Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka."

Transkrypt

1 Eksploracja danych KLASYFIKACJA I REGRESJA cz. 1 Wojciech Waloszek wowal@ei.pg.gda.pl Teresa Zawadzka egra@ei.pg.gda.pl Kaedra Inżyrii Oprogramowania Wydział Elekroniki, Telekomunikacji i Informayki Poliechnika Gdańska W.Waloszek

2 Budowa drzew decyzyjnych Drzewa decyzyjne o najpopularjsza forma klasyfikaorów, Najczęściej budowane są meodą zsępującą, na zasadzie podejścia nauralnego dla drzew podejścia divide-and-conquer W.Waloszek

3 Przykład drzewa decyzyjnego wyższe Wykszałce śred podsawowe D.O.R. <=800 >800 Sam. ak Wiek ak <=45 ak > W.Waloszek

4 Budowa drzewa S.C. D.O.R. Wiek Wykszałce Sam. Z.K. S wyższe ak ak S śred ak ak S podsawowe M wyższe ak M śred ak ak S wyższe S śred ak M śred S podsawowe ak 1. Mamy wyróżniony arybu decyzyjny, wyznaczający klasy 2. Na każdym poziomie drzewa wybieramy jeden z pozosałych arybuów, najlepszy pod kąem dyskryminowania klas 3. Rozpoczynamy od pusego drzewa wyznaczając korzeń W.Waloszek

5 Dobór arybuu 4 x ak 5 x S.C. S M 2 x ak 4 x 2 x ak 1 x Czy podział pod względem warości arybuu S.C. jes korzysny? I w jakiej mierze? W.Waloszek

6 Miara jakości podziału Jedną z miar jakości podziału jes przyros zawarości informacji Przyros zawarości informacji jes określony jako różnica zawarości informacji w dzielonym zbiorze przykładów a enropią zasosowanego podziału (esu) W.Waloszek

7 Miara jakości podziału wzory d P IP ( ) log 2 P dc P d P I(P) zawarość informacyjna zbioru przykładów P C zbiór klas wyznaczony przez arybu decyzyjny P d podzbiór ych przykładów ze zbioru P, kóre należą do klasy d Pr E ( P) I( Pr ) P rr E (P) enropia esu dla zbioru przykładów P R zbiór możliwych wyników esu P r podzbiór ych przykładów ze zbioru P, kóre dają dla esu wynik r W.Waloszek

8 Dobór arybuu - przykład 4 x ak 5 x IP ( ) log 2 log 2 0, S S.C. M " S. C.?" R S, M 2 x ak 4 x 2 x ak 1 x IP ( ) log log 0, IP ( S. C. S ) log 2 log 2 0,92 S. C. M E ( P) 0,92 0,92 0, g ( P) 0,99 0,92 0, W.Waloszek

9 Dobór arybuu przykład (2) x ak 5 x IP ( ) log 2 log 2 0, wyższe Wykszałce śred R podsawowe " Wykszace?" wyższe, śred, podsawowe 2 x ak 1 x 2 x ak 2 x 0 x ak 2 x IP ( Wykszałce wyższe ) 0,92 IP ( Wykszałce śred ) 1 IP ( Wykszałce podsawowe ) E ( P) 0, , g ( P) 0,99 0, 75 0, W.Waloszek

10 Dobór arybuu przykład (3) 4 x ak 5 x IP ( ) log 2 log 2 0, ak Sam. " Sam.?" R ak, 3 x ak 2 x 1 x ak 3 x IP ( ) 0,97 Sam. ak IP ( ) 0,81 Sam. 5 4 E ( P) 0,97 0,81 0, g ( P) 0,99 0,90 0, W.Waloszek

11 Dobór arybuu przykład (4) Najwyższy zysk informacji (0,24) osiągnął arybu Wykszałce i on zosaje zapisany w korzeniu drzewa decyzyjnego wyższe Wykszałce śred podsawowe 2 x ak 1 x 2 x ak 2 x 0 x ak 2 x W.Waloszek

12 Divide-and-conquer S.C. D.O.R. Wiek Wykszałce Sam. Z.K. S wyższe ak ak S śred ak ak S podsawowe M wyższe ak M śred ak ak S wyższe S śred ak M śred S podsawowe ak 1. Zbiór przykładów zosał podzielony na rzy części 2. Dla każdej z części może zosać zasosowany en sam algorym dalszego działania W.Waloszek

13 Dalsza budowa drzewa Wzdłuż prawej gałęzi drzewa rzeba już rozbudowywać wyższe Wykszałce śred podsawowe 2 x ak 1 x 2 x ak 2 x 0 x ak 2 x W.Waloszek

14 Dalsza budowa drzewa (2) śred 2 x ak 2 x IP ( ) 1 ak Sam. " Sam.?" R ak, 2 x ak 1 x 0 x ak 1 x IP ( ) 0,92 Sam. ak IP ( ) 0 Sam. 3 1 E ( P) 0,92 0 0, g ( P) 10, 69 0, W.Waloszek

15 Arybuy numeryczne Do ej pory zakładaliśmy użycie ylko arybuów nominalnych, W rakcie budowy drzewa wykorzysywane mogą być eż arybuy numeryczne, Tuaj przedsawimy zasadę podziału binarnego minimalizującego enropię W.Waloszek

