Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych."

Transkrypt

1 Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol

2 Wstęp Celem projektu jest umożliwienie przewidywania trendu światowych indeksów giełdowych na podstawie informacji historycznych. Niektórzy uczeni twierdzą, że ruchy cen akcji przypominają nieliniowy deterministyczny proces (chaos), a tylko trudność jego matematycznego zapisu sprawia, że z pozoru wydają się losowe. W programie zostanie wykorzystana sieć neuronowa, ponieważ posiada właściwości umożliwiające uczenie się nieliniowych zależności między danymi wejściowymi. Sieć typu Backpropagation Sieć składa się z z jednostek wejściowych oraz przetwarzających zwanych neuronami. Neurony połączone z wszystkimi neuronami w kolejnej warstwie z uwzględnieniem wag, które magazynują wiedzę wytrenowanej sieci. W warstwach ukrytej oraz wejściowej może znajdować się jednostka bias zwracająca na wyjściu zawsze 1. Ilość warstw ukrytych oraz neuronów zależy od rozmiaru oraz natury zadania.

3 Sieci typu Backpropagation są jednokierunkowe oraz korzystają z mechanizmów uczenia. Przepływ informacji następuje od warstwy wejściowej do wyjściowej. Proces uczenia natomiast polega na porównywaniu otrzymanych wyników z poprawnymi odpowiedziami, a następnie poprawiania wag w oparciu o algorytm minimalizacji sumy kwadratów błędów. Sieci typu Backpropagation wykorzystywane są w 80% aplikacji służących do prognozowania ruchów cen na giełdach. Preprocessing danych Bazowy zestaw danych wejściowych będzie normalizowany do przedziału [-a,a], gdzie parametr a dobierany będzie eksperymentalnie z przedziału [0,1]. Oprócz bazowego zestawu danych wejściowych, będziemy badać sieci pracujące z wstępnie przetworzonymi danymi wejściowymi. Do zestawu danych zostanie dołączony wskaźnik RSI (Relative Strength Index) lub inny rodzaj ważonej średniej kroczącej. RSI jest popularnym wskaźnikiem analizy technicznej używanym najczęściej w połączeniu z innymi wskaźnikami. Określa siłę trendu porównując ruchy zwyżkujące i zniżkujące cen zamknięcia w danym okresie czasu. Twórca wskaźnika sugeruje okres 14 dniowy jako optymalny. Jednak na potrzeby programu zostaną wykorzystane wersje z 9 lub 7 dniowym przedziałem czasowym (są bardziej czułe na zmiany). Wartości wskaźnika podaje się w skali o 0 do 100. W praktyce stosuje się dwie metody interpretacji wskaźnika. Pierwsza z nich polega na obserwacji rozbieżności pomiędzy wartością wskaźnika a wartością cen akcji (wartością indeksu). Do zastosowania z siecią neuronową, lepiej nadaje się druga metoda. Określane są poziomy wykupienia i wyprzedania rynku. Przekroczenie tych poziomów przez wskaźnik oznacza odwrócenie trendu. Poziomy są dobierane na wysokości 20-30% dla wyprzedania i 70-80% dla wykupienia. Jako dane wejściowe sieci podawana będzie wartość RSI, wartości indeksu na zamknięciu sesji oraz wolumen obrotów. Wszystkie wartości przeskalowane. Inną możliwością wstępnego przetworzenia danych jest obliczenie średniej kroczącej ważonej z uwzględnieniem wolumenu obrotów. Zostanie dobrane średnia o stosunkowo szybkiej reakcji na zmiany. Razem ze średnią jako dane wejściowe podawane będą wartości indeksu na zamknięciu sesji. Dobór danych wejściowych i stosowanych parametrów związanych ze wskaźnikami powinny

4 być elastyczne. Wybrane zostały stosunkowo proste wskaźniki które mogą jedynie wspomagać interpretację samej wartości indeksu. Prognozowanie zmian kursu na podstawie samych wskaźników (np. MACD + RSI) nie zostanie uwzględnione. Zebranie danych wejściowych Jako zbiór uczący oraz do testów zostaną wykorzystane historyczne dzienne wartości światowych indeksów giełdowych. Są one dostępne nieodpłatnie w Internecie na stronie Date Open High Low Close Volume Adj Close ,7 3564,8 3460,7 3542,4 1,57E , ,9 3590,2 3492,1 3530,7 1,59E , ,9 3645,9 3526,4 3529,9 1,52E , ,1 3649,5 3512,1 3645,9 1,28E , ,8 3676,9 3497,3 3512,1 1,55E , ,1 3830,1 3625,8 3625,8 1,49E ,8 Zbiory do trenowania oraz testowania Jest sprawą oczywistą, że zbiór do trenowania sieci neuronowej będzie największy, zawierając około 80% wszystkich rekordów wejściowych. Aby uogólnić proces uczenia rekordy będą przekazywane w sposób losowy do wejścia. Zbiór do testowania posłuży do sprawdzenia czy sieć została poprawnie wyuczona. Architektura sieci Głównym elementem aplikacji jest sieć neuronowa typu perceptron. Wybranie algorytmu backpropagation zapewnia duże możliwości uogólniania oraz stosunkową prostą implementację. Niestety problematyczne może być wykrycie odpowiedniej konfiguracji oraz parametrów sieci. Jeżeli zostania ona jednak znaleziona, a następnie poprawnie wytrenowana można spodziewać się dobrych wyników wydajności jej działania.

