Predykcja stóp procentowych na pieniê nym rynku miêdzybankowym oraz rynku kredytowym z wykorzystaniem sieci neuronowych
|
|
- Barbara Sokołowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 AUTOMATYKA 2005 Tom 9 Zeszyt 3 Pawe³ Skrzyñski * Predykcja stóp procentowych na pieniê nym rynku miêdzybankowym oraz rynku kredytowym z wykorzystaniem sieci neuronowych 1. Opis problemu W oparciu o dane dotycz¹ce wielkoœci stóp WIBOR (Warsaw Interbank Offered Rate) oraz kredytowej (œrednia stopa kredytowa dwudziestu najwiêkszych banków komercyjnych w Polsce) oraz innych wielkoœci ekonomicznych, które nazwano zmiennymi wspomagaj¹cymi, w kolejnych miesi¹cach od stycznia 1995 do grudnia 2004 utworzono perceptron wielowarstwowy mog¹cy prognozowaæ wartoœæ tych stóp w nastêpnych okresach. Celem badañ by³o znalezienie takiej sieci, która zadowalaj¹co bêdzie pozwala³a na predykcjê wartoœci stóp procentowych, przy jej mo liwie najmniejszej architekturze. Przeprowadzono szereg eksperymentów porównuj¹cych ró ne algorytmy uczenia: algorytm wstecznej propagacji b³êdów wraz z metod¹ gradientów sprzê onych, strategiê ewolucyjn¹. 2. Metodologia Analizowane dane podzielono na dwie serie: 1) dane ucz¹ce, wartoœci od stycznia 1995 do grudnia 2002 roku, 2), wartoœci od stycznia 2003 do marca 2004 roku. Pierwsze eksperymenty polega³y na uczeniu za pomoc¹ samych wartoœci przesz³ych. Przyjêto, e perceptron mia³ cztery wejœcia, na które podawano wartoœci stóp procentowych w punktach czasowych: t 6, t 3, t 1, oraz t. W kolejnych doœwiadczeniach uczenie by³o wspomagane dodatkowymi wskaÿnikami ekonomicznymi wykazuj¹cymi dobr¹ korelacjê ze stopami WIBOR oraz kredytow¹. Zatem na kolejne trzy wejœcia podawano wartoœci wybranych wskaÿników w chwili t. Za ka dym razem predykcja by³a przeprowadzana dla punktu t+1. * Katedra Automatyki, Akademia Górniczo-Hutnicza, Kraków 765
2 766 Pawe³ Skrzyñski Rys. 1. Architektura wykorzystywanej sieci neuronowej oraz wartoœci podawane na wejœcie Sieæ (rys. 1) by³a uczona za pomoc¹ danych ucz¹cych. Po nauce perceptron by³ egzaminowany za pomoc¹ danych testowych i wyznaczany by³ b³¹d œredniokwadratowy RMS. Wielkoœci, którymi wspomagane by³o uczenie, to: cel inflacyjny, stopa lombardowa. Wspó³czynniki korelacji pomiêdzy zmiennymi ekonomicznymi zebrane zosta³y w tabeli 1. Do badañ wykorzystano sieæ trójwarstwow¹ z 16 neuronami o charakterystyce funkcji logistycznej w warstwie ukrytej. Tabela 1 Wspó³czynniki korelacji pomiêdzy wskaÿnikami ekonomicznymi wykorzystywanymi w eksperymentach WIBOR Stopa kredytowa Cel inflacyjny Stopa lombardowa WIBOR 1 0,972 0,892 0,985 Stopa kredytowa 0, ,918 0, Metody uczenia W badaniach d³ugoœæ ci¹gu ucz¹cego wynosi³a 77 punktów. W uczeniu za pomoc¹ strategii ewolucyjnej przyjêto liczebnoœæ populacji 18 osobników oraz nastêpuj¹cy sposób kodowania sieci neuronowej do chromosomu (kodowanie za pomoc¹ liczb rzeczywistych): do chromosomu po kolei wchodz¹ kolejne wagi neuronów z ka dej warstwy. W modelu strategii ewolucyjnej jaki zastosowano osobniki z puli potomnej (jej liczebnoœæ oznaczono przez μ) rywalizowa³y z osobnikami z puli rodzicielskiej (jej liczebnoœæ oznaczono przez λ, gdzie μ = 7*λ) do nastêpnej generacji wchodzi³o λ najlepszych osobników. Dodatkowo dla ka dego osobnika konieczne by³o pamiêtanie zwi¹zanych ze strategi¹ (odpowiadaj¹cych odchyleniom standardowym potrzebnym przy realizacji mutacji).
3 Predykcja stóp procentowych na pieniê nym rynku miêdzybankowym Poni szy pseudokod przedstawia szkielet algorytmu, którym siê pos³ugiwano: t := 0; initialize P(0) := {a 1 (0), a 2 (0),..., a μ (0)} where a k (j) = (x i, sig i ); evaluate P(0); while t < max_iteration do begin recombine a k (t) := r(p(t)) k {1,..., λ}; mutate a k (t) := m(a k (t)); evaluate P (t) := {a 1 (t),..., a λ (t)}; ({f(x 1 (t)),..., f(x λ (t))}); select P(t+1) from P(t) P (t); t := t+1; U ywany operator rekombinacji jest krzy owaniem arytmetycznym: z dwóch rodziców tworzony jest tylko jeden potomek (zmienne zwi¹zane ze strategi¹ s¹ równie krzy owane w klasyczny jednopunktowy sposób). Szerszego opisu wymaga operator mutacji, który jest realizowany nastêpuj¹co przy czym: m(a k ) = a k = (x, σ ) σ i = σ i *exp(τ 0 *Δσ 0 )*exp(τ*δσ i ) x i = x i + σ i i aktualna iteracja Sta³e ustalone s¹ nastêpuj¹co: τ 0 =1/sqrt(2*sqrt(n)), τ=1/sqrt(2n) (gdzie n jest d³ugoœci¹ chromosomu). Parametr Δσ 0 jest taki sam dla wszystkich i oraz jest losowany z rozk³adem normalnym z odchyleniem standardowym równym jeden, natomiast parametr Δσ i równie jest losowany z rozk³adem normalnym z odchyleniem standardowym równym jeden dla ka dego i indywidualnie. Drug¹ wykorzystywan¹ metod¹ by³o po³¹czenie metod wstecznej propagacji b³êdów oraz metody gradientów sprzê onych. Metoda wstecznej propagacji b³êdów w pierwszym rzêdzie na podstawie sygna³ów wyjœciowych i wzorcowych oblicza b³êdy w warstwie wyjœciowej, nastêpnie w warstwie poprzedzaj¹cej i dalej a do warstwy wejœciowej. Podczas procesu uczenia sieci neuronowej zastosowano sta³e wspó³czynniki uczenia (0,1) i bezw³adnoœci (0,3). Metoda gradientów sprzê onych polega na modyfikacji wag jednorazowo w trakcie realizacji jednej epoki. W trakcie stosowania tego algorytmu na powierzchni b³êdu wyznaczana jest w ka dej epoce œrednia wartoœæ gradientu, bêd¹ca podstaw¹ modyfikacji wag przeprowadzanej w koñcowej fazie ka dej epoki. W trakcie swojego dzia³ania algorytm ten przeprowadza poszukiwania liniowe minimalnego b³êdu wzd³u wybranych kierunków na powierzchni b³êdu. Po wyszukaniu minimalnego b³êdu, realizowane s¹ nastêpne poszukiwania (jedno w jednej epoce) przeprowadzane wzd³u prostych, które sprzê one s¹ z wczeœniej wybranym kierunkiem. Metody te s¹ dostêpne w pakiecie Statistica w dodatku Sieci Neuronowe.
4 768 Pawe³ Skrzyñski 3. Wyniki W tabelach 2 oraz 3 zebrano wyniki dla strategii ewolucyjnej, natomiast w tabelach 4 i 5 dla po³¹czonych metod wstecznej propagacji b³êdów Zole metod¹ gradientów sprzê onych. Dodatkowe wejœcie Brak dodatkowych Tabela 2 Predykcja WIBOR wyniki, strategia ewolucyjna testowe ucz¹ce dane ucz¹ce 1,382 0,761 0,784 0,990 Stopa kredytowa 0,642 0,712 0,878 0,991 Stopa lombardowa 0,466 0,770 0,855 0,990 Cel inflacyjny 0,373 0,741 0,934 0,990 Wszystkie 0,840 0,798 0,931 0,989 Dodatkowe wejœcie Brak dodatkowych Tabela 3 Predykcja stopy kredytowej wyniki, strategia ewolucyjna testowe ucz¹ce dane ucz¹ce 2,985 0,574 0,660 0,990 WIBOR 0,622 0,454 0,805 0,996 Stopa lombardowa 1,365 0,528 0,391 0,994 Cel inflacyjny 0,714 0,575 0,850 0,992 Wszystkie 1,037 0,483 0,737 0,995 Tabela 4 Predykcja stopy WIBOR wyniki, wsteczna propagacja b³êdów z gradientami sprzê onymi Dodatkowe wejœcie Brak dodatkowych testowe ucz¹ce dane ucz¹ce 0,389 0,833 0,945 0,988 Stopa kredytowa 0,390 0,823 0,889 0,988 Stopa lombardowa 0,351 0,833 0,939 0,988 Cel inflacyjny 0,772 0,765 0,903 0,990 Wszystkie 1,400 0,725 0,809 0,991
5 Predykcja stóp procentowych na pieniê nym rynku miêdzybankowym Tabela 5 Predykcja stopy kredytowej wyniki, wsteczna propagacja b³êdów z gradientami sprzê onymi Dodatkowe wejœcie Brak dodatkowych testowe ucz¹ce dane ucz¹ce 0,706 0,652 0,852 0,990 WIBOR 0,996 0,5 0,853 0,994 Stopa lombardowa 0,689 0,536 0,838 0,993 Cel inflacyjny 0,964 0,596 0,839 0,991 Wszystkie 0,904 0,489 0,833 0,994 Jak widaæ na rysunkach 2 oraz 3, u ycie do predykcji dodatkowych ekonomicznych pozwoli³o na znaczn¹ poprawê rezultatów. We wszystkich doœwiadczeniach wartoœæ wspó³czynnika korelacji jest wiêksza od 0,8 model mo na zatem uznaæ za dobry. Najlepszy rezultat w predykcji WIGOR zosta³ uzyskany przy wspomaganiu uczenia wartoœci¹ wskaÿnika cel inflacyjny RMS jest bardzo niski, natomiast wspó³czynnik korelacji wiêkszy od 0,9 dla predykcji WIGOR. Dla predykcji stopy kredytowej wspó³czynnik ten jest wiêkszy od 0,85 (jest to drugi co do jakoœci rezultat). Najlepszy wynik dla predykcji stopy kredytowej zosta³ uzyskany przy wspomaganiu uczenia stop¹ WIBOR. WIGOR w przypadku danych ucz¹cych odwzorowanie sygna³u przez sieæ jest bardzo dobre niski RMS oraz wspó³czynnik korelacji wiêkszy od 0,98 w ka dym przypadku. 