pola) (w uproszczenu, odpowednk kolumn w podejścu relacyjnym). Klucz tablcy jest dwuelementowy składa sę z własnośc: ParttonKey RowKey. Wyszukwane sortowane wg klucza jest szybke, wyszukwane wg pozostałych własnośc może być newydajne. Mechanzmy skalowana usług przechowywana Azure Table wykorzystują własność ParttonKey (dane o tej samej wartośc ParttonKey, w przypadku wystąpena spadku wydajnośc, mogą być obsługwane przez specjalne dla nch wydzelony węzeł przetwarzający). Z przedstawonych faktów wynka, że ustalene, jake (w sense merytorycznym) dane będą przechowywane w ramach klucza, jest szczególne stotne z punktu wdzena całego rozwązana. Właśne z takch powodów dentyfkator konkretnego zadana uczącego seć neuronową jest umeszczany w ParttonKey we wszystkch Azure Table wykorzystanych w omawanym systeme uczena sec. Model kosztowy usług Wndows Azure Storage jest skonstruowany tak, że użyce Azure Table Blob jest tańsze nż wykorzystane SQL Azure. Mechanzmy dostarczane w ramach usług Azure Table Blob są proste, ale za to szybke (w porównanu do SQL Azure). Oczywśce w przypadku tworzena aplkacj o stotne złożonym modelu danych użyce SQL Azure może być łatwejsze dla projektantów programstów tworzących chmurowe systemy nformatyczne. W omawanym systeme uczena sec neuronowych taka koneczność ne wystąpła funkcjonalność Azure Table Blob wystarczyła.

4 52 D. R. Augustyn, K. Badura Mcrosoft Wndows Azure to równeż nowy model programowana systemów nformatycznych przeznaczonych do przetwarzana w chmurze oblczenowej. Wzrost wydajnośc systemów dzałających na podstawe Wndows Azure (w porównanu do klasycznych systemów) może wynkać z możlwośc zrównoleglena rozpraszana przetwarzana/oblczeń. W Wndows Azure wprowadza sę pojęce nstancj, która oznacza maszynę wrtualną (z systemem operacyjnym Wndows) z uruchomonym procesem przetwarzającym. Rozróżnane są dwa rodzaje nstancj: WebRole nstancja, w której procesem przetwarzającym jest uruchomona aplkacja lub usługa Web (utworzona w technolog ASP.NET), oraz WorkerRole nstancja z uruchomonym procesem przetwarzającym (bez obsług nterakcj z użytkownkem, funkcjonalność newzualna, realzowana na podstawe technolog.net, ale równeż Tomcat/Java czy PHP). Przyspeszene oblczeń można osągnąć przez odpowedne przystosowane (zrównoleglene) algorytmu przetwarzającego (np. przez podzał na nezależne podzadana) uruchomene go w konfguracj z klkoma nstancjam/procesam typu WorkerRole. Tak sposób został wykorzystany w omawanym systeme uczena sec neuronowej. Z kole zwelokrotnene nstancj/procesów WebRole (odpowedzalnych za kontakt z użytkownkem systemu) może pozwolć na zwększene dostępnośc systemu dla użytkownków końcowych (w sytuacj, w której jednocześne występuje welu użytkownków systemu nformatycznego). Take dzałane, które z braku potrzeb polegałoby jedyne na zmanach konfguracyjnych (tzn. zwększanu lczby nstancj/procesów typu WebRole), ne byłoby przedmotem badań przy uruchamanu systemu uczena sec neuronowej. 3. Algorytm uczena sec neuronowej metoda wstecznej propagacj błędu dostosowana do przetwarzana współbeżnego Standardowa metoda wstecznej propagacj błędu uczena [5] zakłada aktualzacje wag sec po uwzględnenu każdego przykładu uczącego. To utrudna jej bezpośredne użyce przy tworzenu systemu, w którym zakłada sę zrównoleglene oblczeń. Jest to spowodowane faktem, że dla każdego przykładu uczącego oblczena zależą od wynków oblczeń przeprowadzonych dla poprzednego przykładu. Takego ogranczena ne ma zmodyfkowany algorytm uczena o nazwe batch learnng [6], który polega na kumulacj zmany wag (kumulacja delt wag). W algorytme tym zakłada sę podzał zboru uczącego na rozłączne podzbory (blok). Następne dla każdego podzboru stosuje sę podejśce back propagaton, ale oblczane są jedyne delty wag (ne zachodz modyfkacja samych wag w sec neuronowej). Dopero po zakończenu przetwarzana wszyst-

5 Realzacja przetwarzana w chmurze oblczenowej na przykładze 53 kch bloków następuje aktualzacja wag, co jest równoważne z zakończenem przetwarzana w ramach jednej epok uczena. Dalej zostane opsana wersja zastosowanego algorytmu uczena sec neuronowej (z N-1 warstwam ukrytym). Metoda ta zostane przedstawona dokładnej w zakrese czynnośc realzowanych w ramach pojedynczej epok uczena. W ramach procesu propagacj w przód dla każdego -tego neuronu w r-tej warstwe oblczana jest suma wag pomnożonych przez wejśca do neuronu: J 1 s w y t, (1) j1 j 1 j gdze: = 1.. J <r>, r = 0.. N; J <r-1> lczba neuronów w warstwe poprzednej; na połączenu neuronu z j-tym neuronem warstwy poprzednej; t tzw. bas, próg przełączena; y wyjśce j-tego neuronu z warstwy poprzednej ( r 1 j sec neuronowej). Na podstawe (1) wyznaczane jest wyjśce -tego neuronu w r-tej warstwe: y 1 1 exp( s w j waga 0 y j oznacza j-te wejśce, (2) ) gdze = 1 jest stałym współczynnkem sgmodalnej funkcj aktywacj neuronu. W wynku propagacj w przód, realzowanej dla każdego przykładu uczącego z bloku wektorów uczących, następuje porównane wyznaczonych wartośc wyjść sec neuronowej N y z wartoścam oczekwanym na wyjścu d, czyl wyznaczene błędu w każdym z neuronów wyjścowych: gdze N N dy ( y d ), (3) ds dy ds N N dy ds N N N N jest pochodną funkcj aktywacj, która dla funkcj sgmodalnej wynos: (1 y ) y. (4) N N W ramach propagacj wstecznej wartość błędu wyjścowego jest dystrybuowana na pozostałe neurony: 1 dy 1 1 k wk. (5) dn J k1 Propagowane błędu przebega od warstwy przedostatnej do perwszej, tzn. r = N Jednocześne dla każdego połączena w sec wyznaczona jest zmana wag:

6 54 D. R. Augustyn, K. Badura w y, (6) j 1 j gdze r = 1.. N const. (Oczywśce metoda pozwala równeż na wyznaczane zman współczynnka progu przełączena w każdym z neuronów). W ramach bloku uzyskane delty wag dla każdego połączena są sumowane: r j nrbloku w w. (7) r j po_wszytskch_przykładach_uczących_w_bloku_o_zadanym_ numerze Na tym etape sumowany jest też błąd na wyjścu sec neuronowej dla każdego przykładu uczącego, należącego do bloku. Czynnośc realzowane w ramach przetwarzana bloku są względem sebe nezależne mogą być realzowane w sposób równoległy. Po przetworzenu wszystkch bloków (uwzględnene całego zboru uczącego konec epok) następuje agregacja delt wag z bloków uczących (zsumowane): j ALL w w. (8) r j nrbloku po_wszytskch_blokach Na tym etape następuje równeż agregacja błędów z bloków uczących (zsumowane) wyznaczene błędu dla beżącej epok. W omawanym rozwązanu wykorzystano metodę momentum ( zmana wag z bezwładnoścą ), tzn. ostateczne wartośc delt wag w aktualnej epoce wyznaczane są z uwzględnenem zman wag z epok poprzednej: w w w, (9) e j j ALL e1 j gdze: e jest numerem beżącej epok, const. Wyznaczony zagregowany błąd uczena dla danej epok służy do określena, czy spełnone jest kryterum zakończena całego procesu (tzn. czy osągnęto zadowalającą dokładność uczena). 4. Ops zaproponowanego rozwązana archtektura systemu przetwarzającego w chmurze oblczenowej Archtektura systemu uczena zakłada możlwość pracy w trybe zrównoleglonym środowsku rozproszonym. Korzyśc efektywnoścowe zastosowana takej archtektury wynkają z faktu, że podczas uczena zbór wejścowy, podzelony na blok, przetwarzany jest przez nezależne podzadana typu WorkerRole BackProp Task. System zakłada współpracę klku typów podzadań (rys. 1), tj.: WebRole procesu zakładającego nterakcję z użytkownkem, służącego do ncjalzacj zadana uczena (kontekst: WebRole-Int rys. 4) albo do sprawdzana stanu zadana