5 Sieć składać się będzie z trzech warstw: 1. warstwa wejściowa: n*m+1 elementów 1 bias zawsze na wejściu m - równe 3 lub 2 w zależności od wyboru rodzaju informacji wejściowych spośród wartość RSI, wartości indeksu na zamknięciu sesji oraz wolumen obrotów n - ilość dni w oknie czasowym (próbce czasowej) 2. warstwa ukryta : zostanie ona tak zaprojektowana aby umożliwić zmianę liczby neuronów z poziomu programu, w procesie testowania zostanie podjęta próba określenia najlepszej ilości neuronów w tej warstwie. dodatkowo 1 bias - zawsze na wejściu 3. warstwa wyjściowa: 1 neuron o wartości w przedziale <-1,+1>. Wartość <-1,0) oznaczać będzie zachętę do sprzedaży (przewidywana wartość spółki będzie niższa), natomiast wartość <0,1> sugerować kupno (przewidywana wartość spółki będzie wyższa) Każdy element wejściowy połączony jest z każdym neuronem warstwy ukrytej. Każdy neuron warstwy ukrytej połączony jest z neuronem wyjściowym Ilość ukrytych warstw Dzięki ukrytym warstwom sieć posiada możliwość uogólniania. Zgodnie z teorią sieć z jedną warstwą ukrytą jest zdolna do przybliżania funkcji ciągłych. Zbyt duża ilość warstw ukrytych może doprowadzić naddopasowania sieci (overfitting), charakteryzującego się zwiększonymi czasami obliczeń i pogorszeniem zdolności wykrywania ogólnych wzorców. Ilość ukrytych neuronów Nie istnieje wzór umożliwiający dokładne obliczenie optymalnej liczby neuronów w warstwie ukrytej. Możliwe jest jednie podawanie zakresów w jakich się ona znajduje,a następnie testowanie kolejnych wartości w nich się znajdujących. Punktem wyjścia uczynimy wynik otrzymany poprzez zastosowania zasady geometrycznej piramidy sqrt(n x m). Gdzie n oznacza ilość neuronów wejściowych, natomiast m wyjściowych.

6 Funkcja przejścia Funkcja przejścia używana jest do zdefiniowania wartości wyjścia w neuronach. W programie zostanie wykorzystana sigmoidalna funkcja. Zgodnie z literaturą jest ona najlepsza do trenowania sieci mającej symulować zjawiska charakteryzujące się niewielkimi odchyleniami. W przeciwnych wypadkach stosuje się hiperboliczny tangens. W każdym przypadku celem zastosowania funkcji przejścia jest uniemożliwienie otrzymania na wyjściu bardzo dużych wartości,które by paraliżowały sieć oraz uniemożliwiały jej wytrenowanie. Algorytm Backpropagation Algorytm propagacji wstecznej jest podstawowym algorytmem uczenia ( nadzorowanego czy z nauczycielem ) dla wielowarstwowych jednokierunkowych sieci neuronowych. Jest to zasada zmian wag Tij dowolnych połączeń elementów przetwarzających rozmieszczonych w warstwach sieci. Algorytm oparty jest o zasadę minimalizacji sumy kwadratów błędów uczenia z wykorzystaniem optymalizacyjnej metody największego spadku. 1. Aby określić stan j-tego neuronu w warstwie n obliczamy ważoną sumę jego M wejść M E n j = T n n 1 j,i U i i=1 E j n ważona suma wejściowa j-tego neuronu w warstwie n n T j,i waga połączenia i-tego neuronu w warstwie n-1 i j-tego neuronu w warstwie n U i n 1 wyjście i tego neuronu w warstwie n-1 2. Sygnał wyjściowy j-tego neuronu w warstwie n jest równy U i n 1 = f E j n gdzie f jest funkcją przejścia (przenoszenia) neuronu 3. Obliczany jest globalny sygnał błędu, który jest różniczkowalną funkcją wag sieci

7 M D=1/2 U. j U wy j 2 i=1. U j wzorcowe wyjście j-tego neuronu w warstwie wyjściowej n T j,i aktualne wyjście j-tego neuronu w warstwie wyjściowej 4. Na tym etapie algorytmu wstecznej propagacji za cel można uznać minimalizację błędu globalnego D, przez modyfikację wag sieci. Można do tego wykorzystać metodę gradientu. T n n j,i = N D/ T j,i N współczynnik uczenia Zmieniamy każdą wagę zgodnie z wielkością i kierunkiem ujemnego gradientu na hiperpowierzchni D(T). 5. Dla elementów położonych w warstwie wyjściowej T wy j,i = N d wy wy 1 j U i Natomiast funkcja błędu użyta do zmodyfikowania wag pomiędzy neuronami warstwy wyjściowej a elementami warstwy poprzedzającej ostatniej pośredniej to: T n j,i t =T n n j,i t 1 N T j,i T n j,i t = T n j, i t 1 1 d n j f E n 1 i Iteracyjne obliczenia pozwalają na poprawianie wag wstecz, aż do warstwy wejściowej.

