Sztuczna inteligencja
|
|
- Radosław Ciesielski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Wstęp do Robotyki c W. Szynkiewicz, Sztuczna inteligencja Inteligencja to zdolność uczenia się i rozwiązywania problemów Główne działy sztucznej inteligencji: 1. Wnioskowanie: Wykorzystanie logiki formalnej(np. rachunku zdań, rachunku predykatów pierwszego rzędu) do uzyskania efektywnych algorytmów dedukcji. Mechaniczne wyprowadzanie logicznych konsekwencji bazy wiedzy za pomocą reguł wnioskowania. Metody automatycznego wnioskowania znalazły zastosowanie w systemach eksperckich i systemach dowodzenia twierdzeń. 2. Przeszukiwanie: Problem jest opisywany przez przestrzeń możliwych stanów z wyróżnionymi stanami końcowymi odpowiadającymi dopuszczalnym rozwiązaniom oraz przez zestaw operatorów, umożliwiających poruszanie się w przestrzeni stanów. Znalezienie rozwiązania optymalnego sprowadza się do znalezienia najlepszej(według określonego kryterium) sekwencji operatorów przeprowadzających stan początkowy w jeden ze stanów końcowych. Wstęp do Robotyki c W. Szynkiewicz, Planowanie: Znalezienie planu rozwiązania problemu w sposób bardziej efektywny niż przeszukiwanie przestrzeni stanów, na podstawie dostarczonej systemowi planowania wiedzy o efektach działania poszczególnych operatorów. Wiedza ta opisuje zmiany w stanie problemu, jakie powoduje zastosowanie każdego operatora. 4.Uczeniesię: Autonomiczna zmiana w postrzeganiu(percepcji) i reakcji systemu zachodząca w wyniku jego doświadczeń, zazwyczaj na podstawie określonej motywacji, która prowadzi do poprawy jakości jego działania. Uczenie się jest jednym z podstawowych atrybutów naturalnej lub sztucznej inteligencji, z którym związana jest adaptacyjność i autonomiczność działania.
2 Wstęp do Robotyki c W. Szynkiewicz, Cechy inteligentnego robota: Sztuczna inteligencja w robotyce Percepcja otoczenia automatyczne rozpoznawanie i interpretacja sygnałów, w szczególności rozpoznawanie i przetwarzanie obrazów. Wyższe zdolności poznawcze: Reprezentacja wiedzy jak robot powinien opisywać siebie, swoje środowisko oraz zadanie (symboliczna reprezentacja świata: kategorie, jednostki, relacje, kojarzenie symboli z fizycznymi obiektami). Wnioskowanie generowanie odpowiedzi, gdy dostępna jest niepełna informacja(wnioskowanie o stanie, warunkach, wynikach działania). Przeszukiwanie przeszukiwanie bazy wiedzy, poszukiwanie obiektów w środowisku, itp. Planowanie i rozwiązywanie problemów planowanie misji, zadania, ścieżki. Komunikacja z otoczeniem rozpoznawanie i synteza mowy, rozumienie naturalnego języka, konwersacja z człowiekiem. Uczenie się i adaptacja nabywanie nowej wiedzy, doświadczeń i umiejętności. Powyższe cechy zapewniają autonomię robota czyli zdolność do samodzielnego działania w środowisku. Wstęp do Robotyki c W. Szynkiewicz, Definicja: Uczenie się Uczenie się jest to każda autonomiczna zmiana w percepcji i reakcji systemu(organizmu) zachodząca w wyniku jego doświadczeń, zwykle na podstawie jakiejś motywacji, która prowadzi do poprawy jakości jego działania. Powyższa definicja jest niezbyt precyzyjna: Warunki określające zmianę można stosunkowo łatwo zdefiniować i obiektywnie zweryfikować. Dla określenia poprawy jakości działania należy wprowadzić odpowiednie kryterium/kryteria oceny oraz jakich aspektów działania systemu ocena ma dotyczyć. Ocena autonomiczności zmian oraz to czy zachodzą one na podstawie doświadczeń jest, w ogólnym przypadku, problematyczna. Inna definicja uczenia się: Uczenie się to zdobywanie wiedzy lub poprawianie umiejętności na podstawie doświadczeń, obserwacji lub nauczania.
