Zastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów
|
|
- Maria Zofia Witkowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Zastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów Wojciech Moczulski Politechnika Śląska Katedra Podstaw Konstrukcji Maszyn Sztuczna inteligencja w automatyce i robotyce Zielona Góra, 22 kwietnia 2005
2 Plan referatu Wprowadzenie Problem Przykłady odkrywania wiedzy z zakresu: diagnostyki maszyn diagnostyki procesu Podsumowanie W. Moczulski, Pol. Śląska, KPKM 2
3 Wprowadzenie Maszyny, urządzenia i procesy są nadzorowane z wykorzystaniem systemów bazujących na wiedzy Wiedzę można odkrywać w bazach danych Dane mogą pochodzić: z pomiarów z odpowiednio zaplanowanych symulacji W. Moczulski, Pol. Śląska, KPKM 3
4 Odkrywanie wiedzy w bazach danych (1) Nietrywialny proces identyfikowania ważnych, nowych, potencjalnie użytecznych i ostatecznie zrozumiałych wzorców/regularności regularności występujących w danych Ang.. Knowledge Discovery in Databases, KDD W. Moczulski, Pol. Śląska, KPKM 4
5 Odkrywanie wiedzy w bazach danych (2) Regularność - wyrażenie w języku reprezentacji danych, zachodzące w jakimś podzbiorze tych danychd Ważność danej regularności określa się np. za pomocą stopnia pewności Odkryte regularności powinny być nowe (nieznane)) co najmniej dla systemu odkryć W. Moczulski, Pol. Śląska, KPKM 5
6 Rodzaje regularności (1) Jakościowe: Tablice kontyngencji Reguły Drzewa decyzyjne Równoważności logiczne.... Ilościowe: Równania Zależności funkcyjne W. Moczulski, Pol. Śląska, KPKM 6
7 Rodzaje regularności (2) Statyczne (przedstawione uprzednio): Regularności nie uwzględniające czasu Dynamiczne: Modele jakościowe Równania różniczkowe Równania różnicowe Sekwencje zdarzeń W. Moczulski, Pol. Śląska, KPKM 7
8 Problem Opracować środki reprezentacji wiedzy przydatnej w diagnostyce technicznej: Maszyn i urządzeń (wiedza statyczna) Maszyn, urządzeń i procesów (wiedza dynamiczna) Opracować metody odkrywania wiedzy reprezentowanej za pomocą tych środków W. Moczulski, Pol. Śląska, KPKM 8
9 Odkrywanie wiedzy z zakresu diagnostyki maszyn Opracowane na podstawie: P. Kostka: Metody klasyfikacji postaci kinetostatycznych linii wałów maszyn wirnikowych,, Pol. Śląska, Gliwice 2001
10 Omawiane zagadnienia Problem diagnostyczny Zastosowana metoda Uzyskane wyniki Wnioski W. Moczulski, Pol. Śląska, KPKM 10
11 Problem diagnostyczny (1) Niewspółosiowość powoduje do 50% niesprawności maszyn wirnikowych Nadmierne drgania - symptomem niewyosiowania [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 11
12 Problem diagnostyczny (2) Czy można określić relacje pomiędzy cechami sygnału i stanem niewyosiowania? Czy metodykę KDD można zastosować do odkrywania relacji diagnostycznych (odwrotnych)? W. Moczulski, Pol. Śląska, KPKM 12
13 Modelowany turbogenerator [Cholewa, Kiciński, 1997] W. Moczulski, Pol. Śląska, KPKM 13
14 Eksperyment jako źródło danych Eksper perymenty y bierne Eksper perymenty czynne Współcześnie: eksperymenty numeryczne (wyniki zależne od jakości modelu) W. Moczulski, Pol. Śląska, KPKM 14
15 Zarys metody 1. DZIAŁANIE Planowanie eksperymentu diagnostycznego 2. Przeprowadzenie eksperymentu 3. Obliczenie wartości cech sygnałów 4. Wstępna selekcja cech 5. Grupowanie rekordów wartości cech 6. Wybór cech istotnych 7. Indukcja klasyfikatorów 8. Selekcja klasyfikatorów WYNIK Lista konfiguracji linii łożysk Zbiór realizacji sygnałów diagnostycznych Baza zbiorów uczących umożliwiająca indukcję klasyfikatorów metodami uczenia maszynowego Klasyfikatory kinetostatycznej linii wału Klasyfikatory optymalne ze względu na przyjęty układ kryteriów [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 15
