Projekt Sieci neuronowe

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Projekt Sieci neuronowe"

Transkrypt

1 Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE

2 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków kredytowych firm ubiegających się o przyznanie kredytu gospodarczego na działalność bieżącą. Każdy przypadek w próbie opisany jest przez 50 zmiennych. Na potrzeby projektu wybrano następujące zmienne ilościowe: x 1 i x 25 - wskaźnik rentowności aktywów (ROA) [w%] w okresie t-1 i t; x 3 i x 27 -wskaźnik rentowności sprzedaży (ROS) [w %] w okresie t-1 i t; x 4 i x 28 -wskaźnik rentowności brutto [w %] w okresie t-1 i t; x 21 i x 45 -wskaźnik pokrycia obsługi długu w okresie t-1 i t; x 24 i x 48 -stopa zadłużenia w okresie t-1 i t; W zbiorze danych istnieje atrybut decyzyjny ocena kredytowa który przyjmuje 2 możliwe wartości: Ocena kredytowa Oznaczenie numeryczne Przedsiębiorstwo niewiarygodne odmowa przyznania kredytu 0 Przedsiębiorstwo wiarygodne przyznać kredyt 1 W każdej klasie znajduje się po 55 obserwacji. W projekcie uwzględniono przedsiębiorstwa wszystkich branż. W każdym z 3 rozpatrywanych modeli nie uwzględniono 10 obserwacji, które zostały wykorzystane w celu sprawdzenia poprawności sieci. W związku z powyższym w każdym modelu podzbiór walidacyjny wynosił 0% obserwacji. W każdym modelu wielkość podzbioru uczącego i testowego była taka sama.

3 Liczność prób losowych % Ucząca 80 Testowa 20 Walidacyjna 0 W każdym z trzech modeli wygenerowano 5 najlepszych sieci. 2. Model 1 regresja Jako funkcję aktywacji sieci MLP dla neuronów ukrytych i neuronów wyjściowych wybrano funkcję liniową. Podsumowanie aktywnych sieci Id sieci Nazwa sieci Jakość uczenia Jakość testowanie Błąd uczenie Błąd testowanie Algorytm uczenia Funkcja błędu (ukryte) (wyjściowe) 1 MLP ,607 0,562 0,079 0,086 BFGS 9 SOS Liniowa Liniowa 2 MLP ,597 0,562 0,081 0,085 BFGS 9 SOS Liniowa Liniowa 3 MLP ,620 0,538 0,077 0,088 BFGS 8 SOS Liniowa Liniowa 4 MLP ,604 0,548 0,079 0,087 BFGS 8 SOS Liniowa Liniowa 5 MLP ,613 0,540 0,079 0,090 BFGS 8 SOS Liniowa Liniowa Wagi sieci na zielono zaznaczone zostały wagi ujemne, na czerwono wagi bliskie zeru (mało istotne) Połączenia dla sieci 1 dla sieci 2 dla sieci 3 dla sieci 4 dla sieci 5 ROA 1 --> ukryty neuron 1-0, ,4816-0, , , ROA 2 --> ukryty neuron 1-7, ,7223 2, , ,050179

4 ROS 1 --> ukryty neuron 1-1, ,2681 0, , , ROS 2 --> ukryty neuron 1-1, ,6609 0, , , rentowność brutto 1 --> ukryty neuron 1 2, ,8291-0, , , rentowność brutto 2 --> ukryty neuron 1-0, ,5751 0, , , wsk. pokrycia obsługi długu 1 --> ukryty neuron 1-0, ,6608 0, , , wsk. pokrycia obsługi długu 2 --> ukryty neuron 1-1, ,5962 0, , , stopa zadłużenia 1 --> ukryty neuron 1 0, ,2111-0, , , stopa zadłużenia 2 --> ukryty neuron 1 1, ,8929-0, , , przesunięcie wejściowych --> ukryty neuron 1 0, ,3036-0, , , ukryty neuron 1 --> ukryty neuron 1-0, ,1340 0, , , przesunięcie ukrytych --> ukryty neuron 1-0, ,5650 0, , , Przewidywania dla nowych danych 1.ocena 2.ocena 3.ocena 4.ocena 5.ocena Rzeczywista ocena kredytowa 1 0,581 0,628 0,610 0,629 0, ,461 5,993 5,814 5,625 6, ,043 1,256 1,192 1,229 1, ,455 0,477 0,487 0,469 0, ,166 0,131 0,213 0,225 0, ,725 0,794 0,749 0,750 0, ,464 0,485 0,475 0,467 0, ,407 0,421 0,405 0,402 0, ,394 0,424 0,387 0,393 0, ,035-0,118-0,045-0,089-0,171 0 W przypadku modelu regresyjnego przewidywania oceny kredytowej dość mocno odchylają się od rzeczywistych wartości dla każdej z wygenerowanych sieci. Różnice w drugim przypadku były ekstremalnie duże. Można przyjąć założenie, że sieć klasyfikuje wniosek

