WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
|
|
- Ludwik Szymczak
- 6 lat temu
- Przeglądów:
Transkrypt
1 OLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inŝ. Franciszek Dul
2 oziomy sztucznej inteligencji Sztuczna świadomość? Uczenie się lanowanie i podejmowanie decyzji Niepewność Wnioskowanie logiczne Rozwiązywanie problemów
3 13. NIEEWNOŚĆ
4 Niepewność okaŝemy, co powinien zrobić agent gdy nie wszystko jest dla niego oczywiste.
5 Jak uwzględniać niepewność? Agent logiczny moŝe uŝyć swej wiedzy i umiejętności wnioskowania do wypracowania decyzji. Jednak obraz świata jaki ma agent prawie zawsze cechuje się niepewnością. Czysto logiczne decyzje agenta mogą zatem być nieoptymalne lub nawet błędne. Agent potrzebuje więc narzędzia umoŝliwiającego uwzględnianie swojej niewiedzy, ignorancji lub nawet lenistwa. MoŜliwość taką daje podejście probabilistyczne oparte na rachunku prawdopodobieństwa. Agent probabilistyczny potrafi podejmować decyzje w sytuacji, w której agent logiczny jest bezradny.
6 13.1. Działanie w warunkach niepewności Jak stwierdzić, kiedy działanie A t wyjazd na lotnisko t minut przed odlotem zapewni osiągnięcie celu dojazd na czas? roblemy: częściowa obserwowalność (natęŝenie ruchu, stan dróg, plany innych kierowców, etc.), błędy pomiarów (odległości, prędkości), niesprawności czujników (np. prędkościomierza), niepewność rezultatu działania (złapanie gumy, wypadek), ogromna złoŝoność modelowania i przewidywania ruchu. odejście czysto logiczne nie jest wystarczające: działanie A 25 zapewni dojazd na czas jest ryzykowne; wnioskowanie logiczne jest za słabe - nie umoŝliwia podjęcie racjonalnej decyzji: A 25 zapewni dojazd na czas jeŝeli nie będzie wypadku, nie będzie padało, nie pęknie koło,... A 1440 prawie na pewno zapewni dojazd na czas, ale trzeba by było czekać całą noc na lotnisku.
7 13.1. Działanie w warunkach niepewności Sposoby uwzględniania niepewności Logika domyślna lub niemonotoniczna: Wnioskowanie na temat niezaobserwowanych faktów, np.: zakładam, Ŝe w moim samochodzie koło nie pęknie; Logika rozmyta (fuzzy logic): UmoŜliwia opis stopnia prawdziwości faktów, np. Wzrost(Jan) = 190cm Wysoki(Jan) = 1.0; Wzrost(Adam) = 160cm Wysoki(Adam) = 0.2; rawdopodobieństwo: WyraŜa stopień wiary w prawdziwość faktów Działanie A 25 zapewni dojazd na czas z prawdopodobieństwem odejście probabilistyczne uwzględnia efekty: ignorancji: brak jest adekwatnych modeli zjawisk. braku danych: brak informacji o warunkach zjawiska, lenistwa: nie chce nam się dokładnie analizować sytuacji, albo jest to zbyt kosztowne; W podejściu probabilistycznym nie czyni się załoŝeń a priori o świecie.
8 13.1. Działanie w warunkach niepewności odejmowanie decyzji w warunkach niepewności ZałóŜmy, Ŝe prawdopodobieństwa działań są następujące: (A 25 zapewni dojazd na czas ) = 0.04 (A 90 zapewni dojazd na czas ) = 0.70 (A 1440 zapewni dojazd na czas ) = Które działanie jest racjonalne? ZaleŜy to od preferencji agenta zaleŝnej np. od wagi spóźnienia się na samolot, czasu oczekiwania, etc. Do reprezentowania preferencji słuŝy teoria uŝyteczności. W połączeniu z teorią prawdopodobieństwa tworzy ona teorię podejmowania decyzji Teoria podejmowania decyzji = = teoria uŝyteczności + teoria prawdopodobieństwa
9 13.2. Składnia rachunku prawdopodobieństwa Element podstawowy zmienna losowa (random variable) opisuje jakiś aspekt (niepewnego) świata. Zmienne losowe mogą być: boolowskie, np. Ubytek z dziedziną prawda, fałsz, dyskretne, np. ogoda, która ma dziedzinę słoneczna, deszczowa, pochmurna, śnieŝna ciągłe, np. Wzrost, która ma dziedzinę [0, ]. Twierdzenia elementarne są konstruowane poprzez przypisanie zmiennym losowym wartości z dziedziny, np.: ogoda = słoneczna, (w skrócie: słoneczna ) Ubytek = fałsz (w skrócie: ubytek ) Twierdzenia złoŝone formułuje się z twierdzeń elementarnych za pomocą operatorów logicznych, np. ogoda = słoneczna Ubytek = fałsz
10 13.2. Składnia rachunku prawdopodobieństwa Zdarzenie elementarne (atomic event) kaŝda moŝliwa kombinacja wartości z dziedziny zmiennych losowych. rzykład JeŜeli jakiś fragment świata opisany jest dwiema zmiennymi boolowskimi: Ubytek, ólzęba to istnieją cztery róŝne zdarzenia elementarne: Ubytek = fałsz ólzęba = fałsz Ubytek = fałsz ólzęba = prawda Ubytek = prawda ólzęba = fałsz Ubytek = prawda ólzęba = prawda Zdarzenia elementarne: wykluczają się wzajemnie, są kompletne pokrywają całą dziedzinę.
11 rawdopodobieństwo wyraŝa stopień wiary w prawdziwość faktów (stopień przekonania o ich prawdziwości). Aksjomaty prawdopodobieństwa Aksjomaty Kołmogorowa: dla kaŝdych twierdzeń A i : 0 (A) 1, rawda A (prawda) = 1 i (fałsz) = 0, (A ) = (A) + () - (A ). Aksjomaty te pozwalają zbudować całą teorię prawdopodobieństwa. NajwaŜniejsze wnioski z aksjomatów Kołmogorowa: ( A) = 1 - (A), JeŜeli dziedziną zmiennej D jest d 1, d 2,..., d n, to n i = 1 ( D = di ) = 1 A rawdopodobieństwo twierdzenia jest równe sumie prawdopodobieństw zdarzeń elementarnych dla których jest ono prawdziwe, tj. ( a) = e i e( a) ( e i )
12 13.2. Składnia rachunku prawdopodobieństwa rawdopodobieństwo a priori (prior probability) rawdopodobieństwo a priori zdarzenia (zwane takŝe prawdopodobieństwem bezwarunkowym) opisuje stopień wiary w wystąpienie zdarzenia przed pojawieniem się nowych danych. (Ubytek=prawda) = 0.1, (ogoda=słoneczna) = 0.72 Rozkład prawdopodobieństwa określa wartości prawdopodobieństw dla wszystkich zdarzeń elementarnych, np.: (ogoda) = 0.72, 0.1, 0.08, 0.1 (Znormalizowane, tj., Σ =1) Rozkład łączny prawdopodobieństwa dla zbioru zmiennych losowych określa prawdopodobieństwa wszystkich zdarzeń elementarnych, np. (ogoda,ubytek) = macierz 2 4 wartości prawdopodobieństw. ogoda= słoneczna deszczowa pochmurna śnieŝna Ubytek=prawda Ubytek=fałsz rawdopodobieństwo łączne pozwala odpowiedzieć na kaŝde pytanie dotyczące dziedziny opisywanej przez zmienne losowe.
