Adam Meissner SZTUCZNA INTELIGENCJA. Architektury systemów eksperckich

Wielkość: px
Rozpocząć pokaz od strony:

Download "Adam Meissner SZTUCZNA INTELIGENCJA. Architektury systemów eksperckich"

Transkrypt

1 Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner SZTUCZNA INTELIGENCJA Architektury systemów eksperckich Literatura [1] Chwiałkowska E., Sztuczna inteligencja w systemach eksperckich, Wyd. MIKOM, Warszawa, [2] Cichosz P., Systemy uczące się, WNT, Warszawa, [3] Lebowitz J., The Handbook of Applied Expert Systems, CRC Press, [4] Martinek J., Materiały do wykładów z przedmiotu sztuczna inteligencja, prowadzonych w latach na Wydz. Elektrycznym Politechniki Poznańskiej. [5] Puppe F., Systematic Introduction to Expert Systems, Springer-Verlag, [6] Russell S.J., Norvig P., Artificial Intelligence: A Modern Approach, Prentice Hall, New Jersey,

2 1.Wprowadzenie Adam Meissner Plan wykładu 2.Metody pozyskiwania (akwizycji) wiedzy od ekspertów. 3.Metody reprezentowania i przetwarzania wiedzy. 4.Zagadnienia komunikacji z użytkownikiem i udzielania objaśnień. 5.Środowiska do tworzenia systemów eksperckich. 6.Podsumowanie. Wprowadzenie znaczenie terminu system ekspercki System ekspercki to program komputerowy wyposażony w wiedzę i umiejętności wnioskowania właściwe dla specjalistów z pewnej dziedziny [5] typowa architektura systemu eksperckiego (wg. [5]) użytkownik ekspert przypadki specyficzne, dotyczące analizowanego problemu interfejs z użytkownikiem moduł udzielania objaśnień mechanizm wnioskujący moduł akwizycji wiedzy wiedza dziedzinowa eksperta wyniki pośrednie oraz rozwiązanie problemu 2

3 rys historyczny lata 50-te: rozwój teorii gier, zdefiniowanie podstawowych strategii prowadzenia gier dwuosobowych (np. strategia minimaksowa), badania nad algorytmami przeszukiwania heurystycznego (np. algorytm A*), lata 60-te: skonstruowanie pierwszych systemów rozwiązujących proste problemy, np. GPS (Newell A, Simon H.) oraz SHRDLU (Winograd T.), badania nad automatycznym wnioskowaniem zdefiniowanie reguły rezolucji (Robinson J.R.), lata 70-te: ukształtowanie się koncepcji systemu eksperckiego, powstanie pierwszych systemów eksperckich, takich jak: MYCIN (Feigenbaum E., 1976) diagnozowanie bakteryjnych zakażeń krwi, regułowa reprezentacja wiedzy, wnioskowanie na podstawie współczynników pewności, CADUCEUS (Uniw. Pittsburgh, ok. 1985) diagnozowanie chorób wewnętrznych, zaimplementowany w języku INTERLISP, rozpoznaje ok tj. 75% wszystkich znanych jednostek chorobowych, problem współwystępowania chorób, PUFF (1979) system diagnozowania chorób płuc, zaimplementowany z wykorzystaniem powłoki EMY CIN, duża trafność postawionych diagnoz (ok. 85%), 3

4 DENDRAL (Feigenbaum E., Buchanan B., Lederberg J.) określanie struktury związku chemicznego na podstawie analizy spektralnej, zaimplementowany w INTERLISPie, generowanie i testowanie hipotez, PROSPECTOR (SRI Int., przełom lat 70/80) interpretowanie map geologicznych, odkrycie bogatych złóż rudy molibdenu w stanie Washington (wartych ok. 1 mld USD), MACSYMA (MIT, początek lat 70-tych) wykonywanie obliczeń symbolicznych, zaimplementowany w języku LISP, popularny wśród matematyków i inżynierów, HERSAY I i II (Uniw. Carnegie-Mellon) rozpoznawanie mowy, pionierskie rozwiązania z zakresu architektur tablicowych. kryteria klasyfikowania systemów eksperckich ([1]) dziedzina zastosowań (np. medycyna, inżynieria, matematyka, chemia, fizyka, geologia, meteorologia, rolnictwo, prawo, zarządzanie, doradztwo finansowe, wojskowość, transport, kosmonautyka, sterowanie produkcją) przeznaczenie: s. kontrolne sterowanie złożonymi procesami (np. produkcją), s. diagnostyczne rozpoznawanie i klasyfikowanie przypadków, systemy te są szeroko stosowane w technice, medycynie, analizie chemicznej i wielu innych dziedzinach, 4

5 s. testujące wykrywanie wad w badanych wyrobach, ich rozszerzeniem są systemy naprawcze, proponujące metody usuwania usterek, s. projektujące (np. CAD, CAM) wspomaganie procesów projektowania, stosowane np. w elektronice, mechanice i inżynierii budowlanej, s. edukacyjne (Intelligent Computer Aided Instruction), wspomaganie nauczania, s. interpretujące interpretowanie danych, np. system PROSPECTOR, s. planistyczne wspomaganie konstruowania planów działań, systemy te są wykorzystywane m. in. przez strategów wojskowych, s. prognostyczne przewidywanie zachowań układów dynamicznych na podstawie stanów wcześniejszych, systemy te wykorzystuje się np. do prognozowania pogody. sposób reprezentowania wiedzy i metody jej przetwarzania [5] logika pierwszego rzędu i jej podzbiory (np. logika klauzul Horna, język Prolog), reguły JEŻELI-TO, wnioskowanie progresywne (ang. forward chaining), wnioskowanie regresywne (ang. backward chaining), ramy i obiekty, logiki nieklasyczne - np. modalne, temporalne, wnioskowanie niemonotoniczne, algorytmy utrzy-mywania wiarygodności. 5

6 Metody pozyskiwania wiedzy od ekspertów metody manualne kluczowa rola inżyniera wiedzy, prowadzenie wywiadów z ekspertem, wykorzystanie kwestionariuszy i diagramów, analiza raportów eksperta, obserwowanie pracy eksperta, zalety w porównaniu z metodami automatycznymi: większe możliwość porozumiewania się eksperta i inżyniera wiedzy, możliwość uwzględnienia w modelu specyficznych aspektów rozpatrywanych zagadnień, wady: niechęć ekspertów do współpracy, problemy z werbalizowaniem wiedzy przez eksperta, przekłamania wynikające z udziału inżyniera wiedzy, czasochłonność, metody automatyczne i półautomatyczne środowiska do pozyskiwania wiedzy od eksperta, np. systemy TEIRESIAS, ACQUIST, KNACK, KRITON, KSSO "odkrywanie" wiedzy na podstawie decyzji eksperta - algorytmy uczenia maszynowego. 6