7 Realzacja przetwarzana w chmurze oblczenowej na przykładze 55 odebrana wynków uczena (kontekst: WebRole-Status rys. 8). Po ncjalzacj proces WebRole zgłasza do wykonana podzadane WorkerRole-Start Task; WorkerRole-Start Task (rys. 5) procesu/podzadana rozpoczynającego realzację zdana, tzn. tworzącego ncjującego struktury danych oraz zgłaszającego do wykonana zbór podzadań typu Worker Role BackProp Task; WorkerRole BackProp Task (rys. 6) procesu/podzadana realzującego zmodyfkowany algorytm uczena sec neuronowej dla danego bloku (numer bloku jest parametrem podzadana); ostatn proces typu Worker Role BackProp Task (tzn. ten proces przetwarzający, który wykryje, że przetworzył ostatn blok zboru uczącego) zgłasza do wykonana podzadane WorkerRole End Task; WorkerRole End Task (rys. 7) procesu/podzadana kończącego terację (epokę), wyznaczającego wag na podstawe zman wag wyznaczonych w blokach (przez podzadana WorkerRole BackProp Task); jeśl zostały spełnone warunk zakończena zadana, to podzadane WorkerRole End Task tworzy plk wyjścowy (z wynkowym wagam na wejścach neuronów); w przecwnym wypadku proces zgłasza do wykonana zbór podzadań typu WorkerRole BackProp Task rozpoczyna sę następna epoka. ActvtyIntal WebRole-Int WorkerRole - Start Task... WorkerRole BackProp Task WorkerRole BackProp Task WorkerRole BackProp Task WorkerRole End Task ActvtyFnal Rys. 1. Dagram współpracujących podzadań Fg. 1. Cooperatng subtasks dagram Zgłaszane podzadań do wykonana odbywa sę za pośrednctwem kolejk (WorkerOueue z rys. 3). Do kolejk wstawany jest obekt klasy WorkItem, którego pole WorkItemType okre-

8 56 D. R. Augustyn, K. Badura śla rodzaj podzadana, a jeśl podzadane jest typu BackProp Task, przekazywany jest dodatkowo numer bloku do przetworzena (BlockNumber). Rys. 2. Synchronzacja procesów przez dane: podzadana Web Role-Int, Start Task, BackProp Task, End Task synchronzowane przez obekty WorlItem w kolejce, a podzadana Back Prop Task przez współdzelony lcznk Current Block w TaskTable Fg. 2. Process synchronzaton by data: subtasks Web Role-Int, Start Task, BackProp Task, End Task synchronzaton usng WorkItem objects placed n queue, and subtasks Back Prop Task synchronzaton usng the shared counter Current Block n TaskTable W głównej częśc kodu programu mplementującego przetwarzane dowolnego procesu typu WorkerRole (w metodze Run), w ramach neskończonej pętl następuje poberane z kolejk zgłoszena podzadana do wykonana w zależnośc od jego typu zachodz realzacja podzadana: Start Task, BackProp Task lub End Task. Lczba procesów (nstancj) typu Worker Role jest parametrem konfguracyjnym systemu. Lczba podzadań typu BackProp Task

9 Realzacja przetwarzana w chmurze oblczenowej na przykładze 57 wynka z parametrów zadana uczącego, tzn. wartośc cel [NumberOfPatterns / BlockSze]. W przykładze z rys. 2 (gdze pokazano sytuację, w której całe zadane uczena zostało zrealzowane w ramach jednej epok) lczba procesów WorkerRole była równa 2, a lczba podzadań BackProp Task była równa 3. Synchronzacja wykonana podzadań odbywa sę za pośrednctwem zawartośc kolejk, natomast wykryce, czy podzadane BaskProp jest ostatne w ramach danej teracj, odbywa sę przez badane stanu lcznka przetworzonych bloków CurrentBlock (rys. 2). Przy mplementacj systemu wykorzystano różne dostępne rodzaje magazynowana danych (rys. 3), tzn.: Azure Tables (do przechowywana danych strukturalnych np. defnujących parametry zadana, wartośc błędów w epokach czy defnujących archtekturę sec neuronowej), Azure Queues (do szeregowana wykonana podzadań), Azure Blob (do przechowywana zborów danych w postac plków XML (dane wejścowe wyjścowe) plków bnarnych (dane tymczasowe wag, zmany wag)). Rys. 3. Model danych wykorzystane metod przechowywana danych w technolog Wndows Azure, tj. tablc, kolejk pojemnków na obekty-plk typu BLOB Fg. 3. Data model usage of Wndows Azure Table, Queue, and Blob Storage 4.1. Ops współdzałających podzadań Proces WebRole-Int (uruchomona aplkacja ASP.NET), odpowedzalny za komunkację z użytkownkem za pośrednctwem strony WWW (rys. 4), pozwala na podane parametrów zdana uczącego, takch jak:

10 58 D. R. Augustyn, K. Badura warunk zakończena zadana, tj.: maksymalna lczba teracj MaxIteraton (maksymalna lczba epok) oraz dopuszczalny błąd uczena Epsylon, archtektura sec neuronowej (lczba warstw ukrytych sec neuronowej NoOfLayers lczba neuronów w każdej warstw NoOfNeurons dla LayNo w NetworkTable), rozmar bloku BlockSze (defnujący podzał zboru uczącego na blok), nazwa plku ze zborem uczącym InFlename. Zbór uczący jest w postac plku XML pownen zawerać następujące elementy: lczbę przykładów uczących (wartość NoOfPatterns), lczbę wejść (wartość NoOfInputs), lczbę wyjść sec (wartość NoOfOutputs) oraz oczywśce sekwencję wejścowych wektorów uczących odpowadających m spodzewanych wartośc wyjść sec. Rozpoczęce realzacj zadana uczącego (nacśnęce przycsku na formatce) powoduje utworzene nowego dentyfkatora zadana TaskId (GUID) pokazane go w przeglądarce WWW. Po strone systemu Azure w TaskTable tworzona jest encja z opsem zadana. Użytkownk, który późnej będze chcał sprawdzć stan zadana ewentualne pobrać wynk (realzacja procesu WebRole-Status, rys. 8), będze sę domyślne posługwał tym dentyfkatorem (chyba że zlecł jeszcze nne zadana uczena, wtedy będze musał jawne wybrać jeden z welu dentyfkatorów zadań). W ramach ncjalzacj zadana do chmury przekazywany jest plk wejścowy do kontenera n-out-storage (plk o nazwe <TaskID>-<InFleName>), tworzony jest ops archtektury sec neuronowej (lczba neuronów w każdej z warstw ukrytych) oraz wstawany jeden obekt typu WorkItem, będący zgłoszenem do wykonana podzadana WorkerRole Start. Podzadane typu WorkerRole Start (rys. 5) jest realzowane przez proces (nstancję) typu WorkerRole. W ramach tego procesu następuje: uzupełnene parametrów beżącego zadana (np. NoOfOutputs, NoOfInputs, NoOfPatterns w TaskTable), wprowadzene nformacj o archtekturze sec (lczba wejść wyjść sec w NeuralTable), wygenerowane ncjalnych, przypadkowych wartośc wag sec neuronowej ch seralzacja, tzn. zaps do plku bnarnego <TaskId>-wegths, ncjowane zeram poprzednch zman wag seralzacja do jednego plku bnarnego <TaskID>-deltasHstory (na potrzeby lczena zman wag metodą momentum (wzór (9)) oraz ncjowane zeram zman wag dla każdego z bloków, czyl utworzene tylu plków <TaskId>-deltas-<CurrentBlock>, na le bloków został podzelony cały zbór uczący. Po zakończenu opsanych czynnośc następuje wstawene do kolejk odpowednej lczby obektów WorkItem typu BackPropTask każdy z podanym numerem bloku do przetworzena. To dzałane ncjuje uruchomene welu nezależnych podzadań WorkerRole Back- Prop Task.

