SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe

Wielkość: px
Rozpocząć pokaz od strony:

Download "SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe"

Transkrypt

1 SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA

2 BUDOWA RZECZYWISTEGO NEURONU Jądro - "centrum obliczeniowe" neuronu. Tutaj zachodzą procesy kluczowe dla funkcjonowania neuronu. Akson - "wyjście" neuronu. Neuron ma tylko jeden akson. Wzgórek aksonu sumowanie przychodzących sygnałów i generowanie potencjału czynnościowego, który wędruje dalej poprzez akson. Dendryt - "wejście" neuronu. Dendrytów może być wiele - biologiczne neurony mają ich tysiące. Synapsa - jeśli dendryt jest wejściem neuronu, to synapsa jest jego furtką. Ma wpływ na moc sygnału napływającego poprzez akson.

3 NATURALNE STRUKTURY NEURONOWE Konwergencja - pobudzenie z wielu włókien dociera do jednego neuronu A B Neuron A Neuron B Neuron 1 Neuron 2 Neuron 3 Dywergencja - pobudzenie z jednego neuronu dociera do szeregu innych neuronów. Pobudzenie docierające z neuronów A i B nie wywołuje pobudzenia neuronów 2 lub 3. Dochodzi jednak do częściowej depolaryzacji błony komórkowej w neuronach 2 i 3 bliskiej progowej wartości potrzebnej do wzbudzenia. Kolejne pobudzenie docierające z neuronów bez trudu wzbudza potencjał czynnościowy.

4 OGÓLNA DEFINICJA NEURONU Wejścia Wagi Blok aktywacji X 1 X 2 X n w 1 w w n Obliczenie PSP f Wyjście y y = f ( ( x i * w i )) PSP Post-Synaptic Potential (Potencjał Postsynaptyczny) f - funkcja aktywacji

5 DEFINICJA NEURONU Wejścia X 1 Wagi w 1 Blok sumujący Blok aktywacji Wyjście X 2 w 2 S f y X 3 w 3 y = f ( S ( x i * w i ))

6 NEURON LINIOWY Wejścia X 1 X 2 X 3 Wagi w 1 w 2 w 3 Blok sumujący S f funkcja liniowa Wyjście y y = S ( x i * w i )

7 NEURON LINIOWY Wejścia X 1 Wagi w 1 Blok sumujący Wyjście X 2 w 2 S y X 3 w 3 y = S ( x i * w i )

8 ZASADA DZIAŁANIA NEURONU Z FUNKCJĄ SKOKOWĄ (NIELINIOWEGO) Wejścia X 1 Wagi w 1 Blok sumujący Blok aktywacji f Wyjście X 2 w 2 S 0,8 y X 3 w 3 y = f ( S ( x i * w i ))

9 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ Trzy neurony zmysłowe (siatkówki oka żaby) kodują trzy różne reakcje organizmu: Ø odskoczenie (wyprostowanie mięśnia uda) Ø zjadanie (poruszanie mięśnia języka) Ø trawienie (wydzielanie soku żołądkowego). Wzorce muszą zostać rozpoznane tzn., kiedy z siatkówki oka do mózgu przesyłany jest : wzorzec A (bocian), powinien się uaktywnić neuron wyjściowy 1, który aktywuje mięsień uda i sprawia, ze żaba odskakuje; wzorzec B (mucha), to powinien się uaktywnić neuron wyjściowy 3 pobudzający mięsień języka. widok błękitnego nieba na siatkówce uaktywnia się wzorzec C, to wtedy aktywny powinien być neuron 2, którego zadaniem jest stymulacja procesu trawienia. Manfred Spitzer 1996

10 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ A B C

11 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ siatkówka mózg

12 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ BOCIAN mózg 1 0, , ,8

13 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ BOCIAN mózg 1 0, ,8 0 żaba odskakuje 1 0 0,8

14 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ MUCHA mózg 0 0, , ,8 1

15 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ MUCHA mózg 0 0, , ,8 1

16 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ MUCHA mózg 0 0, ,8 0,8 0 żaba wyciągnęła język i zjadła muchę 1

17 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ NIEBO mózg 1 0, , ,8

18 PROSTY PRZYKŁAD DZIAŁANIA SIECI NEURONOWEJ NIEBO mózg 1 0, , ,8 żaba trawi

19

20

21

22

23 x 2 = -w 1 /w 2 b/w 2 BIAS x 2 = -w 1 /w 2 + /w 2 PRÓG

24 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU NIELINIOWEGO (Z FUNKCJĄ SKOKOWĄ)