16 Plan eksperymentu diagnost. (1) Płaszczyzna promieniowa łożyska i Przemieszczenie R i θ i Położenie nominalne Zakres przemieszczeń [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 16
17 Plan eksperymentu diagnost. (2) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 17
18 Warianty danych dot. linii wałów Przemieszczenia pojedynczego łożyska Przypadki : Przemieszczenia wszystkich łożysk Przykłady pozytywne Kontrprzykłady 1333 [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 18
19 Definiowanie granic klas (1) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 19
20 Definiowanie granic klas (2) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 20
21 Definiowanie granic klas (3) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 21
22 Selekcja atrybutów V5 T(a1,d) V5 T(a2,d) C3 V4 V4 C4 C1 C2 V3 V2 V3 V2 C5 V1 V1 V0 C1 C2 C3 C4 C5 V0 C1 C2 C3 C4 C5 V ( a ) > V ( ) C = 1 C = a 2 [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 22
23 Przykładowe wyniki klasyfikacji [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 23
24 Koncepcja rozmytych granic klas Przykładowe błędy: ε fw = 1 card{ E wa( θ ) wr( R Liczba przykładów: 614 Błąd całkowity: 6.19% Liczba błędów: 38 Rozmyty błąd całkowity (10%): 3.15% t } η k= 1, K, n k err k k ) [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 24
25 Weryfikacja metody Ocena jakości klasyfikatorów Błąd względny, % Ilu atrybutów użyto? [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 25
26 Podsumowanie i wnioski Metoda umożliwia budowę klasyfikatorów do diagnozowania złożonych obiektów Nowe wyniki dotyczą: Planowania eksperymentu diagnostycznego Budowy zbiorów przykładów uczących Indukcji klasyfikatorów Oceny klasyfikatorów za pomocą błędu bazującego na rozmytych granicach klas W. Moczulski, Pol. Śląska, KPKM 26
27 Podziękowania Prof. Jan Kiciński,, IMP I PAN - za udostępnienie systemu symulacyjnego MESWIR-NLDW oraz za wiele dyskusji Badania przeprowadzone przez P. Kostkę i autora w ramach grantów nr 7T07B i 7T07B finansowanych przez KBN W. Moczulski, Pol. Śląska, KPKM 27
28 Odkrywanie wiedzy z zakresu diagnostyki procesów Opracowane na podstawie: R. Szulim: Metoda pozyskiwania wiedzy do wspomagania prowadzenia złożonego procesu technologicznego, Uniwersytet Zielonogórski, 2004
29 Przykład procesu przemysłowego W. Moczulski, Pol. Śląska, KPKM 29
30 W. Moczulski, Pol. Śląska, KPKM 30
31 Wprowadzenie (1) Złożony proces przemysłowy charakter cykliczny czas trwania cyklu uzależniony od osiągnięcia określonego stanu sterowanie przez operatora w pętli otwartej znaczna liczba parametrów procesowych do kontroli W. Moczulski, Pol. Śląska, KPKM 31
32 Wprowadzenie (2) Znaczny indeterminizm sterowania: różna wiedza posiadana przez obsługę wiele czynników musi być ocenianych Błędne decyzje dotyczące sterowania mogą powodować: nieosiągnięcie celu sterowania (w zadanym czasie) uszkodzenia sterowanego obiektu W. Moczulski, Pol. Śląska, KPKM 32
33 Wprowadzenie (3) Wiele źródeł danych systemy SCADA pracownicy wprowadzający dane manualnie Systemy te gromadzą dane historyczne W. Moczulski, Pol. Śląska, KPKM 33
34 Przykłady realizacji procesu W. Moczulski, Pol. Śląska, KPKM 34
35 Przykłady realizacji procesu W. Moczulski, Pol. Śląska, KPKM
36 Opis potrzeby Brak komputerowych środków wspomagania operatorów procesu Należy wspomagać takie działania, jak: ocena stanu procesu podejmowanie decyzji dotyczących sterowania przebiegiem procesu W. Moczulski, Pol. Śląska, KPKM 36
37 Sformułowanie problemu (1) Proces ma charakter dynamiczny Przebieg poprzednich cykli wpływa na kolejny cykl Modele procesu uzyskane poprzez identyfikację są mało przydatne W. Moczulski, Pol. Śląska, KPKM 37