3 Œrodowisko Wstęp do Robotyki c W. Szynkiewicz, Składniki systemu uczącego się: element uczący się odpowiada za poprawę jakości(decyduje w jaki sposób powinien być modyfikowany element wykonawczy aby uzyskać w poprawę w przyszłości) element wykonawczy odpowiada za wybór akcji(wykorzystuje obserwacje i decyduje o działaniach) generator działań proponuje działania, które prowadzą do uzyskania nowych doświadczeń krytyk odpowiada za ocenę działania elementu uczącego(wykorzystuje ustalony standard wykonania określany jako definiowanie zbioru wybranych obserwacji, które będą traktowane jako realizacja bezpośredniego sprzężenia od jakości zachowania agenta) Standard wykonania Krytyk Czujniki Element ucz¹cy siê Element wykonawczy Generator dzia³añ Efektory Agent/robot Rys. 1: Ogólny schemat uczenia się agenta Wstęp do Robotyki c W. Szynkiewicz, Uczenie się a adaptacja Adaptacja jest to dostosowanie się do funkcjonowania w środowisku przez dostrojenie parametrów i/lub struktury na podstawie bieżącej informacji. + - Uk³ad Sterowania Obiekt Uchyb Algorytm Adaptacji Rys. 2: Ogólna architektura sterowania adaptacyjnego
4 Wstęp do Robotyki c W. Szynkiewicz, Kryteria klasyfikacji rodzajów uczenia się Wybrane kryteria klasyfikacji rodzajów uczenia się(systemów uczących się): Metoda reprezentacji wiedzy lub umiejętności drzewa decyzyjne, reguły, formuły logiki predykatów, rozkłady prawdopodobieństw, automaty skończone. Sposób wykorzystania wiedzy lub umiejętności zazwyczaj sposób użycia wiedzy określony jest przez metodę reprezentacji wiedzy oraz cel, najczęściej jest to klasyfikacja, aproksymacja i modelowanie środowiska. Źródło i postać informacji trenującej: uczenie się z nadzorem źródłem informacji jest nauczyciel, bez nadzoru brak informacji trenującej; Mechanizm nabywania i doskonalenia wiedzy lub umiejętności: indukcja podejście do wnioskowania polegające na uogólnieniu jednostkowej informacji trenującej w celu uzyskania ogólnej wiedzy, przypisanie zasługi występujące przy uczeniu się ze wzmocnieniem i polegające na określeniu wpływu poszczególnych akcji na otrzymane nagrody. Wstęp do Robotyki c W. Szynkiewicz, Klasyfikacje uczenia się Sposoby uczenia się uczenie się z nadzorem(supervised learning), uczenie się ze wzmocnieniem(reinforcement learning), bez nadzoru(unsupervised learning) Reprezentacje: numeryczne lub symboliczne operowanie funkcjami numerycznymi operowanie reprezentacjami symbolicznymi Indukcyjne lub dedukcyjne indukcyjne: uogólnianie na podstawie przykładów dedukcyjne: wykorzystanie wiedzy ogólnej do wyciągania konkretnych wniosków
5 Wstęp do Robotyki c W. Szynkiewicz, Tworzenie systemu uczenia się Projektowanie elementu uczącego zależy od następujących czynników: Które składniki elementu wykonawczego są poprawiane? Jaką reprezentację wykorzystano do opisu tych składników? Jakie jest dostępne sprzężenie zwrotne? Jaka wiedza jest wcześniej dostępna? Składniki wykorzystywane do budowy elementu wykonawczego: 1. Bezpośrednie odwzorowanie bieżącego stanu na akcje. 2. Sposób określania odpowiednich własności środowiska na podstawie ciągu obserwacji. 3. Informacja o tym jak zmienia się środowisko. 4. Informacja o wynikach akcji, które może wykonać agent. 5. Informacja użyteczności wskazująca pożądaność stanów środowiska. 6. Informacja wartości akcji wskazująca pożądaność pewnych akcji w poszczególnych stanach. 7. Cele opisujące klasy stanów, których osiągnięcie maksymalizuje użyteczność agenta. Wstęp do Robotyki c W. Szynkiewicz, Każdy z powyższych składników może być opisany za pomocą funkcji i nauczony, przy założenie, że jest dane odpowiednie sprzężenie zwrotne. Często uczenie się może być traktowane jako uczenie się opisu odwzorowania(funkcji). Wejœcia Odwzorowanie? Wyjœcia Rys. 3: Uczenie się odwzorowania Odwzorowania mogą być reprezentowane przez zdania logiczne, wielomiany z wagami, sztuczne sieci neuronowe, i in.
