Statystyki teoriografowe grafów funkcjonalnych w sieciach neuronowych

Wielkość: px
Rozpocząć pokaz od strony:

Download "Statystyki teoriografowe grafów funkcjonalnych w sieciach neuronowych"

Transkrypt

1 Statystyki teoriografowe grafów funkcjonalnych w sieciach neuronowych Wydział Matematyki i Informatyki, UMK

2 1 Wstęp Motywacja 2 Model 3 4 Dalsze plany Referencje

3 Motywacja 1 Wstęp Motywacja 2 Model 3 4 Dalsze plany Referencje

4 Motywacja Wstęp Motywacja Skąd się wzięły grafy losowe? Siatka Pełny

5 Motywacja Wstęp Motywacja Model losowy (ER) i Alberty-Barabasiego [1], Charakterystyki grafów losowych, Siatka + losowe zmiany: Losowy ER:

6 Motywacja Wstęp Motywacja Potęgowy rozkład stopni grafu, Stany krytyczne skomplikowanych układów, Graf Alberty Barabasiego

7 Motywacja Wstęp Motywacja Aktywność mózgowa (fmri) w trakcie prostych czynności [3], Aktywność sieciach neuronowych?

8 Nasz wkład Wstęp Motywacja Analiza przepływu aktywności w grafach pełnych (Filip Piękniewski) oraz rzadkich zanurzonych w R 3 (JP), Model przepływu aktywności pomiędzy jednostkami, Analiza rozkładu stopni (bezskalowość), charakterystycznej długości ścieżek i klasteryzacji (graf małego świata) uzyskanej sieci.

9 Model 1 Wstęp Motywacja 2 Model 3 4 Dalsze plany Referencje

10 Model Wstęp Model Jednostki rozmieszczone losowo na S 2, Abstrakcyjny poziom aktywności σ i (ładunek, spin), Połączenia synaptyczne zależne od geometrycznej lokalizacji, { d(u, v) α d(u, v) 1 P({u, v} E) = 1 wpw, α < 1 losowe wagi synaps w ij, Energia układu: E( σ) = (u,v) E w u,v σ v σ u

11 Dynamika Wstęp Model Wybieramy parę neuronów u, v V połączonych synapsą {u, v} E, taką że σ u 1, Dokonujemy transferu jednej jednostki ładunku z u do v, σ u := σ u 1, σ v := σ v + 1, Jeżeli powoduje to spadek energii układu, to akceptujemy zmianę, Jeżeli powoduje wzrost o E, to akceptujemy z prawdopodobieństwem P(u v) = exp( β E) i odrzucamy wpw. Kończymy po osiągnięciu stanu stabilnego, wracamy do 1.

12 Ewolucja sieci Hopfielda Model click

13 Graf aktywności funkcjonalnej Model Zapamiętujemy dokonane transfery przez krawędź d uv, Wybieramy wszystkie neurony, V 1 = V, Krawędzie powyżej progu E 1 = {e = {u, v} E : d uv + d vu θ}, Graf aktywności funkcjonalnej = G 1 := (V 1, E 1 )

14 Graf aktywności funkcjonalnej Model Losowy Erdős-Rényi ego: Uzyskany graf:

15 1 Wstęp Motywacja 2 Model 3 4 Dalsze plany Referencje

16 w grafie P(deg in (v) = k)

17 10 3 Degree distribution 12k 28k 78k 10 5 CCDF 12k 28k 78k Counts Counts Degree Complementary Cumulative Degree Distribution

18 Średnica grafu / charakterystyczna długość ścieżki D = max u,v V L = avg u,v V min u=p 1,p 2,...,p n=v:(p i,p i+1 ) E) min u=p 1,p 2,...,p n=v:(p i,p i+1 ) E) p 1..p n p 1..p n

19 Charakterystyczna i maksymalna długość ścieżki 7 6 APL = APL = -3.5 MPL = -2.5 MPL = diameter neurons

20 C(u) = {e = (w, v) : e E (w, u) E (v, u) E} {(w, v) : (w, u) E (v, u) E} C = 1 C(u) V u V

21 10 3 Clustering coefficient 28k 10 2 Counts Clustering

22 path-length ratio clustering ratio small-world-ness indicator λ = L REAL L TEO γ = C REAL C TEO σ = γ λ

23 Stosunek długości ścieżki 5 L real L teo 4 3 Length Neurons

24 Stosunek długości klasteryzacji 10 0 c real c teo Clustering Neurons

25 Wsk. małego świata 10 2 = / Neurons

26 ER {e C : v R n Adj v = Adj e} eig i i

27 Typowe spektrum grafu aktywności funkcyjnej all eigenvalues in linear segment eig i range = = % i

28 Ewolucja spektrum w trakcie dynamiki 5000 lower bound i1 upper bound i2 segment length i2-i index simulation progress [%]

29 Ewolucja spektrum w trakcie dynamiki click

30 Rozkład stopni Network Size α Notes Source Brain fmri 31k 2.0 r c = 0.6 Eguiluz [3] Brain fmri 17k 2.1 r c = 0.7 Eguiluz [3] Brain fmri 4.8k 2.2 r c = 0.8 Eguiluz [3] Cortex k α e k/kc He et al. [5] Ising model 40k 2 T = 2.3 (crit.) Fraiman et al. [4] Simplified model 58k S 2 Piersa et al. [6]

31 Długość ścieżki Network Size L real L rand Notes Source Brain fmri 31k r c = 0.6 Eguiluz [3] Brain fmri 17k r c = 0.7 Eguiluz [3] Brain fmri 4.8k r c = 0.8 Eguiluz [3] Cortex He et al. [5] Human fmri Basset Bullmore [2] Ising model 40k T = 2.3 (crit.) Fraiman et al. [4] Simplified model 50k S 2, d = 2.5 Piersa [7]

32 Klasteryzacja Wstęp Network Size C real C rand Notes Source Brain fmri 31k r c = 0.6 Eguiluz [3] Brain fmri 17k r c = 0.7 Eguiluz [3] Brain fmri 4.8k r c = 0.8 Eguiluz [3] Cortex He et al. [5] Human fmri Basset Bullmore [2] Ising model 40k T = 2.3 (crit.) Fraiman et al. [4] Simplified model 50k S 2, d = 2.5 Piersa

33 Plany Wstęp Dalsze plany Referencje Rozprawa doktorska! Odporność na szumy i awarie, Dynamika i analiza na ewoluującej sieci, Analiza asymetrycznych grafów przepływu aktywności.