8 Ilość iteracji W tworzonej aplikacji zastosowane zostaną dwa podejścia do wyboru odpowiedniej liczby iteracji. Pierwszy sposób opiera się na trenowaniu sieci za pomocą zbioru uczącego oraz co pewną stałą liczbę generacji H sprawdzanie przy użyciu zbioru walidacyjnego stopnia nauczenia sieci. Jeżeli będzie on większy niż zadana stała N(N% przewidywań poprawnych) wówczas następuje zakończenie procesu nauki sieci. Będzie istniała możliwość przerwania omawianego procesu przez użytkownika. Drugi sposób trenowania sieci polega na przekazaniu z poziomu interfejsu zadanej liczby iteracji. Współczynnik uczenia Współczynnik uczenia jest stałą określającą siłę z jaką wyznaczony błąd między otrzymanymi a poprawnymi wagami będzie propagowany wzdłuż sieci. Zmiana wagi neuronu zależy także od wpływu wagi na powstały błąd. Analogię tego procesu można porównać do próby umieszczenia piłki z dołka A w dołku C. Zbyt duża użyta siła może sprawić że znajdzie się ona w punkcie B. Natomiast zbyt mała sprawi,że piłka pozostanie w A. Podczas trenowania sieci zbyt wysoki współczynnik uczenia objawia się dużymi zmianami wartości funkcji błędu nie prowadzącymi do stałej poprawy. Za mały współczynnik prowadzi do niezauważalnej poprawy wartości funkcji błędu oraz wydłużenia czasu treningu. W praktyce na początku ustawia się współczynnik uczenia na poziomie powyżej 0.7, a następnie obniża w procesie treningu.

9 Funkcjonalność interfejsu aplikacji (technologia.net) : 1. Zarządzanie danymi wejściowymi dla sieci neuronowej: a) Wybór jednego ze światowych indeksów giełdowych b) Pobieranie danych z internetu (użytkownik podaje okres danych do pobrania) c) Przechowywanie d) Wizualizacja w postaci wykresu 2. Tworzenie i trenowanie sieci przy użyciu uprzednio pozyskanych danych. Użytkownik może sterować: a) Liczbami wykorzystywane do normalizacji danych wejściowych b) Współczynnikiem uczenia sieci c) Ilością generacji d) Wielkością warstwy ukrytej e) Wielkością okna (przedziałem czasowym danych na wejściu sieci) 3. Przechowywanie wytrenowanych sieci wraz z informacją o parametrach trenowania. 4. Generowanie prognozy na kolejny dzień przez wytrenowaną sieć. 5. Testowanie możliwości wytrenowanych sieci przy użyciu wybranych danych. 6. Jednoczesne uruchamianie trenowania kilku sieci o różnych parametrach na tych samych danych, zakończone testowaniem na innym podanym zestawie danych. Analiza efektywności sieci Istnieją cztery możliwe rezultaty porównania prognozy wygenerowanej przez sieć na konkretny dzień: poprawne przewidzenie wzrostu wartości indeksu poprawne przewidzenie spadku wartości indeksu zasygnalizowanie wzrostu, gdy ten nie nastąpił zasygnalizowanie spadku, gdy ten nie nastąpił Analiza efektywności sieci polegać będzie na obliczeniu proporcji występowania każdej z tych sytuacji podczas okresu testowania. Obliczany też będzie procent poprawnych rozpoznań trendu.

Dokumentacja Końcowa

Dokumentacja Końcowa Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem

Bardziej szczegółowo

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,

Bardziej szczegółowo

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex. Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych

Bardziej szczegółowo

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Zastosowanie 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 szczegółowo

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne

Bardziej szczegółowo

System transakcyjny oparty na wskaźnikach technicznych

System transakcyjny oparty na wskaźnikach technicznych Druga połowa ubiegłego stulecia upłynęła pod znakiem dynamicznego rozwoju rynków finansowych oraz postępującej informatyzacji społeczeństwa w skali globalnej. W tym okresie, znacząco wrosła liczba narzędzi

Bardziej szczegółowo

Sieci neuronowe - dokumentacja projektu

Sieci neuronowe - dokumentacja projektu Sieci neuronowe - dokumentacja projektu Predykcja finansowa, modelowanie wskaźnika kursu spółki KGHM. Piotr Jakubas Artur Kosztyła Marcin Krzych Kraków 2009 1. Sieci neuronowe - dokumentacja projektu...

