Mapy poznawcze jako narzędzia rozumienia informacji
|
|
- Piotr Wieczorek
- 7 lat temu
- Przeglądów:
Transkrypt
1 Mapy poznawcze jako narzędzia rozumienia informacji Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska i Wydział Matematyki i Informatyki Uniwersytet w Białymstoku homenda Kraków, 28 marca, 2014
2 Plan prezentacji Mapy poznawcze - wprowadzenie 1 Mapy poznawcze - wprowadzenie Mapy poznawcze, geneza terminu 2 Testy wstępne 3 Eksperymenty 4 z rozmyta z ziarnista
3 Plan prezentacji Mapy poznawcze - wprowadzenie 1 Mapy poznawcze - wprowadzenie Mapy poznawcze, geneza terminu 2 Testy wstępne 3 Eksperymenty 4 z rozmyta Mapy poznawcze, geneza terminu
4 Mapy poznawcze, geneza terminu Mapy poznawcze, geneza terminu Mapy poznawcze: Tollman, E. C. (1948), Cognitive maps in rats and men, Psychological Review, 55, , pojęcie utajonego uczenia się zwierzat, Axelrod, R. (1976), Structure of Decision: the Cognitive Maps of Political Elites, Princeton, NJ: Princeton University Press, zwiazki przyczynowo-skutkowe w świecie polityki, ekonomii, gospodarki.
5 Określenia Mapy poznawcze - wprowadzenie Mapy poznawcze, geneza terminu Figure : Mapa poznawcza z trzema pojęciami wartości wag: w ij { 1, 0, 1}, krawędzie z wagami zerowymi sa pomijane.
6 Mapy poznawcze, geneza terminu Kosko, B. (1986). Fuzzy Cognitive Maps., Int. J. Man Machine Studies, 24, :
7 Plan prezentacji Mapy poznawcze - wprowadzenie Testy wstępne 1 Mapy poznawcze - wprowadzenie Mapy poznawcze, geneza terminu 2 Testy wstępne 3 Eksperymenty 4 z rozmyta
8 Mapy poznawcze - wprowadzenie Testy wstępne : G = (V, E, w) (V, E) - graf skierowany, V = {v 1,..., v n }, E V V, w : E [ 1, 1] - wagi krawędzi, W - macierz wag,
9 Mapy poznawcze - wprowadzenie Testy wstępne Obliczenie: Y i = f (W X i ) W - macierz wag rozmiaru n n, X i - aktywacja mapy, X i = [x 1i,..., x ni ] T, x 1i,..., x ni [0, 1], Y i - odpowiedź mapy, Y i = [y 1i,..., y ni ] T, y 1i,..., y ni [0, 1], - produkt macierzy, np. iloczyn macierzy, f : (, + ) [0, 1], funkcja aktywacji n y ji = f ( w jk x ki ) k=1
10 Mapy poznawcze - wprowadzenie Testy wstępne Funkcje aktywacji (przykładowe): f : (, + ) [0, 1] 1 sigmoidalna: f (x) = 1 + e τ x, 0 τ x < π/2, 1 sinus: f (x) = 2 (sin(τ x) + 1) π/2 τ x pi/2 1 τ x > π/2 0 τ x < 1, 1 liniowa: f (x) = 2 (τ x + 1) 1 τ x 1 1 τ x > 1
11 Testy wstępne
12 Mapy poznawcze - wprowadzenie Testy wstępne Produkt (przykładowe): Y i = f (W X i ) iloczyn macierzy: n y ji = f ( w jk x ki ), k=1 dla wag unipolarnych za pomoca min / max: y ji = max { min{w jk, x ki } : k = 1, 2,..., n }, dla wag unipolarnych produkt za pomoca norm trójkatnych, dla wag bipolarnych produkt za pomoca norm zrównoważonych,
13 Mapy poznawcze - wprowadzenie Testy wstępne Założenia: Danych jest N obserwacji dla pewnych zjawisk: X = [X 1, X 2,..., X N ] - aktywacje, X i = [x 1i, x 2i,..., x ni ] T, G = [G 1, G 2,..., G N ] - cele, G i = [g 1i, g 2i,..., g ni ] T, Zjawisko jest modelowane poznawcza, to znaczy: f (W X i ) = G i dla każdego i = 1, 2,..., N
14 Mapy poznawcze - wprowadzenie Testy wstępne Wyznaczyć rozmytę mapę W modelujac a te zjawiska, to znaczy taka, że: f (W X) = G lub przynajmniej taka W, że Y = f (W X) jest tak bliskie G jak to tylko możliwe
15 Zakłócenia Mapy poznawcze - wprowadzenie Testy wstępne owanie nie jest doskonałe. Zakłócenia na poziomie wag, np. błędy oceny ekspertów. Zakłócenia na poziomie celów: Zakłócenia losowe, np. błędy odczytu z przyrzadów pomiarowych. Zakłócenia systematyczne, np błędy funkcjonowania przyrzadów pomiarowych.
