MOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ. Anna Kempa. Wprowadzenie
|
|
- Magdalena Wilczyńska
- 6 lat temu
- Przeglądów:
Transkrypt
1 MOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ Anna Kempa Wprowadzenie Liczne podobieństwa grup społecznych do Ŝywego organizmu zauwa- Ŝane były przez ludzi juŝ od dawna. Herbert Spencer, XIX wieczny filozof i socjolog, wymieniając w swoich pracach owe podobieństwa podał takŝe dwie róŝnice. Jedną z nich jest brak organu czucia w organizmie społecznym, natomiast drugą fakt, Ŝe podczas kiedy Ŝywe jednostki (komórki, tkanki) składając Ŝywy organizm, złączone są ze sobą stosunkiem ścisłego przylegania, to jednostki Ŝywe, wchodzące w skład grupy społecznej, nie pozostają ze sobą w zetknięciu, są rozdzielne. Jak jednak zauwaŝa, owa rozdzielność w grupach społecznych jest niejako pozorna, poniewaŝ Nie stykając się ze sobą bezpośrednio, niemniej jednak oddziaływają one [jednostki] na siebie poprzez dzielącą je przestrzeń, a to za pośrednictwem zarówno języka uczuć, jako teŝ pisanej i ustnej mowy rozumu 1. Rozwój współczesnych technologii informacyjnych i komunikacyjnych moŝe być postrzegany jako przejaw dąŝenia organizmów społecznych do zwiększenia stopnia przylegania (łączności) tworzących je jednostek. Tworzymy jeden organizm dzięki językowi uczuć, ustnej i pisanej 1 Herbert Spencer, Indukcje socjologii, rozdział II Społeczeństwo jako organizm
2 mowy. Jej pisana (ogólniej - rejestrowana) forma pozwala na znaczne zwiększenie zasięgu wymiany wiedzy i informacji w organizacji. Stąd i od technologii wspierających systemy zarządzania wiedzą oczekuje się zdolności do gromadzenia, przetwarzania oraz udostępniania wiedzy pracownikom, grupom pracowników oraz całej organizacji [Gołu05]. Technologiczne moŝliwości przestały zawęŝać się do pomocy w rejestrowaniu informacji i jej prostym wyszukiwaniu, a w coraz większym stopniu zaczęły rozszerzać się na pomoc w wyłuskiwaniu, kompilacji wiedzy w oparciu o znany (zaszyty) kontekst i informacje. Nowym zadaniem stało się wyposaŝenie tego coraz bardziej istotnego pośrednika w wymianie wiedzy między ludźmi maszyny w częściowe rozumienie wiedzy, jaką przechowuje. Ewolucja sieci WWW w kierunku semantycznej sieci WWW jest przykładem takich aspiracji badawczych w zakresie informatyki. Główny czynnik scalający organizmy społeczne - język jest jednocześnie główną barierą, która utrudnia porozumienie się za pośrednictwem maszyn one najlepiej rozumieją cyfry. W naturze moŝna jednak znaleźć systemy, które przetwarzają wiedzę, mimo, Ŝe brak im, charakterystycznej dla ludzkiego rozumu wiedzy wiedzy, Ŝe się wie. Obiecujące wydaje się sięganie po inspiracje w głąb organizmów Ŝywych oraz innych naturalnych systemów, w których swoista wiedza przetwarzana jest z du- Ŝą skutecznością. Biologiczną inŝynierię charakteryzuje elastyczność, odporność na niewielkie zaburzenia oraz rozproszoność, dzięki której funkcjonowanie pojedynczych komponentów nie jest krytyczne dla zachowania spójnej funkcjonalności, a ich suma tworzy całość o skomplikowanych i nowych własnościach [Wier01]. Od kilkunastu lat informaty-
3 cy próbują adaptować kolejny naturalny system układ odpornościowy, który wyposaŝony jest w zdolność zdobywania kwalifikacji poprzez naukę i doświadczenie. Posługuje się pamięcią, którą rozwija według zapotrzebowania, w szczególności moŝe usuwać nabyte, juŝ niepotrzebne zdolności [Wier01]. Organizm Ŝywy dysponuje repertuarem 10 6 struktur własnych. Liczbę potencjalnych struktur patogennych szacuje się na Aby skutecznie obronić organizm układ odpornościowy musi się cały czas uczyć. Podobnie jak organizmy Ŝywe nie rodzą się z repozytorium zawierającym informacje na temat wszystkich moŝliwych wrogich struktur, tak i organizacja nigdy nie będzie mogła stworzyć repozytorium zawierającego wiedzę na temat wszystkich problemów, jakie moŝe napotkać. Układ odpornościowy, w chwili pojawienia się problemu (patogenu) dokonuje selekcji komórek najlepiej znających się na nim (dopasowanych), w dalszej części usiłuje poprawić kwalifikacje ekspertów, a gdy juŝ są doskonali klonuje ich na duŝą skalę. W organizacjach jest podobnie, zamiast klonowania ekspertów, klonuje się ich wiedzę rozszerza na zakres pracowników, potrzebnych do rozwiązania danego problemu. Wychodząc od prezentowanej metafory systemów zarządzania wiedzą, przedstawione zostaną naturalne oraz sztuczne systemy immunologiczne i ich predyspozycje do zastosowań w systemach wspierających zarządzanie wiedzą.
