Wykorzystanie sieci neuronowych do przewidywania zachowań ludzi w systemach automatyki
|
|
- Wojciech Góra
- 8 lat temu
- Przeglądów:
Transkrypt
1 Ryszard Tadeusiewicz Wykorzystanie sieci neuronowych do przewidywania zachowań ludzi w systemach automatyki Niniejszy referat, prezentowany na XIV Konferencji Automatyków dowodzi, że czasem rozwój pewnych aktywności, także badań naukowych, przebiega wzdłuż swoistej spirali. Oznacza to, że po przebyciu długiej drogi powraca się do zagadnień, które już wcześniej były rozważane, ale dyskutuje się je na zupełnie nowym poziomie. Tak jest właśnie z tym referatem. Jeśli ktoś ma dobrą pamięć i był związany z konferencją w Rytrze przez te wszystkie lata, to przypomni sobie zapewne, że na pierwszej Konferencji z tej serii także był prezentowany referat o sieciach neuronowych (Tadeusiewicz R.: Sieci neuronowe jako nowe narzędzie automatyki i informatyki. W materiałach "Konferencji Automatyków", Rytro, ,1997). Referat zaprezentowany w tym roku ma jednak wyraźnie odmienny zakres tematyczny a więc jest rzeczywiście powrotem do tej samej tematyki ale na zupełnie innym poziomie. Typowe zastosowania sieci neuronowych wiążą się z modelowaniem różnych systemów i różnych procesów, przy czym na Konferencjach Automatyków w naturalny sposób interesujące są model systemów i procesów związanych z automatyką i sterowaniem a także metrologią i teletransmisją danych. Jak wiadomo mając model jakiegoś systemu albo procesu możemy osiągać wiele celów (rys. 1). Rys. 1. Korzyści techniczne pochodzące z posiadania modelu określonego systemu Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do... str. 1
2 Można korzystać z modelu podczas projektowania zmian i modyfikacji w istniejącym systemie lub przy tworzeniu całkiem nowych systemów. Można opierać się na modelu podczas sterowania wybranego procesu. Można korzystać z modelu gdy trzeba prowadzić kontrolę i monitoring systemu. Model bywa bardzo przydatny przy diagnozowaniu ewentualnych usterek lub awarii w systemie. Model można także wykorzystywać jako narzędzie prognostyczne. Ten ostatni wątek będzie w tej pracy szerzej dyskutowany w dosyć specyficznym kontekście. Jak wiadomo model dowolnego systemu można zbudować na dwa sposoby (patrz rys. 2): albo odwzorowując w modelu znane zależności opisujące modelowany system w kategoriach przyczynowo skutkowych z dokładnym odwzorowaniem struktury wewnętrznej i procesów zachodzących w modelowanym systemie albo tworząc model behawioralny, którego wewnętrzna struktura absolutnie nie aspiruje do tego, żeby odwzorowywać strukturę badanego systemu ale który zachowuje się dokładnie tak, jak badany system, w związku z czym umożliwia skuteczne przewidywanie na przykład skutków określonego sterowania. Dla celów automatyki ten drugi rodzaj modelu zwykle bywa wystarczający. Rys. 2. Dwa rodzaje modeli możliwych do użycia w automatyce Jednym z najlepszych narzędzi do budowy modeli rozmaitych systemów są niewątpliwie sieci neuronowe. Ich zaletą jest fakt, że przy tworzenia modelu dowolnego systemu nie wymagają żadnych założeń teoretycznych, żadnych opisów formalnych, nawet praca programisty nie jest potrzebna. Dzieje się tak, gdyż model neuronowy (działający i wykazujący się często bardzo dobrymi właściwościami w sensie zgodności zachowania modelu i rzeczywistego obiektu) powstaje w wyniku procesu automatycznego uczenia, polegającego wyłącznie na obserwacji koincydencji sygnałów wejściowych i wyjściowych pojawiających się podczas normalnej eksploatacji obiektu (Rys. 3). str. 2 Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do...
3 Rys. 3. Tworzenie z pomocą sieci neuronowej modelu rzeczywistego obiektu Model, który w ten sposób powstaje, może być łatwo wykorzystany w praktyce na tej zasadzie, że gdy w strukturze sieci zostanie już zgromadzona odpowiednia wiedza (ulokowana w sieci neuronowej w tak zwanych wagach synaptycznych) to wystarczy na wejście sieci podać sygnał reprezentujący dane zadania do rozwiązania a sieć korzystając z tej nabytej wiedzy znajdzie rozwiązanie (Rys. 4). Rys. 4. Nauczona sieć neuronowa, stanowiąca użyteczne narzędzie obliczeniowe. Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do... str. 3
4 Wyjątkowo miłą cechą sieci neuronowej jest fakt, że przy tworzeniu modelu określonego obiektu nie są wymagane związki przyczynowo skutkowe tylko określona koincydencja sygnałów na wejściu i na wyjściu. W rzeczywistym systemie zawsze określona przyczyna wywołuje określony skutek. Na przykład odpowiednie sterowanie maszyny wywołuje określony skutek (sposób działania maszyny), który można oceniać poprzez pomierzenie określonych parametrów (Rys. 5 górna cześć). Rys. 5. Możliwość używania sieci neuronowej jako modelu odwrotnego Zwykły model zachowuje tę kolejność, to znaczy ma na wejściu odpowiednik sygnału sterującego, a na wyjściu zachowanie modelowanego obiektu wyrażone poprzez jego parametry. Sieć neuronowa nie śledzi jednak zależności przyczynowych tylko koincydencje wejść i wyjść, może więc posłużyć łatwo do wyznaczenia modelu odwrotnego (Rys. 5 dolna część). Wystarczy mianowicie podczas uczenia podawać na jej wejście skutki (parametry opisujące zachowanie sterowanego systemu), a na wyjściu podawać, jakie było aktualne sterowanie. Jeśli proces uczenia przebiegnie poprawnie to sieć powinna nabyć umiejętności odpowiadania na ważne (z praktycznego punktu widzenia!) pytania: jakie należy zastosować sterowanie aby uzyskać określony wyniki, wyrażający się w postaci pożądanych wartości parametrów opisujących zachowanie sterowanego systemu? str. 4 Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do...
