Eksploracja danych w serwisach ogłoszeniowych oparta na systemach informacyjnych nad grafami ontologicznymi
|
|
- Janina Wysocka
- 7 lat temu
- Przeglądów:
Transkrypt
1 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 Szkoła Informatyki i Zarządzania w Rzeszowie Seminarium Zakładu Inteligentnych Systemów Wspomagania Decyzji w Instytucie Informatyki Politechniki Poznańskiej 17 czerwca 2014 r.
2 Charakter danych w serwisach ogłoszeniowych Podstawowe dane mają charakter symboliczny (charakter jakościowy). Dane występują znacznie częściej w postaci luźnych pojęć niż w postaci pełnych (poprawnych) zdań gramatycznych.
3 Wyzwania eksploracji danych symbolicznych Rozumienie semantyki danych. Uwzględnianie relacji semantycznych pomiędzy danymi. Uwzględnianie wiedzy zewnętrznej w procesach klasyfikacji danych. Kodowanie danych dla klasyfikatorów działających na danych numerycznych.
4 Relacje semantyczne pomiędzy słowami Relacje paradygmatyczne - zachodzą pomiędzy słowami należącymi do tej samej kategorii gramatycznej. Relacje syntagmatyczne - zachodzą pomiędzy słowami należącymi do różnych kategorii gramatycznych.
5 Paradygmatyczne relacje semantyczne Paradygmatyczne relacje semantyczne pomiędzy słowami nazywane są często w literaturze relacjami leksykalnymi lub relacjami semantycznymi. Słowa będące w relacji paradygmatycznej są w pewnym stopniu słowami gramatycznie zamiennymi.
6 Relacje semantyczne pomiędzy słowami Podstawowa taksonomia relacji semantycznych (wzorowana na projekcie Wikisaurus): relacje synonimiczne, relacje antonimiczne, relacje hiponimiczne / hiperonimiczne (zawierania się klas), relacje meronimiczne / holonimiczne (część - całość).
7 Relacje semantyczne pomiędzy słowami Oznaczenia: issyn - relacja synonimiczna, (u, v) issyn oznacza "u jest synonimem v", isant - relacja antonimiczna, (u, v) isant oznacza "u jest antonimem v", isgen - relacja generalizacji (hiponimiczna), (u, v) isgen oznacza "u jest generalizowane przez v"("u jest hiponimem v"), isspec - relacja specjalizacji (hiperonimiczna), (u, v) isspec oznacza "u jest specjalizowane przez v"("u jest hiperonimem v").
8 Strukturalizacja danych z serwisów ogłoszeniowych
9 Graf ontologiczny Dla danej ontologii O możemy zdefiniować graf ontologiczny OG. Graf ontologiczny Grafem ontologicznym nazywamy uporządkowaną czwórkę gdzie OG = (C, E, R, ρ) C jest niepustym skończonym zbiorem węzłów reprezentujących pojęcia ontologii O, E C C jest skończonym zbiorem krawędzi reprezentujących relacje pomiędzy pojęciami ze zbioru C, R jest rodziną semantycznych opisów (w języku naturalnym) typów relacji (reprezentowanych przez krawędzie) pomiędzy pojęciami, ρ : E R jest funkcją przyporządkowującą każdej krawędzi semantyczny opis reprezentowanej przez nią relacji.
10 Graf ontologiczny - przykład dla serwisów ogłoszeniowych nieruchomości
11 Graf ontologiczny - przykład dla serwisów ogłoszeniowych nieruchomości
12 Graf ontologiczny - przykład dla serwisów ogłoszeniowych nieruchomości
13 Lokalny podgraf ontologiczny Lokalny podgraf ontologiczny Lokalnym podgrafem LOG grafu ontologicznego LOG = (C, E, R, ρ) nazywamy graf LOG = (C L, E L, R, ρ L ) C L C, E L E, ρ L jest funkcją ρ zredukowaną do zbioru E L.
14 Systemy informacyjne/decyzyjne nad grafami ontologicznymi Nad grafami ontologicznymi możemy zbudować system informacyjny/decyzyjny na wiele sposobów, np.: 1 Wartościami atrybutów systemu informacyjnego/decyzyjnego są pojęcia ze zbiorów C - prosty system informacyjny/decyzyjny nad grafami ontologicznymi. 2 Wartościami atrybutów systemu informacyjnego/decyzyjnego są lokalne podgrafy ontologiczne LGO grafów ontologicznych GO - złożony system informacyjny/decyzyjny nad grafami ontologicznymi.
15 Proste systemy decyzyjne nad grafami ontologicznymi Prosty system decyzyjny nad grafami ontologicznymi gdzie: SDS OG = (U, C, D, {OG a } a C, V d, c, d), U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów warunkowych, Djest niepustym, skończonym zbiorem atrybutów decyzyjnych, {OG a} a C D jest rodziną grafów ontologicznych skojarzonych z atrybutami warunkowymi i decyzyjnymi ze zbioru C, c : C U C, gdzie C = C a, jest funkcją informacyjną taką, że a C c(a, u) C a dla każdego a C i u U, gdzie C a jest zbiorem pojęć z grafu OG a, d : D U V a jest funkcją decyzyjną taką, że d(a, u) V a dla każedgo a D i u U.