4 Naturalne systemy immunologiczne Immunologia jest nauką z pogranicza medycyny i biologii, której przedmiotem badań jest odporność organizmów na zarazki, toksyny i niektóre substancje chemiczne. Chęć zrozumienia makroskopowych własności układu odpornościowego zrodziła powstanie odrębnej jej gałęzi - immunologii matematycznej. Układ odpornościowy jako efektywny system rozproszonego przetwarzania informacji, posiadający zdolność uczenia się i adaptacji do zmiennego otoczenia jest atrakcyjny takŝe i dla informatyków. Układ odpornościowy charakteryzują [Wier01]: Rozproszona detekcja. Detektory nieustannie monitorują stan komórek organizmu, krąŝąc wewnątrz naczyń krwionośnych, limfatycznych oraz pokonując tkankowe przestrzenie międzykomórkowe. Proces detekcji nie podlega scentralizowanemu sterowaniu. KaŜdy element wie co i w jakich sytuacjach ma robić, Progowa detekcja. Proces wiązania antygenu przez przeciwciało opiera się na częściowym podobieństwie obu elementów (przypomina to progową aktywację pojedynczego neuronu), Detekcja anomalii. Układ potrafi prawidłowo identyfikować patogeny, z którymi nigdy wcześniej się nie zetknął, Adaptacyjność. Układ immunologiczny potrafi nauczyć się i zapamiętać patogenne struktury. Pamięć immunologiczna jest zorganizowana bardzo efektywnie, rzadko uŝywane informacje są z niej usuwane, Samoorganizacja. Pamięć immunologiczna tworzy sieciową strukturę (sieć idiotypową), która podlega modyfikacjom w miarę pojawiania się kolejnych typów patogenów,
5 Brak konieczności negatywnych przykładów. Do podjęcia akcji obronnej wystarcza znajomość struktur własnych komórek. Przykłady moŝliwych patogenów (przykłady negatywne) nie są potrzebne, Prostota reprezentacji. Wiedza gromadzona przez układ odpornościowy reprezentowana jest w bezpośredni sposób przez struktury detektorów uczestniczących w rozpoznawaniu patogenów, Unikalność. Układ odpornościowy kaŝdego osobnika jest inny, a osobniki róŝnią się odpornością na zewnętrzne zagroŝenia. Rys. 1 Wielowarstwowa struktura układu immunologicznego Źródło: [CaZu99] Układ odpornościowy ma budowę wielowarstwową, poszczególne warstwy róŝnią się stopniem skomplikowania stosowanych mechanizmów obronnych. Pierwszą warstwę stanowi skóra, kolejną są bariery
6 fizjologiczne (temperatura organizmu, ph, łzy, itp). Trzecią warstwą jest wrodzony układ odpornościowy, nie podlega on Ŝadnym zmianom, jego zadaniem jest natychmiastowe działanie obronne, w przypadku niektórych patogenów moŝe być wystarczające. Czwartą, ostatnią warstwę stanowi układ adaptacyjny (rys.1). Trzy pierwsze warstwy stanowią odporność nieswoistą, natomiast ostatnia adaptacyjny system obronny stanowi odporność swoistą. Odporność swoistą cechuje uczenie się rozpoznawania patogenów, proces uczenia zachodzi w tzw. pierwotnej odpowiedzi na patogen, czyli wówczas, gdy organizm zetknął się z nim po raz pierwszy. Odpowiedź pierwotna jest na ogół wolna (ok. kilka dni od zaraŝenia), ale układ zachowuje pamięć o pokonanym patogenie, dzięki czemu w zetknięciu się z nim w przyszłości odpowie znacznie szybciej. Jest to tzw. wtórna reakcja immunologiczna. Komórki, które aktywnie uczestniczą w swoistej odpowiedzi immunologicznej nazywane są limfocytami. Limfocyty są wyspecjalizowanymi wszechobecnymi komórkami, rozproszonymi w płynach ustrojowych i tkankach lub tworzącymi własne narządy, centralne i obwodowe. Komórek tych jest w organizmie aŝ 10 12, co stanowi ok. 1% masy całego ciała. Limfocyty współpracują podczas detekcji oraz usuwania antygenów (patogeny rozpoznawane przez limfocyty nazywane są antygenami). Limfocyty dzieli się na limfocyty typu B oraz limfocyty typu T. Limfocyty T stanowią wielozadaniową populację inicjującą i koordynującą przebieg odpowiedzi immunologicznej, w której uczestniczą takŝe komórki wykonawcze, m.in. limfocyty B. Limfocyty B produkują przeciwciała (immunoglobuliny), a w dojrzałym stadium zmieniają się w komórki
7 pamięciowe. Limfocyty B uczestniczą w tzw. odpowiedzi humoralnej, w wyniku zetknięcia się z antygenem, po kooperacji z limfocytami T klonują się, co powoduje powstawanie komórek intensywnie produkujących przeciwciała. Limfocyty T i B posiadają receptory swoiste detektory odpowiedzialne za rozpoznawanie antygenów. Przedstawiona zostanie budowa receptorów limfocytów B, których struktura ma szczególne znaczenie przy konstrukcji sztucznych systemów immunologicznych. Na powierzchni limfocytu B moŝe być około 100 tysięcy receptorów (przeciwciał). Przeciwciała kształtem przypominają literę Y. Fragment receptora, który słuŝy do identyfikacji molekuł nazywany jest paratopem. Natomiast fragment receptora lub antygenu, do którego moŝe się przyłączyć paratop nazywany jest epitopem. Siłę