Wprowadzenie, podstawowe pojęcia i definicje. Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
|
|
- Ewa Romanowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Wprowadzenie, podstawowe pojęcia i definicje Politechnika Gdańska Wydział Elektrotechniki i Automatyki Kierunek: Automatyka i Robotyka Specjalność: Systemy Sterowania i Wspomagania Decyzji Studia stacjonarne II stopnia: rok I, semestr II Opracowanie: dr inż. Tomasz Rutkowski
2 Plan wykładu: Wprowadzenie Zadania dziedzin związanych z wiedzą Definicje wiedzy, reprezentacja wiedzy Inżynieria, inteligencja naturalna, sztuczna inteligencja 2
3 Wprowadzenie 3
4 Powiązane zagadnienia: Tworzenie Wiedzy (ang. Knowledge Creation) Odkrywanie Wiedzy (ang. Knowledge Discovery) Zarządzanie Wiedzą (ang. Knowledge Management) Inżynieria Wiedzy (ang. Knowledge Engineering) Eksploracja Danych (ang. Data Mining) Systemy Ekspertowe (ang. Expert Systems) Systemy z Bazą Wiedzy (ang. Knowledge-Based Systems) Systemy Inteligentne (ang. Intelligent Systems) Sztuczna Inteligencja (ang. Artificial Intelligence) Inteligencja Obliczeniowa (ang. Computational Inteligence) 4
5 Wiedza prawdziwa wiedza to znajomość przyczyn (Socrates) wiedza jest potęgą (F.Bacon) tyle mamy władzy ile wiedzy (F.Bacon) knowledge is power (motto Biblioteka Kongresu USA) biedny jest tylko ten, kto nie ma wiedzy (Tora) sama wiedza niewystarczy, trzeba jeszcze umieć ją stosować (Goethe) 5
6 Wiedza Społeczeństwo wiedzy Gospodarka oparta o wiedzę Budowanie na wiedzy Społeczeństwo informacyjne Wiedza zastępuje pracę i kapitał jako podstawowe źródło dobrobytu społecznego 6
7 Wiedza Czym jest wiedza? najczęściej oznacza zbiór wiadomości z określonej dziedziny oznacza wszelkie zobiektywizowane i utrwalone formy kultury umysłowej i świadomości społecznej powstałe w wyniku kumulowania doświadczeń i uczenia się jest symbolicznym opisem otaczającego nas świata rzeczywistego charakteryzującym aksjomatyczne i empiryczne relacje zawierające procedury 7
8 Wiedza Wiedza aksjomatyczna w logice euklidesowej to fakty, zadania które uznaje się za prawdziwe i których się nie dowodzi w matematyce współczesnej aksjomaty to zdania wyodrębnione spośród wszystkich twierdzeń danej teorii, które są wybrane tak, aby wynikały z nich wszystkie pozostałe twierdzenia danej teorii Wiedza empiryczna najczęściej spotykana forma wiedzy to asocjacja empiryczna asocjacja empiryczna opiera się na wielu skojarzeniach dotyczących przyczyn i skutków obserwowanych danych i faktów wiedza empiryczna to wiedza, jaką posiadają różni specjaliści czy eksperci (np. lekarze, geolodzy) 8
9 Wiedza Epoka: Cecha: Zasoby: agrarna industrialna informatyczna pozyskiwanie przetwarzanie przetwarzanie produktów produktów informacji ziemia przemysł wiedza Narzędzia: proste maszyny komputery Dystrybucja: - transport telekomunikacja Źródło: Traczyk W. Inżynieria Wiedzy 9
10 Wiedza Skoro wiedza się rozrasta oraz komplikuje to szczególnej wagi nabierają czynności z nią związane: Generowanie Opisywanie Zapamiętywanie Przetwarzanie Wyszukiwanie Wykorzystywanie O definicjach wiedzy i rodzajach wiedzy w dalszej części wykładu 10
11 Zadania dziedzin związanych z wiedzą 11
12 Zadania dziedzin związanych z wiedzą TWORZENIE WIEDZY EKSPERT ZARZĄDZANIE WIEDZĄ W I E D Z A ODKRYWANIE WIEDZY UŻYTKOWNIK INŻYNIERIA WIEDZY D A N E Źródło: Traczyk W. Inżynieria Wiedzy 12
13 Zadania dziedzin związanych z wiedzą TWORZENIE WIEDZY EKSPERT ZARZĄDZANIE WIEDZĄ W I E D Z A ODKRYWANIE WIEDZY UŻYTKOWNIK INŻYNIERIA WIEDZY D A N E Źródło: Traczyk W. Inżynieria Wiedzy 13
14 Tworzenie wiedzy (ang. Knowledge Creation) Wiedza jest tworzona przez ludzi obdarzonych szczególnymi zdolnościami eksperci Badanie warunków sprzyjających twórczości Analiza cyklicznych procesów tworzenia wiedzy 14
15 Zadania dziedzin związanych z wiedzą TWORZENIE WIEDZY EKSPERT ZARZĄDZANIE WIEDZĄ W I E D Z A ODKRYWANIE WIEDZY UŻYTKOWNIK INŻYNIERIA WIEDZY D A N E Źródło: Traczyk W. Inżynieria Wiedzy 15
16 Odkrywanie wiedzy (ang. Knowledge Discovery) Liczba gromadzonych danych rośnie a razem z nimi rośnie zawarta w nich wiedza, którą trudno zauważyć człowiekowi dotyczy uogólnień Regularności świadczące o powtarzaniu pewnych cech lub zjawisk czyli ogólna wiedza o badanym środowisku Etapy odkrywania wiedzy: Wstępne przetwarzanie danych (np. czyszczenie danych, usuwanie nadwymiarowości) Eksploracja danych (ang. Data Mining) Przetwarzanie końcowe (interpretacja, ocena, analiza i wizualizacja otrzymanych wyników) 16
17 Eksploracja danych (ang. Data Mining) Poszukiwanie takich prawidłowości (wzorców), które będzie można wykorzystać przy analizie innych danych Typowe postaci owych prawidłowości (wzorców) to: Reguły decyzyjne i asocjacyjne Drzewa decyzyjne Sekwencje oraz zależności funkcyjne Można je wykorzystać do: Klasyfikacji Grupowania Regresja (określenie pewnej funkcji opisującej dane zjawisko) Kojarzenia 17
18 Zadania dziedzin związanych z wiedzą TWORZENIE WIEDZY EKSPERT ZARZĄDZANIE WIEDZĄ W I E D Z A ODKRYWANIE WIEDZY UŻYTKOWNIK INŻYNIERIA WIEDZY D A N E Źródło: Traczyk W. Inżynieria Wiedzy 18