25

26 0 1 DYSKRYMINACJA LINIOWA 1 1 x x 1 1 0

27 POWIERZCHNIA ODPOWIEDZI 1 y x 1 x 2 1 0

28 NEURON LINIOWY

29 NEURON LINIOWY

30 NEURON LINIOWY X W y = cos

31 SIEĆ LINIOWA

32 LINIOWA SIEĆ NEURONOWA W W 2 X P Y X Y P = W 1 X W 1 Y = W 2 P Y = W 2 W 1 X W = W 2 W 1 Y = W X Sieć liniowa z zasady nie posiada warstw ukrytych, bo nawet jeśli się je wprowadzi, to nie wzbogacą one zachowania sieci

33 ADALINE ( ADAptive LINear Element ) = z - y Reguła WIDROW-HOFFA W = W + X - szybkość uczenia albo obliczamy wynik stosując pseudoinwersję macierzy W W = Z X -1 bo Z = W X

34 REGUŁA WIDROW-HOFFA W = W + X > = 0 = z - y > = 0 z y > = 0 z > y czyli odpowiedź sieci jest ZA MAŁA 2 < 1 X 1 2 W W cos 2 > cos 1 y 2 > y 1

35 REGUŁA WIDROW-HOFFA W = W + X > = 0 = z - y < = 0 z y < = 0 z < y czyli odpowiedź sieci jest ZA DUŻA 2 > 1 X 1 2 W cos 2 < cos 1 W y 2 < y 1

36 PROCES UCZENIA matematyczne aspekty CIĄG UCZĄCY

37 PROCES UCZENIA matematyczne aspekty reguła DELTA zastosowana w j+1 kroku W (j+1) = W (j) + (j) (j) X (j) BŁĄD UCZENIA (j) = z (j) - y (j) ODPOWIEDŹ SIECI y (j) = W (j) * X (j)

38 CEL UCZENIA OPTYMALIZACJA WAG ZGODNOŚĆ ODPOWIEDZI NEURONU Z WYMAGANYMI WARTOŚCIAMI TZN. MINIMALIZACJA FUNKCJI BŁĘDU CZYLI PEWNEJ FUNKCJI KRYTERIALNEJ: N Q = ½ S (z (j) - y (j) ) 2 j=1 N Q = S Q (j) j=1 j numer elementu uczącego gdzie Q (j) = ½ (z (j) - y (j) ) 2

39 - szukanie minimum metodą gradientową Q = Q (W) w i w i = D w i = - Q (j) w i Q (j) w i = Q (j) y (j) y (j) w i Q (j) = y (j) (½ (z (j) - y (j) ) 2 ) y (j) = - (z (j) - y (j) ) = - (j)

40 - Q (j) = y i (½ (z (j) - y (j) ) 2 ) = - (z (j) - y (j) ) = - (j) y i y (j) w i (S x k w k ) (j) = = x (j) i w i Q (j) D w i = - wi = - (- (j) )x i (j) = (j) x i (j) co należało wykazać

41 MADALINE (Many ADAptive LINear Elements Many ADALINEs )

42 MADALINE (Many ADAptive LINear Elements Many ADALINEs ) REGUŁA WIDROW - HOFFA

43 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU LINIOWEGO Ta sieć przybliża funkcję AND przy pomocy regresji liniowej

44 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU LINIOWEGO 0,75 0,25 NEURON LINIOWY WYTWARZA W ODPOWIEDZI PŁASZCZYZNĘ 0,25-0,25

45 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU SKOKOWEGO 1 POWIERZCHNIA ODPOWIEDZI y 0, x 1 x 2 1 0

46 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU SKOKOWEGO RZUT POWIERZCHNIA ODPOWIEDZI NA PŁASZCZYZNĘ X 1 X 2 x x 1 1 0

47 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU NIELINIOWEGO LOGISTYCZNEGO (SIGMOIDY) (z dowolną dokładnością)

48 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU LOGISTYCZNEGO (SIGMOIDY y POWIERZCHNIA ODPOWIEDZI x 1 x 2

49 0 0 ROZWIĄZANIE PROBLEMU AND PRZY POMOCY NEURONU LOGISTYCZNEGO (SIGMOIDY 0 1 odpowiedź RZUT POWIERZCHNI ODPOWIEDZI NA PŁĄSZCZYZNĘ X 1 X 2 x 1 x 2 1 0

Metody Sztucznej Inteligencji II

Metody Sztucznej Inteligencji II 17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału

Bardziej szczegółowo

Podstawy sztucznej inteligencji

Podstawy sztucznej inteligencji wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,

Bardziej szczegółowo

Obliczenia Naturalne - Sztuczne sieci neuronowe

Obliczenia Naturalne - Sztuczne sieci neuronowe Literatura Wprowadzenie Obliczenia Naturalne - Sztuczne sieci neuronowe Paweł Paduch Politechnika Świętokrzyska 13 marca 2014 Paweł Paduch Obliczenia Naturalne - Sztuczne sieci neuronowe 1 z 43 Plan wykładu

Bardziej szczegółowo

Inteligentne systemy informacyjne

Inteligentne systemy informacyjne Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz

Bardziej szczegółowo

MODELOWANIE RZECZYWISTOŚCI

MODELOWANIE RZECZYWISTOŚCI MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe Sztuczne sieci neuronowe Paweł Bęczkowski ETI 9.1 1 Czym określamy sztuczną sieć neuronową Sieć neuronowa (sztuczna sieć neuronowa) to ogólna nazwa struktur matematycznych i ich programowych lub sprzętowych

Bardziej szczegółowo

BIOCYBERNETYKA SIECI NEURONOWE. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.

