MOŻLIWOŚCI ZASTOSOWANIA METOD DATA MINING DO ANALIZY ILOŚCI ŚCIEKÓW DOPŁYWAJĄCYCH DO OCZYSZCZALNI
|
|
- Helena Renata Gajewska
- 5 lat temu
- Przeglądów:
Transkrypt
1 MOŻLIWOŚCI ZASTOSOWANIA METOD DATA MINING DO ANALIZY ILOŚCI ŚCIEKÓW DOPŁYWAJĄCYCH DO OCZYSZCZALNI Monika Paluch-Puk, Instytut Inżynierii Środowiska, Uniwersytet Przyrodniczy we Wrocławiu W każdej oczyszczalni ścieków pojawiają się swoiste problemy, które wymagają indywidualnego podejścia. Wydobycie wiedzy z zebranych danych jest kluczowe dla wszelkich działań podejmowanych w sytuacjach krytycznych jak i doraźnych. Racjonalne zarządzanie oczyszczalniami ścieków wymaga prowadzenia określonych pomiarów. Ilość danych zwiększa się wraz ze wrastającą przepustowością oczyszczalni, a monitoring staje się integralną częścią nadzoru pracy i komputerowego systemu kontroli w oczyszczalniach o przepustowości powyżej 1000m 3 /d [Łomotowski, Szpindor 1999]. Nowo budowane lub modernizowane oczyszczalnie ścieków wyposaża się w systemy SCADA (ang. Supervisory Control and Data Acquisition) [Łomotowski in. 2008], służące m.in. do monitorowania, zbierania i gromadzenia informacji w przemysłowej bazie danych, sterowania nadzorczego procesem i wyświetlania stanów pracujących urządzeń [Ranganathan 2000; Smith 2009]. Brak wiedzy na temat celu, metod i narzędzi do opracowania zgromadzonych milionowych danych z tych systemów często powoduje, że nieuporządkowane dane są bezpowrotnie tracone lub archiwizowane bez jakiejkolwiek próby wydobycia z nich wiedzy. Potrzeba zastosowania metod data mining Bazy danych przechowywane w hurtowniach powinny być poddawane analizom z wykorzystaniem metod data mining, potocznie zwanych eksploracją danych, w celu odkrywania w nich wiedzy. Specyfika korzystania z eksploracji danych wynika z potrzeby prognozowania zachowania się kontrolowanych systemów technologicznych przy zmiennych warunkach ich eksploatacji lub określania pewnych wzorców [Hand i in. 2001]. Dodatkowo, w różnych dziedzinach, użytkowników eksploracji danych interesuje też odkrywanie anomalii, czyli zachowań lub działań wyjątkowych, odbiegających od stanów normalnych. Wykrywanie zmian i odchyleń jest stosowane obecnie do analizy dużych zbiorów wielowymiarowych danych, np. wykrywania anomalii zachowań klientów ubezpieczeniowych, kart kredytowych itp. W przypadku oczyszczalni ścieków takie anomalie również występują i są problemem wielu przedsiębiorstw wodno-kanalizacyjnych. Jak pokazuje praktyka, ilość ścieków dopływająca do oczyszczalni nie jest stała w czasie [Olsson, Newell 1999]. Obserwuje się cykliczne dobowe, tygodniowe i roczne zmiany ilości ścieków dopływających do oczyszczalni, związane z porą roku. W przypadku nieoczekiwanych zdarzeń, jak 40
2 ` opady nawalne, roztopy, przepływ ścieków różni się znacznie w porównaniu do warunków normalnych [Brdyś i in. 2008]. W przypadku analizy danych uzyskanych z wielomiesięcznych obserwacji powinno dążyć się do wykrycia charakterystycznych przypadków dopływu ścieków do oczyszczalni [Wrembel 2000]. Dla eksploatatora oczyszczalni istotny jest zatem przypadek anomalia, a nie szereg danych przedstawiany często na wykresach ekranów synoptycznych. Ważne jest zatem, które dane wykorzystamy w analizie, co chcemy uzyskać, i jaką metodę data mining zastosować. Podczas eksploatacji oczyszczalni ścieków ważna jest możliwość przewidywania maksymalnej ilości ścieków dopływających do oczyszczalni na podstawie prognozowanej warstwy opadów atmosferycznych. Wyodrębnienie przypadków anomalii Wychodząc z założenia, że zagregowany dobowy dopływ ścieków do oczyszczalni ustalony dla danej chwili jest miarą stanu dopływu wód