13 13.2. Składnia rachunku prawdopodobieństwa rawdopodobieństwo warunkowe Sposób wnioskowania probabilistycznego uwarunkowany jest wiedzą posiadaną na temat dziedziny. rawdopodobieństwo a posteriori (prawdopodobieństwo warunkowe) określa wiarygodność zdarzenia przy załoŝeniu, Ŝe zaszło inne zdarzenie. rzykład (ubytek bólzęba) = 0.8 (tj., wiadomo, Ŝe ólzęba = prawda) JeŜeli jednak wiadomo, Ŝe Ubytek = prawda, to (ubytek bólzęba, ubytek) = 1.0 Niektóre dane mogą nie mieć znaczenia, co pozwala upraszczać wyraŝenia, np. (ubytek bólzęba, słoneczna) = (ubytek bólzęba) = 0.8.
14 13.2. Składnia rachunku prawdopodobieństwa Definicja prawdopodobieństwa warunkowego (a b) = (a b) / (b) jeŝeli (b) > 0. Definicja równowaŝna wykorzystująca regułę iloczynu (a b) = (a b) (b) = (b a) (a). Dla rozkładu prawdopodobieństwa mamy np. (ogoda,ubytek) = (ogoda Ubytek) (Ubytek). oprzez kolejne stosowanie reguły iloczynu otrzymuje się regułę łańcuchową, (X 1,,X n ) = (X 1,...,X n-1 ) (X n X 1,...,X n-1 ) = (X 1,...,X n-2 ) (X n-1 X 1,...,X n-2 ) (X n X 1,...,X n-1 ) = = i=1,n (X i X 1,,X i-1 )
15 Wnioskowanie z niepewnością odstawowy rodzajem wnioskowania probabilistycznego jest wnioskowanie na podstawie rozkładu łącznego prawdopodobieństwa. JeŜeli znamy rozkład łączny prawdopodobieństwa, to jesteśmy w stanie odpowiedzieć na kaŝde pytanie dotyczące zdarzeń z dziedziny opisanej tym rozkładem.
16 13.4. Wnioskowanie z rozkładu łącznego Zasada: obliczanie rozkładu prawdopodobieństwa dla zdania f przez ustalenie wartości prawdopodobieństw zmiennych jawnych i sumowanie prawdopodobieństw zmiennych ukrytych. roblem opisany jest trzema zmiennymi losowymi: Ubytek, ólzęba, Wykrycie. Wykorzystujemy rozkład prawdopodobieństwa łącznego bólzęba bólzęba wykrycie wykrycie wykrycie wykrycie ubytek ubytek Dodajemy prawdopodobieństwa tych zdarzeń elementarnych z które są prawdziwe w zdaniu f, (f) = Σ z (z)
17 13.4. Wnioskowanie z rozkładu łącznego Zasada: obliczanie rozkładu prawdopodobieństwa dla zdania f przez ustalenie wartości prawdopodobieństw zmiennych jawnych i sumowanie prawdopodobieństw zmiennych ukrytych. roblem opisany jest trzema zmiennymi losowymi: Ubytek, ólzęba, Wykrycie. Wykorzystujemy rozkład prawdopodobieństwa łącznego bólzęba bólzęba wykrycie wykrycie wykrycie wykrycie ubytek ubytek Dodajemy prawdopodobieństwa tych zdarzeń elementarnych z które są prawdziwe w zdaniu f, (f) = Σ z (z) rzykład (bólzęba) = = 0.2
18 13.4. Wnioskowanie z rozkładu łącznego Zasada: obliczanie rozkładu prawdopodobieństwa dla zdania f przez ustalenie wartości prawdopodobieństw zmiennych jawnych i sumowanie prawdopodobieństw zmiennych ukrytych. roblem opisany jest trzema zmiennymi losowymi: Ubytek, ólzęba, Wykrycie. Wykorzystujemy rozkład prawdopodobieństwa łącznego bólzęba bólzęba wykrycie wykrycie wykrycie wykrycie ubytek ubytek Dodajemy prawdopodobieństwa tych zdarzeń elementarnych z które są prawdziwe w zdaniu f, (f) = Σ z (z) rzykład (ubytek bólzęba) = = 0.28
19 13.4. Wnioskowanie z rozkładu łącznego Zasada: obliczanie rozkładu prawdopodobieństwa dla zdania f przez ustalenie wartości prawdopodobieństw zmiennych jawnych i sumowanie prawdopodobieństw zmiennych ukrytych. roblem opisany jest trzema zmiennymi losowymi: Ubytek, ólzęba, Wykrycie. Wykorzystujemy rozkład prawdopodobieństwa łącznego bólzęba bólzęba wykrycie wykrycie wykrycie wykrycie ubytek ubytek W taki sposób moŝna takŝe wyznaczać prawdopodobieństwo warunkowe ( ubytek bólzęba) = ( ubytek bólzęba) / (bólzęba) = ( ) / / ( ) = 0.08 / 0.2 = 0.4
20 13.4. Wnioskowanie z rozkładu łącznego Wnioskowanie na podstawie rozkładu łącznego NaleŜy wyznaczyć rozkład prawdopodobieństwa łącznego zmiennych losowych X stanowiących zapytania na podstawie znanych wartości e zmiennych losowych danych E. Rozkład prawdopodobieństwa łącznego (X E=e) otrzymuje się poprzez sumowanie elementów rozkładu łącznego względem wszystkich zmiennych losowych ukrytych H = X - E (X E=e) = α (X,E=e) = α Σ h (X,E=e,H=h) gdzie α jest stałą normującą, α = 1/Σ (E) (odwrotność mianownika wzoru dla prawdopodobieństwa warunkowego). Koszt (d liczba wartości zmiennej losowej, n liczba zmiennych losowych): w najgorszym przypadku czas obliczeń jest wykładniczy ~O(d n ), pamięć potrzebna do przechowania rozkładu łącznego ~O(d n ). oniewaŝ wyznaczenie d n wartości rozkładu łącznego jest bardzo kosztowne, to jego uŝycie nie jest moŝliwe w przypadku większej liczby zmiennych losowych.
21 NiezaleŜność zdarzeń Gdyby wszystkie zdarzenia w świecie były zaleŝne, to wnioskowanie probabilistyczne musiałoby być prowadzone na podstawie rozkładu łącznego prawdopodobieństwa. Wymagałoby to bardzo długich czasów obliczeń, co wręcz uniemoŝliwiałoby wnioskowanie. Na szczęście zdarzenia w świecie są często niezaleŝne lub zaleŝne warunkowo. UmoŜliwia to ich osobną analizę, a w rezultacie znaczne uproszczenie wnioskowania statystycznego.
22 13.5. NiezaleŜność zdarzeń Zdarzenia A i są niezaleŝne wtedy i tylko wtedy gdy (A ) = (A) lub ( A) = () lub (A,) = (A)() rzykład Dekompozycja zdarzeń niezaleŝnych Ubytek ólzęba Wykrycie ogoda Dekompozycja Ubytek ólzęba Wykrycie ogoda (ólzęba,ubytek,wykrycie,ogoda) = = (ólzęba,ubytek, Wykrycie) (ogoda) Dekompozycja pozwala zmniejszyć liczbę elementów rozkładu prawdopodobieństwa łącznego z 32 do 12. Całkowita niezaleŝność zdarzeń jest jednak rzadkością. Zagadnienia rzeczywiste (np. medyczne) opisywane są duŝą liczbą zmiennych które najczęściej są zaleŝne.