BIOCYBERNETYKA SIECI NEURONOWE. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej. Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk SIECI NEURONOWE www.agh.edu.pl Mózg inspiruje nas od wieków Co takiego

Bardziej szczegółowo

Budowa i zróżnicowanie neuronów - elektrofizjologia neuronu

Budowa i zróżnicowanie neuronów - elektrofizjologia neuronu Budowa i zróżnicowanie neuronów - elektrofizjologia neuronu Neuron jest podstawową jednostką przetwarzania informacji w mózgu. Sygnał biegnie w nim w kierunku od dendrytów, poprzez akson, do synaps. Neuron

Bardziej szczegółowo

8. Neuron z ciągłą funkcją aktywacji.

8. Neuron z ciągłą funkcją aktywacji. 8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i

Bardziej szczegółowo

SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH. Jakub Karbowski Gimnazjum nr 17 w Krakowie

SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH. Jakub Karbowski Gimnazjum nr 17 w Krakowie SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH Jakub Karbowski Gimnazjum nr 17 w Krakowie KRAKÓW 2017 1. Spis treści 2. WSTĘP 2 3. SIECI NEURONOWE 2 3.1. Co to są sieci neuronowe... 2

Bardziej szczegółowo

Podstawy sztucznej inteligencji

Podstawy sztucznej inteligencji wykład 5 Sztuczne sieci neuronowe (SSN) 28 listopad 2012 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 5 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest

Bardziej szczegółowo

Sieci neuronowe jako przykład współczesnej technologii informatycznej

Sieci neuronowe jako przykład współczesnej technologii informatycznej Maciej Roszkowski Sieci neuronowe jako przykład współczesnej technologii informatycznej Sieci neuronowe są technologią sztucznej inteligencji, trochę zapomnianą we współczesnym świecie. Współczesny ogólnie

Bardziej szczegółowo

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 1 2 SZTUCZNE SIECI NEURONOWE HISTORIA SSN 3 Walter Pitts, Warren McCulloch (1943) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich

Bardziej szczegółowo

SZTUCZNE SIECI NEURONOWE

SZTUCZNE SIECI NEURONOWE METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 SZTUCZNE SIECI NEURONOWE HISTORIA SSN Walter Pitts, Warren McCulloch (94) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich wynalazek

Bardziej szczegółowo

Droga impulsu nerwowego w organizmie człowieka

Droga impulsu nerwowego w organizmie człowieka Droga impulsu nerwowego w organizmie człowieka Impuls nerwowy Impuls nerwowy jest zjawiskiem elektrycznym zachodzącym na powierzchni komórki nerwowej i pełni podstawową rolę w przekazywaniu informacji

Bardziej szczegółowo

Badacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe.

Badacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe. Naśladując w komputerze ludzki mózg staramy się połączyć zalety komputera (dostępność i szybkość działania) z zaletami mózgu (zdolność do uczenia się) informatyka + 2 Badacze zbudowali wiele systemów technicznych,

Bardziej szczegółowo

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe)

Bardziej szczegółowo

Sieci neuronowe w Statistica

Sieci 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 szczegółowo

Elementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2

Elementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2 Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe cz. 2 1 Plan wykładu Uczenie bez nauczyciela (nienadzorowane). Sieci Kohonena (konkurencyjna) Sieć ze sprzężeniem zwrotnym Hopfielda. 2 Cechy uczenia

Bardziej szczegółowo

Sieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ

Sieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów

Bardziej szczegółowo

Wstęp. Spis treści. Krótka historia sztucznych sieci neuronowych. powrót

Wstęp. Spis treści. Krótka historia sztucznych sieci neuronowych. powrót powrót Spis treści 1 Wstęp 1.1 Krótka historia sztucznych sieci neuronowych 1.2 Ogólne spojrzenie na sieci neuronowe 1.3 Ogólne cechy sieci neuronowych 1.4 Sieci w technice 1.5 Kierunki badań i zastosowań

Bardziej szczegółowo

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału

Bardziej szczegółowo

Błona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne

Błona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne Błona komórkowa grubość od 50 do 100 A Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne napięcie elektryczne, zwane napięciem na błonie. Różnica potencjałów to ok.