7 konstruowanie drzew decyzyjnych założenia: dany jest zbiór D decyzji eksperta, klasyfikujących podany zbiór przykładów S na podstawie wartości wyróżnionych cech, zadanie: skonstruować drzewo, którego wierzchołki wiszące reprezentują elementy zbioru D, a wierzchołki wewnętrzne odpowiadają cechom; każda krawędź wychodząca z wierzchołka wewnętrznego reprezentuje jedną z możliwych wartości cechy przypisanej temu wierzchołkowi, ww. zadanie jest przykładem problemu indukowania pojęć, który wchodzi w zakres uczenia maszynowego [2], do najpopularniejszych metod konstruowania drzew decyzyjnych należy algorytm ID3 Rossa Quinlanna (1979) oraz jego warianty i udoskonalenia. Algorytm ID3 Dane: zbiór przykładów S. Wynik: korzeń w drzewa decyzyjnego dla S. Metoda: 1. Utworzyć wierzchołek w. 2. Jeżeli zbiór S zawiera wyłącznie przykłady pozytywne, to w jest liściem o etykiecie 1; stop. 3. Jeżeli zbiór S zawiera wyłącznie przykłady negatywne, to w jest liściem o etykiecie 0; stop. 4. Wśród wszystkich cech występujących w zbiorze S znaleźć cechę c o maksymalnym zysku informacyjnym. 5. Podzielić zbiór S na podzbiory S 1,..., S n w których cecha c ma odpowiednio tę samą wartość; n jest liczbą wartości cechy c. 6. Nadać wierzchołkowi w etykietę c. 7. Dla każdego zbioru S i (i = 1,..., n) skonstruować drzewo decyzyjne ID3(S i ) i połączyć jego korzeń z wierzchołkiem w krawędzią o etykiecie reprezentującej wartość cechy c w zbiorze S i. 7

8 Przykład 1 (wg. [2]) 2015 Adam Meissner Dany jest zbiór przykładowych decyzji eksperta w kwestii, czy przy danym stanie pogody można (d(x) = 1) albo nie można (d(x) = 0) grać w tenisa. x aura temperatura wilgotność wiatr d(x) 1 słoneczna wysoka duża słaby 0 2 słoneczna wysoka duża silny 0 3 pochmurna wysoka duża słaby 1 4 deszczowa umiarkowana duża słaby 1 5 deszczowa niska normalna słaby 1 6 deszczowa niska normalna silny 0 7 pochmurna niska normalna silny 1 8 słoneczna umiarkowana duża słaby 0 9 słoneczna niska normalna słaby 1 10 deszczowa umiarkowana normalna słaby 1 11 słoneczna umiarkowana normalna silny 1 12 pochmurna umiarkowana duża silny 1 13 pochmurna wysoka normalna słaby 1 14 deszczowa umiarkowana duża silny 0 drzewo decyzyjne {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14} aura słoneczna pochmurna deszczowa {1, 2, 8, 9, 11} {3, 7, 12, 13} {4, 5, 6, 10, 14} wilgotność 1 wiatr normalna duża słaby silny {9, 11} {1, 2, 8} {4, 5, 10} {6, 14}

9 Metody reprezentowania i przetwarzania wiedzy regułowa reprezentacja wiedzy wiedza dziedzinowa na temat rozpatrywanego wycinka rzeczywistości (tzw. świata) jest skończonym zbiorem reguł, każda reguła ma ogólną postać JEŻELI Warunek TO Akcja wyrażenie Warunek jest zazwyczaj koniunkcją literałów, np. pacjent_skarży_się_na(ból_gardła) Temperatura > 37,5, wyrażenie Akcja jest skończonym, niepustym ciągiem, w którym wyróżnia się wnioski (ang. implications), czyli implikowane formuły np. stwierdzona_dolegliwość(angina), instrukcje, czyli działania zmieniające stan świata, np. zaaplikować_pacejntowi(aspiryna) Przykład 2 (wg. [2]) Drzewo decyzyjne z przykładu 1 można reprezentować w postaci następującego zbioru reguł. JEŻELI aura(słoneczna) wilgotność(duża) TO 0 JEŻELI aura(słoneczna) wilgotność(normalna) TO 1 JEŻELI aura(pochmurna) TO 1 JEŻELI aura(deszczowa) wiatr(silny) TO 0 JEŻELI aura(deszczowa) wiatr(słaby) TO 1 9

10 przetwarzenie wiedzy regułowej istnieją dwie, podstawowe metody przetwarzania wiedzy regułowej wnioskowanie progresywne (ang. forward chaining), wnioskowanie regresywne (ang. backward chaining), jednym z elementarnych działań, wykonywanych w ramach obu ww. metod jest porównywanie wyrażeń; wykorzystuje się do tego celu algorytm unifikacji, dopasowania wyrażenia do wzorca (ang. pattern matching) wnioskowanie progresywne [5] Algorytm FC Dane: baza wiedzy KB obejmująca zbiór reguł R i zbiór faktów F oraz hipoteza H. Wynik: sygnał tak, jeżeli KB H albo sygnał nie w przeciwnym wypadku; nowy zbiór F. Metoda: 1. Jeżeli H F to stop(tak). 2. Skonstruować zbiór C złożony ze wszystkich reguł ze zbioru R, których warunki są spełnione, tj. dla dowolnej reguły postaci L 1... L n A ze zbioru C, L i F gdzie i = 1, n. 3. Jeżeli C = to stop(nie), w przeciwnym wypadku uszeregować zbiór C zgodnie z przyjętymi kryteriami. 4. Wykonać akcję A pierwszej reguły ze zbioru C; jeżeli akcja A jest wnioskiem to dołączyć A do zbioru F. 5. Przejść do kroku 1. 10

11 Popularne strategie szeregowania zbioru C: przyjąć naturalny porządek w zbiorze, uszeregować zbiór począwszy od reguł, których warunki odnoszą się do przypadków wprowadzonych do bazy wiedzy jako ostatnie (tj. najpóźniej), uszeregować zbiór począwszy od reguł o najbardziej złożonych warunkach, uszeregować zbiór z wykorzystaniem wiedzy dodatkowej, np. przypisującej regułom priorytety. Udoskonalenia algorytmu ogólnego klasyfikowanie reguł ze względu na podobieństwo warunków, przyrostowe konstruowanie zbioru C, indeksowanie reguł ze względu na zmienne występujące w warunkach. Powyższe udoskonalenia zrealizowano w algorytmie RETE (C.L. Forgy, 1974) wykorzystywanym w wielu popularnych systemach eksperckich (np. CLIPS) i w środowiskach do ich konstruowania (np. OPS5). 11