6 Wstęp do Robotyki c W. Szynkiewicz, Co umożliwia uczenie się? Wprowadzenie nowej wiedzy(fakty, zachowania, reguły) do systemu Uogólnienie pojęć Specjalizację pojęć Tworzenie lub odkrywanie nowych pojęć Reorganizację informacji Tworzenie wyjaśnień Wykorzystywanie wcześniejszych doświadczeń Stosowana terminologia: nagroda/kara dodatnie/ujemne sprzężenie funkcja kosztu(miara jakości) wskaźnik jakości uczenia się indukcja generacja funkcji(hipotezy) aproksymującej przykłady nauczyciel/krytyk element zapewniający sprzężenie obiekt/model system(agent, robot), który uczy się Wstęp do Robotyki c W. Szynkiewicz, Uczenie się indukcyjne Uczenie się indukcyjne polega na uogólnieniu obserwacji, przykładów, jednostkowej informacji trenującej w celu przewidywania nowych obserwacji, uzyskania ogólnej wiedzy. Wyróżniamy trzy rodzaje uczenia się indukcyjnego: uczenie się pojęć(klasyfikacja przykładów) pojęcie to jedna z postaci wiedzy o świecie, używana do interpretowania zmysłowych obserwacji oraz abstrakcyjnych idei, pojęcia służą do klasyfikowania pewnych obiektów na grupy, zwane kategoriami; tworzenie pojęć(grupowanie przykładów) grupowanie pojęciowe: podział przykładów trenujących na grupy i nauczenie się odpowiadających tym grupom pojęć, uczenie się aproksymacji funkcji uczenie się nieznanej funkcji na podstawie par: argument, wartość funkcji. Praktyczne algorytmy uczenia się: indukcja drzew decyzyjnych, sieci bayesowskie.
7 Wstęp do Robotyki c W. Szynkiewicz, Tryby uczenia się indukcyjnego: tryb inkrementacyjny(uczenie się ciągłe, na bieżąco) przykłady trenujące dostarczane są na bieżąco, po przetworzeniu przykładu uczeń poprawia swą hipotezę, można w każdej chwili przerwać proces uczenia; tryb wsadowy(uczenie się jednorazowe) uczeń otrzymuje cały zbiór trenujący i przetwarza go, nie ma żadnych interakcji z nauczycielem lub otoczeniem; tryb epokowy(hybrydowy tryb łączący cechy trybów wsadowego i inkrementacyjnego proces uczenia jest zorganizowany w cykle zwane epokami); tryb korekcyjny(szczególna odmiana trybu inkrementacyjnego) ma zastosowanie tylko w przypadku uczenia się z nadzorem(tj. uczenia się pojęć i aproksymacji funkcji). Uczeń otrzymuje najpierw przykład nieetykietowany, dla którego ma wyznaczyć za pomocą swojej aktualnej hipotezy kategorię albo wartość funkcji docelowej. Odpowiedź ucznia jest porównywana z etykietą przykładu, po czym przekazuje się mu informację korekcyjną. Wstęp do Robotyki c W. Szynkiewicz, Uczenie się ze wzmocnieniem Uczenie się ze wzmocnieniem(reinforcement learning) jest to: Uczenie się celowego zachowania przez inteligentnego agenta na podstawie dynamicznych oddziaływań ze środowiskiem, na ogół nieznanym mu wcześniej, często niedeterministycznym, a także niestacjonarnym. Źródłem informacji o charakterze wartościującym jakość działania agenta jest krytyk(nie uczy lecz tylko ocenia agenta). Modelem matematycznym zadania uczenia się ze wzmocnieniem jest problem decyzyjny Markowa. Jest to problem znalezienia optymalnej strategii decyzyjnej dla środowiska, którego modelem z kolei jest proces stochastyczny Markowa. Proces decyzyjny Markowa jest definiowany jako czwórka(s, A, ρ, δ), gdzie: S jest skończonym zbiorem stanów; A jest skończonym zbiorem akcji; ρ:s A Rjestfunkcjąwzmocnienia,którejwartośćjestzmiennąlosowąowartościach rzeczywistych, oznaczającą nagrodę otrzymywaną po wykonaniu akcji a A w stanie s S; δ:s A Π(S)jestfunkcjąstanuprzejść,gdzieelementΠ(S)jestrozkłademprawdopodobieństwa nazbiorzes(następnystanpowykonaniua Awstanies S).Oznaczasięjakoδ(s,a,s ) prawdopodobieństwoprzejściazestanusdostanus przyużyciuakcjia. Własność Markowa: Wartości funkcji wzmocnienia ρ i funkcji przejść δ nie zależą od historii, ponieważ ich argumentami są bieżący stan i akcja.