Bardziej szczegółowo

Sztuczne siei neuronowe - wprowadzenie

Sztuczne siei neuronowe - wprowadzenie Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 2 Sztuczne siei neuronowe - wprowadzenie Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika Poznańska Poznań, 2 Wstęp

Bardziej szczegółowo

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych Sztuczne sieci neuronowe i algorytmy genetyczne Artykuł pobrano ze strony eioba.pl SPIS TREŚCI 1. ARCHITEKTURY, ALGORYTMY UCZENIA I PROJEKTOWANIE SIECI NEURONOWYCH 1.1. HISTORIA ROZWOJU SZTUCZNYCH SIECI

Bardziej szczegółowo

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe wykład 1. Właściwości sieci neuronowych Model matematyczny sztucznego neuronu Rodzaje sieci neuronowych Przegląd d głównych g

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega

Bardziej szczegółowo

SIECI RBF (RADIAL BASIS FUNCTIONS)

SIECI RBF (RADIAL BASIS FUNCTIONS) SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO ROZPOZNAWANIA OBRAZÓW

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO ROZPOZNAWANIA OBRAZÓW Studia i Materiały Informatyki Stosowanej, Tom 2, Nr 3, 2010 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO ROZPOZNAWANIA OBRAZÓW Wojciech Dobrosielski Uniwersytet Kazimierza Wielkiego Instytut Techniki

Bardziej szczegółowo

Budowa i funkcje komórek nerwowych

Budowa i funkcje komórek nerwowych Budowa i funkcje komórek nerwowych Fizjologia Komórki nerwowe neurony w organizmie człowieka około 30 mld w większości skupione w ośrodkowym układzie nerwowym podstawowa funkcja przekazywanie informacji

Bardziej szczegółowo

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU HALO, NEURON. ZGŁOŚ SIĘ.

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU HALO, NEURON. ZGŁOŚ SIĘ. SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU HALO, NEURON. ZGŁOŚ SIĘ. SPIS TREŚCI: I. Wprowadzenie. II. Części lekcji. 1. Część wstępna. 2. Część realizacji. 3. Część podsumowująca. III. Karty pracy.

Bardziej szczegółowo

Tkanka nerwowa. Komórki: komórki nerwowe (neurony) sygnalizacja komórki neurogleju (glejowe) ochrona, wspomaganie

Tkanka nerwowa. Komórki: komórki nerwowe (neurony) sygnalizacja komórki neurogleju (glejowe) ochrona, wspomaganie Komórki: komórki nerwowe (neurony) sygnalizacja komórki neurogleju (glejowe) ochrona, wspomaganie Tkanka nerwowa Substancja międzykomórkowa: prawie nieobecna (blaszki podstawne) pobudliwość przewodnictwo

Bardziej szczegółowo

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu

Bardziej szczegółowo

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XI: Sztuczne sieci neuronowe

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XI: Sztuczne sieci neuronowe Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD XI: Sztuczne sieci neuronowe [pattern associator], PA struktura: Sieci kojarzące wzorce programowanie: wyjście jednostki = aktywacji sieciowej (N)

Bardziej szczegółowo

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI

Bardziej szczegółowo

Wstęp do teorii sztucznej inteligencji

Wstęp do teorii sztucznej inteligencji Wstęp do teorii sztucznej inteligencji Wykład V Algorytmy uczenia SSN Modele sieci neuronowych. SSN = Architektura + Algorytm Wagi i wejścia dla sieci neuronuowej: reprezentacja macierzowa δ i = z i y

Bardziej szczegółowo

Sztuczne Sieci Neuronowe

Sztuczne Sieci Neuronowe Sztuczne Sieci Neuronowe Wykład 1 Wprowadzenie do tematyki Sztucznych Sieci Neuronowych (SSN) wykład przygotowany wg. W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz, Sieci Neuronowe, Rozdz. 1. Biocybernetyka

Bardziej szczegółowo

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej

Bardziej szczegółowo

Przetwarzanie danych i rozwiązywanie problemów

Przetwarzanie danych i rozwiązywanie problemów Przetwarzanie danych i rozwiązywanie problemów Jak to robi komputer? 1. pobierz instrukcję z pamięci 2. pobierz z pamięci konieczne dane 3. wykonaj instrukcję 4. zapamiętaj wynik 5. Przejdź do 1. Instrukcje

Bardziej szczegółowo

SIECI NEURONOWE Wprowadzenie

SIECI NEURONOWE Wprowadzenie SIECI NEURONOWE Wprowadzenie JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA WYKŁADOWCA JOANNA GRABSKA CHRZĄSTOWSKA KATEDRA

Bardziej szczegółowo

Systemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016

Systemy 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 szczegółowo

Wstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych

Wstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Wstęp do kognitywistyki Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Epistemologia eksperymentalna W. McCulloch: Wszystko, czego dowiadujemy się o organizmach wiedzie nas do wniosku, iż nie są

Bardziej szczegółowo

Deep Learning na przykładzie Deep Belief Networks

Deep Learning na przykładzie Deep Belief Networks Deep Learning na przykładzie Deep Belief Networks Jan Karwowski Zakład Sztucznej Inteligencji i Metod Obliczeniowych Wydział Matematyki i Nauk Informacyjnych PW 20 V 2014 Jan Karwowski (MiNI) Deep Learning