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby

Bardziej szczegółowo

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się

Bardziej szczegółowo

Sztuczne siei neuronowe - wprowadzenie

Sztuczne siei neuronowe - wprowadzenie Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 2 Sztuczne siei neuronowe - wprowadzenie Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika Poznańska Poznań, 2 Wstęp

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega

Bardziej szczegółowo

ANALIZA TECHNICZNA RYNKÓW FINANSOWYCH

ANALIZA TECHNICZNA RYNKÓW FINANSOWYCH POLITECHNIKA OPOLSKA WYDZIAŁ ZARZĄDZANIA I INŻYNIERII PRODUKCJI ANALIZA TECHNICZNA RYNKÓW FINANSOWYCH ARKADIUSZ SKOWRON OPOLE 2007 Arkadiusz Skowron Analiza techniczna rynków finansowych 1 ANALIZA TECHNICZNA

Bardziej szczegółowo

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych

1. Architektury, algorytmy uczenia i projektowanie sieci neuronowych Sztuczne sieci neuronowe i algorytmy genetyczne Artykuł pobrano ze strony eioba.pl SPIS TREŚCI 1. ARCHITEKTURY, ALGORYTMY UCZENIA I PROJEKTOWANIE SIECI NEURONOWYCH 1.1. HISTORIA ROZWOJU SZTUCZNYCH SIECI

Bardziej szczegółowo

ALGORYTM RANDOM FOREST

ALGORYTM 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 szczegółowo

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań Raport 1/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu - metodologia badań autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych z zastosowaniem

Bardziej szczegółowo

Testowanie modeli predykcyjnych

Testowanie modeli predykcyjnych Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności

Bardziej szczegółowo

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,

Bardziej szczegółowo

Modyfikacja algorytmów retransmisji protokołu TCP.

Modyfikacja algorytmów retransmisji protokołu TCP. Modyfikacja algorytmów retransmisji protokołu TCP. Student Adam Markowski Promotor dr hab. Michał Grabowski Cel pracy Celem pracy było przetestowanie i sprawdzenie przydatności modyfikacji klasycznego

Bardziej szczegółowo

SIECI RBF (RADIAL BASIS FUNCTIONS)

SIECI RBF (RADIAL BASIS FUNCTIONS) SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

Sterowanie wielkością zamówienia w Excelu - cz. 3

Sterowanie wielkością zamówienia w Excelu - cz. 3 Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji

Bardziej szczegółowo

Przykładowa analiza danych

Przykładowa analiza danych Przykładowa analiza danych W analizie wykorzystano dane pochodzące z publicznego repozytorium ArrayExpress udostępnionego na stronach Europejskiego Instytutu Bioinformatyki (http://www.ebi.ac.uk/). Zbiór

Bardziej szczegółowo

Studenckie Koło Naukowe Rynków Kapitałowych Zbieżność i rozbieżność średnich kroczących - MACD (Moving Average Convergence Divergence).

Studenckie Koło Naukowe Rynków Kapitałowych Zbieżność i rozbieżność średnich kroczących - MACD (Moving Average Convergence Divergence). Zbieżność i rozbieżność średnich kroczących - MACD (Moving Average Convergence Divergence). MACD (zbieżność i rozbieżność średnich kroczących) - jest jednym z najczęściej używanych wskaźników. Jego popularność

Bardziej szczegółowo

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica. Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural

Bardziej szczegółowo

Testy popularnych wskaźników - RSI

Testy popularnych wskaźników - RSI Testy popularnych wskaźników - RSI Wskaźniki analizy technicznej generują wskazania kupna albo sprzedaży pomagając przy tym inwestorom podjąć odpowiednie decyzje. Chociaż przeważnie patrzy się na co najmniej

Bardziej szczegółowo

Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań

Algorytm 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 szczegółowo

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie minimalizacji bez ograniczeń f(ˆx) = min x R nf(x) f : R n R funkcja ograniczona z dołu Algorytm rozwiazywania Rekurencyjny

Bardziej szczegółowo

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy 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 szczegółowo

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej

Bardziej szczegółowo

Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów

Informacje 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 szczegółowo

Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych

Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-21 Koncepcja kursu Koncepcja

Bardziej szczegółowo

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Adam Stawowy Paweł Jastrzębski Wydział Zarządzania AGH Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Jedną z najczęściej podejmowanych decyzji w działalności

Bardziej szczegółowo

Analiza statystyczna trudności tekstu

Analiza statystyczna trudności tekstu Analiza statystyczna trudności tekstu Łukasz Dębowski ldebowsk@ipipan.waw.pl Problem badawczy Chcielibyśmy mieć wzór matematyczny,...... który dla dowolnego tekstu...... na podstawie pewnych statystyk......

Bardziej szczegółowo

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót

Bardziej szczegółowo

Zastosowania sieci neuronowych predykcja - giełda

Zastosowania sieci neuronowych predykcja - giełda Zastosowania sieci neuronowych predykcja - giełda LABORKA Piotr Ciskowski AKCJE INDEKS WIG20 plik giełda-wig.xlsx : dane: indeks WIG od 1991 do 2005 ok. 3000 sesji bez ostatniej szalonej hossy dla każdej

Bardziej szczegółowo

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem

Bardziej szczegółowo

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału

Bardziej szczegółowo

WYKORZYSTANIE ANALIZY TECHNICZNEJ W PROCESIE PODEJMOWANIA DECYZJI INWESTYCYJNYCH NA PRZYKŁADZIE KGHM POLSKA MIEDŹ S.A.

