Hybrydowa metoda rekomendacji dokumentów w środowisku hipertekstowym
|
|
- Filip Wójtowicz
- 6 lat temu
- Przeglądów:
Transkrypt
1 Hybrydowa metoda rekomendacji dokumentów w środowisku hipertekstowym Paweł Szołtysek 09 listopada /46
2 metod metod 2/46
3 metod 199 stron, 2 cytowania własne 7rozdziałów Promotor: NT Nguyen 3/46
4 metod 199 stron, 2 cytowania własne 7rozdziałów Promotor: NT Nguyen 3/46
5 metod 199 stron, 2 cytowania własne 7rozdziałów Promotor: NT Nguyen 3/46
6 metod System rekomendujący Co to jest system rekomendujący? System, który sugeruje użytkownikowi potencjalnie interesujące go elementy. Jaki problem rozwiązuje system rekomendujący? Do czego możemy wykorzystać systemy rekomendujące? 4/46
7 metod System rekomendujący Co to jest system rekomendujący? Jaki problem rozwiązuje system rekomendujący? Na przykład: problem nieuporządkowania informacji w sieci Internet. Do czego możemy wykorzystać systemy rekomendujące? 4/46
8 metod System rekomendujący Co to jest system rekomendujący? Jaki problem rozwiązuje system rekomendujący? Do czego możemy wykorzystać systemy rekomendujące? Nie tylko hipertekst- biblionetka, lastfm, pandora, wowd. 4/46
9 Wyszukiwarka a system rekomendujący metod 5/46
10 Wyszukiwarka a system rekomendujący metod podobieństwa różnice wspólny cel sposób prezentacji wyników wykorzystanie rankingu sposób charakteryzowania wyników feedback użytkownika ingerencja użytkownika 5/46
11 metod Wyszukiwanie informacji a wyszukiwarki(1) Niechęć użytkownika do zadawania pytań wynika m.in. z: braku umiejętności w posługiwaniu się wyszukiwarką; lenistwa użytkownika; trudności ujęcia swojej potrzeby w słowach kluczowych; niewiedzy dotycząca istnienia w systemie elementów, które odpowiadają potrzebom. 6/46
12 metod Wyszukiwanie informacji a wyszukiwarki(1) Niechęć użytkownika do zadawania pytań wynika m.in. z: braku umiejętności w posługiwaniu się wyszukiwarką; lenistwa użytkownika; trudności ujęcia swojej potrzeby w słowach kluczowych; niewiedzy dotycząca istnienia w systemie elementów, które odpowiadają potrzebom. 6/46
13 metod Wyszukiwanie informacji a wyszukiwarki(1) Niechęć użytkownika do zadawania pytań wynika m.in. z: braku umiejętności w posługiwaniu się wyszukiwarką; lenistwa użytkownika; trudności ujęcia swojej potrzeby w słowach kluczowych; niewiedzy dotycząca istnienia w systemie elementów, które odpowiadają potrzebom. 6/46
14 metod Wyszukiwanie informacji a wyszukiwarki(1) Niechęć użytkownika do zadawania pytań wynika m.in. z: braku umiejętności w posługiwaniu się wyszukiwarką; lenistwa użytkownika; trudności ujęcia swojej potrzeby w słowach kluczowych; niewiedzy dotycząca istnienia w systemie elementów, które odpowiadają potrzebom. 6/46
15 metod Wyszukiwanie informacji a wyszukiwarki(1) Niechęć użytkownika do zadawania pytań wynika m.in. z: braku umiejętności w posługiwaniu się wyszukiwarką; lenistwa użytkownika; trudności ujęcia swojej potrzeby w słowach kluczowych; niewiedzy dotycząca istnienia w systemie elementów, które odpowiadają potrzebom. 6/46
16 Wyszukiwanie informacji a wyszukiwarki(2) metod System rekomendujący nie tylko ułatwia dotarcie do szukanej informacji, ale także pełni funkcję informacyjną. Rekomendując- powiadamiamy użytkownika o posiadaniu informacji Rekomendując- uzupełniamy wiedzę użytkownika 7/46
17 Wyszukiwanie informacji a wyszukiwarki(2) metod System rekomendujący nie tylko ułatwia dotarcie do szukanej informacji, ale także pełni funkcję informacyjną. Rekomendując- powiadamiamy użytkownika o posiadaniu informacji Rekomendując- uzupełniamy wiedzę użytkownika 7/46
18 Wyszukiwanie informacji a wyszukiwarki(2) metod System rekomendujący nie tylko ułatwia dotarcie do szukanej informacji, ale także pełni funkcję informacyjną. Rekomendując- powiadamiamy użytkownika o posiadaniu informacji Rekomendując- uzupełniamy wiedzę użytkownika 7/46
19 Wyszukiwanie informacji a wyszukiwarki(2) metod System rekomendujący nie tylko ułatwia dotarcie do szukanej informacji, ale także pełni funkcję informacyjną. Rekomendując- powiadamiamy użytkownika o posiadaniu informacji Rekomendując- uzupełniamy wiedzę użytkownika Ze względu na podobieństwa, można wykorzystywać te same miary - dokładności i kompletności 7/46
20 metod rekomendacji Czym jest dobra metoda rekomendacji? metod Dobra metoda rekomendacji nie charakteryzuje się tylko proponowaniem dokumentów relewantnych. 8/46
21 metod metod rekomendacji Dokładność i kompletność R p -wszystkiedokumentywsystemie D p -wyszukanedokumentywsystemie Dokładność(ang. precision)- stosunek liczby wyszukanych dokumentów relewantnych do liczby wszystkich wyszukanych dokumentów prec(p)= card(r p D p ) card(r p ) Kompletność(ang. recall)- stosunek liczby wyszukanych dokumentów relewantnych do liczby relewantnych dokumentów znajdujących się w systemie (1) rec(p)= card(r p D p ) card(d p ) (2) 9/46
22 metod rekomendacji Określenie efektywności rekomendacji metod Na efektywność rekomendacji składać się będzie dokładność(prec) i kompletność(rec). Borko:rec+prec 1 Meadowa:1 Heinego: 1 1 (1 prec 2 )+(1 rec 2 ) 2 1 rec + 1 prec 1 Voiskunski: prec rec 10/46
23 metod metod rekomendacji Określenie efektywności rekomendacji Jak osiągnąć wysoki wskaźnik kompletności w systemach rekomendujących? Jak zinterpretować zignorowanie dokumentu przez użytkownika? A co, jeśli użytkownik w międzyczasie zmieni swoje zainteresowania? 11/46