16 Arybuy numeryczne (2) S.C. D.O.R. Wiek Wykszałce Sam. Z.K. S wyższe ak ak S śred ak ak S podsawowe M wyższe ak M śred ak ak S wyższe S śred ak M śred S podsawowe ak 1. W rakcie budowy drzewa doszliśmy do wydzielenia 3 przykładów 2. W ym miejscu drzewa najlepiej zasosować podział względem warości arybuu numerycznego (wcześj oczywiście akie podziały eż były rozważane ale odrzucane) W.Waloszek

17 Dalsza budowa drzewa (2) ak 2 x ak 1 x IP ( ) 0,92 Wiek: Z.K.: ak ak " Wiek x" R x, x IP ( ) 0 Wiek x IP ( Wiek x) E ( P) 0 1 0, g ( P) 0,92 0, 67 0, W.Waloszek

18 Dalsza budowa drzewa (3) ak 2 x ak 1 x IP ( ) 0,92 Wiek: Z.K.: ak ak " Wiek x" R x, x IP ( ) 0 Wiek x IP ( Wiek x) E ( P) g ( P) 0,92 0 0, W.Waloszek

19 Algorym budowy drzew decyzyjnych Budowa drzewa polega na doborze najlepszego arybuu nominalnego lub najlepszego podziału binarnego arybuu numerycznego, powarzanym ieracyj, Rozszerzenia: Obsługa brakujących warości arybuów, Przycina drzew generalizacja W.Waloszek

20 Brakujące warości arybuów S.C. D.O.R. Wiek Wykszałce Sam. Z.K. S wyższe ak ak S śred ak ak S podsawowe M wyższe ak M śred ak ak S wyższe S śred ak M śred S podsawowe ak M ? Zakładamy, że mamy dodakowy przykład o znanej warości arybuu Wykszałce W.Waloszek

21 Brakujące warości arybuów (2) 4 x ak 6 x IP ( ) 0,92 wyższe Wykszałce śred R podsawowe " Wykszace?" wyższe, śred, podsawowe 2 x ak (1 + 3/9) x 2 x ak (2 + 4/9) x 0 x ak (2 + 2/9) x IP ( Wykszałce wyższe ) 0,97 IP ( Wykszałce śred ) 0,99 IP ( Wykszałce podsawowe ) E ( P) 0,97 0,99 0 0, g ( P) 0,92 0, 76 0, W.Waloszek

22 Przycina drzewa decyzyjnego wyższe Wykszałce śred podsawowe D.O.R. ak <=800 >800 Sam. ak Wiek ak <=45 ak > W.Waloszek

23 Przycina Przycina polega na zasąpieniu poddrzewa liściem, Przycina ma na celu uogól wyników i zapobieże błędowi nadmiernego dopasowania, Sosuje się różne kryeria przycinania: przycina apriori (w rakcie pracy zasadniczego algorymu), gdy węzeł drzewa pokrywa zby małą liczbę przykładów, przycina aposeriori (po pracy zasadniczego algorymu), najczęściej wsępująca w wyniku badania rezulaów klasyfikacji na zbiorze esującym, W wyniku przycinania liście sają się węzłami probabilisycznymi W.Waloszek

24 Redukcjonisyczne podejście do opisu algorymów Algorym budowy drzew decyzyjnych (~C4.5): 1. Zada: predykcja (klasyfikacja) 2. Srukura modelu: drzewo 3. Funkcja oceny jakości: przyros zawarości informacyjnej 4. Meody przeszukiwania: zachłanna, divide-and-conquer 5. Dodakowe założenia: Obsługa brakujących warości arybuów meodą podziału przykładu Obsługa arybuów numerycznych meodą podziału binarnego minimalizującego enropię Przycina drzewa meodą wsępującą aposeriori (walidacja krzyżowa) W.Waloszek

25 Dziękujemy za uwagę Zapraszamy na wykład: KLASYFIKACJA I REGRESJA cz W.Waloszek

Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 2. Wojciech Waloszek. Teresa Zawadzka.

Eksploracja danych. KLASYFIKACJA I REGRESJA cz. 2. Wojciech Waloszek. Teresa Zawadzka. Eksploracja danych KLASYFIKACJA I REGRESJA cz. 2 Wojciech Waloszek wowal@eti.pg.gda.pl Teresa Zawadzka tegra@eti.pg.gda.pl Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki

Bardziej szczegółowo

Analiza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1

Analiza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1 Analiza danych Drzewa decyzyjne. Enropia. Jakub Wróblewski jakubw@pjwsk.edu.pl hp://zajecia.jakubw.pl/ DRZEWA DECYZYJNE Meoda reprezenacji wiedzy (modelowania ablic decyzyjnych). Pozwala na przejrzysy

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 3. DRZEWA DECYZYJNE. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY UCZĄCE SIĘ WYKŁAD 3. DRZEWA DECYZYJNE. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska. SYSTEMY UCZĄCE SIĘ WYKŁAD 3. DRZEWA DECYZYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska BUDOWA DRZEW DECYZYJNYCH Drzewa decyzyjne są metodą indukcyjnego

Bardziej szczegółowo

Eksploracja danych OCENA KLASYFIKATORÓW. Wojciech Waloszek. Teresa Zawadzka.