5 pozytywnie gdy wartość przewidywana jest większa od 0,5 i negatywnie gdy wartość przewidywana jest mniejsza od 0,5. Przy takim założeniu wygenerowane sieci kwalifikują poprawnie 8 na 10 przypadków. Na czerwono zostały zaznaczone 2 przypadki, które mają wartości bardzo bliskie 0,5 i nie można jednoznacznie określić czy sieć poprawnie je zaklasyfikowała. 3. Model 2 1 warstwa ukryta Jako funkcję aktywacji sieci MLP dla neuronów ukrytych i neuronów wyjściowych następujące funkcje: liniową, logistyczną, Tanh oraz wykładniczą Podsumowanie aktywnych sieci Id sieci Nazwa sieci Jakość (uczenie) Jakość (testowanie) Błąd (uczenie) Błąd (testowanie) Algorytm uczenia Funkcja błędu (ukryte) (wyjściowe) 1 MLP ,805 0,662 0,044 0,074 BFGS 8 SOS Tanh Tanh 2 MLP ,865 0,638 0,031 0,081 BFGS 11 SOS Wykładnicza Tanh 3 MLP ,875 0,698 0,031 0,075 BFGS 16 SOS Logistyczna Logistyczna 4 MLP ,873 0,641 0,030 0,078 BFGS 15 SOS Tanh Liniowa 5 MLP ,857 0,639 0,034 0,082 BFGS 14 SOS Tanh Liniowa Wagi sieci na zielono zaznaczone zostały wagi ujemne, na czerwono wagi bliskie zeru (mało istotne) Bardzo małą wagę 0,09 bliską zeru można zauważyć w przypadku wskaźnika pokrycia obsługi długu 1 dla sieci 1 Połączenia dla sieci 1 Wartości wag dla sieci 2 Wartości wag dla sieci 3 Wartości wag dla sieci 4 Wartości wag dla sieci 5 1 ROA 1 --> ukryty neuron 1 4,490 4,919-20,601 5,762 3,337 2 ROA 2 --> ukryty neuron 1 34,772 39, ,125 38,580 24,807

6 3 ROS 1 --> ukryty neuron 1 3,433 3,937-16,000 2,663 1,564 4 ROS 2 --> ukryty neuron 1 0,398-2,022 4,735-1,254-1,051 5 rentowność brutto 1 --> ukryty neuron 1-10,534-15,272 49,634-12,292-6,975 6 rentowność brutto 2 --> ukryty neuron 1 8,614 9,027-38,716 8,037 5,082 7 wsk. pokrycia obsługi długu 1 --> ukryty neuron 1 0,090 0,783-1,946-0,609-1,178 8 wsk. pokrycia obsługi długu --> ukryty neuron 1 4,247 4,501-14,347 5,024 2,980 9 stopa zadłużenia 1 --> ukryty neuron 1-2,342-3,257 4,691-3,413-1, stopa zadłużenia 2 --> ukryty neuron 1-8,248-1,923 17,021-1,701-1,020 przesunięcie wejściowych --> ukryty 11 neuron 1-18,474-21,356 80,926-20,946-13, ukryty neuron 1 --> ocena kredytowa 1,144 0,813-85,158 0,472 0,513 przesunięcie ukrytych --> ocena 13 kredytowa 1,215-0,011 62,409 0,478 0,461 Przewidywania dla nowych danych 1.ocena 2.ocena 3.ocena 4.ocena 5.ocena Rzeczywista ocena kredytowa 1 0,982 1,000 1,000 0,945 0, ,982 1,000 1,000 0,949 0, ,982 1,000 1,000 0,949 0, ,446 0,233 0,000 0,261 0, ,071 0,031 0,000 0,011-0, ,982 1,000 1,000 0,949 0, ,395 0,684 1,000 0,767 0, ,089 0,219 0,000 0,241 0, ,071 0,166 0,000 0,027-0, ,071-0,011 0,000 0,006-0,052 0 W przypadku prostego modelu z jedną warstwą ukrytą znacznie poprawiło się przewidywanie dla nowych danych. W większości przypadków wartości przewidywane są równe wartościom rzeczywistym, bądź są bardzo do nich zbliżone. Jedynie w 1 ocenie kredytowej (pierwsza sieć wygenerowana z pięciu) dla przypadku 7 (podświetlone na czerwono) sieć błędnie zaklasyfikowała wniosek kredytowy,