wiązania epitop-paratop nazywa się stopniem dopasowania. Zachowanie limfocytu jest uzaleŝnione od dopasowania jego receptorów. Limfocyt ulega aktywacji gdy stopień dopasowania osiąga pewną wartość progową oraz gdy dostatecznie duŝa ilość paratopów związała epitopy. Układ immunologiczny wyposaŝony jest w zdolność uczenia się konkretnych struktur epitopów i zapamiętywania ich w celu szybkiej reakcji przy powtórnym kontakcie z antygenem. Za oba te mechanizmy odpowiedzialne są limfocyty B. Uaktywnione limfocyty B po przedostaniu się do węzłów limfatycznych produkują (poprzez podział) wiele krótko Ŝyjących klonów. Klony podlegają hipermutacji somatycznej, co ma prowadzić do wyprodukowania paratopów moŝliwie najlepiej dostosowanych do epitopów atakujących organizm antygenów. Proces ten przypomina
8 mutację genetyczną, jednak jego intensywność jest znacznie większa. Ten etap jest określany jako proliferacja. Rys. 2 Mechanizm selekcji klonalnej Źródło: [Hord03] Klony są testowane pod względem skuteczności antygenów (selekcja klonalna), klony nieefektywne są usuwane z organizmu, natomiast klony dobrze dopasowane do antygenu przeŝywają, a po pewnym czasie zmieniają się w komórki plazmatyczne lub pamięciowe (proces dyferencjacji). Komórki plazmatyczne produkują wolne przeciwciała, które łącząc się z antygenem wskazują go komórkom Ŝernym do eliminacji. Z kolei komórki pamięciowe pozostają w organizmie przez dłuŝszy czas i biorą aktywny udział we wtórnej odpowiedzi immunologicznej. Omówione procesy zostały przedstawione na Rys.2. Produkowane limfocyty podlegają takŝe
9 selekcji negatywnej, której zadaniem jest niedopuszczenie do działania limfocytów rozpoznających struktury własne jako antygeny (obce). Sztuczne Systemy Immunologiczne Sztuczny system immunologiczny (SSI, ang. Artificial Immune System) to program komputerowy, którego działanie opiera się na najbardziej fundamentalnych regułach sterujących populacją limfocytów w organizmach Ŝywych [Wier01]. Struktura sztucznego systemu immunologicznego opiera się trzech podstawowych elementach [CaTi03]: Reprezentacja komponentów systemu (abstrakcyjny model immunologicznych organów, komórek, molekuł), Zbiór mechanizmów obliczania miary interakcji pomiędzy komponentami systemu (m.in. funkcje dopasowania), Procedury adaptacji, których rolą jest zarządzanie dynamiką systemu. Reprezentacja komponentów systemu. Podobnie jak w naturalnym systemie immunologicznym podstawowymi komponentami SSI są struktury reprezentujące limfocyty (zarówno B i T, częściej jednak spotyka się systemy oparte jedynie na limfocytach B). Sztuczne limfocyty B posiadają tylko jedno przeciwciało, przez co oba pojęcia bywają utoŝsamiane. Odpowiednikiem struktur molekularnych przeciwciał są w SSI struktury elementów ze zbioru cech odzwierciedlającego dziedzinę problemu, mogą to być wektory liczb, ciągi binarne oraz złoŝone struktury (np. listy obiektów). Wektory liczb rzeczywistych stosowane są w SSI realizujących zadania obliczeniowe, takie jak interpolacja funkcji lub optymalizacja problemów kombinatorycznych. Ciągi binarne uŝywane są w systemach roz-
10 poznawania wzorców oraz systemach ochrony przed wirusami. Natomiast złoŝone struktury stosuje się w technologii data mining. Miary dopasowania. Dobór metody obliczania dopasowania zaleŝy od charakterystyki problemu oraz reprezentacji komponentów systemu, większość z nich opiera się na koncepcji przestrzeni kształtów (ang. shape-spaces) [CaTo03]. W naturalnym systemie immunologicznym dopasowanie przeciwciała do antygenu jest determinowane przez siły elektrostatyczne, wiązania wodorowe, oddziaływania hydrofobowe i siły van der Waalsa [Wier01]. W koncepcji przestrzeni kształtów, wszystkie determinanty wpływające na siłę wiązania przeciwciało-antygen określa się uogólnionym kształtem molekuły. Dla n determinant przestrzeń jest n- wymiarowa, a kaŝdy punkt w tej przestrzeni reprezentuje uogólniony kształt receptora przeciwciała lub antygenu. Obszar V wokół punktu reprezentującego antygen, w którym znajdują się przeciwciała zdolne do jego rozpoznania nazywa się sąsiedztwem rozpoznania, średnica tego obszaru stanowi próg dopasowania ε, który określa stopień tolerancji niedoskonałości podobieństwa antygen-przeciwciało. Stosowane są tu róŝne miary odległości np. euklidesowej, Hamminga lub Manhattan. Algorytmy immunologiczne stanowią odpowiednik realizacji procesów adaptacji i dywersyfikacji naturalnego systemu immunologicznego. Ich zadaniem jest, poprzez sterowanie populacją przeciwciał, doprowadzić do otrzymania rozwiązania. Algorytmy immunologiczne moŝna podzielić na populacyjne i sieciowe (sieć idiotypowa). Algorytmy populacyjne to selekcja klonalna oraz selekcja negatywna (stosuje się takŝe metody hybrydowe, będącymi połączeniem wymienionych algorytmów z