Eksploracja danych OCENA KLASYFIKATORÓW. Wojciech Waloszek. Teresa Zawadzka. Eksploracja danych OCENA KLASYFIKATORÓW Wojciech Waloszek wowal@eti.pg.gda.pl Teresa Zawadzka tegra@eti.pg.gda.pl Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika

Bardziej szczegółowo

Dendrochronologia Tworzenie chronologii

Dendrochronologia Tworzenie chronologii Dendrochronologia Dendrochronologia jes nauką wykorzysującą słoje przyrosu rocznego drzew do określania wieku (daowania) obieków drewnianych (budynki, przedmioy). Analizy różnych paramerów słojów przyrosu

Bardziej szczegółowo

Algorytmy klasyfikacji

Algorytmy klasyfikacji Algorytmy klasyfikacji Konrad Miziński Instytut Informatyki Politechnika Warszawska 6 maja 2015 1 Wnioskowanie 2 Klasyfikacja Zastosowania 3 Drzewa decyzyjne Budowa Ocena jakości Przycinanie 4 Lasy losowe

Bardziej szczegółowo

SAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006

SAS 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 szczegółowo

DYNAMIKA KONSTRUKCJI

DYNAMIKA KONSTRUKCJI 10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej

Bardziej szczegółowo

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH

WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów

Bardziej szczegółowo

PODSTAWY STATYSTYCZNEGO MODELOWANIA DANYCH. Wykład 6 Drzewa klasyfikacyjne - wprowadzenie. Reguły podziału i reguły przycinania drzew.

PODSTAWY STATYSTYCZNEGO MODELOWANIA DANYCH. Wykład 6 Drzewa klasyfikacyjne - wprowadzenie. Reguły podziału i reguły przycinania drzew. PODSTAWY STATYSTYCZNEGO MODELOWANIA DANYCH Wykład 6 Drzewa klasyfikacyjne - wprowadzenie. Reguły podziału i reguły przycinania drzew. Wprowadzenie Drzewo klasyfikacyjne Wprowadzenie Formalnie : drzewo

Bardziej szczegółowo

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych

Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II

Bardziej szczegółowo

Algorytmy metaheurystyczne Wykład 11. Piotr Syga

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

Bardziej szczegółowo

Agnieszka Nowak Brzezińska

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

Bardziej szczegółowo

POZYCJONOWANIE I NADĄŻANIE MINIROBOTA MOBILNEGO M.R.K

POZYCJONOWANIE I NADĄŻANIE MINIROBOTA MOBILNEGO M.R.K MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 97-104, Gliwice 2009 POZYCJONOWANIE I NADĄŻANIE MINIROBOTA MOBILNEGO M.R.K MARIUSZ GIERGIEL, PIOTR MAŁKA Kaedra Roboyki i Mecharoniki, Akademia Górniczo-Hunicza

Bardziej szczegółowo

Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski

Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski : idea Indeksowanie: Drzewo decyzyjne, przeszukiwania binarnego: F = {5, 7, 10, 12, 13, 15, 17, 30, 34, 35, 37, 40, 45, 50, 60} 30 12 40 7 15 35 50 Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski

Bardziej szczegółowo

Złożoność i zagadnienia implementacyjne. Wybierz najlepszy atrybut i ustaw jako test w korzeniu. Stwórz gałąź dla każdej wartości atrybutu.

Złożoność i zagadnienia implementacyjne. Wybierz najlepszy atrybut i ustaw jako test w korzeniu. Stwórz gałąź dla każdej wartości atrybutu. Konwersatorium Matematyczne Metody Ekonomii Narzędzia matematyczne w eksploracji danych Indukcja drzew decyzyjnych Wykład 3 - część 2 Marcin Szczuka http://www.mimuw.edu.pl/ szczuka/mme/ Plan wykładu Generowanie

Bardziej szczegółowo

Konkurs z przedmiotu eksploracja i analiza danych: problem regresji i klasyfikacji

Konkurs z przedmiotu eksploracja i analiza danych: problem regresji i klasyfikacji Konkurs z przedmiotu eksploracja i analiza danych: problem regresji i klasyfikacji Michał Witczak Data Mining 20 maja 2012 r. 1. Wstęp Dostarczone zostały nam 4 pliki, z których dwa stanowiły zbiory uczące

Bardziej szczegółowo

Całka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona

Całka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu

Bardziej szczegółowo

Co to są drzewa decyzji

Co to są drzewa decyzji Drzewa decyzji Co to są drzewa decyzji Drzewa decyzji to skierowane grafy acykliczne Pozwalają na zapis reguł w postaci strukturalnej Przyspieszają działanie systemów regułowych poprzez zawężanie przestrzeni

Bardziej szczegółowo

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI

ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków

Bardziej szczegółowo

WENTYLACJA i KLIMATYZACJA 2. Ćwiczenia nr 1

WENTYLACJA i KLIMATYZACJA 2. Ćwiczenia nr 1 Insyu Inżynierii Cieplnej i Ochrony Powierza Poliechniki Krakowskiej Zakład Wenylacji Klimayzacji i Chłodnicwa WENTYLACJA i KLIMATYZACJA 2 Ćwiczenia nr 1 Urządzenia do uzdania powierza w klimayzacji Dr