przypadkowych do systemu kanalizacyjnego oraz ilości ścieków bytowo-gospodarczych i przemysłowych, podjęto badania nad sprawdzeniem, czy w oparciu o tę zmienną losową i prognozowaną warstwę opadu atmosferycznego możliwe jest ustalenie dopływów maksymalnych do oczyszczalni. Warstwy prognozowanych opadów można w przyszłości uzyskiwać z komunikatów meteorologicznych. Prowadząc prace analityczne na uporządkowanych zbiorach danych, odszukano podzbiory, które charakteryzowały się następującymi cechami: Opady deszczu następowały po co najmniej dobowej przerwie od ostatniego opadu i charakteryzowały się dużą intensywnością. Czas trwania opadu deszczu wynosił od kilku minut do kilku godzin. Na podstawie danych pochodzących z monitoringu określano warstwę opadu w mm, wartość zagregowanej dobowej sumy dopływu ścieków do oczyszczalni Q p w chwili rozpoczęcia opadu deszczu i obserwowaną maksymalną zaobserwowaną zagregowaną dobową sumę dopływu Q max oraz czas, po którym wartość ta została zarejestrowana w odniesieniu do chwili rozpoczęcia deszczu. Czas ten nazwano czasem opóźnienia. Na rysunku 1 przedstawiono przykład takiego opadu. Przypadek ten w dalszej części pracy będzie nazywany opady krótkie intensywne. Opady deszczu charakteryzowały się różną intensywnością i czasem trwania od kilku do kilkudziesięciu godzin. W czasie tych opadów występowała zmienna intensywność deszczu oraz mogły się pojawiać przerwy w opadach dochodzące do kilku godzin. Opady te nazwano opadami długotrwałymi. 41
3 Sumy dobowe przepływu [m 3 ] Czas [min] Rys. 1. Przykład deszczu spełniający warunki klasyfikacji do zbioru opady krótkie intensywne; (So epizod deszczu; Q p zagregowana suma dobowa dopływu ścieków do oczyszczalni w chwili rozpoczęcia opadu; Qmax maksymalna zagregowana suma dobowa dopływu ścieków do oczyszczalni wywołana opadem deszczu) Suma dobowa przepływu [m 3 ] Czas [min] Rys. 2. Przykład deszczu spełniający warunki klasyfikacji do zbioru opady długotrwałe; (So epizod deszczu; Q p zagregowana suma dobowa dopływu ścieków do oczyszczalni w chwili rozpoczęcia opadu; Qmax maksymalna zagregowana suma dobowa dopływu ścieków do oczyszczalni wywołana opadem deszczu). 42
4 ` Metodyka poszukiwania modeli sztucznych sieci neuronowych Do analiz wykorzystano program STATISTICA. W pierwszym etapie zbiory danych Opady krótkie intensywne i Opady długotrwałe poddano 2000-krotnemu próbkowaniu z zastosowaniem automatycznego projektanta sieci, który jest wbudowany w pakiet STATISTICA. Poszukiwano sieci typu MLP z zastosowaniem metody regresji. Dla sieci o najlepszych wynikach predykcji obliczono wartości kryteriów informacyjnych Akaike (AIC) i Hurvich-Tsai (AIC c ), wykorzystując uzyskane wyniki predykcji i dane pochodzące z obserwacji. W drugim etapie badań testowano najlepsze architektury sieci typu MLP, przy czym dla danego typu sieci zbiory: uczący, testowy i walidacyjny obejmujące odpowiednio 50%, 25%, 25% ogólnej liczby przypadków analizowanego zbioru danych były ustalane na każdym etapie obliczeń w sposób losowy. Takie podejście miało wykazać, czy przyjęte zbiory do uczenia, testowania i walidacji mają wpływ na jakość prognoz. Przyjęto dla wszystkich obliczeń redukcję wag metodą Weigenda w celu uniknięcia przeuczenia sieci oraz metodę uczenia przy wykorzystaniu algorytmów: BFGS, najszybszego spadku oraz gradientów sprzężonych. W pracy zastosowano następujący sposób opisu architektury SSN: skrót nazwy sieci: perceptron wielowarstwowy MLP, liczba neuronów w warstwie wejściowej, liczba neuronów w warstwie ukrytej, liczba neuronów w warstwie wyjściowej oddzielone myślnikami. Dla przykładu oznaczenie MLP oznacza sieć MLP