7 ponadto w przypadku 4 wartość przewidywana jest bardzo bliska wartości 0,5 co nie pozwala jednoznacznie określić jak sieć zaklasyfikowała dany przypadek. Spośród pięciu wygenerowanych sieci trzecia jest najlepsza ponieważ wartości przewidywane są identyczne jak rzeczywiste, jakość jej uczenia i testowania są najwyższe i błędy najniższe. 4. Model 3 od 1 do 3 warstw ukrytych Jako funkcję aktywacji sieci MLP dla neuronów ukrytych i neuronów wyjściowych następujące funkcje: liniową, logistyczną, Tanh oraz wykładniczą Podsumowanie aktywnych sieci Id sieci Nazwa sieci Jakość (uczenie) Jakość (testowanie) Błąd (uczenie) Błąd (testowanie) Algorytm uczenia Funkcja błędu (ukryte) (wyjściowe) 1 MLP ,896 0,642 0,025 0,087 BFGS 39 SOS Logistyczna Tanh 2 MLP ,900 0,696 0,025 0,076 BFGS 21 SOS Liniowa Logistyczna 3 MLP ,877 0,641 0,029 0,081 BFGS 9 SOS Wykładnicza Logistyczna 4 MLP ,925 0,703 0,019 0,075 BFGS 39 SOS Liniowa Logistyczna 5 MLP ,801 0,666 0,045 0,078 BFGS 20 SOS Logistyczna Tanh Wagi sieci na zielono zaznaczone zostały wagi ujemne, nie ma wag mało istotnych bliskich zeru Połączenia dla sieci 1 dla sieci 4 dla sieci 5 1 ROA 1 --> ukryty neuron 1 22,204-17,747 8,0321

8 2 ROA 2 --> ukryty neuron 1 36,613-50,474 26, ROS 1 --> ukryty neuron 1 7,398-12,983 2, ROS 2 --> ukryty neuron 1-0,423-71,854-3, rentowność brutto 1 --> ukryty neuron 1-12,074 24,098 0, rentowność brutto 2 --> ukryty neuron 1 13,506-1,526 6, wsk. pokrysia obsługi długu 1 --> ukryty neuron 1 8,825-2,247 0, wsk. pokrycia obsługi długu --> ukryty neuron 1 3,592-8,515 2, stopa zadłużenia 1 --> ukryty neuron 1-57,764 10,120 0, stopa zadłużenia 2 --> ukryty neuron 1-86,719 15,722-5, ROA 1 --> ukryty neuron 2 48, ,317-7, ROA 2 --> ukryty neuron 2 236, ,072 17, ROS 1 --> ukryty neuron 2 19,264-79,274 1, ROS 2 --> ukryty neuron 2 5,836-87,034-2, rentowność brutto 1 --> ukryty neuron 2-70,562 60,325-0, rentowność brutto 2 --> ukryty neuron 2 53,215-95,018 5, wsk. pokrysia obsługi długu 1 --> ukryty neuron 2 3,681-45,530-3, wsk. pokrycia obsługi długu --> ukryty neuron 2 43,427-95,512 2, stopa zadłużenia 1 --> ukryty neuron 2-18, ,242-3, stopa zadłużenia 2 --> ukryty neuron 2-29, ,414 2, przesunięcie wejściowych --> ukryty neuron 1-18,350 61,989-16, przesunięcie wejściowych --> ukryty neuron 2-147,758 9,179-4, ukryty neuron 1 --> ocena kredytowa -21, ,169 1, ukryty neuron 2 --> ocena kredytowa 28,897 23,290 1, przesunięcie ukrytych --> ocena kredytowa 0,053-0,202-0,2510 Połączenia dla sieci 2 dla sieci 3 1 ROA 1 --> ukryty neuron 1 112,282 1,23627