Bardziej szczegółowo

Chemia Analityczna. Autor: prof. dr hab. inż Marek Biziuk

Chemia Analityczna. Autor: prof. dr hab. inż Marek Biziuk Cheia Analiyczna Auor: pro. dr hab. inż Marek Biziuk Kaedra Cheii Analiycznej Wydział Cheiczny Poliechnika Gdańska 21 ANALIZA MIARECZKOWA (dział analizy objęościowej - woluerii) Meody iareczkowe służą

Bardziej szczegółowo

ALGORYTMY I STRUKTURY DANYCH

ALGORYTMY I STRUKTURY DANYCH LGORTM I STRUKTUR DNH Temat 6: Drzewa ST, VL Wykładowca: dr inż. bigniew TRPT e-mail: bigniew.tarapata@isi.wat.edu.pl http://www.tarapata.strefa.pl/p_algorytmy_i_struktury_danych/ Współautorami wykładu

Bardziej szczegółowo

Algorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek

Algorytmy i str ruktury danych. Metody algorytmiczne. Bartman Jacek Algorytmy i str ruktury danych Metody algorytmiczne Bartman Jacek jbartman@univ.rzeszow.pl Metody algorytmiczne - wprowadzenia Znamy strukturę algorytmów Trudność tkwi natomiast w podaniu metod służących

Bardziej szczegółowo

Indukcja drzew decyzyjnych

Indukcja drzew decyzyjnych Konwersatorium Matematyczne Metody Ekonomii Narzędzia matematyczne w eksploracji danych Indukcja drzew decyzyjnych Wykład 3 - część 2 Marcin Szczuka http://www.mimuw.edu.pl/ szczuka/mme/ Divide et impera

Bardziej szczegółowo

Algorytmy klasyfikacji

Algorytmy klasyfikacji Algorytmy klasyfikacji Konrad Miziński Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych Warszawa, Polska k.mizinski@stud.elka.pw.edu.pl Streszczenie Niniejszy dokument opisuje jedna

Bardziej szczegółowo

Klasyfikacja obiektów Drzewa decyzyjne (drzewa klasyfikacyjne)

Klasyfikacja obiektów Drzewa decyzyjne (drzewa klasyfikacyjne) Klasyfikacja obiektów Drzewa decyzyjne (drzewa klasyfikacyjne) Tadeusz Pankowski www.put.poznan.pl/~tadeusz.pankowski Klasyfikacja i predykcja. Odkrywaniem reguł klasyfikacji nazywamy proces znajdowania

Bardziej szczegółowo

Drzewa decyzyjne i lasy losowe

Drzewa decyzyjne i lasy losowe Drzewa decyzyjne i lasy losowe Im dalej w las tym więcej drzew! ML Gdańsk http://www.mlgdansk.pl/ Marcin Zadroga https://www.linkedin.com/in/mzadroga/ 20 Czerwca 2017 WPROWADZENIE DO MACHINE LEARNING CZYM

Bardziej szczegółowo

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz

Kombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia

Bardziej szczegółowo

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych.

Równania różniczkowe. Lista nr 2. Literatura: N.M. Matwiejew, Metody całkowania równań różniczkowych zwyczajnych. Równania różniczkowe. Lisa nr 2. Lieraura: N.M. Mawiejew, Meody całkowania równań różniczkowych zwyczajnych. W. Krysicki, L. Włodarski, Analiza Maemayczna w Zadaniach, część II 1. Znaleźć ogólną posać

Bardziej szczegółowo

Grafy (3): drzewa. Wykłady z matematyki dyskretnej dla informatyków i teleinformatyków. UTP Bydgoszcz

Grafy (3): drzewa. Wykłady z matematyki dyskretnej dla informatyków i teleinformatyków. UTP Bydgoszcz Grafy (3): drzewa Wykłady z matematyki dyskretnej dla informatyków i teleinformatyków UTP Bydgoszcz 13 (Wykłady z matematyki dyskretnej) Grafy (3): drzewa 13 1 / 107 Drzewo Definicja. Drzewo to graf acykliczny

Bardziej szczegółowo

RÓWNANIA RÓŻNICZKOWE WYKŁAD 13

RÓWNANIA RÓŻNICZKOWE WYKŁAD 13 RÓWNANIA RÓŻNICZKOWE WYKŁAD 13 Geomeria różniczkowa Geomeria różniczkowa o dział maemayki, w kórym do badania obieków geomerycznych wykorzysuje się meody opare na rachunku różniczkowym. Obieky geomeryczne

Bardziej szczegółowo

PROJEKT nr 1 Projekt spawanego węzła kratownicy. Sporządził: Andrzej Wölk

PROJEKT nr 1 Projekt spawanego węzła kratownicy. Sporządził: Andrzej Wölk PROJEKT nr 1 Projek spawanego węzła kraownicy Sporządził: Andrzej Wölk Projek pojedynczego węzła spawnego kraownicy Siły: 1 = 10 3 = -10 Kąy: α = 5 o β = 75 o γ = 75 o Schema węzła kraownicy Dane: Grubość

Bardziej szczegółowo

ĆWICZENIE NR 43 U R I (1)

ĆWICZENIE NR 43 U R I (1) ĆWCZENE N 43 POMY OPO METODĄ TECHNCZNĄ Cel ćwiczenia: wyznaczenie warości oporu oporników poprzez pomiary naężania prądu płynącego przez opornik oraz napięcia na oporniku Wsęp W celu wyznaczenia warości

Bardziej szczegółowo

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression).