z czterema neuronami wejściowymi, dwoma neuronami w warstwie ukrytej i jednym neuronem w warstwie wyjściowej. Poszukiwano architektury SSN typu MLP dla zbioru danych Opady krótkie intensywne i Opady długotrwałe dla schematu, gdzie wejściem do sieci były dane: Q p i warstwa opadu, a wyjściem Q max. Poszukiwanie SSN dla prognozowania Q max dla zbioru danych Opady krótkie intensywne W tabeli 1 przedstawiono architekturę 10 najlepszych SSN ustalonych dla zmiennych wejściowych Q p i warstwy opadu oraz zmiennej wejściowej Q max. Najlepsza SSN miała architekturę MLP z logistyczną funkcją aktywacji dla neuronów warstwy ukrytej oraz funkcją aktywacji tangens hiperboliczny dla neuronu wyjściowego. Uzyskana struktura sieci jest bardzo prosta, gdyż warstwa ukryta składa się tylko z dwóch neuronów. Uzyskane współczynniki korelacji na etapie automatycznego poszukiwania sieci są dla zbioru uczącego, testowego i walidacyjnego wysokie i przyjmują wartości powyżej 0,95. Świadczy to o bardzo dobrym opisie analizowanego zbioru przypadków modelem czarnej skrzynki, jakim jest sztuczna sieć neuronowa. 43
5 Tabela 1. Zestawienie architektury SSN, współczynników korelacji uzyskanych dla zbioru uczącego, testowego i walidacyjnego oraz zastosowanych funkcji aktywacji neuronów w warstwie ukrytej i neuronów wyjściowych dla 10 najlepszych sieci typu MLP, uzyskanych z zastosowaniem Automatycznego Projektanta Sieci dla zbioru Opady krótkie intensywne przy zmiennych wejściowych Q p i warstwie opadu i zmiennej wyjściowej Q max. Nr sieci Architektura sieci MLP Uczenie Test Walidacja Funkcja aktywacji neuronów w warstwie ukrytej Funkcja aktywacji neuronu wyjściowego ,9614 0,9655 0,9727 Wykł Lin ,9623 0,9894 0,9752 Log Tanh ,9699 0,9453 0,9725 Log Lin ,9642 0,9651 0,9728 Tanh Log ,9645 0,9784 0,9725 Log Tanh ,9612 0,9794 0,9744 Log Tanh ,9687 0,9566 0,9757 Tanh Log ,9628 0,9856 0,9758 Log Tanh ,9619 0,9864 0,9753 Log Tanh ,9607 0,9829 0,9746 Log Tanh Wartości współczynników korelacji dla zbioru uczącego, testowego i walidacyjnego przyjmują zbliżone do siebie wartości. Można stąd wnioskować, że SSN nie wykazują przeuczenia i ustalony model na etapie uczenia odwzorowuje różne przypadki ze zbioru Opady krótkie intensywne. Dla potwierdzenia poprawności struktury MLP przeprowadzono badania dla różnych losowo wybranych podzbiorów uczących, testujących i walidacyjnych, przy czym zastosowano różne algorytmy uczenia SSN. W tabeli 2 przedstawiono wyniki obliczeń AIC, AIC, SSE, R i R 2 dla 10 najlepszych sieci MLP 2-2-1, dla których zastosowano algorytm uczenia gradienty sprzężone, logistyczną funkcję aktywacji neuronów w warstwie ukrytej i tangens hiperboliczny dla neuronu wyjściowego, określone dla całego zbioru Opady krótkie intensywne. Zróżnicowanie wyników wartości kryteriów informacyjnych Akaike i Hurvich-Tsai, suma kwadratów błędów, współczynnika korelacji i determinacji wynika z faktu, że ustalanie wag synaptycznych, wartości progowych oraz wartości współczynników funkcji aktywacji poszczególnych sieci odbywało się na innych zbiorach danych. Pomimo tego uzyskane wyniki są zbliżone do siebie, przy czym przy zastosowaniu algorytmu uczenia SSN typu najszybszy spadek uzyskiwano najsłabsze wyniki testów informacyjnych oraz miar oceny dokładności prognoz: SSE, R i R 2. Algorytmy BSFG i gradientów sprężonych dawały porównywalne wyniki modeli SSN. 44