19 Zarządzanie wiedzą (ang. Knowledge Management) Zarządzanie wiedzą to proces umożliwiający: tworzenie, zdobywanie, analizowanie, porządkowanie, ocenianie, magazynowanie, wyszukiwanie, upowszechnianie i wykorzystywanie wiedzy (o różnym charakterze) w celu podejmowania szybszych, mądrzejszych i lepszych decyzji, służących do realizacji celów przedsiębiorstwa i osiągania przewagi konkurencyjnej Podstawowe cele zarządzania wiedzą to: innowacyjność, kompetentność, skuteczność, wrażliwość/reaktywność Koncepcja 5 W: what?, how?, where?, when?, why?, who? 19
20 Zadania dziedzin związanych z wiedzą TWORZENIE WIEDZY EKSPERT ZARZĄDZANIE WIEDZĄ W I E D Z A ODKRYWANIE WIEDZY UŻYTKOWNIK INŻYNIERIA WIEDZY D A N E Źródło: Traczyk W. Inżynieria Wiedzy 20
21 Inżynieria wiedzy (ang. Knowledge Enginering) pojęcie ogólne Definicja: Inżynieria wiedzy to dział informatyki obejmujący metody i systemy służące, do wspomaganego komputerowo, uzyskiwania użytecznych informacji na podstawie dostępnej wiedzy i konkretnych danych - informatyka - sztuczna inteligencja - systemy ekspertowe 21
22 Główne problemy inżynierii wiedzy Poszukiwanie takiego sposobu reprezentacji wiedzy, który ułatwi jej zapamiętanie i przetworzenie (w komputerze), dobrze odpowiada rozwiązywanym zadaniom i zachowuje czytelność Automatyzacja pozyskiwania wiedzy z dostępnej wiedzy i danych (automatyczne wnioskowanie) z uwzględnieniem różnorodnej formy wiedzy i stawianego zadania Ontologie opisujące strukturę złożonych dziedzin, co ułatwia ich analizę i wykorzystanie 22
23 Inżynieria wiedzy (ang. Knowledge Enginering) uszczegółowienie Wcześniejsze spojrzenie na inżynierię wiedzy obejmowało: Kreowanie Wiedzy Pozyskiwanie Wiedzy Zarządzanie Wiedzą oraz wykorzystanie wiedzy Z czasem pierwsze trzy pojęcia wyodrębniły się jako odrębne i samodzielne dziedziny Można zatem powiedzieć, że inżynierii wiedzy przyporządkowuje się funkcję wykorzystywania wiedzy 23
24 Inżynieria wiedzy (ang. Knowledge Enginering) uszczegółowienie Definicja: Inżynieria wiedzy wypracowuje użyteczne informacje na podstawie dostępnej wiedzy i konkretnych danych Taka definicja jest bardzo pojemna, obejmuje między innymi wspomaganie decyzji i systemy automatycznego sterowania: Wiedza + Dane = Wnioski 24
25 Inżynieria wiedzy (ang. Knowledge Enginering) uszczegółowienie Definicje: Inżynieria wiedzy to dział sztucznej inteligencjiobejmujący metody i systemy służące do uzyskania użytecznych informacji na podstawie dostępnej wiedzy i konkretnych danych Inżynieria wiedzy zajmuje się opisywaniem (reprezentacją) wiedzy i systemami, wykorzystującymi wiedzędo automatycznego wnioskowania, dla potrzeb: wspomagania decyzji, diagnostyki, klasyfikacji, zarządzania, planowania, konfigurowania itp.. Inżynieria wiedzy jest praktyczną realizacją idei sztucznej inteligencji w zastosowaniach inżynierskich 25
26 Inżynieria wiedzy (ang. Knowledge Enginering) uszczegółowienie Inżynieria wiedzy zajmuje się opisywaniem wiedzy oraz systemami wykorzystującymi wiedzę, miedzy innymi do: automatycznego wnioskowania wspomagania decyzji sterowania diagnostyki zarządzania Planowania klasyfikacji 26
27 Inżynieria, inteligencja naturalna, sztuczna inteligencja 27
28 Filozoficzne korzenie Inżynierii Wiedzy Wiedza i inteligencja są pojęciami znacznie wykraczającymi poza wszelkie inżynierie Inżynieria to działalność polegająca na projektowaniu, konstrukcji, modyfikacji i utrzymaniu efektywnych kosztowo rozwiązań dla praktycznych problemów, z wykorzystaniem wiedzy naukowej oraz technicznej Korzenie inżynierii wiedzy można odnaleźć w następujących nurtach filozofii: Epistemologia Ontologia Logika Które dla potrzeb informatyki zostały przystosowane do działań praktycznych 28
29 Filozoficzne korzenie Inżynierii Wiedzy Epistemologia: zajmuje się teorią poznania, bada skąd pochodzi, na ile jest wiarygodna i jakie ma ograniczenia nasza wiedza Ontologia: studiuje naturę bytu, istnienia i rzeczywistości, przedmiotu i jego własności Logika: analizuje zasady logicznego myślenia 29
30 Naturalna inteligencja (def. klasyczna) Przykłady klasycznych definicji inteligencji dla systemów naturalnych (ludzi): Inteligencjaoznacza umiejętność rozumienia oraz uczenia się nowych rzeczy Inteligencjato zdolność do aktywnego przetwarzania informacji, przekształcania ich z jednej formy w inną poprzez operacje logiczne Inteligencjato zdolność do przetwarzania informacji na poziomie abstrakcyjnych idei 30
31 Naturalna inteligencja (def. klasyczna) Inteligencjato zdolność do twórczego, a nie tylko mechanicznego przetwarzania informacji, czyli tworzenia zupełnie nowych pojęć i ich nieoczekiwanych połączeń Inteligencja to zdolność do myślenia i rozumienia w przeciwieństwie do wykonywania czynności instynktownie lub automatycznie Inteligencja jest zdolnością do poprawnego i sprawnego rozwiązywania zadań intelektualnych, które zazwyczaj uchodzą za trudne 31