Bardziej szczegółowo

PROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH

PROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH Michał Sarapata Uniwersytet Ekonomiczny w Katowicach PROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH Wprowadzenie Kluczową kwestią w procesie podejmowania

Bardziej szczegółowo

Daniel Kierepka. Kompresja obrazów za pomoc sztucznych sieci neuronowych

Daniel Kierepka. Kompresja obrazów za pomoc sztucznych sieci neuronowych Daniel Kierepka Kompresja obrazów za pomoc sztucznych sieci neuronowych We współczesnym wiecie do duym problemem jest przesyłanie danych o znacznej wielkoci w sieciach telekomunikacyjnych. W tej pracy

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

Podręcznik. Mosty Królewca

Podręcznik. Mosty Królewca MODELOWNIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PN d.wojcik@nencki.gov.pl tel. 5892 424 http://www.neuroinf.pl/members/danek/swps/ Iwo Białynicki-Birula Iwona Białynicka-Birula

Bardziej szczegółowo

WSTĘP DO INFORMATYKI SIECI NEURONOWE I SZTUCZNA INTELIGENCJA wykład

WSTĘP DO INFORMATYKI SIECI NEURONOWE I SZTUCZNA INTELIGENCJA wykład WSTĘP DO INFORMATYKI SIECI NEURONOWE I SZTUCZNA INTELIGENCJA wykład Adrian Horzyk Web: http://home.agh.edu.pl/~horzyk/ E-mail: horzyk@agh.edu.pl Google: Adrian Horzyk, Gabinet: paw. C3p. 205 Akademia Górniczo-Hutniacza

Bardziej szczegółowo

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica. Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural

Bardziej szczegółowo

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Jarosław Piersa piersaj(at)mat.uni.torun.pl Abstrakt Poniższy referat dotyczy zagadnień uczenia w sieciach neuronowych i bayesowskich(sieciach

Bardziej szczegółowo

Przykładowa prezentacja

Przykładowa prezentacja Przykładowa prezentacja Teodor Niżyński 1 1 Department of Automatics, Mechatronics and Control Systems Faculty of Electronics Wrocław University of Technology December 5, 2016 1 / 19 T. Niżyński Przykładowa

Bardziej szczegółowo

Sieci Neuronowe. Liniowe Sieci Neuronowe

Sieci Neuronowe. Liniowe Sieci Neuronowe Sieci Neuronowe Liniowe Sieci Neuronowe Paweł KrzyŜanowski ETI 9.4 Sieci Liniowe Sieci liniowe, znane w literaturze pod nazwami ADALINE i MADALINE są najprostsze w budowie, a równocześnie są w wielu wypadkach

Bardziej szczegółowo

Politechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2013/2014

Politechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2013/2014 Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Mechaniczny obowiązuje studentów rozpoczynających studia w roku akademickim 013/014 Kierunek studiów: Inżynieria Biomedyczna Forma

Bardziej szczegółowo

Zadanie 2.: Perceptron wielowarstwowy

Zadanie 2.: Perceptron wielowarstwowy Informatyka, studia dzienne, inż. I st. semestr VI Inteligentna Analiza Danych 21/211 Prowadzący: dr inż. Arkadiusz Tomczyk wtotek, 8:3 Data oddania: Ocena: Marek Rogalski 15982 Paweł Tarasiuk 15121 Zadanie

Bardziej szczegółowo

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Patryk DUŃSKI Wydział Informatyki, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie E mail: pdunski@wi.zut.edu.pl Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Streszczenie:

Bardziej szczegółowo

Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie

Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja

Bardziej szczegółowo

Sztuczne 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 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 szczegółowo

Wprowadzenie do uczenia maszynowego

Wprowadzenie do uczenia maszynowego Wprowadzenie do uczenia maszynowego Agnieszka Ławrynowicz 12 stycznia 2017 Co to jest uczenie maszynowe? dziedzina nauki, która zajmuje się sprawianiem aby komputery mogły uczyć się bez ich zaprogramowania

Bardziej szczegółowo

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska The brain - that's my second most favourite organ! - Woody Allen Sieci neuronowe - wprowadzenie Agnieszka Nowak - Brzezińska Klasyfikacja danych Klasyfikacja danych to jedno z podstawowych zadań wykonywanych

Bardziej szczegółowo

Praktyczne informacje o sieciach neuronowych. Elżbieta Dłubis. Państwowa Wyższa Szkoła Zawodowa w Chełmie

Praktyczne informacje o sieciach neuronowych. Elżbieta Dłubis. Państwowa Wyższa Szkoła Zawodowa w Chełmie Praktyczne informacje o sieciach neuronowych Elżbieta Dłubis Państwowa Wyższa Szkoła Zawodowa w Chełmie Wiedza o sieciach neuronowych zaczęła się od fascynacji mózgiem narządem (..), którego możliwości