12 wnioskowanie regresywne [5] Algorytm BC Dane: baza wiedzy KB obejmująca zbiór reguł R i zbiór faktów F oraz hipoteza H. Wynik: sygnał tak, jeżeli KB H albo sygnał nie w przeciwnym wypadku. Metoda: 1. Jeżeli H F to stop(tak). 2. Skonstruować zbiór C złożony ze wszystkich reguł ze zbioru R postaci W A, takich że A = H (W jest dowolną koniunkcją literałów). 3. Jeżeli C = to stop(nie), w przeciwnym wypadku ze zbioru C wybrać dowolną regułę L 1... L n A. 4. Wykonać algorytm BC dla każdego L i, gdzie i = 1, n. Jeżeli każdą z uzyskanych odpowiedzi jest tak to stop(tak), w przeciwnym wypadku usunąć wybraną regułę ze zbioru C. 5. Przejść do kroku 3. 12

13 reprezentowanie wiedzy za pomocą ram koncepcja reprezentowania wiedzy za pomocą ram (ang. frames) pochodzi od Marvina Minskyego (1975), baza wiedzy jest zbiorem klas i ich wystąpień (czyli obiektów), definicja klasy obejmuje atrybuty, ich wartości domyślne (opcjonalnie) i metody, wśród których można wyróżnić tzw. demony, w zbiorze klas określa się relację dziedziczenia, atrybuty obiektu mają wartości określone ("konkretne"), do reprezentowania klas, jak również obiektów, służą ramy, elementami ramy są klatki (ang. slots), które wypełnia się fasetami (ang. facets), faseta jest parą nazwa:wartość; za pomocą faset określa się m. in. wartości przechowywane w klatce i ich typy. Przykład 3 (wg. [5]) Reprezentacja klasy i obiektów za pomocą ram w języku FRL Frame: expert system Slots: AKO: $value: program Programming environment: $require: (LISP, PROLOG, OPS5, C) $default: LISP $if-needed: "look up references". Frame: Slots: MYCIN AKO: $value: expert system. 13

14 komunikacja z użytkownikiem i udzielanie objaśnień ogólne metody komunikowania się systemu z użytkownikiem język stylizowany na naturalny (wykorzystywany w tzw. systemach dialogowych), język symboli graficznych (piktogramy, ikony), metody udzielania objaśnień objaśnianie przez retrospekcję (ang. retrospective explanation), objaśnianie kontrfaktyczne (ang. counterfactual explanation) [1], udzielanie odpowiedzi intensjonalnych (ang. intensional answers). środowiska do tworzenia systemów eksperckich języki programowania: PROLOG, LISP, powłoki (ang. shells) EMYCIN, KAS (powłoka systemu PROSPECTOR), AGE (powłoka systemu HERSAY), środowiska narzędziowe (ang. toolkits) Personal Consultant Plus, produkt firmy Texas Instruments, zaprogramowany w języku IQLISP, reprezentowanie wiedzy w postaci reguł lub ram, możliwość wnioskowania progresywnego i regresywnego, przetwarzanie informacji niepewnej, edytor bazy wiedzy, moduł udzielania objaśnień (język stylizowany na angielski), 14

15 OPS5, system opracowany i zaprogramowany na Uniwersytecie Carnegie Mellon (początkowo) w języku LISP, reprezentowanie wiedzy w postaci reguł, wnioskowanie progresywne, edytor bazy wiedzy wyposażony w mechanizm usuwania błędów, KES, produkt firmy Software Architecture & Engineering Inc., zaprogramowany w języki FRANZ LISP, konstruowanie systemu na podstawie wymagań sformułowanych w języku stylizowanym na naturalny, reprezentowanie wiedzy za pomocą reguł i ram, wnioskowanie regresywne, przetwarzanie informacji niepewnej, KEE, system opracowany przez firmę IntelliCorp, zaprogramowany w języku INTERLISP, przeznaczony do wspomagania tworzenia baz wiedzy z wykorzystaniem ram, SRL, opracowany przez Instytut Robotyki Uniwersytetu Carnegie Mellon, zaprogramowany w języku FRANZ LISP, przeznaczony do wspomagania tworzenia baz wiedzy z wykorzystaniem ram, umożliwia posługiwanie się metawiedzą, RULEMASTER, system opracowany przez Radian Corporation, przeznaczony do wspomagania tworzenia systemów eksperckich z regułową reprezentacją wiedzy, zawiera m.in. interpreter języka RADIAL służącego do wyrażania reguł (wnioskowanie progresywne i regresywne) oraz kompilator RADIAL C, moduł indukowania reguł na podstawie przykładów moduł udzielania objaśnień w języku stylizowanym na angielski. 15

16 Podsumowanie weryfikowanie i testowanie systemów eksperckich kryteria formalne: niesprzeczność i pełność zgromadzonej wiedzy, kryteria nieformalne: np. konsekwencja, użyteczność, zagadnienia istotne przy budowaniu systemów eksperckich skuteczne pozyskiwanie wiedzy od ekspertów, zapewnienie niesprzeczności, pełności i użyteczności wiedzy zgromadzonej w bazie, konieczność udzielania zrozumiałych i wyczerpujących odpowiedzi użytkownikowi, trudności z realizacją wnioskowania na podstawie wiedzy zdroworozsądkowej (ang. commonsense knowledge) kierunki rozwoju systemów eksperckich nowe rozwiązania w zakresie komunikowanie się systemu z użytkownikiem (system przyjazny użytkownikowi ), poszukiwanie rozwiązań problemu dużych baz wiedzy, badania nad metodami reprezentowania wiedzy niepełnej, niepewnej i zmieniającej się w czasie. 16

Systemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski

Systemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do

Bardziej szczegółowo

Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego

Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Systemy ekspertowe w zarządzaniu firmą Expert systems in enterprise management Kierunek: Zarządzanie i Inżynieria Produkcji Rodzaj przedmiotu: Rodzaj zajęć: Wyk. Ćwicz. Lab. Sem. Proj.