16 Tak bliskie, jak tylko możliwe Dane: X = [X 1, X 2,..., X N ] - aktywacje, G = [G 1, G 2,..., G N ] - cele, W - macierz wag, Testy wstępne Odpowiedź mapy: Y = f (W X), Y = [Y 1, Y 2,..., Y N ] Ocena odpowiedzi: MSE = 1 N N n MAE = 1 N n j=1 i=1 N j=1 i=1 n (y ij g ij ) 2, n y ij g ij, XAE = max { y ij g ij : i {1, 2,..., n}, j {1, 2,..., N} },
17 Testy wstępne Mapy poznawcze - wprowadzenie Testy wstępne Dane: X = [X 1, X 2,..., X N ] - aktywacje, losowe, rozkład jednostajny, W - macierz wag, losowe, rozkład jednostajny, G = [G 1, G 2,..., G N ] - cele, G = f (W X) mapy: Y = f (W X), Y = [Y 1, Y 2,..., Y N ] Wyniki: zastosowane metody gradientowa i PSO, proces bardzo szybko zbieżny, wagi odtworzone z bardzo duża dokładnościa.
18 Testy wstępne Mapy poznawcze - wprowadzenie Testy wstępne Dane: X = [X 1, X 2,..., X N ] - aktywacje, losowe, rozkład jednostajny, W - macierz wag, losowe, rozkład jednostajny, G = [G 1, G 2,..., G N ] - cele, G = f (W X), G D - cele zakłócone rozkładem normalnym, mapy: Y = f (W X), Y = [Y 1, Y 2,..., Y N ] Wyniki: zastosowane metody gradientowa i PSO, MSE (i XAE) na zbiorze nie/zakłóconych celów i na zbiorze testowym, odtwarzanie wag zależne od wielu czynników.
19 Testy wstępne Figure : Statystyka błędów dla zakłóconych celów (lewa kolumna) i zakłóconych wag (prawa kolumna)
20 Testy wstępne Mapy poznawcze - wprowadzenie Testy wstępne Figure : Statystyka błędów na niezakłóconych celach, mapa rekonstruowana dla zakłóconych celów i zakłóconych wag
21 Plan prezentacji Mapy poznawcze - wprowadzenie Eksperymenty 1 Mapy poznawcze - wprowadzenie Mapy poznawcze, geneza terminu 2 Testy wstępne 3 Eksperymenty 4 z rozmyta
22 Eksperymenty z ziarnami przedziałowymi : G = (V, E, w) (V, E) - graf skierowany, V = {v 1,..., v n }, E V V, w : E [ 1, 1] [ 1, 1] - wagi krawędzi, przedziały [w, w + ], 1 w w + 1, W - macierz wag, W - dekompozycja do W i W +,
23 Mapy poznawcze - wprowadzenie Eksperymenty Obliczenie: Y i = f (W X i ) W - macierz wag rozmiaru n n, Y i - odpowiedź mapy, Y i = [y 1i,..., y ni ] T, Y i - dekompozycja do Y i i Y + i, y ji = [y ji, y + ji ], Y i = f (W X i ), Y + i = f (W + X i ) y,+ ji = f ( n k=1 w,+ jk x ki )
24 Mapy poznawcze - wprowadzenie Eksperymenty Danych jest N obserwacji dla pewnego zjawiska: X = [X 1, X 2,..., X N ] - aktywacje, X i = [x 1i, x 2i,..., x ni ] T, G = [G 1, G 2,..., G N ] - cele, G i = [g 1i, g 2i,..., g ni ] T, Wyznaczyć ziarnista mapę modelujac a zjawisko, to znaczy taka, że: f (W X) G lub przynajmniej taka, że f (W X) pokrywa G w stopniu możliwie najwyższym
25 Eksperymenty W stopniu możliwie najwyższym Dane: X = [X 1, X 2,..., X N ] - aktywacje, G = [G 1, G 2,..., G N ] - cele, W - macierz wag, Odpowiedź mapy: Y = f (W X), Y = [Y 1, Y 2,..., Y N ] Ocena odpowiedzi: CVW = 1 N N n CVS = 1 N j=1 i=1 n (g ij y ij ), słabe pokrycie, N n i=1 (g ij y ij ), silne pokrycie, n j=1
26 Metody rozwiazania Eksperymenty rozmytej mapy poznawczej Zamiana wag numerycznych na wagi ziarniste w ij w ij = [w ij, w + w + ij w ij ij ], = max{ 1, w ij γ ε/2}, = min{1, w ij + (1 γ) ε/2}, Ziarna wyznaczone w przestrzeni celów