32 Naturalna inteligencja (def. współczesna) Przykłady współczesnych definicji inteligencji dla systemów naturalnych (ludzi): Inteligencjato bardzo ogólna zdolność umysłowa, która obejmuje m.in. umiejętność rozumowania (myślenia), planowania, rozwiązywania problemów, myślenia abstrakcyjnego, rozumienia złożonych kwestii, szybkiego uczenia się oraz uczenia się na podstawie osobistego doświadczenia Gottfredson, Linda J. (1997), "Mainstream Science on Intelligence (editorial)", Intelligence 24 Inteligencja to zespół zdolności umysłowych umożliwiających sprawne korzystanie z nabytej wiedzyoraz skuteczne zachowanie się wobec nowych zadań i sytuacji 32
33 Naturalna inteligencja (def. współczesna) Wedle innej teorii można wyróżnić następujące czynniki równorzędne inteligencji: lingwistyczny matematyczny i logiczny wizualny i przestrzenny muzyczny interpersonalny emocjonalny kinestetyczny przyrodniczy Gardner, H.(1993). Frames of Mind. Theory of Multiple Intelligneces. Basic Books 33
34 Sztuczna inteligencja Sztuczna inteligencja Czy maszyny/komputery mogą być inteligentne? Czy maszyny/komputery mogą zachowywać się inteligentnie? Czy należy oczekiwać, że inteligentna maszyna będzie w stanie wykonać każde zadanie, czy tylko jedno, czy też pewną grupę czynności? Jak ocenić czy mamy do czynienia z inteligentną maszyną? 34
35 Sztuczna inteligencja - definicje Sztuczna inteligencja to technologia myślenia komputerów/maszyn/programów Sztuczna inteligencja to nauka mająca za zadanie nauczyć maszyny/komputery/programy zachowania podobnego do ludzkiego Sztuczna inteligencja to dziedzina badań nad wyjaśnieniem i naśladowaniem inteligentnego zachowania w kategoriach procesów obliczeniowych 35
36 Sztuczna inteligencja - definicje Sztuczna inteligencja to dziedzina nauki zajmująca się rozwiązywaniem zagadnień efektywnie niealgorytmizowalnych w oparciu o modelowanie wiedzy Sztuczna inteligencja to zastosowanie programów do sprawnego rozwiązywania problemów, które według powszechnej opinii wymagają inteligencji, jeśli są wykonywane przez człowieka 36
37 Mocna i Słaba sztuczna inteligencja Na przestrzeni lat filozofowie sformułowali następujące rozróżnienie sztucznej inteligencji: słaba sztuczna inteligencja mocna sztuczna inteligencja 37
38 Mocna i Słaba sztuczna inteligencja Słaba sztuczna inteligencja: rozwiązywanie trudnych zadań w sposób umożliwiający praktyczne zastosowania trudne zadania rozwiązują za pomocą odpowiednich inteligentnych techniki obliczeniowych komputer umożliwia formułować i sprawdzać hipotezy dotyczące funkcjonowania ludzkiego mózgu Program = Symulacja, ale nie Prawdziwe Myślenie Ta wersja AI nie ma wielu oponentów gdyż jest wiele dowodów na jej oczywistą przydatność. Ponadto możliwa jest komputerowa symulacja inteligentnego działania niebiologicznymimetodami. 38
39 Mocna i Słaba sztuczna inteligencja Mocna sztuczna inteligencja: zdolność do myślenia w sposób w pewnym stopniu dający się porównywać z myśleniem ludzkim konstrukcja systemu myślącego komputer odpowiednio zaprogramowany jest w istotny sposób równoważny mózgowi i może mieć stany poznawcze (co powoduje spory filozoficzne) Symulacja inteligencji to nie prawdziwa inteligencja, umysł nie jest programem a mózg nie jest komputerem 39
40 Kryteria oceny sztucznej inteligencji Symulacja procesów naturalnych (behawioralny test na inteligencję) Test Turinga: gra w ustalenie tożsamości na podstawie protokołów tekstowych (czy człowiek?, czy komputer?) Inteligentne czynności Wykorzystywanie heurystyk, reguł umożliwiających ograniczenie przestrzeni rozwiązań Wnioskowanie czyli proces przetwarzania wiedzy, w wyniku którego na podstawie pewnego zbioru znanych stwierdzeń wyprowadza się nowe stwierdzenia Uczenie się, czyli wykorzystanie wyników swoich wcześniejszych działań Racjonalne sprawstwo Zdolność systemu do inicjowania działań, które są sensowne w określonym środowisku (dostosowane do wymagań bieżącej sytuacji), a następnie do skutecznego kierowania tymi działaniami 40
41 Sztuczna inteligencja Sztuczna inteligencja zaliczana jest do nauk kognitywnych, chociaż nie wszystkie jej metody mają coś wspólnego z umysłem Sztuczną inteligencję uznaje się jako część informatyki Nauki kognitywne, kognitywistyka: dziedzina nauki zajmująca się obserwacją i analizą działania zmysłów, mózgu i umysłu, w szczególności ich modelowaniem nauką multidiscyplinarnąi interdyscyplinarną, znajduje się na pograniczu wielu dziedzin: psychologii poznawczej, neurobiologii, filozofii umysłu, sztucznej inteligencji, lingwistyki, logiki oraz fizyki 41
42 Sztuczna inteligencja a inteligencja obliczeniowa Inteligencja obliczeniowa ma na celu rozwiązywanie zagadnień efektywnie niealgorytmizowalnych przy pomocy obliczeń Sztuczna inteligencja jest częścią inteligencji obliczeniowej, korzystającą z modelowania wiedzy, inne obszary inteligencji obliczeniowej nie korzystają z metod symbolicznej reprezentacji wiedzy O reprezentacji wiedzy w postaci symbolicznej i niesymbolicznej w dalszej części wykładu 42