38 Sformułowanie problemu (2) Dostępne liczne realizacje procesu (niesklasyfikowane),, obejmujące wejścia, wyjścia i stany dla wielu realizacji rozpatrywanego procesu: szeregi czasowe wartości zmiennych procesowych wartości dyskretne (odczyty, spostrzeżenia) Przedmiotem identyfikacji są miękkie modele procesów W. Moczulski, Pol. Śląska, KPKM 38
39 Rozumowanie oparte na przykładach (CBR) Stosowane w razie trudności zbudowania modeli matematycznych, neuronowych i innych Wymaga zbudowania reprezentatywnej bazy przykładów Należy opracować sposób reprezentacji przykładów i miarę ich podobieństwa Wyszukuje rozwiązanie na podstawie analogii do historycznych przykładów W. Moczulski, Pol. Śląska, KPKM 39
40 Cykl CBR W. Moczulski, Pol. Śląska, KPKM 40
41 Bazy przykładów dla cykli i dla faz W. Moczulski, Pol. Śląska, KPKM 41
42 Sposób reprezentacji wiedzy o procesie dynamicznym (1) Dynamiczne stwierdzenie rozmyte (DSR) <Typ, Poziom, Czas, Symetria> Typ = nagły_spadek, powolny_spadek, stabilizacja, powolny_wzrost, nagły_wzrost Poziom = mały, średni, duży Czas = krótki, średni, długi Symetria = niesymetria,, mała_niesymetria niesymetria, symetria Do opisu przebiegów ciągłych - lista DSR W. Moczulski, Pol. Śląska, KPKM 42
43 Opis procesu dynamicznego W. Moczulski, Pol. Śląska, KPKM 43
44 W. Moczulski, Pol. Śląska, KPKM 44
45 Sposób reprezentacji wiedzy o procesie dynamicznym (2) Realizacja procesu opisana przez: Stan początkowy Przebieg sterowania Stan końcowy W. Moczulski, Pol. Śląska, KPKM 45
46 Aproksymacja i reprezentacja przykładów Zdarzenie: Typ Czas Wartość początkowa (wp) 1 Mało Średnio Dużo Wp(x)=<µ mało (x), µ średnio (x), µ dużo (x)> 0 Wartość Funkcje przynależności zbiorów rozmytych W. Moczulski, Pol. Śląska, KPKM 46
47 Miara podobieństwa przebiegów (1) Podobieństwa cząstkowe poszczególnych atrybutów określa się na podstawie: wektora funkcji przynależności specjalnych macierzy wag Podobieństwo pojedynczych zdarzeń jest iloczynem podobieństw cząstkowych, ważonych przez czas trwania zdarzenia Podobieństwo dwóch realizacji określa się dla różnej liczby zdarzeń w porównywanych cyklach W. Moczulski, Pol. Śląska, KPKM 47
48 Miara podobieństwa przebiegów (2) Podobieństwo pary zdarzeń Podobieństwo cząstkowe (5) (6) gdzie gdzie np. określa podobieństwo wartości (7) (8) W. Moczulski, Pol. Śląska, KPKM 48
49 Miara podobieństwa przebiegów (3) Podobieństwo dwóch realizacji: (9) gdzie waga (10) określa wpływ czasu trwania zdarzenia na jego wagę (11) (12) W. Moczulski, Pol. Śląska, KPKM 49
50 Miara podobieństwa przebiegów (4) Porównuje przykłady w sposób przybliżony Porównuje różne długości przebiegów Nie wymaga skalowania wartości Wymaga zdefiniowania wielu parametrów: Funkcji przynależności zbiorów rozmytych Macierzy podobieństwa zbiorów rozmytych W. Moczulski, Pol. Śląska, KPKM 50
51 Weryfikacja metody: HIPOTEZA JEŚLI dla realizacji procesu ich stany początkowe leżą w DOSTATECZNIE BLISKIM SĄSIEDZTWIE, TO zastosowanie DOSTATECZNIE PODOBNYCH STEROWAŃ PROWADZI DO PODOBNYCH WYJŚĆ W. Moczulski, Pol. Śląska, KPKM 51
52 Strojenie parametrów systemu System CBR zawiera 87 parametrów: Parametry funkcji przynależności Macierze podobieństwa Macierze wag Intuicyjny dobór wartości parametrów nie prowadził do dobrych wyników Zastosowano algorytm ewolucyjny W. Moczulski, Pol. Śląska, KPKM 52
53 Określenie funkcji dopasowania Wyrażenie na wartość funkcji dopasowania gdzie: (13) Ile cykli podobnych ze względu na wejście i sterowanie jest także podobnych ze względu na wyjście Ile prób wyszukania przeprowadzono W. Moczulski, Pol. Śląska, KPKM 53