16 Złożone systemy informacyjne nad grafami ontologicznymi Złożony system informacyjny nad grafami ontologicznymi gdzie: CDS OG = (U, C, D, {OG a } a C, V d, c, d), U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów warunkowych, Djest niepustym, skończonym zbiorem atrybutów decyzyjnych, {OG a} a C D jest rodziną grafów ontologicznych skojarzonych z atrybutami warunkowymi i decyzyjnymi ze zbioru C, c : C U LOG a jest funkcją informacyjną taką, że c(a, u) LOG a dla każdego a C i u U, gdzie LOG a jest rodziną wszystkich podgrafów grafu OG a, d : D U V a jest funkcją decyzyjną taką, że d(a, u) V a dla każedgo a D i u U.
17 Strukturalizacja danych oparta na systemach informacyjnych nad grafami ontologicznymi Atrybutyzacja - przypisanie pojęć występujących w ogłoszeniach do odpowiednich atrybutów jako ich wartości (zgodnie ze zdefiniowanymi grafami ontologicznymi). Deinstancjacja - zastąpienie instancji pojęć występujących w ogłoszeniach najbardziej szczegółowymi pojęciami (ze względu na relację generalizacji/specjalizacji), których instancjami one są.
18 Strukturalizacja danych oparta na systemach informacyjnych nad grafami ontologicznymi
19 Strukturalizacja danych oparta na systemach informacyjnych nad grafami ontologicznymi - przykład
20 Strukturalizacja danych oparta na systemach informacyjnych nad grafami ontologicznymi - przykład
21 Wykorzystanie wiedzy zewnętrznej Grafy ontologiczne skojarzone z atrybutami mogą zostać rozbudowane tak, aby reprezentować dodatkową wiedzę zewnętrzną wspomagającą procesy klasyfikacji danych z serwisów ogłoszeniowych. W przypadku wykorzystywania takiej dodatkowej wiedzy, wygodnie jest używać złożonych systemów informacyjnych/decyzyjnych nad grafami ontologicznymi (wartości atrybutów są podgrafami grafów ontologicznych).
22 Zasada ekonomii kognitywnej Przy przedstawianiu grafów ontologicznych wykorzystywana jest zasada ekonomii kognitywnej [Conrad, C.: Cognitive economy in semantic memory. Journal of Experimental Psychology 92(2), , 1972] według której: Relacje semantyczne pomiędzy pojęciami nie są reprezentowane na grafie za pomocą krawędzi pomiędzy węzłami reprezentującymi wszystkie pojęcia, do których te relacje mają zastosowanie, ale tylko pomiędzy węzłami reprezentującymi pojęcia najbardziej ogólne. Te relacje są "dziedziczoneźarówno przez bezpośrednie jak i pośrednie hiponimy tych pojęć oraz przez wszystkie instancje pojęć. Powyższą zasadę stosujemy także do pojęć będących synonimami.
23 Wykorzystanie wiedzy zewnętrznej - relacje w grafach ontologicznych Grafy ontologiczne mogą być rozbudowywane poprzez uwzględnienie różnych relacji pomiędzy pojęciami analogicznie do sieci semantycznych, np.: posiadanie pewnych elementów jako własnych składowych, posiadanie pewnych obiektów jako przedmiotu własności, posiadanie pewnych cech, pełnienie określonej roli względem innego obiektu, itp.
24 Wykorzystanie wiedzy zewnętrznej - przykład
25 Eksploracja danych zawartych w systemach informacyjnych/decyzyjnych nad grafami ontologicznymi Zbiory przybliżone [K. Pancerz, Semantic relationships and approximations of sets: an ontological graph based approach, in: Proceedings of the HSI 2013, Sopot, Poland, 2013, pp.62 69]. Reguły [K. Pancerz, Decision rules in simple decision systems over ontological graphs, in: R. Burduk, K. Jackowski, M. Kurzynski, M. Wozniak, A. Zolnierek (Eds.), Proceedings of the CORES 2013: Advances in Intelligent Systems and Computing, vol. 226, Springer International Publishing, Switzerland, 2013,pp ].
26 Eksploracja danych zawartych w systemach informacyjnych/decyzyjnych nad grafami ontologicznymi (cd.) Reguły zgodne z podejściem DRSA [K. Pancerz, Dominance-based rough set approach for decision systems over ontological graphs, in: M. Ganzha, L. Maciaszek, M. Paprzycki (Eds.), Proceedings of the FedCSIS 2012, Wroclaw, Poland, 2012, pp ]. Sieci neuronowe [K. Pancerz, A. Lewicki, Encoding symbolic features in simple decision systems over ontological graphs for PSO and neural network based classifiers, Neurocomputing, 2014 (in press)].