34 Referencje I Wstęp Dalsze plany Referencje R. Albert, A. L. Barabasi, Statistical mechanics of complex networks, Reviews of modern physics, Vol 74, January 2002 D. S. Bassett E. Bullmore Small-World Brain Networks, The Neuroscientist, Volume 12, Number 6, 2006 V. Eguiluz, D. Chialvo, G. Cecchi, M. Baliki, V. Apkarian Scale-free brain functional networks, Physical Review Letters, PRL , JAN 2005, D. Fraiman, P. Balenzuela, J. Foss, D. R. Chialvo, Ising-like dynamics in large-scale functional brain networks, Physical Review E, Volume 79, Issue 6, doi: /physreve , June 2009.

35 Referencje II Wstęp Dalsze plany Referencje Y. He, Z. J. Chen, A. C. Evans, Small-World Anatomical Networks in the Human Brain Revealed by Cortical Thickness from MRI, Cerebral Cortex October 2007;17: J. Piersa, F. Piekniewski, T. Schreiber, Theoretical model for mesoscopic-level scale-free self-organization of functional brain networks, IEEE Transactions on Neural Networks, vol. 21, no. 11, November 2010 J. Piersa Diameter of the spike-flow graphs of geometrical neural networks, accepted for postproceedings 9th International Conference on Parallel Processing and Applied Mathematics, serie Lecture Notes on Computer Science, September 2011.

36 Referencje III Wstęp Dalsze plany Referencje D. Watts, S. Strogatz Collective dynamics of small-world networks, Nature, vol 393, 4 June 1998, pp

37 Podziękowania Dalsze plany Referencje Autor pragnie podziękować projektowi PL-Grid za dostęp do infrastruktury obliczeniowej. Praca finansowana przez Ministerstwo Nauki i Szkolnictwa Wyższego z grantu DEC-2011/01/N/ST6/01931.

Sieci: grafy i macierze. Sieci afiliacji. Analiza sieci społecznych. Najważniejsze pytania. Komunikatory internetowe

Sieci: grafy i macierze. Sieci afiliacji. Analiza sieci społecznych. Najważniejsze pytania. Komunikatory internetowe Sieci społeczne Charakterystyka, uwarunkowania i konsekwencje struktur relacji społecznych na przykładzie komunikacji internetowej E Sieci: grafy i macierze A B A B A - C D E dr Dominik Batorski B - Instytut

Bardziej szczegółowo

Filip Piękniewski - Curriculum Vitae

Filip Piękniewski - Curriculum Vitae Filip Piękniewski - Curriculum Vitae Informacje Kontaktowe Brain Corporation Tel: +1 (858) 651 6303 5665 Morehouse Drive E-mail: Filip.Piekniewski@braincorporation.com San Diego, CA, 92121, USA WWW: http://www.braincorporation.com

Bardziej szczegółowo

Spontaniczna struktura bezskalowa w grafach przepływu impulsów dla rekurencyjnych sieci neuronowych

Spontaniczna struktura bezskalowa w grafach przepływu impulsów dla rekurencyjnych sieci neuronowych Spontaniczna struktura bezskalowa w grafach przepływu impulsów dla rekurencyjnych sieci neuronowych Filip Piękniewski Wydział Matematyki i Informatyki Uniwersytetu Mikołaja Kopernika w Toruniu Praca doktorska

Bardziej szczegółowo

Warsztaty metod fizyki teoretycznej

Warsztaty metod fizyki teoretycznej Warsztaty metod fizyki teoretycznej Zestaw 6 Układy złożone- sieci w otaczającym nas świecie Marcin Zagórski, Jan Kaczmarczyk 17.04.2012 1 Wprowadzenie W otaczającym nas świecie odnajdujemy wiele struktur,

Bardziej szczegółowo

Badania w sieciach złożonych

Badania w sieciach złożonych Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar

Bardziej szczegółowo

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

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

Bardziej szczegółowo

Centralność w sieciach społecznych. Radosław Michalski Social Network Group - kwiecień 2009

Centralność w sieciach społecznych. Radosław Michalski Social Network Group - kwiecień 2009 Centralność w sieciach społecznych Radosław Michalski Social Network Group - kwiecień 2009 Agenda spotkania Pojęcie centralności Potrzeba pomiaru centralności Miary centralności degree centrality betweenness

Bardziej szczegółowo

Nowy generator grafów dwudzielnych

Nowy generator grafów dwudzielnych Nowy generator grafów dwudzielnych w analizie systemów rekomendujących Szymon Chojnacki Instytut Podstaw Informatyki Polskiej Akademii Nauk 08 marca 2011 roku Plan prezentacji 1 Wprowadzenie 2 Dane rzeczywiste

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa

Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego

Bardziej szczegółowo

GMWØJCIK Publications

GMWØJCIK Publications GMWØJCIK Publications A. Gajos and G. M. Wojcik, Electroencephalographic detection of synesthesia, Annales Universitatis Mariae Curie-Sklodowska, Sectio AI: Informatica, vol. 14, no. 3, pp. 43 52, 2014.