specyfikacji i estymacji modelu regresji progowej (ang. threshold regression). 4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi

Bardziej szczegółowo

Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1

Witold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1 DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu

Bardziej szczegółowo

ć Ą ą ą Ż Ż ó ą ż Ć ą ĆŻ Ż Ó Ó Ó ą Ó ń ą ę ą ę Ź ń ą Ó ą ą ą ą ą ą Ó Ż ęż ę ą ę ą ą ż ĘĆ ż ę Żą ż ą ń Ó ą Ó ą ę ż ęż ó ó ć ż ń ęż ń ń ć ń ż ć ć ą ą Ó Ó ó ó ń ó ę ó Ó ą ż Ć ę Ó ę ż Ó ó ą ó Ó ż Ć ę ó Ó ó

Bardziej szczegółowo

Optymalizacja przy pomocy roju cząstek bazy reguł klasyfikatora rozmytego

Optymalizacja przy pomocy roju cząstek bazy reguł klasyfikatora rozmytego GŁUSZEK Adam 1 GORZAŁCZANY Marian B. 2 RUDZIŃSKI Filip 3 Opymalizacja przy pomocy roju cząsek bazy reguł klasyfikaora rozmyego WSTĘP Na przesrzeni osanich kilkunasu la obserwujemy inensywny rozwój w zakresie

Bardziej szczegółowo

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )

Matematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( ) Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa

Bardziej szczegółowo

WYKŁAD 11 Uczenie maszynowe drzewa decyzyjne

WYKŁAD 11 Uczenie maszynowe drzewa decyzyjne WYKŁAD 11 Uczenie maszynowe drzewa decyzyjne Reprezentacja wiedzy w postaci drzew decyzyjnych entropia, przyrost informacji algorytmy ID3, C4.5 problem przeuczenia wyznaczanie reguł rzykładowe drzewo decyzyjne

Bardziej szczegółowo

Wprowadzenie do uczenia maszynowego

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

Bardziej szczegółowo

8. Drzewa decyzyjne, bagging, boosting i lasy losowe

8. Drzewa decyzyjne, bagging, boosting i lasy losowe Algorytmy rozpoznawania obrazów 8. Drzewa decyzyjne, bagging, boosting i lasy losowe dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Drzewa decyzyjne Drzewa decyzyjne (ang. decision trees), zwane

Bardziej szczegółowo

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

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

Bardziej szczegółowo

Stanisław Cichocki Natalia Nehrebecka. Wykład 4

Stanisław Cichocki Natalia Nehrebecka. Wykład 4 Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,

Bardziej szczegółowo

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny

E k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,

Bardziej szczegółowo

Poprawność semantyczna

Poprawność semantyczna Poprawność składniowa Poprawność semantyczna Poprawność algorytmu Wypisywanie zdań z języka poprawnych składniowo Poprawne wartościowanie zdań języka, np. w języku programowania skutki wystąpienia wyróżnionych

Bardziej szczegółowo

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1

KURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE.   Strona 1 KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych

Bardziej szczegółowo

Zostałeś delegowany do pracy za granicą w UE, EOG lub Szwajcarii? Sprawdź, gdzie jesteś ubezpieczony

Zostałeś delegowany do pracy za granicą w UE, EOG lub Szwajcarii? Sprawdź, gdzie jesteś ubezpieczony Zosałeś delegowany do pracy za granicą w UE, EOG lub Szwajcarii? Sprawdź, gdzie jeseś ubezpieczony Każde z pańsw członkowskich Unii Europejskiej (UE), Europejskiego Obszaru Gospodarczego (EOG) oraz Szwajcaria

Bardziej szczegółowo

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)

2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1) Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza

Bardziej szczegółowo

Ocena efektywności procedury Congruent Specyfication dla małych prób

Ocena efektywności procedury Congruent Specyfication dla małych prób 243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji

Bardziej szczegółowo

Data Mining Wykład 4. Plan wykładu

Data Mining Wykład 4. Plan wykładu Data Mining Wykład 4 Klasyfikacja danych Klasyfikacja poprzez indukcje drzew decyzyjnych Plan wykładu Sformułowanie problemu Kryteria oceny metod klasyfikacji Metody klasyfikacji Klasyfikacja poprzez indukcje

Bardziej szczegółowo

MAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak

MAKROEKONOMIA 2. Wykład 3. Dynamiczny model DAD/DAS, część 2. Dagmara Mycielska Joanna Siwińska - Gorzelak MAKROEKONOMIA 2 Wykład 3. Dynamiczny model DAD/DAS, część 2 Dagmara Mycielska Joanna Siwińska - Gorzelak ( ) ( ) ( ) i E E E i r r = = = = = θ θ ρ ν φ ε ρ α * 1 1 1 ) ( R. popyu R. Fishera Krzywa Phillipsa

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA

PROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA 1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje

Bardziej szczegółowo

LABORATORIUM PODSTAWY ELEKTRONIKI Badanie Bramki X-OR

LABORATORIUM PODSTAWY ELEKTRONIKI Badanie Bramki X-OR LORTORIUM PODSTWY ELEKTRONIKI adanie ramki X-OR 1.1 Wsęp eoreyczny. ramka XOR ramka a realizuje funkcję logiczną zwaną po angielsku EXLUSIVE-OR (WYŁĄZNIE LU). Polska nazwa brzmi LO. Funkcję EX-OR zapisuje