24 metod metod rekomendacji Określenie efektywności rekomendacji Jak osiągnąć wysoki wskaźnik kompletności w systemach rekomendujących? Jak zinterpretować zignorowanie dokumentu przez użytkownika? A co, jeśli użytkownik w międzyczasie zmieni swoje zainteresowania? 11/46
25 metod metod rekomendacji Określenie efektywności rekomendacji Jak osiągnąć wysoki wskaźnik kompletności w systemach rekomendujących? Jak zinterpretować zignorowanie dokumentu przez użytkownika? A co, jeśli użytkownik w międzyczasie zmieni swoje zainteresowania? 11/46
26 systemów rekomendujących metod Ogólne cechy systemu rekomendacji Zarządzanie profilem Architektura 12/46
27 metod systemów rekomendujących Ogólne cechy systemu rekomendacji Dziedzina Technika rekomendacji Zastosowane uczące się Sposób pobierania danych Różnorodność rekomendacji 13/46
28 systemów rekomendujących Zarządzanie profilem metod Reprezentacja profilu użytkownika Profil początkowy Adaptacja profilu Prywatność 14/46
29 systemów rekomendujących Architektura metod Czasową dystrybucję obliczeń Miejsce instalacji Prezentację rekomendacji 15/46
30 metod 16/46
31 metod Metoda słów kluczowych 16/46
32 metod Metoda słów kluczowych + metoda wspólnych zachowań 16/46
33 metod Metoda słów kluczowych + metoda wspólnych zachowań = AdaptRank 16/46
34 Następne seminarium metod metod i opis hybrydowej metody rekomendacji Algorytm rekomendacji Eksperymentalna weryfikacja metody Podsumowanie 17/46
35 Hybrydowa metoda rekomendacji dokumentów w środowisku hipertekstowym Paweł Szołtysek 15 listopada /46
36 metod systemu rekomendującego System rekomendujący oparty na hipertekście opisujemy trójką SR=<D,S,f>,gdzie: D-zbiórdokumentów S-zbiórsesjihistorycznych(dwójek(s,d s ),gdzie s=(s 1,...,s n )) f-funkcjarekomendacji(d S R) 19/46
37 metod Metoda rekomendacji oparta na podobieństwie tekstowym metod Rekomenduje dokumenty hipertekstowe podobne do dokumentów odwiedzonych przez użytkownika. Dla każdego dokumentu oblicza się wektor deskryptorów v d =(v1 d,...,vd n w ),gdzievj dokreślapoziomistotnościdekryptoraw dokumencie. FormułaSaltona:vj d=wfd j log(n n j ). Podobieństwo tekstowe: sim(d j,d k )=cos(v d j,v d k ) Funkcja rekomendacji: ik=1 f t (d j,s (i) b )= sim(v d j,v d(k) ) i 20/46
38 metod Metoda rekomendacji oparta na podobieństwie tekstowym metod Rekomenduje dokumenty hipertekstowe podobne do dokumentów odwiedzonych przez użytkownika. Dla każdego dokumentu oblicza się wektor deskryptorów v d =(v1 d,...,vd n w ),gdzievj dokreślapoziomistotnościdekryptoraw dokumencie. FormułaSaltona:vj d=wfd j log(n n j ). Podobieństwo tekstowe: sim(d j,d k )=cos(v d j,v d k ) Funkcja rekomendacji: ik=1 f t (d j,s (i) b )= sim(v d j,v d(k) ) i 20/46
39 metod Metoda rekomendacji oparta na podobieństwie tekstowym metod Rekomenduje dokumenty hipertekstowe podobne do dokumentów odwiedzonych przez użytkownika. Dla każdego dokumentu oblicza się wektor deskryptorów v d =(v1 d,...,vd n w ),gdzievj dokreślapoziomistotnościdekryptoraw dokumencie. FormułaSaltona:vj d=wfd j log(n n j ). Podobieństwo tekstowe: sim(d j,d k )=cos(v d j,v d k ) Funkcja rekomendacji: ik=1 f t (d j,s (i) b )= sim(v d j,v d(k) ) i 20/46
40 metod Metoda rekomendacji oparta na podobieństwie tekstowym metod Rekomenduje dokumenty hipertekstowe podobne do dokumentów odwiedzonych przez użytkownika. Dla każdego dokumentu oblicza się wektor deskryptorów v d =(v1 d,...,vd n w ),gdzievj dokreślapoziomistotnościdekryptoraw dokumencie. FormułaSaltona:vj d=wfd j log(n n j ). Podobieństwo tekstowe: sim(d j,d k )=cos(v d j,v d k ) Funkcja rekomendacji: ik=1 f t (d j,s (i) b )= sim(v d j,v d(k) ) i 20/46
41 metod Metoda rekomendacji oparta na podobieństwie tekstowym metod Rekomenduje dokumenty hipertekstowe podobne do dokumentów odwiedzonych przez użytkownika. Dla każdego dokumentu oblicza się wektor deskryptorów v d =(v1 d,...,vd n w ),gdzievj dokreślapoziomistotnościdekryptoraw dokumencie. FormułaSaltona:vj d=wfd j log(n n j ). Podobieństwo tekstowe: sim(d j,d k )=cos(v d j,v d k ) Funkcja rekomendacji: ik=1 f t (d j,s (i) b )= sim(v d j,v d(k) ) i 20/46
42 metod metod Metoda rekomendacji oparta na zachowaniach użytkowników Rekomenduje dokumenty hipertekstowe w oparciu o wzorce nawigacyjne. Wyznaczanie wzorców nawigacyjnych odbywa się przez klasteryzację, kryterium- cosinus kąta między parami wektorów historycznych sesji. S= n c j=0 C j C 0 C 1... C nc = Wzorzecnawigacyjnytowektorśrednic j =(c j1,...,c jn ); s C j s k card(c j ) c jk = Funkcja rekomendacji: f c (d j,s (i) b )=max(c 1j sim(c 1,z (i) ),...,c nc j sim(c nc,z (i) ) 21/46
43 metod metod Metoda rekomendacji oparta na zachowaniach użytkowników Rekomenduje dokumenty hipertekstowe w oparciu o wzorce nawigacyjne. Wyznaczanie wzorców nawigacyjnych odbywa się przez klasteryzację, kryterium- cosinus kąta między parami wektorów historycznych sesji. S= n c j=0 C j C 0 C 1... C nc = Wzorzecnawigacyjnytowektorśrednic j =(c j1,...,c jn ); s C j s k card(c j ) c jk = Funkcja rekomendacji: f c (d j,s (i) b )=max(c 1j sim(c 1,z (i) ),...,c nc j sim(c nc,z (i) ) 21/46