5 Oczywiście taka próba budowy modelu odwrotnego przy użyciu sieci neuronowej może się nie powieść. Dzieje się to głównie wtedy, gdy zależność pomiędzy sterowaniem i jego skutkiem jest niemonotoniczna (patrz rys. 6). Rys. 6. Ograniczenia możliwości stosowania sieci neuronowych jako modeli odwrotnych Widoczna na rysunku po lewej stronie charakterystyka sterowania daje szansę na skuteczne zbudowanie modelu odwrotnego, ponieważ zarówno dla zadania wyznaczenia skutku dla zadanego sterowania (niebieskie strzałki) jak i dla zadania znalezienia sterowania zapewniającego określony skutek (zielone strzałki) rozwiązanie jest jednoznaczne. Przy niemonotonicznej charakterystyce sterowania przedstawionej po prawej stronie rysunku sytuacja się jednak komplikuje. Nadal zachowana jest jednoznaczność związku sterowania ze skutkiem, jaki to sterowanie wywołuje (patrz niebieskie strzałki). Natomiast nie jest zachowana jednoznaczność odpowiedzi na pytanie: jakie sterowanie zastosować, żeby uzyskać pewien ustalony skutek (zielone strzałki), gdyż ten sam efekt można uzyskać na wiele sposobów. Ciekawym zastosowaniem sieci neuronowych jest tworzenie modeli prognostycznych. Skoro sieć może zbudować model wiążący dowolne wejścia z dowolnym wyjściem to można spróbować zbudować model neuronowy, w którym przeszłość (czyli zaobserwowany szereg zdarzeń w przeszłości) może posłużyć do tego, żeby odgadnąć przyszłość. Przykładem może być seria notowań kursów określonej waluty. Jeśli wiem, jaki jest na przykład kurs Euro dzisiaj, a także znam zmiany notowań na przestrzeni poprzedniego tygodnia lub miesiąca to mogę spróbować zgadnąć, jaki będzie kurs jutro. W tym modelu rozumowania przejawia się wiara w to, że przeszłość determinuje przyszłość, zaś fakt, że nikt tego związku przeszłości z przyszłością nie jest w stanie ściśle opisać matematycznym wzorem nie stanowi żadnej przeszkody dla sieci neuronowej, gdyż ona takiego formalnego opisu budowanego modelu po prostu nie potrzebuje. Wystarcza kolekcja przykładów, pokazujących jak w historii (której Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do... str. 5
6 próbką może być na przykład zbiór notowań kursów walut na przykład z ostatnich dwóch lat) po określonej sekwencji wcześniejszych notowań następował określony skutek (spadek albo wzrost kursu). Sieć może starać się nauczyć na podstawie takich wcześniejszych obserwacji i może potem prognozować rozważane zdarzenie także na danych aktualnych. Rys. 7. Użycie sieci neuronowej jako narzędzia prognostycznego Modeli prognostycznych opartych na wykorzystaniu sieci neuronowych zbudowano i opisano bardzo dużo. Z zasady dotyczyły one jednak zagadnień prognostycznych związanych z opisanymi wyżej zagadnieniami ekonomicznymi (kursy akcji, walut, opcji itd.), z jakimiś procesami przyrodniczymi (na przykład prognozy pogody) albo z systemami technicznymi (na przykład prognoza obciążenia systemu energetycznego). Natomiast rzadko korzysta się z możliwości, jaką dają sieci neuronowe przy modelowaniu, a w konsekwencji także prognozowaniu zachowań ludzi. Obszar prognozowania zachowań ludzi wydaje się na pierwszy rzut oka daleki od zastosowań technicznych. Modelowanie maszyny tak, modelowanie, modelowanie sterowania jak najbardziej, modelowanie materiału podlegającego cieplnej albo plastycznej obróbce owszem, też jest możliwe. Ale modelowanie człowieka? Tymczasem systemy, z jakimi mamy do czynienia w nowoczesnej inżynierii, są wciąż systemami antropotechnicznymi i długo tak pozostanie mimo postępującej automatyzacji. Chcąc w pełni panować nad takimi systemami musimy przewidywać także zachowania ludzi. Jest to potrzebne na etapie projektowania nowoczesnych systemów antropotechnicznych oraz podczas ich sterowania. Jak się dobrze zastanowić, to właściwie nie jest to nic nowego. Dawniej przy projektowaniu urządzenia z ręcznym napędem inżynier musiał brać pod uwagę wiedzę o tym, jak dużą siłę może wytworzyć człowiek, żeby prawidłowo zaprojektować długość korby, za pomocą której pracownik napędzał maszynę siłą swoich mięśni. Dzisiaj rzadko zdarza się, żeby ludzie musieli występować w roli elementów napędzających maszynę, natomiast ich rolą jest udział w procesie sterowania chociażby w roli dyspozytorów stawiających zadania systemom automatyki. W tej roli pomiar siły mięśni nie odgrywa roli, natomiast ważny jest element str. 6 Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do...