9 2 ROA 2 --> ukryty neuron 1 827,228 11, ROS 1 --> ukryty neuron 1 88,294 1, ROS 2 --> ukryty neuron 1-40,141-0, rentowność brutto 1 --> ukryty neuron 1-334,093-3, rentowność brutto 2 --> ukryty neuron 1 196,501 2, wsk. pokrysia obsługi długu 1 --> ukryty neuron 1 31,438 0, wsk. pokrycia obsługi długu --> ukryty neuron 1 105,272 1, stopa zadłużenia 1 --> ukryty neuron 1-37,884-0, stopa zadłużenia 2 --> ukryty neuron 1-89,030-0, przesunięcie wejściowych --> ukryty neuron 1-429,630-5, ukryty neuron 1 --> ocena kredytowa 30,075 5, przesunięcie ukrytych --> ocena kredytowa -199,396-7,16814 Przewidywania dla nowych danych 1.ocena 2.ocena 3.ocena 4.ocena 5.ocena Rzeczywista ocena kredytowa 1 1,000 1,000 1,000 1,000 0, ,000 1,000 1,000 1,000 0, ,000 1,000 1,000 1,000 0, ,089 0,000 0,251 0,000 0, ,053 0,000 0,026 0,000 0, ,000 1,000 1,000 1,000 0, ,995 1,000 0,765 1,000 0, ,054 0,000 0,192 0,000 0, ,053 0,000 0,133 0,000-0, ,053 0,000 0,001 0,000-0,184 0

10 Dla modelu 3 przewidywanie dla nowych danych jest znacznie lepsze niż w dwóch poprzednich modelach. Wartości przewidywane nie odbiegają znacząco od rzeczywistych i każda z pięciu wygenerowanych sieć poprawnie zaklasyfikowała wnioski kredytowe. Najlepsza jednak spośród wszystkich okazała się sieć 4 ponieważ jej wartości przewidywane są identyczne jak rzeczywiste. Jest to sieć, której jakość uczenia i testowania była najwyższa spośród wszystkich pięciu, ponadto sieć ta uzyskała najniższy błąd zarówno uczenia jak i testowania. WNIOSEK KOŃCOWY Sieci modelu regresyjnego nie mogą konkurować z sieciami modeli 2 i 3. Jakoś przewidywania danych w przypadku modelu 1 jest bardzo słaba. W modelu 2 z jedną warstwą ukrytą najlepszą siecią okazała się sieć nr 3, natomiast w modelu 3 sieć czwarta. Obydwie sieci poprawnie przewidywały dla nowych danych. Analizując jednak jakość uczenia i testowania oraz błędy, najlepszą siecią okazała się sieć nr 4 z modelu 3 (podświetlona na zielono) w którym liczba warstw ukrytych mogła być równa od 1 do 3. Sieć ta osiągnęła najwyższą jakość uczenia i testowania oraz najniższe błędy. Porównanie sieci Model i sieć Nazwa sieci Jakość (uczenie) Jakość (testowanie) Błąd (uczenie) Błąd (testowanie) Algorytm uczenia Funkcja błędu (ukryte) (wyjściowe) Model 2 sieć 3 MLP ,875 0,698 0,031 0,075 BFGS 16 SOS Logistyczna Logistyczna Model 3 sieć 4 MLP ,925 0,703 0,019 0,075 BFGS 39 SOS Liniowa Logistyczna

Sieci neuronowe w Statistica

Sieci neuronowe w Statistica http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej

Bardziej szczegółowo

ALGORYTMY SZTUCZNEJ INTELIGENCJI

ALGORYTMY SZTUCZNEJ INTELIGENCJI ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.