44 metod metod Metoda rekomendacji oparta na zachowaniach użytkowników Rekomenduje dokumenty hipertekstowe w oparciu o wzorce nawigacyjne. Wyznaczanie wzorców nawigacyjnych odbywa się przez klasteryzację, kryterium- cosinus kąta między parami wektorów historycznych sesji. S= n c j=0 C j C 0 C 1... C nc = Wzorzecnawigacyjnytowektorśrednic j =(c j1,...,c jn ); s C j s k card(c j ) c jk = Funkcja rekomendacji: f c (d j,s (i) b )=max(c 1j sim(c 1,z (i) ),...,c nc j sim(c nc,z (i) ) 21/46
45 metod metod Metoda rekomendacji oparta na zachowaniach użytkowników Rekomenduje dokumenty hipertekstowe w oparciu o wzorce nawigacyjne. Wyznaczanie wzorców nawigacyjnych odbywa się przez klasteryzację, kryterium- cosinus kąta między parami wektorów historycznych sesji. S= n c j=0 C j C 0 C 1... C nc = Wzorzecnawigacyjnytowektorśrednic j =(c j1,...,c jn ); s C j s k card(c j ) c jk = Funkcja rekomendacji: f c (d j,s (i) b )=max(c 1j sim(c 1,z (i) ),...,c nc j sim(c nc,z (i) ) 21/46
46 metod metod Metoda rekomendacji oparta na zachowaniach użytkowników Rekomenduje dokumenty hipertekstowe w oparciu o wzorce nawigacyjne. Wyznaczanie wzorców nawigacyjnych odbywa się przez klasteryzację, kryterium- cosinus kąta między parami wektorów historycznych sesji. S= n c j=0 C j C 0 C 1... C nc = Wzorzecnawigacyjnytowektorśrednic j =(c j1,...,c jn ); s C j s k card(c j ) c jk = Funkcja rekomendacji: f c (d j,s (i) b )=max(c 1j sim(c 1,z (i) ),...,c nc j sim(c nc,z (i) ) 21/46
47 Korzyści z korzystania z różnych źródeł danych metod Wyższa jakość rekomendacji Nadspecjalizacja i uogólnianie Niedostępność danych w poszczególnych źródłach 22/46
48 metod hybrydowej metody rekomendacji Cechy systemu AdaptRank Ogólne cechy systemu rekomendacji: Dziedzina: Dokumenty hipertekstowe Technika rekomendacji: Hybrydowa Zastosowane uczące się: Grupowanie Sposób pobierania danych: Pośredni(obserwacja żądanych dokumentów + rekomendacja zigonorowanych) Różnorodność rekomendacji: zmniejszenie relewancji rekomendacji 23/46
49 hybrydowej metody rekomendacji Cechy systemu AdaptRank metod Zarządzanie profilem: Reprezentacja profilu użytkownika: Model wektorowy Profil początkowy: Przydatność dokumentu określana za pomocą funkcji Adaptacja profilu: Stopniowe zapominanie Prywatność: Anonimowy identyfikator sesji 24/46
50 hybrydowej metody rekomendacji Cechy systemu AdaptRank metod Architektura: Czasowa dystrybucja obliczeń: Częściowa Miejsce instalacji: Zależne od implementacji(serwer WWW) Prezentacja rekomendacji: Zależna od implementacji(krótkie streszczenie + link) 25/46
51 hybrydowej metody rekomendacji Funkcja rekomendacji metod W opisywanym systemie na funkcję rekomendacji składać się będzie: Podobieństwo tekstowe dokumentu do dokumentów odwiedzonych w sesji Liczba odwiedzin dokumentu w historycznych sesjach podobnych do aktualnej Fakt ignoracji dokumentu Przydatność dokumentu(kombinacja liniowa popularności i jakości dokumentu) Fakt odwiedzenia dokumentu 26/46
52 hybrydowej metody rekomendacji Podział na dwie fazy pracy metod 27/46
53 metod hybrydowej metody rekomendacji Określanie przydatności dokumentów Przydatność dokumentów jako bezkontekstowa miara jakości. Współczynniki użytkowania- otwarcia i liczby odwiedzin Współczynniki jakości- dostępność, nowość, liczba odsyłaczy 28/46
54 metod hybrydowej metody rekomendacji Określanie przydatności dokumentów Przydatność dokumentów jako bezkontekstowa miara jakości. Współczynniki użytkowania- otwarcia i liczby odwiedzin Współczynniki jakości- dostępność, nowość, liczba odsyłaczy 28/46
55 metod hybrydowej metody rekomendacji Określanie przydatności dokumentów Przydatność dokumentów jako bezkontekstowa miara jakości. Współczynniki użytkowania- otwarcia i liczby odwiedzin Współczynniki jakości- dostępność, nowość, liczba odsyłaczy 28/46
56 metod hybrydowej metody rekomendacji Określanie przydatności dokumentów Współczynnik otwarcia Dokumenty, które są otwierane w sesji jako pierwsze. Stanowią interfejs między systemem a światem zewnętrznym. Identyfikator wpisany z pamięci Identyfikator wybrany z innego systemu hipertekstowego Identyfikator odnaleziony w systemie wyszukiwania or(d) = { card(s d 1 ) card(s d ) dla card(s d )>0 0 dla card(s d )=0 29/46
57 hybrydowej metody rekomendacji Określanie przydatności dokumentów Współczynnik liczby odwiedzin metod Liczba odwiedzin to podstawowa wielkość wykorzystywana w statystykach aktywności. Problem: ciągłe wzmacnianie dokumentów, które się cieszą wysoką popularnością. tr(d) = card(u d ) t c t d 0 dla t c t d 0 >0 0 dla t c t d 0 =0 Potrzebna normalizacja funkcji. 30/46
58 hybrydowej metody rekomendacji Określanie przydatności dokumentów Współczynnik dostępności metod Dokument, który nie jest zawsze dostępny, nie powinien być często rekomendowany. av(d)=1 td u t c t d 0 31/46
59 metod hybrydowej metody rekomendacji Określanie przydatności dokumentów Współczynnik nowości Nowe dokumenty nie posiadają wysokiego miejsca w rankingach wyszukiwania(mała ilość linków, mała ilość odwiedzin). nr(d) = { gdzieρ t (0,1) dla day(t c ) day(t d 0 )>ɛ 0 dla day(t c ) day(t d 0 ) ɛ ρ day(t c) day(t d 0 ) t 32/46
60 metod hybrydowej metody rekomendacji Określanie przydatności dokumentów Współczynnik liczby działających odsyłaczy gl(d) = card(l d g card(l d ) dla card(l d )>0 0 dla card(l d )=0 33/46
61 hybrydowej metody rekomendacji funkcji przydatności metod Funkcja przydatności dokumentu d to znormalizowana kombinacja liniowa przedstawionych współczynników. q(d)= µ max(nr(d),wtr(d))+λ or(d)+φ gl(d)+χ av(d) µ+λ+φ+χ gdzieµ+λ+φ+χ>0orazµ,λ,φ,χ [0,1] Wartości parametrów są uzależnione od charakterystyki systemu. 34/46