8 Œrodowisko Wstęp do Robotyki c W. Szynkiewicz, Nagroda/kara Agent Stan Akcja Rys. 4: Schemat uczenia się ze wzmocnieniem Ogólny schemat algorytmu uczenia się ze wzmocnieniem: 1.Dla t,t=0,...,twykonajkroki2 6 2.obserwujaktualnystans t, 3.wybierzakcjęa t dowykonaniawstanies t, 4.wykonajakcjęa t 5.obserwujwzmocnienier t inastępnystans t+1, 6.uczsięnapodstawiedoświadczenia{s t,a t,r t,s t+1 } 7. Stop Wstęp do Robotyki c W. Szynkiewicz, Zasady działania algorytmu: Zadanie agenta polega na wybieraniu akcji, które prowadzą do maksymalizacji wskaźnika jakości zdefiniowanego za pomocą otrzymywanych przez niego nagród(wzmocnienia). Rodzaj wskaźnika decyduje o typie uczenia się ze wzmocnieniem. Najczęściej rozważa się problem uczenia się z opóźnionym wzmocnieniem, w którym wymagane jest uwzględnienie przez agenta opóźnionych skutków wykonywanych przez niego akcji. W odróżnieniu zaś uczenie się z natychmiastowym wzmocnieniem polega tym, że system uczący się maksymalizuje nagrody otrzymywane bezpośrednio po wykonanych akcjach i pomija opóźnione skutki tych akcji. Najczęściej jako wskaźnik jakości przyjmuje się wartość oczekiwaną zdyskontowanej sumy otrzymanych nagród: V (s)=maxe π π γ t r t (1) gdzieπjeststrategią(π :S A),zaśγ [0,1]jestwspółczynnikiemdyskontowania,któryokreśla względną wagę krótkoterminowych i długoterminowych nagród. Celem robota/ucznia jest znalezienie strategiioptymalnejπ. Często ocenia się nie tylko stany, ale także pary stan-akcja i wówczas wskaźnik jakości ma postać: s S t=0 V (s)=max ρ(s,a)+ δ(s,a,s )V (s ), s S (2) a
9 Wstęp do Robotyki c W. Szynkiewicz, Funkcja wartości akcji ze względu na strategię przyporządkowuje każdej parze akcja-stan oczekiwaną wartość zdyskontowanej sumy przyszłych nagród. Środowisko uczenia się jest niepewne i nieznane uczniowi i nie jest przez niego kontrolowane. Specyfika uczenia się ze wzmocnieniem: Informacja trenująca ma charakter wartościujący. Informacja trenująca określa cel zadania, a nie sposób jego realizacji. Uczenie się następuje na podstawie prób i błędów. Uczenie się wykonywania zadanie i jego faktyczne wykonywanie odbywa się łącznie. Nie na rozdziału fazy uczenia się od fazy stosowania uzyskanej wiedzy lub umiejętności. Wstęp do Robotyki c W. Szynkiewicz, Inne metody uczenia się: uczenie się automatów uczenie sieci(sztuczne sieci neuronowe, sieci bayesowskie) dobór wag sieci na podstawie przykładów trenujących. uczenie się ewolucyjne przeszukiwanie przestrzeni populacji osobników(hipotez) w celu znalezienia maksimum funkcji dopasowania. Potencjalne rozwiązania problemu zakodowane z wykorzystaniem specyficznych struktur danych, które są przetwarzane algorytmami ewolucyjnymi.w skład algorytmu wchodzi strategia selekcja(zazwyczaj losowa) osobników oraz reprodukcja, która jest realizowana przez krzyżowanie i mutację. uczenie się na podstawie eksperymentów uczenie się oparte na wielu strategiach
Uczenie się maszyn. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Machine Learning (uczenie maszynowe, uczenie się maszyn, systemy uczące się) interdyscyplinarna nauka, której celem jest stworzenie
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD III: Problemy agenta
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD III: Problemy agenta To już było: AI to dziedzina zajmująca się projektowaniem agentów Określenie agenta i agenta racjonalnego Charakterystyka PAGE
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 4. UCZENIE SIĘ INDUKCYJNE Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WSTĘP Wiedza pozyskana przez ucznia ma charakter odwzorowania
Bardziej szczegółowoSystemy Agentowe główne cechy. Mariusz.Matuszek WETI PG