6 Maksymalny zagregowany dobowy dopływ ścieków do oczyszczalni [m 3 /d] ` Tabela 2. Ocena SSN typu MLP z logistyczną funkcją aktywacji neuronów w warstwie ukrytej i tangensem hiperbolicznym jako funkcją aktywacji neuronu wyjściowego dla zbioru Opady krótkie intensywne przy zmiennych wejściowych Q p, warstwie opadu i zmiennej wyjściowej Q max uzyskane z zastosowaniem modułu Automatycznego Projektanta Sieci przy przeprowadzeniu obliczeń z użyciem algorytmu uczenia gradienty sprzężone. Nr sieci Architektura sieci AIC AICc SSE R R 2 1 MLP ,88 15, ,9506 0, MLP ,23 15, ,6 0,9600 0, MLP ,79 15, ,1 0,9364 0, MLP ,79 15, ,5 0,9384 0, MLP ,92 15, ,1 0,9649 0, MLP ,44 13, ,2 0,9401 0, MLP ,43 13, ,3 0,9636 0, MLP ,77 13, ,3 0,9611 0, MLP ,27 14, ,2 0,9581 0, MLP ,38 13, ,4 0,9582 0, MLP ,60 12, ,9 0,9563 0, MLP ,82 13, ,4 0,9311 0, MLP ,73 12, ,1 0,9347 0, MLP ,39 13, ,5 0,9377 0, MLP ,68 12, ,5 0,9473 0, , , , , , ,000 0, Numer przypadku Przypadek (pogoda mokra krótka) Model (algorytm BFGS) Rys. 3. Porównanie wartości prognozowanych z wartościami wyliczonymi dla najlepszej sieci MLP z logistyczną funkcją aktywacji neuronów w warstwie ukrytej i tangensem hiperbolicznym jako funkcją aktywacji neuronu wyjściowego dla zbioru Opady krótkie intensywne przy zmiennych wejściowych Q p, warstwie opadu i zmiennej wyjściowej Q max, ustalonej z zastosowaniem Automatycznego Projektanta Sieci z algorytmem uczenia typu gradienty sprzężone dla zbioru Opady krótkie intensywne. 45
7 Potwierdzają to wyniki przedstawione na rys. 3, który ilustruje uzyskane wyniki prognoz dla losowo wybranych 24 rekordów ze zbioru Opady krótkie intensywne. Przeprowadzone badania analityczne wskazują, że sztuczne sieci neuronowe o architekturze MLP mogą być wykorzystywane w warunkach oczyszczalni ścieków w Lądku- Zdroju do prognozowania Q max w oparciu o zmienne wejściowe Q p i warstwę opadu dla opadów o krótkim czasie trwania i o dużej intensywności, następujących po co najmniej dobowym okresie bezopadowym. Poszukiwanie SSN do prognozowania Qmax dla zbioru danych Opady długotrwałe Analogicznie do badań przeprowadzonych dla zbioru Opady krótkie intensywne, przeprowadzono badania nad możliwością prognozowania Q max z wykorzystaniem sieci typu MLP z dwoma zmiennymi wejściowymi Q p i warstwą opadu. W tabeli 3 przedstawiono architekturę 10 najlepszych SSN. Najlepsza SSN miała architekturę MLP z logistyczną funkcją aktywacji dla neuronów warstwy ukrytej oraz neuronu wyjściowego dla algorytmu BFGS. Podobnie jak dla danych Opady krótkie intensywne, najsłabsze wyniki testów informacyjnych oraz miar oceny dokładności prognoz uzyskano dla SSN, dla których wagi synaptyczne, wartości progowe oraz wartości współczynników funkcji aktywacji były ustalane z wykorzystaniem algorytmu najszybszego spadku (rys. 4). Tabela 3. Ocena SSN z logistyczną funkcją aktywacji neuronów w warstwie ukrytej i neuronu wyjściowego dla zbioru Opady długotrwałe przy zmiennych wejściowych Q p, warstwie opadu i zmiennej wyjściowej Q max, uzyskane z zastosowaniem modułu Automatycznego Projektanta Sieci przy przeprowadzeniu obliczeń z użyciem algorytmu uczenia typu BFGS. Nr sieci Architektura sieci AIC AICc SSE R R 2 1 MLP ,38 16, , , MLP ,7 16, , , MLP ,26 16, , , MLP ,79 14, , , MLP ,95 16, , , MLP ,47 15, , , MLP ,32 15, , , MLP ,51 15, , , MLP ,6 15, , , MLP ,12 15, , , MLP ,12 15, , , MLP ,96 15, , , MLP ,7 15, , , MLP ,11 15, , , MLP ,01 12, , ,