62 hybrydowej metody rekomendacji Wektor dokumentów odwiedzonych metod Służy do formalnego zapisu aktualnych preferencji ujawionych w bieżącej sesji. z (i+1) j = { ρ s z (i) j dla d (i) d j 1 dla d (i) =d j 35/46
63 metod hybrydowej metody rekomendacji Wektor dokumentów zignorowanych Określajakdawnodokumentd j zostałzignorowanywbieżącej sesji. g (i+1) j = gdzieγ (α,1) 1 α dla d (i) d j g (i) j =1 γ g (i) j dla d (i) d j g (i) j 1 1 dla d (i) =d j 36/46
64 hybrydowej metody rekomendacji Wektor wzorców nawigacyjnych metod Określa zainteresowanie użytkownika dokumentami na podstawie zachowań innych użytkowników. Składowa wektora nv (i) =(nv (i) 1,...,nv(i) n) nv (i) j = 1 n c n b gdzie waga wzorca nawigacyjnego k=1 b k c kj b k = { sim(z (i),c k ) gdy sim(z (i),c k ) ɛ b 0 gdy sim(z (i),c k )<ɛ b 37/46
65 hybrydowej metody rekomendacji Wektor wzorców nawigacyjnych metod 38/46
66 hybrydowej metody rekomendacji Funkcja rekomendacji(1) metod f(d j,s (1) b )=(0,5 (β+δ) α q(d j )+β nv (i) j +δ sim(v d(1),v d j )) (1 z (1) j ) Gdy użytkownik wysyła żądanie dotyczące pierwszego dokumentu, wartość funkcji jest kombinacją liniową przydatności tego dokumentu, podobieństwa tekstowego i współrzędnej współczynnika wzorca. (3) 39/46
67 hybrydowej metody rekomendacji Funkcja rekomendacji(2) metod f(d j,s (i+1) b )=(α f(d j,s (i) b )+β nv(i+1) j +δ sim(v d(i+1),v d j ) g (i+1) j ) (1 z (i+1) j ) W kolejnych krokach dodatkowo wartość funkcji zależy od wartości w kroku poprzednim oraz współrzędnej wektora dokumentów zignorowanych. (4) 40/46
68 hybrydowej metody rekomendacji Algorytm rekomendacji metod Wektor rekomendacji: r (i) =(r (i) 1,...,r(i) n) r (i) j =f(d j,s (i) b ) Wektor podobieństwa tekstowego: tex d j k =sim(vd j,v d k ) 41/46
69 hybrydowej metody rekomendacji Algorytm rekomendacji metod 42/46
70 - symulacyjne badania efektywności metod 43/46
71 - symulacyjne badania efektywności metod 44/46
72 - symulacyjne badania efektywności metod 45/46
73 - symulacyjne badania efektywności metod 46/46
AUTOMATYKA INFORMATYKA
AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław Kowalczuk Inteligentne wydobywanie informacji z internetowych serwisów
Bardziej szczegółowoWyszukiwanie informacji w internecie. Nguyen Hung Son
Wyszukiwanie informacji w internecie Nguyen Hung Son Jak znaleźć informację w internecie? Wyszukiwarki internetowe: Potężne machiny wykorzystujące najnowsze metody z różnych dziedzin Architektura: trzy
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 16 2 Data Science: Uczenie maszynowe Uczenie maszynowe: co to znaczy? Metody Regresja Klasyfikacja Klastering
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 szczegółowoAlgorytmy wyznaczania centralności w sieci Szymon Szylko
Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności
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 szczegółowoWyszukiwanie dokumentów/informacji
Wyszukiwanie dokumentów/informacji Wyszukiwanie dokumentów (ang. document retrieval, text retrieval) polega na poszukiwaniu dokumentów tekstowych z pewnego zbioru, które pasują do zapytania. Wyszukiwanie
Bardziej szczegółowoPrzedmiotowy system oceniania wraz z określeniem wymagań edukacyjnych klasa druga zakres rozszerzony
Przedmiotowy system oceniania wraz z określeniem wymagań edukacyjnych klasa druga zakres rozszerzony Wymagania konieczne (K) dotyczą zagadnień elementarnych, stanowiących swego rodzaju podstawę, zatem
Bardziej szczegółowoLekcja 5: Sieć Kohonena i sieć ART
Lekcja 5: Sieć Kohonena i sieć ART S. Hoa Nguyen 1 Materiał Sieci Kohonena (Sieć samo-organizująca) Rysunek 1: Sieć Kohonena Charakterystyka sieci: Jednowarstwowa jednokierunkowa sieć. Na ogół neurony
Bardziej szczegółowoEksploracja danych a serwisy internetowe Przemysław KAZIENKO
Eksploracja danych a serwisy internetowe Przemysław KAZIENKO Wydział Informatyki i Zarządzania Politechnika Wrocławska kazienko@pwr.wroc.pl Dlaczego eksploracja danych w serwisach internetowych? Kanały
Bardziej szczegółowoWyszukiwanie tekstów
Wyszukiwanie tekstów Dziedzina zastosowań Elektroniczne encyklopedie Wyszukiwanie aktów prawnych i patentów Automatyzacja bibliotek Szukanie informacji w Internecie Elektroniczne teksy Ksiązki e-book Artykuły
Bardziej szczegółowoSerwis NaviExpert Biznes. Instrukcja obsługi
Serwis NaviExpert Biznes Instrukcja obsługi Spis Treści 1. Wprowadzenie 2. Przeglądanie mapy.. 3. Wyszukiwanie punktów 4. Planowanie i optymalizacja trasy.. 5. Edycja planu trasy. 6. Przesyłanie trasy
Bardziej szczegółowoInteligentne systemy informacyjne
Filip Graliński Inteligentne systemy informacyjne Rekomendacje założenia n użytkowników (widzów, czytelników, słuchaczy etc.) m obiektów (filmów, książek, piosenek etc.) opinie wyrażone za pomocą liczb
Bardziej szczegółowoPrzegląd metod optymalizacji wielowymiarowej. Funkcja testowa. Funkcja testowa. Notes. Notes. Notes. Notes. Tomasz M. Gwizdałła
Przegląd metod optymalizacji wielowymiarowej Tomasz M. Gwizdałła 2012.12.06 Funkcja testowa Funkcją testową dla zagadnień rozpatrywanych w ramach tego wykładu będzie funkcja postaci f (x) = (x 1 1) 4 +
Bardziej szczegółowoCo to jest pozycjonowanie stron internetowych? Dlaczego warto pozycjonować strony internetowe?