Systemy Agentowe główne cechy Mariusz.Matuszek WETI PG Definicja agenta Wiele definicji, w zależności od rozpatrywanego zakresu zastosowań. Popularna definicja: Jednostka obliczeniowa (program, robot),
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoSystemy uczące się wykład 1
Systemy uczące się wykład 1 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 5 X 2018 e-mail: przemyslaw.juszczuk@ue.katowice.pl Konsultacje: na stronie katedry + na stronie domowej
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoSPOTKANIE 11: Reinforcement learning
Wrocław University of Technology SPOTKANIE 11: Reinforcement learning Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.edu.pl 19.01.2016 Uczenie z nadzorem (ang. supervised learning)
Bardziej szczegółowokomputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowo2
1 2 3 4 5 Dużo pisze się i słyszy o projektach wdrożeń systemów zarządzania wiedzą, które nie przyniosły oczekiwanych rezultatów, bo mało kto korzystał z tych systemów. Technologia nie jest bowiem lekarstwem
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 szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoSystemy hybrydowe reaktywno-racjonalne
WYKŁAD 5 Systemy hybrydowe reaktywno-racjonalne Sterowanie REAKTYWNE Zalety: bardzo szybko reaguje na zmiany otoczenia, ograniczone wymagania na moc obliczeniową oraz pamięć, system reaktywny rozbudowany
Bardziej szczegółowoMetody badań w naukach ekonomicznych
Metody badań w naukach ekonomicznych Tomasz Poskrobko Metodyka badań naukowych Metody badań ilościowe jakościowe eksperymentalne Metody badań ilościowe jakościowe eksperymentalne Metody ilościowe metody
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoTransformacja wiedzy w budowie i eksploatacji maszyn
Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy Wydział Mechaniczny Transformacja wiedzy w budowie i eksploatacji maszyn Bogdan ŻÓŁTOWSKI W pracy przedstawiono proces
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 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 szczegółowoTeoria systemów uczacych się i wymiar Vapnika-Chervonenkisa
Systemy uczace się 2009 1 / 32 Teoria systemów uczacych się i wymiar Vapnika-Chervonenkisa Hung Son Nguyen Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski email: son@mimuw.edu.pl Grudzień
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Przykładowe zastosowania Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 12 czerwca 2008 Plan 1 Czym jest (naturalna) inteligencja? 2 Czym jest (sztuczna)
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej 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 szczegółowoMetody Kompilacji Wykład 1 Wstęp
Metody Kompilacji Wykład 1 Wstęp Literatura: Alfred V. Aho, Ravi Sethi, Jeffrey D. Ullman: Compilers: Princiles, Techniques, and Tools. Addison-Wesley 1986, ISBN 0-201-10088-6 Literatura: Alfred V. Aho,
Bardziej szczegółowoUczenie ze wzmocnieniem aplikacje
Uczenie ze wzmocnieniem aplikacje Na podstawie: AIMA ch21 oraz Reinforcement Learning (Sutton i Barto) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 22 maja 2013 Problem decyzyjny Markova
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 3. SYSTEMY UCZĄCE SIĘ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska LITERATURA [Cic] * Cichosz P.: Systemy uczące się. WNT, 2003
Bardziej szczegółowoUczenie ze wzmocnieniem aplikacje
Uczenie ze wzmocnieniem aplikacje Na podstawie: AIMA ch21 oraz Reinforcement Learning (Sutton i Barto) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 23 maja 2014 Problem decyzyjny Markova
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoMetoda Tablic Semantycznych
Procedura Plan Reguły Algorytm Logika obliczeniowa Instytut Informatyki Plan Procedura Reguły 1 Procedura decyzyjna Logiczna równoważność formuł Logiczna konsekwencja Procedura decyzyjna 2 Reguły α, β,