54 Reprezentacja danych Definicje zbiorów rozmytych Wejście Atrybut 1 Atrybut 2 Definicje macierzy podobieństwa Sterowanie Atrybut 3 Atrybut 1 A B C D Definicja zbiorów rozmytych A B C Chromosom Atrybut 2 D E F Atrybut 3 G H J Definicja macierzy podobieństwa Wyjście Atrybut 1 Atrybut 2 Atrybut 3 [R. Szulim, 2004] W. Moczulski, Pol. Śląska, KPKM 54
55 Operatory genetyczne Mutacja (14) (15) Krzyżowanie (16) W. Moczulski, Pol. Śląska, KPKM 55
56 Naprawa parametrów Naprawa polega na przywróceniu zależności pomiędzy wartościami opisującymi granice zbiorów i macierze podobieństwa, np.: A < B < C < D (dla zbiorów) A > B > C (dla macierzy) E > F W. Moczulski, Pol. Śląska, KPKM 56
57 Przykładowe wyniki Przed strojeniem podobieństwo =0,56 Po strojeniu podobieństwo = W. Moczulski, Pol. Śląska, KPKM 57
58 Podsumowanie i wnioski Dane archiwalne można użyć do budowy bazy wiedzy w postaci bazy przykładów Wymagane jest zbudowanie odpowiednich sposobów reprezentacji przykładów i ich miar podobieństwa Parametry systemu reprezentacji danych i obliczania podobieństw mogą być strojone za pomocą algorytmu ewolucyjnego W. Moczulski, Pol. Śląska, KPKM 58
59 Podsumowanie
60 Inne rozwijane metody KDD dla zależności dynamicznych Odkrywanie zależności jakościowych reprezentowanych za pomocą sekwencji zdarzeń Odkrywanie zależności funkcyjnych za pomocą: Gramatyk bezkontekstowych Iteracyjnej transformacji atrybutów w bazie danych W. Moczulski, Pol. Śląska, KPKM 60
61 Podsumowanie (1) Współcześnie dostępnych jest coraz więcej baz danych diagnostycznych Metodyka odkrywania wiedzy w bazach danych umożliwia uzyskanie modeli statycznych i dynamicznych Modele funkcyjne (równania) umożliwiają dokładną predykcję W. Moczulski, Pol. Śląska, KPKM 61
62 Podsumowanie (2) Proces odkrywania wiedzy w bazach danych może przebiegać autonomicznie Celowe jest prowadzenie dalszych badań nad rozwojem metodologii odkrywania wiedzy diagnostycznej Odkryte modele jakościowe i ilościowe mogą być stosowane do generowania residuów wykorzystywanych do detekcji i lokalizacji uszkodzeń W. Moczulski, Pol. Śląska, KPKM 62
63 Dziękuję za uwagę W. Moczulski, Pol. Śląska, KPKM 63
Metody 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 szczegółowoDiagnostyka procesów przemysłowych Kod przedmiotu
Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowoSystemy uczące się wykład 1
Systemy uczące się wykład 1 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 5 X 2018 e-mail: przemyslaw.juszczuk@ue.katowice.pl Konsultacje: na stronie katedry + na stronie domowej
Bardziej szczegółowoDiaSter - system zaawansowanej diagnostyki aparatury technologicznej, urządzeń pomiarowych i wykonawczych. Politechnika Warszawska
Jan Maciej Kościelny, Michał Syfert DiaSter - system zaawansowanej diagnostyki aparatury technologicznej, urządzeń pomiarowych i wykonawczych Instytut Automatyki i Robotyki Plan wystąpienia 2 Wprowadzenie
Bardziej szczegółowoKarta (sylabus) modułu/przedmiotu Transport Studia I stopnia
Karta (sylabus) modułu/przedmiotu Transport Studia I stopnia Przedmiot: Diagnostyka techniczna Rodzaj przedmiotu: Podstawowy/obowiązkowy Kod przedmiotu: TR 1 S 0 4 9-0_1 Rok: Semestr: 4 Forma studiów:
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia II stopnia (magisterskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia II stopnia (magisterskie) Temat: Analiza właściwości pilotażowych samolotu Specjalność: Pilotaż lub Awionika 1. Analiza stosowanych kryteriów
Bardziej szczegółowow ekonomii, finansach i towaroznawstwie
w ekonomii, finansach i towaroznawstwie spotykane określenia: zgłębianie danych, eksploracyjna analiza danych, przekopywanie danych, męczenie danych proces wykrywania zależności w zbiorach danych poprzez
Bardziej szczegółowoData mininig i wielowymiarowa analiza danych zgromadzonych w systemach medycznych na potrzeby badań naukowych