27 Relacje pomiędzy wartościami atrybutów OG a = (C a, E a, R, ρ a ) - graf ontologiczny skojarzony z atrybutem a w prostym systemie decyzyjnym nad grafami ontologicznymi, gdzie R = {issyn, isgen, isspec}. Relacja znaczenia ogólnego pomiędzy c 1, c 2 C a EMR(a) = {(c 1, c 2 ) C a C a : c 1 = c 2 }. Relacja znaczenia synonimicznego pomiędzy c 1, c 2 C a SMR(a) = {(c 1, c 2 ) C a C a : ρ a (e) = issyn}. [c 1,c 2 ] P(OG a) e E([c 1,c 2 ])
28 Relacje pomiędzy wartościami atrybutów OG a = (C a, E a, R, ρ a ) - graf ontologiczny skojarzony z atrybutem a w prostym systemie decyzyjnym nad grafami ontologicznymi, gdzie R = {issyn, isgen, isspec}. Relacja generalizacji pomiędzy c 1, c 2 C a [c 1,c 2 ] P(OG a) GR(a) = {(c 1, c 2 ) C a C a : ρ a (e) {issyn, isgen}}. e E([c 1,c 2 ]) Relacja specjalizacji pomiędzy c 1, c 2 C a [c 1,c 2 ] P(OG a) SR(a) = {(c 1, c 2 ) C a C a : ρ a (e) {issyn, isgen}. e E([c 1,c 2 ])
29 Relacje pomiędzy wartościami atrybutów OG a = (C a, E a, R, ρ a ) - graf ontologiczny skojarzony z atrybutem a w prostym systemie decyzyjnym nad grafami ontologicznymi, gdzie R = {issyn, isgen, isspec}. Relacja znaczenia ogólnego pomiędzy c 1, c 2 C a oraz GMR(a) = {(c 1, c 2 ) C a C a : [c 1,c 3 ] P(OG a) [c 2,c 3 ] P(OG a) e E([c 1,c 3 ]) e E([c 2,c 3 ]) c 3 C a C a ρ a (e) {issyn, isgen} ρ a (e) {issyn, isgen}}.
30 Kodowanie wartości atrybutów
31 Kodowanie wartości atrybutów
32 Kodowanie wartości atrybutów SDS OG = (U, C, D, {OG a } a C, V d, c, d) - prosty system decyzyjny nad grafami ontologicznymi. Dla każdego atrybutu warunkowego a C oraz każdego obiektu u U definiujemy ostrą funkcję charakterystyczną χ u a : C a {0, 1}, gdzie C a jest zbiorem pojęć w grafie OG a. Ostra funkcja charakterystyczna 1 jeśli v = c(a, u) lub (v, c(a, u)) SMR(a) χ u a(v) = lub (v, c(a, u)) GR(a), 0 w przeciwnym razie, dla v C a.
33 Kodowanie wartości atrybutów W przypadku ostrej funkcji charakterystycznej bierzemy pod uwagę tylko relację generalizacji/specjalizacji. Jeśli istnieje bardziej ogólne pojęcie od danego pojęcia lub dwa pojęcia posiadają wspólne pojęcie uogólniające je, to pojęcia takie mogą być traktowane jako podobne gdyż częściowo mają wspólne właściwości [zob. Y. Li, Z. Bandar, D. Mclean, An approach for measuring semantic similarity between words using multiple information sources, IEEE Trans. Knowl. Data Eng. 15(2003) ]. Funkcja charakterystyczna może zostać rozmyta.
34 Kodowanie wartości atrybutów W literaturze zaproponowano różne miary podobieństwa pomiędzy pojęciami w sieciach semantycznych o strukturze hierarchicznej, np.: Y. Li, Z. Bandar, D. Mclean, An approach for measuring semantic similarity between words using multiple information sources, IEEE Trans. Knowl. Data Eng. 15(2003) R. Rada, H. Mili, E. Bicknell, M. Blettner, Development and application of a metric on semantic nets, IEEE Trans. Syst. Man Cybern. 19(1989) W przypadku relacji generalizacji/specjalizacji w grafie ontologicznym możemy założyć, że pojęcia na wyższych poziomach hierarchii posiadają bardziej ogólną semantykę i są mnie podobne, zaś pojęcia na niższych poziomach hierarchii posiadają bardziej konkretną semantykę i są bardziej podobne.
35 Kodowanie wartości atrybutów Podobieństwo między dwoma pojęciami v 1 i v 2 jest definiowane jako (por. Y. Li, Z. Bandar, D. Mclean, An approach for measuring semantic similarity between words using multiple information sources, IEEE Trans. Knowl. Data Eng. 15(2003) ): gdzie: s(v 1, v 2 ) = f 1 (l)f 2 (h), l jest najkrótszą ścieżką pomiędzy v 1 i v 2 w grafie ontologicznym, h jest głębokością pojęć szczegółowych w hierarchii.
36 Kodowanie wartości atrybutów W ogólności, funkcje f 1 i f 2 są nieliniowe. Funkcja f 1 powinna spełniać warunki: jeśli długość ścieżki dąży do 0, to podobieństwo dąży monotonicznie do 1, jeśli długość ścieżki dąży do, to podobieństwo dąży monotonicznie do 0. Głębokość jest mierzona przez zliczenie poziomów w hierarchii od pojęć szczegółowych do pojęcia najbardziej ogólnego (korzenia hierarchii).