Bardziej szczegółowo

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"

PODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu Podstawy baz danych PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Systemy ekspertowe Expert systems Kierunek: Zarządzanie i Inżynieria Produkcji Rodzaj przedmiotu: Rodzaj zajęć: Wyk. Ćwicz. Lab. Sem. Proj. Poziom studiów: studia I stopnia forma studiów:

Bardziej szczegółowo

Adam Meissner. SZTUCZNA INTELIGENCJA Gry dwuosobowe

Adam Meissner. SZTUCZNA INTELIGENCJA Gry dwuosobowe Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Gry dwuosobowe Literatura [1] Sterling

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych Rodzaj zajęć: wykład, laboratorium BAZY DANYCH I SYSTEMY EKSPERTOWE Database and expert systems Forma

Bardziej szczegółowo

Praca dyplomowa magisterska

Praca dyplomowa magisterska KATEDRA WYTRZYMAŁOŚCI MATERIAŁÓW I METOD KOMPUTEROWYCH MECHANIKI Wydział Mechaniczny Technologiczny POLITECHNIKA ŚLĄSKA W GLIWICACH Praca dyplomowa magisterska Temat: Komputerowy system wspomagania wiedzy:

Bardziej szczegółowo

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32

Analiza i projektowanie oprogramowania. Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania Analiza i projektowanie oprogramowania 1/32 Analiza i projektowanie oprogramowania 2/32 Cel analizy Celem fazy określania wymagań jest udzielenie odpowiedzi na pytanie:

Bardziej szczegółowo

Uchwała obowiązuje od dnia podjęcia przez Senat. Traci moc Uchwała nr 144/06/2013 Senatu Uniwersytetu Rzeszowskiego z 27 czerwca 2013 r.

Uchwała obowiązuje od dnia podjęcia przez Senat. Traci moc Uchwała nr 144/06/2013 Senatu Uniwersytetu Rzeszowskiego z 27 czerwca 2013 r. Rektor Uniwersytetu Rzeszowskiego al. Rejtana 16c; 35-959 Rzeszów tel.: + 48 17 872 10 00 (centrala) + 48 17 872 10 10 fax: + 48 17 872 12 65 e-mail: rektorur@ur.edu.pl Uchwała nr 282/03/2014 Senatu Uniwersytetu

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Sztuczna inteligencja Definicja Sztuczna inteligencja (AI - ang. artificial inteligence) lub krótko SI jest stosunkowo nową interdyscyplinarną dziedziną nauki, przedmiotem wielkich oczekiwań i ożywionych

Bardziej szczegółowo

Efekty kształcenia wymagane do podjęcia studiów 2 stopnia na kierunku Informatyka

Efekty kształcenia wymagane do podjęcia studiów 2 stopnia na kierunku Informatyka Efekty kształcenia wymagane do podjęcia studiów 2 stopnia na kierunku Informatyka Test kwalifikacyjny obejmuje weryfikację efektów kształcenia oznaczonych kolorem szarym, efektów: K_W4 (!), K_W11-12, K_W15-16,

Bardziej szczegółowo

Adam Meissner SZTUCZNA INTELIGENCJA. Reprezentowanie i przetwarzanie wiedzy o czasie

Adam Meissner SZTUCZNA INTELIGENCJA. Reprezentowanie i przetwarzanie wiedzy o czasie 2015 Adam Meissner Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Reprezentowanie

Bardziej szczegółowo

I rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.

I rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer. Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu

Bardziej szczegółowo

Inteligentne Multimedialne Systemy Uczące

Inteligentne Multimedialne Systemy Uczące Działanie realizowane w ramach projektu Absolwent informatyki lub matematyki specjalistą na rynku pracy Matematyka i informatyka może i trudne, ale nie nudne Inteligentne Multimedialne Systemy Uczące dr

Bardziej szczegółowo

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką?

Co to jest jest oprogramowanie? 8. Co to jest inżynieria oprogramowania? 9. Jaka jest różnica pomiędzy inżynierią oprogramowania a informatyką? ROZDZIAŁ1 Podstawy inżynierii oprogramowania: - Cele 2 - Zawartość 3 - Inżynieria oprogramowania 4 - Koszty oprogramowania 5 - FAQ o inżynierii oprogramowania: Co to jest jest oprogramowanie? 8 Co to jest

Bardziej szczegółowo

Transformacja wiedzy w budowie i eksploatacji maszyn

Transformacja wiedzy w budowie i eksploatacji maszyn Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces

Bardziej szczegółowo

KIERUNKOWE EFEKTY KSZTAŁCENIA

KIERUNKOWE EFEKTY KSZTAŁCENIA WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina

Bardziej szczegółowo

WYKŁAD 6. Reguły decyzyjne

WYKŁAD 6. Reguły decyzyjne Wrocław University of Technology WYKŁAD 6 Reguły decyzyjne autor: Maciej Zięba Politechnika Wrocławska Reprezentacje wiedzy Wiedza w postaci reguł decyzyjnych Wiedza reprezentowania jest w postaci reguł

Bardziej szczegółowo

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu. SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu

Bardziej szczegółowo

Projektowanie Systemów Informatycznych SYSTEMY EKSPERTOWE. wykład nr 9

Projektowanie Systemów Informatycznych SYSTEMY EKSPERTOWE. wykład nr 9 Projektowanie Systemów Informatycznych SYSTEMY EKSPERTOWE wykład nr 9 Uniwersytet Zielonogórski Instytut Informatyki i Elektroniki Inteligencja czyli z czym komputery mają problemy? Zasadniczy problem

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Odniesienie do obszarowych efektów kształcenia 1 2 3. Kierunkowe efekty kształcenia WIEDZA (W)

Odniesienie do obszarowych efektów kształcenia 1 2 3. Kierunkowe efekty kształcenia WIEDZA (W) EFEKTY KSZTAŁCENIA NA KIERUNKU "MECHATRONIKA" nazwa kierunku studiów: Mechatronika poziom kształcenia: studia pierwszego stopnia profil kształcenia: ogólnoakademicki symbol kierunkowych efektów kształcenia

Bardziej szczegółowo

Informatyka w medycynie Punkt widzenia kardiologa

Informatyka w medycynie Punkt widzenia kardiologa Informatyka w medycynie Punkt widzenia kardiologa Lech Poloński Mariusz Gąsior Informatyka medyczna Dział informatyki zajmujący się jej zastosowaniem w ochronie zdrowia (medycynie) Stymulacja rozwoju informatyki

Bardziej szczegółowo

Komputerowe Systemy Przemysłowe: Modelowanie - UML. Arkadiusz Banasik arkadiusz.banasik@polsl.pl

Komputerowe Systemy Przemysłowe: Modelowanie - UML. Arkadiusz Banasik arkadiusz.banasik@polsl.pl Komputerowe Systemy Przemysłowe: Modelowanie - UML Arkadiusz Banasik arkadiusz.banasik@polsl.pl Plan prezentacji Wprowadzenie UML Diagram przypadków użycia Diagram klas Podsumowanie Wprowadzenie Języki

Bardziej szczegółowo

Systemy ekspertowe w medycynie

Systemy ekspertowe w medycynie Systemy ekspertowe w medycynie Jerzy Stefanowski Instytut Informatyki Politechnika Poznańska Wiosna 2007 - aktualizacja 2011 Sztuczna inteligencja Inne definicje i opinie: Głównym zadaniem sztucznej inteligencji

Bardziej szczegółowo

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH 1. Przedmiot nie wymaga przedmiotów poprzedzających 2. Treść przedmiotu Proces i cykl decyzyjny. Rola modelowania matematycznego w procesach decyzyjnych.