23 13.5. NiezaleŜność zdarzeń NiezaleŜność warunkowa Zdarzenia X i Y mogą być zaleŝne, ale jednocześnie niezaleŝne warunkowo przy danej wartości zmiennej Z. rzykład Wykrycie ubytku jest niezaleŝne od bólu zęba, (wykrycie bólzęba,ubytek) = (wykrycie ubytek) Wykrycie braku ubytku równieŝ nie zaleŝy od bólu zęba, (wykrycie bólzęba, ubytek) = (wykrycie ubytek) Zmienna Wykrycie jest niezaleŝna na warunkowo od zmiennej ólzęba przy danej wartości zmiennej Ubytek, (Wykrycie ólzęba,ubytek) = (Wykrycie Ubytek) Definicja niezaleŝności warunkowej zmiennych X i Y przy danej zmiennej Z (X,Y Z ) = (X Z ) (Y Z ) Rozkład prawdopodobieństwa zdarzeń niezaleŝnych warunkowo jest iloczynem rozkładów skutków przy danej przyczynie.
24 13.5. NiezaleŜność zdarzeń NiezaleŜność warunkowa pozwala zazwyczaj radykalnie zmniejszyć rozmiar rozkładu łącznego prawdopodobieństwa z wykładniczego O(d n ) do liniowego O(n). rzykład Rozkład prawdopodobieństwa łącznego dla problemu stomatologicznego jest równy (ólzęba,wykrycie,ubytek) = (ólzęba,wykrycie Ubytek) (Ubytek) Z niezaleŝności no warunkowej bólu zęba i wykrycia wynika, Ŝe: (ólzęba, Wykrycie Ubytek) = = (ólzęba Ubytek) (Wykrycie Ubytek) Rozkład prawdopodobieństwa łącznego jest zatem równy (ólzęba,wykrycie,ubytek) = = (ólzęba Ubytek) (Wykrycie Ubytek) (Ubytek) NiezaleŜność warunkowa jest najbardziej przydatnym rodzajem informacji w przypadku, gdy środowisko jest niepewne.
25 13.6. Reguła ayesa Korzystając z reguły iloczynu (a b) = (a b)(b) = (b a)(a) otrzymuje się regułę ayesa ( a b) = ( b a) ( a) ( b) Reguła ayesa dla rozkładu prawdopodobieństwa Thomas ayes ( X Y ) ( Y ) ( Y X ) = = α ( X Y ) ( Y ) ( X ) Reguła ayesa pozwala wyznaczyć odwrócone przyczynowo rozkłady prawdopodobieństwa. Reguła ayesa jest bardzo uŝyteczna dla oceny prawdopodobieństwa diagnostycznego na podstawie prawdopodobieństwa przyczynowego (Skutek rzyczyna) (rzyczyna) (rzyczyna Skutek) = (Skutek)
26 13.6. Reguła ayesa rzykład Ubytek ólzęba Wykrycie rzy niezaleŝności warunkowej zmiennych ólzęba oraz Wykrycie przy danej wartości zmiennej Ubytek otrzymujemy (Ubytek bólzęba wykrycie) = = α (bólzęba wykrycie Ubytek) (Ubytek) = α (bólzęba Ubytek) (wykrycie Ubytek) (Ubytek)
27 13.6. Reguła ayesa Naiwny model ayesa NiezaleŜność warunkową zdarzeń wykorzystuje się w tzw. naiwnym modelu ayesa, w którym zakłada sięŝe zdarzenia są niezaleŝne. rzyczyna Skutek 1... Skutek n Rozkład łączny prawdopodobieństwa jest równy (rzyczyna,skutek 1,,Skutek n ) = = (rzyczyna) i, (Skutek i rzyczyna) Naiwny model ayesa w praktyce często prowadzi do bardzo dobrych wyników mimo iŝ zdarzenia są zazwyczaj zaleŝne.
28 Kiedy wnioskowanie stochastyczne jest niezastąpione? Jest tak wtedy, gdy nie ma adekwatnego modelu świata, gdy wiedza agenta jest niepełna lub gdy nie jest on w stanie dokonać analizy wielu złoŝonych zaleŝności. rzykładem takiej sytuacji w świecie Wumpusa jest stan w którym agent nie moŝe wywnioskować logicznie, jakie działanie jest bezpieczne. Z pomocą przychodzi wtedy wnioskowanie probabilistyczne.
29 13.7. Wnioskowanie statystyczne w świecie Wumpusa rzykład sytuacji, w której wnioskowanie statystyczne jest lepsze niŝ logiczne wnioskowanie deterministyczne. Sytuacja w świecie Wumpusa (w tym przykładzie zakładamy, Ŝe nie ma Wumpusa i złota) : 1,1 1,2 2,1 1,2 2,1 Doły mogą znajdować się więc w polach (1,3), (2,2) lub (3,1). Wnioskowanie deterministyczne? (logiczne) nie powie jednak agentowi, na które z tych pól moŝe się bezpiecznie przemieścić. Obserwacje agenta są lokalne, więc informacja którą posiada o środowisku jest niepełna. Wnioskowanie statystyczne pozwoli jednak stwierdzić, które pole jest najbezpieczniejsze (chociaŝ bez gwarancji!). otrzebne są jednak dodatkowe informacje lub hipotezy.?? A???
30 13.7. Wnioskowanie statystyczne w świecie Wumpusa Opis probabilistyczny Zmienne losowe: i,j - zmienna logiczna równa 1 gdy w polu (i,j) jest dół; - zmienna logiczna równa 1 gdy w polu (i,j) wieje wiatr. i,j Hipoteza statystyczna: Rozkład dołów jest równomierny. rawdopodobieństwo dołu w polu (i,j) Fakty (obserwacje): ( i,j =1) = 0.2, ( i,j =0) = 1 - ( i,j =1) = 0.8. znane = 1,1 1,2 2,1 b = 1,1 1,2 2,1 ytania: ( 1,3 znane,b) = ( 3,1 znane,b) =?, ( 2,2 znane,b) =? Rozkład łączny prawdopodobieństwa: ( 1,1,, 4,4, 1,1, 1,2, 2,1 ) = = ( 1,1, 1,2, 2,1 1,1,, 4,4 ) ( 1,1,, 4,4 ) Liczba pól niewiadomych = 12 liczba wyrazów = 2 12 = 4096
31 13.7. Wnioskowanie statystyczne w świecie Wumpusa Analiza zaleŝności zjawisk pozwala zmniejszyć liczbę potrzebnych wyrazów rozkładu łącznego do dziesięciu. Z reguły ayesa prawdopodobieństwo warunkowe dołu w polach (1,3) lub (3,1) jest równe ( 1,3 znane,b) = α ( 1,3 ) Σ granica (b znane, 1,3,granica) (granica) Dla kaŝdej wartości 1,3 wykonujemy sumowanie względem moŝliwych wystąpień dołów w polach granicy rawdopodobieństwo dołu w polu (1,3) jest równe ( 1,3 znane,b) = 0.31, 0.69 rawdopodobieństwo dołu w polu (2,2) jest równe ( 2,2 znane,b) = 0.86, 0.13
32 13.7. Wnioskowanie statystyczne w świecie Wumpusa rawdopodobieństwo dołu w polu (2,2) jest więc znacznie większe niŝ w polach (1,3) lub (3,1) Agent powinien więc unikać pola (2,2)! A 0.31 Wnioskowanie statystyczne pozwoliło zatem (przy dodatkowym załoŝeniu dotyczącym rozkładu dołów) uzyskać bardziej przydatne wyniki niŝ otrzymane z wnioskowania logicznego deterministycznego. Ale nie za darmo! Algorytmy wnioskowania statystycznego muszą bowiem uzywać dodatkowych hipotez opartych na wiedzy dotyczącej konkretnego modelu.