Bardziej szczegółowo

2012-01-16 PLAN WYKŁADU BAZY DANYCH INDEKSY - DEFINICJE. Indeksy jednopoziomowe Indeksy wielopoziomowe Indeksy z użyciem B-drzew i B + -drzew

2012-01-16 PLAN WYKŁADU BAZY DANYCH INDEKSY - DEFINICJE. Indeksy jednopoziomowe Indeksy wielopoziomowe Indeksy z użyciem B-drzew i B + -drzew 0-0-6 PLAN WYKŁADU Indeksy jednopoziomowe Indeksy wielopoziomowe Indeksy z użyciem B-drzew i B + -drzew BAZY DANYCH Wykład 9 dr inż. Agnieszka Bołtuć INDEKSY - DEFINICJE Indeksy to pomocnicze struktury

Bardziej szczegółowo

prowadzący dr ADRIAN HORZYK /~horzyk e-mail: horzyk@agh tel.: 012-617 Konsultacje paw. D-13/325

prowadzący dr ADRIAN HORZYK /~horzyk e-mail: horzyk@agh tel.: 012-617 Konsultacje paw. D-13/325 PODSTAWY INFORMATYKI WYKŁAD 8. prowadzący dr ADRIAN HORZYK http://home home.agh.edu.pl/~ /~horzyk e-mail: horzyk@agh agh.edu.pl tel.: 012-617 617-4319 Konsultacje paw. D-13/325 DRZEWA Drzewa to rodzaj

Bardziej szczegółowo

WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB X - ELECTRE TRI

WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB X - ELECTRE TRI WSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB X - ELECTRE TRI 1. Meoda ELECTRE TRI ELECTRE TRI (skró od ang. riage) meoda wspomagająca rozwiązywanie problemów wielokryerialnego sorowania - bardzo podobna

Bardziej szczegółowo

Klasyfikacja. Indeks Gini Zysk informacyjny. Eksploracja danych. Klasyfikacja wykład 2

Klasyfikacja. Indeks Gini Zysk informacyjny. Eksploracja danych. Klasyfikacja wykład 2 Klasyfikacja Indeks Gini Zysk informacyjny Klasyfikacja wykład 2 Kontynuujemy prezentacje metod klasyfikacji. Na wykładzie zostaną przedstawione dwa podstawowe algorytmy klasyfikacji oparte o indukcję

Bardziej szczegółowo

Cyfrowe przetwarzanie sygnału przetwornika obrotowo-impulsowego

Cyfrowe przetwarzanie sygnału przetwornika obrotowo-impulsowego Cyfrowe przewarzanie sygnału przewornika obroowo-impulsowego Eligiusz PAWŁOWSKI Poliechnika Lubelska, Kaedra Auomayki i Merologii ul. Nadbysrzycka 38 A, 20-68 Lublin, email: elekp@elekron.pol.lublin.pl

Bardziej szczegółowo

A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XLIII nr 2 (2012)

A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XLIII nr 2 (2012) A C T A U N I V E R S I T A T I S N I C O L A I C O P E R N I C I EKONOMIA XLIII nr 2 (2012) 211 220 Pierwsza wersja złożona 25 października 2011 ISSN Końcowa wersja zaakcepowana 3 grudnia 2012 2080-0339

Bardziej szczegółowo

Wysokość drzewa Głębokość węzła

Wysokość drzewa Głębokość węzła Drzewa Drzewa Drzewo (ang. tree) zbiór węzłów powiązanych wskaźnikami, spójny i bez cykli. Drzewo posiada wyróżniony węzeł początkowy nazywany korzeniem (ang. root). Drzewo ukorzenione jest strukturą hierarchiczną.

Bardziej szczegółowo

Metody klasyfikacji danych - część 1 p.1/24

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

Bardziej szczegółowo

WYKORZYSTANIE TESTU OSTERBERGA DO STATYCZNYCH OBCIĄŻEŃ PRÓBNYCH PALI

WYKORZYSTANIE TESTU OSTERBERGA DO STATYCZNYCH OBCIĄŻEŃ PRÓBNYCH PALI Prof. dr hab.inż. Zygmun MEYER Poliechnika zczecińska, Kaedra Geoechniki Dr inż. Mariusz KOWALÓW, adres e-mail m.kowalow@gco-consul.com Geoechnical Consuling Office zczecin WYKORZYAIE EU OERERGA DO AYCZYCH

Bardziej szczegółowo

SYSTEMY 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. 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 szczegółowo

Ocena płynności wybranymi metodami szacowania osadu 1

Ocena płynności wybranymi metodami szacowania osadu 1 Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych

Bardziej szczegółowo

Analiza rynku projekt

Analiza rynku projekt Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes

Bardziej szczegółowo

Badanie funktorów logicznych TTL - ćwiczenie 1

Badanie funktorów logicznych TTL - ćwiczenie 1 adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami

Bardziej szczegółowo

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE

EFEKT DŹWIGNI NA GPW W WARSZAWIE WPROWADZENIE Paweł Kobus, Rober Pierzykowski Kaedra Ekonomerii i Informayki SGGW e-mail: pawel.kobus@saysyka.info EFEKT DŹWIGNI NA GPW W WARSZAWIE Sreszczenie: Do modelowania asymerycznego wpływu dobrych i złych informacji