11 innymi metodami sztucznej inteligencji, m.in. algorytmami genetycznymi). Algorytmy sieciowe dzielą się na modele ciągłe oraz dyskretne. Algorytm selekcji klonalnej (CLONALG) składa się z dwóch etapów ekspansji klonalnej oraz hipermutacji. Pierwszy odpowiedzialny jest za wyselekcjonowanie najlepiej dopasowanych przeciwciał i ich sklonowanie. Hipermutacja natomiast realizuje dojrzewanie przeciwciał w celu jeszcze lepszego ich dopasowania. Schemat algorytmu przedstawia się w krokach [CaTi03]: 1. Generacja populacji początkowej przeciwciał, 2. Selekcja przeciwciał z najlepszym dopasowaniem, 3. Klonowanie przeciwciał w ilości proporcjonalnej do stopnia dopasowania, 4. Hipermutacja przeciwciał z czynnikiem zmienności odwrotnie proporcjonalnym do stopnia dopasowania, 5. Ponowny wybór najlepiej dopasowanych przeciwciał, 6. Wymiana najgorzej dopasowanych przeciwciał na nowe. Algorytm selekcji negatywnej stosuje się w celu wyeliminowania przeciwciał, które rozpoznają własne struktury jako obce. Algorytm ten znajduje zastosowanie najczęściej w problemach detekcji anomalii. Ogólny schemat algorytmu [CaTi03]: 1. Generacja populacji początkowej przeciwciał, 2. Określenie dopasowania wszystkich przeciwciał względem zbioru wzorców struktur własnych, 3. Jeśli stopień dopasowania przekracza pewien próg przeciwciało jest usuwane, w przeciwnym razie zasila zbiór wynikowy detektorów.
12 Model sieci idiotypowej proponuje system immunologiczny charakteryzujący się dynamicznym działaniem nawet w przypadku braku antygenów obcych. Model ten róŝni się od selekcji klonalnej i negatywnej, czyniąc limfocyty B zdolne do rozpoznawania siebie nawzajem. Pierwsze sieciowe modele opierały się głównie na zbiorze równań róŝniczkowych sterujących zmianami w populacji molekuł przeciwciał i limfocytów B. Podejście to nazywane jest ciągłym modelem sieci idiotypowej, wykorzystywane jest szeroko w robotyce, optymalizacji oraz kontroli, a takŝe analizie danych [CaTi03]. Późniejsze modele, których nie oparto na równaniach róŝniczkowych, ale interaktywnych procedurach adaptacji nazwano dyskretnymi modelami sieci idiotypowej. Znajdują one zastosowania głownie w problemach rozpoznawania obrazów, analizie danych, maszynowym uczeniu oraz optymalizacji [CaTi03]. Obszary zastosowań SSI w systemach zarządzania wiedzą Układ odpornościowy klasyfikuje dowolną strukturę do jednej z dwóch klas: własny lub obcy. Zakwalifikowanie do obcych pociąga za sobą reakcje mające na celu eliminacje zagroŝenia. Traktując obcą strukturę jako problem, jaki naleŝy rozwiązać, a uruchomienie akcji obronnej jako jego rozwiązanie, moŝna dostrzec, Ŝe immunologia stanowi interesujący obszar dla badaczy i twórców systemów wspomagających rozwiązywanie problemów. Przykładowo, dla problemu optymalizacyjnego, traktowanego jako patogen poszukuje się wiąŝących go przeciwciał zbioru rozwiązań tego zadania. Natomiast w przypadku analizy danych, patogenami mogą być zbiory danych, ich rozpoznanie i zapamiętanie jest
13 równowaŝne utworzeniu wewnętrznego obrazu patogenów. Przy pomocy sieci idiotypowej moŝna otrzymać strukturę (w postaci grafu) reprezentującą istotne relacje między poszczególnymi danymi [Wier01]. Owocne moŝe być takŝe połączenie mechanizmów SSI z innymi metodami sztucznej inteligencji. Z informatycznego punktu widzenia SSI łączą w sobie cechy wnioskowania na podstawie przypadków, sieci neuronowych, systemów klasyfikujących i samoorganizujących się systemów analizy danych [Wier01]. Jest ponadto blisko spokrewniony z algorytmami ewolucyjnymi i logiką rozmytą. W rezultacie interdyscyplinarnych badań modele SSI uŝywane są jako nowe podejścia wspierające rozwój sieci neuronowych, algorytmów ewolucyjnych, logiki rozmytej i viceversa. Sieć idiotypową moŝna wykorzystać takŝe jako narzędzie słuŝące do organizacji bazy przypadków w metodologii Case-Based Reasoning (opracowano przy pomocy tego połączenia m.in. system słuŝący do profilowania klientów [Wier01]). Do głównych zadań technologicznej warstwy systemu zarządzania wiedzą naleŝą: okrywanie wiedzy z baz danych, dokumentów tekstowych i graficznych, reprezentacja wiedzy czytelnej zarówno dla człowieka jak i komputera (ontologia), przetwarzanie tekstów w języku naturalnym, wspomaganie elektronicznej współpracy, lokalizacji wiedzy oraz uczenia się, personalizacja prezentacji wiedzy [Gołu05]. SSI jako przedstawiciele systemów poznawczych są predysponowane do wspierania większości wymienionych zadań. ZauwaŜalne wysiłki poczyniono na obszarze zastosowań SSI w data mining, grupowaniu danych, personalizacji, analizie danych oraz systemach wieloagentowych.