27 Metody rozwiazania Eksperymenty Kompromis między szczegółowościa, a wielkościa pokrycia: Na poziomie wag: ustalona wartość ε dla wag, długość ziarna/przedziału każdej wagi nie przekracza 2 ε, suma długości ziaren/przedziałów nie przekracza n 2 ε. Na poziomie celów: jako wynik ziarnistości wag, niezależnie od wag i aktywacji,
28 Metody rozwiazania Eksperymenty Zamiana wag numerycznych na wagi ziarniste w ij w ij = [w ij, w + w + ij w ij ij ], = max{ 1, w ij γ ε/2}, = min{1, w ij + (1 γ) ε/2}, ε ij - indywidualny dobór długości przedziałów, γ - ustalone centrum przedziału, ε - ustalona długość przedziałów, γ ij - dobór położenia centrum przedziału, ε ij - indywidualny dobór długości przedziałów, γ ij - indywidualny dobór położenia centrum przedziału: kolejno, jednocześnie.
29 ε ij, γ Mapy poznawcze - wprowadzenie Eksperymenty
30 Eksperymenty ε, γ ij
31 ε ij, γ ij - kolejno Mapy poznawcze - wprowadzenie Eksperymenty
32 ε ij, γ ij - jednocześnie Eksperymenty
33 Porównanie syntetyczne Eksperymenty mean of weak coverage approach train ND train D test adjustment of ε adjustment of γ adjust. of ε then γ adjust. of ε and γ
34 Metody rozwiazania Eksperymenty Konstrukcja wag ziarnistych w ij w ij = [w ij, w + w + ij w ij ij ], = max{ 1, w ij γ ε/2}, = min{1, w ij + (1 γ) ε/2}, w ij - indywidualny dobór położenia przedziałów, ε, γ - ustalone długości i centrów przedziałów, w ij, ε ij - indywidualny dobór położenia i długosci przedziałów, γ - ustalone położenie centrów przedziałów, w ij, ε ij, γ ij - indywidualny dobór połozenia, długości i centrów przedziałów,
35 w ij, ε ij, γ ij - jednocześnie Eksperymenty
36 ε ij, γ ij - góra, w ij, ε ij, γ ij - dół Eksperymenty
37 ε ij, γ ij - góra, w ij, ε ij, γ ij - dół Eksperymenty
38 Eksperymenty basic fuzzy; w ij ; w ij, ε ij ; w ij, ε ij, γ ij train not distorted train distorted test MWC MSC MWC MSC MWC MSC MWC MSC
39 Plan prezentacji Mapy poznawcze - wprowadzenie 1 Mapy poznawcze - wprowadzenie Mapy poznawcze, geneza terminu 2 Testy wstępne 3 Eksperymenty 4 z rozmyta z rozmyta z ziarnista
40 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Szereg czasowy: c 1, c 2, c 3, c 4,... Aktywacje: X 1 = [c 1, c 2,..., c n ] T X 2 = [c 2, c 3,..., c n+1 ] T X N = [c N, c N+1,..., c N+n 1 ] T Cele: G 1 = [c 2, c 3,..., c n+1 ] T G 2 = [c 3, c 4,..., c n+2 ] T G N = [c N+1, c N+2,..., c N+n ] T
41 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego X X 1 X 2 X 3... X N 1 X N X 1 c 1 c 2 c 3 c N 1 c N X 2 c 2 c 3 c 4 c N c N+1 X n 1 c n 1 c n c n+1 c N+n 1 c N+n 2 X n c n c n+1 c n+2 c N+n 2 c N+n 1 G G 1 G 2 G 3... G N 1 G N G 1 c 2 c 3 c 4 c N c N+1 G 2 c 3 c 4 c 5 c N+1 c N+2 G n 1 c n c n+1 c n+2 c N+n c N+n 1 G n c n+1 c n+2 c n+3 c N+n 1 c N+n
42 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Y j = f ( W X j ) ( n y ij = f (W i X j ) = f k=1 w ij = 0 dla i > j w ik x kj ) Y j = f ( B + W X j ) ( y ij = f (b i + W i X j ) = f b i + n ) w ik x kj k=1
43 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego
44 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Prognozowanie - co minimalizować?