Bardziej szczegółowo

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK

PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK 1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny

Bardziej szczegółowo

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH

INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH INDUKOWANE REGUŁY DECYZYJNE ALORYTM APRIORI JAROSŁAW FIBICH 1. Czym jest eksploracja danych Eksploracja danych definiowana jest jako zbiór technik odkrywania nietrywialnych zależności i schematów w dużych

Bardziej szczegółowo

ć ą ą ą ż ą ż ć Ę ą ą ż ć ą ą ń ą ą ż ń ą ą ą ą ą ą ą ą ż ż ń ą ą ą ż ą ń Ś ą ą Ó ą Ęż ż ń Ś ń ń ń Ę ą ą Ó ń ą ą Ż ą ą Ó ą Ó ą Ż Ó Ó ą Ż ą ą Ó Ó ą ą Ś ą ą ń ń ą ą ą Ó ą Ż Ó ą Ę Ę Ł ą ą Ł Ą Ł Ł Ś ć ą Ś

Bardziej szczegółowo

ż ę ć ę ę ę ę ę ę ę ć Ż ę ę ę ż ę ę ę ę ę Ż ć ż ż ę ż Ę ć ę ż ę ęż ę ę ę ę ż ć ź Ł Ę ę ż Ę ć ę Ż ę ęż ę ę ę ę ż ć ź Ę Ł ę ę Ą ż Ę ż Ę ż Ę ż ę Ą Ą ę Ę ę ę Ż ź Ż Ż ż ć ź ź ę ż Ę ż Ę ę Ę Ę ć ż ę ć ż ć ź Ł

Bardziej szczegółowo

ż ż Ę Ę Ę Ó ś ó ę Ć ęż ś ę ę ó ś ę ó ę ę Ę ę ó ść Ę ęć Ż Ś ę ę ę ó ż ż ź ę ż ż ś ę Ó ę ę Ł ęż ś ę ę ó ś ę ż ó Ę ę ę ę ść Ę ę ę ę ęć ę ż ś ę ę ę ę ó ż ę Ł Ę ę ż Ę ęż ś ę ó ę ś ę ż ó ę ę ż ść ę ę ę ę ę ęć

Bardziej szczegółowo

Urządzenia i Układów Automatyki Instrukcja Wykonania Projektu

Urządzenia i Układów Automatyki Instrukcja Wykonania Projektu KAEDRA ENERGOELEKRYKI POLIECHNIKI WROCŁAWSKIEJ Urądenia i Układów Auomayki Insrukcja Wykonania Projeku Auory: rof. dr hab. inż. Eugenius Rosołowski dr inż. Pior Pier dr inż. Daniel Bejmer Wrocław 5 I.

Bardziej szczegółowo

4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego

4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego 4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W

Bardziej szczegółowo

Prognozowanie średniego miesięcznego kursu kupna USD

Prognozowanie średniego miesięcznego kursu kupna USD Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska

Bardziej szczegółowo

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński

PROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne

Bardziej szczegółowo

Metoda Automatycznej Detekcji Interakcji CHAID

Metoda Automatycznej Detekcji Interakcji CHAID Metoda Automatycznej Detekcji Interakcji CHAID Metoda ta pozwala wybrać z konkretnego, dużego zbioru zmiennych te z nich, które najsilniej wpływają na wskazaną zmienną (objaśnianą) zmienne porządkowane

Bardziej szczegółowo

AMD. Wykład Elektrotechnika z elektroniką

AMD. Wykład Elektrotechnika z elektroniką Andrzej M. Dąbrowski AGH Universiy of Science and Technology Kaedra Elekroechniki i Elekroenergeyki e-mail: amd@agh.edu.pl Wykład Elekroechnika z elekroniką Wykład. Informacje wsępne i organizacyjne, zaliczenie

Bardziej szczegółowo

Agnieszka Nowak Brzezińska Wykład III

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

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY 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 szczegółowo

Struktury Danych i Złożoność Obliczeniowa

Struktury Danych i Złożoność Obliczeniowa Struktury Danych i Złożoność Obliczeniowa Zajęcia 3 Struktury drzewiaste drzewo binarne szczególny przypadek drzewa, które jest szczególnym przypadkiem grafu skierowanego, stopień każdego wierzchołka jest

Bardziej szczegółowo

Ewa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych

Ewa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu

Bardziej szczegółowo

Podział metod przeszukiwania

Podział metod przeszukiwania Podział meod przeszukiwania Algorymy geneyczne - selekcja Algorymy geneyczne - krzyŝowanie Algorymy geneyczne - muacja Algorymy geneyczne - algorym działania Opymalizacja dla funkcji jednej zmiennej Opymalizacja

Bardziej szczegółowo

Wybrane zagadnienia uczenia maszynowego. Zastosowania Informatyki w Informatyce W2 Krzysztof Krawiec

Wybrane zagadnienia uczenia maszynowego. Zastosowania Informatyki w Informatyce W2 Krzysztof Krawiec Wybrane zagadnienia uczenia maszynowego Zastosowania Informatyki w Informatyce W2 Krzysztof Krawiec Przygotowane na podstawie T. Mitchell, Machine Learning S.J. Russel, P. Norvig, Artificial Intelligence

Bardziej szczegółowo

Wykład 2. Drzewa zbalansowane AVL i 2-3-4

Wykład 2. Drzewa zbalansowane AVL i 2-3-4 Wykład Drzewa zbalansowane AVL i -3-4 Drzewa AVL Wprowadzenie Drzewa AVL Definicja drzewa AVL Operacje wstawiania i usuwania Złożoność obliczeniowa Drzewa -3-4 Definicja drzewa -3-4 Operacje wstawiania

Bardziej szczegółowo

Analiza popytu. Ekonometria. Metody i analiza problemów ekonomicznych. (pod red. Krzysztofa Jajugi), Wydawnictwo AE Wrocław, 1999.