37 Kodowanie wartości atrybutów W pracy [Y. Li, Z. Bandar, D. Mclean, An approach for measuring semantic similarity between words using multiple information sources, IEEE Trans. Knowl. Data Eng. 15(2003) ], zdefiniowano następujące funkcje f 1 i f 2 : f 1 (l) = e αl, f 2 (h) = eβh e βh e βh +e βh, gdzie α oraz β są stałymi.
38 Kodowanie wartości atrybutów SDS OG = (U, C, D, {OG a } a C, V d, c, d) - prosty system decyzyjny nad grafami ontologicznymi. Dla każdego atrybutu warunkowego a C oraz każdego obiektu u U definiujemy rozmytą funkcję charakterystyczną χ u a : C a [0, 1], gdzie C a jest zbiorem pojęć w grafie OG a. Rozmyta funkcja charakterystyczna 1 jeśli v = c(a, u) lub (v, c(a, u)) SMR(a) χ u lub (v, c(a, u)) GR(a), a(v) = s(v, c(a, u)) (v, c(a, u)) SR(a) lub (v, c(a, u)) GMR(a), 0 w przeciwnym razie, dla v C a.
39 Kodowanie wartości atrybutów - przykład
40 Kodowanie wartości atrybutów - eksperyment Metoda / Kodowanie Ostra Rozmyta funkcja funkcja charakterystyczna charakterystyczna J CART LEM NN
41 Dalsze prace 1 Wykorzystanie różnych miar podobieństwa semantycznego. 2 Wykorzystanie klasyfikatorów opartych o różne podejścia uczenia maszynowego i eksploracji danych.
Systemy informacyjne nad grafami ontologicznymi
Systemy informacyjne nad grafami ontologicznymi Krzysztof Pancerz Wyższa Szkoła Zarządzania i Administracji w Zamościu Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Seminarium Zakładu Inteligentnych
Bardziej szczegółowoAutoreferat. 1 Imię i nazwisko: Krzysztof Pancerz. 2 Posiadane dyplomy, stopnie naukowe. 3 Dotychczasowe zatrudnienie w jednostkach naukowych
Autoreferat 1 Imię i nazwisko: Krzysztof Pancerz Katedra Informatyki, Wydział Matematyczno-Przyrodniczy Uniwersytet Rzeszowski ul. Pigonia 1, 35-310 Rzeszów 2 Posiadane dyplomy, stopnie naukowe 1998 Tytuł
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /14
Matematyka dyskretna Andrzej Łachwa, UJ, 2016 andrzej.lachwa@uj.edu.pl 13/14 Grafy podstawowe definicje Graf to para G=(V, E), gdzie V to niepusty i skończony zbiór, którego elementy nazywamy wierzchołkami
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl 14/15 Grafy podstawowe definicje Graf to para G=(V, E), gdzie V to niepusty i skończony zbiór, którego elementy nazywamy wierzchołkami
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /14
Matematyka dyskretna Andrzej Łachwa, UJ, 2012 andrzej.lachwa@uj.edu.pl 13/14 Grafy podstawowe definicje Graf to para G=(V, E), gdzie V to niepusty i skończony zbiór, którego elementy nazywamy wierzchołkami
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, B/14
Matematyka dyskretna Andrzej Łachwa, UJ, 2019 andrzej.lachwa@uj.edu.pl 1B/14 Drogi w grafach Marszruta (trasa) w grafie G z wierzchołka w do wierzchołka u to skończony ciąg krawędzi w postaci. W skrócie
Bardziej szczegółowoMatematyka dyskretna
Matematyka dyskretna Wykład 13: Teoria Grafów Gniewomir Sarbicki Literatura R.J. Wilson Wprowadzenie do teorii grafów Definicja: Grafem (skończonym, nieskierowanym) G nazywamy parę zbiorów (V (G), E(G)),
Bardziej szczegółowoPodstawowe własności grafów. Wykład 3. Własności grafów
Wykład 3. Własności grafów 1 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2). 2 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2).
Bardziej szczegółowoLEMRG 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 szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.
Algorytmy wspomagania decyzji Czyli co i jak 2013 andrzej.rusiecki@pwr.wroc.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 911/D-20 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowo(4) x (y z) = (x y) (x z), x (y z) = (x y) (x z), (3) x (x y) = x, x (x y) = x, (2) x 0 = x, x 1 = x
2. Wykład 2: algebry Boole a, kraty i drzewa. 2.1. Algebra Boole a. 1 Ważnym dla nas przykładem algebr są algebry Boole a, czyli algebry B = (B,,,, 0, 1) typu (2, 2, 1, 0, 0) spełniające własności: (1)
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3
Algorytmy wspomagania decyzji Czyli co i jak 2018 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Informacje podstawowe 1. Konsultacje: pokój
Bardziej szczegółowoRozmyte drzewa decyzyjne. Łukasz Ryniewicz Metody inteligencji obliczeniowej
µ(x) x µ(x) µ(x) x x µ(x) µ(x) x x µ(x) x µ(x) x Rozmyte drzewa decyzyjne Łukasz Ryniewicz Metody inteligencji obliczeniowej 21.05.2007 AGENDA 1 Drzewa decyzyjne kontra rozmyte drzewa decyzyjne, problemy
Bardziej szczegółowoSKOJARZENIA i ZBIORY WEWN. STABILNE WIERZCH. Skojarzeniem w grafie G nazywamy dowolny podzbiór krawędzi parami niezależnych.