9 Predykcja stopy WIBOR, strategia ewolucyjna, porównanie wyników 8,5 8 7,5 7 6,5 6 5,5 5 4,5 credit rate no additional vars lombard inflation target lombard, credit rate, inflation target Rys. 2. Predykcja stopy WIBOR, porównanie rezultatów dla strategii ewolucyjnej,
6 770 Pawe³ Skrzyñski 12 Predykcja stopy kredytowej, strategia ewolucyjna, porównanie wyników 11 % credit rate no additional vars lombard inflation target lombard,, infl. target Rys. 3. Predykcja stopy kredytowej, porównanie rezultatów dla strategii ewolucyjnej, Jak widaæ na rysunkach 4 i 5, równie w przypadku klasycznych metod nauczania sieci przynios³o poprawê rezultatów. Podobnie jak dla strategii ewolucyjnej wspó³czynnik korelacji dla danych testowych w ka dym przypadku jest wiêkszy od 0,8, co oznacza dobre dopasowanie modelu. Zarówno dla predykcji stopy WIBOR, jak i stopy kredytowej najlepszy rezultat zosta³ osi¹gniêty, gdy nauczanie by³o wspomagane wartoœciami stopy lombardowej w odpowiednich okresach. RMS jest niski, a wspó³czynnik korelacji wiêkszy od 0,85 dla stopy kredytowej oraz 0,9 dla stopy WIBOR. Predykcja stopy WIBOR, uczenie metodami klasycznymi, porównanie wyników 10 brak dodatkowych 9 stopa kredytowa 8 stopa lombardowa 7 cel inflacyjny 6 cel inflacyjny, st. lombardowa, st. kredytowa Rys. 4. Predykcja stopy WIBOR, porównanie rezultatów dla metody wstecznej propagacji b³êdów z gradientami sprzê onymi,
7 Predykcja stóp procentowych na pieniê nym rynku miêdzybankowym Predykcja stopy kredytowej, klasyczne metody uczenia, porównanie rezultatów 13 12,5 12 stopa kredytowa % 11, ,5 10 9,5 9 8, Rys. 5. Predykcja stopy kredytowej, porównanie rezultatów dla metody wstecznej propagacji b³êdów z gradientami sprzê onymi, 4. Podsumowanie i wnioski Przeprowadzone eksperymenty dowodz¹, i z powodzeniem mo na stosowaæ sieci neuronowe jako narzêdzie do predykcji wskaÿników ekonomicznych. Dla ka dego eksperymentu uzyskany RMS dla danych testowych by³ satysfakcjonuj¹co niski przy wspó³czynniku korelacji wynosz¹cym przynajmniej 0,8. Minimalnie lepsze rezultaty uzyskano dla predykcji stopy WIBOR RMS poni ej 0,4 i wspó³czynnik korelacji ponad 0,9. Zastosowane algorytmy uczenia: klasyczny oparty o wsteczn¹ propagacjê b³êdów razem z metod¹ gradientów sprzê onych oraz nowe podejœcie oparte o strategiê ewolucyjn¹ da³y porównywalne rezultaty. Klasyczne metody okaza³y siê minimalnie lepsze dla predykcji stopy WI- BOR, natomiast w przypadku stopy kredytowej strategia ewolucyjna da³a lepsze rezultaty. Zastosowanie metod bazuj¹cych na sztucznej inteligencji mo e zatem stanowiæ dobre uzupe³nienie dla dotychczasowych metod predykcji wartoœci wskaÿników ekonomicznych. Literatura Brak dodatkowych stopa lombardowa cel inflacyjny [1] Back T., Gunter R., Schwefel H.P.: Evolutionary Programming and Evolution Strategies: Simmilarities and Differences [2] Back T.: Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic Algorithms. Oxford, Oxford University Press 1996 [3] Bednarczyk J.: Stopy procentowe a gospodarka. Eseje z teorii i polityki stóp pieniê nych. Radom, Wydawnictwo Politechniki Radomskiej 2004 [4] Szyd³o S.: Stopy Procentowe w gospodarce polskiej. Kraków, Oficyna Wydawnicza Test 2002 [5] Tadeusiewicz R.: Sieci neuronowe. Wyd. 2, Warszawa, Warszawska Oficyna Wydawnicza RM 1993 cel inflacyjbny, st. lombardowa,
8 772 Pawe³ Skrzyñski
Strategie ewolucyjne (ang. evolution strategies)
Strategie ewolucyjne (ang. evolution strategies) 1 2 Szybki przegląd Rozwijane w Niemczech w latach 60-70. Wcześni badacze: I. Rechenberg, H.-P. Schwefel (student Rechenberga). Typowe zastosowanie: Optymalizacja
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
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 szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
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 szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoSYMULACJA STOCHASTYCZNA W ZASTOSOWANIU DO IDENTYFIKACJI FUNKCJI GÊSTOŒCI PRAWDOPODOBIEÑSTWA WYDOBYCIA
Górnictwo i Geoin ynieria Rok 29 Zeszyt 4 2005 Ryszard Snopkowski* SYMULACJA STOCHASTYCZNA W ZASTOSOWANIU DO IDENTYFIKACJI FUNKCJI GÊSTOŒCI PRAWDOPODOBIEÑSTWA WYDOBYCIA 1. Wprowadzenie W monografii autora
Bardziej szczegółowogdy wielomian p(x) jest podzielny bez reszty przez trójmian kwadratowy x rx q. W takim przypadku (5.10)
5.5. Wyznaczanie zer wielomianów 79 gdy wielomian p(x) jest podzielny bez reszty przez trójmian kwadratowy x rx q. W takim przypadku (5.10) gdzie stopieñ wielomianu p 1(x) jest mniejszy lub równy n, przy
Bardziej szczegółowoLOKATY STANDARDOWE O OPROCENTOWANIU ZMIENNYM- POCZTOWE LOKATY, LOKATY W ROR
lokat i rachunków bankowych podane jest w skali roku. Lokaty po up³ywie terminu umownego odnawiaj¹ siê na kolejny okres umowny na warunkach i zasadach obowi¹zuj¹cych dla danego rodzaju lokaty w dniu odnowienia
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
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 szczegółowo1. Szacowanie rynkowej wartoœci nieruchomoœci jako przedmiotu prawa w³asnoœci ograniczonej u ytkowaniem wieczystym
GEODEZJA TOM Zeszyt / 005 Jan Ruchel* SZACOANIE RYNKOEJ ARTOŒCI OGRANICZONYCH PRA DO NIERUCHOMOŒCI** Szacowanie rynkowej wartoœci nieruchomoœci jako przedmiotu prawa w³asnoœci ograniczonej u ytkowaniem
Bardziej szczegółowoZasilacz 24V DC. Uk³ad pomiarowy do sprawdzania poprawnoœci dzia³ania SSR-33 4 Opis pinów z³¹cza obiektowego. Zasilanie
PDA KARTA PROGRAOWANIA SSR33 Nr Strona 1 1 KARTA PROGRAOWANIA umo liwia wykonanie ustawieñ konfiguracyjnych, oraz sprawdzenie poprawnoœci dzia³ania stacyjki. estaw przyrz¹dów do uruchomienia stacyjki asilacz
Bardziej szczegółowoRys Mo liwe postacie funkcji w metodzie regula falsi
5.3. Regula falsi i metoda siecznych 73 Rys. 5.1. Mo liwe postacie funkcji w metodzie regula falsi Rys. 5.2. Przypadek f (x), f (x) > w metodzie regula falsi 74 V. Równania nieliniowe i uk³ady równañ liniowych
Bardziej szczegółowoProjektowanie procesów logistycznych w systemach wytwarzania
GABRIELA MAZUR ZYGMUNT MAZUR MAREK DUDEK Projektowanie procesów logistycznych w systemach wytwarzania 1. Wprowadzenie Badania struktury kosztów logistycznych w wielu krajach wykaza³y, e podstawowym ich
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowo6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie
6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie Do projektowania składu chemicznego stali szybkotn cych, które jest zadaniem optymalizacyjnym, wykorzystano
Bardziej szczegółowoSystem wizyjny do wyznaczania rozp³ywnoœci lutów
AUTOMATYKA 2007 Tom 11 Zeszyt 3 Marcin B¹ka³a*, Tomasz Koszmider* System wizyjny do wyznaczania rozp³ywnoœci lutów 1. Wprowadzenie Lutownoœæ okreœla przydatnoœæ danego materia³u do lutowania i jest zwi¹zana
Bardziej szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoAutomatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu***
AUTOMATYKA 2009 Tom 13 Zeszyt 3 Joanna Grabska-Chrz¹stowska*, Wojciech Lazar** Automatyzacja procesu badania neuronowego systemu wnioskuj¹cego opartego na programie Statistica w praktycznym zastosowaniu***
Bardziej szczegółowoWAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego
WAE Jarosław Arabas Pełny schemat algorytmu ewolucyjnego Algorytm ewolucyjny algorytm ewolucyjny inicjuj P 0 {P 0 1, P 0 2... P 0 μ } t 0 H P 0 while! stop for (i 1: λ) if (a< p c ) O t i mutation(crossover
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI
Miejsce na naklejkê z kodem (Wpisuje zdaj¹cy przed rozpoczêciem pracy) KOD ZDAJ CEGO MIN-W1A1P-021 EGZAMIN MATURALNY Z INFORMATYKI Czas pracy 90 minut ARKUSZ I MAJ ROK 2002 Instrukcja dla zdaj¹cego 1.
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoMODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING 767-300ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH
P R A C E N A U K O W E P O L I T E C H N I K I W A R S Z A W S K I E J z. 102 Transport 2014 Aleksandra Stycunów, Jerzy Manerowski Politechnika Warszawska, Wydzia Transportu MODELOWANIE FAZ ZNI ANIA I
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 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 szczegółowoAlgorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
Bardziej szczegółowoWykorzystanie perceptronowych sieci neuronowych w zagadnieniu wyceny nieruchomoœci
JANUSZ MORAJDA Wykorzystanie perceptronowych sieci neuronowych w zagadnieniu wyceny nieruchomoœci 1. Wprowadzenie W wielu zagadnieniach szeroko rozumianej analizy danych ekonomicznych, oprócz klasycznych
Bardziej szczegółowoNazwa przedmiotu: PODSTAWY TEORII ZBIORÓW ROZMYTYCH I ARYTMETYKI PRZEDZIAŁOWEJ Foundations of fuzzy set theory and interval arithmetic Kierunek:
Nazwa przedmiotu: PODSTAWY TEORII ZBIORÓW ROZMYTYCH I ARYTMETYKI PRZEDZIAŁOWEJ Foundations of fuzzy set theory and interval arithmetic Kierunek: Forma studiów: Informatyka Stacjonarne Rodzaj przedmiotu:
Bardziej szczegółowoDANE MAKROEKONOMICZNE (TraderTeam.pl: Rafa Jaworski, Marek Matuszek) Lekcja XXIII
DANE MAKROEKONOMICZNE (TraderTeam.pl: Rafa Jaworski, Marek Matuszek) Lekcja XXIII Systemy transakcyjne cz.1 Wszelkie prawa zastrze one. Kopiowanie i rozpowszechnianie ca ci lub fragmentu niniejszej publikacji
Bardziej szczegółowoWAE Jarosław Arabas Adaptacja i samoczynna adaptacja parametrów AE Algorytm CMA-ES
WAE Jarosław Arabas Adaptacja i samoczynna adaptacja parametrów AE Algorytm CMA-ES Dynamika mutacyjnego AE Mutacja gaussowska σ=0.1 Wszystkie wygenerowane punkty Wartość średnia jakości punktów populacji
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY Z MATEMATYKI
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI POZIOM ROZSZERZONY Czas pracy 80 minut Instrukcja dla zdaj¹cego. SprawdŸ, czy arkusz egzaminacyjny zawiera stron (zadania 0). Ewentualny brak zg³oœ przewodnicz¹cemu
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
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 szczegółowoTABELA OPROCENTOWANIA PRODUKTÓW KREDYTOWYCH W BANKU SPÓŁDZIELCZYM W TORUNIU
W BANKU SPÓŁDZIELCZYM W TORUNIU obowiązuje od 12 października 2015 roku ROZDZIAŁ I OPROCENTOWANIE PRODUKTÓW KREDYTOWYCH DLA KLIENTÓW INDYWIDUALNYCH KREDYTY NA CELE MIESZKANIOWE ORAZ CELE ZWIĄZANE Z BUDOWNICTWEM
Bardziej szczegółowoPrzedmowa Czêœæ pierwsza. Podstawy frontalnych automatów komórkowych... 11
Spis treœci Przedmowa... 9 Czêœæ pierwsza. Podstawy frontalnych automatów komórkowych... 11 1. Wstêp... 13 1.1. Rys historyczny... 14 1.2. Klasyfikacja automatów... 18 1.3. Automaty komórkowe a modelowanie
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoTabela oprocentowania kredytów Rybnickiego Banku Spółdzielczego (obowiązuje dla kredytów udzielonych od dnia 05.03.2015 1 )
Załącznik do uchwały zarządu nr 204 /2015 z dnia 30.12.2015 r. wchodzi w życie z dniem 01.01.2016. r. Tabela kredytów Rybnickiego Banku Spółdzielczego (obowiązuje dla kredytów udzielonych od dnia 05.03.2015
Bardziej szczegółowoCZUJNIKI TEMPERATURY Dane techniczne
CZUJNIKI TEMPERATURY Dane techniczne Str. 1 typ T1001 2000mm 45mm 6mm Czujnik ogólnego przeznaczenia wykonany z giêtkiego przewodu igielitowego. Os³ona elementu pomiarowego zosta³a wykonana ze stali nierdzewnej.
Bardziej szczegółowoZawory specjalne Seria 900
Zawory specjalne Prze³¹czniki ciœnieniowe Generatory impulsów Timery pneumatyczne Zawory bezpieczeñstwa dwie rêce Zawór Flip - Flop Zawór - oscylator Wzmacniacz sygna³u Progresywny zawór startowy Charakterystyka
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne strategie ewolucyjne Piotr Lipiński Podstawowe algorytmy ewolucyjne Podstawowe algorytmy ewolucyjne algorytmy genetyczne zwykle przestrzeń poszukiwań to {0, 1} d niektóre wersje działają
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
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 szczegółowoWnioskodawcy. Warszawa, dnia 15 czerwca 2011 r.
Warszawa, dnia 15 czerwca 2011 r. My, niŝej podpisani radni składamy na ręce Przewodniczącego Rady Dzielnicy Białołęka wniosek o zwołanie nadzwyczajnej sesji Rady dzielnicy Białołęka. Jednocześnie wnioskujemy
Bardziej szczegółowo7. Symulacje komputerowe z wykorzystaniem opracowanych modeli
Opracowane w ramach wykonanych bada modele sieci neuronowych pozwalaj na przeprowadzanie symulacji komputerowych, w tym dotycz cych m.in.: zmian twardo ci stali szybkotn cych w zale no ci od zmieniaj cej
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 szczegółowoPrzykład optymalizacji struktury sztucznej sieci neuronowej metodą algorytmów genetycznych
BIULETYN INSTYTUTU AUTOMATYKI I ROBOTYKI NR 23, 26 Przykład optymalizacji struktury sztucznej sieci neuronowej metodą algorytmów genetycznych Leszek Grad Zakład Automatyki, Instytut Teleinfo rmatyki i
Bardziej szczegółowoIII. INTERPOLACJA Ogólne zadanie interpolacji. Niech oznacza funkcjê zmiennej x zale n¹ od n + 1 parametrów tj.
III. INTERPOLACJA 3.1. Ogólne zadanie interpolacji Niech oznacza funkcjê zmiennej x zale n¹ od n + 1 parametrów tj. Definicja 3.1. Zadanie interpolacji polega na okreœleniu parametrów tak, eby dla n +
Bardziej szczegółowoLIMATHERM SENSOR Sp. z o.o.
INSTRUKCJA OBS UGI TERMOMETR CYFROWY TES-1312 LIMATHERM SENSOR Sp. z o.o. 34-600 Limanowa ul. Tarnowska 1 tel. (18) 337 60 59, 337 60 96, fax (18) 337 64 34 internet: www.limatherm.pl, e-mail: akp@limatherm.pl
Bardziej szczegółowoUstawienie wózka w pojeździe komunikacji miejskiej - badania. Prawidłowe ustawienie
Ustawienie wózka w pojeździe komunikacji miejskiej - badania Przodem do kierunku jazdy? Bokiem? Tyłem? Jak ustawić wózek, aby w razie awaryjnego hamowania dziecko było jak najbardziej bezpieczne? Na te
Bardziej szczegółowoURZĄD OCHRONY KONKURENCJI I KONSUMENTÓW
URZĄD OCHRONY KONKURENCJI I KONSUMENTÓW Wyniki monitorowania pomocy publicznej udzielonej spółkom motoryzacyjnym prowadzącym działalność gospodarczą na terenie specjalnych stref ekonomicznych (stan na
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoProgramowanie Ewolucyjne
Programowanie Ewolucyjne Programowanie Ewolucyjne W zadaniach przeszukiwania mianem heurystyczne określa się wszelkie prawa, kryteria, zasady i intuicje (również takie, których skuteczność nie jest całkowicie
Bardziej szczegółowoZastosowanie modeli sieci neuronowych w ocenie i prognozowaniu jakoœci powietrza
IN YNIERIA ŒRODOWISKA Tom 0 Zeszyt 2005 2 Teresa ozowicka Stupnicka*, Monika Talarczyk** Zastosowanie modeli sieci neuronowych w ocenie i prognozowaniu jakoœci powietrza. Wstêp Dzia³alnoœæ cz³owieka podejmowana
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
Bardziej szczegółowoPRZETWORNIK PROGRAMOWALNY NAPIÊCIA I PR DU STA EGO TYPU P20H
PRZETWORNIK PROGRAMOWALNY NAPIÊCIA I PR DU STA EGO TYPU P20H Instrukcja konfiguracji przetwornika P20H za pomoc¹ programu LPCon 1 2 Spis treœci 1. Konfiguracja przetwornika za pomoc¹ programu LPCon...
Bardziej szczegółowoBank Spółdzielczy w Białej
Bank Spółdzielczy w Białej Wprowadzona: Uchwała Zarządu Nr 127/2015 z dnia 14-12-2015 r TABELA OPROCENTOWANIA PRODUKTÓW BANKOWYCH *Biała czerwiec 2011 r. * *TEKST JEDNOLITY Grudzień 2015 rok* SPIS TREŚCI:
Bardziej szczegółowo2) Drugim Roku Programu rozumie się przez to okres od 1 stycznia 2017 roku do 31 grudnia 2017 roku.
REGULAMIN PROGRAMU OPCJI MENEDŻERSKICH W SPÓŁCE POD FIRMĄ 4FUN MEDIA SPÓŁKA AKCYJNA Z SIEDZIBĄ W WARSZAWIE W LATACH 2016-2018 1. Ilekroć w niniejszym Regulaminie mowa o: 1) Akcjach rozumie się przez to
Bardziej szczegółowoDZIENNIK USTAW RZECZYPOSPOLITEJ POLSKIEJ
DZIENNIK USTAW RZECZYPOSPOLITEJ POLSKIEJ Warszawa, dnia 29 lutego 2016 r. Poz. 251 ROZPORZĄDZENIE MINISTRA INFRASTRUKTURY I BUDOWNICTWA 1) z dnia 10 lutego 2016 r. zmieniające rozporządzenie w sprawie
Bardziej szczegółowoZałącznik Nr 1 do Uchwały Zarządu Nr 16 /13 z dnia 27 marca 2013 roku
Załącznik Nr 1 do Uchwały Zarządu Nr 16 /13 OPROCENTOWANIE ŚRODKÓW PIENIĘŻNYCH W ZŁOTYCH PODMIOTÓW INSTYTUCJONALNYCH W BANKU SPÓŁDZIELCZYM W WĄCHOCKU OD DNIA 15 KWIETNIA 2013 ROKU WG ZMIENNEJ STOPY PROCENTOWEJ
Bardziej szczegółowoPolityka pienięŝna NBP kamienie milowe
Polityka pienięŝna NBP kamienie milowe Kamień 1: stłumienie hiperinflacji Warunki początkowe: hiperinflacja ponad 250% średniorocznie w 1989 r. niedobory na rynku załamanie produkcji niskie zaufanie do
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoAlgorytmy ewolucyjne `
Algorytmy ewolucyjne ` Wstęp Czym są algorytmy ewolucyjne? Rodzaje algorytmów ewolucyjnych Algorytmy genetyczne Strategie ewolucyjne Programowanie genetyczne Zarys historyczny Alan Turing, 1950 Nils Aall
Bardziej szczegółowo(wymiar macierzy trójk¹tnej jest równy liczbie elementów na g³ównej przek¹tnej). Z twierdzen 1 > 0. Zatem dla zale noœci
56 Za³ó my, e twierdzenie jest prawdziwe dla macierzy dodatnio okreœlonej stopnia n 1. Macierz A dodatnio okreœlon¹ stopnia n mo na zapisaæ w postaci n 1 gdzie A n 1 oznacza macierz dodatnio okreœlon¹
Bardziej szczegółowoSpe³nienie wymagañ czasu rzeczywistego w obrêbie rodziny sterowników PLC
AUTOMATYKA 2005 Tom 9 Zeszyt 1 2 Iwona Oprzêdkiewicz Spe³nienie wymagañ czasu rzeczywistego w obrêbie rodziny sterowników PLC 1. Wprowadzenie Systemy sterowania wykorzystuj¹ce sterowniki PLC w przemyœle
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoPowszechność nauczania języków obcych w roku szkolnym
Z PRAC INSTYTUTÓW Jadwiga Zarębska Warszawa, CODN Powszechność nauczania języków obcych w roku szkolnym 2000 2001 Ö I. Powszechność nauczania języków obcych w różnych typach szkół Dane przedstawione w
Bardziej szczegółowoSPIS TREŒCI. Pismo w sprawie korzystania z pomocy finansowej ze œrodków funduszu restrukturyzacji banków spó³dzielczych.
SPIS TREŒCI Uchwa³a nr 5/2003 Rady Bankowego Funduszu Gwarancyjnego z dnia 20 lutego 2003 r. zmieniaj¹ca uchwa³ê w sprawie okreœlenia zasad, form, warunków i trybu udzielania pomocy finansowej podmiotom
Bardziej szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowoFormularz informacyjny dotyczący kredytu konsumenckiego w rachunku oszczędnościowo-rozliczeniowym sporządzony na podstawie reprezentatywnego przykładu
Formularz informacyjny dotyczący kredytu konsumenckiego w rachunku oszczędnościowo-rozliczeniowym sporządzony na podstawie reprezentatywnego przykładu Imię, nazwisko (nazwa) i adres (siedziba) kredytodawcy
Bardziej szczegółowoprzewidywania zapotrzebowania na moc elektryczn
do Wykorzystanie do na moc elektryczn Instytut Techniki Cieplnej Politechnika Warszawska Slide 1 of 20 do Coraz bardziej popularne staj si zagadnienia zwi zane z prac ¹ródªa energii elektrycznej (i cieplnej)
Bardziej szczegółowoPRZETWORNIK WARTOśCI SKUTECZNEJ PRąDU LUB NAPIęCIA PRZEMIENNEGO P20Z
PRZETWORNIK WARTOśCI SKUTECZNEJ PRąDU LUB NAPIęCIA PRZEMIENNEGO P20Z instrukcja obsługi 1 2 Spis treści 1. ZASTOSOWANIE... 5 2. ZESTAW PRZETWORNIKA... 5 3. WYMAGANIA PODSTAWOWE, BEZPIECZEŃSTWO UŻYTKOWANIA...