7 przewidywania zachowania, zwłaszcza w takich scenariuszach, w których człowiek działa z własnej woli, a więc w sposób pozornie nieprzewidywalny. Dla modelowania zachowania człowieka nie można użyć modeli typu przyczynowego, bo nie wiemy, jakie są motywacje takich czy innych działań. Natomiast możliwe jest zbudowanie modelu behawioralnego, właśnie opartego na sieci neuronowej, która może się nauczyć imitować działanie człowieka. Taka sieć oczywiście nie znając odpowiedzi na pytanie, dlaczego tak się dzieje może pokazać, co z dużym prawdopodobieństwem człowiek zrobi. W referacie będzie omówiona metodyka doświadczenia pokazanego na rysunku 8, które zostało przeprowadzone przez autora w celu udowodnienia, że sieć neuronowa po odpowiednim procesie nauki może przewidywać zachowanie człowieka. Dla ułatwienia przeprowadzenia rozważanego eksperymentu założono, że badane zachowanie człowieka będzie polegało na naciskaniu klawiszy komputera, a zadaniem, które człowiekowi postawiono jest imitowanie rzutu monetą czyli człowiek w kolejnych chwilach podaje (ze swojej wyobraźni) wynik rzutu monetą (orzeł czy reszka?). Rys. 8. Schemat doświadczenia wykonanego przez autora Wykonane eksperymenty dowiodły, że zachowanie człowieka da się przewidzieć, w odróżnieniu od rzeczywistego eksperymentu fizycznego rzutu prawdziwą monetą. Dla ułatwienia śledzenia przebiegu eksperymentu i jego wyniku stworzono rodzaj gry, w której sieć neuronowa otrzymuje +1 punkt za każdy prawidłowo odgadnięty ruch człowieka oraz traci 1 punkt za każdą pomyłkę. Sieć cały czas uczy się obserwując zachowanie człowieka, w wyniku czego jej przewidywania na temat tego, co on zrobi za chwilę są coraz lepsze. Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do... str. 7
8 Na rysunku 9 pokazano wynik opisanej wyżej gry. Rys. 9. Prezentacja zmian punktacji w opisanej grze. Szczegóły w tekście Różnokolorowe linie odpowiadają różnym graczom. Widać wyraźnie, że zachowanie niektórych z nich było łatwo przewidywalne od samego początku, zresztą ci łatwo przewidywalni poddali się dość szybko (po około pięciuset rzutach zrezygnowali z gry). Natomiast zachowanie innych ludzi było trudniejsze do przewidzenia (sieć zaczęła poprawnie przewidywać ich zachowania dopiero po około dwustu próbach), ale też ci ambitni długo walczyli poddali się dopiero po ponad półtora tysiąca rzutów. Niemniej na prognozującą sieć neuronową nie było mocnych : Każdego człowieka po pewnym czasie bezbłędnie rozszyfrowała i potrafiła przewidzieć, co zrobi. Po tym, jak sieć nauczy się przewidywać wyniki, obserwujemy już tylko stabilny wzrost przewagi punktowej. Znaczy to, że człowiek mając jeden algorytm postępowania (w rozważanym eksperymencie - generowania liczb losowych), trzyma się go przez cały okres prowadzonego badania. Dla porównania na wykresie pokazano także próbę gry w przypadku, kiedy ciąg wejściowy był naprawdę nieprzewidywalny. Linia czarna to punkty przyznane sieci w czasie gry z ciągiem prawdziwie losowym (rzuty rzeczywistą monetą). Widać, że sieć nie miała tu żadnych szans nie tylko nic nie wygrywała, ale jej przegrana stale rosła, zgodnie zresztą z oszacowaniami uzyskiwanymi w opisach fizyki statystycznej (na przykład dla ruchów Browna). Podsumowując można stwierdzić, że można wykorzystać sieci neuronowe jako modele pozwalające przewidywać i symulować zachowania człowieka w określonych sytuacjach, w tym także przy obsłudze systemów automatyki. Zaprezentowane wyniki prostego doświadczenia przeprowadzonego przez autora (od strony technicznej badania prowadził dyplomant Marcin Wosinek) wskazują na to, że takie próby przewidywania warto podejmować. str. 8 Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do...