Temat: Data mininig i wielowymiarowa analiza danych zgromadzonych w systemach medycznych na potrzeby badań naukowych Autorzy: Tomasz Małyszko, Edyta Łukasik 1. Definicja eksploracji danych Eksploracja
Bardziej szczegółowoLEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów
LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki
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 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 szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoZalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel
według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology
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 szczegółowoTabela odniesień efektów kierunkowych do efektów obszarowych
Umiejscowienie kierunku w obszarze kształcenia Kierunek studiów automatyka i robotyka należy do obszaru kształcenia w zakresie nauk technicznych i jest powiązany z takimi kierunkami studiów jak: mechanika
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 szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowoData Mining w doborze parametrów układu testującego urządzenia EAZ 1
Rozdział 6 Data Mining w doborze parametrów układu testującego urządzenia EAZ 1 Streszczenie. W rozdziale został zaproponowany sposób doboru parametrów układu testującego urządzenia elektroenergetycznej
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 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 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 szczegółowoMODELE I MODELOWANIE
MODELE I MODELOWANIE Model układ materialny (np. makieta) lub układ abstrakcyjny (np..rysunki, opisy słowne, równania matematyczne). Model fizyczny (nominalny) opis procesów w obiekcie (fizycznych, również
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoWSTĘP I TAKSONOMIA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WSTĘP I TAKSONOMIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoMT 2 N _0 Rok: 1 Semestr: 1 Forma studiów:
Mechatronika Studia drugiego stopnia Przedmiot: Diagnostyka maszyn Rodzaj przedmiotu: obowiązkowy Kod przedmiotu: MT N 0 1 1-0_0 Rok: 1 Semestr: 1 Forma studiów: Studia niestacjonarne Rodzaj zajęć i liczba
Bardziej szczegółowoOpis efektów kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA. rozumie cywilizacyjne znaczenie matematyki i jej zastosowań
TABELA ODNIESIEŃ EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA PROGRAMU KSZTAŁCENIA DO EFEKTÓW KSZTAŁCENIA OKREŚLONYCH DLA OBSZARU KSZTAŁCENIA I PROFILU STUDIÓW PROGRAM KSZTAŁCENIA: POZIOM KSZTAŁCENIA: PROFIL KSZTAŁCENIA:
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej 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 szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania. Studia: II stopnia (magisterskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia II stopnia (magisterskie) Temat: Układ sterowania płaszczyzną sterową o podwyższonej niezawodności 1. Analiza literatury. 2. Uruchomienie
Bardziej szczegółowoZastosowania sieci neuronowych - automatyka identyfikacja sterowanie
Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja
Bardziej szczegółowoS PECJALNO S C I NTELIGENTNE S YSTEMY D ECYZYJNE
KATEDRA SYSTEMÓW DECYZYJNYCH POLITECHNIKA GDA N SKA S PECJALNO S C I NTELIGENTNE S YSTEMY D ECYZYJNE prof. dr hab. inz. Zdzisław Kowalczuk Katedra Systemów Decyzyjnych Wydział Elektroniki Telekomunikacji
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoBibliografia...210. xiii
Spis treści 1. Wprowadzenie J. M. Kościelny.... 1 1.1. Struktury systemów sterowania........1 1.2. Kierunki rozwoju współczesnych systemów automatyki...5 1.3. Nowe funkcje zaawansowanych systemów automatyki...