45 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Prognozowanie - co minimalizować? MSE = 1 N n (y ij c i+j ) 2 n N j=1 i=1 XAE = max { y ij c i+j : i = 1, 2,..., n, j = 1, 2,..., N } FMSE = 1 N N (y nj c n+j ) 2 j=1 FXAE = max { y nj c n+j : j = 1, 2,..., N }
46 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Annual rainfall in London from ,
47 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Number of births per month in New York city, from January 1946 to December 1959,
48 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Campito tree rings, which indicate tree growth, in years
49 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego FCM n=5 for births time series
50 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego MSEs*100 for time series forecasts with different map sizes with and without bias. rain birth tree rings map no with no with no with size bias bias bias bias bias bias
51 z rozmyta z ziarnista Rozmyta mapa poznawcza jako model szeregu czasowego Comparison of MSEs obtained for three time series with different modeling and forecasting methods. MSE*100 rain births tree rings method train forecast train forecast train forecast ARIMA par=(1,0,0) Holt-Winters FCM, n=5, no bias FCM, n=5 with bias
52 z rozmyta z ziarnista Szereg czasowy Reprezentacja szeregu skalarnego w przestrzeni Amplituda/Delta a 0, a 1, a 2, a 3,... - wartości (amplitudy), δa 1, δa 2, δa 3,... - zmiany (delty): δa 1 = a 1 a 0, δa 2 = a 2 a 1, δa 3 = a 3 a 2, szereg syntetyczny, 2, 6, 4, 8, 2, 6, 4, 8, 2,... - amplitudy, zaburzenia amplitud z rozkładu normalnego: µ = 0, sd = 0.7, zmiany j.w.
53 z rozmyta z ziarnista Szereg czasowy
54 z rozmyta z ziarnista Transformacja do przestrzeni pojęć Grupowanie jednowymiarowe: amplitudy: Small, Moderately Small, Moderately High, High, delty: High Negative, Small Negative, Moderately Positive. Grupowanie dwuwymiarowe: (S,HN), (S,SN), (S,MP), (MS,HN),..., (H,MP).
55 z rozmyta z ziarnista Transformacja do przestrzeni pojęć!
56 z rozmyta z ziarnista Transformacja do przestrzeni pojęć!
57 z rozmyta z ziarnista Transformacja do przestrzeni pojęć
58 z rozmyta z ziarnista w przestrzeni pojęć
59 z rozmyta z ziarnista w przestrzeni pojęć
60 z rozmyta z ziarnista w przestrzeni pojęć
61 z rozmyta z ziarnista w przestrzeni pojęć
62 z rozmyta z ziarnista w przestrzeni pojęć
63 z rozmyta z ziarnista w przestrzeni pojęć
64 z rozmyta z ziarnista w przestrzeni pojęć
65 z rozmyta z ziarnista w przestrzeni pojęć
66 z rozmyta z ziarnista w przestrzeni pojęć
67 z rozmyta z ziarnista Zagadnienia warte uwagi Analiza szeregu czasowego w przestrzeni: Amplituda/Zmiany amplitudy/dynamika zmian. Zamiana przestrzeni Amplituda/Zmiany amplitudy/dynamika zmian na historię. Dalsze badania możliwości upraszczania rekonstruowanych map poznawczych owanie ziaren za pomoca różnych funkcji. Ziarnistość aktywacji. Propagacja wsteczna ziarnistości celów. Analiza skuteczności map poznawczych dla różnych kryteriów ich oceny.