SKOJARZENIA i ZBIORY WEWN. STABILNE WIERZCH. Rozważamy graf G = (V, E) Dwie krawędzie e, e E nazywamy niezależnymi, jeśli nie są incydentne ze wspólnym wierzchołkiem. Skojarzeniem w grafie G nazywamy dowolny
Bardziej szczegółowoIndukowane Reguły Decyzyjne I. Wykład 3
Indukowane Reguły Decyzyjne I Wykład 3 IRD Wykład 3 Plan Powtórka Grafy Drzewa klasyfikacyjne Testy wstęp Klasyfikacja obiektów z wykorzystaniem drzewa Reguły decyzyjne generowane przez drzewo 2 Powtórzenie
Bardziej szczegółowoProblem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowoRozpoznawanie obiektów na podstawie zredukowanego zbioru cech. Piotr Porwik Uniwersytet Śląski w Katowicach
Rozpoznawanie obiektów na podstawie zredukowanego zbioru cech Piotr Porwik Uniwersytet Śląski w Katowicach ?? It is obvious that more does not mean better, especially in the case of classifiers!! *) *)
Bardziej szczegółowoOptymalizacja reguł decyzyjnych względem pokrycia
Zakład Systemów Informatycznych Instytut Informatyki, Uniwersytet Śląski Chorzów, 9 grudzień 2014 Wprowadzenie Wprowadzenie problem skalowalności dla optymalizacji reguł decyzjnych na podstawie podejścia
Bardziej szczegółowoAlgebrą nazywamy strukturę A = (A, {F i : i I }), gdzie A jest zbiorem zwanym uniwersum algebry, zaś F i : A F i
Algebrą nazywamy strukturę A = (A, {F i : i I }), gdzie A jest zbiorem zwanym uniwersum algebry, zaś F i : A F i A (symbol F i oznacza ilość argumentów funkcji F i ). W rozważanych przez nas algebrach
Bardziej szczegółowoWprowadzenie do uczenia maszynowego
Wprowadzenie do uczenia maszynowego Agnieszka Ławrynowicz 12 stycznia 2017 Co to jest uczenie maszynowe? dziedzina nauki, która zajmuje się sprawianiem aby komputery mogły uczyć się bez ich zaprogramowania
Bardziej szczegółowoGraf. Definicja marca / 1
Graf 25 marca 2018 Graf Definicja 1 Graf ogólny to para G = (V, E), gdzie V jest zbiorem wierzchołków (węzłów, punktów grafu), E jest rodziną krawędzi, które mogą być wielokrotne, dokładniej jednoelementowych
Bardziej szczegółowoWYŻSZA 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 szczegółowoBadania 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 szczegółowoWstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane.
Wstęp do sieci neuronowych, wykład 7. M. Czoków, J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika w Toruniu 212-11-28 Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu
Bardziej szczegółowoMATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY
ERIAŁY DO WYKŁADU GRAFY Graf nieskierowany Grafem nieskierowanym nazywamy parę G = (V, E), gdzie V jest pewnym zbiorem skończonym (zwanym zbiorem wierzchołków grafu G), natomiast E jest zbiorem nieuporządkowanych
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 16 2 Data Science: Uczenie maszynowe Uczenie maszynowe: co to znaczy? Metody Regresja Klasyfikacja Klastering
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoKURS MATEMATYKA DYSKRETNA
KURS MATEMATYKA DYSKRETNA LEKCJA 28 Grafy hamiltonowskie ZADANIE DOMOWE www.akademia.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowiedź (tylko jedna jest prawdziwa). Pytanie 1 Drogę nazywamy
Bardziej szczegółowoTeoria grafów dla małolatów. Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska
Teoria grafów dla małolatów Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska Wstęp Matematyka to wiele różnych dyscyplin Bowiem świat jest bardzo skomplikowany wymaga rozważenia
Bardziej szczegółowoMatematyczne 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 szczegółowo2.2. Gramatyki, wyprowadzenia, hierarchia Chomsky'ego
2.2. Gramatyki, wyprowadzenia, hierarchia Chomsky'ego Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną G = gdzie: N zbiór symboli nieterminalnych, T zbiór symboli terminalnych, P zbiór
Bardziej szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowoPrzykłady grafów. Graf prosty, to graf bez pętli i bez krawędzi wielokrotnych.
Grafy Graf Graf (ang. graph) to zbiór wierzchołków (ang. vertices), które mogą być połączone krawędziami (ang. edges) w taki sposób, że każda krawędź kończy się i zaczyna w którymś z wierzchołków. Graf
Bardziej szczegółowoMatematyka dyskretna - 7.Drzewa
Matematyka dyskretna - 7.Drzewa W tym rozdziale zajmiemy się drzewami: specjalnym przypadkiem grafów. Są one szczególnie przydatne do przechowywania informacji, umożliwiającego szybki dostęp do nich. Definicja
Bardziej szczegółowoMetody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska e-mail: bartosz.krawczyk@pwr.wroc.pl Czym jest klasyfikacja
Bardziej szczegółowoAlgorytmy 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 szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoGramatyki grafowe. Dla v V, ϕ(v) etykieta v. Klasa grafów nad Σ - G Σ.