WYKORZYSTANIE ANALIZY TECHNICZNEJ W PROCESIE PODEJMOWANIA DECYZJI INWESTYCYJNYCH NA PRZYKŁADZIE KGHM POLSKA MIEDŹ S.A. Uniwersytet Wrocławski Wydział Prawa, Administracji i Ekonomii Instytut Nauk Ekonomicznych Zakład Zarządzania Finansami Studia Stacjonarne Ekonomii pierwszego stopnia Krzysztof Maruszczak WYKORZYSTANIE

Bardziej szczegółowo

WOLUMEN OBROTÓW I LICZBA OTWARTYCH POZYCJI

WOLUMEN OBROTÓW I LICZBA OTWARTYCH POZYCJI WOLUMEN OBROTÓW I LICZBA OTWARTYCH POZYCJI Inwestorzy oceniający sytuację na rynkach terminowych zazwyczaj posługują się metodą uwzględniającą trzy wielkości - cenę, wolumen i liczbę otwartych kontraktów.

Bardziej szczegółowo

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1) ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest

Bardziej szczegółowo

ANALIZA SPÓŁEK 21.08.2006. Witam.

ANALIZA SPÓŁEK 21.08.2006. Witam. ANALIZA SPÓŁEK 21.08.2006 Witam. DWORY Spółka zadebiutowała na GPW w grudniu 2004 roku. Przez pierwszych dziesięć miesięcy notowania przebiegały w bardzo wąskiej stabilizacji. Cena akcji wahała się pomiędzy

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych lista zadań 1

Wprowadzenie do Sieci Neuronowych lista zadań 1 Wprowadzenie do Sieci Neuronowych lista zadań 1 Maja Czoków, Jarosław Piersa 2010-10-04 1 Zasadyzaliczania 1.1 Oceny Zaliczenie laboratoriów na podstawie implementowania omawianych algorytmów. Każde zadanie

Bardziej szczegółowo

Zastosowanie symulacji komputerowej do badania właściwości hydraulicznych sieci wodociągowej

Zastosowanie symulacji komputerowej do badania właściwości hydraulicznych sieci wodociągowej Zastosowanie symulacji komputerowej do badania właściwości hydraulicznych sieci wodociągowej prof. dr hab. inż. Andrzej J. OSIADACZ Politechnika Warszawska Wydział Inżynierii Środowiska dr hab. inż. Maciej

Bardziej szczegółowo

KARTA MODUŁU KSZTAŁCENIA

KARTA MODUŁU KSZTAŁCENIA KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia

Bardziej szczegółowo

1 Podstawy programowania sieci neuronowych w programie Matlab 7.0

1 Podstawy programowania sieci neuronowych w programie Matlab 7.0 1 Podstawy programowania sieci neuronowych w programie Matlab 7.0 1.1 Wczytanie danych wejściowych Pomocny przy tym będzie program Microsoft Excel. W programie tym obrabiamy wstępnie nasze dane poprzez

Bardziej szczegółowo

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1.

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1. Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki Mateusz Błażej Nr albumu: 130366 Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od

Bardziej szczegółowo

Regulator PID w sterownikach programowalnych GE Fanuc

Regulator PID w sterownikach programowalnych GE Fanuc Regulator PID w sterownikach programowalnych GE Fanuc Wykład w ramach przedmiotu: Sterowniki programowalne Opracował na podstawie dokumentacji GE Fanuc dr inż. Jarosław Tarnawski Cel wykładu Przypomnienie

Bardziej szczegółowo

LEMRG 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 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 szczegółowo

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII

ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII Scientific Bulletin of Che lm Section of Mathematics and Computer Science No. 1/2008 ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII WACŁAW FRYDRYCHOWICZ, KATARZYNA

Bardziej szczegółowo

Wykorzystanie sztucznej inteligencji do prognozowania notowań Warszawskiej Giełdy Papierów Wartościowych. opiekun: dr A. Wojna.

Wykorzystanie sztucznej inteligencji do prognozowania notowań Warszawskiej Giełdy Papierów Wartościowych. opiekun: dr A. Wojna. Wykorzystanie sztucznej inteligencji do prognozowania notowań Warszawskiej Giełdy Papierów Wartościowych opiekun: dr A. Wojna Łukasz Kowalski 1. Świece japońskie Plan prezentacji Plan prezentacji 1. Świece

Bardziej szczegółowo

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 1 2 SZTUCZNE SIECI NEURONOWE HISTORIA SSN 3 Walter Pitts, Warren McCulloch (1943) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich

Bardziej szczegółowo

SZTUCZNE SIECI NEURONOWE

SZTUCZNE SIECI NEURONOWE METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 SZTUCZNE SIECI NEURONOWE HISTORIA SSN Walter Pitts, Warren McCulloch (94) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich wynalazek

Bardziej szczegółowo

oferty kupujących oferty wytwórców

oferty kupujących oferty wytwórców Adam Bober Rybnik, styczeń Autor jest pracownikiem Wydziału Rozwoju Elektrowni Rybnik S.A. Artykuł stanowi wyłącznie własne poglądy autora. Jak praktycznie zwiększyć obrót na giełdzie? Giełda jako jedna

Bardziej szczegółowo

MACD wskaźnik trendu

MACD wskaźnik trendu MACD wskaźnik trendu Opracowany przez Geralda Appela oscylator MACD (Moving Average Convergence/Divergence) to jeden z najpopularniejszych wskaźników analizy technicznej. Jest on połączeniem funkcji oscylatora

Bardziej szczegółowo

Spis treści. Przedmowa... 11

Spis treści. Przedmowa... 11 Spis treści Przedmowa.... 11 Nowe trendy badawcze w ruchu lotniczym. Zagadnienia wstępne... 13 I. Ruch lotniczy jako efekt potrzeby komunikacyjnej pasażera.... 13 II. Nowe środki transportowe w ruchu lotniczym....