9 Bibliografia Dudek-Dyduch E., Tadeusiewicz R., Horzyk A.: Neural network adaptation process effectiveness dependent of constant training data availability, Neurocomputing, vol. 72, Nr , 2009, pp Gajecki L., Tadeusiewicz R.: Architectures of Neural Networks applied for LVCSR Language Modeling, 7th Conference Computer Methods and Systems. ISBN , Oprogramowanie Naukowo-Techniczne, Kraków, 2009, pp Szaleniec M., Tadeusiewicz R., Witko M.: How to select an optimal neural model of chemical reactivity?, Neurocomputing, Nr. 72, 2008, pp Tadeusiewicz R.: Modelowanie elementów systemu nerwowego z wykorzystaniem technik informatycznych, a zwłaszcza sztucznych sieci neuronowych. Rozdział w książce: Francuz. P. (red.): Na ścieżka neuronauk, KUL, Lublin 2010, str Tadeusiewicz R.: O celowości zastosowania sieci neuronowych w problemach związanych z elektrotechniką, Przegląd Elektrotechniczny, ISSN , Vol. 85, Nr. 2, 2009, str Tadeusiewicz R.: Computer modeling of self-learning processes in neural network with some psychological remarks. In Makikawa M., Wojcicki J.M. (eds.): New Trends in Biomedical and Clinical Engineering. Proceedings of 104th ICB Seminar, 10th Polish Japanese Seminar, International Centre of Biocybernetics, Warsaw, 2009, pp Tadeusiewicz R.: Neural network as a tool for medical signals filtering, diagnosis aid, therapy assistance and forecasting improving, In Dössel O., Schlegel W.C. (eds.): IFMBE Proceedings, Vol. IV: Image processing, biosignals processing, modelling and simulation, biomechanics. Springer Verlag, ISSN ; vol. 25; e-isbn ; ISBN ), Berlin, Heidelberg, New York, 2009, pp Tadeusiewicz R.: Sieci neuronowe jako narzędzia do rozwiązania zadań inżynierskich, Napędy i Sterowanie ISSN , nr 2 (118), 2009, str Tadeusiewicz R.: Using Neural Models for Evaluation of Biological Activity of Selected Chemical Compounds. Chapter (Nr. 6) in book: Smolinski T.G, Milanova M.G. and Hassanien A.-E. (Eds.): Applications of Computational Intelligence in Biology, Current Trends and Open Problems, Studies in Computational Intelligence, Vol. 122, Springer- Verlag, Berlin Heidelberg New York, 2008, pp Tadeusiewicz R., Grabska-Chrząstowska J., Polcik H.: Attempt of neural modelling of castings crystallisation control process. Computer Methods in Material Sciences (ISSN ) vol. 8, No. 2, 2008, pp Tadeusiewicz R.: Sieci neuronowe jako nowe narzędzie automatyki i informatyki. W materiałach "Konferencji Automatyków", Rytro, ,1997 Ryszard Tadeusiewicz, Wykorzystanie sieci neuronowych do... str. 9
Matematyka Stosowana na Politechnice Wrocławskiej. Komitet Matematyki PAN, luty 2017 r.
Matematyka Stosowana na Politechnice Wrocławskiej Komitet Matematyki PAN, luty 2017 r. Historia kierunku Matematyka Stosowana utworzona w 2012 r. na WPPT (zespół z Centrum im. Hugona Steinhausa) studia
Bardziej szczegółowoMetrologia: organizacja eksperymentu pomiarowego
Metrologia: organizacja eksperymentu pomiarowego (na podstawie: Żółtowski B. Podstawy diagnostyki maszyn, 1996) dr inż. Paweł Zalewski Akademia Morska w Szczecinie Teoria eksperymentu: Teoria eksperymentu
Bardziej szczegółowo8. 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 szczegółowoBooks edited by professor Ryszard Tadeusiewicz
Books edited by professor Ryszard Tadeusiewicz Książki, w których prof. Tadeusiewicz pełnił funkcje redaktora 2015 2014 2013 1. Romanowski A., Sankowski D., Tadeusiewicz R. (eds.): Modelling and Identification
Bardziej szczegółowoAkademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej METODY ANALIZY I ROZPOZNAWANIA INFORMACJI ZAWARTEJ W SYGNAŁACH PRĄDOWYCH
Bardziej szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoMODELOWANIE RZECZYWISTOŚCI
MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN Szkoła Wyższa Psychologii Społecznej d.wojcik@nencki.gov.pl dwojcik@swps.edu.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/
Bardziej szczegółowoSieci neuronowe - dokumentacja projektu
Sieci neuronowe - dokumentacja projektu Predykcja finansowa, modelowanie wskaźnika kursu spółki KGHM. Piotr Jakubas Artur Kosztyła Marcin Krzych Kraków 2009 1. Sieci neuronowe - dokumentacja projektu...
Bardziej szczegółowoBadacze 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 szczegółowoAdrian Horzyk
Sztuczne Systemy Skojarzeniowe SSS Asocjacyjne grafowe struktury danych AGDS Associative Graph Data Structure Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowoOdniesienie do obszarowych efektów kształcenia 1 2 3. Kierunkowe efekty kształcenia WIEDZA (W)
EFEKTY KSZTAŁCENIA NA KIERUNKU "MECHATRONIKA" nazwa kierunku studiów: Mechatronika poziom kształcenia: studia pierwszego stopnia profil kształcenia: ogólnoakademicki symbol kierunkowych efektów kształcenia
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: NAPĘDY I STEROWANIE PNEUMATYCZNE MASZYN PNEUMATIC DRIVE AND CONTROL OF MACHINES Kierunek: MECHATRONIKA Rodzaj przedmiotu: obowiązkowy na specjalności: PROJEKTOWANIE SYSTEMÓW MECHANICZNYCH
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoKOMPUTEROWA SYMULACJA PROCESÓW ZWIĄZANYCH Z RYZYKIEM PRZY WYKORZYSTANIU ŚRODOWISKA ADONIS
KOMPUTEROWA SYMULACJA PROCESÓW ZWIĄZANYCH Z RYZYKIEM PRZY WYKORZYSTANIU ŚRODOWISKA ADONIS Bogdan RUSZCZAK Streszczenie: Artykuł przedstawia metodę komputerowej symulacji czynników ryzyka dla projektu inwestycyjnego
Bardziej szczegółowoKierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Niestacjonarne. laboratoryjne projektowe.
Wydział: Inżynierii Mechanicznej i Robotyki Kierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Niestacjonarne Rocznik: 017/018 Język wykładowy: Polski Semestr 1 Fizyka
Bardziej szczegółowoField of study: Biomedical Engineering Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes.