11 Realzacja przetwarzana w chmurze oblczenowej na przykładze 59 Rys. 4. Ops dzałań podzadana WebRole-Int (czynnośc ncjalzacj zadana) Fg. 4. Subtask WebRole-Int n detals (task ntalzaton actons) Rys. 5. Ops dzałań podzadana WorkerRole-Start Task (rozpoczęce zadana) Fg. 5. Subtask WorkerRole-Start Task n detals (startng the task) Podzadane WorkerRole BackProp Task (rys. 6) realzuje algorytm wstecznej propagacj błędu w procese uczena sec na podstawe wektorów uczących z bloku o zadanym numerze.

12 60 D. R. Augustyn, K. Badura Korzystając z częśc przykładów uczących (z <TaskID>-<InFleName>) wag z poprzednej (teracj) (z <TaskId>-weghts), następuje wyznaczene zman wag połączeń mędzy neuronowych ( ch zaps do <TaskId>-deltas-<CurrentBlock>) (wzór (8)). Dodatkowo lczony jest sumaryczny błąd średnokwadratowy, wyznaczany na podstawe bloku, zapsywany jest do odpowednej encj w OutputErrorTable (ndeksowanej numerem przetwarzanego bloku). Dodatkowo, w TaskTable, nkrementowany jest lcznk przetworzonych bloków (zerowany na początku każdej teracj). Każde podzadane typu WorkerRole Back Prop Task wykonuje przedstawone czynnośc. Jeśl podzadane przetworzyło ostatn blok (stan lcznka równy lczbe bloków), oznacza to konec teracj (zakończona epoka przetworzone wszystke przykłady uczące) do kolejk jest wstawany obekt WorkItem typu EndTask. Rys. 6. Ops dzałań podzadana WorkerRole-BackProp Task (podzadane uczena sec metodą Back Propagate na podstawe przykładów z konkretnego bloku) Fg. 6. Subtask WorkerRole-BackProp Task n detals (subtask of network learnng usng Back Propagate method based on vectors form the concrete block) W ramach podzadana WorkerRole End Task (rys. 7) następuje wyznaczene nowych wag dla całej sec neuronowej tzn. sumowane są zamany wag z każdego <TaskId>-deltas- <CurrentBlock>. Następne zmany te są modyfkowane wartoścam zman wag z poprzednej teracj (z <TaskId>-deltasHstory) (wzór (9)) zapsywane do <TaskId>-weghts. Przy okazj, na potrzeby ewentualnej kolejnej teracj, otrzymane zmany wag nadpsują te zawarte w plku <TaskId>-deltasHstory. W podzadanu WorkerRole End Task następuje równeż agregacja błędów wyznaczonych w ramach każdego z bloków (z tablcy OutputErrorTable) zaps zsumowanej wartośc błędu do encj ErrorTable (ndeksowanej numerem epok, czyl numerem beżącej teracj).

13 Realzacja przetwarzana w chmurze oblczenowej na przykładze 61 Jeśl ne zostały spełnone krytera zakończena uczena, to nkrementowany jest numer teracj (<CurrentEpoch> w TaskTable) wygenerowana jest odpowedna lczba obektów WorkItem typu BackPropTask (każdy z podanym unkalnym numerem bloku do przetworzena), wstawanych do kolejk zgłoszeń. Tym samym rozpoczyna sę kolejna teracja (epoka ucząca). Jeśl zostały spełnone krytera zakończena uczena (przekroczony w TaskTable lcznk epok, tzn. CurrentEpoch >= MaxIteraton, lub błąd uczena jest odpowedno mały, tzn. mnejszy nż Epsylon), to w kontenerze n-out-blob tworzony jest plk wynkowy <TaskId>-teached.xml z nformacjam o: parametrach zadana, archtekturze sec neuronowej, błędach dla każdej z kolejnych epok uczena oczywśce wynkowych wartoścach wag. Po wygenerowanu plku wynkowego ustawany jest stan zadana jako: wykonane (straned = true w odpowednej encj w TaskTable). Rys. 7. Ops dzałań podzadana WorkerRole-End Task (podzadane zakończena teracj (epok) kontrol warunków zakończena całego zadana uczącego) Fg. 7. Subtask WorkerRole-End Task n detals (subtask of teraton (epoch) endng and checkng fnsh condtons of the whole learnng task) Proces WebRole (kontekst WebRole-Status, rys. 8) odpowedzalny jest za odbór wynków uczena przez użytkownka. Za pomocą aplkacj WWW użytkownk może odpytać system Azure, czy zadane o podanym <TaskId> jest zakończone (sprawdzene straned w TaskTable). Jeśl zadane jest zakończone, można pobrać plk wynkowy (<TaskId>teached.xml).

14 62 D. R. Augustyn, K. Badura Rys. 8. Ops dzałań podzadana WebRole-Status (czynnośc zwązane ze sprawdzenem stanu zadana pobranem plku wynkowego) Fg. 8. Subtask WebRole-Status n detals (actvtes: checkng status of task executon and downloadng the result fle) Zrównoleglene czynnośc procesu BackProp Task przez wykorzystane modułu Parallel Extenson for.net W metodze teach, mplementującej funkcjonalność uczena w ramach BackProp Task, wykorzystano rozszerzene Parallel Extenson for.net [8] dla zwększena granulacj podzału podzadana na potrzeby dodatkowego zrównoleglena oblczeń. W metodze teach uruchamanej dla bloku danych, dla każdego przykładu uczącego, tzn. wektora z bloku, następuje wyznaczene zmany wag w każdym neurone zsumowane zmany wag. Oblczena dla pojedynczego przykładu przeprowadzane są nezależene, tzn. zmany wag, wyznaczane na podstawe przykładów uczących, są oblczane w pojedynczej teracj zrównoleglonej pętl Parallel.For [9] (synchronzacja czynnośc w ramach pętl następuje tylko przy zsumowanu zman wag wykorzystane komendy lock). Take podejśce pozwala na zrównoleglene dzałań nawet w ramach pojedynczego procesu WorkerRole Back Prop Task, jeśl tylko proces ten będze uruchamany na maszyne z procesorem welordzenowym. Take uruchomene faktyczne mało mejsce, poneważ wszystke procesy typu WorkerRole były uruchamane w ramach nstancj typu Medum (patrz rys. 8). Tak typ nstancj zakłada możlwość efektywnego wykorzystana mocy oblczenowej maszyny z procesoram welordzenowym dzęk użycu Parallel Extenson for.net. 5. Ops przykładowego użyca systemu 5.1. Admnstracja systemem Admnstrowane systemem uczena sec neuronowej odbywa sę za pośrednctwem standardowego portalu zarządzana chmurą Mcrosoft Wndows Azure. Za jego pomocą system