33 13.8. Filtr spamu wykorzystujący regułę ayesa Filtrowanie poczty elektronicznej w celu odrzucenia niechcianych wiadomości , tzw. spamu, jest coraz powaŝniejszym problemem ze względu na ogromny wzrost skali zjawiska. Najlepsze programy filtrujące wykorzystują wnioskowanie statystyczne oparte na twierdzeniu ayesa. Do tej grupy naleŝy program filtrujący opracowany przez aula Grahama (2003) ( Idea filtracji bayesowskiej polega na analizie statystycznej częstości pojawiania się słów w ach zwykłych i w spamie. ( slowa spam) ( spam) ( spam slowa) = ( slowa) rawdopodobieństwa występowania słów w spamie są aktualizowane na podstawie nadchodzących i.
34 13.8. Filtr spamu wykorzystujący regułę ayesa rzykłady i: spam Return-ath: Delivered-To: Received: (qmail invoked from network); 11 Aug :32: Received: from unknown (HELO mail100.store.yahoo.com) ( ) by ip z customer.algx.net with SMT; 11 Aug :32: Received: from 263.net ([ ]) by mail100.store.yahoo.com (8.11.2/8.11.2) with ESMT id g7hxfg50998 for Sun, 11 Aug :33: (DT) Message-Id: From: "zqcx" Subject: permission to enter Chinese market To: Content-Type: text/plain;charset="g2312" Reply-To: Date: Mon, 12 Aug :32: X-riority: 3 X-Mailer: Microsoft Outlook Express Dear Sir or Madam: lease reply to Receiver: China Enterprise Management Co., Ltd. (CMC) unido@chinatop.net As one technical organization supported by China Investment and Technical romotion Office of United Nation Industry Development Organization (UNIDO), we cooperate closely with the relevant Chinese Quality Supervision and Standardization Information Organization. We provide the most valuable consulting services to help you to open Chinese market within the shortest time: 1. Consulting Service on Mandatory National Standards of The eople's Republic of China. 2. Consulting Service on Inspection and Quarantine Standards of The eople's Republic of China. 3. Consulting Service for ermission to Enter Chinese Market We are very sorry to disturb you! More information, please check our World Wide Web: Sincerely yours normalny Return-ath: <dxn@redwoodsoft.com> Delivered-To: wg-pg@wg.archub.org Received: (qmail invoked from network); 11 Aug :31: Received: from unknown (HELO mail100.store.yahoo.com) ( ) by ip z customer.algx.net with SMT; 11 Aug :31: Received: from pacman.redwoodsoft.com (pacman.redwoodsoft.com [ ]) by mail100.store.yahoo.com (8.11.2/8.11.2) with SMT id g7kx1g08171 for <psg@paulgraham.com>; Sun, 11 Aug :33: (DT) Received: (qmail invoked from network); 11 Aug :33: Received: (QMFILT: 1.1); 11 Aug :33: Received: from localhost ( ) by localhost with SMT; 11 Aug :33: Date: Sun, 11 Aug :33: (DT) From: Dru Nelson <dxn@redwoodsoft.com> To: psg@paulgraham.com Subject: Continuation style web programming Message-ID: <ine.lnx @pacman.redwoodsoft.com> MIME-Version: 1.0 Content-Type: TEXT/LAIN; charset=us-ascii Hi, Do you have any examples online of that continuation style web programming that you describe? For example, you mention that you needed the user to go to a color picker screen and then return to the same spot. I'm interested on what was required to achieve that. Did you have to use real continuations to achieve that? Dru Nelson San Carlos, California
35 13.8. Filtr spamu wykorzystujący regułę ayesa Algorytm filtrowania bayesowskiego e dzieli się na dwie klasy: normalne i spam. Skanuje się cały tekst (całą wiadomość, nagłówki, instrukcje html i javascript), wyłuskuje się słowa (tokeny) i odrzuca się separatory, liczby, komentarze html. Zlicza się wystąpienia słów. Dla kaŝdego słowa oblicza się prawdopodobieństwo tego, Ŝe zawierający je jest spamem. Wybiera się 15 słów interesujących, tj. takich dla których prawdopodobieństwo jest dalekie od 0.4 (słowo niewinne ). Oblicza się prawdopodobieństwo dla wybranych 15 słów (spam) = k (słowo k ) / ( k (słowo k ) + k ( 1-(słowo k ) ) ) uznaje się za spam, jeŝeli (spam) > 0.9.
36 13.8. Filtr spamu wykorzystujący regułę ayesa rzykład Analizujemy dwa e: podejrzany i niewinny Słowo (słowo) madam 0.99 promotion 0.99 republic 0.99 shortest mandatory standardization sorry supported people's enter quality organization investment very valuable Słowo (słowo) continuation 0.01 describe 0.01 continuations 0.01 example programming I'm examples color local host hi California same spot us-ascii what rawdopodobieństwa wynoszą dla obu i odpowiednio, ( -1) = jest spamem, ( -2) = nie jest spamem. Skuteczność algorytmu Grahama jest bardzo wysoka: program nie odrzucił Ŝadnej wiadomości dobrej. program zakwalifikował nieprawidłowo tylko 5 spośród 1000 wiadomości typu spam.
37 odsumowanie Teoria prawdopodobieństwa stanowi ścisły opis niepewności. rawdopodobieństwo kaŝdego zdarzenia elementarnego określa rozkład łączny prawdopodobieństwa. rawdopodobieństwa zdań złoŝonych mogą być wyznaczane poprzez dodawanie prawdopodobieństw zdarzeń elementarnych. Wymiar rozkładu łącznego zaleŝy wykładniczo od liczby zmiennych losowych opisujących zadanie. Redukcję wymiaru rozkładu łącznego moŝna osiągnąć wykorzystując niezaleŝność zupełną oraz niezaleŝność warunkową zdarzeń.
38 DODATEK Wnioskowanie statystyczne w świecie Wumpusa rzykład szczegółowy
39 13.7. Wnioskowanie statystyczne w świecie Wumpusa rzykład sytuacji, w której wnioskowanie statystyczne jest lepsze niŝ logiczne wnioskowanie deterministyczne. Sytuacja w świecie Wumpusa (w tym przykładzie zakładamy, Ŝe nie ma Wumpusa i złota) : 1,1 1,2 2,1 1,2 2,1 Doły mogą znajdować się więc w polach (1,3), (2,2) lub (3,1). Wnioskowanie deterministyczne? (logiczne) nie powie jednak agentowi, na które z tych pól moŝe się bezpiecznie przemieścić. Obserwacje agenta są lokalne, więc informacja którą posiada o środowisku jest niepełna. Wnioskowanie statystyczne pozwoli jednak stwierdzić, które pole jest najbezpieczniejsze (chociaŝ bez gwarancji!). otrzebne są jednak dodatkowe informacje lub hipotezy.?? A???