Faculty of: Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering Field of study: Biomedical Engineering Study level: First-cycle studies Form and type of study: Full-time
Bardziej szczegółowoMetody komputerowe statystyki Computer Methods in Statistics. Matematyka. Poziom kwalifikacji: II stopnia. Liczba godzin/tydzień: 2W, 3L
Nazwa przedmiotu: Kierunek: Metody komputerowe statystyki Computer Methods in Statistics Matematyka Rodzaj przedmiotu: przedmiot obowiązkowy dla specjalności matematyka przemysłowa Rodzaj zajęć: wykład,
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowozna metody matematyczne w zakresie niezbędnym do formalnego i ilościowego opisu, zrozumienia i modelowania problemów z różnych
Grupa efektów kierunkowych: Matematyka stosowana I stopnia - profil praktyczny (od 17 października 2014) Matematyka Stosowana I stopień spec. Matematyka nowoczesnych technologii stacjonarne 2015/2016Z
Bardziej szczegółowoKierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Inżynierii Mechanicznej i Robotyki Kierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 2016/2017 Język wykładowy: Polski Semestr 1 Fizyka
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: moduł specjalności obowiązkowy: Inżynieria oprogramowania, Sieci komputerowe Rodzaj zajęć: wykład, laboratorium MODELOWANIE I SYMULACJA Modelling
Bardziej szczegółowoKierunki na stacjonarnych i niestacjonarnych studiach I i II stopnia stanowiące ofertę edukacyjną w roku akademickim 2019/20. studia stacjonarne
Kierunki na stacjonarnych i niestacjonarnych studiach I i II stopnia stanowiące ofertę edukacyjną w roku akademickim 2019/20 Załącznik nr 2 do uchwały nr 65/d/12/2018 Wydział Architektury Dyscypliny naukowe
Bardziej szczegółowo13. Równania różniczkowe - portrety fazowe
13. Równania różniczkowe - portrety fazowe Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie rzegorz Kosiorowski (Uniwersytet Ekonomiczny 13. wrównania Krakowie) różniczkowe - portrety fazowe 1 /
Bardziej szczegółowoAKADEMIA GÓRNICZO-HUTNICZA
AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI, INFORMATYKI I INŻYNIERII BIOMEDYCZNEJ KATEDRA AUTOMATYKI I INŻYNIERII BIOMEDYCZNEJ AUTOREFERAT ROZPRAWY DOKTORSKIEJ
Bardziej szczegółowoKierunki na stacjonarnych i niestacjonarnych studiach I i II stopnia stanowiące ofertę edukacyjną w roku akademickim 2019/20. studia stacjonarne
Kierunki na stacjonarnych i niestacjonarnych studiach I i II stopnia stanowiące ofertę edukacyjną w roku akademickim 2019/20 Załącznik nr 2 do uchwały nr 3/d/01/2019 Wydział Architektury Dyscypliny naukowe
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: CYFROWE UKŁADY STEROWANIA DIGITAL CONTROL SYSTEMS Kierunek: MECHATRONIKA Rodzaj przedmiotu: obowiązkowy na kierunku Mechatronika Rodzaj zajęć: wykład, laboratorium Forma studiów: stacjonarne
Bardziej szczegółowoWykład 4: Wnioskowanie statystyczne. Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA
Wykład 4: Wnioskowanie statystyczne Podstawowe informacje oraz implementacja przykładowego testu w programie STATISTICA Idea wnioskowania statystycznego Celem analizy statystycznej nie jest zwykle tylko
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: INTELIGENTNE SYSTEMY OBLICZENIOWE Systems Based on Computational Intelligence Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoKOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK
Inżynieria Rolnicza 8(117)/2009 KOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK Ewa Wachowicz, Piotr Grudziński Katedra Automatyki, Politechnika Koszalińska Streszczenie. W pracy
Bardziej szczegółowoPodstawy diagnostyki środków transportu
Podstawy diagnostyki środków transportu Diagnostyka techniczna Termin "diagnostyka" pochodzi z języka greckiego, gdzie diagnosis rozróżnianie, osądzanie. Ukształtowana już w obrębie nauk eksploatacyjnych
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: PROGNOZOWANIE Z WYKORZYSTANIEM SYSTEMÓW INFORMATYCZNYCH Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności Inżynieria cieplna i samochodowa Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU
Bardziej szczegółowoRok akademicki: 2014/2015 Kod: EAR s Punkty ECTS: 1. Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne
Nazwa modułu: Pracownia inżynierska dyplomowa Rok akademicki: 2014/2015 Kod: EAR-1-707-s Punkty ECTS: 1 Wydział: Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Kierunek: Automatyka
Bardziej szczegółowoUchwała obowiązuje od dnia podjęcia przez Senat. Traci moc Uchwała nr 144/06/2013 Senatu Uniwersytetu Rzeszowskiego z 27 czerwca 2013 r.
Rektor Uniwersytetu Rzeszowskiego al. Rejtana 16c; 35-959 Rzeszów tel.: + 48 17 872 10 00 (centrala) + 48 17 872 10 10 fax: + 48 17 872 12 65 e-mail: rektorur@ur.edu.pl Uchwała nr 282/03/2014 Senatu Uniwersytetu
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: MODELOWANIE I ANALIZA SYSTEMÓW INFORMATYCZNYCH Modeling and analysis of computer systems Kierunek: Informatyka Forma studiów: Stacjonarne Rodzaj przedmiotu: Poziom kwalifikacji: obowiązkowy
Bardziej szczegółowoBIOCYBERNETYKA PROLOG
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk PROLOG www.agh.edu.pl Pewnego dnia przyszedł na świat komputer Komputery
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: MODELOWANIE I SYMULACJA UKŁADÓW STEROWANIA Kierunek: Mechatronika Rodzaj przedmiotu: Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1.