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoAutomatyczny dobór parametrów algorytmu genetycznego
Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoS 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 szczegółowoCele i zadania systemu informacyjnego (SI), jego miejsce w organizacji.
Cele i zadania systemu informacyjnego (SI), jego miejsce w organizacji. 1. Co to jest system informacyjny? 2. Jaką funkcję pełni SI w organizacji? 3. Jak wygląda działanie SI? 4. Jakie są cele zastosowań
Bardziej szczegółowoZagadnienia 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 szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoPRZEDMIOTOWY SYSTEM OCENIANIA - MATEMATYKA
PRZEDMIOTOWY SYSTEM OCENIANIA - MATEMATYKA Nadrzędnym celem oceniania jest pozyskiwanie przez nauczyciela i ucznia w trakcie nauczania informacji, które pozwolą rozpoznać, jak przebiega proces uczenia
Bardziej szczegółowoProces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 23 października 2016 Metodologia i metoda naukowa 1 Metodologia Metodologia nauka o metodach nauki
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Wnioskowanie logiczne i systemy eksperckie Systemy posługujące się logiką predykatów: część 3/3 Dzisiaj Uogólnienie Poprawność i pełność wnioskowania
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoParadygmaty dowodzenia
Paradygmaty dowodzenia Sprawdzenie, czy dana formuła rachunku zdań jest tautologią polega zwykle na obliczeniu jej wartości dla 2 n różnych wartościowań, gdzie n jest liczbą zmiennych zdaniowych tej formuły.
Bardziej szczegółowoMetody Prognozowania
Wprowadzenie Ewa Bielińska 3 października 2007 Plan 1 Wprowadzenie Czym jest prognozowanie Historia 2 Ciągi czasowe Postępowanie prognostyczne i prognozowanie Predykcja długo- i krótko-terminowa Rodzaje
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 1. INFORMACJE WSTĘPNE. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 1. INFORMACJE WSTĘPNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PLAN WYKŁADU WSTĘP W 1 Uczenie się w ujęciu algorytmicznym. W
Bardziej szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoObliczenia inspirowane Naturą
Obliczenia inspirowane Naturą Wykład 01 Modele obliczeń Jarosław Miszczak IITiS PAN Gliwice 05/10/2016 1 / 33 1 2 3 4 5 6 2 / 33 Co to znaczy obliczać? Co to znaczy obliczać? Deterministyczna maszyna Turinga
Bardziej szczegółowoMetody probabilistyczne klasyfikatory bayesowskie
Konwersatorium Matematyczne Metody Ekonomii narzędzia matematyczne w eksploracji danych First Prev Next Last Go Back Full Screen Close Quit Metody probabilistyczne klasyfikatory bayesowskie Wykład 8 Marcin
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoZastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów
Zastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów Wojciech Moczulski Politechnika Śląska Katedra Podstaw Konstrukcji Maszyn Sztuczna inteligencja w automatyce i robotyce Zielona Góra,
Bardziej szczegółowoInstytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba
Bardziej szczegółowoProces badawczy schemat i zasady realizacji
Proces badawczy schemat i zasady realizacji Agata Górny Zaoczne Studia Doktoranckie z Ekonomii Warszawa, 14 grudnia 2014 Metodologia i metoda badawcza Metodologia Zadania metodologii Metodologia nauka
Bardziej szczegółowoPodejście obiektowe - podstawowe pojęcia
Podejście obiektowe - podstawowe pojęcia Bogdan Kreczmer ZPCiR IIAiR PWr pokój 307 budynek C3 bogdan.kreczmer@pwr.wroc.pl Copyright c 2003 2008 Bogdan Kreczmer Niniejszy dokument zawiera materiały do wykładu
Bardziej szczegółowoMetoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.