40 13.7. Wnioskowanie statystyczne w świecie Wumpusa Zmienne losowe: i,j - zmienna logiczna równa 1 gdy w polu (i,j) jest dół; - zmienna logiczna równa 1 gdy w polu (i,j) wieje wiatr. i,j Hipoteza statystyczna: Rozkład dołów jest równomierny. rawdopodobieństwo dołu w polu (i,j) Fakty (obserwacje): ( i,j =1) = 0.2, ( i,j =0) = 1 - ( i,j =1) = 0.8. znane = 1,1 1,2 2,1 b = 1,1 1,2 2,1 ytania: ( 1,3 znane,b) = ( 3,1 znane,b) =?, ( 2,2 znane,b) =? Rozkład łączny prawdopodobieństwa: ( 1,1,, 4,4, 1,1, 1,2, 2,1 ) = = ( 1,1, 1,2, 2,1 1,1,, 4,4 ) ( 1,1,, 4,4 ) Rozkład prawdopodobieństwa a priori rozmieszczenia n dołów ( 1,1,, 4,4 ) = i,j = (1,1),..,(4,4) ( i,j ) = 0.2 n n
41 13.7. Wnioskowanie statystyczne w świecie Wumpusa Ze wzoru dla prawdopodobieństwa warunkowego: ( 1,3 znane,b) = α Σ nieznane ( 1,3,nieznane,znane,b) Liczba pól niewiadomych = 12 liczba wyrazów = 2 12 = 4096 Liczba składników we wzorze rośnie więc wykładniczo ze wzrostem liczby pól. Dokładniejsza analiza zadania pod kątem zaleŝności zjawisk pozwala jednak istotnie ograniczyć tę liczbę. Na obserwacje w polach (1,2) i (2,1) wpływają tylko doły w polach (1,3), (2,2) i (3,1) (granica). ola inne (np. (4,4)) nie mają wpływu na pola (1,2) i (2,1). Wiatry w polach 1,2 i 2,1 są niezaleŝne warunkowo od zawartości pól inne przy danych zawartościach pól znane i granica.
42 13.7. Wnioskowanie statystyczne w świecie Wumpusa rawdopodobieństwo warunkowe dołu w polu (1,3) jest równe ( 1,3 znane,b) = = α Σ nieznane (b 1,3, znane,nieznane) ( 1,3, znane,nieznane) = (z reguły iloczynu) = α Σ granica Σ inne (b znane, 1,3,granica,inne) ( 1,3, znane,granica,inne) = (z niezaleŝności warunkowej) = α Σ granica Σ inne (b znane, 1,3,granica) ( 1,3, znane,granica,inne) = (pierwsze wyrazy nie zaleŝą od pól inne) = α Σ granica (b znane, 1,3,granica) Σ inne ( 1,3, znane,granica,inne)
43 13.7. Wnioskowanie statystyczne w świecie Wumpusa Z niezaleŝności wynika moŝliwość faktoryzacji drugich wyrazów ( 1,3 znane,b) = α Σ granica (b znane, 1,3,granica) Σ inne ( 1,3 ) (znane) (granica) (inne) o przegrupowaniu wyrazów otrzymujemy ( 1,3 znane,b) = α (znane) ( 1,3 ) Σ granica (b znane, 1,3,granica) (granica) Σ inne (inne) oniewaŝ Σ inne (inne) = 1 oraz przyjmując α = α (znane) otrzymujemy ( 1,3 znane,b) = = α ( 1,3 ) Σ granica (b znane, 1,3,granica) (granica) w którym sumowanie obejmuje dwa pola granicy: (2,2) i (3,1).
44 13.7. Wnioskowanie statystyczne w świecie Wumpusa Wartość (b znane, 1,3,granica) jest równa (b znane, 1,3,granica) = 1 gdy granica jest zgodna z obserwacją b, (b znane, 1,3,granica) = 0 w przypadku przeciwnym Dla kaŝdej wartości 1,3 wykonujemy sumowanie względem modeli połoŝenia dołów dla pól granicy rawdopodobieństwa dołów w polach (2,2) i (3,1): = = = = = 0.16 rawdopodobieństwo dołu w polu (1,3) jest więc równe ( 1,3 znane,b) = α 0.2 ( ), 0.8 ( ) = = α 0.072, 0.16 = 0.072, 0.16 / ( ) = = 0.31, 0.69
45 13.7. Wnioskowanie statystyczne w świecie Wumpusa rawdopodobieństwo dołu w polu (2,2), ( 2,2 znane,b) wyznaczymy analogicznie. Dla kaŝdej wartości 2,2 wykonujemy sumowanie względem modeli połoŝenia dołów dla pól granicy rawdopodobieństwa dołów w polach (1,3) i (3,1): = = = = = 0.64 rawdopodobieństwo dołu w polu (2,2) jest więc równe ( 2,2 znane,b) = α 0.2 ( ), 0.8 (0.04) = = α 0.2, = 0.2, / ( ) = = 0.86, 0.13
46 13.7. Wnioskowanie statystyczne w świecie Wumpusa orównujemy prawdopodobieństwa: ( 1,3 znane,b) = ( 0.31, 0.69 ) = ( 3,1 znane,b) ( 2,2 znane,b) = ( 0.86, 0.13 ) rawdopodobieństwo dołu w polu (2,2) jest więc znacznie większe niŝ w polach (1,3) lub (3,1) Agent powinien więc unikać pola (2,2)! A 0.31 Wnioskowanie statystyczne pozwoliło zatem (przy dodatkowym załoŝeniu dotyczącym rozkładu dołów) uzyskać bardziej przydatne wyniki niŝ otrzymane z wnioskowania deterministycznego. Algorytmy wnioskowania statystycznego muszą jednak wykorzystywać dodatkowe hipotezy niezaleŝności zdarzeń oparte na wiedzy dotyczącej konkretnego modelu.
WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
OLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inŝ. Franciszek Dul 14. WNIOSKOWANIE STATYSTYCZNE W SIECI BAYESA Wnioskowanie statystyczne
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności
Systemy ekspertowe Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Plan wykładu Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności. Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
Zarządzanie wiedzą Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Plan wykładu Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady
Bardziej szczegółowoTemat: BADANIE NIEZALEśNOŚCI DWÓCH CECH JAKOŚCIOWYCH TEST CHI KWADRAT. Anna Rajfura 1
Temat: BADANIE NIEZALEśNOŚCI DWÓCH CECH JAKOŚCIOWYCH TEST CHI KWADRAT Anna Rajfura 1 Przykład W celu porównania skuteczności wybranych herbicydów: A, B, C sprawdzano, czy masa chwastów na poletku zaleŝy
Bardziej szczegółowoWnioskowanie statystyczne i oparte na współczynnikach wiarygodności
Wnioskowanie statystyczne i oparte na współczynnikach wiarygodności 1 Niepewność Wnioskowanie statystyczne: Wprowadzenie teoretyczne Wnioskowanie probabilistyczne Przykłady Wnioskowanie ze współczynnikami
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. opulacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoTestowanie hipotez statystycznych
Temat Testowanie hipotez statystycznych Kody znaków: Ŝółte wyróŝnienie nowe pojęcie pomarańczowy uwaga kursywa komentarz 1 Zagadnienia omawiane na zajęciach 1. Idea i pojęcia teorii testowania hipotez
Bardziej szczegółowoModelowanie Niepewności
Na podstawie: AIMA, ch13 Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 marca 2014 Na podstawie: AIMA, ch13 Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 marca
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA. rachunek prawdopodobieństwa
STATYSTYKA MATEMATYCZNA rachunek prawdopodobieństwa treść Zdarzenia losowe pojęcie prawdopodobieństwa prawo wielkich liczb zmienne losowe rozkłady teoretyczne zmiennych losowych Zanim zajmiemy się wnioskowaniem
Bardziej szczegółowoNa podstawie: AIMA, ch13. Wojciech Jaśkowski. 15 marca 2013
Na podstawie: AIMA, ch13 Instytut Informatyki, Politechnika Poznańska 15 marca 2013 Źródła niepewności Świat częściowo obserwowalny Świat niedeterministyczny Także: Lenistwo i ignorancja (niewiedza) Cel:
Bardziej szczegółowoStatystyka matematyczna dla kierunku Rolnictwo w SGGW. BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH. ANALIZA KORELACJI PROSTEJ.
BADANIE WSPÓŁZALEśNOŚCI DWÓCH CECH. ANALIZA KORELACJI PROSTEJ. IDEA OPISU WSPÓŁZALEśNOŚCI CECH X, Y cechy obserwowane w doświadczeniu, n liczba jednostek doświadczalnych, Wyniki doświadczenia: wartości
Bardziej szczegółowoProgramowanie deklaratywne
Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne
Bardziej szczegółowoWYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
WYKŁAD 8 TESTOWANIE HIPOTEZ STATYSTYCZNYCH Było: Estymacja parametrów rozkładu teoretycznego punktowa przedziałowa Przykład. Cecha X masa owocu pewnej odmiany. ZałoŜenie: cecha X ma w populacji rozkład
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoPo co nam statystyka matematyczna? Żeby na podstawie próby wnioskować o całej populacji
ODSTWY STTYSTYKI 1. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. opulacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne 6.
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoFuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoTemat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły. Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga. Anna Rajfura, Matematyka
Temat: Zmienna losowa. Rozkład skokowy. Rozkład ciągły Kody kolorów: Ŝółty nowe pojęcie pomarańczowy uwaga 1 Zagadnienia 1. Przypomnienie wybranych pojęć rachunku prawdopodobieństwa. Zmienna losowa. Rozkład
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoDefinicje. Najprostszy schemat blokowy. Schemat dokładniejszy
Definicje owanie i symulacja owanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano model, do
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoNajprostszy schemat blokowy
Definicje Modelowanie i symulacja Modelowanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego układu rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano
Bardziej szczegółowoDrzewa Decyzyjne, cz.2
Drzewa Decyzyjne, cz.2 Inteligentne Systemy Decyzyjne Katedra Systemów Multimedialnych WETI, PG Opracowanie: dr inŝ. Piotr Szczuko Podsumowanie poprzedniego wykładu Cel: przewidywanie wyniku (określania
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW WYKŁAD 9. TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd.
WYKŁAD 9 TESTOWANIE HIPOTEZ STATYSTYCZNYCH cd. Było: Przykład 1. Badano krąŝek o wymiarach zbliŝonych do monety jednozłotowej ze stronami oznaczonymi: A, B. NaleŜy ustalić, czy krąŝek jest symetryczny?
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoTemat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT. Anna Rajfura 1
Temat: BADANIE ZGODNOŚCI ROZKŁADU CECHY (EMPIRYCZNEGO) Z ROZKŁADEM TEORETYCZNYM TEST CHI-KWADRAT Anna Rajfura 1 Przykład wprowadzający Wiadomo, Ŝe 40% owoców ulega uszkodzeniu podczas pakowania automatycznego.
Bardziej szczegółowoTechnologia informacyjna
Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoBardzo formalny, odbiorca posiada specjalny tytuł, który jest używany zamiast nazwiska
- Wstęp Dear Mr. President, Dear Mr. President, Bardzo formalny, odbiorca posiada specjalny tytuł, który jest używany zamiast nazwiska Dear Sir, Dear Sir, Formalny, odbiorcą jest mężczyzna, którego nazwiska
Bardziej szczegółowoUkłady równań liniowych. Ax = b (1)
Układy równań liniowych Dany jest układ m równań z n niewiadomymi. Liczba równań m nie musi być równa liczbie niewiadomych n, tj. mn. a a... a b n n a a... a b n n... a a... a b m m mn n m
Bardziej szczegółowo2. Empiryczna wersja klasyfikatora bayesowskiego
Algorytmy rozpoznawania obrazów 2. Empiryczna wersja klasyfikatora bayesowskiego dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Brak pełnej informacji probabilistycznej Klasyfikator bayesowski
Bardziej szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowo1.UKŁADY RÓWNAŃ LINIOWYCH
UKŁADY RÓWNAŃ 1.UKŁADY RÓWNAŃ LINIOWYCH Układ: a1x + b1y = c1 a x + by = c nazywamy układem równań liniowych. Rozwiązaniem układu jest kaŝda para liczb spełniająca kaŝde z równań. Przy rozwiązywaniu układów
Bardziej szczegółowoWyŜsza Szkoła Zarządzania Ochroną Pracy MS EXCEL CZ.2
- 1 - MS EXCEL CZ.2 FUNKCJE Program Excel zawiera ok. 200 funkcji, będących predefiniowanymi formułami, słuŝącymi do wykonywania określonych obliczeń. KaŜda funkcja składa się z nazwy funkcji, która określa
Bardziej szczegółowoInstrukcja warunkowa i złoŝona.
Instrukcja warunkowa i złoŝona. Budowa pętli warunkowej. JeŜeli mielibyśmy przetłumaczyć instrukcję warunkową to brzmiałoby to mniej więcej tak: jeŝeli warunek jest spełniony, to wykonaj jakąś operację
Bardziej szczegółowoInstrukcja zarządzania kontami i prawami
Instrukcja zarządzania kontami i prawami uŝytkowników w systemie express V. 6 1 SPIS TREŚCI 1. Logowanie do systemu.... 3 2. Administracja kontami uŝytkowników.... 4 3. Dodawanie grup uŝytkowników....
Bardziej szczegółowoWykład 5. Cel wykładu. Korespondencja seryjna. WyŜsza Szkoła MenedŜerska w Legnicy. Informatyka w zarządzaniu Zarządzanie, zaoczne, sem.
Informatyka w zarządzaniu Zarządzanie, zaoczne, sem. 3 Wykład 5 MS Word korespondencja seryjna Grzegorz Bazydło Cel wykładu Celem wykładu jest omówienie wybranych zagadnień dotyczących stosowania korespondencji
Bardziej szczegółowoWstęp INFORMATOR TECHNICZNY WONDERWARE. Wysyłanie wiadomości z programu Wonderware Historian. 1. Aktywowanie Database Mail
Informator Techniczny nr 111 25-03-2009 INFORMATOR TECHNICZNY WONDERWARE Wysyłanie wiadomości e-mail z programu Wonderware Historian Wstęp W Historianie istnieje moŝliwość wysyłania wiadomości e-mailowych.