8 Maksymalny zagregowany dobowy dopływ ścieków do oczyszczalni [m 3 /d] ` Numer przypadku Przypadek (pogoda mokra długa) Model (algorytm najszybszy spadek) Rys. 4. Porównanie wartości prognozowanych z wartościami wyliczonymi dla najlepszej sieci MLP z logistyczną funkcją aktywacji neuronów w warstwie ukrytej i neuronu wyjściowego dla zbioru Opady długotrwałe przy zmiennych wejściowych Q p, warstwie opadu dla zmiennej wyjściowej Q max, ustalonej z zastosowaniem Automatycznego Projektanta Sieci z algorytmem uczenia typu najszybszy spadek. Przeprowadzone analizy wykazały, że sztuczne sieci neuronowe o prostej architekturze MLP mogą być wykorzystywane do prognozowania przyrostu zagregowanej sumy dobowej dopływu ścieków do oczyszczalni, w oparciu o wartość zagregowanej sumy dobowej dopływu ścieków do oczyszczalni w chwili rozpoczęcia opadu Q p oraz prognozowaną warstwę opadu, zarówno dla intensywnych opadów deszczu o krótkim czasie (opady burzowe), jak również opadów długotrwałych, które mogą się utrzymywać nawet przez kilka kolejnych dni. Opady długotrwałe są wynikiem przejścia frontów atmosferycznych i powstają z chmur warstwowych deszczowych Nimbostratus lub chmur średnio warstwowych Altostratus. Wielkość opadów atmosferycznych jest zróżnicowana na obszarze Polski. Zwiększoną ilość opadów długotrwałych stwierdza się w rejonach górskich. Czynnikiem wpływającym na wartość Q max są również spadki terenu oraz typ i struktura systemu kanalizacyjnego. Wyniki uzyskane w warunkach systemu kanalizacyjnego Lądka- Zdroju są zachęcające do przeprowadzenia podobnych eksperymentów na innych systemach kanalizacyjnych w Polsce, lecz na podstawie przeprowadzonych badań nie można wyciągać daleko idących uogólnień. Podsumowanie Metody data mining, polegające na efektywnym znajdowaniu nieznanych dotychczas zależności i związków pomiędzy danymi przygotowanymi w procesie transformacji, powinny być stosowane na oczyszczalniach ścieków. Wykorzystując użyteczne narzędzia 47
9 do analizy danych, takie jak sztuczne sieci neuronowe w programie STATISTICA, można prognozować istotne parametry dla operatora oczyszczalni. Można w ten sposób między innymi dokonywać predykcji wzrostu ilości ścieków dopływających do oczyszczalni, wywołanych intensywnymi opadami deszczu o krótkim czasie trwania oraz opadami długotrwałymi, trwającymi nawet kilka dni Należy podkreślić, że dynamika zmian złożonych procesów powoduje, że nie jest możliwe stworzenie idealnego, uniwersalnego modelu, podobnie jak w finansach - modelu, który zapewniłby stały dostęp gotówki, w medycynie - niezawodną diagnozę. Jednak mając wiedzę pochodzącą z procesu odkrywania wiedzy, można powiedzieć, że dany stan wydarzy się w 90 procentach, co jest zawsze lepsze, niż brak tej wiedzy. Literatura 1. Łomotowski J., Szpindor A. (1999): Nowoczesne systemy oczyszczania ścieków. Arkady, Warszawa. 2. Łomotowski J., Licznar P., Paluch M. (2008): Wybrane zagadnienia z zastosowania systemów eksperckich na oczyszczalniach ścieków Instal Teoria i praktyka w instalacjach (279), Ranganathan G. (2000): 3 steps to Automated Treatment. Pollution Engineering, Smith F. (2009): The power of real time Intelligence. Engineer Control, Hand D.J., Mannila H., Smyth P. (2001): Principles of Data Mining (Adaptive Computation and Machine Learning. The MIT Press. 6. Olsson G., Newell B. (1999): Wastewater treatment systems. Modelling, diagnosis and control. IWA Publishing, London. 7. Brdyś M.A., Grochowski M., Gmiński T., Konarczak K., Drewa M.(2008): Hierarchical predictive control of integrated wastewater systems. Control Engineering Practice, Vol. 16, Issue 6, Wrembel R. (2000): Perspektywy (views) w systemach baz danych: aktualny stan technologii. Materiały VI Konferencji Użytkowników i Deweloperów Oracle-PLOUG- Systemy informatyczne w dobie Internetu, Zakopane. 48
PROGNOZOWANIE ISTOTNYCH INFORMACJI DLA RACJONALNEJ EKSPLOATACJI OCZYSZCZALNI ŚCIEKÓW
PROGNOZOWANIE ISTOTNYCH INFORMACJI DLA RACJONALNEJ EKSPLOATACJI OCZYSZCZALNI ŚCIEKÓW Monika Paluch-Puk Wydział Inżynierii Kształtowania Środowiska i Geodezji, Uniwersytet Przyrodniczy we Wrocławiu 1 WPROWADZENIE