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA MODUŁU KSZTAŁCENIA KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia

Bardziej szczegółowo

INFORMATYKA Pytania ogólne na egzamin dyplomowy

INFORMATYKA Pytania ogólne na egzamin dyplomowy INFORMATYKA Pytania ogólne na egzamin dyplomowy 1. Wyjaśnić pojęcia problem, algorytm. 2. Podać definicję złożoności czasowej. 3. Podać definicję złożoności pamięciowej. 4. Typy danych w języku C. 5. Instrukcja

Bardziej szczegółowo

Systemy ekspertowe. dr inż.marcin Blachnik. marcin.blachnik@polsl.pl http://mblachnik.pl

Systemy ekspertowe. dr inż.marcin Blachnik. marcin.blachnik@polsl.pl http://mblachnik.pl Systemy ekspertowe dr inż.marcin Blachnik marcin.blachnik@polsl.pl http://mblachnik.pl Literatura A. Niederliński Regułowo - modelowe systemy ekspertowe rmse, Wyd. SKALMIERSKI P. Cichosz, Systemy uczące

Bardziej szczegółowo

Wykład 1 Inżynieria Oprogramowania

Wykład 1 Inżynieria Oprogramowania Wykład 1 Inżynieria Oprogramowania Wstęp do inżynierii oprogramowania. Cykle rozwoju oprogramowaniaiteracyjno-rozwojowy cykl oprogramowania Autor: Zofia Kruczkiewicz System Informacyjny =Techniczny SI

Bardziej szczegółowo

Inteligentne wydobywanie informacji z internetowych serwisów społecznościowych

Inteligentne wydobywanie informacji z internetowych serwisów społecznościowych Inteligentne wydobywanie informacji z internetowych serwisów społecznościowych AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław

Bardziej szczegółowo

Sztuczna inteligencja - mity i rzeczywistość. Sztuczna inteligencja. Plan zajęć z przedmiotu. Plan wykładów. Literatura.

Sztuczna inteligencja - mity i rzeczywistość. Sztuczna inteligencja. Plan zajęć z przedmiotu. Plan wykładów. Literatura. Sztuczna inteligencja dr hab. inż. Joanna Józefowska, prof. PP http://www.cs.put.poznan.pl/jjozefowska w2005 Dyżur: środa 11.30-13.00, p. 436WE Plan zajęć z przedmiotu Wykład 30 godzin Projekt 30 godzin

Bardziej szczegółowo

STUDIA I MONOGRAFIE NR

STUDIA I MONOGRAFIE NR STUDIA I MONOGRAFIE NR 21 WYBRANE ZAGADNIENIA INŻYNIERII WIEDZY Redakcja naukowa: Andrzej Cader Jacek M. Żurada Krzysztof Przybyszewski Łódź 2008 3 SPIS TREŚCI WPROWADZENIE 7 SYSTEMY AGENTOWE W E-LEARNINGU

Bardziej szczegółowo

5. Wprowadzenie do prawdopodobieństwa Wprowadzenie Wyniki i zdarzenia Różne podejścia do prawdopodobieństwa Zdarzenia wzajemnie wykluczające się i

5. Wprowadzenie do prawdopodobieństwa Wprowadzenie Wyniki i zdarzenia Różne podejścia do prawdopodobieństwa Zdarzenia wzajemnie wykluczające się i Spis treści Przedmowa do wydania polskiego - Tadeusz Tyszka Słowo wstępne - Lawrence D. Phillips Przedmowa 1. : rola i zastosowanie analizy decyzyjnej Decyzje złożone Rola analizy decyzyjnej Zastosowanie

Bardziej szczegółowo

Programowanie komputerów

Programowanie komputerów Programowanie komputerów Wykład 1-2. Podstawowe pojęcia Plan wykładu Omówienie programu wykładów, laboratoriów oraz egzaminu Etapy rozwiązywania problemów dr Helena Dudycz Katedra Technologii Informacyjnych

Bardziej szczegółowo

Dodatkowo planowane jest przeprowadzenie oceny algorytmów w praktycznym wykorzystaniu przez kilku niezależnych użytkowników ukończonej aplikacji.

Dodatkowo planowane jest przeprowadzenie oceny algorytmów w praktycznym wykorzystaniu przez kilku niezależnych użytkowników ukończonej aplikacji. Spis Treści 1. Wprowadzenie... 2 1.1 Wstęp... 2 1.2 Cel pracy... 2 1.3 Zakres pracy... 2 1.4 Użyte technologie... 2 1.4.1 Unity 3D... 3 2. Sztuczna inteligencja w grach komputerowych... 4 2.1 Zadanie sztucznej

Bardziej szczegółowo

Diagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym

Diagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym Diagramy ERD. Model struktury danych jest najczęściej tworzony z wykorzystaniem diagramów pojęciowych (konceptualnych). Najpopularniejszym konceptualnym modelem danych jest tzw. model związków encji (ERM

Bardziej szczegółowo

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA. STUDIA PIERWSZEGO STOPNIA - PROFIL OGÓLNOAKADEMICKI

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA. STUDIA PIERWSZEGO STOPNIA - PROFIL OGÓLNOAKADEMICKI EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA. STUDIA PIERWSZEGO STOPNIA - PROFIL OGÓLNOAKADEMICKI Umiejscowienie kierunku w obszarze kształcenia: Kierunek studiów informatyka należy do obszaru kształcenia

Bardziej szczegółowo

ALGORYTM RANDOM FOREST

ALGORYTM RANDOM FOREST SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM

Bardziej szczegółowo

Metody Programowania

Metody Programowania POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie

Bardziej szczegółowo

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle

Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Badania operacyjne: Wykład Zastosowanie kolorowania grafów w planowaniu produkcji typu no-idle Paweł Szołtysek 12 czerwca 2008 Streszczenie Planowanie produkcji jest jednym z problemów optymalizacji dyskretnej,

Bardziej szczegółowo

T2A_W03 T2A_W07 K2INF_W04 Ma uporządkowaną, podbudowaną teoretycznie kluczową wiedzę w zakresie realizacji informacyjnych systemów rozproszonych

T2A_W03 T2A_W07 K2INF_W04 Ma uporządkowaną, podbudowaną teoretycznie kluczową wiedzę w zakresie realizacji informacyjnych systemów rozproszonych KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział Informatyki i Zarządzania Kierunek studiów INFORMATYKA (INF) Stopień studiów - drugi Profil studiów - ogólnoakademicki Symbol EFEKTY KSZTAŁCENIA Odniesienie do efektów