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 dr inż. Anna Skowrońska-Szmer zima 2017/2018 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoWykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu
Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów
Bardziej szczegółowoXII. Warunek wielokrotnego wyboru switch... case
XII. Warunek wielokrotnego wyboru switch... case 12.1. Gdy mamy więcej niŝ dwie moŝliwości Do tej pory poznaliśmy warunek if... else... Po co nam kolejny? Trudno powiedzieć, ale na pewno nie po to, Ŝeby
Bardziej szczegółowoSystemy ekspertowe - wiedza niepewna
Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoWyszukiwanie. Wyszukiwanie binarne
Wyszukiwanie Wejście: posortowana, n-elementowa tablica liczbowa T oraz liczba p. Wyjście: liczba naturalna, określająca pozycję elementu p w tablicy T, bądź 1, jeŝeli element w tablicy nie występuje.
Bardziej szczegółowoMatematyka i statystyka matematyczna dla rolników w SGGW
Było: Testowanie hipotez (ogólnie): stawiamy hipotezę, wybieramy funkcję testową f (test statystyczny), przyjmujemy poziom istotności α; tym samym wyznaczamy obszar krytyczny testu (wartość krytyczną funkcji
Bardziej szczegółowo166 Wstęp do statystyki matematycznej
166 Wstęp do statystyki matematycznej Etap trzeci realizacji procesu analizy danych statystycznych w zasadzie powinien rozwiązać nasz zasadniczy problem związany z identyfikacją cechy populacji generalnej
Bardziej szczegółowoSympozjum Trwałość Budowli
Sympozjum Trwałość Budowli Andrzej ownuk ROJEKTOWANIE UKŁADÓW Z NIEEWNYMI ARAMETRAMI Zakład Mechaniki Teoretycznej olitechnika Śląska pownuk@zeus.polsl.gliwice.pl URL: http://zeus.polsl.gliwice.pl/~pownuk
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowoSPAM studium przypadku
SPAM studium przypadku Przemysław Jaroszewski CERT Polska http://www.cert.pl/ SPAM studium przypadku Wstęp techniczny Opis incydentu Działania operacyjne CERT Polska Efekty Wnioski i przemyślenia Simple
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
Bardziej szczegółowoMODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH SIECI BAYESOWSKICH
InŜynieria Rolnicza 12/2006 Grzegorz Bartnik, Andrzej Kusz, Andrzej W. Marciniak Katedra Podstaw Techniki Akademia Rolnicza w Lublinie MODELOWANIE PROCESU EKSPLOATACJI OBIEKTÓW TECHNICZNYCH ZA POMOCĄ DYNAMICZNYCH
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STTYSTYK MTMTYCZN 1. Wykład wstępny 2. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. opulacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test 2 8.
Bardziej szczegółowo2. Lesław Gajek, Marek Kałuszka, Wnioskowanie statystyczne. Modele i metody. Dla studentów.
Literatura:. Jerzy Greń, Statystyka matematyczna. Modele i zadania.. Lesław Gajek, Marek Kałuszka, Wnioskowanie statystyczne. Modele i metody. Dla studentów.. J. Koronacki, J. Mielniczuk, Statystyka dla
Bardziej szczegółowo( 2) 6 III EDYCJA MIĘDZYSZKOLNEGO KONKURSU MATEMATYCZNEGO DLA UCZNIÓW SZKÓŁ PONADGIMNAZJALNYCH O PROFILU ZAWODOWYM I TECHNICZNYM.
GRUPA WIEKOWA I część pierwsza Na rozwiązanie zadań masz godzinę lekcyjną Za kaŝde zadanie moŝesz zdobyć 1 punkt Wyznacz iloraz NWW (35,14) NWD(16,38) Zamień ułamek 0,(27) na ułamek zwykły Płaszcz z ceny
Bardziej szczegółowoKARTA KURSU. Probability theory
KARTA KURSU Nazwa Nazwa w j. ang. Rachunek prawdopodobieństwa Probability theory Kod Punktacja ECTS* 4 Koordynator Dr Ireneusz Krech Zespół dydaktyczny Dr Ireneusz Krech Dr Robert Pluta Opis kursu (cele
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
Bardziej szczegółowoHipotezy statystyczne
Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej próbki losowej. Hipotezy
Bardziej szczegółowoWymagania edukacyjne z matematyki w klasie III gimnazjum
Wymagania edukacyjne z matematyki w klasie III gimnazjum - nie potrafi konstrukcyjnie podzielić odcinka - nie potrafi konstruować figur jednokładnych - nie zna pojęcia skali - nie rozpoznaje figur jednokładnych
Bardziej szczegółowoFK - Deklaracje CIT-8
FK - Deklaracje CIT-8 1. Wstęp. Moduł FK umoŝliwia przygotowanie i wydruk formularza deklaracji podatkowej CIT-8. W skład dostępnych formularzy wchodzą deklaracje CIT-8(21) oraz CIT- 8/O(8). Dane do formularza
Bardziej szczegółowoAgata Boratyńska Statystyka aktuarialna... 1
Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej
Bardziej szczegółowoTestowanie hipotez statystycznych. Wnioskowanie statystyczne
Testowanie hipotez statystycznych Wnioskowanie statystyczne Hipoteza statystyczna to dowolne przypuszczenie co do rozkładu populacji generalnej (jego postaci funkcyjnej lub wartości parametrów). Hipotezy
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria Wykład 5 Anna Skowrońska-Szmer lato 2016/2017 Hipotezy 2 Hipoteza zerowa (H 0 )- hipoteza o wartości jednego (lub wielu) parametru populacji. Traktujemy ją jako prawdziwą
Bardziej szczegółowoWykład 2. Zdarzenia niezależne i prawdopodobieństwo całkowite
Wstęp do probabilistyki i statystyki Wykład 2. Zdarzenia niezależne i prawdopodobieństwo całkowite dr hab.inż. Katarzyna Zakrzewska, prof.agh, Katedra lektroniki, WIT AGH Wstęp do probabilistyki i statystyki.
Bardziej szczegółowoWykład 2. Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova)
Wykład 2 Przykład zastosowania teorii prawdopodobieństwa: procesy stochastyczne (Markova) 1. Procesy Markova: definicja 2. Równanie Chapmana-Kołmogorowa-Smoluchowskiego 3. Przykład dyfuzji w kapilarze
Bardziej szczegółowoStatystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych.