14 Obiecujące wydaje się wykorzystanie SSI w najnowszym kierunku rozwoju systemów zarządzania wiedzą, opartym na koncepcji sieci semantycznych. Ten obszar badawczy jest jak na razie w niewielkim stopniu rozpoznany, ale pierwsze próby w tym zakresie, a takŝe znajomość zdolności SSI jest wystarczającą zachętą do działań w tym kierunku. Literatura [CaTi03] Castro L.N., Timmis J.I.: Artificial Immune System as Novel Soft Computing Paradigm, Soft Computing 7, Springer-Verlag 2003 [CaZu99] Castro L.N., Zuben F.J.: Artificial Immune System. Part I Basic Theory and Applications, Technical Report, [Gołu05] Gołuchowski J.: Technologie informatyczne w zarządzaniu wiedzą w organizacji, AE Katowice, 2005 [Hord03] Hordjewicz T.: Sztuczne systemu immunologiczne i ich zastosowanie w systemach rekomendujących, w: Hołubica J. (red) Analiza systemowa w finansach i zarządzaniu, Instytut Badań Systemowych PAN, Warszawa 2005 [Wier01] Wierzchoń S.T.: Sztuczne systemy immunologiczne. Teoria i zastosowania, AOW Exit, Warszawa 2001 mgr Anna Kempa Katedra Informatyki Akademia Ekonomiczna Katowice, ul. Bogucicka 3 Numer telefonu (fax) +48/32/ kempa@ae.katowice.pl
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 szczegółowoPlan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny
Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny
Bardziej szczegółowoZastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji
Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji 26 października 2011 Agenda Wprowadzenie 1 Wprowadzenie 2 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu
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 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 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 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 szczegółowoObliczenia Naturalne - Algorytmy immunologiczne
Literatura Podstawowe pojęcia Obliczenia Naturalne - immunologiczne Paweł Paduch Politechnika Świętokrzyska 10 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - immunologiczne 1 z 44 Plan wykładu Literatura
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 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 szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoAlgorytmy immunologiczne. Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki
Algorytmy immunologiczne Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Metody uczenia maszynowego Uczenie z nauczycielem Uczenie
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoLp. tydzień wykłady seminaria ćwiczenia
Lp. tydzień wykłady seminaria ćwiczenia 21.02. Wprowadzeniedozag adnieńzwiązanychzi mmunologią, krótka historiaimmunologii, rozwójukładuimmun ologicznego. 19.02. 20.02. Wprowadzenie do zagadnień z immunologii.
Bardziej szczegółowoStudia podyplomowe: Nauczanie biologii w gimnazjach i szkołach ponadgimnazjalnych
Studia podyplomowe: Nauczanie biologii w gimnazjach i szkołach ponadgimnazjalnych Głównym celem studiów podyplomowych Nauczanie biologii w gimnazjach i szkołach ponadgimnazjalnych jest przekazanie słuchaczom
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 szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA KIERUNEK STUDIÓW INFORMATYCZNE TECHNIKI ZARZĄDZANIA
KIERUNKOWE EFEKTY KSZTAŁCENIA KIERUNEK STUDIÓW INFORMATYCZNE TECHNIKI ZARZĄDZANIA Nazwa kierunku studiów: Informatyczne Techniki Zarządzania Ścieżka kształcenia: IT Project Manager, Administrator Bezpieczeństwa
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 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 szczegółowotechnologii informacyjnych kształtowanie , procesów informacyjnych kreowanie metod dostosowania odpowiednich do tego celu środków technicznych.
Informatyka Coraz częściej informatykę utoŝsamia się z pojęciem technologii informacyjnych. Za naukową podstawę informatyki uwaŝa się teorię informacji i jej związki z naukami technicznymi, np. elektroniką,
Bardziej szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowooporność odporność oporność odporność odporność oporność
oporność odporność odporność nieswoista bierna - niskie ph na powierzchni skóry (mydła!) - enzymy - lizozym, pepsyna, kwas solny żołądka, peptydy o działaniu antybakteryjnym - laktoferyna- przeciwciała
Bardziej szczegółowoCzy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski
Czy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski Architektura umysłu Pojęcie używane przez prawie wszystkie współczesne ujęcia kognitywistyki Umysł Przetwornik informacji 2 Architektura
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej 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 szczegółowoModelowanie i symulacja rozproszona mobilnych sieci ad-hoc Promotor: dr hab. inż. Ewa Niewiadomska-Szynkiewicz
Cel pracy Modelowanie i symulacja rozproszona mobilnych sieci ad-hoc Promotor: dr hab. inż. Ewa Niewiadomska-Szynkiewicz Cel pracy: opracowanie i realizacja metod i narzędzi do wspomaganego komputerem
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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
Bardziej szczegółowoO ALGORYTMACH I MASZYNACH TURINGA
O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego
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 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 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 szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS
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 szczegółowoEfekty kształcenia dla kierunku ekonomia studia pierwszego stopnia
Załącznik nr 1 do Uchwały nr 7/VI/2012 Senatu Wyższej Szkoły Handlowej im. Bolesława Markowskiego w Kielcach z dnia 13 czerwca 2012 roku. Efekty kształcenia dla kierunku ekonomia studia pierwszego stopnia
Bardziej szczegółowoCZYM SĄ OBLICZENIA NAT A URALNE?
CZYM SĄ OBLICZENIA NATURALNE? Co to znaczy obliczać (to compute)? Co to znaczy obliczać (to compute)? wykonywać operacje na liczbach? (komputer = maszyna licząca) wyznaczać wartości pewnych funkcji? (program
Bardziej szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowoPODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej)
PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej) Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt do wykładu
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 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 szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
Zał. nr 1 do Programu kształcenia KIERUNKOWE EFEKTY KSZTAŁCENIA WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INŻYNIERIA SYSTEMÓW Stopień studiów: STUDIA II STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR
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 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 szczegółowoUniwersytet Śląski w Katowicach str. 1 Wydział Informatyki i Nauki o Materiałach
Uniwersytet Śląski w Katowicach str. 1 Efekty dla: nazwa kierunku poziom profil Informatyka inżynierska pierwszy ogólnoakademicki Kod efektu (kierunek) K_1_A_I_W01 K_1_A_I_W02 K_1_A_I_W03 K_1_A_I_W04 K_1_A_I_W05
Bardziej szczegółowoIV.3.b. Potrafisz samodzielnie dokonać podstawowej konfiguracji sieci komputerowej
IV.3.b. Potrafisz samodzielnie dokonać podstawowej konfiguracji sieci komputerowej Co warto wiedzieć o łączeniu komputerów w sieci? Spójrz na rysunek IV.3p, który przedstawia właściwości Połączeń lokalnych,
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoĆwiczenie 14. Maria Bełtowska-Brzezinska KINETYKA REAKCJI ENZYMATYCZNYCH
Ćwiczenie 14 aria Bełtowska-Brzezinska KINETYKA REAKCJI ENZYATYCZNYCH Zagadnienia: Podstawowe pojęcia kinetyki chemicznej (szybkość reakcji, reakcje elementarne, rząd reakcji). Równania kinetyczne prostych
Bardziej szczegółowoPsychologia RóŜnic Indywidualnych Funkcjonalne znaczenie temperamentu Zajęcia 2 Katarzyna Popek
Psychologia RóŜnic Indywidualnych Funkcjonalne znaczenie temperamentu Zajęcia 2 Katarzyna Popek Przeznaczony do badania osób w wieku 15 80 lat, obojga płci Nie istnieją wersje oboczne, przeznaczone do
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 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 szczegółowo[1] [2] [3] [4] [5] [6] Wiedza
3) Efekty dla studiów drugiego stopnia - profil ogólnoakademicki na kierunku Informatyka w języku angielskim (Computer Science) na specjalności Sztuczna inteligencja (Artificial Intelligence) na Wydziale
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 szczegółowoKARTA PRZEDMIOTU. 1. Informacje ogólne. 2. Ogólna charakterystyka przedmiotu. Metody drążenia danych D1.3
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowoSOCJOLOGIA ORGANIZACJI. Dr Jagoda Mrzygłocka- Chojnacka
SOCJOLOGIA ORGANIZACJI Dr Jagoda Mrzygłocka- Chojnacka 1 SOCJOLOGIA ORGANIZACJI Współczesne społeczeństwo jest społeczeństwem organizacji formalnych, czyli dużymi grupami wtórnymi utworzonymi z myślą o
Bardziej szczegółowoII Wydział Lekarski z Oddziałem Anglojęzycznym Kierunek: BIOMEDYCYNA 2015-2018 Poziom studiów: pierwszy stopień Profil: Praktyczny SEMESTR I
II Wydział Lekarski z Oddziałem Anglojęzycznym Kierunek: BIOMEDYCYNA 2015-2018 Poziom studiów: pierwszy stopień Profil: Praktyczny SEMESTR I PRZEDMIOT Chemia ogólna EFEKTY KSZTAŁCENIA 1. posiada wiedzę
Bardziej szczegółowoRelacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych"
Relacja: III Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" W dniu 18.04.2015 odbyło się III Seminarium Naukowe Inżynierskie zastosowania technologii informatycznych. Organizatorzy
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe)
Bardziej szczegółowoUCHWAŁA NR 60/2013 Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 21 listopada 2013 roku
UCHWAŁA NR 60/2013 Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 21 listopada 2013 roku w sprawie: korekty efektów kształcenia dla kierunku informatyka Na podstawie ustawy z dnia
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 szczegółowoUCHWAŁA NR 46/2013. Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 19 września 2013 roku
UCHWAŁA NR 46/2013 Senatu Akademii Marynarki Wojennej im. Bohaterów Westerplatte z dnia 19 września 2013 roku w sprawie: korekty efektów kształcenia dla kierunku informatyka Na podstawie ustawy z dnia
Bardziej szczegółowoZnaczenie rozdzielczych sieci inteligentnych w rozwoju SG
Znaczenie rozdzielczych sieci inteligentnych w rozwoju SG Agenda: Wprowadzenie Współczesne sieci rozdzielcze Przekształcenie istniejących w inteligentne sieci rozdzielcze Wdrożenie inteligentnych sieci
Bardziej szczegółowoZAKRES NAUCZANIA INFORMATYKI EKONOMICZNEJ NA STUDIACH EKONOMICZNYCH I INFORMATYCZNYCH
ZAKRES NAUCZANIA INFORMATYKI EKONOMICZNEJ NA STUDIACH EKONOMICZNYCH I INFORMATYCZNYCH Magdalena Kotnis Wprowadzenie Zakres tematyczny obszaru Informatyki Ekonomicznej jest obszerny. Pierwsze próby zakreślenia
Bardziej szczegółowoZakład Sterowania Systemów
Zakład Sterowania Systemów Zespół ZłoŜonych Systemów Kierownik zespołu: prof. dr hab. Krzysztof Malinowski Tematyka badań i prac dyplomowych: Projektowanie algorytmów do podejmowania decyzji i sterowania
Bardziej szczegółowoWymagania edukacyjne
Rok szkolny 2018/2019 Wymagania edukacyjne Przedmiot Klasa Nauczyciel uczący Poziom biologia 1t Edyta Nowak podstawowy Ocena dopuszczająca Ocenę dopuszczającą otrzymuje uczeń, który: przyswoił treści konieczne,
Bardziej szczegółowoProgramowanie komputerów
Programowanie komputerów Wykład 1-2. Podstawowe pojęcia Plan wykładu Omówienie programu wykładów, laboratoriów oraz egzaminu Etapy rozwiązywania problemów dr Helena Dudycz Katedra Technologii Informacyjnych
Bardziej szczegółowookreślone Uchwałą Senatu Uniwersytetu Kazimierza Wielkiego Nr 156/2012/2013 z dnia 25 września 2013 r.