Gramatyki grafowe Def. Nieskierowany NL-graf (etykietowane wierzchołki) jest czwórką g = (V, E, Σ, ϕ), gdzie: V niepusty zbiór wierzchołków, E V V zbiór krawędzi, Σ - skończony, niepusty alfabet etykiet
Bardziej szczegółowoG. Wybrane elementy teorii grafów
Dorota Miszczyńska, Marek Miszczyński KBO UŁ Wybrane elementy teorii grafów 1 G. Wybrane elementy teorii grafów Grafy są stosowane współcześnie w różnych działach nauki i techniki. Za pomocą grafów znakomicie
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoZASTOSOWANIA METOD INTELIGENTNYCH W AKUSTYCE
MODELOWANIE INŻYNIERSKIE ISNN 1896-771X 32, s. 273-280, Gliwice 2006 ZASTOSOWANIA METOD INTELIGENTNYCH W AKUSTYCE BOŻENA KOSTEK Katedra Systemów Multimedialnych, Politechnika Gdańska Streszczenie. Celem
Bardziej szczegółowoKolorowanie wierzchołków grafu
Kolorowanie wierzchołków grafu Niech G będzie grafem prostym. Przez k-kolorowanie właściwe wierzchołków grafu G rozumiemy takie przyporządkowanie wierzchołkom grafu liczb naturalnych ze zbioru {1,...,
Bardziej szczegółowoKolorowanie 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 szczegółowoZastosowanie 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 szczegółowoGramatyki, wyprowadzenia, hierarchia Chomsky ego. Gramatyka
Gramatyki, wyprowadzenia, hierarchia Chomsky ego Teoria automatów i języków formalnych Dr inŝ. Janusz Majewski Katedra Informatyki Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną gdzie: G =
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, A/14
Matematyka dyskretna Andrzej Łachwa, UJ, 2019 andrzej.lachwa@uj.edu.pl 1A/14 Literatura obowiązkowa [1] K.A.Ross, Ch.R.B.Wright: Matematyka Dyskretna. Wydawnictwo Naukowe PWN, Warszawa 1996 [2] R.L.Graham,
Bardziej szczegółowoRILL - przyrostowy klasyfikator regułowy uczący się ze zmiennych środowisk
Wprowadzenie RILL - przyrostowy klasyfikator regułowy uczący się ze zmiennych środowisk Magdalena Deckert Politechnika Poznańska, Instytut Informatyki Seminarium ISWD, 21.05.2013 M. Deckert Przyrostowy
Bardziej szczegółowoAlgorytmy Równoległe i Rozproszone Część X - Algorytmy samostabilizujące.
Algorytmy Równoległe i Rozproszone Część X - Algorytmy samostabilizujące. Łukasz Kuszner pokój 209, WETI http://www.sphere.pl/ kuszner/ kuszner@sphere.pl Oficjalna strona wykładu http://www.sphere.pl/
Bardziej szczegółowoWIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW
Uniwersytet Ekonomiczny we Wrocławiu WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Wprowadzenie Wrażliwość wyników analizy wielokryterialnej na zmiany wag kryteriów, przy
Bardziej szczegółowoOdkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych. Wykład 3
Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych Wykład 3 W internecie Teoria zbiorów przybliżonych zaproponowany w 1982 r. przez prof. Zdzisława Pawlaka formalizm matematyczny, stanowiący
Bardziej szczegółowoDRZEWA REGRESYJNE I LASY LOSOWE JAKO
DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2014 andrzej.lachwa@uj.edu.pl 8/15 Grafy podstawowe definicje Graf to para G=(V, E), gdzie V to niepusty i skończony zbiór, którego elementy nazywamy wierzchołkami
Bardziej szczegółowo1. Wstęp. 2. Podobieństwo obiektów. Andrzej Łachwa
Podobieństwo zbiorów 105 Andrzej Łachwa Podobieństwo zbiorów 1. Wstęp Niemal codziennie używamy określenia podobieństwo i wskazujemy rzeczy podobne do siebie. Na pierwszy rzut oka jest to pojęcie proste.