Statystyka hydrologiczna i prawdopodobieństwo zjawisk hydrologicznych. Statystyka zajmuje się prawidłowościami zaistniałych zdarzeń. Teoria prawdopodobieństwa dotyczy przewidywania, jak często mogą zajść
Bardziej szczegółowoPOWSZECHNE KRAJOWE ZASADY WYCENY (PKZW)
POWSZECHNE KRAJOWE ZASADY WYCENY (PKZW) NOTA INTERPETACYJNA NR 1 NI 1 ZASTOSOWANIE PODEJŚCIA PORÓWNAWCZEGO W WYCENIE NIERUCHOMOŚCI 1. WPROWADZENIE...2 2. PRZEDMIOT I ZAKRES STOSOWANIA NOTY...2 3. ZAŁOśENIA
Bardziej szczegółowoDefinicja pochodnej cząstkowej
1 z 8 gdzie punkt wewnętrzny Definicja pochodnej cząstkowej JeŜeli iloraz ma granicę dla to granicę tę nazywamy pochodną cząstkową funkcji względem w punkcie. Oznaczenia: Pochodną cząstkową funkcji względem
Bardziej szczegółowoKLUCZ ODPOWIEDZI POPRAWNA ODPOWIEDŹ 1 D 2 C 3 C 4 B 5 D 6 A 7 D 8 D 9 A 10 C 11 B 12 A 13 A 14 B 15 D 16 B 17 C 18 A 19 B 20 D
Okręgowa Komisja Egzaminacyjna w Poznaniu KLUCZ ODPOWIEDZI DO ZADAŃ ZAMKNIĘTYCH NR ZADANIA POPRAWNA ODPOWIEDŹ D C 3 C 4 B 5 D 6 A 7 D 8 D 9 A 0 C B A 3 A 4 B 5 D 6 B 7 C 8 A 9 B 0 D Zadanie ( pkt) Okręgowa
Bardziej szczegółowoTypowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych
Typowe błędy w analizie rynku nieruchomości przy uŝyciu metod statystycznych Sebastian Kokot XXI Krajowa Konferencja Rzeczoznawców Majątkowych, Międzyzdroje 2012 Rzetelnie wykonana analiza rynku nieruchomości
Bardziej szczegółowoANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza
ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ Joanna Bryndza Wprowadzenie Jednym z kluczowych problemów w szacowaniu poziomu ryzyka przedsięwzięcia informatycznego
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoV. WYMAGANIA EGZAMINACYJNE
V. WYMAGANIA EGZAMINACYJNE Standardy wymagań egzaminacyjnych Zdający posiada umiejętności w zakresie: POZIOM PODSTAWOWY POZIOM ROZSZERZONY 1. wykorzystania i tworzenia informacji: interpretuje tekst matematyczny
Bardziej szczegółowoStatystyka matematyczna dla leśników
Statystyka matematyczna dla leśników Wydział Leśny Kierunek leśnictwo Studia Stacjonarne I Stopnia Rok akademicki 03/04 Wykład 5 Testy statystyczne Ogólne zasady testowania hipotez statystycznych, rodzaje
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 08 Sieci bayesowskie
Algorytmy stochastyczne, wykład 08 Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-04-10 Prawdopodobieństwo Prawdopodobieństwo Prawdopodobieństwo warunkowe Zmienne
Bardziej szczegółowoWstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, Spis treści
Wstęp do rachunku prawdopodobieństwa. Cz. 1 / William Feller. wyd. 6, dodr. 4. Warszawa, 2012 Spis treści Od Wydawnictwa 5 Z przedmowy autora do wydania pierwszego 7 Z przedmowy autora do wydania drugiego
Bardziej szczegółowoInternet wyszukiwarki internetowe
Internet wyszukiwarki internetowe 1. WYSZUKIWARKI INTERNETOWE to doskonały sposób na znalezienie potrzebnych informacji w Internecie. Najpopularniejsze wyszukiwarki to: http://www.google.pl/ http://www.netsprint.pl/
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne Czyli jak bardzo jesteśmy pewni że parametr oceniony na podstawie próbki jest
Bardziej szczegółowoLiteratura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.
Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej
Bardziej szczegółowoWnioskowanie statystyczne Weryfikacja hipotez. Statystyka
Wnioskowanie statystyczne Weryfikacja hipotez Statystyka Co nazywamy hipotezą Każde stwierdzenie o parametrach rozkładu lub rozkładzie zmiennej losowej w populacji nazywać będziemy hipotezą statystyczną
Bardziej szczegółowoAnaliza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady
Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń 1. Problem ozwaŝamy zjawisko (model): Y = β 1 X 1 X +...+ β k X k +Z Ηβ = w r Hipoteza alternatywna: Ηβ w r
Bardziej szczegółowoAlgorytmy estymacji stanu (filtry)
Algorytmy estymacji stanu (filtry) Na podstawie: AIMA ch15, Udacity (S. Thrun) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 kwietnia 2014 Problem lokalizacji Obserwowalność? Determinizm?
Bardziej szczegółowoTeoria błędów pomiarów geodezyjnych
PodstawyGeodezji Teoria błędów pomiarów geodezyjnych mgr inŝ. Geodeta Tomasz Miszczak e-mail: tomasz@miszczak.waw.pl Wyniki pomiarów geodezyjnych będące obserwacjami (L1, L2,, Ln) nigdy nie są bezbłędne.
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoWymagania dla klasy szóstej Treści na 2 na 3 na 4 na 5 na 6 Uczeń: Uczeń: Uczeń: Uczeń: Uczeń: Mnożenie ułamków zwykłych
Wymagania dla klasy szóstej Treści na 2 na 3 na 4 na 5 na 6 Uczeń: Uczeń: Uczeń: Uczeń: Uczeń: Mnożenie ułamków zwykłych Dzielenie ułamków zwykłych Liczby całkowite na osi liczbowej Dodawanie liczb całkowitych
Bardziej szczegółowoEstymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014
Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu
Bardziej szczegółowoPRZEWODNIK PO SERWISIE BRe BROKERS Rozdział 3
PRZEWODNIK PO SERWISIE BRe BROKERS Rozdział 3 NajwaŜniejsze funkcje transakcyjne w Serwisie BRe Brokers Składanie zleceń Serwis BRe Brokers umoŝliwia szybkie złoŝenie zlecenia m.in. z poziomu: funkcji
Bardziej szczegółowoRachunek Prawdopodobieństwa Anna Janicka
Rachunek Prawdopodobieństwa Anna Janicka wykład XIV, 24.01.2017 ŁAŃCUCHYMARKOWA CD. KRÓTKIE INFO O RÓŻNYCH WAŻNYCH ROZKŁADACH Plan na dzisiaj Łańcuchy Markowa cd. Różne ważne rozkłady prawdopodobieństwa,
Bardziej szczegółowoHipotezy statystyczne
Hipotezy statystyczne Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o którego prawdziwości lub fałszywości wnioskuje się na podstawie pobranej
Bardziej szczegółowoklasa III technikum I. FIGURY I PRZEKSZTAŁCENIA Wiadomości i umiejętności
I. FIGURY I PRZEKSZTAŁCENIA - zna i rozumie pojęcia, zna własności figur: ogólne równanie prostej, kierunkowe równanie prostej okrąg, równanie okręgu - oblicza odległość dwóch punktów na płaszczyźnie -
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoTeoria automatów i języków formalnych. Określenie relacji
Relacje Teoria automatów i języków formalnych Dr inŝ. Janusz ajewski Katedra Informatyki Określenie relacji: Określenie relacji Relacja R jest zbiorem par uporządkowanych, czyli podzbiorem iloczynu kartezjańskiego
Bardziej szczegółowoRozkład materiału nauczania
Dział/l.p. Ilość godz. Typ szkoły: TECHNIKUM Zawód: TECHNIK USŁUG FRYZJERSKICH Rok szkolny 2015/2016 Przedmiot: MATEMATYKA Klasa: III 2 godz/tyg 30 = 60 godzin Rozkład materiału nauczania Temat I. LOGARYTMY
Bardziej szczegółowo