68 z rozmyta z ziarnista Mapy poznawcze jako narzędzia rozumienia informacji Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska i Wydział Matematyki i Informatyki Uniwersytet w Białymstoku homenda Kraków, 28 marca, 2014
Zastosowanie rozmytych map kognitywnych do badania scenariuszy rozwoju jednostek naukowo-dydaktycznych
Konferencja Systemy Czasu Rzeczywistego 2012 Kraków, 10-12 września 2012 Zastosowanie rozmytych map kognitywnych do badania scenariuszy rozwoju jednostek naukowo-dydaktycznych Piotr Szwed AGH University
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 szczegółowoElementy statystyki STA - Wykład 5
STA - Wykład 5 Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza 1 ANOVA 2 Model jednoczynnikowej analizy wariancji Na model jednoczynnikowej analizy wariancji możemy traktować jako uogólnienie
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 szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoO testach wielowymiarowej normalności opartych na statystyce Shapiro-Wilka
O testach wielowymiarowej normalności opartych na statystyce Shapiro-Wilka Katedra Zastosowań Matematyki i Informatyki Uniwersytet Przyrodniczy w Lublinie Wisła 2012, 7.12.2012 Plan prezentacji 1 Wprowadzenie
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoRozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych
Rozwiązywanie układów równań liniowych metody dokładne Materiały pomocnicze do ćwiczeń z metod numerycznych Piotr Modliński Wydział Geodezji i Kartografii PW 13 stycznia 2012 P. Modliński, GiK PW Rozw.
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoWykład 5 Teoria eksperymentu
Wykład 5 Teoria eksperymentu Wrocław, 22.03.2017r Co to jest teoria eksperymentu? eksperyment - badanie jakiegoś zjawiska polegające na celowym wywołaniu tego zjawiska lub jego zmian oraz obserwacji i
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW
Bardziej szczegółowoZrównoleglona optymalizacja stochastyczna na dużych zbiorach danych
Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych mgr inż. C. Dendek prof. nzw. dr hab. J. Mańdziuk Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych Outline 1 Uczenie
Bardziej szczegółowo19 marzec, Łańcuchy Markowa z czasem dyskretnym. Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136
Procesy Stochastyczne, wykład 6, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 19 marzec, 2012 Przykłady procesów Markowa (i). P = (p ij ) - macierz stochastyczna, tzn. p ij 0, j p ij =
Bardziej szczegółowoMatematyka stosowana i metody numeryczne
Ewa Pabisek Adam Wosatko Piotr Pluciński Matematyka stosowana i metody numeryczne Konspekt z wykładów Błędy obliczeń Błędy można podzielić na: modelu, metody, wejściowe (początkowe), obcięcia, zaokrągleń..
Bardziej szczegółowoCo to jest grupowanie
Grupowanie danych Co to jest grupowanie 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Szukanie grup, obszarów stanowiących lokalne gromady punktów Co to jest grupowanie
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoSpis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla
Bogumiła Koprowska Elżbieta Kukla 1 Wstęp Czym są efekty losowe? Przykłady Model mieszany 2 Estymacja Jednokierunkowa klasyfikacja (ANOVA) Metoda największej wiarogodności (ML) Metoda największej wiarogodności
Bardziej szczegółowoSystemy agentowe. Sieci neuronowe. Jędrzej Potoniec
Systemy agentowe Sieci neuronowe Jędrzej Potoniec Złe wieści o teście To jest slajd, przy którym wygłaszam złe wieści. Perceptron (Rossenblat, 1957) A. Géron, Hands-On Machine Learning with Scikit-Learn
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia I stopnia rok akademicki 2011/2012 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Uwagi wstępne Układ liniowych równań algebraicznych można
Bardziej szczegółowoSystemy agentowe. Sieci neuronowe. Jędrzej Potoniec
Systemy agentowe Sieci neuronowe Jędrzej Potoniec Perceptron (Rossenblat, 1957) A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow 2017 Perceptron { 1 z 0 step(z) = 0 w przeciwnym przypadku
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 szczegółowoUKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać układu równań liniowych Układ liniowych równań algebraicznych
Bardziej szczegółowoAnaliza numeryczna Kurs INP002009W. Wykłady 6 i 7 Rozwiązywanie układów równań liniowych. Karol Tarnowski A-1 p.