43 Sztuczna inteligencja a inteligencja obliczeniowa Soft Computing Logika rozmyta Algorytmy ewolucyjne Sieci neuronowe Wizualizacja Data mining Inteligencja Obliczeniowa (metody numeryczne) Dane + Wiedza Sztuczna Inteligencja (metody symboliczne) Uczenie maszynowe Metody statystyczne Systemy ekspertowe Optymalizacja badania operacyjne Rachunek prawdopodobieństwa Rozpoznawanie Wzorców
44 Definicje wiedzy, reprezentacja wiedzy 44
45 Definicja Wiedzy Wiedzato zasób wiadomości z określonej dziedziny, wszelkie zobiektywizowane i utrwalone formy kultury umysłowej i świadomości społecznej powstałe w wyniku kumulowania doświadczeń i uczenia się Wiedzajest symbolicznym opisem otaczającego nas świata rzeczywistego charakteryzującym aksjomatyczne i empiryczne relacje, zawierającym procedury, które manipulują tymi relacjami 45
46 Definicja Wiedzy Wiedza to teoretyczne i/lub praktyczne zrozumienie tematu z rozważanej dziedziny Wiedzajest tym, co umożliwia podejmowanie uzasadnionych, racjonalnych decyzji Wiedzato służące określonemu celowi informacje i relacje między nimi 46
47 Reprezentacja Wiedzy dane, informacje, wiedza, mądrość Dane: to proste fakty Informacje: to dane z odpowiednim komentarzem Wiedza: sugeruje akcje, jest rodzajem porady Mądrość: właściwe wykorzystanie wiedzy 47
48 Definicja Wiedzy Źródło: Traczyk W. Inżynieria Wiedzy 48
49 Reprezentacja Wiedzy Reprezentacja wiedzy to pomocniczy i ważny proces przystosowujący postać wiedzy z otaczającego świata dla potrzeb automatycznego wnioskowania Ś W I A T obserwacje WIEDZA REPREZENTACJA decyzje, działania FAKTY, SĄDY WNIOSKOWANIE WNIOSKI Źródło: Traczyk W. Inżynieria Wiedzy 49
50 Reprezentacja Wiedzy wnioskowanie, fakty, sądy, wnioski Wnioskowanie: (rozumowanie) to proces myślowy lub komputerowy w którym na podstawie faktów i sądów uznanych za prawdziwe (lub częściowo prawdziwe) dochodzi się do nowych wniosków Fakty: to zmysłowe opisy rzeczywistości (stanów, zachowań, wymagań, związków między faktami w postaci relacji, itp.) Sądy: to rozumowe opisy abstrakcyjnych pojęć i idei Wnioski: to wyniki wnioskowania 50
51 Reprezentacja Wiedzy wiedza a informacja Wiedza to informacje i relacje między nimi: W INF INF Wiedza to sposób przetwarzania (odwzorowania) informacji: W :INF INF Wiedza medyczna : Objawy Diagnoza Wiedza medyczna : Diagnoza Kuracja 3 jest liczbą nieparzystą - fakt Jeśli x jest liczbą nieparzystą to x + 1 jest liczbą parzystą - wiedza 51
52 Reprezentacja Wiedzy wiedza a informacja <opis1 ZWIĄZEK opis2> <warunki ZALEŻNOŚĆ konkluzja> <informacja1 RELACJA informacja2> Wiedza to służące określonemu celowi informacje i relacje między nimi 52
53 Reprezentacja Wiedzy Informacja tak różni się od wiedzy, jak stos cegieł od porządnie zbudowanego domu 53
54 Reprezentacja Wiedzy wiedza a informacja Informacja to wszystko to co osłabia niepewność (C. Shannon) Wiedza jest zatem rodzajem złożonej (wielopoziomowej) informacji, a dane to podstawowe elementarne informacje Piramidę z jednego z poprzednich slajdów zastępuje struktura: informacje wiedza informacje dane Źródło: Traczyk W. Inżynieria Wiedzy 54
55 Reprezentacja Wiedzy symboliczna, niesymboliczna Symboliczna (składa się z faktów, relacji i procedur) proceduralna: polega na określeniu zbioru procedur, działanie których reprezentuje wiedza o dziedzinie wiedza proceduralna mówi jak rozwiązać problem deklaratywna: polega na określeniu zbioru specyficznych dla rozpatrywanej dziedziny faktów, stwierdzeń i reguł wiedza deklaratywna mówi czym rozwiązać problem strukturalna: zbiór pojęć, obiektów lub kategorii oraz relacji między nimi Niesymboliczna techniki inteligencji obliczeniowej: sieci neuronowe, zbiory rozmyte, algorytmy genetyczne i ewolucyjne, uczenie maszynowe, 55
56 Reprezentacja Wiedzy symboliczna Proceduralna: duża efektywność reprezentowania procesów, np. w postaci modeli matematycznych (równania algebraiczne, różniczkowe itp.) zawiera procedurę postępowania, zestaw czynności prowadzących do rozwiązania, np.: procedura rozbrojenia bomby wiedza nie jest oddzielona od sposobu jej wykorzystania Deklaratywna: łatwa w opisie formalnym oddzielona od sposobu jej wykorzystania jedynie zbiór faktów i relacji między nimi, np. typowanie podejrzanych o dokonanie przestępstwa 56
57 Reprezentacja Wiedzy niesymboliczna Sztuczne sieci neuronowe: symulują właściwości reprezentacji wiedzy i jej przetwarzania, podobnie jak komórki organizmów żywych wiedza zgromadzona jest w sposobie polaczenia pomiędzy neuronami oraz w wartościach wag, które reprezentują siłę tych połączeń Algorytmy genetyczne: przekazywanie wiedzy o całym gatunku następnym generacjom wiedza zapisana jest w poszczególnych genach w kolejnych populacjach następuje poprawa cech całej populacji 57
58 Reprezentacja Wiedzy klasyfikacja wiedzy Wiedzę w zależności od potrzeb można klasyfikować na wiele sposobów, wiedza może być: dziedzinowa ukryta, jawna indywidualna, grupowa idealna heurystyczna statyczna, dynamiczna ilościowa, jakościowa głęboka, powierzchniowa twarda (hard), miekka (soft) 58