Bardziej szczegółowo

Sieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska

Sieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites

Bardziej szczegółowo

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót

Bardziej szczegółowo

Zastosowania sieci neuronowych

Zastosowania sieci neuronowych Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką

Bardziej szczegółowo

Katedra Zarządzania i Informatyki Politechnika Śląska

Katedra Zarządzania i Informatyki Politechnika Śląska prof. dr hab. Tadeusz Wieczorek mgr inż. Krystian Mączka Katedra Zarządzania i Informatyki Politechnika Śląska Charakterystyka procesu topienia złomu w piecu łukowym Problemy do rozwiązania Prezentacja

Bardziej szczegółowo

Oprogramowanie Systemów Obrazowania SIECI NEURONOWE

Oprogramowanie Systemów Obrazowania SIECI NEURONOWE SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,

Bardziej szczegółowo

Metody Sztucznej Inteligencji II

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

Bardziej szczegółowo

ALGORYTM RANDOM FOREST

ALGORYTM RANDOM FOREST SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM

Bardziej szczegółowo

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa

Bardziej szczegółowo

Podstawy sztucznej inteligencji

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

Bardziej szczegółowo

Testowanie modeli predykcyjnych

Testowanie modeli predykcyjnych Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności

Bardziej szczegółowo

WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)

WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice) WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach

Bardziej szczegółowo

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska

Bardziej szczegółowo

Uczenie sieci typu MLP

Uczenie sieci typu MLP Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik

Bardziej szczegółowo

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa 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 szczegółowo

Przykładowa analiza danych

Przykładowa analiza danych Przykładowa analiza danych W analizie wykorzystano dane pochodzące z publicznego repozytorium ArrayExpress udostępnionego na stronach Europejskiego Instytutu Bioinformatyki (http://www.ebi.ac.uk/). Zbiór

Bardziej szczegółowo

ALGORYTMY SZTUCZNEJ INTELIGENCJI W LOGISTYCE

ALGORYTMY SZTUCZNEJ INTELIGENCJI W LOGISTYCE PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 117 Transport 2017 Arkadiusz Jóźwiak Wojskowa Akademia Techniczna, Wydział Logistyki, Instytut Logistyki Andrzej Świderski Instytut Transportu Samochodowego ALGORYTMY

Bardziej szczegółowo

Uczenie sieci neuronowych i bayesowskich

Uczenie sieci neuronowych i bayesowskich Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych

Bardziej szczegółowo

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

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline. Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2

Bardziej szczegółowo

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się

Bardziej szczegółowo

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex. Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów

Bardziej szczegółowo

Politechnika Warszawska

Politechnika Warszawska Politechnika Warszawska Programowa realizacja sieci neuronowych Zbigniew Szymański, Stanisław Jankowski grudzień 03 Instytut Informatyki Nowowiejska 5 / 9, 00-665 Warszawa Programowa realizacja sieci neuronowych

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby

Bardziej szczegółowo

Agnieszka Nowak Brzezińska

Agnieszka Nowak Brzezińska Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia

Bardziej szczegółowo

ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al

ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT

Bardziej szczegółowo

Metody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów

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

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.

Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-10 Projekt pn. Wzmocnienie

Bardziej szczegółowo

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

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

Bardziej szczegółowo

Rozpoznawanie obrazów

Rozpoznawanie obrazów Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania

Bardziej szczegółowo

Zastosowania sieci neuronowych

Zastosowania sieci neuronowych Zastosowania sieci neuronowych klasyfikacja LABORKA Piotr Ciskowski zadanie 1. klasyfikacja zwierząt sieć jednowarstwowa żródło: Tadeusiewicz. Odkrywanie własności sieci neuronowych, str. 159 Przykład