Analiza popytu. Ekonometria. Metody i analiza problemów ekonomicznych. (pod red. Krzysztofa Jajugi), Wydawnictwo AE Wrocław, 1999. Analiza popyu Eonomeria. Meody i analiza problemów eonomicznych (pod red. Krzyszofa Jajugi) Wydawnicwo AE Wrocław 1999. Popy P = f ( X X... X ε ) 1 2 m Zmienne onrolowane: np.: cena (C) nałady na relamę

Bardziej szczegółowo

PROPOZYCJA NOWEJ METODY OKREŚLANIA ZUŻYCIA TECHNICZNEGO BUDYNKÓW

PROPOZYCJA NOWEJ METODY OKREŚLANIA ZUŻYCIA TECHNICZNEGO BUDYNKÓW Udosępnione na prawach rękopisu, 8.04.014r. Publikacja: Knyziak P., "Propozycja nowej meody określania zuzycia echnicznego budynków" (Proposal Of New Mehod For Calculaing he echnical Deerioraion Of Buildings),

Bardziej szczegółowo

Wojewódzki Konkurs Matematyczny dla uczniów gimnazjów. Etap szkolny 5 listopada 2013 Czas 90 minut

Wojewódzki Konkurs Matematyczny dla uczniów gimnazjów. Etap szkolny 5 listopada 2013 Czas 90 minut Wojewódzki Konkurs Maemayczny dla uczniów gimnazjów. Eap szkolny 5 lisopada 2013 Czas 90 minu ZADANIA ZAMKNIĘTE Zadanie 1. (1 punk) Liczby A = 0, 99, B = 0, 99 2, C = 0, 99 3, D = 0, 99, E=0, 99 1 usawiono

Bardziej szczegółowo

Sprawozdanie z zadania Modele predykcyjne (2)

Sprawozdanie z zadania Modele predykcyjne (2) Maciej Karpus, 131529 Tomasz Skarżyński, 131618 19.04.2013r. Sprawozdanie z zadania Modele predykcyjne (2) 1. Wprowadzenie 1.1. Informacje wstępne Dane dotyczą wyników badań mammograficznych wykonanych

Bardziej szczegółowo

DYNAMICZNE MODELE EKONOMETRYCZNE

DYNAMICZNE MODELE EKONOMETRYCZNE DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika

Bardziej szczegółowo

Pulpitu sterowniczego KP-108

Pulpitu sterowniczego KP-108 DOKUMENTACJA TECHNICZNO-RUCHOWA Pulpiu serowniczego KP-108 DzierŜoniów 2007 Srona 1 z 21 1. Wprowadzenie Pulpi serowniczy KP-108 jes nowoczesnym urządzeniem mikroprocesorowym przeznaczonym do serowania

Bardziej szczegółowo

Kompresja danych Streszczenie Studia Dzienne Wykład 10,

Kompresja danych Streszczenie Studia Dzienne Wykład 10, 1 Kwantyzacja wektorowa Kompresja danych Streszczenie Studia Dzienne Wykład 10, 28.04.2006 Kwantyzacja wektorowa: dane dzielone na bloki (wektory), każdy blok kwantyzowany jako jeden element danych. Ogólny

Bardziej szczegółowo

REGULAMIN FUNDUSZU ROZLICZENIOWEGO

REGULAMIN FUNDUSZU ROZLICZENIOWEGO REGULAMIN FUNDUSZU ROZLICZENIOEGO przyjęy uchwałą nr 10/60/98 Rady Nadzorczej Krajowego Depozyu Papierów arościowych S.A. z dnia 28 września 1998 r., zawierdzony decyzją Komisji Papierów arościowych i

Bardziej szczegółowo

D:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora.

D:\materialy\Matematyka na GISIP I rok DOC\07 Pochodne\8A.DOC 2004-wrz-15, 17: Obliczanie granic funkcji w punkcie przy pomocy wzoru Taylora. D:\maerialy\Maemayka a GISIP I rok DOC\7 Pochode\8ADOC -wrz-5, 7: 89 Obliczaie graic fukcji w pukcie przy pomocy wzoru Taylora Wróćmy do wierdzeia Taylora (wzory (-( Tw Szczególie waża dla dalszych R rozważań

Bardziej szczegółowo

Drzewa BST i AVL. Drzewa poszukiwań binarnych (BST)

Drzewa BST i AVL. Drzewa poszukiwań binarnych (BST) Drzewa ST i VL Drzewa poszukiwań binarnych (ST) Drzewo ST to dynamiczna struktura danych (w formie drzewa binarnego), która ma tą właściwość, że dla każdego elementu wszystkie elementy w jego prawym poddrzewie

Bardziej szczegółowo