59 Reprezentacja Wiedzy - metody Do najczęściej stosowanych metod reprezentowania wiedzy, organizowania bazy wiedzy, zalicza się: metody bazujące na zastosowaniu logiki: logika konwencjonalna: rachunek zdań, rachunek predykatów, metoda rezolucji, itp. logika niekonwencjonalna (rozmyta, wielowartościowa), metody wykorzystujące zapis stwierdzeń metody wykorzystujące systemy regułowe metody wykorzystujące sieci semantyczne metody bazujące na ramach metody wykorzystujące modele obliczeniowe oraz metody inteligencji obliczeniowej: sztuczne sieci neuronowe algorytmy genetyczne 59
60 Reprezentacja Wiedzy - metody Do najczęściej stosowanych metod reprezentowania wiedzy, organizowania bazy wiedzy, zalicza się: metody bazujące na zastosowaniu logiki: logika konwencjonalna: rachunek zdań, rachunek predykatów, metoda rezolucji, itp. logika niekonwencjonalna (rozmyta, wielowartościowa), metody wykorzystujące zapis stwierdzeń metody wykorzystujące systemy regułowe metody wykorzystujące sieci semantyczne metody bazujące na ramach metody wykorzystujące modele obliczeniowe oraz metody inteligencji obliczeniowej sztuczne sieci neuronowe algorytmy genetyczne Więcej informacji na kolejnych wykładach 60
61 Reprezentacja Wiedzy sieci semantyczne Twórca idei sieci semantycznej Quillin, wyszedł z założenia że pamięć ludzką najlepiej opisuje model asocjacyjny jedne terminy są wyjaśniane przez inne terminy Sieć semantyczna jest siecią stwierdzeń przedstawianą w postaci grafu skierowanego Węzłami grafu są stwierdzenia a gałęziami relacje Węzłom oraz gałęziom mogą być przypisane wagi określające stopnie przekonania o słuszności tych stwierdzeń Wnioskowanie na bazie sieci semantycznej odpowiada poruszaniu się po grafie, i na tej podstawie wyprowadza się różne konkluzje 61
62 Reprezentacja Wiedzy sieci semantyczne M ogon Klara J papuga M M M skrzydła pióra kolor I klatka M dziób J zakrzywiony I laboratorium J badana Źródło: Mulawka J. Systemy Ekspertowe J jest M ma I jest 62
63 Reprezentacja Wiedzy ramy Idea ram opracowanych Minsky ego, który pierwotnie wykorzystywał je do reprezentowania wiedzy do rozpoznawania obrazów Idea ram została oparta o analizę sposobu zachowania człowieka znajdującego się w nowej dla niego sytuacji i w nowym otoczeniu, ale mającego o tej dziedzinie już pewne wcześniejsze wyobrażenia Człowiek wydobywa wówczas pamięci określoną strukturę, czyli ramę, i konfiguruje tę sytuację z wiedzą zawartą w ramie W przypadku gdy człowiek zetknie się z całkowicie nowym obiektem, wówczas jego pierwszą reakcją będzie próba zapamiętania go i wprowadzenia jego nazwy, co jest równoznaczne z wykreowaniem nowej ramy 63
64 Reprezentacja Wiedzy ramy Ramy umożliwiają deklaratywną i proceduralną reprezentację wiedzy Ramy stwarzają możliwość organizacji bazy wiedzy w taki sposób, że reguły będące reprezentacją wiedzy danej dziedziny są wyraźnie oddzielone od reguł niezbędnych do poprawnego działania systemu ekspertowego Ramy stwarzają możliwość grupowania informacji dotyczących wybranego fragmentu wiedzy w postaci jednej ramy, co upraszcza późniejszą weryfikację 64
65 Reprezentacja Wiedzy ramy Ram jest strukturą opisującą dany obiekt i składa się z tzw. klatek (slotów) Każda klatka reprezentuje pewną właściwość albo cechę obiektu opisanego przez ramę Ramy są podobne do reprezentacji wiedzy za pomocą stwierdzeń: (<obiekt><atrybut><wartość>) Źródło: Mulawka J. Systemy Ekspertowe 65
66 Reprezentacja Wiedzy ramy Struktura hierarchiczna ramy rama: profesor rama: pracownik UW rama: pracownik PG rama: pracownik WEiA rama: Kowalski Źródło: Mulawka J. Systemy Ekspertowe 66
67 Reprezentacja Wiedzy ramy Ramy w swojej podstawowej strukturze nie zawierają specjalnych mechanizmów związanych ze sterowaniem wnioskowaniem Niemniej jednak dzięki hierarchii (dziedziczenie) oraz powiązaniom i procedurom zawartym w klatkach ramy spełniają zasady opisu proceduralnego, co daje możliwość wykorzystania ram w procesie wnioskowania 67
68 Bibliografia [1] W. Traczyk: Inżynieria Wiedzy, EXIT 2010 [2] J. Mulawka: Systemy ekspertowe, WNT 1996 [3] J.Chromiec, E.Strzemieczna: Sztuczna inteligencja, metody konstrukcji i analizy systemów eksperckich, Akademicka Oficyna Wydawnicza PLJ
69 Zakończenie ;) Dziękuję za uwagę!!! 69
Wprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Przykładowe zastosowania Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 12 czerwca 2008 Plan 1 Czym jest (naturalna) inteligencja? 2 Czym jest (sztuczna)
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoPODSTAWY 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 szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoMetody Sztucznej Inteligencji Methods of Artificial Intelligence. Elektrotechnika II stopień ogólno akademicki. niestacjonarne. przedmiot kierunkowy
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoSztuczna inteligencja - wprowadzenie
Sztuczna inteligencja - wprowadzenie Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Sztuczna inteligencja komputerów - wprowadzenie Kontakt: dr inż. Dariusz Banasiak, pok.