Bardziej szczegółowo

SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe

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

Bardziej szczegółowo

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,

Bardziej szczegółowo

8. Neuron z ciągłą funkcją aktywacji.

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

Bardziej szczegółowo

Wprowadzenie do uczenia maszynowego

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

Bardziej szczegółowo

Widzenie komputerowe

Widzenie komputerowe Widzenie komputerowe Uczenie maszynowe na przykładzie sieci neuronowych (3) źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Zdolność uogólniania sieci neuronowej R oznaczenie

Bardziej szczegółowo

Asocjacyjna reprezentacja danych i wnioskowanie

Asocjacyjna reprezentacja danych i wnioskowanie Asocjacyjna reprezentacja danych i wnioskowanie Wykorzystane technologie JetBrains PyCharm 504 Python 35 Struktura drzewa GRAPH PARAM PARAM ID1 ID2 ID_N params params params param_name_1: param_value_1

Bardziej szczegółowo

PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH

PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W

Bardziej szczegółowo

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

Systemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016 Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z liniowym zadaniem najmniejszych

Bardziej szczegółowo

Klasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV

Klasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną

Bardziej szczegółowo

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony

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

Bardziej szczegółowo

Dobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2

Dobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2 Budownictwo i Architektura 12(4) (2013) 233-250 Dobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2 1 Katedra Inżynierii Procesów Budowlanych, Wydział Budownictwa i Architektury,

Bardziej szczegółowo

Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie

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

Bardziej szczegółowo

6. Perceptron Rosenblatta

6. Perceptron Rosenblatta 6. Perceptron Rosenblatta 6-1 Krótka historia perceptronu Rosenblatta 6-2 Binarne klasyfikatory liniowe 6-3 Struktura perceptronu Rosenblatta 6-4 Perceptron Rosenblatta a klasyfikacja 6-5 Perceptron jednowarstwowy:

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Sztuczne sieci neuronowe (SNN)

Sztuczne sieci neuronowe (SNN) Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe

Bardziej szczegółowo

SIECI RBF (RADIAL BASIS FUNCTIONS)

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

Bardziej szczegółowo

MODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH

MODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH 167 MICHAŁ JUSZCZYK MODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH THE COST MODELLING OF RESIDENTIAL BUILDINGS REALIZATION WITH NEURAL NETWORK

Bardziej szczegółowo

Sieci neuronowe - dokumentacja projektu

Sieci 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 szczegółowo

Politechnika Lubelska

Politechnika Lubelska Politechnika Lubelska Wydział Zarządzania i Podstaw Techniki Temat: Sieć neuronowa do klasyfikacji rodzaju węgla kamiennego. Prowadzący: Wykonał: Dr Popko Artur Marek Harasimiuk ETI 5.3. (gr. lab. 5.5)

Bardziej szczegółowo

Temat: Sieci neuronowe oraz technologia CUDA

Temat: Sieci neuronowe oraz technologia CUDA Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w

Bardziej szczegółowo

Eksploracja 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. 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 szczegółowo

WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN

WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia

Bardziej szczegółowo

Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817

Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii

Bardziej szczegółowo

Algorytmy metaheurystyczne Wykład 11. Piotr Syga

Algorytmy metaheurystyczne Wykład 11. Piotr Syga Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,

Bardziej szczegółowo

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

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

Bardziej szczegółowo

S O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor

S O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.

Bardziej szczegółowo

AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI

AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI Tomasz Huczek Promotor: dr Adrian Horzyk Cel pracy Zasadniczym celem pracy było stworzenie systemu

Bardziej szczegółowo

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

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

Bardziej szczegółowo

LOGISTYKA. Zapas: definicja. Zapasy: podział

LOGISTYKA. Zapas: definicja. Zapasy: podział LOGISTYKA Zapasy Zapas: definicja Zapas to określona ilość dóbr znajdująca się w rozpatrywanym systemie logistycznym, bieżąco nie wykorzystywana, a przeznaczona do późniejszego przetworzenia lub sprzedaży.