Bardziej szczegółowo

Spis treści. 1 Moduł RFID (APA) 3

Spis treści. 1 Moduł RFID (APA) 3 Spis treści 1 Moduł RFID (APA) 3 1.1 Konfigurowanie Modułu RFID..................... 3 1.1.1 Lista elementów Modułu RFID................. 3 1.1.2 Konfiguracja Modułu RFID (APA)............... 4 1.1.2.1

Bardziej szczegółowo

Oscylator Stochastyczny (Stochastic)

Oscylator Stochastyczny (Stochastic) Oscylator Stochastyczny (Stochastic) Wielu traderów stosuje strategie gry z trendem, jesteśmy przekonani, że można poprawić regularność, z jaką nasz system będzie przynosił zyski, stosując wskaźniki sprawdzające

Bardziej szczegółowo

OCENA EFEKTYWNOŚCI INWESTYCJI. Jerzy T. Skrzypek

OCENA EFEKTYWNOŚCI INWESTYCJI. Jerzy T. Skrzypek OCENA EFEKTYWNOŚCI INWESTYCJI Jerzy T. Skrzypek 1 2 3 4 5 6 7 8 Analiza płynności Analiza rentowności Analiza zadłużenia Analiza sprawności działania Analiza majątku i źródeł finansowania Ocena efektywności

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

LAB-EL LB-760A: regulacja PID i procedura samostrojenia

LAB-EL LB-760A: regulacja PID i procedura samostrojenia Page 1 of 5 Copyright 2003-2010 LAB-EL Elektronika Laboratoryjna www.label.pl LAB-EL LB-760A: regulacja PID i procedura samostrojenia Nastawy regulatora PID W regulatorze LB-760A poczynając od wersji 7.1

Bardziej szczegółowo

SCENARIUSZ LEKCJI. Streszczenie. Czas realizacji. Podstawa programowa

SCENARIUSZ LEKCJI. Streszczenie. Czas realizacji. Podstawa programowa 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 szczegółowo

1 Moduł Modbus ASCII/RTU

1 Moduł Modbus ASCII/RTU 1 Moduł Modbus ASCII/RTU Moduł Modbus ASCII/RTU daje użytkownikowi Systemu Vision możliwość komunikacji z urządzeniami za pomocą protokołu Modbus. Moduł jest konfigurowalny w taki sposób, aby umożliwiał

Bardziej szczegółowo

PL 198457 B1. ABB Sp. z o.o.,warszawa,pl 17.12.2001 BUP 26/01. Michał Orkisz,Kraków,PL Mirosław Bistroń,Jarosław,PL 30.06.

PL 198457 B1. ABB Sp. z o.o.,warszawa,pl 17.12.2001 BUP 26/01. Michał Orkisz,Kraków,PL Mirosław Bistroń,Jarosław,PL 30.06. RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 198457 (13) B1 (21) Numer zgłoszenia: 340813 (51) Int.Cl. G06F 17/21 (2006.01) G06Q 10/00 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22)

Bardziej szczegółowo

Katowice GPW 2013. Zintegrowany system informatyczny do kompleksowego zarządzania siecią wodociągową. Jan Studziński

Katowice GPW 2013. Zintegrowany system informatyczny do kompleksowego zarządzania siecią wodociągową. Jan Studziński Katowice GPW 2013 Zintegrowany system informatyczny do kompleksowego zarządzania siecią wodociągową Jan Studziński 1 1. Wstęp Cel pracy Usprawnienie zarządzania siecią wodociągową za pomocą nowoczesnych

Bardziej szczegółowo

Prace magisterskie 1. Założenia pracy 2. Budowa portfela

Prace magisterskie 1. Założenia pracy 2. Budowa portfela 1. Założenia pracy 1 Założeniem niniejszej pracy jest stworzenie portfela inwestycyjnego przy pomocy modelu W.Sharpe a spełniającego następujące warunki: - wybór akcji 8 spółek + 2 papiery dłużne, - inwestycja

Bardziej szczegółowo

PIA PANEL INŻYNIERA AUTOMATYKA

PIA PANEL INŻYNIERA AUTOMATYKA ul. Bajana Jerzego 31d tel. + 48 399 50 42 45 01-904 Warszawa PANEL INŻYNIERA AUTOMATYKA Wszystkie nazwy handlowe i towarów występujące w niniejszej publikacji są znakami towarowymi zastrzeżonymi odpowiednich