Bardziej szczegółowo

Zastosowanie sieci Kohonena do klasyfikacji próbek węgla kamiennego wg PN-54/G

Zastosowanie sieci Kohonena do klasyfikacji próbek węgla kamiennego wg PN-54/G Jarosław Bielak Zastosowanie sieci Kohonena do klasyfikacji próbek węgla kamiennego wg PN-54/G-97 002 Streszczenie Sieci neuronowe Kohonena są układami mającymi zdolność przeprowadzania, bez korekty zewnętrznej,

Bardziej szczegółowo

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU DOBRZE MIEĆ O(G)LEJ W GŁOWIE. O KOMÓRKACH UKŁADU NERWOWEGO.

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU DOBRZE MIEĆ O(G)LEJ W GŁOWIE. O KOMÓRKACH UKŁADU NERWOWEGO. SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU DOBRZE MIEĆ O(G)LEJ W GŁOWIE. O KOMÓRKACH UKŁADU NERWOWEGO. SPIS TREŚCI: I. Wprowadzenie. II. Części lekcji. 1. Część wstępna. 2. Część realizacji. 3.

Bardziej szczegółowo

Metody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów

Metody klasyfikacji i rozpoznawania wzorców.  Najważniejsze rodzaje klasyfikatorów Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline. Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 13-1- Projekt pn. Wzmocnienie potencjału dydaktycznego

Bardziej szczegółowo

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1.

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1. Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki Mateusz Błażej Nr albumu: 130366 Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od

Bardziej szczegółowo

Prof. Stanisław Jankowski

Prof. Stanisław Jankowski Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny

Bardziej szczegółowo

Sen i czuwanie rozdział 9. Zaburzenia mechanizmów kontroli ruchowej rozdział 8

Sen i czuwanie rozdział 9. Zaburzenia mechanizmów kontroli ruchowej rozdział 8 Sen i czuwanie rozdział 9 Zaburzenia mechanizmów kontroli ruchowej rozdział 8 SEN I CZUWANIE SEN I RYTMY OKOŁODOBOWE FAZY SNU CHARAKTERYSTYKA INDUKOWANIE SNU MECHANIZM I STRUKTURY MÓZGOWE RYTMY OKOŁODOBOWE

Bardziej szczegółowo

Przykładowe funkcje przejścia używane przy budowie sztucznych neuronów

Przykładowe funkcje przejścia używane przy budowie sztucznych neuronów Przykładowe funkcje przejścia używane przy budowie sztucznych neuronów Funkcja Wzór funkcji Wzór pochodnej Sigmoida f(s)=1/(1+e -(β*s) ) f (s)=β*(1- f(s))* f(s) Funkcje przejścia neuronu powinno się rozpatrywać

Bardziej szczegółowo

Algorytmy przeszukiwania w zastosowaniu do perceptrona wielowarstwowego

Algorytmy przeszukiwania w zastosowaniu do perceptrona wielowarstwowego Algorytmy przeszukiwania w zastosowaniu do perceptrona wielowarstwowego Mirosław Kordos Autoreferat rozprawy doktorskiej promotor: prof. dr hab. Włodzisław Duch Politechnika Śląska Wydział Automatyki,

Bardziej szczegółowo

Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie. Joanna Palczewska. 1. Wprowadzenie

Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie. Joanna Palczewska. 1. Wprowadzenie Zeszyty Naukowe nr 740 Akademii Ekonomicznej w Krakowie 2007 Studium Doktoranckie Wydzia u Zarzàdzania Mo liwoêci zastosowania modelu jednokierunkowej sieci neuronowej do prognozowania sygna ów kupna i

Bardziej szczegółowo

Dr inż. Marta Kamińska

Dr inż. Marta Kamińska Wykład 4 Nowe techniki i technologie dla medycyny Czynność bioelektryczna organizmu ludzkiego Dr inż. Marta Kamińska Wykład 4 Układ nerwowy Układ nerwowy zapewnia łączność organizmu ze światem zewnętrznym,

Bardziej szczegółowo

ZASTOSOWANIA SIECI NEURONOWYCH

ZASTOSOWANIA SIECI NEURONOWYCH SN... 1 DZIEJE BADA¼ NAD SIECIAMI NEURONOWYMI - równoleg»y sposób przetwarzania informacji - 1957 : Perceptron, Cornell Aeronautical Laboratory (uk»ad elektromechaniczny do rozpoznawania znaków) 8 komórek,