Bardziej szczegółowo

Najprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;

Najprostsze 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 szczegółowo

Sztuczne sieci neuronowe Ćwiczenia. Piotr Fulmański, Marta Grzanek

Sztuczne sieci neuronowe Ćwiczenia. Piotr Fulmański, Marta Grzanek Sztuczne sieci neuronowe Ćwiczenia Piotr Fulmański, Marta Grzanek Piotr Fulmański 1 Wydział Matematyki i Informatyki, Marta Grzanek 2 Uniwersytet Łódzki Banacha 22, 90-232, Łódź Polska e-mail 1: fulmanp@math.uni.lodz.pl,

Bardziej szczegółowo

Testowanie hipotez statystycznych

Testowanie hipotez statystycznych 9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :

Bardziej szczegółowo

Porównanie opłacalności kredytu w PLN i kredytu denominowanego w EUR Przykładowa analiza

Porównanie opłacalności kredytu w PLN i kredytu denominowanego w EUR Przykładowa analiza Porównanie opłacalności kredytu w PLN i kredytu denominowanego w EUR Przykładowa analiza Opracowanie: kwiecień 2016r. www.strattek.pl strona 1 Spis 1. Parametry kredytu w PLN 2 2. Parametry kredytu denominowanego

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Metody klasyfikacji danych - część 1 p.1/24

Metody klasyfikacji danych - część 1 p.1/24 Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji

Bardziej szczegółowo

Elementy modelowania matematycznego

Elementy modelowania matematycznego Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski

Bardziej szczegółowo

PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH

PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH Przewody wodociągowe, sieci neuronowe, uszkodzenia Małgorzata KUTYŁOWSKA* PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH Celem pracy jest analiza i

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych

Bardziej szczegółowo

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)

weryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja) PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

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

Bardziej szczegółowo

Klasyfikacja województw według ich konkurencyjności przy pomocy metod taksonomicznych oraz sieci neuronowych.

Klasyfikacja województw według ich konkurencyjności przy pomocy metod taksonomicznych oraz sieci neuronowych. Klasyfikacja województw według ich konkurencyjności przy pomocy metod taksonomicznych oraz sieci neuronowych. Krzysztof Karpio, Piotr Łukasiewicz, rkadiusz Orłowski, rkadiusz Gralak Katedra Ekonometrii

Bardziej szczegółowo

Dokumentacja Końcowa

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

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 3 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba Cel zadania Celem zadania jest zaimplementowanie algorytmów

Bardziej szczegółowo

WYKŁAD 6. Reguły decyzyjne

WYKŁAD 6. Reguły decyzyjne Wrocław University of Technology WYKŁAD 6 Reguły decyzyjne autor: Maciej Zięba Politechnika Wrocławska Reprezentacje wiedzy Wiedza w postaci reguł decyzyjnych Wiedza reprezentowania jest w postaci reguł

Bardziej szczegółowo

WEKA klasyfikacja z użyciem sztucznych sieci neuronowych

WEKA klasyfikacja z użyciem sztucznych sieci neuronowych WEKA klasyfikacja z użyciem sztucznych sieci neuronowych 1 WEKA elementy potrzebne do zadania WEKA (Data mining software in Java http://www.cs.waikato.ac.nz/ml/weka/) jest narzędziem zawierającym zbiór

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed

Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Zakres pracy Przegląd stanu wiedzy w dziedzinie biometrii, ze szczególnym naciskiem

Bardziej szczegółowo

SZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI

SZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI Dr Agnieszka MAZUR-DUDZIŃSKA Politechnika Łódzka, Katedra Zarządzania SZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI Streszczenie: Celem referatu jest zastosowanie sztucznych

Bardziej szczegółowo

Agnieszka Nowak Brzezińska Wykład III

Agnieszka Nowak Brzezińska Wykład III Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe

Bardziej szczegółowo

Wprowadzenie do klasyfikacji

Wprowadzenie do klasyfikacji Wprowadzenie do klasyfikacji ZeroR Odpowiada zawsze tak samo Decyzja to klasa większościowa ze zbioru uczącego A B X 1 5 T 1 7 T 1 5 T 1 5 F 2 7 F Tutaj jest więcej obiektów klasy T, więc klasyfikator

Bardziej szczegółowo

Co to jest grupowanie

Co to jest grupowanie Grupowanie danych Co to jest grupowanie 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Szukanie grup, obszarów stanowiących lokalne gromady punktów Co to jest grupowanie