Załącznik Nr 5.1 do Uchwały Nr 156/2012/2013 Senatu UKW z dnia 25 września 2013 r. EFEKTY KSZTAŁCENIA określone Uchwałą Senatu Uniwersytetu Kazimierza Wielkiego Nr 156/2012/2013 z dnia 25 września 2013
Bardziej szczegółowoOdporność nabyta: Nadzieja Drela Wydział Biologii UW, Zakład Immunologii
Odporność nabyta: Komórki odporności nabytej: fenotyp, funkcje, powstawanie, krążenie w organizmie Cechy odporności nabytej Rozpoznawanie patogenów przez komórki odporności nabytej: receptory dla antygenu
Bardziej szczegółowoModel Marczuka przebiegu infekcji.
Model Marczuka przebiegu infekcji. Karolina Szymaniuk 27 maja 2013 Karolina Szymaniuk () Model Marczuka przebiegu infekcji. 27 maja 2013 1 / 17 Substrat Związek chemiczny, który ulega przemianie w wyniku
Bardziej szczegółowoElementy filozofii i metodologii INFORMATYKI
Elementy filozofii i metodologii INFORMATYKI Filozofia INFORMATYKA Metodologia Wykład 1. Wprowadzenie. Filozofia, metodologia, informatyka Czym jest FILOZOFIA? (objaśnienie ogólne) Filozofią nazywa się
Bardziej szczegółowoUniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka
Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA Studia III stopnia (doktoranckie) kierunek Informatyka (przyjęty przez Radę Wydziału Informatyki i Nauki o Materiałach w
Bardziej szczegółowoPROGRAM REALIZACJI WEWNĄTRZSZKOLNEGO SYSTEMU DORADZTWA ZAWODOWEGO W ROKU SZKOLNYM 2018/2019
PROGRAM REALIZACJI WEWNĄTRZSZKOLNEGO SYSTEMU DORADZTWA ZAWODOWEGO W ROKU SZKOLNYM 2018/2019 PODSTAWA PRAWNA Rozporządzenie MEN z dnia 16 sierpnia 2018 r. w sprawie doradztwa zawodowego Ustawa z dnia 14
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 szczegółowoEfekty kształcenia dla: nazwa kierunku
Uniwersytet Śląski w Katowicach str. 1 Efekty dla: nazwa kierunku Informatyka poziom pierwszy (licencjat) profil ogólnoakademicki Załącznik nr 46 do uchwały nr. Senatu Uniwersytetu Śląskiego w Katowicach
Bardziej szczegółowoMINIMALNY ZAKRES PROGRAMU STAŻU dla studentów kierunku Informatyka
Strona1/8 Załącznik nr 2 do zarządzenia nr 30 Rektora Uniwersytetu Śląskiego w Katowicach z dnia 1 marca 2018 r. Załącznik nr 6A do Regulaminu MINIMALNY ZAKRES PROGRAMU STAŻU dla studentów kierunku Informatyka
Bardziej szczegółowoEfekt kształcenia. Wiedza
Efekty dla studiów drugiego stopnia profil ogólnoakademicki na kierunku Informatyka na specjalności Przetwarzanie i analiza danych, na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie oznacza
Bardziej szczegółowobo od managera wymaga się perfekcji
bo od managera wymaga się perfekcji MODELOWANIE PROCESÓW Charakterystyka modułu Modelowanie Procesów Biznesowych (BPM) Modelowanie procesów biznesowych stanowi fundament wdroŝenia systemu zarządzania jakością
Bardziej szczegółowoOdniesienie do efektów kształcenia w obszarze kształcenia w zakresie nauk przyrodniczych i technicznych
Wydział Biotechnologii i Hodowli Zwierząt Nazwa kierunku studiów: bioinformatyka Poziom kształcenia: studia pierwszego stopnia Profil kształcenia: ogólnoakademicki Obszar kształcenia: w zakresie nauk przyrodniczych
Bardziej szczegółowoSCENARIUSZ LEKCJI. TEMAT LEKCJI: Budowa atomu. Układ okresowy pierwiastków chemicznych. Promieniotwórczość naturalna i promieniotwórczość sztuczna
SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:
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 szczegółowoWyklady IIIL 2016/ :00-16:30 środa Wprowadzenie do immunologii Prof. dr hab. med. ML Kowalski
III rok Wydział Lekarski Immunologia ogólna z podstawami immunologii klinicznej i alergologii rok akademicki 2016/17 PROGRAM WYKŁADÓW Nr data godzina dzień tygodnia Wyklady IIIL 2016/2017 tytuł Wykladowca
Bardziej szczegółowoKodowanie produktów - cz. 1
Kodowanie produktów - cz. 1 25.07.2005 r. Wstęp Do identyfikacji wyrobów od dawna używa się różnego rodzaju kodów i klasyfikacji. Obecnie stosuje się m.in. natowską kodyfikację wyrobów, kodowanie wyrobów
Bardziej szczegółowoHurtownie danych i business intelligence - wykład II. Zagadnienia do omówienia. Miejsce i rola HD w firmie
Hurtownie danych i business intelligence - wykład II Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl oprac. Wrocław 2005-2008 Zagadnienia do omówienia 1. 2. Przegląd architektury HD 3. Warsztaty
Bardziej szczegółowoCzy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar
Czy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar Zakład Immunologii Klinicznej Katedra Immunologii Klinicznej i Transplantologii Uniwersytet Jagielloński Collegium Medicum, oraz Uniwersytecki
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 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 szczegółowoSymbol EKO S2A_W01 S2A_W02, S2A_W03, S2A_W03 S2A_W04 S2A_W05 S2A_W06 S2A_W07 S2A_W08, S2A_W09 S2A_W10
Załącznik do uchwały nr 73 Senatu Uniwersytetu Zielonogórskiego z dnia 30 stycznia 2013 r. Opis zakładanych efektów kształcenia Nazwa kierunku studiów: Administracja 1. Odniesień efektów kierunkowych do
Bardziej szczegółowowolniejsze uczenie wypowiadanych sekwencji językowych, trudności w odczytaniu liczb (szczególnie zawierających zera), trudności w pisaniu liczb (np.
wolniejsze uczenie wypowiadanych sekwencji językowych, trudności w odczytaniu liczb (szczególnie zawierających zera), trudności w pisaniu liczb (np. opuszczanie, dodawanie, zamiana cyfr w liczbach), trudności
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 szczegółowoOdniesienie do efektów kształcenia dla obszaru nauk EFEKTY KSZTAŁCENIA Symbol
KIERUNKOWE EFEKTY KSZTAŁCENIA Wydział Informatyki i Zarządzania Kierunek studiów INFORMATYKA (INF) Stopień studiów - pierwszy Profil studiów - ogólnoakademicki Projekt v1.0 z 18.02.2015 Odniesienie do
Bardziej szczegółowoREGULAMIN FUNKCJONOWANIA KONTROLI ZARZADCZEJ W POWIATOWYM URZĘDZIE PRACY W GIśYCKU. Postanowienia ogólne
Załącznik Nr 1 do Zarządzenia Nr 29 z 01.07.2013r. REGULAMIN FUNKCJONOWANIA KONTROLI ZARZADCZEJ W POWIATOWYM URZĘDZIE PRACY W GIśYCKU Postanowienia ogólne 1 1. Kontrola zarządcza w Powiatowym Urzędzie
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 szczegółowoNON-HODGKIN S LYMPHOMA
NON-HODGKIN S LYMPHOMA Klinika Hematologii, Nowotworów Krwi i Transplantacji Szpiku We Wrocławiu Aleksandra Bogucka-Fedorczuk DEFINICJA Chłoniaki Non-Hodgkin (NHL) to heterogeniczna grupa nowotworów charakteryzująca
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
WYDZIAŁ INFORMATYKI I ZARZĄDZANIA Kierunek studiów: INFORMATYKA Stopień studiów: STUDIA I STOPNIA Obszar Wiedzy/Kształcenia: OBSZAR NAUK TECHNICZNYCH Obszar nauki: DZIEDZINA NAUK TECHNICZNYCH Dyscyplina
Bardziej szczegółowoTeraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1.
Teraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1. Grażyna Koba MIGRA 2019 Spis treści (propozycja na 2*32 = 64 godziny lekcyjne) Moduł A. Wokół komputera i sieci komputerowych
Bardziej szczegółowoTechnologia informacyjna
Technologia informacyjna Pracownia nr 9 (studia stacjonarne) - 05.12.2008 - Rok akademicki 2008/2009 2/16 Bazy danych - Plan zajęć Podstawowe pojęcia: baza danych, system zarządzania bazą danych tabela,
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD X: Sztuczny neuron Koneksjonizm: wprowadzenie 1943: Warren McCulloch, Walter Pitts: ogólna teoria przetwarzania informacji oparta na sieciach binarnych
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 02 Algorytmy genetyczne
Algorytmy stochastyczne, wykład 02 Algorytmy genetyczne J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-27 1 Mutacje algorytmu genetycznego 2 Dziedzina niewypukła abstrakcyjna
Bardziej szczegółowoSzukanie wspólnej wartości (korzyści) w klastrze
Szukanie wspólnej wartości (korzyści) w klastrze Struktura klastrowa M. Porter - klastry to geograficzne koncentracje wzajemnie powiązanych przedsiębiorstw, wyspecjalizowanych dostawców (w tym dostawców
Bardziej szczegółowo