15 Realzacja przetwarzana w chmurze oblczenowej na przykładze 63 można wgrywać do chmury, uruchamać, montorować, rekonfgurować, zatrzymywać tp. Na rys. 9 przedstawono wdok panelu admnstracyjnego, pokazujący stan dzałana systemu: dzałające nstancje 1 WebRole 4 WorkeRole; nstancje WorkeRole są typu Medum. Rys. 9. Wdok standardowego panelu admnstracyjnego w przeglądarce nternetowej; przykład uruchomena systemu w chmurze oblczenowej; konfguracja: 1 proces WebRole 4 procesy WorkerRole Fg. 9. A vew of standard admnstratve panel n Web browser; runnng system n cloud computng envronment; the confguraton: 1 WebRole nstance and 4 WorkerRole nstances 5.2. Wynk prostych eksperymentów wydajnoścowych Testowane odbywało sę na emulatorze chmury, w środowsku lokalnym, na komputerze o następujących parametrach: procesor: AMD Athlon(tm) X2 Dual-Core QL-62 2,00 GHz, RAM: 2 GB. Testy zrealzowano równeż w prawdzwej chmurze oblczenowej, na nstancjach maszyn wrtualnych o następujących parametrach: procesor: 2 x 1,6 GHz, RAM: 3,5 GB, lokalna pojemność dyskowa: 490 GB, prędkość sec: ~200 Mbps. Ne jest możlwe stwerdzene, jake rzeczywśce były użyte: komputer, procesor td., poneważ jest to ukryte pod warstwą wrtualzacj. Testy uczena sec neuronowej zrealzowano, operając sę na tzw. ogólnodostępnych danych benchmarkowych zbór Thyrod [7]. Zbór ten został opracowany na podstawe da-

16 64 D. R. Augustyn, K. Badura nych pacjentów oraz ch wynków badań. Zbór dotyczy dagnoz chorób tarczycy. Dane te pozwalają określć, czy dany pacjent ma nadczynność, nedoczynność lub czy jego tarczyca pracuje normalne. Są one określone przez 25 cech pacjenta, 3 klasy decyzyjne oraz 3600 przykładów uczących. Do tych danych testowych dobrano następującą archtekturę sec: 21 neuronów w warstwe wejścowej (tylko 21, gdyż pomnęto te 4 cechy, w których występowały brak danych), 10 neuronów w warstwe ukrytej oraz 3 neurony wyjścowe. Przyjęto następujące wartośc: dla współczynnka uczena 0,0001 (wzór (6)) dla współczynnka momentum 0, 9 (wzór (9)). Dopuszczalny błąd uczena sec Epsylon przyjęto na pozome 0,01, a maksymalna lczba epok MaxIteraton była równa 100. Rozmar bloku uczącego BlockSze to 1800 przykładów. Został on dostosowany do konfguracj testowej z 2 nstancjam WorkerRole. Tabela 1 Uśrednony czas uczena sec Środowsko pracy Czas uczena [hh:mm:ss] Emulator 00:09:04 Wndows Azure 00:03:47 Jak pokazują wynk w tabel 1, użyce rozwązana w realnej chmurze oblczenowej, nawet w najprostszej konfguracj (tylko 2 nstancje WorkeRole), dało około 3-krotne przyspeszene w stosunku do użyca systemu w środowsku emulatora. 6. Podsumowane Nnejszy artykuł opsuje system uczena sec neuronowej, wykonany na podstawe technolog Mcrosoft Wndows Azure. Dzęk użycu specyfcznych metod przechowywana danych oraz wykorzystując model tworzena systemu opartego na welu współpracujących procesach/nstancjach, zbudowano system skalowany pod względem wydajnośc. System spełnł postawone mu wymagana (nawet przy użycu tylko 2 nstancj WorkerRole wydajność systemu dzałającego w chmurze była lepsza od jego odpowednka uruchamanego w środowsku lokalnym). Pewnym rozczarowanem dla autorów były wynk efektywnoścowe uzyskane w perwszej wersj systemu, w której wykorzystano jedyne Azure Table (bez Azue Blob). Okazało sę, że dodatkowe wykorzystane Azure Blob w kolejnych wersjach sytemu (czyl meszane podejśce z Azure Table Blob) było najefektywnejsze. Oczywśce system może być rozwjany w warstwe merytorycznej (np. nne metody uczena sec). W warstwe techncznej jednym z kerunków rozwoju będze wykorzystane usług buforujących (ang. cache) np. buforowane zboru przykładów uczących czy wartośc

17 Realzacja przetwarzana w chmurze oblczenowej na przykładze 65 wag z poprzednej epok. To pownno dać pozytywne rezultaty zarówno w sense efektywnośc, jak kosztów eksploatacj (korzystane z cache to nny, bardzej ekonomczny model kosztowy). Szczegółowy ops budowy tego systemu może posłużyć jako wskazówka dla osób tworzących podobne rozwązana (nekoneczne dotyczące dzedzny przedmotowej, zwązanej z secam neuronowym). Nektóre elementy archtektury oraz proste komponenty systemu (np. moduł szeregowana zadań, struktury danych opsujące zadane) można uczynć reużywalnym. Tak kerunek rozwoju prac może zaowocować powstanem modułu szablonowego (ang. framework), wsperającego tworzene systemów zrównoleglonych dla Wndows Azure. Przy użycu takego szablonu projektant/programsta będze odpowedzalny jedyne za dostarczene mplementacj algorytmu przetwarzającego (np. w postac kodu źródłowego albo nawet gotowych podzespołów DLL) oraz utworzene merytorycznych struktur danych. Może to ułatwć proces tworzena rozproszonych systemów przetwarzających, opartych na Wndows Azure. BIBLIOGRAFIA 1. Wndows Azure (2012), 2. Tour Overvew Wndows Azure (2012), home/tour/overvew. 3. Cloud Storage Wndows Azure (2012), develop/net/fundamentals/cloud-storage. 4. Hardas J., Nlakantan N., Calder B.: Wndows Azure Table, doc/ /wndows-azure-table-may Tadeusewcz R.: Sec neuronowe. Akademcka Ofcyna Wydawncza, Warszawa Wlson R., Martnez T.: The General Ineffcency of Batch Tranng for Gradent Descent Learnng. Neural Networks, Prechelt L.: A Set of Neural Network Benchmark Problems and Benchmarkng Rules. Techncal Report, Karlsruhe Parallel Programmng n the.net Framework (2012), 9. Data Parallelsm (Task Parallel Lbrary) (2012), lbrary/dd aspx.