Plan Procedura decyzyjna Reguły α i β - algorytm Plan Procedura decyzyjna Reguły α i β - algorytm Logika obliczeniowa Instytut Informatyki 1 Procedura decyzyjna Logiczna konsekwencja Teoria aksjomatyzowalna
Bardziej szczegółowoPrzedmiotowe Zasady Oceniania matematyka, geometria w ćwiczeniach, funkcje w zastosowaniach Sposoby sprawdzania osiągnięć edukacyjnych
Przedmiotowe Zasady Oceniania matematyka, geometria w ćwiczeniach, funkcje w zastosowaniach Sposoby sprawdzania osiągnięć edukacyjnych Ocenie podlegają: a) sprawdziany pisemne wiadomości: - kartkówka obejmuje
Bardziej szczegółowoProces informacyjny. Janusz Górczyński
Proces informacyjny Janusz Górczyński 1 Proces informacyjny, definicja (1) Pod pojęciem procesu informacyjnego rozumiemy taki proces semiotyczny, ekonomiczny i technologiczny, który realizuje co najmniej
Bardziej szczegółowoInteligencja. Władysław Kopaliśki, Słownik wyrazów obcych i zwrotów obcojęzycznych
Wstęp Inteligencja Władysław Kopaliśki, Słownik wyrazów obcych i zwrotów obcojęzycznych inteligencja psych. zdolność rozumienia, kojarzenia; pojętność, bystrość; zdolność znajdowania właściwych, celowych
Bardziej szczegółowoMETODY I TECHNIKI BADAŃ SPOŁECZNYCH
METODY I TECHNIKI BADAŃ SPOŁECZNYCH Schemat poznania naukowego TEORIE dedukcja PRZEWIDYWANIA Świat konstrukcji teoret Świat faktów empirycznych Budowanie teorii Sprawdzanie FAKTY FAKTY ETAPY PROCESU BADAWCZEGO
Bardziej szczegółowoPrzedmiotowy System Oceniania z matematyki. Sporządzony przez Komisję przedmiotów matematycznych
Przedmiotowy System Oceniania z matematyki Sporządzony przez Komisję przedmiotów matematycznych Przedmiotowy System Oceniania z matematyki I. Ocenie podlegają osiągnięcia ucznia w zakresie: 1. Jego matematycznych
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoPlan. Struktura czynności myślenia (materiał, operacje reguły)
Myślenie Pojęcie myślenia Plan Struktura czynności myślenia (materiał, operacje reguły) Funkcje myślenia Rola myślenia w rozwiązywaniu problemów (pojęcie problemu i jego rodzaje, fazy rozwiązywania, przeszkody)
Bardziej szczegółowoNarzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)
Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji
Bardziej szczegółowoMetody symulacji komputerowych Modelowanie systemów technicznych
Metody symulacji komputerowych Modelowanie systemów technicznych dr inż. Ryszard Myhan Katedra Inżynierii Procesów Rolniczych Program przedmiotu Lp. Temat Zakres 1. Wprowadzenie do teorii systemów Definicje
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoZagadnienia egzaminacyjne AUTOMATYKA I ROBOTYKA. Stacjonarne I-go stopnia TYP STUDIÓW STOPIEŃ STUDIÓW SPECJALNOŚĆ
(ARK) Komputerowe sieci sterowania 1.Badania symulacyjne modeli obiektów 2.Pomiary i akwizycja danych pomiarowych 3.Protokoły transmisji danych w systemach automatyki 4.Regulator PID struktury, parametry,
Bardziej szczegółowoZastosowania 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 szczegółowoPlan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji
Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji
Bardziej szczegółowoWIEDZA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WIEDZA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoMetodologia badań psychologicznych
Metodologia badań psychologicznych Lucyna Golińska SPOŁECZNA AKADEMIA NAUK Psychologia jako nauka empiryczna Wprowadzenie pojęć Wykład 5 Cele badań naukowych 1. Opis- (funkcja deskryptywna) procedura definiowania
Bardziej szczegółowoMetody 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 szczegółowoInspiracje kognitywne w procesie analizy pozycji szachowej
Inspiracje kognitywne w procesie analizy pozycji szachowej C. Dendek J. Mańdziuk Warsaw University of Technology, Faculty of Mathematics and Information Science Abstrakt Główny cel Poprawa efektywności
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoOpenAI Gym. Adam Szczepaniak, Kamil Walkowiak
OpenAI Gym Adam Szczepaniak, Kamil Walkowiak Plan prezentacji Programowanie agentowe Uczenie przez wzmacnianie i problemy związane z rozwojem algorytmów Charakterystyka OpenAI Gym Biblioteka gym Podsumowanie
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.
mgr inż. Magdalena Deckert Poznań, 30.11.2010r. Metody przyrostowego uczenia się ze strumieni danych. Plan prezentacji Wstęp Concept drift i typy zmian Algorytmy przyrostowego uczenia się ze strumieni
Bardziej szczegółowoAby mówić o procesie decyzyjnym Markowa musimy zdefiniować następujący zestaw (krotkę): gdzie:
Spis treści 1 Uczenie ze wzmocnieniem 2 Proces decyzyjny Markowa 3 Jak wyznaczyć optymalną strategię? 3.1 Algorytm iteracji funkcji wartościującej 3.2 Algorytm iteracji strategii 4 Estymowanie modelu dla
Bardziej szczegółowo1. POJĘCIA PODSTAWOWE I RODZAJE UKŁADÓW AUTOMATYKI
Podstawy automatyki / Józef Lisowski. Gdynia, 2015 Spis treści PRZEDMOWA 9 WSTĘP 11 1. POJĘCIA PODSTAWOWE I RODZAJE UKŁADÓW AUTOMATYKI 17 1.1. Automatyka, sterowanie i regulacja 17 1.2. Obiekt regulacji
Bardziej szczegółowoAlgorytmy ewolucyjne. wprowadzenie
Algorytmy ewolucyjne wprowadzenie Gracjan Wilczewski, www.mat.uni.torun.pl/~gracjan Toruń, 2005 Historia Podstawowy algorytm genetyczny został wprowadzony przez Johna Hollanda (Uniwersytet Michigan) i
Bardziej szczegółowoModelowanie i obliczenia techniczne. dr inż. Paweł Pełczyński
Modelowanie i obliczenia techniczne dr inż. Paweł Pełczyński ppelczynski@swspiz.pl Literatura Z. Fortuna, B. Macukow, J. Wąsowski: Metody numeryczne, WNT Warszawa, 2005. J. Awrejcewicz: Matematyczne modelowanie
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoOdkrywanie wiedzy w danych
Inżynieria Wiedzy i Systemy Ekspertowe Odkrywanie wiedzy w danych dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Data Mining W pewnym teleturnieju
Bardziej szczegółowoSztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych Plan wystąpienia Co to jest sztuczna inteligencja? Pojęcie słabej
Bardziej szczegółowoInteligentne Multimedialne Systemy Uczące
Działanie realizowane w ramach projektu Absolwent informatyki lub matematyki specjalistą na rynku pracy Matematyka i informatyka może i trudne, ale nie nudne Inteligentne Multimedialne Systemy Uczące dr
Bardziej szczegółowo