Bardziej szczegółowoMateriały dla finalistów
Materiały dla finalistów Malachoviacus Informaticus 2016 11 kwietnia 2016 Wprowadzenie Poniższy dokument zawiera opisy zagadnień, które będą niezbędne do rozwiązania zadań w drugim etapie konkursu. Polecamy
Bardziej szczegółowoGry społecznościowe. wykład 0. Joanna Kołodziejczyk. 24 lutego Joanna Kołodziejczyk Gry społecznościowe 24 lutego / 11
Gry społecznościowe wykład 0 Joanna Kołodziejczyk 24 lutego 2017 Joanna Kołodziejczyk Gry społecznościowe 24 lutego 2017 1 / 11 Program przedmiotu Dwie formy zajęć: 1 Wykład studia stacjonarne (15h) 2
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
Bardziej szczegółowoDane w poniższej tabeli przedstawiają sprzedaż w dolarach i sztukach oraz marżę wyrażoną w dolarach dla:
Przykład 1. Dane w poniższej tabeli przedstawiają sprzedaż w dolarach i sztukach oraz marżę wyrażoną w dolarach dla: 24 miesięcy, 8 krajów, 5 kategorii produktów, 19 segmentów i 30 brandów. Tabela ta ma
Bardziej szczegółowoKierunki na stacjonarnych i niestacjonarnych studiach I i II stopnia stanowiące ofertę edukacyjną w roku akademickim 2019/20. studia stacjonarne
Kierunki na stacjonarnych i niestacjonarnych studiach I i II stopnia stanowiące ofertę edukacyjną w roku akademickim 2019/20 Załącznik nr 2 do uchwały nr 36/d/04/2019 Wydział Architektury Dyscypliny naukowe
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoDodatkowo planowane jest przeprowadzenie oceny algorytmów w praktycznym wykorzystaniu przez kilku niezależnych użytkowników ukończonej aplikacji.
Spis Treści 1. Wprowadzenie... 2 1.1 Wstęp... 2 1.2 Cel pracy... 2 1.3 Zakres pracy... 2 1.4 Użyte technologie... 2 1.4.1 Unity 3D... 3 2. Sztuczna inteligencja w grach komputerowych... 4 2.1 Zadanie sztucznej
Bardziej szczegółowoKierunek: Mechanika i Budowa Maszyn Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Inżynierii Mechanicznej i Robotyki Kierunek: Mechanika i Budowa Maszyn Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 16/17 Język wykładowy: Polski Semestr 1 RBM-1-11-s
Bardziej szczegółowoNazwa przedmiotu: MODELOWANIE I ANALIZA SYSTEMÓW INFORMATYCZNYCH. Modeling and analysis of computer systems Forma studiów: Stacjonarne
Nazwa przedmiotu: MODELOWANIE I ANALIZA SYSTEMÓW INFORMATYCZNYCH Kierunek: Informatyka Modeling and analysis of computer systems Forma studiów: Stacjonarne Rodzaj przedmiotu: obowiązkowy w ramach specjalności:
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 szczegółowoSystemy zdarzeniowe - opis przedmiotu
Systemy zdarzeniowe - opis przedmiotu Informacje ogólne Nazwa przedmiotu Systemy zdarzeniowe Kod przedmiotu 11.9-WE-AiRD-SD Wydział Kierunek Wydział Informatyki, Elektrotechniki i Automatyki Automatyka
Bardziej szczegółowoPTI S1 Tabele. Tabele. Tabele
Tabele Tabele 43 1.3. Tabele Jako że bazy danych składają się z tabel, musimy nauczyć się jak je zaprojektować, a następnie stworzyć i zarządzać nimi w programie Microsoft Access 2013. Zajmiemy się również
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 1- Generatory liczb losowych i ich wykorzystanie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 5,12 października 2016 r.
Bardziej szczegółowoSortowanie. Tomasz Żak zak. styczeń Instytut Matematyki i Informatyki, Politechnika Wrocławska
Tomasz Żak www.im.pwr.wroc.pl/ zak Instytut Matematyki i Informatyki, Politechnika Wrocławska styczeń 2014 Przypuśćmy, że po sprawdzeniu 30 klasówek układamy je w kolejności alfabetycznej autorów. Jak
Bardziej szczegółowoEfekty kształcenia na kierunku AiR drugiego stopnia - Wiedza Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej
Efekty na kierunku AiR drugiego stopnia - Wiedza K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W12 K_W13 K_W14 Ma rozszerzoną wiedzę dotyczącą dynamicznych modeli dyskretnych stosowanych
Bardziej szczegółowoPrzekształcanie wykresów.