Bardziej szczegółowo

SYSTEM EKSPERTOWY DO PLANOWANIA PROCESÓW TECHNOLOGICZNYCH OBRÓBKI SKRAWANIEM

SYSTEM EKSPERTOWY DO PLANOWANIA PROCESÓW TECHNOLOGICZNYCH OBRÓBKI SKRAWANIEM SYSTEM EKSPERTOWY DO PLANOWANIA PROCESÓW TECHNOLOGICZNYCH OBRÓBKI SKRAWANIEM Edward CHLEBUS, Kamil KROT, Michał KULIBERDA Streszczenie: W przedstawionym artykule opisano szkieletowy system ekspertowy do

Bardziej szczegółowo

Efekty kształcenia dla kierunku inżynieria środowiska

Efekty kształcenia dla kierunku inżynieria środowiska Efekty kształcenia dla kierunku inżynieria Szkoła wyższa prowadząca kierunek studiów: Kierunek studiów: Poziom kształcenia: Profil kształcenia: Umiejscowienie kierunku w obszarze kształcenia w zakresie:

Bardziej szczegółowo

Opis zakładanych efektów kształcenia dla kierunków studiów

Opis zakładanych efektów kształcenia dla kierunków studiów Opis zakładanych efektów kształcenia dla kierunków studiów Kierunek studiów: LOGISTYKA Obszar kształcenia: obszar nauk technicznych i społecznych Dziedzina kształcenia: nauk technicznych i ekonomicznych

Bardziej szczegółowo

LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów

LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki

Bardziej szczegółowo

PREZENTACJA PRAC ÓSMEJ GRUPY PROBLEMOWEJ

PREZENTACJA PRAC ÓSMEJ GRUPY PROBLEMOWEJ PREZENTACJA PRAC ÓSMEJ GRUPY PROBLEMOWEJ Temat zadania problemowego Informatyczny system ekspertowy weryfikujący przystosowanie maszyn i urządzeń technicznych do minimalnych, ogólnych i branżowych wymagań

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: KOMPUTEROWE WSPOMAGANIE WYTWARZANIA CAM Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności APWiR Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU

Bardziej szczegółowo

Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji

Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody

Bardziej szczegółowo

Załącznik 2 Tabela odniesień efektów kierunkowych do efektów obszarowych

Załącznik 2 Tabela odniesień efektów kierunkowych do efektów obszarowych Załącznik 2 Tabela odniesień efektów kierunkowych do efektów obszarowych Tabela odniesień efektów kierunkowych do efektów obszarowych (tabele odniesień efektów kształcenia) Nazwa kierunku studiów: Automatyka

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: SYSTEMY PROJEKTOWANIA PROCESÓW TECHNOLOGICZNYCH Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności: Automatyzacja wytwarzania i robotyka Rodzaj zajęć:

Bardziej szczegółowo

INŻYNIERIA OPROGRAMOWANIA

INŻYNIERIA OPROGRAMOWANIA INSTYTUT INFORMATYKI STOSOWANEJ 2013 INŻYNIERIA OPROGRAMOWANIA Inżynieria Oprogramowania Proces ukierunkowany na wytworzenie oprogramowania Jak? Kto? Kiedy? Co? W jaki sposób? Metodyka Zespół Narzędzia

Bardziej szczegółowo

Data Mining Kopalnie Wiedzy

Data Mining Kopalnie Wiedzy Data Mining Kopalnie Wiedzy Janusz z Będzina Instytut Informatyki i Nauki o Materiałach Sosnowiec, 30 listopada 2006 Kopalnie złota XIX Wiek. Odkrycie pokładów złota spowodowało napływ poszukiwaczy. Przeczesywali

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

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

Bardziej szczegółowo

Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu

Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu Załącznik nr 1 do Uchwały nr 9/12 Rady Instytutu Inżynierii Technicznej PWSTE w Jarosławiu z dnia 30 marca 2012r Państwowa Wyższa Szkoła Techniczno-Ekonomiczna w Jarosławiu EFEKTY KSZTAŁCENIA DLA KIERUNKU

Bardziej szczegółowo

Definicje. Algorytm to:

Definicje. Algorytm to: Algorytmy Definicje Algorytm to: skończony ciąg operacji na obiektach, ze ściśle ustalonym porządkiem wykonania, dający możliwość realizacji zadania określonej klasy pewien ciąg czynności, który prowadzi

Bardziej szczegółowo

Programowanie deklaratywne

Programowanie deklaratywne Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne

Bardziej szczegółowo

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.

technologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych. Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: PROJEKTOWANIE SYSTEMÓW INFORMATYCZNYCH I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Podniesienie poziomu wiedzy studentów z inżynierii oprogramowania w zakresie C.

Bardziej szczegółowo

Współczesna problematyka klasyfikacji Informatyki

Współczesna problematyka klasyfikacji Informatyki Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki

Bardziej szczegółowo

Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski

Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski : idea Indeksowanie: Drzewo decyzyjne, przeszukiwania binarnego: F = {5, 7, 10, 12, 13, 15, 17, 30, 34, 35, 37, 40, 45, 50, 60} 30 12 40 7 15 35 50 Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski

Bardziej szczegółowo

SZKOLENIE: Administrator baz danych. Cel szkolenia

SZKOLENIE: Administrator baz danych. Cel szkolenia SZKOLENIE: Administrator baz danych. Cel szkolenia Kurs Administrator baz danych skierowany jest przede wszystkim do osób zamierzających rozwijać umiejętności w zakresie administrowania bazami danych.

Bardziej szczegółowo

Metody wnioskowania. Wnioskowanie w przód (ang. forward chaining) Wnioskowanie w tył (ang. Backward chaining) Od przesłanki do konkluzji Np..

Metody wnioskowania. Wnioskowanie w przód (ang. forward chaining) Wnioskowanie w tył (ang. Backward chaining) Od przesłanki do konkluzji Np.. Systemy regułowe Metody wnioskowania Wnioskowanie w przód (ang. forward chaining) Od przesłanki do konkluzji Np.. CLIPS Wnioskowanie w tył (ang. Backward chaining) Czyli od konkluzji do przesłanki Np..

Bardziej szczegółowo

Modelowanie i Programowanie Obiektowe

Modelowanie i Programowanie Obiektowe Modelowanie i Programowanie Obiektowe Wykład I: Wstęp 20 październik 2012 Programowanie obiektowe Metodyka wytwarzania oprogramowania Metodyka Metodyka ustandaryzowane dla wybranego obszaru podejście do

Bardziej szczegółowo

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja II Rozkład wymagający

Bardziej szczegółowo

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I

Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I Zespół TI Instytut Informatyki Uniwersytet Wrocławski ti@ii.uni.wroc.pl http://www.wsip.com.pl/serwisy/ti/ Rozkład materiału do nauczania informatyki w liceum ogólnokształcącym Wersja I Rozkład zgodny

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

ZAKŁADANE EFEKTY KSZTAŁCENIA DLA KIERUNKU Transport

ZAKŁADANE EFEKTY KSZTAŁCENIA DLA KIERUNKU Transport ZAKŁADANE EFEKTY KSZTAŁCENIA DLA KIERUNKU Transport Jednostka prowadząca kierunek studiów Nazwa kierunku studiów Specjalności Obszar kształcenia Profil kształcenia Poziom kształcenia Forma kształcenia

Bardziej szczegółowo

Podstawy programowania.