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: INTELIGENTNE SYSTEMY OBLICZENIOWE Systems Based on Computational Intelligence Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj
Bardziej szczegółowoWIEDZA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WIEDZA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki
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 szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoSystemy 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[1] [2] [3] [4] [5] [6] Wiedza
3) Efekty dla studiów drugiego stopnia - profil ogólnoakademicki na kierunku Informatyka w języku angielskim (Computer Science) na specjalności Sztuczna inteligencja (Artificial Intelligence) na Wydziale
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoOdniesienie 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 szczegółowoEfekt kształcenia. Wiedza
Efekty dla studiów drugiego stopnia profil ogólnoakademicki na kierunku Informatyka na specjalności Przetwarzanie i analiza danych, na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie oznacza
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoKARTA 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 szczegółowoOntologie, czyli o inteligentnych danych
1 Ontologie, czyli o inteligentnych danych Bożena Deka Andrzej Tolarczyk PLAN 2 1. Korzenie filozoficzne 2. Ontologia w informatyce Ontologie a bazy danych Sieć Semantyczna Inteligentne dane 3. Zastosowania
Bardziej szczegółowoPodsumowanie wyników ankiety
SPRAWOZDANIE Kierunkowego Zespołu ds. Programów Kształcenia dla kierunku Informatyka dotyczące ankiet samooceny osiągnięcia przez absolwentów kierunkowych efektów kształcenia po ukończeniu studiów w roku
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Stefan Sokołowski SZTUCZNA INTELIGENCJA Inst Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://infugedupl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoSztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych Plan wystąpienia Co to jest sztuczna inteligencja? Pojęcie słabej
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Zastosowanie sztucznych sieci neuronowych Nazwa modułu w informatyce Application of artificial
Bardziej szczegółowoKierunek Informatyka stosowana Studia stacjonarne Studia pierwszego stopnia
Studia pierwszego stopnia I rok Matematyka dyskretna 30 30 Egzamin 5 Analiza matematyczna 30 30 Egzamin 5 Algebra liniowa 30 30 Egzamin 5 Statystyka i rachunek prawdopodobieństwa 30 30 Egzamin 5 Opracowywanie
Bardziej szczegółowoKierunek Zarządzanie II stopnia Szczegółowe efekty kształcenia i ich odniesienie do opisu efektów kształcenia dla obszaru nauk społecznych
Kierunek Zarządzanie II stopnia Szczegółowe efekty kształcenia i ich odniesienie do opisu efektów kształcenia dla obszaru nauk społecznych Objaśnienie oznaczeń: Z efekty kierunkowe dla Zarządzania W wiedza
Bardziej szczegółowoStefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010
Stefan Sokołowski SZTUCZNAINTELIGENCJA Inst. Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str.1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://inf.ug.edu.pl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoKARTA PRZEDMIOTU. 1. Informacje ogólne. 2. Ogólna charakterystyka przedmiotu. Metody drążenia danych D1.3
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowokierunkowy (podstawowy / kierunkowy / inny HES) nieobowiązkowy (obowiązkowy / nieobowiązkowy) polski drugi semestr letni (semestr zimowy / letni)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
Zał. nr 1 do Programu kształcenia KIERUNKOWE EFEKTY KSZTAŁCENIA WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INŻYNIERIA SYSTEMÓW Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR
Bardziej szczegółowoZastosowanie 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 szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład I: Pomieszanie z modelem w środku Czym jest kognitywistyka? Dziedzina zainteresowana zrozumieniem procesów, dzięki którym mózg (zwł.
Bardziej szczegółowo2
1 2 3 4 5 Dużo pisze się i słyszy o projektach wdrożeń systemów zarządzania wiedzą, które nie przyniosły oczekiwanych rezultatów, bo mało kto korzystał z tych systemów. Technologia nie jest bowiem lekarstwem
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja
Elementy kognitywistyki II: Sztuczna inteligencja Piotr Konderak Zakład Logiki i Filozofii Nauki p.203b, Collegium Humanicum konsultacje: wtorki, 16:00-17:00 kondorp@bacon.umcs.lublin.pl http://konderak.eu
Bardziej szczegółowoSymbol EKO S2A_W01 S2A_W02, S2A_W03, S2A_W03 S2A_W04 S2A_W05 S2A_W06 S2A_W07 S2A_W08, S2A_W09 S2A_W10
Załącznik do uchwały nr 73 Senatu Uniwersytetu Zielonogórskiego z dnia 30 stycznia 2013 r. Opis zakładanych efektów kształcenia Nazwa kierunku studiów: Administracja 1. Odniesień efektów kierunkowych do
Bardziej szczegółowoSymbol efektu kształcenia
Efekty dla studiów drugiego stopnia - profil ogólnoakademicki, na kierunku Informatyka, na specjalnościach Metody sztucznej inteligencji (Tabela 1), Projektowanie systemów CAD/CAM (Tabela 2) oraz Przetwarzanie
Bardziej szczegółowoSztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011
Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011 Przedmowa. CZĘŚĆ I: WPROWADZENIE 1. Komputer 1.1. Kółko i krzyżyk 1.2. Kodowanie 1.3. Odrobina fantazji
Bardziej szczegółowozna metody matematyczne w zakresie niezbędnym do formalnego i ilościowego opisu, zrozumienia i modelowania problemów z różnych
Grupa efektów kierunkowych: Matematyka stosowana I stopnia - profil praktyczny (od 17 października 2014) Matematyka Stosowana I stopień spec. Matematyka nowoczesnych technologii stacjonarne 2015/2016Z
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW WYDZIAŁ KIERUNEK z obszaru nauk POZIOM KSZTAŁCENIA FORMA STUDIÓW PROFIL JĘZYK STUDIÓW Podstawowych Problemów Techniki Informatyka technicznych 6 poziom, studia inżynierskie
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 szczegółowoTransformacja 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 szczegółowoDiagnostyka procesów przemysłowych Kod przedmiotu
Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowoKARTA PRZEDMIOTU. Dyscyplina:
KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład IV: Reprezentacje jako Modele symboliczne I: Rachunek predykatów, Sieci semantyczne Gwoli przypomnienia: Kroki w modelowaniu kognitywnym:
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 szczegółowoZakładane efekty kształcenia dla kierunku Wydział Telekomunikacji, Informatyki i Elektrotechniki
Jednostka prowadząca kierunek studiów Nazwa kierunku studiów Specjalności Obszar kształcenia Profil kształcenia Poziom kształcenia Forma kształcenia Tytuł zawodowy uzyskiwany przez absolwenta Dziedziny
Bardziej szczegółowoAnaliza i wizualizacja danych Data analysis and visualization
KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoMetody sztucznej inteligencji w układach sterowania METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA
1 Metody sztucznej inteligencji w układach sterowania Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie
Bardziej szczegółowoPRZEWODNIK 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 szczegółowoJAKIEGO RODZAJU NAUKĄ JEST
JAKIEGO RODZAJU NAUKĄ JEST INFORMATYKA? Computer Science czy Informatyka? Computer Science czy Informatyka? RACZEJ COMPUTER SCIENCE bo: dziedzina ta zaistniała na dobre wraz z wynalezieniem komputerów
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA I STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina
Bardziej szczegółowoEfekty kształcenia dla kierunku FINANSE i RACHUNKOWOŚĆ
Efekty kształcenia dla kierunku FINANSE i RACHUNKOWOŚĆ studia drugiego stopnia profil ogólnoakademicki Forma studiów: stacjonarne i niestacjonarne Wydział Ekonomii Uniwersytetu Ekonomicznego w Poznaniu
Bardziej szczegółowoT2A_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 szczegółowoZARZĄDZANIE I INŻYNIERIA PRODUKCJI
ZARZĄDZANIE I INŻYNIERIA PRODUKCJI STUDIA PIERWSZEGO STOPNIA PROFIL OGÓLNOAKADEMICKI Załącznik nr 2 Odniesienie efektów kierunkowych do efektów obszarowych i odwrotnie Załącznik nr 2a - Tabela odniesienia
Bardziej szczegółowoEfekty uczenia się na kierunku. Logistyka (studia pierwszego stopnia o profilu praktycznym)
Efekty uczenia się na kierunku Załącznik nr 2 do uchwały nr 412 Senatu Uniwersytetu Zielonogórskiego z dnia 29 maja 2019 r. Logistyka (studia pierwszego stopnia o profilu praktycznym) Tabela 1. Kierunkowe
Bardziej szczegółowoEfekt kształcenia. Ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną w zakresie algorytmów i ich złożoności obliczeniowej.