Bardziej szczegółowo

WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA

WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA DROGI i CYKLE w grafach Dla grafu (nieskierowanego) G = ( V, E ) drogą z wierzchołka v 0 V do v t V nazywamy ciąg (naprzemienny) wierzchołków i krawędzi grafu: ( v 0, e, v, e,..., v t, e t, v t ), spełniający

Bardziej szczegółowo

Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie

Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje

Bardziej szczegółowo

POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH

POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH POISSONOWSKA APROKSYMACJA W SYSTEMACH NIEZAWODNOŚCIOWYCH Barbara Popowska bpopowsk@math.put.poznan.pl Politechnika Poznańska http://www.put.poznan.pl/ PROGRAM REFERATU 1. WPROWADZENIE 2. GRAF JAKO MODEL

Bardziej szczegółowo

Struktury bezskalowe w rekurencyjnych sieciach neuronowych

Struktury bezskalowe w rekurencyjnych sieciach neuronowych Struktury bezskalowe w rekurencyjnych sieciach neuronowych Wydział Matematyki i Informatyki UMK Prezentacja na Seminarium Probabilistyczne KTPiAS dostępna na http://www.mat.uni.torun.pl/~philip/sem_2007.pdf

Bardziej szczegółowo

Uczenie sieci neuronowych i bayesowskich

Uczenie sieci neuronowych i bayesowskich Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10

Bardziej szczegółowo

Michał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska

Michał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska Michał Kozielski Łukasz Warchał Instytut Informatyki, Politechnika Śląska Algorytm DBSCAN Algorytm OPTICS Analiza gęstego sąsiedztwa w grafie Wstępne eksperymenty Podsumowanie Algorytm DBSCAN Analiza gęstości

Bardziej szczegółowo

Deep Learning na przykładzie Deep Belief Networks

Deep Learning na przykładzie Deep Belief Networks Deep Learning na przykładzie Deep Belief Networks Jan Karwowski Zakład Sztucznej Inteligencji i Metod Obliczeniowych Wydział Matematyki i Nauk Informacyjnych PW 20 V 2014 Jan Karwowski (MiNI) Deep Learning

Bardziej szczegółowo

Michał Matuszak. Wydział Matematyki i Informatyki Uniwersytet Adama Mickiewicza Tel:+48 696459522

Michał Matuszak. Wydział Matematyki i Informatyki Uniwersytet Adama Mickiewicza Tel:+48 696459522 Michał Matuszak Informacje Kontaktowe Informacje Osobiste Wydział Matematyki i Informatyki Uniwersytet Adama Mickiewicza Tel:+48 696459522 ul. Umultowska 87 E-mail: gruby@mat.umk.pl 61 614 Poznań, Polska

Bardziej szczegółowo

UWAGI O WŁAŚCIWOŚCIACH LICZBY ZNIEWOLENIA DLA GRAFÓW

UWAGI O WŁAŚCIWOŚCIACH LICZBY ZNIEWOLENIA DLA GRAFÓW PRACE WYDZIAŁU NAWIGACYJNEGO nr 19 AKADEMII MORSKIEJ W GDYNI 2006 SAMBOR GUZE Akademia Morska w Gdyni Katedra Matematyki UWAGI O WŁAŚCIWOŚCIACH LICZBY ZNIEWOLENIA DLA GRAFÓW W pracy zdefiniowano liczbę

Bardziej szczegółowo

Problem skoczka szachowego i inne cykle Hamiltona na szachownicy n x n

Problem skoczka szachowego i inne cykle Hamiltona na szachownicy n x n i inne cykle Hamiltona na szachownicy n x n Uniwersytet Warszawski 15 marca 2007 Agenda 1 2 naiwne Prosty algorytm liniowy 3 Problem znany był już od bardzo dawna, jako łamigłówka logiczna. Był też stosowany

Bardziej szczegółowo

Małe dzieci uczą się od chwili narodzin Fundacja Komeńskiego

Małe dzieci uczą się od chwili narodzin Fundacja Komeńskiego Małe dzieci uczą się od chwili narodzin Fundacja Komeńskiego Dlaczego należy inwestować w rozwój i edukację małych dzieci I. Wczesne doświadczenia dzieci mają długofalowy i formujący wpływ na rozwój mózgu,

Bardziej szczegółowo

Algorytmy stochastyczne laboratorium 03

Algorytmy stochastyczne laboratorium 03 Algorytmy stochastyczne laboratorium 03 Jarosław Piersa 10 marca 2014 1 Projekty 1.1 Problem plecakowy (1p) Oznaczenia: dany zbiór przedmiotów x 1,.., x N, każdy przedmiot ma określoną wagę w(x i ) i wartość

Bardziej szczegółowo

Analiza sieci przedsiębiorstw z wykorzystaniem metody SNA

Analiza sieci przedsiębiorstw z wykorzystaniem metody SNA Analiza sieci przedsiębiorstw z wykorzystaniem metody SNA Arkadiusz Kawa, Uniwersytet Ekonomiczny w Poznaniu Słowa kluczowe: sieć przedsiębiorstw, analiza sieci społecznych, SNA, system złożony Streszczenie.

Bardziej szczegółowo

MODELOWANIE I SYMULACJA Kościelisko, 19-23 czerwca 2006r. Oddział Warszawski PTETiS Wydział Elektryczny Politechniki Warszawskiej Polska Sekcja IEEE

MODELOWANIE I SYMULACJA Kościelisko, 19-23 czerwca 2006r. Oddział Warszawski PTETiS Wydział Elektryczny Politechniki Warszawskiej Polska Sekcja IEEE ODELOWANIE I SYULACJA Kościelisko, 9-3 czerwca 006r. Oddział Warszawski PTETiS Wydział Elektryczny Politechniki Warszawskiej Polska Sekcja IEEE SYSTE DO KOPUTEROWEGO ODELOWANIA I SYULACJI UKŁADÓW DYNAICZNYCH

Bardziej szczegółowo

Neuronalne korelaty przeżyć estetycznych (Rekonstrukcja eksperymentu)

Neuronalne korelaty przeżyć estetycznych (Rekonstrukcja eksperymentu) Neuronalne korelaty przeżyć estetycznych (Rekonstrukcja eksperymentu) NEUROESTETYKA PIOTR PRZYBYSZ Wykład monograficzny. UAM Poznań 2010 Rozumienie piękna na gruncie psychologii sztuki i w neuroestetyce

Bardziej szczegółowo

Co to jest grupowanie

Co to jest grupowanie Grupowanie danych Co to jest grupowanie 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Szukanie grup, obszarów stanowiących lokalne gromady punktów Co to jest grupowanie