Bardziej szczegółowo

Klasa I szkoły ponadgimnazjalnej matematyka

Klasa I szkoły ponadgimnazjalnej matematyka Klasa I szkoły ponadgimnazjalnej matematyka. Informacje ogólne Badanie osiągnięć uczniów I klas odbyło się 7 września 2009 r. Wyniki badań nadesłało 2 szkół. Analizie poddano wyniki 992 uczniów z 4 klas

Bardziej szczegółowo

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony

Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Patryk DUŃSKI Wydział Informatyki, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie E mail: pdunski@wi.zut.edu.pl Algorytmiczne sieci neuronowe idea działania, słabe i mocne strony Streszczenie:

Bardziej szczegółowo

FORECASTER. P-2 Sp. z o.o. ul. Bajana Jerzego 31d. tel. + 48 399 50 42 45. 01-904 Warszawa

FORECASTER. P-2 Sp. z o.o. ul. Bajana Jerzego 31d. tel. + 48 399 50 42 45. 01-904 Warszawa ul. Bajana Jerzego 31d tel. + 48 399 50 42 45 01-904 Warszawa FORECASTER Wszystkie nazwy handlowe i towarów występujące w niniejszej publikacji są znakami towarowymi zastrzeżonymi odpowiednich firm odnośnych

Bardziej szczegółowo

1 Moduł Modbus ASCII/RTU 3

1 Moduł Modbus ASCII/RTU 3 Spis treści 1 Moduł Modbus ASCII/RTU 3 1.1 Konfigurowanie Modułu Modbus ASCII/RTU............. 3 1.1.1 Lista elementów Modułu Modbus ASCII/RTU......... 3 1.1.2 Konfiguracja Modułu Modbus ASCII/RTU...........

Bardziej szczegółowo

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change

Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change Raport 4/2015 Optymalizacja parametrów w strategiach inwestycyjnych dla event-driven tradingu dla odczytu Australia Employment Change autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych

Bardziej szczegółowo

Aplikacja realizująca: Rozpoznawanie pisma odręcznego z wykorzystaniem sieci neuronowych Wersja 2 (dodatkowe informacje o ramce znaku)

Aplikacja realizująca: Rozpoznawanie pisma odręcznego z wykorzystaniem sieci neuronowych Wersja 2 (dodatkowe informacje o ramce znaku) Dokumentacja: Start: 2010-02-08; 08; Wersja: 2010-03-18; Autor: Artur Czekalski Aplikacja realizująca: Rozpoznawanie pisma odręcznego z wykorzystaniem sieci neuronowych Wersja 2 (dodatkowe informacje o

Bardziej szczegółowo

Grzegorz Ruciński. Warszawska Wyższa Szkoła Informatyki 2011. Promotor dr inż. Paweł Figat

Grzegorz Ruciński. Warszawska Wyższa Szkoła Informatyki 2011. Promotor dr inż. Paweł Figat Grzegorz Ruciński Warszawska Wyższa Szkoła Informatyki 2011 Promotor dr inż. Paweł Figat Cel i hipoteza pracy Wprowadzenie do tematu Przedstawienie porównywanych rozwiązań Przedstawienie zalet i wad porównywanych

Bardziej szczegółowo

SIECI NEURONOWE BUPA Selekcja danych medycznych

SIECI NEURONOWE BUPA Selekcja danych medycznych Piotr Olchawski Kraków, 2.01.2008 Informatyka Stosowana III rok SIECI NEURONOWE BUPA Selekcja danych medycznych INTELIGENCJA OBLICZENIOWA Wydział Fizyki, Astronomii i Informatyki Stosowanej Uniwersytet

Bardziej szczegółowo

Event Driven Trading. Badania Numeryczne.

Event Driven Trading. Badania Numeryczne. INIME 21.10.2014 Publikacja makroekonimczna Publikacja makroekonomiczna (w niniejszym opracowaniu, definicja zawężona) - publikacja danych makroekonomicznych przez agencję prasową posiadających następującą

Bardziej szczegółowo

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. 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 szczegółowo

1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie

1.7. 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 szczegółowo

Walidacja metod analitycznych Raport z walidacji

Walidacja metod analitycznych Raport z walidacji Walidacja metod analitycznych Raport z walidacji Małgorzata Jakubowska Katedra Chemii Analitycznej WIMiC AGH Walidacja metod analitycznych (według ISO) to proces ustalania parametrów charakteryzujących

Bardziej szczegółowo

Wycena nieruchomości za pomocą wyboru wielokryterialnego w warunkach niepewności rozmytej oraz klasycznie: metodą pp i kcś

Wycena nieruchomości za pomocą wyboru wielokryterialnego w warunkach niepewności rozmytej oraz klasycznie: metodą pp i kcś Wycena nieruchomości za pomocą wyboru wielokryterialnego w warunkach niepewności rozmytej oraz klasycznie: metodą pp i kcś Materiały reklamowe ZAWAM-Marek Zawadzki Wybór wielokryterialny jako jadna z metod

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

Galileo - encyklopedia internetowa Plan testów

Galileo - encyklopedia internetowa Plan testów Galileo - encyklopedia internetowa Plan testów Sławomir Pawlewicz Alan Pilawa Joanna Sobczyk Matek Sobierajski 5 czerwca 2006 1 Spis treści 1 Wprowadzenie 3 1.1 Cel..........................................