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej 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 szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Bardziej szczegółowoNazwa wariantu modułu (opcjonalnie): Laboratorium programowania w języku C++
Uniwersytet Śląski w Katowicach str. 1 Kierunek i poziom studiów: Chemia, poziom pierwszy Sylabus modułu: Laboratorium programowania (0310-CH-S1-019) Nazwa wariantu modułu (opcjonalnie): Laboratorium programowania
Bardziej szczegółowoLaboratorium demonstrator bazowych technologii Przemysłu 4.0 przykład projektu utworzenia laboratorium przez KSSE i Politechnikę Śląską
Laboratorium demonstrator bazowych technologii Przemysłu 4.0 przykład projektu utworzenia laboratorium przez KSSE i Politechnikę Śląską (wynik prac grupy roboczej ds. kształcenia, kompetencji i zasobów
Bardziej szczegółowoSpis treści 377 379 WSTĘP... 9
Spis treści 377 379 Spis treści WSTĘP... 9 ZADANIE OPTYMALIZACJI... 9 PRZYKŁAD 1... 9 Założenia... 10 Model matematyczny zadania... 10 PRZYKŁAD 2... 10 PRZYKŁAD 3... 11 OPTYMALIZACJA A POLIOPTYMALIZACJA...
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 szczegółowoDiagnostyka procesów i jej zadania
Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski Wykład 1 Literatura 1 J. Korbicz, J.M. Kościelny, Z. Kowalczuk, W. Cholewa (red.): Diagnostyka procesów. Modele, metody sztucznej
Bardziej szczegółowoEfekty kształcenia na kierunku AiR drugiego stopnia - Wiedza Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej
Efekty na kierunku AiR drugiego stopnia - Wiedza K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W12 K_W13 K_W14 Ma rozszerzoną wiedzę dotyczącą dynamicznych modeli dyskretnych stosowanych
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 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 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 szczegółowoMetrologia: organizacja eksperymentu pomiarowego
Metrologia: organizacja eksperymentu pomiarowego (na podstawie: Żółtowski B. Podstawy diagnostyki maszyn, 1996) dr inż. Paweł Zalewski Akademia Morska w Szczecinie Teoria eksperymentu: Teoria eksperymentu
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoDefinicje. Najprostszy schemat blokowy. Schemat dokładniejszy
Definicje owanie i symulacja owanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano model, do
Bardziej szczegółowoZastosowanie rachunku wyrównawczego do uwiarygodnienia wyników pomiarów w układzie cieplnym bloku energetycznego siłowni parowej
Marcin Szega Zastosowanie rachunku wyrównawczego do uwiarygodnienia wyników pomiarów w układzie cieplnym bloku energetycznego siłowni parowej (Monografia habilitacyjna nr 193. Wydawnictwo Politechniki
Bardziej szczegółowoMetody symulacji komputerowych Modelowanie systemów technicznych
Metody symulacji komputerowych Modelowanie systemów technicznych dr inż. Ryszard Myhan Katedra Inżynierii Procesów Rolniczych Program przedmiotu Lp. Temat Zakres 1. Wprowadzenie do teorii systemów Definicje
Bardziej szczegółowoSummary in Polish. Fatimah Mohammed Furaiji. Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling
Summary in Polish Fatimah Mohammed Furaiji Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling Zastosowanie symulacji wieloagentowej w modelowaniu zachowania konsumentów Streszczenie
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,
Bardziej szczegółowoNajprostszy schemat blokowy
Definicje Modelowanie i symulacja Modelowanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego układu rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano
Bardziej szczegółowoODWZOROWANIE RZECZYWISTOŚCI