Co to jest pozycjonowanie stron internetowych? Pozycjonowanie to wszelkie działania mające na celu podniesienie pozycji strony internetowej, na określone słowa kluczowe, w wyszukiwarce Google. Dlaczego
Bardziej szczegółowow najprostszych przypadkach, np. dla trójkątów równobocznych
MATEMATYKA - klasa 3 gimnazjum kryteria ocen według treści nauczania (Przyjmuje się, że jednym z warunków koniecznych uzyskania danej oceny jest spełnienie wszystkich wymagań na oceny niższe.) Dział programu
Bardziej szczegółowoSI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu
SI w procesach przepływu i porządkowania informacji Paweł Buchwald Wyższa Szkoła Biznesu Początki SI John MC Carthy prekursor SI Alan Thuring pomysłodawca testu na określenie inteligencji maszyn Powolny
Bardziej szczegółowo[ A i ' ]=[ D ][ A i ] (2.3)
. WSTĘP DO TEORII SPRĘŻYSTOŚCI 1.. WSTĘP DO TEORII SPRĘŻYSTOŚCI.1. Tensory macierzy Niech macierz [D] będzie macierzą cosinusów kierunkowych [ D ]=[ i ' j ] (.1) Macierz transformowana jest równa macierzy
Bardziej szczegółowoEfektywność wyszukiwania informacji w publicznie dostępnych katalogach bibliotek wykorzystujących polskie programy biblioteczne
Izabela Swoboda Uniwersytet Śląski Instytut Bibliotekoznawstwa i Informacji Naukowej Efektywność wyszukiwania informacji w publicznie dostępnych katalogach bibliotek wykorzystujących polskie programy biblioteczne
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoWykład 10 Skalowanie wielowymiarowe
Wykład 10 Skalowanie wielowymiarowe Wrocław, 30.05.2018r Skalowanie wielowymiarowe (Multidimensional Scaling (MDS)) Główne cele MDS: przedstawienie struktury badanych obiektów przez określenie treści wymiarów
Bardziej szczegółowoROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.
ROZKŁAD MATERIAŁU DO II KLASY LICEUM (ZAKRES ROZSZERZONY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. LICZBA TEMAT GODZIN LEKCYJNYCH Potęgi, pierwiastki i logarytmy (8 h) Potęgi 3 Pierwiastki 3 Potęgi o wykładnikach
Bardziej szczegółowoMetody indeksowania dokumentów tekstowych
Metody indeksowania dokumentów tekstowych Paweł Szołtysek 21maja2009 Metody indeksowania dokumentów tekstowych 1/ 19 Metody indeksowania dokumentów tekstowych 2/ 19 Czym jest wyszukiwanie informacji? Wyszukiwanie
Bardziej szczegółowoInteraktywne wyszukiwanie informacji w repozytoriach danych tekstowych
Interaktywne wyszukiwanie informacji w repozytoriach danych tekstowych Marcin Deptuła Julian Szymański, Henryk Krawczyk Politechnika Gdańska Wydział Elektroniki, Telekomunikacji i Informatyki Katedra Architektury
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Stany równoważne Stany p i q są równoważne,
Bardziej szczegółowo1 Płaska fala elektromagnetyczna
1 Płaska fala elektromagnetyczna 1.1 Fala w wolnej przestrzeni Rozwiązanie równań Maxwella dla zespolonych amplitud pól przemiennych sinusoidalnie, reprezentujące płaską falę elektromagnetyczną w wolnej
Bardziej szczegółowoRozwiązywanie zależności rekurencyjnych metodą równania charakterystycznego
Rozwiązywanie zależności rekurencyjnych metodą równania charakterystycznego WMS, 2019 1 Wstęp Niniejszy dokument ma na celu prezentację w teorii i na przykładach rozwiązywania szczególnych typów równań
Bardziej szczegółowoAlgorytmy genetyczne w interpolacji wielomianowej
Algorytmy genetyczne w interpolacji wielomianowej (seminarium robocze) Seminarium Metod Inteligencji Obliczeniowej Warszawa 22 II 2006 mgr inż. Marcin Borkowski Plan: Przypomnienie algorytmu niszowego
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING NEURONOWE MAPY SAMOORGANIZUJĄCE SIĘ Self-Organizing Maps SOM Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki,
Bardziej szczegółowoWYMAGANIA I KRYTERIA OCENIANIA Z MATEMATYKI W 3 LETNIM LICEUM OGÓLNOKSZTAŁCĄCYM
WYMAGANIA I KRYTERIA OCENIANIA Z MATEMATYKI W 3 LETNIM LICEUM OGÓLNOKSZTAŁCĄCYM Klasa pierwsza A, B, C, D, E, G, H zakres podstawowy. LICZBY RZECZYWISTE Uczeń otrzymuje ocenę dopuszczającą jeśli: podaje
Bardziej szczegółowoDobra pozycja w Google? Dlaczego warto nam zaufać?
Pozycja w Google to główny czynnik wpływający na popularność Twojej strony internetowej WWW. Dzięki wysokim pozycjom w wyszukiwarkach strona zyskuje coraz więcej unikalnych odwiedzin, a co za tym idzie,
Bardziej szczegółowoPrzekształcenia liniowe
Przekształcenia liniowe Zadania Które z następujących przekształceń są liniowe? (a) T : R 2 R 2, T (x, x 2 ) = (2x, x x 2 ), (b) T : R 2 R 2, T (x, x 2 ) = (x + 3x 2, x 2 ), (c) T : R 2 R, T (x, x 2 )
Bardziej szczegółowoAgnieszka 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 szczegółowoKolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w
Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych
Bardziej szczegółowoSzczegółowe wymagania edukacyjne. Przedmiot: Ekonomia w praktyce
Szczegółowe wymagania edukacyjne Przedmiot: Ekonomia w praktyce ocena dopuszczająca uczeń ocena dostateczna ocena dobra ocena bardzo dobra wyszukuje informacje niezbędne i dodatkowe dotyczące działalności
Bardziej szczegółowoREFERAT PRACY DYPLOMOWEJ Temat pracy: Projekt i realizacja serwisu ogłoszeń z inteligentną wyszukiwarką
REFERAT PRACY DYPLOMOWEJ Temat pracy: Projekt i realizacja serwisu ogłoszeń z inteligentną wyszukiwarką Autor: Paweł Konieczny Promotor: dr Jadwigi Bakonyi Kategorie: aplikacja www Słowa kluczowe: Serwis
Bardziej szczegółowo2) R stosuje w obliczeniach wzór na logarytm potęgi oraz wzór na zamianę podstawy logarytmu.
ZAKRES ROZSZERZONY 1. Liczby rzeczywiste. Uczeń: 1) przedstawia liczby rzeczywiste w różnych postaciach (np. ułamka zwykłego, ułamka dziesiętnego okresowego, z użyciem symboli pierwiastków, potęg); 2)
Bardziej szczegółowoInternetowy system e-crm do obsługi biura podróży. Marek Bytnar, Paweł Kraiński
Internetowy system e-crm do obsługi biura podróży Marek Bytnar, Paweł Kraiński Cele pracy utworzenie nowoczesnego systemu CRM dla biura podróży, które oferuje swoje usługi przez Internet zaproponowanie
Bardziej szczegółowoWyszukiwanie dokumentów WWW bazujące na słowach kluczowych
Eksploracja zasobów internetowych Wykład 3 Wyszukiwanie dokumentów WWW bazujące na słowach kluczowych mgr inż. Maciej Kopczyński Białystok 2014 Wstęp Wyszukiwanie dokumentów za pomocą słów kluczowych bazujące
Bardziej szczegółowoNowy wymiar jakości danych w ubezpieczeniach. Wojciech Partyka
Nowy wymiar jakości danych w ubezpieczeniach Wojciech Partyka Znaczenie jakości danych Wymiana danych z podmiotami zewnętrznymi Integracja systemów informatycznych Zapewnienie możliwości uczestniczenia
Bardziej szczegółowoWprowadzenie 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 szczegółowoSemantyczne podobieństwo stron internetowych
Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Marcin Lamparski Nr albumu: 184198 Praca magisterska na kierunku Informatyka Semantyczne podobieństwo stron internetowych Praca wykonana
Bardziej szczegółowoSPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization
Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne
Bardziej szczegółowoROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH
Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym
Bardziej szczegółowoMetody Lagrange a i Hamiltona w Mechanice
Metody Lagrange a i Hamiltona w Mechanice Mariusz Przybycień Wydział Fizyki i Informatyki Stosowanej Akademia Górniczo-Hutnicza Wykład 9 M. Przybycień (WFiIS AGH) Metody Lagrange a i Hamiltona... Wykład
Bardziej szczegółowoPOZYCJONOWANIE STRONY SKLEPU
. Wszystko O Pozycjonowaniu I Marketingu. >>>POZYCJONOWANIE STRON LEGNICA POZYCJONOWANIE STRONY SKLEPU >>>WIĘCEJ
Bardziej szczegółowoWprowadzenie Metoda bisekcji Metoda regula falsi Metoda siecznych Metoda stycznych RÓWNANIA NIELINIOWE
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Zazwyczaj nie można znaleźć
Bardziej szczegółowoZałącznik nr 1. Specyfikacja. Do tworzenia Mapy Kompetencji
Załącznik nr 1 Specyfikacja Do tworzenia Mapy Kompetencji 1. Cel projektu Celem projektu jest utworzenie Mapy kompetencji. Ma ona zawierać informacje o kompetencjach, celach kształcenia, umożliwiać ich
Bardziej szczegółowo1 Symulacja procesów cieplnych 1. 2 Algorytm MES 2. 3 Implementacja rozwiązania 2. 4 Całkowanie numeryczne w MES 3. k z (t) t ) k y (t) t )
pis treści ymulacja procesów cieplnych Algorytm ME 3 Implementacja rozwiązania 4 Całkowanie numeryczne w ME 3 ymulacja procesów cieplnych Procesy cieplne opisuje równanie różniczkowe w postaci: ( k x (t)
Bardziej szczegółowoAproksymacja. j<k. L 2 p[a, b] l 2 p,n X = Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza przestrzeni liniowej Π n. Dowód.
Metody numeryczne Paweł Zieliński p. 1/19 Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza bazę przestrzeni liniowej Π n. Dowód. Lemat 2. Dowolny wielomian Q j stopnia j niższego od k jest prostopadły
Bardziej szczegółowoSERWIS PRAWO I ZDROWIE PLATINUM PRACA Z PROGRAMEM
SERWIS PRAWO I ZDROWIE PLATINUM PRACA Z PROGRAMEM Opracowanie: Jacek Tkacz Gdańsk, 12 marca 2015 r. 1. Strona główna programu nowości Rubryka od redakcji to informacje dotyczące najnowszych zmian w prawie
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoLUBELSKA PRÓBA PRZED MATURĄ 2018 poziom podstawowy
LUELSK PRÓ PRZED MTURĄ 08 poziom podstawowy Schemat oceniania Zadania zamknięte (Podajemy kartotekę zadań, która ułatwi Państwu przeprowadzenie jakościowej analizy wyników). Zadanie. (0 ). Liczby rzeczywiste.
Bardziej szczegółowoAnaliza kanoniczna w pigułce
Analiza kanoniczna w pigułce Przemysław Biecek Seminarium Statystyka w medycynie Propozycje tematów prac dyplomowych 1/14 Plan 1 Słów kilka o podobnych metodach (PCA, regresja) 2 Motywacja, czyli jakiego
Bardziej szczegółowoZaglądamy pod maskę: podstawy działania silnika wyszukiwawczego na przykładzie Lucene
2..22 Zaglądamy pod maskę: podstawy działania silnika wyszukiwawczego na przykładzie Lucene Dominika Puzio Indeks Podstawy: dokument Dokument: jednostka danych, pojedynczy element na liście wyników wyszukiwania,
Bardziej szczegółowoKRYTERIA OCEN Z MATEMATYKI DLA KLASY I GIMNAZJUM
KRYTERIA OCEN Z MATEMATYKI DLA KLASY I GIMNAZJUM DZIAŁ: LICZBY WYMIERNE (DODATNIE I UJEMNE) Otrzymuje uczeń, który nie spełnia kryteriów oceny dopuszczającej, nie jest w stanie na pojęcie liczby naturalnej,
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowoInteligentne wydobywanie informacji z internetowych serwisów społecznościowych
Inteligentne wydobywanie informacji z internetowych serwisów społecznościowych AUTOMATYKA INFORMATYKA Technologie Informacyjne Sieć Semantyczna Przetwarzanie Języka Naturalnego Internet Edytor Serii: Zdzisław
Bardziej szczegółowoBaza w jądrze i baza obrazu ( )
Przykład Baza w jądrze i baza obrazu (839) Znajdź bazy jądra i obrazu odwzorowania α : R 4 R 3, gdzie α(x, y, z, t) = (x + 2z + t, 2x + y 3z 5t, x y + z + 4t) () zór ten oznacza, że α jest odwzorowaniem
Bardziej szczegółowo[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1]
Algorytm RLS Recursive Least Squares Ogólna postać kryterium LS: J = i e 2 (i) = i [d(i) y(i)] 2 Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) Zmodyfikowane kryterium
Bardziej szczegółowoFunkcjonalność Modułu Zobrazowania Operacyjnego WAZkA COP.
Funkcjonalność Modułu Zobrazowania Operacyjnego WAZkA COP. Zbiór usług zarządzania warstwami i obiektami geograficznymi na rzecz narzędzi zarządzania kryzysowego. Przedstawia: ppłk dr inż. Mariusz CHMIELEWSKI
Bardziej szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoWymagania edukacyjne z matematyki klasa IV technikum
Wymagania edukacyjne z matematyki klasa IV technikum Poziom rozszerzony Obowiązują wymagania z zakresu podstawowego oraz dodatkowo: FUNKCJE TRYGONOMETRYCZNE zaznacza kąt w układzie współrzędnych, wskazuje
Bardziej szczegółowoUzupełnienia dotyczące zbiorów uporządkowanych (3 lutego 2011).
Uzupełnienia dotyczące zbiorów uporządkowanych (3 lutego 2011). Poprzedniczka tej notatki zawierała błędy! Ta pewnie zresztą też ; ). Ćwiczenie 3 zostało zmienione, bo żądałem, byście dowodzili czegoś,
Bardziej szczegółowoMatematyka stosowana i metody numeryczne
Ewa Pabisek Adam Wosatko Piotr Pluciński Matematyka stosowana i metody numeryczne Konspekt z wykładu 6 Rozwiązywanie równań nieliniowych Rozwiązaniem lub pierwiastkiem równania f(x) = 0 lub g(x) = h(x)
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z MATEMATYKI KLASA III ZAKRES ROZSZERZONY (90 godz.) , x
WYMAGANIA EDUACYJNE Z MATEMATYI LASA III ZARES ROZSZERZONY (90 godz.) Oznaczenia: wymagania konieczne (dopuszczający); P wymagania podstawowe (dostateczny); R wymagania rozszerzające (dobry); D wymagania
Bardziej szczegółowoAnaliza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania
Analiza skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania Analiza Skupień Elementy składowe procesu grupowania obiekt Ekstrakcja cech Sprzężenie zwrotne Grupowanie klastry Reprezentacja
Bardziej szczegółowoGoogle Trends - Poradnik z analizą frazy SEO
Google Trends - Poradnik z analizą frazy SEO Co to jest Google Trends? Google Trends użyteczne narzędzie bazujące na zapytaniach, słowach kluczowych wpisywanych do wyszukiwarki Google i wyszukiwarki YouTube.
Bardziej szczegółowoSystemy wbudowane. Cel syntezy systemowej. Wykład 12: Przykłady kosyntezy systemów wbudowanych
Systemy wbudowane Wykład 12: Przykłady kosyntezy systemów wbudowanych Cel syntezy systemowej minimalizacja kosztu: jaka jest najtańsza architektura spełniająca nałożone wymagania (minimalna szybkość, max.
Bardziej szczegółowoSystemy 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 szczegółowoDziennik Urzędowy Unii Europejskiej L 274/9
20.10.2009 Dziennik Urzędowy Unii Europejskiej L 274/9 ROZPORZĄDZENIE KOMISJI (WE) NR 976/2009 z dnia 19 października 2009 r. w sprawie wykonania dyrektywy 2007/2/WE Parlamentu Europejskiego i Rady w zakresie
Bardziej szczegółowoJak serwis Pracuj.pl dba o jakość Twoich rekrutacji?
Jak serwis Pracuj.pl dba o jakość Twoich rekrutacji? Gdziekolwiek jesteś, serwis Pracuj.pl wspiera Twoje rekrutacje przez całą dobę. Jesteśmy blisko najnowszych technologii, przez co zawsze jesteśmy o
Bardziej szczegółowoZGŁASZANIE ZMIAN W BAZIE SCOPUS INTRUKCJA KROK PO KROKU WERYFIKACJA PROFILU AUTORA. Opracowała: dr inż. Katarzyna Gaca
ZGŁASZANIE ZMIAN W BAZIE SCOPUS INTRUKCJA KROK PO KROKU Opracowała: dr inż. Katarzyna Gaca Customer Consultant for Central-Eastern Europe, Elsevier WERYFIKACJA PROFILU AUTORA Krok 1. Znajdź profil autora
Bardziej szczegółowoOkręgowa Komisja Egzaminacyjna w Krakowie 1
Okręgowa Komisja Egzaminacyjna w Krakowie 1 Egzamin maturalny Egzamin maturalny, zastąpi dotychczasowy egzamin dojrzałości, czyli tzw. starą maturę i przeprowadzany będzie: od roku 2005 dla absolwentów
Bardziej szczegółowoBazy dokumentów tekstowych
Bazy dokumentów tekstowych Bazy dokumentów tekstowych Dziedzina zastosowań Automatyzacja bibliotek Elektroniczne encyklopedie Bazy aktów prawnych i patentów Szukanie informacji w Internecie Dokumenty tekstowe
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoALGORYTM UZUPEŁNIANIA BRAKUJĄCYCH DANYCH W ZBIORACH REJESTROWANYCH NA STACJACH MONITORINGU POWIETRZA
ALGORYTM UZUPEŁNIANIA BRAKUJĄCYCH DANYCH W ZBIORACH REJESTROWANYCH NA STACJACH MONITORINGU POWIETRZA Szymon HOFFMAN, Rafał JASIŃSKI Politechnika Częstochowska Wydział Inżynierii i Ochrony Środowiska ul.
Bardziej szczegółowoBezgradientowe metody optymalizacji funkcji wielu zmiennych. informacje dodatkowe
Bezgradientowe metody optymalizacji funkcji wielu zmiennych informacje dodatkowe Wybór kierunku poszukiwań Kierunki bazowe i ich modyfikacje metody bezgradientowe. Kierunki oparte na gradiencie funkcji
Bardziej szczegółowoKorelacja krzywoliniowa i współzależność cech niemierzalnych
Korelacja krzywoliniowa i współzależność cech niemierzalnych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki Szczecińskiej
Bardziej szczegółowoZ52: Algebra liniowa Zagadnienie: Zastosowania algebry liniowej Zadanie: Operatory różniczkowania, zagadnienie brzegowe.