Sławomir Jemielity Przekształcanie wykresów. Pokażemy tu, jak zmiana we wzorze funkcji wpływa na wygląd jej wykresu. A. Mamy wykres funkcji f(). Jak będzie wyglądał wykres f ( ) + a, a stała? ( ) f ( )
Bardziej szczegółowo9. ILE TO KOSZTUJE CZYLI OD ZAGADKI DO ZADANIA TEKSTOWEGO, CZ. III
46 Mirosław Dąbrowski 9. ILE TO KOSZTUJE CZYLI OD ZAGADKI DO ZADANIA TEKSTOWEGO, CZ. III Cele ogólne w szkole podstawowej: zdobycie przez uczniów umiejętności wykorzystywania posiadanych wiadomości podczas
Bardziej szczegółowoOPROGRAMOWANIE WSPOMAGAJĄCE ZARZĄDZANIE PROJEKTAMI. PLANOWANIE ZADAŃ I HARMONOGRAMÓW. WYKRESY GANTTA
OPROGRAMOWANIE WSPOMAGAJĄCE ZARZĄDZANIE PROJEKTAMI. PLANOWANIE ZADAŃ I HARMONOGRAMÓW. WYKRESY GANTTA Projekt to metoda na osiągnięcie celów organizacyjnych. Jest to zbiór powiązanych ze sobą, zmierzających
Bardziej szczegółowoOprogramowanie TERMIS. Nowoczesne Zarządzanie i Optymalizacja Pracy. Sieci Cieplnych.
Oprogramowanie TERMIS. Nowoczesne Zarządzanie i Optymalizacja Pracy Sieci Cieplnych. Jerzy Zielasko. Kelvin Sp. z o.o. Warszawa, dn. 8.11.2012 r 23 LATA Wskazujemy naszym klientom nowe możliwości, a kiedy
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Projektowanie układów nadzoru systemu mechatronicznego (SCADA) Project of Supervisory Control for Mechatronic Systems Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy na specjalności:
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoXXII Krajowa Konferencja SNM
1 XXII Krajowa Konferencja SNM STATYSTYKA Carel van de Giessen, Piet van Blokland; www.vusoft.eu Anna Rybak; aniar@klub.chip.pl, aniar1@onet.eu Uniwersytet w Białymstoku, Wydział Matematyki i Informatyki
Bardziej szczegółowoUniwersytet Śląski w Katowicach str. 1 Wydział Informatyki i Nauki o Materiałach
Uniwersytet Śląski w Katowicach str. 1 Efekty dla: nazwa kierunku poziom profil Informatyka inżynierska pierwszy ogólnoakademicki Kod efektu (kierunek) K_1_A_I_W01 K_1_A_I_W02 K_1_A_I_W03 K_1_A_I_W04 K_1_A_I_W05
Bardziej szczegółowoMaciej Piotr Jankowski
Reduced Adder Graph Implementacja algorytmu RAG Maciej Piotr Jankowski 2005.12.22 Maciej Piotr Jankowski 1 Plan prezentacji 1. Wstęp 2. Implementacja 3. Usprawnienia optymalizacyjne 3.1. Tablica ekspansji
Bardziej szczegółowoPrognozowanie rozgrywki grą planszową
Prognozowanie rozgrywki grą planszową - Cześć Anka! Co ty tam gryzmolisz? - Witaj dowcipasku. A ja po prostu projektuję grę planszową dla uczniów podstawówki. Nawet nie masz pojęcia Marku, jak są ciekawe
Bardziej szczegółowoProjekt zarządzania jakością wykorzystujący STATISTICA Data Miner przynosi w voestalpine roczne oszczędności w wysokości 800 000 EUR
Projekt zarządzania jakością wykorzystujący STATISTICA Data Miner przynosi w voestalpine roczne oszczędności w wysokości 800 000 EUR Przemysł samochodowy stawia najwyższe wymagania jakościowe w stosunku
Bardziej szczegółowoIMiIP - Informatyka Stosowana - opis kierunku 1 / 5
IMiIP Informatyka Stosowana opis kierunku 1 / 5 Warunki rekrutacji na studia Wymagania wstępne i dodatkowe: Kandydat na studia I stopnia na kierunku Informatyka Stosowana powinien posiadać kompetencje
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Paweł Pełczyński ppelczynski@swspiz.pl
Mechatronika i inteligentne systemy produkcyjne Paweł Pełczyński ppelczynski@swspiz.pl 1 Program przedmiotu Wprowadzenie definicja, cel i zastosowania mechatroniki Urządzenie mechatroniczne - przykłady
Bardziej szczegółowoMagistrale na schematach
Magistrale na schematach Jeśli w projektowanym układzie występują sygnały składające się z kilku powiązanych ze sobą logicznie linii (na przykład liczby wielobitowe) wskazane jest używanie magistrali (Bus).