18 66 D. R. Augustyn, K. Badura Wpłynęło do Redakcj 31 styczna 2012 r. Abstract The paper presents the system for artfcal neural network learnng based on the dea of cloud computng. System was mplemented for Mcrosoft Wndows Azure, so t s hghly salable and avalable. The well-known learnng algorthm.e. back propagaton method wth momentum was adopted for parallel and dstrbuted executon. The archtecture of cooperatve Worker Role nstances was proposed for parallel executon of network learnng. The paper descrbes applyng of methods of data storage lke Wndows Azure Table, Queue, Blob. Thank to smple NoSQL-lke storage servces.e. Azure Table and Blobs the data manpulaton operatons are effcent. The advantages of parallelzaton result from ether applyng multple processes (nstances) of Worker Roles or applyng Parallel Extenson for.net module n Worker Role s mplementaton. Some elements of system archtecture and component (e. module for tasks management usng queue) are reusable and may be useful n development of other Azure-based dstrbuted system. Adresy Darusz Rafał AUGUSTYN: Poltechnka Śląska, Instytut Informatyk, ul. Akademcka 16, Glwce, Polska, Kaml BADURA: Poltechnka Śląska, Instytut Informatyk, ul. Akademcka 16, Glwce, Polska,

WikiWS For Business Sharks

WikiWS For Business Sharks WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace

Bardziej szczegółowo

ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymanie Systemu Kopii Zapasowych (USKZ)

ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymanie Systemu Kopii Zapasowych (USKZ) Załącznk nr 1C do Umowy nr.. z dna.2014 r. ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymane Systemu Kop Zapasowych (USKZ) 1 INFORMACJE DOTYCZĄCE USŁUGI 1.1 CEL USŁUGI: W ramach Usług Usługodawca zobowązany jest

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja) Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz

Bardziej szczegółowo

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany

Bardziej szczegółowo

Urządzenia wejścia-wyjścia

Urządzenia wejścia-wyjścia Urządzena wejśca-wyjśca Klasyfkacja urządzeń wejśca-wyjśca. Struktura mechanzmu wejśca-wyjśca (sprzętu oprogramowana). Interakcja jednostk centralnej z urządzenam wejśca-wyjśca: odpytywane, sterowane przerwanam,

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie. Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane

Bardziej szczegółowo

Sieci Neuronowe 1 Michał Bereta

Sieci Neuronowe 1 Michał Bereta Wprowadzene Zagadnena Sztucznej Intelgencj laboratorum Sec Neuronowe 1 Mchał Bereta Sztuczne sec neuronowe można postrzegać jako modele matematyczne, które swoje wzorce wywodzą z bolog obserwacj ludzkch

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ], STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:

Bardziej szczegółowo

Zadanie na wykonanie Projektu Zespołowego

Zadanie na wykonanie Projektu Zespołowego Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry

Bardziej szczegółowo

D Archiwum Prac Dyplomowych - Instrukcja dla studentów

D Archiwum Prac Dyplomowych - Instrukcja dla studentów Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja

Bardziej szczegółowo

Bonus! Odpowiedzi do zadań na FTP. Pewnie wkrocz w świat baz danych z programem Access 2010!

Bonus! Odpowiedzi do zadań na FTP. Pewnie wkrocz w świat baz danych z programem Access 2010! Pewne wkrocz w śwat baz danych z programem Access 2010! Poznaj zasady rządzące systemam baz danych Naucz sę nstalować program Access korzystać z jego możlwośc Dowedz sę, jak defnować modyfkować strukturę

Bardziej szczegółowo

Pewnie wkrocz w świat baz danych z programem Access 2010! Bonus! Odpowiedzi do zadań na FTP

Pewnie wkrocz w świat baz danych z programem Access 2010! Bonus! Odpowiedzi do zadań na FTP Pewne wkrocz w śwat baz danych z programem Access 2010! Poznaj zasady rządzące systemam baz danych Naucz sę nstalować program Access korzystać z jego możlwośc Dowedz sę, jak defnować modyfkować strukturę

Bardziej szczegółowo

Evaluation of estimation accuracy of correlation functions with use of virtual correlator model

Evaluation of estimation accuracy of correlation functions with use of virtual correlator model Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu

Bardziej szczegółowo

Analiza ryzyka jako instrument zarządzania środowiskiem

Analiza ryzyka jako instrument zarządzania środowiskiem WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument

Bardziej szczegółowo

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych. Neural networks Lecture Notes n Pattern Recognton by W.Dzwnel Krótka hstora McCulloch Ptts (1943) - perwszy matematyczny ops dzalana neuronu przetwarzana przez nego danych. Proste neurony, które mogly

Bardziej szczegółowo

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012)

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012) 30/04! 2012 PON 13: 30! t FAX 22 55 99 910 PKPP Lewatan _..~._. _., _. _ :. _._..... _.. ~._..:.l._.... _. '. _-'-'-'"." -.-.---.. ----.---.-.~.....----------.. LEWATAN Pol~ka KonfederacJa Pracodawcow

Bardziej szczegółowo

Realizacja logiki szybkiego przeniesienia w prototypie prądowym układu FPGA Spartan II

Realizacja logiki szybkiego przeniesienia w prototypie prądowym układu FPGA Spartan II obert Berezowsk Natala Maslennkowa Wydzał Elektronk Poltechnka Koszalńska ul. Partyzantów 7, 75-4 Koszaln Mchał Bałko Przemysław Sołtan ealzacja logk szybkego przenesena w prototype prądowym układu PG

Bardziej szczegółowo

Statyczna alokacja kanałów (FCA)

Statyczna alokacja kanałów (FCA) Przydzał kanałów 1 Zarys wykładu Wprowadzene Alokacja statyczna a alokacja dynamczna Statyczne metody alokacj kanałów Dynamczne metody alokacj kanałów Inne metody alokacj kanałów Alokacja w strukturach

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe Sztuczne sec neuronowe Jerzy Stefanowsk Plan wykładu 1. Wprowadzene 2. Model sztucznego neuronu. 3. Topologe sec neuronowych 4. Reguły uczena sec neuronowych. 5. Klasyfkaca sec neuronowych. 6. Sec warstwowe

Bardziej szczegółowo

Zestaw przezbrojeniowy na inne rodzaje gazu. 1 Dysza 2 Podkładka 3 Uszczelka

Zestaw przezbrojeniowy na inne rodzaje gazu. 1 Dysza 2 Podkładka 3 Uszczelka Zestaw przezbrojenowy na nne rodzaje gazu 8 719 002 262 0 1 Dysza 2 Podkładka 3 Uszczelka PL (06.04) SM Sps treśc Sps treśc Wskazówk dotyczące bezpeczeństwa 3 Objaśnene symbol 3 1 Ustawena nstalacj gazowej

Bardziej szczegółowo

Ćwiczenie 10. Metody eksploracji danych

Ćwiczenie 10. Metody eksploracji danych Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)

Bardziej szczegółowo

THE STATISTICAL MODEL OF ROAD TRAFFIC MONITORING

THE STATISTICAL MODEL OF ROAD TRAFFIC MONITORING ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 200909 Sera: TRANSPORT z. 65 Nr kol. 1807 Teresa PAMUŁA, Aleksander KRÓL STATYSTYCZNY MODEL MONITOROWANIA RUCHU DROGOWEGO Streszczene. W artykule przedstawono koncepcję

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów

Bardziej szczegółowo

Wykład IX Optymalizacja i minimalizacja funkcji

Wykład IX Optymalizacja i minimalizacja funkcji Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej

Bardziej szczegółowo

Zapytanie ofertowe nr 4/2016/Młodzi (dotyczy zamówienia na usługę ochrony)

Zapytanie ofertowe nr 4/2016/Młodzi (dotyczy zamówienia na usługę ochrony) Fundacja na Rzecz Rozwoju Młodzeży Młodz Młodym ul. Katedralna 4 50-328 Wrocław tel. 882 021 007 mlodzmlodym@archdecezja.wroc.pl, www.sdm2016.wroclaw.pl Wrocław, 24 maja 2016 r. Zapytane ofertowe nr 4/2016/Młodz

Bardziej szczegółowo

Zastosowanie symulatora ChemCad do modelowania złożonych układów reakcyjnych procesów petrochemicznych

Zastosowanie symulatora ChemCad do modelowania złożonych układów reakcyjnych procesów petrochemicznych NAFTA-GAZ styczeń 2011 ROK LXVII Anna Rembesa-Śmszek Instytut Nafty Gazu, Kraków Andrzej Wyczesany Poltechnka Krakowska, Kraków Zastosowane symulatora ChemCad do modelowana złożonych układów reakcyjnych