Bardziej szczegółowo

Podstawy sztucznej inteligencji

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

Bardziej szczegółowo

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH 1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza

Bardziej szczegółowo

ZESZYTY NAUKOWE WSOWL. Nr 4 (162) 2011 ISSN NAUKI EKONOMICZNE

ZESZYTY NAUKOWE WSOWL. Nr 4 (162) 2011 ISSN NAUKI EKONOMICZNE ZESZYTY NAUKOWE WSOWL Nr 4 (162) 2011 ISSN 1731-8157 NAUKI EKONOMICZNE Artur DUCHACZEK Dariusz SKORUPKA ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W SYSTEMACH WSPOMAGANIA DECYZJI Z OBSZARU ZARZĄDZANIA LOGISTYKĄ

Bardziej szczegółowo

Sztuczne siei neuronowe - wprowadzenie

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

Bardziej szczegółowo

PRZEWIDYWANIE WŁAŚCIWOŚCI PRODUKTU Z WYKORZYSTANIEM UCZENIA MASZYN

PRZEWIDYWANIE WŁAŚCIWOŚCI PRODUKTU Z WYKORZYSTANIEM UCZENIA MASZYN PRZEWIDYWANIE WŁAŚCIWOŚCI PRODUKTU Z WYKORZYSTANIEM UCZENIA MASZYN Tomasz Demski, StatSoft Polska Sp. z o.o. Przewidywanie właściwości produktu na podstawie składu surowcowego oraz parametrów przebiegu

Bardziej szczegółowo

Wskaźnik Formuła OB D% aktywa trwałe aktywa obrotowe

Wskaźnik Formuła OB D% aktywa trwałe aktywa obrotowe 1. Wskaźniki sprawności działania Wskaźnik Formuła 2009 2008 OB D% 1. Podstawowy wsk. Struktury majątkowej aktywa trwałe aktywa obrotowe 2. 3. 4. 5. 6. 7. 8. 9. 10. Wskaźnik produktywności aktywów (wskaźnik

Bardziej szczegółowo

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW

Bardziej szczegółowo

Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT

Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT Analiza możliwości zastosowania sieci neuronowych do modelowania wartości kapitału społecznego w firmach IT Julia Siderska Politechnika Białostocka, Wydział Zarządzania, e-mail: j.siderska@pb.edu.pl Streszczenie

Bardziej szczegółowo

WSTĘP ZAŁOŻENIA DO PROJEKTU

WSTĘP ZAŁOŻENIA DO PROJEKTU UNIWERSYTET ZIELONOGÓRSKI WYDZIAŁ ZARZĄDZANIA Przykład analizy opłacalności przedsięwzięcia inwestycyjnego WSTĘP Teoria i praktyka wypracowały wiele metod oceny efektywności przedsięwzięć inwestycyjnych.

Bardziej szczegółowo

Metody Prognozowania: Sztuczne sieci neuronowe

Metody Prognozowania: Sztuczne sieci neuronowe Metody prognozowania: Sztuczne sieci Cechy mózgu ODPORNY NA USZKODZENIA; ELASTYCZNY ŁATWO DOSTOSOWUJE SIĘ DO ZMIENNEGO OTOCZENIA; UCZY SIĘ -NIE MUSI BYĆ PROGRAMOWANY; POTRAFI RADZIĆ SOBIE Z INFORMACJĄ

Bardziej szczegółowo

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński

Mikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński Mikroekonometria 13 Mikołaj Czajkowski Wiktor Budziński Endogeniczność regresja liniowa W regresji liniowej estymujemy następujące równanie: i i i Metoda Najmniejszych Kwadratów zakłada, że wszystkie zmienne

Bardziej szczegółowo

Prognoza sprawozdania finansowego Bilans

Prognoza sprawozdania finansowego Bilans Prognoza sprawozdania go Bilans 31.12.24 31.12.25 31.12.26 Wartości niematerialne i prawne Rzeczowe aktywa trwałe Długoterminowe Zapasy Należności Inwestycje 594 3474 3528 954 52119 54 12 759 693 2259

Bardziej szczegółowo