Podstawy programowania. Kod przedmiotu: PPR Podstawy programowania. Rodzaj przedmiotu: kierunkowy; obowiązkowy Wydział: Informatyki Kierunek: Informatyka Specjalność (specjalizacja): - Poziom studiów: pierwszego stopnia Profil

Bardziej szczegółowo

ZAKŁADANE EFEKTY KSZTAŁCENIA Kierunek: Inżynieria Materiałowa Studia I stopnia

ZAKŁADANE EFEKTY KSZTAŁCENIA Kierunek: Inżynieria Materiałowa Studia I stopnia ZAKŁADANE EFEKTY KSZTAŁCENIA Kierunek: Inżynieria Materiałowa Studia I stopnia Tabela odniesień efektów kierunkowych do efektów obszarowych Odniesienie do Symbol Kierunkowe efekty kształcenia efektów kształcenia

Bardziej szczegółowo

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia

Bardziej szczegółowo

UCHWAŁA Nr 56/VI/II/2016 SENATU PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ W KONINIE z dnia 23 lutego 2016 r.

UCHWAŁA Nr 56/VI/II/2016 SENATU PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ W KONINIE z dnia 23 lutego 2016 r. UCHWAŁA Nr 56/VI/II/2016 SENATU PAŃSTWOWEJ WYŻSZEJ SZKOŁY ZAWODOWEJ W KONINIE z dnia 23 lutego 2016 r. w sprawie określenia efektów kształcenia dla przeznaczonego do prowadzenia na Wydziale Społeczno-Ekonomicznym

Bardziej szczegółowo

Warsztaty robotyki LEGO dla klas IV-VI

Warsztaty robotyki LEGO dla klas IV-VI Warsztaty robotyki LEGO dla klas IV-VI Uczniów klas IV-VI już od października zapraszamy serdecznie na warsztaty robotyki LEGO. Zajęcia pozwalają dzieciom nie tylko na zdobycie szerokiej wiedzy technicznej,

Bardziej szczegółowo

Ewelina Dziura Krzysztof Maryański

Ewelina Dziura Krzysztof Maryański Ewelina Dziura Krzysztof Maryański 1. Wstęp - eksploracja danych 2. Proces Eksploracji danych 3. Reguły asocjacyjne budowa, zastosowanie, pozyskiwanie 4. Algorytm Apriori i jego modyfikacje 5. Przykład

Bardziej szczegółowo

PROGRAM STUDIÓW WYŻSZYCH ROZPOCZYNAJĄCYCH SIĘ W ROKU AKADEMICKIM 2015/2016

PROGRAM STUDIÓW WYŻSZYCH ROZPOCZYNAJĄCYCH SIĘ W ROKU AKADEMICKIM 2015/2016 PROGRAM STUDIÓW WYŻSZYCH ROZPOCZYNAJĄCYCH SIĘ W ROKU AKADEMICKIM 2015/2016 data zatwierdzenia przez Radę Wydziału kod programu studiów pieczęć i podpis dziekana Wydział Matematyczno-Fizyczno-Techniczny

Bardziej szczegółowo

Spis treści 377 379 WSTĘP... 9

Spis treści 377 379 WSTĘP... 9 Spis treści 377 379 Spis treści WSTĘP... 9 ZADANIE OPTYMALIZACJI... 9 PRZYKŁAD 1... 9 Założenia... 10 Model matematyczny zadania... 10 PRZYKŁAD 2... 10 PRZYKŁAD 3... 11 OPTYMALIZACJA A POLIOPTYMALIZACJA...

Bardziej szczegółowo

Zatwierdzono na Radzie Wydziału w dniu 11 czerwca 2015 r.

Zatwierdzono na Radzie Wydziału w dniu 11 czerwca 2015 r. PLAN STUDIÓW DLA KIERUNKU INFORMATYKA STUDIA: INŻYNIERSKIE TRYB STUDIÓW: STACJONARNE Zatwierdzono na Radzie Wydziału w dniu 11 czerwca 201 r. Egzamin po semestrze Obowiązuje od naboru na rok akademicki

Bardziej szczegółowo

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW. TRANSPORT studia stacjonarne i niestacjonarne

EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW. TRANSPORT studia stacjonarne i niestacjonarne Załącznik do uchwały Nr 000-8/4/2012 Senatu PRad. z dnia 28.06.2012r. EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW TRANSPORT studia stacjonarne i niestacjonarne Nazwa wydziału: Wydział Transportu i Elektrotechniki

Bardziej szczegółowo

Zasady organizacji projektów informatycznych

Zasady organizacji projektów informatycznych Zasady organizacji projektów informatycznych Systemy informatyczne w zarządzaniu dr hab. inż. Joanna Józefowska, prof. PP Plan Definicja projektu informatycznego Fazy realizacji projektów informatycznych

Bardziej szczegółowo

OPIS MODUŁU KSZTAŁCENIA (przedmiot lub grupa przedmiotów)

OPIS MODUŁU KSZTAŁCENIA (przedmiot lub grupa przedmiotów) OPIS MODUŁU KSZTAŁCENIA (przedmiot lub grupa przedmiotów) Nazwa modułu/ przedmiotu Tworzenie aplikacji i eksploatacja oprogramowania Nazwa jednostki prowadzącej przedmiot Instytut Matematyki Przedmioty:

Bardziej szczegółowo

Data Mining w doborze parametrów układu testującego urządzenia EAZ 1

Data Mining w doborze parametrów układu testującego urządzenia EAZ 1 Rozdział 6 Data Mining w doborze parametrów układu testującego urządzenia EAZ 1 Streszczenie. W rozdziale został zaproponowany sposób doboru parametrów układu testującego urządzenia elektroenergetycznej

Bardziej szczegółowo

STUDIA NIESTACJONARNE I STOPNIA Przedmioty kierunkowe

STUDIA NIESTACJONARNE I STOPNIA Przedmioty kierunkowe STUDIA NIESTACJONARNE I STOPNIA Przedmioty kierunkowe Technologie informacyjne prof. dr hab. Zdzisław Szyjewski 1. Rola i zadania systemu operacyjnego 2. Zarządzanie pamięcią komputera 3. Zarządzanie danymi

Bardziej szczegółowo

System informatyczny zdalnego egzaminowania

System informatyczny zdalnego egzaminowania System informatyczny zdalnego egzaminowania - strategia, logika systemu, architektura, ewaluacja (platforma informatyczna e-matura) redakcja Sławomir Wiak Konrad Szumigaj Redakcja: prof. dr hab. inż. Sławomir

Bardziej szczegółowo

Kierownik Katedry: Prof. dr hab. inż. Tadeusz BURCZYŃSKI

Kierownik Katedry: Prof. dr hab. inż. Tadeusz BURCZYŃSKI Kierownik Katedry: Prof. dr hab. inż. Tadeusz BURCZYŃSKI Zakład Inteligentnych Systemów Obliczeniowych RMT4-3 Kierownik Zakładu: Prof. dr hab. inż. Tadeusz BURCZYŃSKI Zakład Metod Numerycznych w Termomechanice

Bardziej szczegółowo

DLA SEKTORA INFORMATYCZNEGO W POLSCE

DLA SEKTORA INFORMATYCZNEGO W POLSCE DLA SEKTORA INFORMATYCZNEGO W POLSCE SRK IT obejmuje kompetencje najważniejsze i specyficzne dla samego IT są: programowanie i zarządzanie systemami informatycznymi. Z rozwiązań IT korzysta się w każdej

Bardziej szczegółowo

Wprowadzenie do Sztucznej Inteligencji

Wprowadzenie do Sztucznej Inteligencji Wprowadzenie do Sztucznej Inteligencji Wykład 1 Informatyka Studia Inżynierskie Dlaczego badania nad sztuczną inteligencją? Próba zrozumienia istot inteligentnych - lepsze poznanie samego siebie (filozofia,

Bardziej szczegółowo

TWORZENIE BAZ WIEDZY W SYSTEMACH EKSPERTOWYCH GOSPODAROWANIA MAJĄTKIEM OBROTOWYM PREDSIĘBIORSTWA

TWORZENIE BAZ WIEDZY W SYSTEMACH EKSPERTOWYCH GOSPODAROWANIA MAJĄTKIEM OBROTOWYM PREDSIĘBIORSTWA TWORZENIE BAZ WIEDZY W SYSTEMACH EKSPERTOWYCH GOSPODAROWANIA MAJĄTKIEM OBROTOWYM PREDSIĘBIORSTWA Leszek Kiełtyka, Waldemar Jędrzejczyk Wprowadzenie Systemy ekspertowe (SE) są to komputerowe programy konsultacyjne,

Bardziej szczegółowo

MATRYCA EFEKTÓW KSZTAŁCENIA

MATRYCA EFEKTÓW KSZTAŁCENIA ZAŁĄCZNIK NR 2 MATRYCA EFEKTÓW KSZTAŁCENIA Studia podyplomowe ZARZĄDZANIE FINANSAMI I MARKETING Przedmioty OPIS EFEKTÓW KSZTAŁCENIA Absolwent studiów podyplomowych - ZARZĄDZANIE FINANSAMI I MARKETING:

Bardziej szczegółowo

Podstawowe definicje Z czego składa się system ekspertowy? Wnioskowanie: wprzód, wstecz, mieszane

Podstawowe definicje Z czego składa się system ekspertowy? Wnioskowanie: wprzód, wstecz, mieszane Podstawowe definicje Z czego składa się system ekspertowy? Wnioskowanie: wprzód, wstecz, mieszane Tworzymy system ekspertowy 1. Wstępna analiza i definicja dziedziny problemu. W tym: poznanie wiedzy dziedzinowej

Bardziej szczegółowo

Systemy Wbudowane. Założenia i cele przedmiotu: Określenie przedmiotów wprowadzających wraz z wymaganiami wstępnymi: Opis form zajęć

Systemy Wbudowane. Założenia i cele przedmiotu: Określenie przedmiotów wprowadzających wraz z wymaganiami wstępnymi: Opis form zajęć Systemy Wbudowane Kod przedmiotu: SW Rodzaj przedmiotu: kierunkowy ; obowiązkowy Wydział: Informatyki Kierunek: Informatyka Specjalność (specjalizacja): - Poziom studiów: pierwszego stopnia Profil studiów:

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: PODSTAWY MODELOWANIA PROCESÓW WYTWARZANIA Fundamentals of manufacturing processes modeling Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności APWiR Rodzaj

Bardziej szczegółowo

Metodyki i techniki programowania

Metodyki i techniki programowania Metodyki i techniki programowania dr inż. Maciej Kusy Katedra Podstaw Elektroniki Wydział Elektrotechniki i Informatyki Politechnika Rzeszowska Elektronika i Telekomunikacja, sem. 2 Plan wykładu Sprawy

Bardziej szczegółowo

WYMAGANIA EDUKACYJNE

WYMAGANIA EDUKACYJNE z przedmiotu specjalizacja dla klasy IV mechatroniczna z działu Wstęp do sterowników PLC bardzo WYMAGANIA Uczeń potrafi scharakteryzować sterowniki PLC, budowę sterownika PLC oraz określić rodzaje języków

Bardziej szczegółowo

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie

Bardziej szczegółowo

Systemy baz danych w zarządzaniu przedsiębiorstwem. W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi

Systemy baz danych w zarządzaniu przedsiębiorstwem. W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi Systemy baz danych w zarządzaniu przedsiębiorstwem W poszukiwaniu rozwiązania problemu, najbardziej pomocna jest znajomość odpowiedzi Proces zarządzania danymi Zarządzanie danymi obejmuje czynności: gromadzenie

Bardziej szczegółowo

Uniwersytet Rolniczy w Krakowie Wydział Inżynierii Produkcji i Energetyki

Uniwersytet Rolniczy w Krakowie Wydział Inżynierii Produkcji i Energetyki Uniwersytet Rolniczy w Krakowie Wydział Inżynierii Produkcji i Energetyki Efekty dla programu : Kierunek: Odnawialne źródła energii i gospodarka odpadami Specjalności: Stopień : studia II stopnia Profil

Bardziej szczegółowo

Alicja Marszałek Różne rodzaje baz danych

Alicja Marszałek Różne rodzaje baz danych Alicja Marszałek Różne rodzaje baz danych Rodzaje baz danych Bazy danych można podzielić wg struktur organizacji danych, których używają. Można podzielić je na: Bazy proste Bazy złożone Bazy proste Bazy

Bardziej szczegółowo

Program kształcenia na studiach I stopnia kierunku "Informatyka"

Program kształcenia na studiach I stopnia kierunku Informatyka Wydział Informatyki Politechniki Białostockiej Program kształcenia na studiach I stopnia kierunku "Informatyka" Załącznik do Uchwały nr 45/2012 Rady Wydziału Informatyki Politechniki Białostockiej z dnia

Bardziej szczegółowo