Bardziej szczegółowo

Życiorys. Wojciech Paszke. 04/2005 Doktor nauk technicznych w dyscyplinie Informatyka. Promotor: Prof. Krzysztof Ga lkowski

Życiorys. Wojciech Paszke. 04/2005 Doktor nauk technicznych w dyscyplinie Informatyka. Promotor: Prof. Krzysztof Ga lkowski Życiorys Wojciech Paszke Dane Osobowe Data urodzin: 20 luty, 1975 Miejsce urodzin: Zielona Góra Stan Cywilny: Kawaler Obywatelstwo: Polskie Adres domowy pl. Cmentarny 1 67-124 Nowe Miasteczko Polska Telefon:

Bardziej szczegółowo

Mikro- i makro-ewolucja sieci społecznych

Mikro- i makro-ewolucja sieci społecznych Mikro- i makro-ewolucja sieci społecznych Mikołaj Morzy Agnieszka Ławrynowicz Instytut Informatyki Poznań, rok akademicki 2010/2011 (c) Mikołaj Morzy, Agnieszka Ławrynowicz, Instytut Informatyki Politechniki

Bardziej szczegółowo

Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych

Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-21 Koncepcja kursu Koncepcja

Bardziej szczegółowo

Centralne Archiwum Wojskowe Dofinansowane ze środków Ministerstwa Nauki i Szkolnictwa Wyższego Centralne Archiwum Wojskowe Dofinansowane ze środków Ministerstwa Nauki i Szkolnictwa Wyższego Centralne

Bardziej szczegółowo

Podanym określeniom przyporządkuj wskaźnik bibliometryczny. Wskaźnik oceny czasopism. Wskaźnik oceny czasopism. Wskaźnik oceny czasopism

Podanym określeniom przyporządkuj wskaźnik bibliometryczny. Wskaźnik oceny czasopism. Wskaźnik oceny czasopism. Wskaźnik oceny czasopism Pytanie 2 Za pomocą opcji Cited Reference Search w bazie Web of Science Core Collection znajdziesz cytowania publikacji indeksowanych przez WoS oraz cytowania publikacji zamieszczonych w ich bibliografiach

Bardziej szczegółowo

PLAN STUDIÓW DOKTORANCKICH Z FIZYKI I ASTRONOMII DZIEDZINA / NAUKI FIZYCZNE DYSCYPLINA / FIZYKA lub ASTRONOMIA

PLAN STUDIÓW DOKTORANCKICH Z FIZYKI I ASTRONOMII DZIEDZINA / NAUKI FIZYCZNE DYSCYPLINA / FIZYKA lub ASTRONOMIA PLAN STUDIÓW DOKTORANCKICH Z FIZYKI I ASTRONOMII DZIEDZINA / NAUKI FIZYCZNE DYSCYPLINA / FIZYKA lub ASTRONOMIA STUDIA STACJONARNE - rekrutacja 2013/2014 Lp. Nazwa przedmiotu Ogólne Rozkład zajęć w poszczególnych

Bardziej szczegółowo

Modelowanie układów złożonych. oferta dydaktyczna kierunki badawcze realizowane na Wydziale Fizyki PW

Modelowanie układów złożonych. oferta dydaktyczna kierunki badawcze realizowane na Wydziale Fizyki PW Modelowanie układów złożonych oferta dydaktyczna kierunki badawcze realizowane na Wydziale Fizyki PW Dlaczego MUZ? Dlaczego MUZ? Podsumowując Sieci dystrybucyjne / skalowanie allometryczne / samopodobieństwo

Bardziej szczegółowo

Analiza sygnału EKG i modelowanie pracy serca

Analiza sygnału EKG i modelowanie pracy serca Paweł Strumiłło Analiza sygnału EKG i modelowanie pracy serca 90-924 Łódź, ul. Wólczańska 211/215, bud. B9 tel. 042 636 0065 www.eletel.p.lodz.pl, ie@p.lodz.pl Diagnoza medyczna - zagadnienie odwrotne

Bardziej szczegółowo

Porównanie rozwiązań równowagowych Stackelberga w grach z wynikami stosowania algorytmu UCT

Porównanie rozwiązań równowagowych Stackelberga w grach z wynikami stosowania algorytmu UCT Porównanie rozwiązań równowagowych Stackelberga w grach z wynikami stosowania algorytmu UCT Jan Karwowski Zakład Sztucznej Inteligencji i Metod Obliczeniowych Wydział Matematyki i Nauk Informacyjnych PW

Bardziej szczegółowo

Wyjazdy dla studentów Politechniki Krakowskiej zainteresowanych studiami częściowymi w Tianjin Polytechnic University (Chiny).

Wyjazdy dla studentów Politechniki Krakowskiej zainteresowanych studiami częściowymi w Tianjin Polytechnic University (Chiny). Wyjazdy dla studentów Politechniki Krakowskiej zainteresowanych studiami częściowymi w Tianjin Polytechnic University (Chiny). Tianjin Polytechnic University (TJPU) jest państwową uczelnią chińską założoną

Bardziej szczegółowo

PLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA MATEMATYKA. od roku akademickiego 2015/2016

PLAN STUDIÓW STACJONARNYCH PIERWSZEGO STOPNIA MATEMATYKA. od roku akademickiego 2015/2016 PLAN STUDIÓ STACJONARNYCH PIRSZGO STOPNIA MATMATYKA od roku akademickiego 20/2016 Semestr 1 stęp do logiki i teorii mnogości 45 75 1 7 Analiza matematyczna 1 1) 60 90 8 Algebra liniowa 1 60 90 7 Geometria

Bardziej szczegółowo

Suma dwóch grafów. Zespolenie dwóch grafów

Suma dwóch grafów. Zespolenie dwóch grafów Suma dwóch grafów G 1 = ((G 1 ), E(G 1 )) G 2 = ((G 2 ), E(G 2 )) (G 1 ) i (G 2 ) rozłączne Suma G 1 G 2 graf ze zbiorem wierzchołków (G 1 ) (G 2 ) i rodziną krawędzi E(G 1 ) E(G 2 ) G 1 G 2 G 1 G 2 Zespolenie