Analiza numeryczna Kurs INP002009W Wykłady 6 i 7 Rozwiązywanie układów równań liniowych Karol Tarnowski karol.tarnowski@pwr.wroc.pl A-1 p.223 Plan wykładu Podstawowe pojęcia Własności macierzy Działania
Bardziej szczegółowoObliczenia naukowe Wykład nr 8
Obliczenia naukowe Wykład nr 8 Paweł Zieliński Katedra Informatyki, Wydział Podstawowych Problemów Techniki, Politechnika Wrocławska Literatura Literatura podstawowa [] D. Kincaid, W. Cheney, Analiza numeryczna,
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoTransformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
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 szczegółowoWprowadzenie do Sieci Neuronowych Laboratorium 05 Algorytm wstecznej propagacji błędu
Wprowadzenie do Sieci Neuronowych Laboratorium Algorytm wstecznej propagacji błędu Maja Czoków, Jarosław Piersa --7. Powtórzenie Perceptron sigmoidalny Funkcja sigmoidalna: σ(x) = + exp( c (x p)) () Parametr
Bardziej szczegółowoPorównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej
Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika
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 szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoSIECI REKURENCYJNE SIECI HOPFIELDA
SIECI REKURENCYJNE SIECI HOPFIELDA Joanna Grabska- Chrząstowska Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA SPRZĘŻENIE ZWROTNE W NEURONIE LINIOWYM sygnał
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoBadanie widma fali akustycznej
Politechnika Łódzka FTIMS Kierunek: Informatyka rok akademicki: 00/009 sem.. grupa II Termin: 10 III 009 Nr. ćwiczenia: 1 Temat ćwiczenia: Badanie widma fali akustycznej Nr. studenta: 6 Nr. albumu: 15101
Bardziej szczegółowoREPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH
REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia I stopnia rok akademicki 2012/2013 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Pojęcie
Bardziej szczegółowoProgramowanie dynamiczne
Programowanie dynamiczne Programowanie rekurencyjne: ZALETY: - prostota - naturalność sformułowania WADY: - trudność w oszacowaniu zasobów (czasu i pamięci) potrzebnych do realizacji Czy jest możliwe wykorzystanie
Bardziej szczegółowoSieci M. I. Jordana. Sieci rekurencyjne z parametrycznym biasem. Leszek Rybicki. 30 listopada Leszek Rybicki Sieci M. I.
Sieci M. I. Jordana Sieci rekurencyjne z parametrycznym biasem Leszek Rybicki 30 listopada 2007 Leszek Rybicki Sieci M. I. Jordana 1/21 Plan O czym będzie 1 Wstęp do sieci neuronowych Neurony i perceptrony
Bardziej szczegółowoNazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:
Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych I KARTA PRZEDMIOTU CEL PRZEDMIOTU Informatics systems for the statistical treatment of data Kierunek: Forma studiów Informatyka Stacjonarne
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
Bardziej szczegółowoWykład 5. Metoda eliminacji Gaussa
1 Wykład 5 Metoda eliminacji Gaussa Rozwiązywanie układów równań liniowych Układ równań liniowych może mieć dokładnie jedno rozwiązanie, nieskończenie wiele rozwiązań lub nie mieć rozwiązania. Metody dokładne
Bardziej szczegółowoWykład 6. Metoda eliminacji Gaussa: Eliminacja z wyborem częściowym Eliminacja z wyborem pełnym
1 Wykład 6 Metoda eliminacji Gaussa: Eliminacja z wyborem częściowym Eliminacja z wyborem pełnym ELIMINACJA GAUSSA Z WYBOREM CZĘŚCIOWYM ELEMENTÓW PODSTAWOWYCH 2 Przy pomocy klasycznego algorytmu eliminacji
Bardziej szczegółowoTestowanie hipotez. Hipoteza prosta zawiera jeden element, np. H 0 : θ = 2, hipoteza złożona zawiera więcej niż jeden element, np. H 0 : θ > 4.
Testowanie hipotez Niech X = (X 1... X n ) będzie próbą losową na przestrzeni X zaś P = {P θ θ Θ} rodziną rozkładów prawdopodobieństwa określonych na przestrzeni próby X. Definicja 1. Hipotezą zerową Θ
Bardziej szczegółowoStochastic modelling of phase transformations using HPC infrastructure
Stochastic modelling of phase transformations using HPC infrastructure (Stochastyczne modelowanie przemian fazowych z wykorzystaniem komputerów wysokiej wydajności) Daniel Bachniak, Łukasz Rauch, Danuta
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:
Bardziej szczegółowoA A A A A A A A A n n
DODTEK NR GEBR MCIERZY W dodatku tym podamy najważniejsze definicje rachunku macierzowego i omówimy niektóre funkcje i transformacje macierzy najbardziej przydatne w zastosowaniach numerycznych a w szczególności
Bardziej szczegółowoAnaliza autokorelacji
Analiza autokorelacji Oblicza się wartości współczynników korelacji między y t oraz y t-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników.