Efekty dla studiów pierwszego stopnia profil ogólnoakademicki na kierunku Informatyka w języku polskim i w języku angielskim (Computer Science) na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie-
Bardziej szczegółowoOdniesienie symbol II/III [1] [2] [3] [4] [5] Efekt kształcenia. Wiedza
Efekty dla studiów drugiego stopnia profil ogólnoakademicki na kierunku Inżynieria i Analiza Danych prowadzonym przez Wydział Matematyki i Nauk Informacyjnych Użyte w poniższej tabeli: 1) w kolumnie 4
Bardziej szczegółowoOdniesienie do efektów kształcenia dla obszaru nauk EFEKTY KSZTAŁCENIA Symbol
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział Informatyki i Zarządzania Kierunek studiów INFORMATYKA (INF) Stopień studiów - pierwszy Profil studiów - ogólnoakademicki Projekt v1.0 z 18.02.2015 Odniesienie do
Bardziej szczegółowoDefinicje. Najprostszy schemat blokowy. Schemat dokładniejszy
Definicje owanie i symulacja owanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano model, do
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
Załącznik nr 4 do uchwały Senatu PK nr 104/d/11/2017 z dnia 22 listopada 2017 r. Politechnika Krakowska im. Tadeusza Kościuszki w Krakowie Nazwa wydziału lub wydziałów: Wydział Fizyki, Matematyki i Informatyki
Bardziej szczegółowoKierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Kierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 2015/2016 Język wykładowy:
Bardziej szczegółowoEFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6
EFEKTY UCZENIA SIĘ DLA KIERUNKU INŻYNIERIA DANYCH W ODNIESIENIU DO EFEKTÓW UCZENIA SIĘ PRK POZIOM 6 studia pierwszego stopnia o profilu ogólnoakademickim Symbol K_W01 Po ukończeniu studiów pierwszego stopnia
Bardziej szczegółowoSTUDIA 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 szczegółowoNajprostszy schemat blokowy
Definicje Modelowanie i symulacja Modelowanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego układu rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano
Bardziej szczegółowoOGÓLNOAKADEMICKI. Kierunek studiów ASTRONOMIA o profilu ogólnoakademickim należy do obszaru kształcenia w zakresie nauk ścisłych.
Załącznik do uchwały nr 243 Senatu Uniwersytetu Zielonogórskiego z dnia 28 lutego 2018 r. I. EFEKTY KSZTAŁCENIA 1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami EFEKTY KSZTAŁCENIA
Bardziej szczegółowoDo czego chcemy przygotować nasze dzieci i naszych uczniów: do testów czy do życia i pracy? Gdańsk, 16 maja 2009 roku
Do czego chcemy przygotować nasze dzieci i naszych uczniów: do testów czy do życia i pracy? 1 Prawdziwe wartości edukacji Europejskie ramy odniesienia Polskie ramy odniesienia Badania PISA 2 Jeżeli nie
Bardziej szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowodr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych
- Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 14 listopada 2011 roku 1 - - 2 3 4 5 - The purpose of computing is insight, not numbers Richard Hamming Motywacja - Mamy informację,
Bardziej szczegółowoUniwersytet Śląski w Katowicach str. 1 Wydział Informatyki i Nauki o Materiałach
Uniwersytet Śląski w Katowicach str. 1 Efekty dla: nazwa kierunku poziom profil Informatyka inżynierska pierwszy ogólnoakademicki Kod efektu (kierunek) K_1_A_I_W01 K_1_A_I_W02 K_1_A_I_W03 K_1_A_I_W04 K_1_A_I_W05
Bardziej szczegółowoOPIS ZAKŁADANYCH EFEKTÓW KSZTAŁCENIA
OPIS ZAKŁADANYCH EFEKTÓW KSZTAŁCENIA Załącznik nr 1 do uchwały nr 17/II/2018 Senatu UJ z 28 lutego 2018 r. Nazwa Wydziału: Nauk o Zdrowiu Nazwa kierunku studiów: organizacja i ekonomika ochrony zdrowia
Bardziej szczegółowoInformatyka. II stopień. Ogólnoakademicki. Stacjonarne/Niestacjonarne. Kierunkowy efekt kształcenia - opis WIEDZA
Załącznik nr 6 do uchwały nr 509 Senatu Uniwersytetu Zielonogórskiego z dnia 25 kwietnia 2012 r. w sprawie określenia efektów kształcenia dla kierunków studiów pierwszego i drugiego stopnia prowadzonych
Bardziej szczegółowoLista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych
Lista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych Informatyka w elektroenergetyce 1DE1703 W15, L30 Projektowanie komputerowe i systemy informacji przestrzennej
Bardziej szczegółowoEFEKTY KSZTAŁCENIA KIERUNEK EKONOMIA
EFEKTY KSZTAŁCENIA KIERUNEK EKONOMIA Kierunek Ekonomia Studia I stopnia Efekty kształcenia: Kierunek: Ekonomia Poziom kształcenia: Studia I stopnia Uczelnia: Uczelnia Łazarskiego w Warszawie Profil: Ogólnoakademicki
Bardziej szczegółowoInżynieria danych I stopień Praktyczny Studia stacjonarne Wszystkie specjalności Katedra Inżynierii Produkcji Dr Małgorzata Lucińska
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 205/206 Z-ID-602 Wprowadzenie do uczenia maszynowego Introduction to Machine Learning
Bardziej szczegółowoEfekty kształcenia dla kierunku studiów INFORMATYKA, Absolwent studiów I stopnia kierunku Informatyka WIEDZA
Symbol Efekty kształcenia dla kierunku studiów INFORMATYKA, specjalność: 1) Sieciowe systemy informatyczne. 2) Bazy danych Absolwent studiów I stopnia kierunku Informatyka WIEDZA Ma wiedzę z matematyki
Bardziej szczegółowoCzy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski
Czy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski Architektura umysłu Pojęcie używane przez prawie wszystkie współczesne ujęcia kognitywistyki Umysł Przetwornik informacji 2 Architektura
Bardziej szczegółowo1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami
EFEKTY KSZTAŁCENIA 1. Tabela odniesień efektów kierunkowych do efektów obszarowych z komentarzami Kierunkowy efekt kształcenia - symbol K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 Kierunkowy efekt
Bardziej szczegółowozna podstawową terminologię w języku obcym umożliwiającą komunikację w środowisku zawodowym
Wykaz kierunkowych efektów kształcenia PROGRAM KSZTAŁCENIA: Kierunek Edukacja techniczno-informatyczna POZIOM KSZTAŁCENIA: studia pierwszego stopnia PROFIL KSZTAŁCENIA: praktyczny Przyporządkowanie kierunku
Bardziej szczegółowoPlan wykładów METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA
1 Plan wykładów Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie formysztucznej inteligencji Elementy
Bardziej szczegółowoZalew 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 szczegółowoPROGRAM STUDIÓW WYŻSZYCH ROZPOCZYNAJĄCYCH SIĘ W ROKU AKADEMICKIM 2014/2015 FILOZOFIA. data zatwierdzenia przez Radę Wydziału. kod programu studiów
PROGRAM STUDIÓW WYŻSZYCH ROZPOCZYNAJĄCYCH SIĘ W ROKU AKADEMICKIM 2014/2015 data zatwierdzenia przez Radę Wydziału kod programu studiów Wydział Humanistyczny pieczęć i podpis dziekana Studia wyższe na kierunku
Bardziej szczegółowoObszarowe efekty kształcenia dla obszaru nauk ścisłych. Obszarowe efekty kształcenia dla obszaru nauk przyrodniczych
Załącznik 2a Opis kierunkowych efektów kształcenia w obszarze nauk ścisłych i nauk przyrodniczych Kierunek OCHRONA ŚRODOWISKA, studia stacjonarne pierwszego stopnia, profil ogólnoakademicki Obszarowe efekty
Bardziej szczegółowoCZYM SĄ OBLICZENIA NAT A URALNE?
CZYM SĄ OBLICZENIA NATURALNE? Co to znaczy obliczać (to compute)? Co to znaczy obliczać (to compute)? wykonywać operacje na liczbach? (komputer = maszyna licząca) wyznaczać wartości pewnych funkcji? (program
Bardziej szczegółowoKierunek: Informatyka Poziom studiów: Studia I stopnia Forma studiów: Stacjonarne. audytoryjne. Wykład Ćwiczenia
Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma studiów: Stacjonarne Rocznik: 2019/2020 Język wykładowy: Polski Semestr 1 z Kierunkowe 10
Bardziej szczegółowoANKIETA SAMOOCENY OSIĄGNIĘCIA KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA
Szanowny Studencie, ANKIETA SAMOOCENY OSIĄGNIĘCIA KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA bardzo prosimy o anonimową ocenę osiągnięcia kierunkowych efektów kształcenia w trakcie Twoich studiów. Twój głos pozwoli
Bardziej szczegółowoOpis efektu kształcenia dla programu kształcenia
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: Kierunek Fizyka Techniczna POZIOM
Bardziej szczegółowoSystemy uczące się wykład 1
Systemy uczące się wykład 1 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 5 X 2018 e-mail: przemyslaw.juszczuk@ue.katowice.pl Konsultacje: na stronie katedry + na stronie domowej
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział: Matematyki Kierunek studiów: Matematyka i Statystyka (MiS) Studia w j. polskim Stopień studiów: Pierwszy (1) Profil: Ogólnoakademicki (A) Umiejscowienie kierunku
Bardziej szczegółowoGrafika i Systemy Multimedialne (IGM)
Nowa Specjalność na Kierunku Informatyka Informatyka Techniczna (ITN) Grafika i Systemy Multimedialne (IGM) dr inż. Jacek Mazurkiewicz (K-9) Motywacja 2 narastająca potrzeba aktualizacji, modernizacji
Bardziej szczegółowoEFEKTY 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 szczegółowoKIERUNKOWE 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 szczegółowoEfekty kształcenia na kierunku AiR drugiego stopnia - Wiedza Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej
Efekty na kierunku AiR drugiego stopnia - Wiedza K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W12 K_W13 K_W14 Ma rozszerzoną wiedzę dotyczącą dynamicznych modeli dyskretnych stosowanych
Bardziej szczegółowoSylabus modułu kształcenia na studiach wyższych. Nazwa Wydziału. Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia
Załącznik nr 4 do zarządzenia nr 12 Rektora UJ z 15 lutego 2012 r. Sylabus modułu kształcenia na studiach wyższych Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Wydział Matematyki
Bardziej szczegółowoUniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka
Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA Studia III stopnia (doktoranckie) kierunek Informatyka (przyjęty przez Radę Wydziału Informatyki i Nauki o Materiałach w
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW INFORMATYKA poziom kształcenia profil kształcenia tytuł zawodowy uzyskiwany przez absolwenta studia drugiego stopnia ogólnoakademicki magister inżynier 1. Umiejscowienie
Bardziej szczegółowoEFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW NAUCZANIE MATEMATYKI I INFORMATYKI
EFEKTY KSZTAŁCENIA DLA KIERUNKU STUDIÓW NAUCZANIE MATEMATYKI I INFORMATYKI poziom kształcenia profil kształcenia tytuł zawodowy uzyskiwany przez absolwenta studia drugiego stopnia ogólnoakademicki magister
Bardziej szczegółowo