Bardziej szczegółowo

Activities Performed by prof. Tadeusiewicz in Books and Journals Editorial Boards

Activities Performed by prof. Tadeusiewicz in Books and Journals Editorial Boards Activities Performed by prof. Tadeusiewicz in Books and Journals Editorial Boards Member of Editorial Board of the book series 1. Associate Editor for book series "Advances in Applied Intelligence Technologies"

Bardziej szczegółowo

Kolegium Dziekanów i Dyrektorów

Kolegium Dziekanów i Dyrektorów Kolegium Dziekanów i Dyrektorów jednostek posiadających uprawnienia do nadawania stopnia doktora habilitowanego w zakresie nauk matematycznych Warszawa, 9. listopada 2007 Kolegium Dziekanów i Dyrektorów

Bardziej szczegółowo

Teoria grafów dla małolatów. Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska

Teoria grafów dla małolatów. Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska Teoria grafów dla małolatów Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska Wstęp Matematyka to wiele różnych dyscyplin Bowiem świat jest bardzo skomplikowany wymaga rozważenia

Bardziej szczegółowo

1. Ogólna charakterystyka Kandydata

1. Ogólna charakterystyka Kandydata Prof. dr hab. inż. Franciszek Seredyński Warszawa, 19.10.2013 Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie Wydział Matematyczno Przyrodniczy Szkoła Nauk Ścisłych ul. Wóycickiego 1/3, 01-938 Warszawa

Bardziej szczegółowo

Inteligentne systemy informacyjne

Inteligentne systemy informacyjne Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz

Bardziej szczegółowo

W asno ci sieci z o onych posiadaj cych cechy Small World i Scale Free

W asno ci sieci z o onych posiadaj cych cechy Small World i Scale Free W asno ci sieci z o onych posiadaj cych cechy Small World i Scale Free R. KASPRZYK rkasprzyk@wat.edu.pl Instytut Systemów Informatycznych Wydzia Cybernetyki Wojskowej Akademii Technicznej 00-908 Warszawa,

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline. Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 13-1- Projekt pn. Wzmocnienie potencjału dydaktycznego

Bardziej szczegółowo

Porównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki

Porównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First

Bardziej szczegółowo

Matematyczne Podstawy Informatyki

Matematyczne Podstawy Informatyki Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Twierdzenie 2.1 Niech G będzie grafem prostym

Bardziej szczegółowo

Field of study: Electronics and Telecommunications Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes

Field of study: Electronics and Telecommunications Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes Faculty of: Computer Science, Electronics and Telecommunications Field of study: Electronics and Telecommunications Study level: First-cycle studies Form and type of study: Full-time studies Annual: 2014/2015

Bardziej szczegółowo

Kolorowanie wierzchołków Kolorowanie krawędzi Kolorowanie regionów i map. Wykład 8. Kolorowanie

Kolorowanie wierzchołków Kolorowanie krawędzi Kolorowanie regionów i map. Wykład 8. Kolorowanie Wykład 8. Kolorowanie 1 / 62 Kolorowanie wierzchołków - definicja Zbiory niezależne Niech G będzie grafem bez pętli. Definicja Mówimy, że G jest grafem k kolorowalnym, jeśli każdemu wierzchołkowi możemy

Bardziej szczegółowo

Egzamin, AISDI, I termin, 18 czerwca 2015 r.

Egzamin, AISDI, I termin, 18 czerwca 2015 r. Egzamin, AISDI, I termin, 18 czerwca 2015 r. 1 W czasie niezależnym do danych wejściowych działają algorytmy A. sortowanie bąbelkowego i Shella B. sortowanie szybkiego i przez prosty wybór C. przez podział

Bardziej szczegółowo

Wybrane podstawowe rodzaje algorytmów

Wybrane podstawowe rodzaje algorytmów Wybrane podstawowe rodzaje algorytmów Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii informatycznych

Bardziej szczegółowo

Czy istnieje zamknięta droga spaceru przechodząca przez wszystkie mosty w Królewcu dokładnie jeden raz?

Czy istnieje zamknięta droga spaceru przechodząca przez wszystkie mosty w Królewcu dokładnie jeden raz? DROGI i CYKLE EULERA w grafach Czy istnieje zamknięta droga spaceru przechodząca przez wszystkie mosty w Królewcu dokładnie jeden raz? Czy można narysować podaną figurę nie odrywając ołówka od papieru

Bardziej szczegółowo

GMWØJCIK Current List of Publications

GMWØJCIK Current List of Publications GMWØJCIK Current List of Publications G. M. Wójcik, P. Wierzgala, and A. Gajos, Evaluation of emotiv eeg neuroheadset, Bio-Algorithms and Med-Systems, vol. 11, no. 4, pp. 211 215, 2015. A. Gajos, G. M.

Bardziej szczegółowo

Sieci ewoluujące: od fizyki do Internetu

Sieci ewoluujące: od fizyki do Internetu Wykład z Sieci: 21 lutego 2007 Agata Fronczak i Janusz A. Hołyst Pracownia Dynamiki Nieliniowej Układów ZłoŜonych Sieci ewoluujące: od fizyki do Internetu Co oznacza termin układ złoŝony (complex system,

Bardziej szczegółowo

Curriculum Vitae. Edukacja, tytuły i stopnie naukowe

Curriculum Vitae. Edukacja, tytuły i stopnie naukowe Curriculum Vitae Dr hab. inż. Marcin Magdziarz, prof. nadzw. PWr Instytut Matematyki i Informatyki Politechnika Wrocławska E-Mail: marcin.magdziarz@pwr.wroc.pl tel. (+48) 71 320-31-83 Edukacja, tytuły

Bardziej szczegółowo

Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia. Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia

Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia. Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Wydział Matematyki i Informatyki Instytut Informatyki i

Bardziej szczegółowo

Ilustracja S1 S2. S3 ściana zewnętrzna

Ilustracja S1 S2. S3 ściana zewnętrzna Grafy płaskie G=(V,E) nazywamy grafem płaskim, gdy V jest skończonym podzbiorem punktów płaszczyzny euklidesowej, a E to zbiór krzywych Jordana (łamanych) o końcach w V i takich, że: 1) rożne krzywe mają

Bardziej szczegółowo

Eksploracja danych w serwisach ogłoszeniowych oparta na systemach informacyjnych nad grafami ontologicznymi

Eksploracja danych w serwisach ogłoszeniowych oparta na systemach informacyjnych nad grafami ontologicznymi Eksploracja danych w serwisach ogłoszeniowych oparta na systemach informacyjnych nad grafami ontologicznymi Krzysztof Pancerz 1,2, Olga Mich 1 1 Wyższa Szkoła Zarządzania i Administracji w Zamościu 2 Wyższa

Bardziej szczegółowo

Symulacje sieci w Zespole Układów Złożonych

Symulacje sieci w Zespole Układów Złożonych Symulacje sieci w Zespole Uładów Złożonych Seminarium Wydziału Fizyi i Informatyi Stosowanej AGH, 9 marca 22 plan Sieć Erdösa-Rényi, Macierz połączeń Sieć Wattsa-Strogatza Współczynni lasteryzacji, odległość,

Bardziej szczegółowo

Piotr H. Pawłowski. Tom 58 2009 Numer 1 2 (282 283) Strony 89 95

Piotr H. Pawłowski. Tom 58 2009 Numer 1 2 (282 283) Strony 89 95 Tom 58 2009 Numer 1 2 (282 283) Strony 89 95 Piotr H. Pawłowski Instytut Biochemii i Biofizyki PAN Pawińskiego 5a, 02-106 Warszawa E-mail: piotrp@ibb.waw.pl CZY JESTEŚMY SCALE-FREE? Kiedy mamy tzw. węzły

Bardziej szczegółowo

3. Plan studiów PLAN STUDIÓW. Faculty of Fundamental Problems of Technology Field of study: MATHEMATICS

3. Plan studiów PLAN STUDIÓW. Faculty of Fundamental Problems of Technology Field of study: MATHEMATICS 148 3. Plan studiów PLAN STUDIÓW 3.1. MATEMATYKA 3.1. MATHEMATICS - MSc studies - dzienne studia magisterskie - day studies WYDZIAŁ: PPT KIERUNEK: MATEMATYKA SPECJALNOŚCI: Faculty of Fundamental Problems

Bardziej szczegółowo

ANKIETA OCENY OSIĄGNIĘĆ NAUKOWYCH KANDYDATA DO TYTUŁU PROFESORA

ANKIETA OCENY OSIĄGNIĘĆ NAUKOWYCH KANDYDATA DO TYTUŁU PROFESORA dr hab. Janusz Szczepański, prof. IPPT PAN Warszawa, 9 kwiecień 2013 ANKIETA OCENY OSIĄGNIĘĆ NAUKOWYCH KANDYDATA DO TYTUŁU PROFESORA I. INFORMACJE O OSIĄGNIĘCIACH I DOROBKU 1. Informacje o osiągnięciach

Bardziej szczegółowo

Assistant Professor. Institute of Mathematics. Marie Curie-Sklodowska University Lublin, Poland 1 Oct 1998 30 Sep 2006 Teaching Assistant

Assistant Professor. Institute of Mathematics. Marie Curie-Sklodowska University Lublin, Poland 1 Oct 1998 30 Sep 2006 Teaching Assistant Beata Bylina Personal Office address: Phone: 48 81 537 61 99 E-mail: WWW: The date of birth: Institute of Mathematics Marie Curie-Sklodowska University Pl. M. Curie-Skłodowskiej 1, 20-031 Lublin, Poland

Bardziej szczegółowo

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

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

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych lista zadań 1

Wprowadzenie do Sieci Neuronowych lista zadań 1 Wprowadzenie do Sieci Neuronowych lista zadań 1 Maja Czoków, Jarosław Piersa 2010-10-04 1 Zasadyzaliczania 1.1 Oceny Zaliczenie laboratoriów na podstawie implementowania omawianych algorytmów. Każde zadanie

Bardziej szczegółowo

Algorytmy grafowe. Wykład 1 Podstawy teorii grafów Reprezentacje grafów. Tomasz Tyksiński CDV

Algorytmy grafowe. Wykład 1 Podstawy teorii grafów Reprezentacje grafów. Tomasz Tyksiński CDV Algorytmy grafowe Wykład 1 Podstawy teorii grafów Reprezentacje grafów Tomasz Tyksiński CDV Rozkład materiału 1. Podstawowe pojęcia teorii grafów, reprezentacje komputerowe grafów 2. Przeszukiwanie grafów

Bardziej szczegółowo

Algorytmy mrówkowe w dynamicznych problemach transportowych

Algorytmy mrówkowe w dynamicznych problemach transportowych y w dynamicznych problemach transportowych prof. dr hab Jacek Mandziuk MiNI, PW 3 czerwca 2013 Cel pracy Zbadanie zachowania algorytmu go zwykłego oraz z zaimplementowanymi optymalizacjami dla problemów

Bardziej szczegółowo

Sieci złożone: definicje i przykłady

Sieci złożone: definicje i przykłady Anna Chmiel Sieci złożone: definicje i przyłady Świat sieci złożonych Od fizyi do Internetu Agata Froncza, Piotr Froncza Statistical mechanics of complex networs Réa Albert and Albert-László Barabási Rev.

Bardziej szczegółowo

Customer Attribution Models. czyli o wykorzystaniu machine learning w domu mediowym.

Customer Attribution Models. czyli o wykorzystaniu machine learning w domu mediowym. Customer Attribution Models czyli o wykorzystaniu machine learning w domu mediowym. Proces decyzyjny MAILING SEO SEM DISPLAY RETARGETING PRZEGRANI??? ZWYCIĘZCA!!! Modelowanie atrybucja > Słowo klucz: wpływ

Bardziej szczegółowo

WPŁYW ŹRÓDEŁ FINANSOWANIA RYNKU MIESZKANIOWEGO

WPŁYW ŹRÓDEŁ FINANSOWANIA RYNKU MIESZKANIOWEGO NOWE TENDENCJE W GOSPODARCE NIERUCHOMOŚCIAMI 10-11 CZERWCA 2014, SZCZECIN Artykuł opublikowany w Folia Oeconomica Stetinensia Bełej M., Kulesza S., 2014. The influence of financing on the dynamics of housing

Bardziej szczegółowo

Elementy kognitywistyki III: Modele i architektury poznawcze

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

Bardziej szczegółowo

Metoda diagnozowania uszczelnień labiryntowych w maszynach przepływowych. Piotr Krzyślak Marian Winowiecki

Metoda diagnozowania uszczelnień labiryntowych w maszynach przepływowych. Piotr Krzyślak Marian Winowiecki Metoda diagnozowania uszczelnień labiryntowych w maszynach przepływowych Piotr Krzyślak Marian Winowiecki Ponad 40% wszystkich wykrytych strat sprawności w typowej dużej Ponad 40% wszystkich wykrytych

Bardziej szczegółowo

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki Welokategoralne systemy uząe sę h zastosowane w bonformatye Rafał Grodzk Welokategoralny system uząy sę (multlabel learnng system) Zbór danyh weśowyh: d X = R Zbór klas (kategor): { 2 } =...Q Zbór uząy:

Bardziej szczegółowo

Bezpieczne stadiony systemy wspomagające projektowanie obiektów użyteczności publicznej. dr inż. Jarosław Wąs mgr inż.

Bezpieczne stadiony systemy wspomagające projektowanie obiektów użyteczności publicznej. dr inż. Jarosław Wąs mgr inż. Bezpieczne stadiony systemy wspomagające projektowanie obiektów użyteczności publicznej dr inż. Jarosław Wąs mgr inż. Robert Lubaś Plan prezentacji Kilka słów o autorach Cel naukowy Istniejący stan wiedzy

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

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

Bardziej szczegółowo

Ż ż Ł ż ż ż Ż Ś ż ż ż Ł Ż Ż ć ż Ż Ż Ż Ń Ż Ź ż Ź Ź ż Ż ż ż Ż Ł Ż Ł Ż ż Ż ż Ż Ż Ń Ą Ż Ń Ż Ń ć ż Ż ź Ś ć Ł Ł Ź Ż Ż ż Ł ż Ż Ł Ż Ł ź ć ż Ż Ż ż ż Ó ż Ł Ż ć Ż Ż Ę Ż Ż Ż ż Ż ż ż Ś ż Ż ż ż ź Ż Ń ć Ż ż Ż Ż ż ż ż

Bardziej szczegółowo

Ś Ł Ą Ś Ś ź Ś ń ż ż Ó ż ż Ś Ł ż ń ń ń ż ń Ś ń ć ŚĘ Ó Ł Ę Ł Ś Ę Ę ń ń ń ń ń Ź ń ń ń ń ń ż ń ń ń ń ń Ę ż ż ć Ść ń ń ż Ń ż ż ń ń Ś Ą ń Ś ń ń ż Ó ż Ź ń ż ń Ś Ń Ó ż Ł ż Ą ź ź Ś Ł ć Ś ć ż ź ż ć ć Ę Ó Ś Ó ż ż

Bardziej szczegółowo

Ł Ł Ś ź ń ź ź ź Ś Ł Ę Ę Ś ż Ś ń Ą Ś Ą Ł ż ż ń ż ć ż ż ż ź ż ć ź Ę Ę ń ć ż Ł ń ż ż ż Ś ż Ś ż ż ż ż ż ż ż ń ń ż ż ż ć ż ń ż ń ź ż ć ż ż ć ń ż Ę Ę ć ń Ę ż ż ń ń ź Ę ź ż ń ż ń ź ż ż ż ń ż ż ż ż ż ż ż ż ń ń

Bardziej szczegółowo

Ł Ł Ś Ę ź ń ź ź Ś Ę Ę Ś Ą Ś Ę Ż Ł ń Ę Ś ć ć ń ć ń ń ń ź ń Ę ź ń ń ń ź ź Ś ź ź ć ń ń ń ń Ś ć Ś ń ń Ś ź ń Ę ń Ś ź ź ź ź ź Ę Ę Ę Ś ń Ś ć ń ń ń ń ń ń Ę ń ń ń ń ć ń ń ń ń ć ń Ś ć Ł ń ń ń ć ń ć ź ń ź ć ń ń ć

Bardziej szczegółowo

Postępy neuroinżynierii Podsumowanie

Postępy neuroinżynierii Podsumowanie Postępy neuroinżynierii Podsumowanie Paweł Strumiłło Zakład Elektroniki Medycznej Neuroinżynieria Neuroinżynieria (ang. neuroengineering) jest dyscypliną, w której wykorzystuje się techniki inżynierii

Bardziej szczegółowo

ROZPRAWA DOKTORSKA. Model obliczeniowy ogrzewań mikroprzewodowych

ROZPRAWA DOKTORSKA. Model obliczeniowy ogrzewań mikroprzewodowych POLITECHNIKA WARSZAWSKA Wydział Inżynierii Środowiska Instytut Ogrzewnictwa i Wentylacji ROZPRAWA DOKTORSKA mgr inż. Michał Strzeszewski Model obliczeniowy ogrzewań mikroprzewodowych (streszczenie) Promotor

Bardziej szczegółowo

Rodzaje Code slicing w weryfikacji Narzędzia Literatura. Code slicing. Bartłomiej Wołowiec. 16 lutego 2011

Rodzaje Code slicing w weryfikacji Narzędzia Literatura. Code slicing. Bartłomiej Wołowiec. 16 lutego 2011 w weryfikacji 16 lutego 2011 w weryfikacji 1 Rodzaje Statyczny slicing (ang. Static Slicing) Dynamiczny slicing (ang. Dynamic Slicing) Warunkowy slicing (ang. Conditioned Slicing) Bezpostaciowy slicing

Bardziej szczegółowo

Rola stacji gazowych w ograniczaniu strat gazu w sieciach dystrybucyjnych

Rola stacji gazowych w ograniczaniu strat gazu w sieciach dystrybucyjnych Rola stacji gazowych w ograniczaniu strat gazu w sieciach dystrybucyjnych Politechnika Warszawska Zakład Systemów Ciepłowniczych i Gazowniczych Prof. dr hab. inż. Andrzej J. Osiadacz Dr hab. inż. Maciej

Bardziej szczegółowo

Problemy studentów na I roku

Problemy studentów na I roku Poczatek studiów Problemy studentów na I roku Jacek Cichoń Wydział Podstawowych Problemów Techniki Politechniki Wrocławskiej VIII Konferencja Regionalna: 5 grudnia 2011 Poczatek studiów Program I roku

Bardziej szczegółowo

Wybrane aspekty wykrywania wspólnot w grafie

Wybrane aspekty wykrywania wspólnot w grafie Wybrane aspekty wykrywania wspólnot w grafie Mieczysław Kłopotek Instytut Podstaw Informatyki Polskiej Akademii Nauk VI Spotkania Polskiej Grupy Badawczej Systemów Uczących Się Częstochowa, 14 kwietnia

Bardziej szczegółowo

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne.

Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Metody statystyczne kontroli jakości i niezawodności Lekcja II: Karty kontrolne. Wydział Matematyki Politechniki Wrocławskiej Karty kontroli jakości: przypomnienie Załóżmy, że chcemy mierzyć pewną charakterystykę.

Bardziej szczegółowo

Ćwiczenie 3 ANALIZA SIECI SPOŁECZNYCH (SNA) W SIECI

Ćwiczenie 3 ANALIZA SIECI SPOŁECZNYCH (SNA) W SIECI Geografia Internetu Prowadzący: Krzysztof Janc Ćwiczenie 3 ANALIZA SIECI SPOŁECZNYCH (SNA) W SIECI N ZAKŁAD ZAGOSPODAROWANIA PRZESTRZENNEGO I STYTUT GEOGRAFII I ROZWOJU REGIONALNEGO U. WR. Zakład Zagospodarowania

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

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

Bardziej szczegółowo

LISTA PUBLIKACJI. dr Ewa Kołczyk Instytut Informatyki Uniwersytetu Wrocławskiego. Artykuły. Książki

LISTA PUBLIKACJI. dr Ewa Kołczyk Instytut Informatyki Uniwersytetu Wrocławskiego. Artykuły. Książki dr Ewa Kołczyk Instytut Informatyki Uniwersytetu Wrocławskiego Artykuły LISTA PUBLIKACJI 1. Hardt-Olejniczak, G., Kołczyk, E., Uwagi o kształceniu nauczycieli informatyki, Komputer w Edukacji, 1-2(1997),

Bardziej szczegółowo

Tytuł: Doktor inżynier Temat rozprawy: Analiza dynamiczna i sterowanie maszynami roboczymi posadowionymi podatnie

Tytuł: Doktor inżynier Temat rozprawy: Analiza dynamiczna i sterowanie maszynami roboczymi posadowionymi podatnie ŻYCIORYS Imię i nazwisko Adres zamieszkania Data i miejsce urodzenia Andrzej URBAŚ ul. Sikorskiego 50, 34-326 Zarzecze 28.11.1977, Łodygowice Wykształcenie szkoła średnia 1992-1997 studia magisterskie

Bardziej szczegółowo

THEORETICAL AND EXPERIMENTAL NMR STUDIES ON CARBAZOLES

THEORETICAL AND EXPERIMENTAL NMR STUDIES ON CARBAZOLES THEORETICAL AD EXPERIMETAL MR STUDIES O CARBAZOLES Klaudia Radula-Janik, Teobald Kupka. Krzysztof Ejsmont, Zdzisław Daszkiewicz Faculty of Chemistry, University of Opole, 48 Oleska Street, 45-052 Opole,

Bardziej szczegółowo

Planowanie przedsięwzięć

Planowanie przedsięwzięć K.Pieńkosz Badania Operacyjne Planowanie przedsięwzięć 1 Planowanie przedsięwzięć Model przedsięwzięcia lista operacji relacje poprzedzania operacji modele operacji funkcja celu planowania K.Pieńkosz Badania

Bardziej szczegółowo

Testowanie i walidacja oprogramowania

Testowanie i walidacja oprogramowania Testowanie i walidacja oprogramowania Inżynieria oprogramowania, sem.5 cz. 5 Rok akademicki 2010/2011 Dr inż. Wojciech Koziński Przykład Obliczmy sumę: 0+1+2+...+i, i є [0,100] read(i); if((i < 0)(i >

Bardziej szczegółowo

Algorytmy ewolucyjne

Algorytmy ewolucyjne Algorytmy ewolucyjne wprowadzenie Piotr Lipiński lipinski@ii.uni.wroc.pl Piotr Lipiński Algorytmy ewolucyjne p.1/16 Cel wykładu zapoznanie studentów z algorytmami ewolucyjnymi, przede wszystkim nowoczesnymi

Bardziej szczegółowo

Books edited by professor Ryszard Tadeusiewicz

Books edited by professor Ryszard Tadeusiewicz Books edited by professor Ryszard Tadeusiewicz Książki, w których prof. Tadeusiewicz pełnił funkcje redaktora 2015 2014 2013 1. Romanowski A., Sankowski D., Tadeusiewicz R. (eds.): Modelling and Identification

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Laboratorium 02 Perceptron prosty cd

Wprowadzenie do Sieci Neuronowych Laboratorium 02 Perceptron prosty cd Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Wprowadzenie do Sieci

Bardziej szczegółowo

Wielkoskalowe obliczenia komputerowej dynamiki płynów na procesorach graficznych -- pakiet Sailfish

Wielkoskalowe obliczenia komputerowej dynamiki płynów na procesorach graficznych -- pakiet Sailfish Michał Januszewski Materialy do broszury końcowej TWING. Wielkoskalowe obliczenia komputerowej dynamiki płynów na procesorach graficznych -- pakiet Sailfish Od około 5 lat procesory graficzne (GPU) znajdują

Bardziej szczegółowo