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
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 szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
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 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 szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoBudowa 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 szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
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 szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
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 szczegółowoAutomatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010
Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoWYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
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 szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2013/2014
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2013/2014 Sieci neuronowe Sieci neuronowe W XIX wieku sformułowano teorię opisującą podstawowe
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
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 szczegółowoSystemy agentowe. Sieci neuronowe. Jędrzej Potoniec
Systemy agentowe Sieci neuronowe Jędrzej Potoniec Perceptron (Rossenblat, 1957) A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow 2017 Perceptron { 1 z 0 step(z) = 0 w przeciwnym przypadku
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoSystemy agentowe. Sieci neuronowe. Jędrzej Potoniec
Systemy agentowe Sieci neuronowe Jędrzej Potoniec Złe wieści o teście To jest slajd, przy którym wygłaszam złe wieści. Perceptron (Rossenblat, 1957) A. Géron, Hands-On Machine Learning with Scikit-Learn
Bardziej szczegółowoZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Bardziej szczegółowoSztuczne 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 szczegółowoSpis 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 szczegółowoTestowanie 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 szczegółowodr inż. Olga Siedlecka-Lamch 14 listopada 2011 roku Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Eksploracja danych
- Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska 14 listopada 2011 roku 1 - - 2 3 4 5 - The purpose of computing is insight, not numbers Richard Hamming Motywacja - Mamy informację,
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoPROGNOZOWANIE 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 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 szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowowiedzy Sieci neuronowe
Metody detekcji uszkodzeń oparte na wiedzy Sieci neuronowe Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 7 Wprowadzenie Okres kształtowania się teorii sztucznych sieci
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 szczegółowoMETODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA
METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu
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 szczegółowoAPROKSYMACJA POZIOMU IMISJI NA STACJACH MONITORINGU POWIETRZA ZA POMOCĄ AUTONOMICZNYCH MODELI NEURONOWYCH
APROKSYMACJA POZIOMU IMISJI NA STACJACH MONITORINGU POWIETRZA ZA POMOCĄ AUTONOMICZNYCH MODELI NEURONOWYCH Szymon HOFFMAN Katedra Chemii, Technologii Wody i Ścieków, Politechnika Częstochowska ul. Dąbrowskiego
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania
Bardziej szczegółowoALGORYTM UZUPEŁNIANIA BRAKUJĄCYCH DANYCH W ZBIORACH REJESTROWANYCH NA STACJACH MONITORINGU POWIETRZA
ALGORYTM UZUPEŁNIANIA BRAKUJĄCYCH DANYCH W ZBIORACH REJESTROWANYCH NA STACJACH MONITORINGU POWIETRZA Szymon HOFFMAN, Rafał JASIŃSKI Politechnika Częstochowska Wydział Inżynierii i Ochrony Środowiska ul.