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
Nazwa przedmiotu: KOMPUTEROWE WSPOMAGANIE PROCESÓW SPAWALNICZYCH COMPUTER AIDED welding processes Kierunek: Mechanika i Budowa Maszyn Forma studiów: stacjonarne Kod przedmiotu: S5_1-4 Rodzaj przedmiotu:
Bardziej szczegółowoWYDZIAŁ TRANSPORTU I INFORMATYKI TRANSPORT I STOPIEŃ PRAKTYCZNY
Nazwa kierunku Poziom kształcenia Profil kształcenia Symbole efektów kształcenia na kierunku K_W01 K _W 02 K _W03 WYDZIAŁ TRANSPORTU I INFORMATYKI TRANSPORT I STOPIEŃ PRAKTYCZNY Efekty kształcenia - opis
Bardziej szczegółowoAlgorytmy 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 szczegółowoPROGRAMOWALNE STEROWNIKI LOGICZNE
PROGRAMOWALNE STEROWNIKI LOGICZNE I. Wprowadzenie Klasyczna synteza kombinacyjnych i sekwencyjnych układów sterowania stosowana do automatyzacji dyskretnych procesów produkcyjnych polega na zaprojektowaniu
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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: MODELOWANIE I SYMULACJA PROCESÓW WYTWARZANIA Modeling and Simulation of Manufacturing Processes Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy specjalności PSM Rodzaj zajęć: wykład,
Bardziej szczegółowoZnaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie:
Ciągi rekurencyjne Zadanie 1 Znaleźć wzór ogólny i zbadać istnienie granicy ciągu określonego rekurencyjnie: w dwóch przypadkach: dla i, oraz dla i. Wskazówka Należy poszukiwać rozwiązania w postaci, gdzie
Bardziej szczegółowoZakładane efekty kształcenia dla kierunku
Załącznik nr 1a do wytycznych dla rad podstawowych jednostek organizacyjnych do tworzenia nowych i weryfikacji istniejących programów studiów I i II stopnia w UTP w Bydgoszczy Zakładane efekty kształcenia
Bardziej szczegółowoLista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych
Lista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych Informatyka w elektroenergetyce 1DE1703 W15, L30 Projektowanie komputerowe i systemy informacji przestrzennej
Bardziej 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 szczegółowoReferat pracy dyplomowej
Temat pracy: Projekt i realizacja oprogramowania generującego sekwencje dźwięków dla zastosowań muzycznych Autor: Marcin Tatuś Promotor: dr inż. Roman Simiński Referat pracy dyplomowej 1. Cel i podstawowe
Bardziej szczegółowoWykład 11: Podstawowe pojęcia rachunku prawdopodobieństwa
Wykład : Podstawowe pojęcia rachunku prawdopodobieństwa dr Mariusz Grządziel 3 maja 203 Doświadczenie losowe Doświadczenie nazywamy losowym, jeśli: może być powtarzane (w zasadzie) w tych samych warunkach;
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 szczegółowoNazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek:
Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek: Forma studiów: Informatyka Stacjonarne Rodzaj przedmiotu: obowiązkowy
Bardziej szczegółowoSpołecznie odpowiedzialne zarządzanie w organizacjach publicznych. Teza cele konstrukcja realizacja
Dr Grzegorz Baran, Instytut Spraw Publicznych UJ Społecznie odpowiedzialne zarządzanie w organizacjach publicznych Teza cele konstrukcja realizacja Teza Zakorzenienie modelu działania organizacji publicznej
Bardziej szczegółowoPorównanie wyników symulacji wpływu kształtu i amplitudy zakłóceń na jakość sterowania piecem oporowym w układzie z regulatorem PID lub rozmytym
ARCHIVES of FOUNDRY ENGINEERING Published quarterly as the organ of the Foundry Commission of the Polish Academy of Sciences ISSN (1897-3310) Volume 15 Special Issue 4/2015 133 138 28/4 Porównanie wyników
Bardziej szczegółowoKARTAKURSU. Efekty kształcenia dla kursu Student: W01wykazuje się znajomością podstawowych koncepcji, zasad, praw i teorii obowiązujących w fizyce
KARTAKURSU Nazwa Modelowanie zjawisk i procesów w przyrodzie Nazwa w j. ang. Kod Modelling of natural phenomena and processes Punktacja ECTS* 1 Koordynator Dr Dorota Sitko ZESPÓŁDYDAKTYCZNY: Dr Dorota
Bardziej szczegółowo4 Zastosowanie metody aproksymacji relacji odwrotnej do rozwiązywania wybranych zagadnień
Spis treści ROZDZIAŁ 1. Wstęp... 5 1.1. Przegląd literatury związanej z formułowaniem i rozwiązaniem problemu odwrotnego... 9 1.2. Prosty przykład ilustrujący zalety zastosowania metody aproksymacji relacji
Bardziej szczegółowoKierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. laboratoryjne projektowe.
Wydział: Inżynierii Mechanicznej i Robotyki Kierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 17/18 Język wykładowy: Polski Semestr 1 Fizyka RAR-1-1-s
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA I STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoRelacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych"
Relacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" W dniu 18.04.2015 odbyło się III Seminarium Naukowe Inżynierskie zastosowania technologii informatycznych. Organizatorzy
Bardziej szczegółowoSmart Draw - prezentacja programu
Smart Draw - prezentacja programu Program Smart Draw zaawansowanym programem do tworzenia różnych typów schematów, projektów inżynierskich z wielu dziedzin. Program jest dostępny na stornie producenta:
Bardziej szczegółowoI rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.
Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne 13. Elementy statystki matematycznej I Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 17.01.2019 1 / 30 Zagadnienia statystki Przeprowadzamy
Bardziej szczegółowo5.4. Efekty specjalne
5.4. Efekty specjalne Przedstawiliśmy już sobie sporo kwestii związanych z dodawaniem, edytowaniem czy usuwaniem elementów, które możemy zamieścić w prezentacji. Ale pomyłką było by stwierdzenie, że więcej
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoALGORYTM PROJEKTOWANIA ROZMYTYCH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO
Szybkobieżne Pojazdy Gąsienicowe (2) Nr 2, 24 Mirosław ADAMSKI Norbert GRZESIK ALGORYTM PROJEKTOWANIA CH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO. WSTĘP
Bardziej szczegółowoWOJSKOWA AKADEMIA TECHNICZNA WYDZIAŁ CYBERNETYKI
WOJSKOWA AKADEMIA TECHNICZNA WYDZIAŁ CYBERNETYKI Analiza i modelowanie Systemów Teleinformatycznych Sprawozdanie z ćwiczenia laboratoryjnego nr 6 Temat ćwiczenia: Modelowanie systemów równoległych z zastosowaniem
Bardziej szczegółowo