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 szczegółowoMetody eksploracji danych 2. Metody regresji. Piotr Szwed Katedra Informatyki Stosowanej AGH 2017
Metody eksploracji danych 2. Metody regresji Piotr Szwed Katedra Informatyki Stosowanej AGH 2017 Zagadnienie regresji Dane: Zbiór uczący: D = {(x i, y i )} i=1,m Obserwacje: (x i, y i ), wektor cech x
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoUkłady równań liniowych
Układy równań liniowych Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 1. wykład z algebry liniowej Warszawa, październik 2015 Mirosław Sobolewski (UW) Warszawa, wrzesień 2015 1 / 1
Bardziej szczegółowoMetoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych
inż. Marek Duczkowski Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych słowa kluczowe: algorytm gradientowy, optymalizacja, określanie wodnicy W artykule
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne
Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 4. Równania różniczkowe zwyczajne podstawy teoretyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2005/06 Wstęp
Bardziej szczegółowoMatematyka dla DSFRiU zbiór zadań
I Matematyka dla DSFRiU zbiór zadań do użytku wewnętrznego Sumowanie skończone W zadaniach -4 obliczyć podaną sumę. dr Leszek Rudak Uniwersytet Warszawski Wydział Zarządzania. 5 i. i= 4 i. i= 5 ( ) i i=
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoEkonometria Wykład 4 Prognozowanie, sezonowość. Dr Michał Gradzewicz Katedra Ekonomii I KAE
Ekonometria Wykład 4 Prognozowanie, sezonowość Dr Michał Gradzewicz Katedra Ekonomii I KAE Plan wykładu Prognozowanie Założenia i własności predykcji ekonometrycznej Stabilność modelu ekonometrycznego
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWnioskowanie rozmyte. Krzysztof Patan
Wnioskowanie rozmyte Krzysztof Patan Wprowadzenie Informacja precyzyjna jest to jedyna postać informacji akceptowanej przez konwencjonalne metody matematyczne, najczęściej dostarczana jest przez precyzyjne
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoMetody Ilościowe w Socjologii
Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu
Bardziej szczegółowoRozwiązywanie układów równań liniowych
Rozwiązywanie układów równań liniowych Marcin Orchel 1 Wstęp Jeśli znamy macierz odwrotną A 1, to możęmy znaleźć rozwiązanie układu Ax = b w wyniku mnożenia x = A 1 b (1) 1.1 Metoda eliminacji Gaussa Pierwszy
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoŚ Ś Ś Ś Ś Ś Ę Ą Ę ŚĘ Ę Ś ń Ę Ę Ą Ł Ż Ń Ł ć Ą ć Ł Ę Ó ć Ź ć ź ń Ń ń Ś Ą Ę Ł Ę Ą Ę ń ć ń Ź ć ń ć ń Ś ń ŚĆ ć ź Ł Ę Ę Ś Ę Ę Ę ń ŚĘ Ń Ę Ę ń ŚĘ Ę Ę Ś Ś ć ń Ę ń Ś Ę ć ć Ę Ę ć ź ć ń Ę Ń ń ć Ł Ę Ę Ę Ę ć Ę ć ć ź
Bardziej szczegółowoRÓWNOWAŻNOŚĆ METOD BADAWCZYCH
RÓWNOWAŻNOŚĆ METOD BADAWCZYCH Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska Równoważność metod??? 2 Zgodność wyników analitycznych otrzymanych z wykorzystaniem porównywanych
Bardziej szczegółowoALGEBRA LINIOWA. Wykład 2. Analityka gospodarcza, sem. 1. Wydział Zarządzania i Ekonomii Politechnika Gdańska
ALGEBRA LINIOWA Wykład 2 Analityka gospodarcza, sem 1 Wydział Zarządzania i Ekonomii Politechnika Gdańska dr inż Natalia Jarzębkowska, CNMiKnO semzimowy 2018/2019 2/17 Macierze Niech M = {1, 2,, m} i N
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowo2 1 3 c c1. e 1, e 2,..., e n A= e 1 e 2...e n [ ] M. Przybycień Matematyczne Metody Fizyki I
Liniowa niezależno ność wektorów Przykład: Sprawdzić czy następujące wektory z przestrzeni 3 tworzą bazę: e e e3 3 Sprawdzamy czy te wektory są liniowo niezależne: 3 c + c + c3 0 c 0 c iei 0 c + c + 3c3
Bardziej szczegółowoJAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE
JAK WYZNACZA SIĘ PARAMETRY WALIDACYJNE 1 Dokładność i poprawność Dr hab. inż. Piotr KONIECZKA Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska ul. G. Narutowicza 11/12 80-233 GDAŃSK e-mail:
Bardziej szczegółowoAproksymacja. j<k. L 2 p[a, b] l 2 p,n X = Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza przestrzeni liniowej Π n. Dowód.