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
Bardziej szczegółowoWYKORZYSTANIE 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 szczegółowoOBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA. z wykorzystaniem programu obliczeniowego Q maxp
tel.: +48 662 635 712 Liczba stron: 15 Data: 20.07.2010r OBLICZENIE PRZEPŁYWÓW MAKSYMALNYCH ROCZNYCH O OKREŚLONYM PRAWDOPODOBIEŃSTWIE PRZEWYŻSZENIA z wykorzystaniem programu obliczeniowego Q maxp DŁUGIE
Bardziej szczegółowoPrognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych
Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych prof. zw. dr hab. inż. Stanisław Osowski dr inż. Krzysztof Siwek Politechnika Warszawska Kontynuacja prac Prace prowadzone w roku
Bardziej szczegółowoSieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści
Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, 2013 Spis treści Przedmowa 7 1. Wstęp 9 1.1. Podstawy biologiczne działania neuronu 9 1.2. Pierwsze modele sieci neuronowej
Bardziej szczegółowoPrognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
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 szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoPODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
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 szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA. dr inż. Aleksander Astel
ZASTOSOWANIE TECHNIK CHEMOMETRYCZNYCH W BADANIACH ŚRODOWISKA dr inż. Aleksander Astel Gdańsk, 22.12.2004 CHEMOMETRIA dziedzina nauki i techniki zajmująca się wydobywaniem użytecznej informacji z wielowymiarowych
Bardziej szczegółowoPRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH
Przewody wodociągowe, sieci neuronowe, uszkodzenia Małgorzata KUTYŁOWSKA* PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH Celem pracy jest analiza i
Bardziej szczegółowoMODELE DO ŚREDNIOTERMINOWEGO. Lidia Sukovata PROGNOZOWANIA POCZĄTKU GRADACJI BRUDNICY MNISZKI. Zakład Ochrony Lasu. Instytut Badawczy Leśnictwa
MODELE DO ŚREDNIOTERMINOWEGO PROGNOZOWANIA POCZĄTKU GRADACJI BRUDNICY MNISZKI Lidia Sukovata Instytut Badawczy Leśnictwa Zakład Ochrony Lasu Definicje Prognoza jest przewidywaniem przyszłych faktów, zdarzeń
Bardziej szczegółowoRola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych
Politechnika Krakowska Instytut Inżynierii i Gospodarki Wodnej Rola innowacji w ocenie ryzyka eksploatacji obiektów hydrotechnicznych XXVI Konferencja Naukowa Metody Komputerowe w Projektowaniu i Analizie
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoPROGNOZY METEOROLOGICZNE NA POTRZEBY OSŁONY HYDROLOGICZNEJ. Teresa Zawiślak Operacyjny Szef Meteorologicznej Osłony Kraju w IMGW-PIB
PROGNOZY METEOROLOGICZNE NA POTRZEBY OSŁONY HYDROLOGICZNEJ Teresa Zawiślak Operacyjny Szef Meteorologicznej Osłony Kraju w IMGW-PIB 11.12.2013 Prognoza pogody określenie przyszłego najbardziej prawdopodobnego
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl
Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący
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 szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoSieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ
optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoSZTUCZNE SIECI NEURONOWE W MODELOWANIU PROCESÓW Z OGRANICZONYM ZBIOREM DANYCH W INŻYNIERII ROLNICZEJ
Inżynieria Rolnicza /005 Jędrzej Trajer Katedra Podstaw Inżynierii Szkoła Główna Gospodarstwa Wiejskiego w Warszawie SZTUCZNE SIECI NEURONOWE W MODELOWANIU PROCESÓW Z OGRANICZONYM ZBIOREM DANYCH W INŻYNIERII
Bardziej szczegółowowiedzy Sieci neuronowe (c.d.)