Bardziej szczegółowo

BIOLOGICZNE MECHANIZMY ZACHOWANIA II JĄDRA PODSTAWY KRESOMÓZGOWIA I KONTROLA RUCHOWA

BIOLOGICZNE MECHANIZMY ZACHOWANIA II JĄDRA PODSTAWY KRESOMÓZGOWIA I KONTROLA RUCHOWA BIOLOGICZNE MECHANIZMY ZACHOWANIA II JĄDRA PODSTAWY KRESOMÓZGOWIA I KONTROLA RUCHOWA MECHANIZMY KONTROLI RUCHOWEJ SYSTEMY ZSTĘPUJĄCE Korowe ośrodki motoryczne Kora motoryczna (planowanie, inicjacja i kierowanie

Bardziej szczegółowo

Nieeuklidesowe sieci neuronowe

Nieeuklidesowe sieci neuronowe Uniwersytet Mikołaja Kopernika Wydział Fizyki, Astronomii i Informatyki Stosowanej Katedra Informatyki Stosowanej Helena Jurkiewicz numer albumu: 177622 Praca magisterska na kierunku fizyka komputerowa

Bardziej szczegółowo

Jeśli X jest przestrzenią o nieskończonej liczbie elementów:

Jeśli X jest przestrzenią o nieskończonej liczbie elementów: Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów

Bardziej szczegółowo

1 3

1 3 1 3 1 3 1 3 ؽ ؽ ؽ ؽ 0 4 ؽ 1 3 0 7 0 7 0 1 1 3 0 3 0 1 0 1 0 1 1 3 0 1 1 3 1 3 0 1 0 1 0 7 0 1 1 3 0 3 0 1 0 1 0 1 0 1 0 1 0 1 1 3 0 3 0 1 0 1 1 3 1 3 0 1 0 1 0 1 1 3 0 1 0 1 ؽ ؽ 1 3 0 1 0 1 0 1

Bardziej szczegółowo

Wewnętrzne reprezentacje sieci neuronowych

Wewnętrzne reprezentacje sieci neuronowych Uniwersytet Mikołaja Kopernika Wydział Fizyki, Astronomii i Informatyki Stosowanej Katedra Informatyki Stosowanej Dariusz Górski nr albumu: 177779 Praca magisterska na kierunku Fizyka Techniczna, specjalność

Bardziej szczegółowo

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie minimalizacji bez ograniczeń f(ˆx) = min x R nf(x) f : R n R funkcja ograniczona z dołu Algorytm rozwiazywania Rekurencyjny

Bardziej szczegółowo

Przykład optymalizacji struktury sztucznej sieci neuronowej metodą algorytmów genetycznych

Przykład 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 szczegółowo

Neurodydaktyka - rewolucja czy rozsądek? Dr n.med.tomasz Srebnicki

Neurodydaktyka - rewolucja czy rozsądek? Dr n.med.tomasz Srebnicki Neurodydaktyka - rewolucja czy rozsądek? Dr n.med.tomasz Srebnicki Jak świat światem, nikt nikogo niczego nie nauczył. Można tylko się nauczyć. Nikt z nas nie został nauczony chodzenia, my nauczyliśmy

Bardziej szczegółowo

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74 3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15

Bardziej szczegółowo

Neurologia dla studentów wydziału pielęgniarstwa. Bożena Adamkiewicz Andrzej Głąbiński Andrzej Klimek

Neurologia dla studentów wydziału pielęgniarstwa. Bożena Adamkiewicz Andrzej Głąbiński Andrzej Klimek Neurologia dla studentów wydziału pielęgniarstwa Bożena Adamkiewicz Andrzej Głąbiński Andrzej Klimek Spis treści Wstęp... 7 Część I. Wiadomości ogólne... 9 1. Podstawy struktury i funkcji układu nerwowego...

Bardziej szczegółowo

Fizjologia człowieka

Fizjologia człowieka Akademia Wychowania Fizycznego i Sportu w Gdańsku Katedra: Promocji Zdrowia Zakład: Biomedycznych Podstaw Zdrowia Fizjologia człowieka Osoby prowadzące przedmiot: Prof. nadzw. dr hab. Zbigniew Jastrzębski

Bardziej szczegółowo

Sieci neuronowe model konekcjonistyczny

Sieci neuronowe model konekcjonistyczny Sieci neurnwe mdel knekcjnistyczny Plan wykładu Mózg ludzki a kmputer Mdele knekcjnistycze Perceptrn Sieć neurnwa Sieci Hpfielda Mózg ludzki a kmputer Twój mózg t kmórek, 3 2 kilmetrów przewdów i (biliard)

Bardziej szczegółowo

Zmysły chemiczne i ich rola w żywieniu

Zmysły chemiczne i ich rola w żywieniu Nina Baryłko-Pikielna Zmysły chemiczne i ich rola w żywieniu Wszechnica Żywnienia 18.11.2009 Czym są zmysły chemiczne (chemorecepcyjne)? Czym różnią się od innych zmysłów? Zmysły - bodźce - receptory -