ODWZOROWANIE RZECZYWISTOŚCI RZECZYWISTOŚĆ RZECZYWISTOŚĆ OBIEKTYWNA Ocena subiektywna OPIS RZECZYWISTOŚCI Odwzorowanie rzeczywistości zależy w dużej mierze od możliwości i nastawienia człowieka do otoczenia
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:
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 szczegółowoDiagnostyka Wibroakustyczna Maszyn
Diagnostyka Wibroakustyczna Maszyn od sztuki pomiaru wspartej intuicją do nauki i technologii wspartej agentami diagnostycznymi Czesław CEMPEL 1.Diagnostyka cele, metody, narzędzia 2. Początki diagnostyki
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoDiagnostyka, wiadomości podstawowe
Podstawowe pojęcia: Diagnostyka, wiadomości podstawowe Diagnostyka z gr.: diagnostikós oznacza "umiejący rozpoznawać To nauka początkowo wiązana głównie z medycyną nauka o sposobach rozpoznawania chorób.
Bardziej szczegółowoPraktyczne aspekty statycznej estymacji stanu pracy elektroenergetycznych sieci dystrybucyjnych w warunkach krajowych
ZARZĄDZANIE ENERGIĄ I TELEINFORMATYKA, ZET 03 Praktyczne aspekty statycznej estymacji stanu pracy elektroenergetycznych sieci dystrybucyjnych w warunkach krajowych Jacek Wasilewski Politechnika Warszawska
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoEKSPLOATACYJNE METODY ZWIĘKSZENIA TRWAŁOŚCI ROZJAZDÓW KOLEJOWYCH
EKSPLOATACYJNE METODY ZWIĘKSZENIA TRWAŁOŚCI ROZJAZDÓW KOLEJOWYCH Henryk Bałuch Maria Bałuch SPIS TREŚCI 1. WSTĘP... 7 2. PODSTAWY OBLICZEŃ TRWAŁOŚCI ROZJAZDÓW... 10 2.1. Uwagi ogólne... 10 2.2. Trwałość
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 4. UCZENIE SIĘ INDUKCYJNE Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WSTĘP Wiedza pozyskana przez ucznia ma charakter odwzorowania
Bardziej szczegółowoSYSTEMY 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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na specjalności: Inżynieria Cieplna i Samochodowa Rodzaj zajęć: Wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU
Bardziej szczegółowoOdkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych. Wykład 3
Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych Wykład 3 W internecie Teoria zbiorów przybliżonych zaproponowany w 1982 r. przez prof. Zdzisława Pawlaka formalizm matematyczny, stanowiący
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Modelowanie systemów mechatronicznych Platformy przetwarzania danych
Mechatronika i inteligentne systemy produkcyjne Modelowanie systemów mechatronicznych Platformy przetwarzania danych 1 Sterowanie procesem oparte na jego modelu u 1 (t) System rzeczywisty x(t) y(t) Tworzenie
Bardziej szczegółowoMetody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015
Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 1 Metody numeryczne Dział matematyki Metody rozwiązywania problemów matematycznych za pomocą operacji na liczbach. Otrzymywane
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 szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej szczegółowoInformacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów
Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie
Bardziej szczegółowoZagadnienia egzaminacyjne AUTOMATYKA I ROBOTYKA. Stacjonarne I-go stopnia TYP STUDIÓW STOPIEŃ STUDIÓW SPECJALNOŚĆ
(ARK) Komputerowe sieci sterowania 1.Badania symulacyjne modeli obiektów 2.Pomiary i akwizycja danych pomiarowych 3.Protokoły transmisji danych w systemach automatyki 4.Regulator PID struktury, parametry,
Bardziej szczegółowoMail: Pokój 214, II piętro
Wykład 2 Mail: agnieszka.nowak@us.edu.pl Pokój 214, II piętro http://zsi.tech.us.edu.pl/~nowak Predykcja zdolność do wykorzystania wiedzy zgromadzonej w systemie do przewidywania wartości dla nowych danych,
Bardziej szczegółowoTeoria systemów i sygnałów Kierunek AiR, sem. 5 2wE + 1l
Teoria systemów i sygnałów Kierunek AiR, sem. 5 2wE + 1l Prof. dr hab. Wojciech Moczulski Politechnika Ślaska, Wydział Mechaniczny Technologiczny Katedra Podstaw Konstrukcji Maszyn 19 października 2008
Bardziej szczegółowoTemat: Projektowanie sterownika rozmytego. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Projektowanie sterownika rozmytego Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie System
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoZałącznik 2 Tabela odniesień efektów kierunkowych do efektów obszarowych
Załącznik 2 Tabela odniesień efektów kierunkowych do efektów obszarowych Tabela odniesień efektów kierunkowych do efektów obszarowych (tabele odniesień efektów kształcenia) Nazwa kierunku studiów: Automatyka
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoWykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych
Wykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych mgr inż. Robert Nowotniak Politechnika Łódzka 1 października 2008 Robert Nowotniak 1 października 2008 1 / 18 Plan referatu 1 Informatyka
Bardziej szczegółowoKatedra Systemów Decyzyjnych. Kierownik: prof. dr hab. inż. Zdzisław Kowalczuk ksd@eti.pg.gda.pl
Katedra Systemów Decyzyjnych Kierownik: prof. dr hab. inż. Zdzisław Kowalczuk ksd@eti.pg.gda.pl 2010 Kadra KSD profesor zwyczajny 6 adiunktów, w tym 1 z habilitacją 4 asystentów 7 doktorantów Wydział Elektroniki,
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoPodstawy diagnostyki środków transportu
Podstawy diagnostyki środków transportu Diagnostyka techniczna Termin "diagnostyka" pochodzi z języka greckiego, gdzie diagnosis rozróżnianie, osądzanie. Ukształtowana już w obrębie nauk eksploatacyjnych
Bardziej szczegółowoPrzykład eksploracji danych o naturze statystycznej Próba 1 wartości zmiennej losowej odległość
Dwie metody Klasyczna metoda histogramu jako narzędzie do postawienia hipotezy, jaki rozkład prawdopodobieństwa pasuje do danych Indukcja drzewa decyzyjnego jako metoda wykrycia klasyfikatora ukrytego
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania. Studia: I stopnia (inżynierskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia I stopnia (inżynierskie) Temat: Skalowanie czujników prędkości kątowej i orientacji przestrzennej 1. Analiza właściwości czujników i układów
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 szczegółowoSTRESZCZENIE. rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne.
STRESZCZENIE rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne. Zasadniczym czynnikiem stanowiącym motywację dla podjętych w pracy rozważań
Bardziej szczegółowoAlgorytmy i bazy danych (wykład obowiązkowy dla wszystkich)
MATEMATYKA I EKONOMIA PROGRAM STUDIÓW DLA II STOPNIA Data: 2010-11-07 Opracowali: Krzysztof Rykaczewski Paweł Umiński Streszczenie: Poniższe opracowanie przedstawia projekt planu studiów II stopnia na
Bardziej szczegółowoKarta (sylabus) modułu/przedmiotu Mechatronika Studia pierwszego stopnia. Podstawy automatyki Rodzaj przedmiotu: obowiązkowy Kod przedmiotu:
Karta (sylabus) modułu/przedmiotu Mechatronika Studia pierwszego stopnia Przedmiot: Podstawy automatyki Rodzaj przedmiotu: obowiązkowy Kod przedmiotu: MT 1 N 0 4 4-0_1 Rok: II Semestr: 4 Forma studiów:
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoPolitechnika Krakowska im. Tadeusza Kościuszki KARTA PRZEDMIOTU
Politechnika Krakowska im. Tadeusza Kościuszki KARTA obowiązuje słuchaczy rozpoczynających studia podyplomowe w roku akademickim 018/019 Nazwa studiów podyplomowych Budowa i eksploatacja pojazdów szynowych
Bardziej szczegółowoInstytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba
Bardziej szczegółowo