Metody detekci uszkodzeń oparte na wiedzy Sieci neuronowe (c.d.) Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 8 Metody detekci uszkodzeń oparte na wiedzy Wprowadzenie
Bardziej szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowoPROGNOZOWANIE Z WYKORZYSTANIEM UCZENIA MASZYN
PROGNOZOWANIE Z WYKORZYSTANIEM UCZENIA MASZYN Któż z nas nie chciałby trafnie przewidywać przyszłości? Potrzeba przewidywania występuje nieomal wszędzie: w życiu codziennym, gdy np. chcemy zaplanować najlepszy
Bardziej szczegółowoAsocjacyjna reprezentacja danych i wnioskowanie
Asocjacyjna reprezentacja danych i wnioskowanie Wykorzystane technologie JetBrains PyCharm 504 Python 35 Struktura drzewa GRAPH PARAM PARAM ID1 ID2 ID_N params params params param_name_1: param_value_1
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 szczegółowoINSTYTUT METEOROLOGII I GOSPODARKI WODNEJ PAŃSTWOWY INSTYTUT BADAWCZY Oddział we Wrocławiu. Görlitz
Görlitz 17.11.2014 Pakiet programów MIKE opracowany na Politechnice Duńskiej, zmodyfikowany przez Duński Instytut Hydrauliki, Zasady działania modeli: MIKE NAM - model konceptualny o parametrach skupionych,
Bardziej szczegółowo( 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 szczegółowoObrona 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 szczegółowoKatedra Zarządzania i Informatyki Politechnika Śląska
prof. dr hab. Tadeusz Wieczorek mgr inż. Krystian Mączka Katedra Zarządzania i Informatyki Politechnika Śląska Charakterystyka procesu topienia złomu w piecu łukowym Problemy do rozwiązania Prezentacja
Bardziej szczegółowoAnaliza danych i data mining.
Analiza danych i data mining. mgr Katarzyna Racka Wykładowca WNEI PWSZ w Płocku Przedsiębiorczy student 2016 15 XI 2016 r. Cel warsztatu Przekazanie wiedzy na temat: analizy i zarządzania danymi (data
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoSCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.
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 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 szczegółowoAlgorytmy 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 szczegółowoDOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE:
DOKUMENT INFORMACYJNY COMARCH BUSINESS INTELLIGENCE: DATAMINING 1 S t r o n a WSTĘP Czyli jak zastąpić wróżenie z fusów i przysłowiowego nosa, statystyką i modelami ekonometrycznymi. Niniejszy dokument,
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 szczegółowoSieci 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 szczegółowoMODELE LINIOWE. Dr Wioleta Drobik
MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą
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 szczegółowo6. Perceptron Rosenblatta
6. Perceptron Rosenblatta 6-1 Krótka historia perceptronu Rosenblatta 6-2 Binarne klasyfikatory liniowe 6-3 Struktura perceptronu Rosenblatta 6-4 Perceptron Rosenblatta a klasyfikacja 6-5 Perceptron jednowarstwowy:
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 szczegółowo