Metody numeryczne Paweł Zieliński p. 1/19 Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza bazę przestrzeni liniowej Π n. Dowód. Lemat 2. Dowolny wielomian Q j stopnia j niższego od k jest prostopadły
Bardziej szczegółowoWprowadzenie Pojęcia podstawowe Szeregi rozdzielcze STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP.
STATYSTYKA OPISOWA Dr Alina Gleska Instytut Matematyki WE PP 18 września 2017 1 Wprowadzenie 2 Pojęcia podstawowe 3 Szeregi rozdzielcze Zwykle wyróżnia się dwa podstawowe działy statystyki: statystyka
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej
Wstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2013-01-09
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoWprowadzenie do metod numerycznych Wykład 3 Metody algebry liniowej I Wektory i macierze
Wprowadzenie do metod numerycznych Wykład 3 Metody algebry liniowej I Wektory i macierze Polsko-Japońska Wyższa Szkoła Technik Komputerowych Katedra Informatyki Stosowanej Spis treści Spis treści 1 Wektory
Bardziej szczegółowowiedzy Sieci neuronowe
Metody detekcji uszkodzeń oparte na wiedzy Sieci neuronowe Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 7 Wprowadzenie Okres kształtowania się teorii sztucznych sieci
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoSztuczne sieci neuronowe
www.math.uni.lodz.pl/ radmat Cel wykładu Celem wykładu jest prezentacja różnych rodzajów sztucznych sieci neuronowych. Biologiczny model neuronu Mózg człowieka składa się z około 10 11 komórek nerwowych,
Bardziej szczegółowoOBLICZANIE POCHODNYCH FUNKCJI.
OBLICZANIE POCHODNYCH FUNKCJI. ROZWIĄZYWANIE RÓWNAŃ RÓŻNICZKOWYCH. ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ LINIOWYCH. Obliczanie pochodnych funkcji. Niech będzie dana funkcja y(x określona i różniczkowalna na przedziale
Bardziej szczegółowoTesty nieparametryczne
Testy nieparametryczne 1 Wybrane testy nieparametryczne 1. Test chi-kwadrat zgodności z rozkładem oczekiwanym 2. Test chi-kwadrat niezależności dwóch zmiennych kategoryzujących 3. Test U Manna-Whitney
Bardziej szczegółowoEstymacja w regresji nieparametrycznej
Estymacja w regresji nieparametrycznej Jakub Kolecki Politechnika Gdańska 28 listopada 2011 1 Wstęp Co to jest regresja? Przykład regresji 2 Regresja nieparametryczna Założenia modelu Estymacja i jej charakterystyki
Bardziej szczegółowoStacjonarność Integracja. Integracja. Integracja
Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli:
Bardziej szczegółowoAlgorytm grupowania danych typu kwantyzacji wektorów
Algorytm grupowania danych typu kwantyzacji wektorów Wstęp Definicja problemu: Typowe, rozważane dotychczas problemy koncentrowały się na nauczeniu na podstawie zbioru treningowego i zbioru etykiet klasyfikacji
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoEGZAMIN DYPLOMOWY, część II, Biomatematyka
Biomatematyka Załóżmy, że częstości genotypów AA, Aa i aa w populacji znajdującej się w warunkach Hardy ego-wainberga wynoszą p 2, 2pq i q 2. Wiadomo, że badany mężczyzna należy do genotypu Aa. Wyznacz
Bardziej szczegółowoWYKŁAD 4. Podejmowanie decyzji dla modeli probabilistycznych Modelowanie Gaussowskie. autor: Maciej Zięba. Politechnika Wrocławska
Wrocław University of Technology WYKŁAD 4 Podejmowanie decyzji dla modeli probabilistycznych Modelowanie Gaussowskie autor: Maciej Zięba Politechnika Wrocławska Klasyfikacja Klasyfikacja (ang. Classification):
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoMODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY
MODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY WYKORZYSTANIU METOD STATYSTYCZNYCH mgr Małgorzata Pelczar 6 Wprowadzenie Reforma służby zdrowia uwypukliła problem optymalnego ustalania kosztów usług zdrowotnych.
Bardziej szczegółowo