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoAlgorytmy genetyczne w interpolacji wielomianowej
Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego
Bardziej szczegółowoOprocentowanie konta 0,10%
KONTA Konto osobiste konta 0,10% Brak kwoty minimalnej. zmienne obowiązuje od 18.05.2015 r. Miesięczna kapitalizacja odsetek. Odsetki za niedozwolone saldo debetowe - 4-krotność stopy kredytu lombardowego
Bardziej szczegółowoWYKORZYSTANIE LINIOWYCH MODELI ROZMYTYCH DO PROGNOZOWANIA DOBOWEGO ZAPOTRZEBOWANIA ODBIORCÓW WIEJSKICH NA ENERGIĘ ELEKTRYCZNĄ
Problemy Inżynierii Rolniczej nr 4/2008 Małgorzata Trojanowska Katedra Energetyki Rolniczej Jerzy Małopolski Katedra Inżynierii Rolniczej i Informatyki Uniwersytet Rolniczy w Krakowie WYKORZYSTANIE LINIOWYCH
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony
Bardziej szczegółowoPRZETWORNIK WARTOŒCI SKUTECZNEJ PR DU LUB NAPIÊCIA PRZEMIENNEGO TYPU P11Z
PRZETWORNIK WARTOŒCI SKUTECZNEJ PR DU LUB NAPIÊCIA PRZEMIENNEGO TYPU P11Z INSTRUKCJA OBS UGI 1 SPIS TREŒCI 1. ZASTOSOWANIE... 3 2. ZESTAW PRZETWORNIKA... 3 3. INSTALOWANIE... 3 3.1 Sposób mocowania....
Bardziej szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH I ANALIZY DYSKRYMINACYJNEJ DO USTALANIA POLITYKI CENOWEJ W REDNIM PRZEDSI BIORSTWIE
Marcin RELICH Pawe KU DOWICZ Uniwersytet Zielonogórski ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH I ANALIZY DYSKRYMINACYJNEJ DO USTALANIA POLITYKI CENOWEJ W REDNIM PRZEDSI BIORSTWIE 1. Wst p Obecnie obserwowany
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoProgram "FLiNN-GA" wersja 2.10.β
POLSKIE TOWARZYSTWO SIECI NEURONOWYCH POLITECHNIKA CZĘSTOCHOWSKA Zakład Elektroniki, Informatyki i Automatyki Maciej Piliński Robert Nowicki - GA Program "FLiNN-GA" wersja 2.10.β Podręcznik użytkownika
Bardziej szczegółowoPOLSKA IZBA TURYSTYKI POLISH CHAMBER OF TOURISM
Załącznik nr 1 do Uchwały Prezydium Polskiej Izby Turystyki nr 3/2015/P/E Regulamin powoływania i pracy Egzaminatorów biorących udział w certyfikacji kandydatów na pilotów wycieczek I. Postanowienia ogólne
Bardziej szczegółowoTwierdzenie Bayesa. Indukowane Reguły Decyzyjne Jakub Kuliński Nr albumu: 53623
Twierdzenie Bayesa Indukowane Reguły Decyzyjne Jakub Kuliński Nr albumu: 53623 Niniejszy skrypt ma na celu usystematyzowanie i uporządkowanie podstawowej wiedzy na temat twierdzenia Bayesa i jego zastosowaniu
Bardziej szczegółowoKoszty jakości. Definiowanie kosztów jakości oraz ich modele strukturalne
1 Definiowanie kosztów jakości oraz ich modele strukturalne Koszty jakości to termin umowny. Pojęcie to nie występuje w teorii kosztów 1 oraz nie jest precyzyjnie zdefiniowane ani przez teoretyków, ani
Bardziej szczegółowoWYKORZYSTANIE PREDYKTORÓW TYPU NEURAL NETWORK DO PROGNOZOWANIA SZEREGÓW CZASOWYCH***
Górnictwo i Geoin ynieria Rok 29 Zeszyt 4 2005 Sylwia Gworek*, Arkadiusz Utrata** WYKORZYSANIE PREDYKORÓW YPU NEURAL NEWORK DO PROGNOZOWANIA SZEREGÓW CZASOWYCH*** 1. Wstêp Obok klasycznych metod prognozowania
Bardziej szczegółowoWyznaczanie współczynnika sprężystości sprężyn i ich układów
Ćwiczenie 63 Wyznaczanie współczynnika sprężystości sprężyn i ich układów 63.1. Zasada ćwiczenia W ćwiczeniu określa się współczynnik sprężystości pojedynczych sprężyn i ich układów, mierząc wydłużenie
Bardziej szczegółowoZARZĄDZENIE nr 1/2016 REKTORA WYŻSZEJ SZKOŁY EKOLOGII I ZARZĄDZANIA W WARSZAWIE z dnia 15.01.2016 r.
ZARZĄDZENIE nr 1/2016 REKTORA WYŻSZEJ SZKOŁY EKOLOGII I ZARZĄDZANIA W WARSZAWIE z dnia 15.01.2016 r. w sprawie zmian w zasadach wynagradzania za osiągnięcia naukowe i artystyczne afiliowane w WSEiZ Działając
Bardziej szczegółowoPRÓBNY EGZAMIN MATURALNY Z MATEMATYKI
WPISUJE ZDAJ CY KOD PESEL PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI POZIOM ROZSZERZONY PRZED MATUR MAJ 2012 1. SprawdŸ, czy arkusz egzaminacyjny zawiera 16 stron (zadania 1 11). Ewentualny brak zg³oœ przewodnicz¹cemu
Bardziej szczegółowo4. OCENA JAKOŒCI POWIETRZA W AGLOMERACJI GDAÑSKIEJ
4. OCENA JAKOŒCI POWIETRZA 4.1. Ocena jakoœci powietrza w odniesieniu do norm dyspozycyjnych O jakoœci powietrza na danym obszarze decyduje œredni poziom stê eñ zanieczyszczeñ w okresie doby, sezonu, roku.
Bardziej szczegółowo