Bardziej szczegółowo

Wskaźniki w Analizie Technicznej

Wskaźniki w Analizie Technicznej Wskaźniki w Analizie Technicznej Spis treści: 1. Idea stosowania wskaźników 2. Uruchamianie wskaźników na platformie 3. Lista wybranych wskaźników 4. Prezentacja wybranych wskaźników Idea stosowania wskaźników

Bardziej szczegółowo

Analiza zależności między notowaniami akcji firm a artykułami prasowymi

Analiza zależności między notowaniami akcji firm a artykułami prasowymi Analiza zależności między notowaniami akcji firm a artykułami prasowymi Mateusz Kobos, 23.04.2008 Seminarium Metody Inteligencji Obliczeniowej 1/29 Spis treści Słowa najczęściej występujące wokół ekstremalnych

Bardziej szczegółowo

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych

Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych Zrównoleglona optymalizacja stochastyczna na dużych zbiorach danych mgr inż. C. Dendek prof. nzw. dr hab. J. Mańdziuk Politechnika Warszawska, Wydział Matematyki i Nauk Informacyjnych Outline 1 Uczenie

Bardziej szczegółowo

Rozdział ten zawiera informacje na temat zarządzania Modułem Modbus TCP oraz jego konfiguracji.

Rozdział ten zawiera informacje na temat zarządzania Modułem Modbus TCP oraz jego konfiguracji. 1 Moduł Modbus TCP Moduł Modbus TCP daje użytkownikowi Systemu Vision możliwość zapisu oraz odczytu rejestrów urządzeń, które obsługują protokół Modbus TCP. Zapewnia on odwzorowanie rejestrów urządzeń

Bardziej szczegółowo

KARTA INFORMACYJNA PRZEDMIOTU

KARTA INFORMACYJNA PRZEDMIOTU Uniwersytet Rzeszowski WYDZIAŁ KIERUNEK Matematyczno-Przyrodniczy Fizyka techniczna SPECJALNOŚĆ RODZAJ STUDIÓW stacjonarne, studia pierwszego stopnia KARTA INFORMACYJNA PRZEDMIOTU NAZWA PRZEDMIOTU WG PLANU

Bardziej szczegółowo

Rozdział ten zawiera informacje o sposobie konfiguracji i działania Modułu OPC.

Rozdział ten zawiera informacje o sposobie konfiguracji i działania Modułu OPC. 1 Moduł OPC Moduł OPC pozwala na komunikację z serwerami OPC pracującymi w oparciu o model DA (Data Access). Dzięki niemu można odczytać stan obiektów OPC (zmiennych zdefiniowanych w programie PLC), a

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii

Bardziej szczegółowo

Optymalizacja Automatycznych Testów Regresywnych

Optymalizacja Automatycznych Testów Regresywnych Optymalizacja Automatycznych Testów Regresywnych W Organizacji Transformującej do Agile Adam Marciszewski adam.marciszewski@tieto.com Agenda Kontekst projektu Typowe podejście Wyzwania Cel Założenia Opis

Bardziej szczegółowo

Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym

Zastosowanie 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 szczegółowo

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com

PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych

Bardziej szczegółowo

OpenOfficePL. Zestaw szablonów magazynowych. Instrukcja obsługi

OpenOfficePL. Zestaw szablonów magazynowych. Instrukcja obsługi OpenOfficePL Zestaw szablonów magazynowych Instrukcja obsługi Spis treści : 1. Informacje ogólne 2. Instalacja zestawu a) konfiguracja połączenia z bazą danych b) import danych z poprzedniej wersji faktur

Bardziej szczegółowo

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Jarosław Piersa piersaj(at)mat.uni.torun.pl Abstrakt Poniższy referat dotyczy zagadnień uczenia w sieciach neuronowych i bayesowskich(sieciach

Bardziej szczegółowo

Skanowanie podsieci oraz wykrywanie terminali ABA-X3

Skanowanie podsieci oraz wykrywanie terminali ABA-X3 Skanowanie podsieci oraz wykrywanie terminali ABA-X3 Terminale ABA-X3 od dostarczane od połowy listopada 2010 r. są wyposażane w oprogramowanie umożliwiające skanowanie podsieci w poszukiwaniu aktywnych

Bardziej szczegółowo

Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli?

Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli? Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli? : Proces zmieniania wartości w komórkach w celu sprawdzenia, jak

Bardziej szczegółowo

Dokumentacja. System wspomagania produkcji dla symulatora gry rynkowej. str. 1

Dokumentacja. System wspomagania produkcji dla symulatora gry rynkowej. str. 1 Dokumentacja System wspomagania produkcji dla symulatora gry rynkowej str. 1 Spis treści 1. Cel projektu... 3 2. Wykorzystane technologie.. 3 3. Określenie parametrów wejściowych i wyjściowych wykorzystywanych

Bardziej szczegółowo

Gospodarcze zastosowania algorytmów genetycznych

Gospodarcze zastosowania algorytmów genetycznych Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym

Bardziej szczegółowo