Z5: Algebra liniowa Zagadnienie: Zastosowania algebry liniowej Zadanie: Operatory różniczkowania zagadnienie brzegowe Dyskretne operatory różniczkowania Numeryczne obliczanie pochodnych oraz rozwiązywanie
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 szczegółowoWprowadzenie do reklamy w wyszukiwarkach
Wprowadzenie do reklamy w wyszukiwarkach Interruption marketing Permission Marketing Reklama a użytkownik internetu 5 tys. przekazów reklamowych dziennie na osobę (badanie DoubleClick). Człowiek buduje
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 szczegółowowiedzy Sieci neuronowe (c.d.)
Metody detekci uszkodzeń oparte na wiedzy Sieci neuronowe (c.d.) Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 8 Metody detekci uszkodzeń oparte na wiedzy Wprowadzenie
Bardziej szczegółowo2.9. Kinematyka typowych struktur manipulatorów
Politechnika Poznańska, Katedra Sterowania i Inżynierii Systemów str. 1 2.9. Kinematyka typowych struktur manipulatorów 2.9.1. Manipulator planarny 3DOF Notacja DH Rys. 28 Tablica 1 Parametry DH Nr ogniwa
Bardziej szczegółowoZakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/
Zakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/ MATEMATYKA Klasa III ZAKRES PODSTAWOWY Dział programu Temat Wymagania. Uczeń: 1. Miara łukowa kąta zna pojęcia: kąt skierowany, kąt
Bardziej szczegółowoMATeMAtyka 3. Przedmiotowy system oceniania wraz z określeniem wymagań edukacyjnych. Zakres podstawowy i rozszerzony. Zakres podstawowy i rozszerzony
MATeMAtyka 3 Przedmiotowy system oceniania wraz z określeniem wymagań edukacyjnych Zakres podstawowy i rozszerzony Zakres podstawowy i rozszerzony Wyróżnione zostały następujące wymagania programowe: konieczne
Bardziej szczegółowoMetody Obliczeniowe w Nauce i Technice
8. Wyznaczanie pierwiastków wielomianów Marian Bubak Department of Computer Science AGH University of Science and Technology Krakow, Poland bubak@agh.edu.pl dice.cyfronet.pl Contributors Magdalena Nowak
Bardziej szczegółowo5.6 Klasyczne wersje Twierdzenia Stokes a
Ostatecznie f = 1 r 2 f ) r 2 r r + ctg ϑ f r 2 ϑ + 1 2 f r 2 ϑ + 1 2 2 f r 2 sin 2 ϑ ϕ 2 56 Klasyczne wersje Twierdzenia Stokes a Odpowiedniość między polami wektorowymi i jednoformami lub n 1)-formami
Bardziej szczegółowowww.projektor.org.pl Instrukcja obsługi internetowego systemu wsparcia programu Projektor
www.projektor.org.pl Instrukcja obsługi internetowego systemu wsparcia programu Projektor Spis treści 1. Ekran powitalny, logowanie 2. Rejestracja 3. Utworzenie nowego projektu 4. Zgłoszenie projektu 5.
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowoMatematyka licea ogólnokształcące, technika
Matematyka licea ogólnokształcące, technika Opracowano m.in. na podstawie podręcznika MATEMATYKA w otaczającym nas świecie zakres podstawowy i rozszerzony Funkcja liniowa Funkcję f: R R określoną wzorem
Bardziej szczegółowoWYMAGANIA EDUKACYJNE NA POSZCZEGÓLNE OCENY
WYMAGANIA EDUKACYJNE NA POSZCZEGÓLNE OCENY matematyka stosowana kl.2 rok szkolny 2018-19 Zbiór liczb rzeczywistych. Wyrażenia algebraiczne. potrafi sprawnie działać na wyrażeniach zawierających potęgi
Bardziej szczegółowoLUBELSKA PRÓBA PRZED MATURĄ 09 MARCA Kartoteka testu. Maksymalna liczba punktów. Nr zad. Matematyka dla klasy 3 poziom podstawowy
Matematyka dla klasy poziom podstawowy LUBELSKA PRÓBA PRZED MATURĄ 09 MARCA 06 Kartoteka testu Nr zad Wymaganie ogólne. II. Wykorzystanie i interpretowanie reprezentacji.. II. Wykorzystanie i interpretowanie
Bardziej szczegółowoMINISTER INWESTYCJI I ROZWOJU 1)
projekt z dnia 22 lutego 2019 r. MINISTER INWESTYCJI I ROZWOJU 1) Warszawa, dnia STANDARD ZAWODOWY RZECZOZNAWCÓW MAJĄTKOWYCH NR 2 WYCENA NIERUCHOMOŚCI PRZY ZASTOSOWANIU PODEJŚCIA PORÓWNAWCZEGO Na podstawie
Bardziej szczegółowoWymagania edukacyjne z przedmiotu: Ekonomia w praktyce
Wymagania edukacyjne z przedmiotu: Ekonomia w praktyce Program: Jolanta Kijakowska, Program nauczania. Przedmiot uzupełniający. Ekonomia w praktyce Podręcznik: Waldemar Kotowski, Od oszczędzania do inwestowana
Bardziej szczegółowoSemantyczny Monitoring Cyberprzestrzeni
Semantyczny Monitoring Cyberprzestrzeni Partnerzy projektu: Katedra Informatyki Ekonomicznej Uniwersytet Ekonomiczny w Poznaniu Partnerzy projektu: Zarys problemu Źródło internetowe jako zasób użytecznych
Bardziej szczegółowoWPROWADZENIE WYSZUKIWANIE OGŁOSZEŃ
WPROWADZENIE 1. Cel dokumentu Celem dokumentu jest: Zapoznanie internauty z funkcjonalnością realizowaną przez Bazę Konkurencyjności. Dostarczenie szczegółowych informacji na temat podstron, które znajdują
Bardziej szczegółowoRedukcja wariancji w metodach Monte-Carlo
14.02.2006 Seminarium szkoleniowe 14 lutego 2006 Plan prezentacji Wprowadzenie Metoda losowania warstwowego Metoda próbkowania ważonego Metoda zmiennych kontrolnych Metoda zmiennych antytetycznych Metoda
Bardziej szczegółowoZakres na egzamin poprawkowy w r. szk. 2013/14 /nauczyciel M.Tatar/ Podręcznik klasa 1 ZAKRES PODSTAWOWY i ROZSZERZONY
MATEMATYKA Klasa TMB Zakres na egzamin poprawkowy w r. szk. 013/14 /nauczyciel M.Tatar/ Podręcznik klasa 1 ZAKRES PODSTAWOWY i ROZSZERZONY (zakres rozszerzony - czcionką pogrubioną) Hasła programowe Wymagania
Bardziej szczegółowo