Bardziej szczegółowo

Zmodyfikowana technika programowania dynamicznego

Zmodyfikowana technika programowania dynamicznego Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin promocji 14 wiosna promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30

Bardziej szczegółowo

Współczynnik przenikania ciepła U v. 4.00

Współczynnik przenikania ciepła U v. 4.00 Współczynnk przenkana cepła U v. 4.00 1 WYMAGANIA Maksymalne wartośc współczynnków przenkana cepła U dla ścan, stropów, stropodachów, oken drzw balkonowych podano w załącznku do Rozporządzena Mnstra Infrastruktury

Bardziej szczegółowo

Tworzenie stron WWW. Kurs. Wydanie III

Tworzenie stron WWW. Kurs. Wydanie III Idź do Sps treśc Przykładowy rozdzał Katalog ksążek Katalog onlne Zamów drukowany katalog Twój koszyk Dodaj do koszyka Cennk nformacje Zamów nformacje o nowoścach Zamów cennk Czytelna Fragmenty ksążek

Bardziej szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin promocji zimowa piętnastka zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna

Bardziej szczegółowo

Elektroniczna Platforma Nadzoru. Repozytorium Dokumentów. Podręcznik użytkownika

Elektroniczna Platforma Nadzoru. Repozytorium Dokumentów. Podręcznik użytkownika Elektronczna Platforma Nadzoru Repozytorum Dokumentów Podręcznk użytkownka SPIS TREŚCI Sps treśc 1 Legenda 3 2 Archwum Plków 4 2.1 Zabezpeczene Archwum Plków............................. 5 2.2 Struktura

Bardziej szczegółowo

SYSTEM ZALICZEŃ ĆWICZEŃ

SYSTEM ZALICZEŃ ĆWICZEŃ AMI, zma 010/011 mgr Krzysztof Rykaczewsk System zalczeń Wydzał Matematyk Informatyk UMK SYSTEM ZALICZEŃ ĆWICZEŃ z Analzy Matematycznej I, 010/011 (na podst. L.G., K.L., J.M., K.R.) Nnejszy dokument dotyczy

Bardziej szczegółowo

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się KOMISJA EUROPEJSKA NOTATKA Bruksela, 18 styczna 2013 r. Nowe europejske prawo jazdy w celu wększej ochrony, bezpeczeństwa swobodnego przemeszczana sę W dnu 19 styczna 2013 r., w ramach wejśca w życe trzecej

Bardziej szczegółowo

OPTYMALIZACJA PROCESU PRZESIEWANIA W PRZESIEWACZACH WIELOPOKŁADOWYCH

OPTYMALIZACJA PROCESU PRZESIEWANIA W PRZESIEWACZACH WIELOPOKŁADOWYCH Prace Naukowe Instytutu Górnctwa Nr 136 Poltechnk Wrocławskej Nr 136 Studa Materały Nr 43 2013 Jerzy MALEWSKI* Marta BASZCZYŃSKA** przesewane, jakość produktów, optymalzacja OPTYMALIZACJA PROCESU PRZESIEWANIA

Bardziej szczegółowo

TECH 3341 POMIARY GŁOŚNOŚCI: POMIAR W TRYBIE EBU UZUPEŁNIAJĄCY NORMALIZACJĘ GŁOŚNOŚCI ZGODNIE Z EBU R 128 INFORMACJE DODATKOWE DLA ZALECENIA R 128

TECH 3341 POMIARY GŁOŚNOŚCI: POMIAR W TRYBIE EBU UZUPEŁNIAJĄCY NORMALIZACJĘ GŁOŚNOŚCI ZGODNIE Z EBU R 128 INFORMACJE DODATKOWE DLA ZALECENIA R 128 TECH 3341 POMIARY GŁOŚNOŚCI: POMIAR W TRYBIE EBU UZUPEŁNIAJĄCY NORMALIZACJĘ GŁOŚNOŚCI ZGODNIE Z EBU R 128 INFORMACJE DODATKOWE DLA ZALECENIA R 128 THIS INFORMAL TRANSLATION OF TECH 3341 INTO POLISH HAS

Bardziej szczegółowo

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO 3. ŁUK ELEKTRYCZNY PRĄDU STŁEGO I PRZEMIENNEGO 3.1. Cel zakres ćwczena Celem ćwczena jest zapoznane sę z podstawowym właścwoścam łuku elektrycznego palącego sę swobodne, w powetrzu o cśnentmosferycznym.

Bardziej szczegółowo

D Archiwum Prac Dyplomowych - Instrukcja dla opiekunów/promotorów/recenzentów

D Archiwum Prac Dyplomowych - Instrukcja dla opiekunów/promotorów/recenzentów D Archwum Prac Dyplomowych - Instrukcja dla opekunów/promotorów/recenzentów Kraków 13.01.2016 r. Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu

Bardziej szczegółowo

PRZETWARZANIE AGENTOWE

PRZETWARZANIE AGENTOWE POLITECHNIKA ŚLĄSKA INSTYTUT INFORMATYKI LABORATORIUM HURTOWNI DANYCH PRZETWARZANIE AGENTOWE TEORIA Marcn Gorawsk Sławomr Bańkowsk Glwce 2005 Laboratorum HDSED - Przetwarzane Agentowe 2 SPIS TREŚCI 1 Wstęp

Bardziej szczegółowo

Przewodnik użytkownika

Przewodnik użytkownika Przewodnk użytkownka Aplkacja Mertum Bank Moblny Przejdź do mertum 2 mertumbank.pl/moblny Aktualzacja: lpec 2015 Szanowny Klence, Dzękujemy za zanteresowane naszą aplkacją. Aplkacja moblna Mertum Banku

Bardziej szczegółowo

Przewodnik użytkownika

Przewodnik użytkownika Przewodnk użytkownka Aplkacja Mertum Bank Moblny Przejdź do mertum 2 moblny.mertumbank.pl Aktualzacja: grudzeń 2013 Szanowny Klence, Dzękujemy za zanteresowane naszą aplkacją. Aplkacja moblna Mertum Banku

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.

Bardziej szczegółowo

Problem plecakowy (KNAPSACK PROBLEM).

Problem plecakowy (KNAPSACK PROBLEM). Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne

Bardziej szczegółowo

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Ewa Szymank Katedra Teor Ekonom Akadema Ekonomczna w Krakowe ul. Rakowcka 27, 31-510 Kraków STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Abstrakt Artykuł przedstawa wynk badań konkurencyjnośc

Bardziej szczegółowo

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki Metody Planowana Eksperymentów Rozdzał 1. Strona 1 z 14 METODY PLANOWANIA EKSPERYMENTÓW dr hab. nż. Marusz B. Bogack Marusz.Bogack@put.poznan.pl www.fct.put.poznan.pl/cv23.htm Marusz B. Bogack 1 Metody

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej

Bardziej szczegółowo

mgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH

mgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH Poltechnka Gdańska Wydzał Inżyner Lądowej Środowska Katedra ydrotechnk mgr nż. Wojcech Artchowcz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁAC OTWARTYC PRACA DOKTORSKA Promotor: prof. dr

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy

Bardziej szczegółowo

Rozliczanie kosztów Proces rozliczania kosztów

Rozliczanie kosztów Proces rozliczania kosztów Rozlczane kosztów Proces rozlczana kosztów Koszty dzałalnośc jednostek gospodarczych są złoŝoną kategorą ekonomczną, ujmowaną weloprzekrojowo. W systeme rachunku kosztów odbywa sę transformacja jednych