Bardziej szczegółowo

TEST - BIOLOGIA WERONIKA GMURCZYK

TEST - BIOLOGIA WERONIKA GMURCZYK TEST - BIOLOGIA WERONIKA GMURCZYK Temat: Układ nerwowy i hormonalny Zadanie 1. Zaznacz poprawną odpowiedź. Co to są hormony? a) związki chemiczne wytwarzane w gruczołach łojowych, które regulują pracę

Bardziej szczegółowo

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski Sieci neuronowe - wprowadzenie - Istota inteligencji WYKŁAD Piotr Ciskowski na dobry początek: www.mql4.com - championship 2007 - winners of the ATC 2007 - the ATC 2007 is over forex-pamm.com na dobry

Bardziej szczegółowo

Opracowanie modelu matryc mikroelektrodowych oraz układu scalonego do elektrycznej stymulacji żywych sieci neuronowych

Opracowanie modelu matryc mikroelektrodowych oraz układu scalonego do elektrycznej stymulacji żywych sieci neuronowych Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Wydział Fizyki i Informatyki Stosowanej Zakład Elektroniki Jądrowej Rozprawa doktorska Opracowanie modelu matryc mikroelektrodowych oraz układu

Bardziej szczegółowo

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska

Sieci neuronowe - wprowadzenie. Agnieszka Nowak - Brzezińska The brain - that's my second most favourite organ! - Woody Allen Sieci neuronowe - wprowadzenie Agnieszka Nowak - Brzezińska Klasyfikacja danych Klasyfikacja danych to jedno z podstawowych zadań wykonywanych

Bardziej szczegółowo

Liczba godzin Punkty ECTS Sposób zaliczenia

Liczba godzin Punkty ECTS Sposób zaliczenia Wydział: Psychologia Nazwa kierunku kształcenia: Psychologia Rodzaj przedmiotu: podstawowy Opiekun: prof. dr hab. Jan Matysiak Poziom studiów (I lub II stopnia): Jednolite magisterskie Tryb studiów: Stacjonarne

Bardziej szczegółowo

ZASTOSOWANIE SIECI NEURONOWYCH

ZASTOSOWANIE SIECI NEURONOWYCH Państwowa Wyższa Szkoła Zawodowa w Tarnobrzegu ZASTOSOWANIE SIECI NEURONOWYCH OPRACOWANIE: Małgorzata Skulska Monika Skulska Łukasz Makowski TARNOBRZEG 2003 STRESZCZENIE Myślą przewodnią tego opracowania

Bardziej szczegółowo

Automatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010

Automatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010 Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie

Bardziej szczegółowo

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych. Neural networks Lecture Notes n Pattern Recognton by W.Dzwnel Krótka hstora McCulloch Ptts (1943) - perwszy matematyczny ops dzalana neuronu przetwarzana przez nego danych. Proste neurony, które mogly

Bardziej szczegółowo

Homeostaza. Regulacja hormonalna i nerwowa środowiska wewnętrznego. Rozwój odporności organizmu

Homeostaza. Regulacja hormonalna i nerwowa środowiska wewnętrznego. Rozwój odporności organizmu Homeostaza. Regulacja hormonalna i nerwowa środowiska wewnętrznego. Rozwój odporności organizmu HOMEOSTAZA zdolność do utrzymywania stałości środowiska wewnętrznego ustroju, mimo zmian zachodzących w środowisku

Bardziej szczegółowo

Jakość uczenia i generalizacja

Jakość uczenia i generalizacja Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które

Bardziej szczegółowo

Zastosowanie 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 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 szczegółowo

FIZJOLOGIA ZWIERZĄT prof. dr hab. Krystyna Skwarło-Sońta rok akad. 2012/2013

FIZJOLOGIA ZWIERZĄT prof. dr hab. Krystyna Skwarło-Sońta rok akad. 2012/2013 FIZJOLOGIA ZWIERZĄT prof. dr hab. Krystyna Skwarło-Sońta rok akad. 2012/2013 CZYNNIKI ŚRODOWISKOWE Zmieniająca się w ciągu roku długość dnia i nocy (fotoperiod), wyznacza sezonowość zmian pozostałych czynników:

Bardziej szczegółowo

Data utworzenia :30 Anna M. Czarnecka. 1. Budowa komórki nerwowej:

Data utworzenia :30 Anna M. Czarnecka. 1. Budowa komórki nerwowej: 1. Budowa komórki nerwowej: Neurony są zróżnicowane morfologicznie i czynnościowe. Różnice dotyczą przede wszystkim kierunku przenoszenia informacji w układzie nerwowym i długości aksonów: a) Jednobiegunowa

Bardziej szczegółowo

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np.

Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona) f(x) = 0, gdzie. dla n=2 np. Układy równań nieliniowych (wielowymiarowa metoda Newtona-Raphsona f(x 0, f ( f, f,..., f n gdzie 2 x ( x, x 2,..., x n dla n2 np. f ( x, y 0 g( x, y 0 dla każdej wielowymiarowej rozwinięcie w szereg Taylora

Bardziej szczegółowo