Bardziej szczegółowoWeryfikacja wspomagana komputerowo
Weryfikacja wspomagana komputerowo wykład 12 Interpretacja abstrakcyjna II Źródła F. Nielson, H.R. Nielson, C. Hankin, Principles of Program Analysis, Springer, 2005. http://www.imm.dtu.dk/~riis/ppa/slides4.pdf
Bardziej szczegółowoAlgorytmy mrówkowe. H. Bednarz. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne
Algorytmy mrówkowe H. Bednarz Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Inteligentne systemy informatyczne 13 kwietnia 2015 1 2 3 4 Przestrzeń poszukiwań Ograniczenia
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoTEORIA GRAFÓW I SIECI
TEORIA GRAFÓW I SIECI Temat nr 1: Definicja grafu. Rodzaje i części grafów dr hab. inż. Zbigniew TARAPATA, prof. WAT e-mail: zbigniew.tarapata@wat.edu.pl http://tarapata.edu.pl tel.: 261-83-95-04, p.225/100
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoV Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" - relacja
V Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" - relacja W dniu 27.06.2015 odbyło się V Seminarium Naukowe Inżynierskie zastosowania technologii informatycznych. Organizatorzy
Bardziej szczegółowoAlgorytmiczna teoria grafów
Podstawowe pojęcia i klasy grafów Wykład 1 Grafy nieskierowane Definicja Graf nieskierowany (graf) G = (V,E) jest to uporządkowana para składająca się z niepustego skończonego zbioru wierzchołków V oraz
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoCzy 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 szczegółowoJAKOŚĆ DANYCH Z PERSPEKTYWY SYSTEMÓW WSPOMAGANIA DECYZJI KLINICZNYCH. Dr hab. inż. Szymon Wilk Politechnika Poznańska Instytut Informatyki
JAKOŚĆ DANYCH Z PERSPEKTYWY SYSTEMÓW WSPOMAGANIA DECYZJI KLINICZNYCH Dr hab. inż. Szymon Wilk Politechnika Poznańska Instytut Informatyki Warszawa, 28.11.2011 Konferencja ekspercka dotycząca e-zdrowia
Bardziej szczegółowoAlgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych
NEUMNN Tomasz 1 lgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych WSTĘP W systemach zarządzania transportem jedną z najbardziej istotnych kwestii jest zapewnienie najkrótszej
Bardziej szczegółowo6. Wstępne pojęcia teorii grafów
6. Wstępne pojęcia teorii grafów Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2016/2017 rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 6. Wstępne pojęcia teorii grafów zima 2016/2017
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA
AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI, INFORMATYKI I INŻYNIERII BIOMEDYCZNEJ KATEDRA AUTOMATYKI I INŻYNIERII BIOMEDYCZNEJ AUTOREFERAT ROZPRAWY DOKTORSKIEJ
Bardziej szczegółowoSystem informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy
System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy decyzyjnej System informacyjny System informacyjny SI zdefiniowany
Bardziej szczegółowoPaweł Kurzawa, Delfina Kongo
Paweł Kurzawa, Delfina Kongo Pierwsze prace nad standaryzacją Obiektowych baz danych zaczęły się w roku 1991. Stworzona została grupa do prac nad standardem, została ona nazwana Object Database Management
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm LEM2 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm LEM 2. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu LEM 2 wygenerować
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoUwaga wstępna: Kognitywne Systemy Wspomagające Zarządzanie
Kognitywne Systemy Wspomagające Zarządzanie Ryszard Tadeusiewicz & Lidia Ogiela AGH Ilustracje użyte do prezentacji podczas wygłaszania referatu na konferencji KOMUNIKACJA I JAKOŚĆ W ZARZĄDZANIU w dniu
Bardziej szczegółowoMetody zbiorów przybliżonych w uczeniu się podobieństwa z wielowymiarowych zbiorów danych
Metody zbiorów przybliżonych w uczeniu się podobieństwa z wielowymiarowych zbiorów danych WMIM, Uniwersytet Warszawski ul. Banacha 2, 02-097 Warszawa, Polska andrzejanusz@gmail.com 13.06.2013 Dlaczego
Bardziej szczegółowoTeoria grafów - Teoria rewersali - Teoria śladów
17 maja 2012 1 Planarność Wzór Eulera Kryterium Kuratowskiego Algorytmy testujące planarność 2 Genom i jego przekształcenia Grafy złamań Sortowanie przez odwrócenia Inne rodzaje sortowania Algorytmy sortujące
Bardziej szczegółowoZnajdowanie skojarzeń na maszynie równoległej
11 grudnia 2008 Spis treści 1 Skojarzenia w różnych klasach grafów Drzewa Grafy gęste Grafy regularne dwudzielne Claw-free graphs 2 Drzewa Skojarzenia w drzewach Fakt Wybierajac krawędź do skojarzenia
Bardziej szczegółowoKURS MATEMATYKA DYSKRETNA
KURS MATEMATYKA DYSKRETNA LEKCJA 28 Grafy hamiltonowskie Odpowiedzi do zadania domowego www.akademia.etrapez.pl Strona 1 Część 1: TEST 1) b 2) a 3) b 4) d 5) c 6) d 7) b 8) b 9) d 10) a Zad. 1 ODPOWIEDZI
Bardziej szczegółowoprof. dr hab. Jadwiga Woźniak-Kasperek Instytut Informacji Naukowej i Studiów Bibliologicznych Uniwersytet Warszawski
prof. dr hab. Jadwiga Woźniak-Kasperek Instytut Informacji Naukowej i Studiów Bibliologicznych Uniwersytet Warszawski Rola języka i semantyki w procesach reprezentowania i wyszukiwania treści Możliwości
Bardziej szczegółowoSemantyka rachunku predykatów
Relacje Interpretacja Wartość Spełnialność Logika obliczeniowa Instytut Informatyki Relacje Interpretacja Wartość Plan Plan Relacje O co chodzi? Znaczenie w logice Relacje 3 Interpretacja i wartościowanie
Bardziej szczegółowoModelowanie danych, projektowanie systemu informatycznego
Modelowanie danych, projektowanie systemu informatycznego Modelowanie odwzorowanie rzeczywistych obiektów świata rzeczywistego w systemie informatycznym Modele - konceptualne reprezentacja obiektów w uniwersalnym
Bardziej szczegółowoWprowadzenie Podstawy Fundamentalne twierdzenie Kolorowanie. Grafy planarne. Przemysław Gordinowicz. Instytut Matematyki, Politechnika Łódzka
Grafy planarne Przemysław Gordinowicz Instytut Matematyki, Politechnika Łódzka Grafy i ich zastosowania Wykład 12 Plan prezentacji 1 Wprowadzenie 2 Podstawy 3 Fundamentalne twierdzenie 4 Kolorowanie grafów
Bardziej szczegółowoZastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej Adam Żychowski Definicja problemu Każdy z obiektów może należeć do więcej niż jednej kategorii. Alternatywna definicja Zastosowania
Bardziej szczegółowoKraków, 14 marca 2013 r.