Bardziej szczegółowo

A O n RZECZPOSPOLITA POLSKA. Gospodarki Narodowej. Warszawa, dnia2/stycznia 2014

A O n RZECZPOSPOLITA POLSKA. Gospodarki Narodowej. Warszawa, dnia2/stycznia 2014 Warszawa, dna2/styczna 2014 r, RZECZPOSPOLITA POLSKA MINISTERSTWO ADMINISTRACJI I CYFRYZACJI PODSEKRETARZ STANU Małgorzata Olsze wska BM-WP 005.6. 20 14 Pan Marek Zółkowsk Przewodnczący Komsj Gospodark

Bardziej szczegółowo

4.1. Komputer i grafika komputerowa

4.1. Komputer i grafika komputerowa 4. 4.1. Komputer grafka komputerowa Ucz 2 3 4 5 6 komputera; zestawu komputerowego; w podstawowym zakrese; zastosowana komputera, acy defnuje komputer jako zestaw omawa zastosowane komputera nauk gospodark;

Bardziej szczegółowo

Opracowanie schematu funkcyjnego systemu zarządzania organizacją edukacyjną w warunkach ODL

Opracowanie schematu funkcyjnego systemu zarządzania organizacją edukacyjną w warunkach ODL Opracowane schematu funkcyjnego systemu zarządzana organzacją edukacyjną w warunkach ODL Emma Kushtna, rzemysław RóŜewsk Instytut Systemów Informatycznych, Wydzał Informatyk, oltechnka Szczecńska {ekushtna,

Bardziej szczegółowo

e-off f i f ce: :Sekr k e r tari r at t w chm h urz r e Marcin Pytel

e-off f i f ce: :Sekr k e r tari r at t w chm h urz r e Marcin Pytel e-office: Sekretariat w chmurze Marcin Pytel Plan prezentacji 1. Wprowadzenie do systemu e-office. 2. Architektura systemu. 3. Doświadczenia praktyczne z pracy z Azure. 4. Plany dotyczące rozwoju systemu.

Bardziej szczegółowo

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru Pomary fzyczne - dokonywane tylko ze skończoną dokładnoścą. Powodem - nedoskonałość przyrządów pomarowych neprecyzyjność naszych zmysłów borących udzał w obserwacjach. Podawane samego tylko wynku pomaru

Bardziej szczegółowo

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA

Bardziej szczegółowo

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole Drog Gmnazjalsto, Wkrótce w nauka w szkole w jak sposób je jedno z z w pracodawców. zasadnczych szkole racjonalnego wyboru przestrz W prowadzona przy pomocy systemu elektroncznego. Rekrutacja wspomagana

Bardziej szczegółowo

9 konkurs ICT Objective: 9.11 FET Proactive Neuro-bio. 9 konkurs ICT

9 konkurs ICT Objective: 9.11 FET Proactive Neuro-bio. 9 konkurs ICT Dzeń Informacyjny ICT dla podmotów zanteresowanych uczestnctwem w mędzynarodowych projektach B+R w ramach 7 Programu Ramowego: 9 konkurs ICT Warszawa, 31.01.2012 9 konkurs ICT Objectve: 9.11 FET Proactve

Bardziej szczegółowo

Model IS-LM-BP. Model IS-LM-BP jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak

Model IS-LM-BP. Model IS-LM-BP jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak Ćwczena z Makroekonom II Model IS-LM- Model IS-LM- jest wersją modelu ISLM w gospodarce otwartej. Pokazuje on zatem jak gospodarka taka zachowuje sę w krótkm okrese, w efekce dzałań podejmowanych w ramach

Bardziej szczegółowo

na zabezpieczeniu z połączeniu

na zabezpieczeniu z połączeniu 2011 Montorng Zabezpeczane obektów Jesteśmy zespołem fachowców, którzy dostarczają wysokej jakośc usług. Nasza dzałalnośćć koncentruje sę przede wszystkm na doskonałym zabezpeczenu państwa dóbr. Dostarczamy

Bardziej szczegółowo

Proste modele ze złożonym zachowaniem czyli o chaosie

Proste modele ze złożonym zachowaniem czyli o chaosie Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok

Bardziej szczegółowo

Komputerowe wspomaganie procesów decyzyjnych w sklepach wielkopowierzchniowych z wykorzystaniem optymalizacji wielokryterialnej i metod przybliżonych

Komputerowe wspomaganie procesów decyzyjnych w sklepach wielkopowierzchniowych z wykorzystaniem optymalizacji wielokryterialnej i metod przybliżonych Instytut Badań Systemowych Polskej Akadem Nauk Janusz Mrofords Komputerowe wspomagane procesów decyzyjnych w sklepach welkopowerzchnowych z wykorzystanem optymalzacj welokryteralnej metod przyblżonych

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

Systemy Ochrony Powietrza Ćwiczenia Laboratoryjne

Systemy Ochrony Powietrza Ćwiczenia Laboratoryjne ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych

Bardziej szczegółowo

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2 T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej

Bardziej szczegółowo

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość

Bardziej szczegółowo

OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO

OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POBLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU GENETYCZNEGO POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 81 Electrcal Engneerng 015 Mkołaj KSIĄŻKIEWICZ* OPTYMALIZACJA WARTOŚCI POLA MAGNETYCZNEGO W POLIŻU LINII NAPOWIETRZNEJ Z WYKORZYSTANIEM ALGORYTMU

Bardziej szczegółowo

Wielokryterialny Trójwymiarowy Problem Pakowania

Wielokryterialny Trójwymiarowy Problem Pakowania Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Automatyki

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Automatyki Poltechnka Gdańska Wydzał Elektrotechnk Automatyk Katedra Automatyk Kazmerz T. Kosmowsk k.kosmowsk@ely.pg.gda.pl Wprowadzene do przedmotu Nezawodność dagnostyka Aktualne zagadnena nezawodnośc Przedmot:

Bardziej szczegółowo

PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE

PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.

Bardziej szczegółowo

System Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik

System Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ   Autor: Joanna Wójcik Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA

Bardziej szczegółowo

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4. Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można

Bardziej szczegółowo

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013 ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp

Bardziej szczegółowo

(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy

(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy (MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Semestr zimowy Brak Nie

Semestr zimowy Brak Nie KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angelskm Obowązuje od roku akademckego 2015/2016 Z-ID-702 Semnarum praca dyplomowa Semnar and Dplom Thess A. USYTUOWANIE MODUŁU

Bardziej szczegółowo

Programowanie aplikacji przetwarzających w chmurze. Bazy danych.

Programowanie aplikacji przetwarzających w chmurze. Bazy danych. Programowanie aplikacji przetwarzających w chmurze. Bazy danych. Chmura jako koncepcja Koncepcja znana do dawna Główne powody szukania rozwiązań chmurowych Koszty infrastruktury Koszty utrzymania i administracji

Bardziej szczegółowo

Koncepcja pracy. Zespołu Szkolno-Przedszkolnego. na lata 2014-2017

Koncepcja pracy. Zespołu Szkolno-Przedszkolnego. na lata 2014-2017 Koncepcja pracy Zespołu Szkolno-Przedszkolnego na lata 2014-2017 I. Podstawa prawna opracowana koncepcj: 1. Ustawa z dna 7 wrześna 1991 r. o systeme ośwaty (Dz. U. z 2004 r. Nr 256, poz. 2572 z późn. zm.),

Bardziej szczegółowo

ZAJĘCIA X. Zasada największej wiarygodności

ZAJĘCIA X. Zasada największej wiarygodności ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na

Bardziej szczegółowo

3.1. ODZIAŁYWANIE DŹWIĘKÓW NA CZŁOWIEKA I OTOCZENIE

3.1. ODZIAŁYWANIE DŹWIĘKÓW NA CZŁOWIEKA I OTOCZENIE 3. KRYTERIA OCENY HAŁASU I DRGAŃ Hałas to każdy dźwęk nepożądany, przeszkadzający, nezależne od jego natury, kontekstu znaczena. Podobne rzecz sę ma z drganam. Oba te zjawska oddzałują nekorzystne na człoweka

Bardziej szczegółowo

Instrukcja użytkowania programu do obliczeń stateczności skarp zboczy ziemnych na poślizg

Instrukcja użytkowania programu do obliczeń stateczności skarp zboczy ziemnych na poślizg SKARPA dla Wndows 95/98/Me/NT 4/2000 Wersja 1.5 Instrukcja użytkowana programu do oblczeń statecznośc skarp zboczy zemnych na poślzg Przygotowal: Potr Bartkewcz Jacek Stasersk Warszawa 2001 Sps treśc Podstawowe

Bardziej szczegółowo

WYBRANE METODY TWORZENIA STRATEGII ZRÓWNOWAŻONEGO TRANSPORTU MIEJSKIEGO SELECTED METHODS FOR DEVELOPING SUSTAINABLE URBAN TRANS- PORT STRATEGIES

WYBRANE METODY TWORZENIA STRATEGII ZRÓWNOWAŻONEGO TRANSPORTU MIEJSKIEGO SELECTED METHODS FOR DEVELOPING SUSTAINABLE URBAN TRANS- PORT STRATEGIES Zbgnew SKROBACKI WYBRANE METODY TWORZENIA STRATEGII ZRÓWNOWAŻONEGO TRANSPORTU MIEJSKIEGO SELECTED METHODS FOR DEVELOPING SUSTAINABLE URBAN TRANS- PORT STRATEGIES W artykule przedstawone systemowe podejśce

Bardziej szczegółowo

WIELOKRYTERIALNE WSPOMAGANIE DECYZJI W HARMONOGRAMOWANIU PROJEKTÓW 1

WIELOKRYTERIALNE WSPOMAGANIE DECYZJI W HARMONOGRAMOWANIU PROJEKTÓW 1 DECYZJE nr 13 czerwec 2010 WIELOKRYTERIALNE WSPOMAGANIE DECYZJI W HARMONOGRAMOWANIU PROJEKTÓW 1 Tomasz Błaszczyk* Akadema Ekonomczna w Katowcach Macej Nowak** Akadema Ekonomczna w Katowcach Streszczene:

Bardziej szczegółowo

Regulamin promocji upalne lato 2014 2.0

Regulamin promocji upalne lato 2014 2.0 upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa

Bardziej szczegółowo

OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW

OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW Inżynera Rolncza 8(96)/2007 OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW Jolanta Królczyk, Marek Tukendorf Katedra Technk Rolnczej Leśnej,

Bardziej szczegółowo

POJAZDY SZYNOWE 2/2014

POJAZDY SZYNOWE 2/2014 ANALIZA PRZYCZYN I SKUTKÓW USZKODZEŃ (FMEA) W ZASTOSOWANIU DO POJAZDÓW SZYNOWYCH dr nż. Macej Szkoda, mgr nż. Grzegorz Kaczor Poltechnka Krakowska, Instytut Pojazdów Szynowych al. Jana Pawła II 37, 31-864

Bardziej szczegółowo

1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej...

1 Metody optymalizacji wielokryterialnej... 1 1.1 Ogólna charakterystyka problemu... 1 1.2 Tradycyjne metody optymalizacji wielokryterialnej... 1 Metody optymalzacj welokryteralnej.... 1 1.1 Ogólna charakterystyka problemu.... 1 1.2 Tradycyjne metody optymalzacj welokryteralnej.... 3 1.2.1 Metoda ważonych kryterów.... 3 1.2.2 Metoda optymalzacj

Bardziej szczegółowo

BADANIE DRGAŃ WŁASNYCH NAPĘDU ROBOTA KUCHENNEGO Z SILNIKIEM SRM

BADANIE DRGAŃ WŁASNYCH NAPĘDU ROBOTA KUCHENNEGO Z SILNIKIEM SRM Zeszyty Problemowe Maszyny Elektryczne Nr 88/2010 13 Potr Bogusz Marusz Korkosz Jan Prokop POLITECHNIKA RZESZOWSKA Wydzał Elektrotechnk Informatyk BADANIE DRGAŃ WŁASNYCH NAPĘDU ROBOTA KUCHENNEGO Z SILNIKIEM

Bardziej szczegółowo

MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI

MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Alcja Wolny-Domnak Unwersytet Ekonomczny w Katowcach MODELOWANIE LICZBY SZKÓD W UBEZPIECZENIACH KOMUNIKACYJNYCH W PRZYPADKU WYSTĘPOWANIA DUŻEJ LICZBY ZER, Z WYKORZYSTANIEM PROCEDURY KROSWALIDACJI Wprowadzene

Bardziej szczegółowo

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ

1. SPRAWDZENIE WYSTEPOWANIA RYZYKA KONDENSACJI POWIERZCHNIOWEJ ORAZ KONDENSACJI MIĘDZYWARSTWOWEJ W ŚCIANIE ZEWNĘTRZNEJ Ćwczene nr 1 cz.3 Dyfuzja pary wodnej zachodz w kerunku od środowska o wyższej temperaturze do środowska chłodnejszego. Para wodna dyfundująca przez przegrody budowlane w okrese zmowym napotyka na coraz

Bardziej szczegółowo

ZASTOSOWANIE PROGRAMOWANIA DYNAMICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EMISJI GAZÓW

ZASTOSOWANIE PROGRAMOWANIA DYNAMICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EMISJI GAZÓW ZASTOSOWANIE PROGRAOWANIA DYNAICZNEGO DO OPRACOWANIA STRATEGII REDUKCJI EISJI GAZÓW ANDRZEJ KAŁUSZKO Instytut Bada Systemowych Streszczene W pracy opsano zadane efektywnego przydzału ogranczonych rodków

Bardziej szczegółowo

Delegacje otrzymują w załączeniu dokument Komisji D012257/03 ZAŁĄCZNIK.

Delegacje otrzymują w załączeniu dokument Komisji D012257/03 ZAŁĄCZNIK. RADA UNII EUROPEJSKIEJ Bruksela, 28 lpca 20 r. (29.07) (OR. en) 082/ ADD AVIATION 94 PISMO PRZEWODNIE Od: Komsja Europejska Data otrzymana: 8 lpca 20 r. Do: Sekretarat Generalny Rady Nr dok. Kom D02257/0

Bardziej szczegółowo

SPECYFIKACJA TECHNICZNA S-04.00. ROBOTY MUROWE

SPECYFIKACJA TECHNICZNA S-04.00. ROBOTY MUROWE TOM III - Specyfkacje Technczne SPECYFIKACJA TECHNICZNA S-04.00. ROBOTY MUROWE Remont rozbudowa budynku szatnowego przy boskach sportowych w Morynu. 42 są TOM III - Specyfkacje Technczne 1. WST P 1.1.

Bardziej szczegółowo

Instrukcja instalacji systemu. Moduzone Z11 Moduzone Z20 B Moduzone Z30

Instrukcja instalacji systemu. Moduzone Z11 Moduzone Z20 B Moduzone Z30 Instrukcja nstalacj systemu Moduzone Z11 Moduzone Z20 B Moduzone Z30 SPIS TREŚCI INTRUKCJA 1 Instrukcja... 2 1.1 Uwag dotyczące dokumentacj...2 1.2 Dołączone dokumenty...2 1.3 Objaśnene symbol...2 1.4

Bardziej szczegółowo

KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE

KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Adranna Mastalerz-Kodzs Unwersytet Ekonomczny w Katowcach KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Wprowadzene W dzałalnośc nstytucj fnansowych, takch

Bardziej szczegółowo