Scenariusze i trendy rozwojowe wybranych technologii społeczeństwa informacyjnego do roku 2025 Antoni Ligęza Perspektywy rozwoju systemów eksperckich do roku 2025 Kraków, 14 marca 2013 r. Dane informacja
Bardziej szczegółowoWYKŁAD 11 Uczenie maszynowe drzewa decyzyjne
WYKŁAD 11 Uczenie maszynowe drzewa decyzyjne Reprezentacja wiedzy w postaci drzew decyzyjnych entropia, przyrost informacji algorytmy ID3, C4.5 problem przeuczenia wyznaczanie reguł rzykładowe drzewo decyzyjne
Bardziej szczegółowoEmotiWord, semantyczne powiązanie i podobieństwo, odległość znaczeniowa
, semantyczne powiązanie i podobieństwo, odległość Projekt przejściowy ARR Politechnika Wrocławska Wydział Elektroniki Wrocław, 22 października 2013 Spis treści 1 językowa 2, kryteria 3 Streszczenie artykułu
Bardziej szczegółowoDigraf. 13 maja 2017
Digraf 13 maja 2017 Graf skierowany, digraf, digraf prosty Definicja 1 Digraf prosty G to (V, E), gdzie V jest zbiorem wierzchołków, E jest rodziną zorientowanych krawędzi, między różnymi wierzchołkami,
Bardziej szczegółowoProblem 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 szczegółowoDiagnozowanie sieci komputerowej metodą dialogu diagnostycznego
Diagnozowanie sieci komputerowej metodą dialogu diagnostycznego Metoda dialogu diagnostycznego między komputerami sieci komputerowej, zalicza się do, tak zwanych, rozproszonych metod samodiagnozowania
Bardziej szczegółowoPodobieństwo semantyczne w ontologiach biomedycznych
Podobieństwo semantyczne w ontologiach biomedycznych Bogumił Konopka Politechnika Wrocławska Wydział Podstawowych Problemów Techniki Instytut Inżynierii Biomedycznej i Pomiarowej KN Bio Nanopor Plan prezentacji
Bardziej szczegółowoWykorzystanie zbiorów przybliżonych w analizie Kansei
This paper should be cited as: Ludwiszewski, B., Redlarski, K., & Wachowicz, J. (2010). Wykorzystanie zbiorów przybliżonych w analizie Kansei. Proceedings of the Conference: Interfejs użytkownika - Kansei
Bardziej szczegółowoSieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011
Sieci Bayesa mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Sosnowiec, 2011 Sieć Bayesowska służy do przedstawiania zależności pomiędzy zdarzeniami bazując na rachunku prawdopodobieństwa.
Bardziej szczegółowoMetoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.
Plan Procedura decyzyjna Reguły α i β - algorytm Plan Procedura decyzyjna Reguły α i β - algorytm Logika obliczeniowa Instytut Informatyki 1 Procedura decyzyjna Logiczna konsekwencja Teoria aksjomatyzowalna
Bardziej szczegółowoB jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;
Algorytm LEM1 Oznaczenia i definicje: U - uniwersum, tj. zbiór obiektów; A - zbiór atrybutów warunkowych; d - atrybut decyzyjny; IND(B) = {(x, y) U U : a B a(x) = a(y)} - relacja nierozróżnialności, tj.
Bardziej szczegółowoElementy teorii grafów Elementy teorii grafów
Spis tresci 1 Spis tresci 1 Często w zagadnieniach praktycznych rozważa się pewien zbiór obiektów wraz z zależnościami jakie łączą te obiekty. Dla przykładu można badać pewną grupę ludzi oraz strukturę
Bardziej szczegółowoSymulacje geometrycznych sieci neuronowych w środowisku rozproszonym
Symulacje geometrycznych sieci neuronowych w środowisku rozproszonym Jarosław Piersa, Tomasz Schreiber {piersaj, tomeks}(at)mat.umk.pl 2010-07-21 1 2 Dany podzbiór V R 3. N neuronów należących do V N Poiss(c
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowo