SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
|
|
- Bronisława Czyż
- 5 lat temu
- Przeglądów:
Transkrypt
1 SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji niewłaściwych, niekorzystnych dla przedsiębiorstwa przedsięwzięć może skutkować w skrajnym przypadku upadłością. Przeprowadzenie w fazie koncepcyjnej wielokryterialnej oceny danego projektu wykonalności projektu zmniejsza ryzyko podjęcia niewłaściwych decyzji. Oszacowanie czasu, kosztów realizacji projektów w całości, jak i w kolejnych jego etapach jest istotne. Niedoszacowanie danych parametrów może skutkować przekroczeniem terminów dyrektywnych oraz z karami umownymi za nieterminowe wywiązanie się z umowy handlowej. Z kolei błędne oszacowanie kosztów może wpłynąć na przekroczenie budżetu, zmniejszenie zysku finansowego z projektu, lub stratą z działalności. Efektywne planowanie projektów zwiększa prawdopodobieństwo, że rzeczywiste wyniki danego projektu będą zgodne z założonymi. Kompletne zarządzanie projektami wymaga przeprowadzenia oceny końcowej projektu, porównania stanu pożądanego ze stanem końcowym/zaistniałym. Ocena końcowa projektu jest bardzo wartościująca, dostarcza cennych informacji. Istotne jest, żeby przeprowadzić ją bezpośrednio po zakończeniu wszystkich prac nad projektem. Łatwo jest bowiem zebrać konieczne informacje. Celem oceny końcowej projektu jest zebranie niezbędnych informacji dla lepszego oszacowania parametrów przyszłych, potencjalnych projektów. Dane te będą mogły posłużyć jako baza wiedzy przy planowaniu kolejnych projektów. Poniżej proponowany jest podstawowy zestaw kryteriów oceny końcowej projektu. Parametr czasu projektu rozumiany jest jako stopień dotrzymania terminu dyrektywnego (zakładanego terminu zakończenia projektu). Oznaczany jest symbolem CP. Parametr kosztu, oznaczany symbolem KP, odnosi się do planowanego kosztu i określa stopień dotrzymania zakładanego budżetu. Parametr jakości projektu, oznaczany symbolem JP, należy rozumieć jako stopień zgodności projektu z wcześniej określonymi wymaganiami. Parametr zadowolenia klienta, oznaczany symbolem ZK, określa stopień zadowolenia klienta (rozumianego jako klienta zewnętrznego lub klienta wewnętrznego) ze zrealizowanego projektu. Zestaw kryteriów powiększony zostanie o kolejne przyznawane przez eksperta kryteria wagowe, tj. wagę czasu projektu (WCP), wagę kosztu projektu (WKP), wagę jakości projektu (WJP), wagę zadowolenia klienta (WZK). Zadania do zrealizowania Utworzenie sieci neuronowej, która posłuży do oceny końcowej projektu. Proponowanym narzędziem jest oprogramowanie Neuronix. Na podstawie co najmniej 10 doświadczeń (uczenia i analizy działania modelu neuronowego z różną liczbą neuronów w warstwach ukrytych) należy wskazać najlepszą strukturę sieci neuronowej, tak aby zminimalizować błąd dopasowania sieci neuronowej do danych uczących i testujących. Każde doświadczenie ma być przeprowadzone dla tych samych współczynników uczenia. Etapy realizacji zadania:
2 1. Zebranie danych wejściowych (ściągnięcie ze strony danych w pliku.xls) 2. Utworzenie katalogu dla doświadczenia nr 1 o jednoznacznej nazwie np. doswiadczenie 1. W katalogu będą się znajdować: plik z danymi uczącymi (*.lrn) i testującymi (*.tst), pliki struktury sieci neuronowej z doświadczenia nr 1 oraz arkusze danych służące do wyliczeń błędów. 3. Utworzenie nowego projektu np. z wykorzystaniem kreatora nowego projektu. Jako lokalizację projektu należy wybrać utworzony katalog. Budowa i testowanie systemu wykorzystuje zebrane dane wejściowe. Dane wejściowe należy podzielić na 90% danych uczących i 10% danych testujących (losowe wartości w plikach). 4. Ustalenie struktury sieci neuronowej. Pierwsza struktura sieci neuronowej może być zrealizowana z użyciem następujących warunków (parametrów) budowy systemu: a. Parametry strukturalne sieci: i. Liczba neuronów w warstwie pierwszej: 5 (dla kolejnych doświadczeń wartość tą zmieniamy) ii. Liczba neuronów w warstwie drugiej: 0 (dla kolejnych doświadczeń wartość tą zmieniamy) iii. Liczba neuronów w warstwie trzeciej: 0 (dla kolejnych doświadczeń wartość ta zostaje bez zmian) b. Parametry procesu uczenia sieci (dla kolejnych doświadczeń wartości te zostają bez zmian): i. Współczynnik uczenia 0,5 ii. Współczynnik momentu 0,7 c. Warunki zakończenia procesu uczenia sieci: i. RMS uczenia< 0,01 5. Uczenie sieci neuronowej. a. Inicjalizacja wartości wag b. Uczenie sieci powinno zakończyć się bez naszej ingerencji, istnieją jednak przypadki, gdy sieć może uczyć się w nieskończoność. Należy przerwać uczenie jak zauważymy, iż błąd RMS ustabilizował wartość i się nie zmniejsza. Ukrycie statystyk, wykresów RMS i struktury sieci może znacznie przyśpieszyć uczenie sieci. 6. Wyliczenie błędów dla danych uczących i testujących. a. Utworzyć dwa nowe arkusze danych: jeden dla wyliczeń błędów dla danych uczących i kolejny dla danych testujących. Do pierwszego arkusza skopiować dane uczące, do drugiego dane testujące. W obu arkuszach należy wyliczyć procentowy błąd względny dla danych uczących i analogicznie dla danych testujących, korzystając ze wzoru: Przykład obliczeń błędu względnego:.
3 7. Wykonanie kolejnych doświadczeń budowy sieci neuronowej, uczenia jej i testowania. Aby wykonać kolejne doświadczenia nie trzeba budować na nowo systemu. Należy jedynie wykorzystać utworzone już pliki w celu kolejnych analiz. a. Utworzyć 9 kopi katalogu doświadczenie 1 (wraz z zawartością) i zmienić nazwy katalogów kolejno doswiadczenie 2, doswiadczenie 3 itp.
4 b. Otworzyć system neuronowy z kolejnego doświadczenia (np. z katalogu doswiadczenie 2 ). c. Zmienić strukturę sieci neuronowych (liczbę neuronów w warstwach). d. Uruchomić uczenie sieci neuronowej (analogicznie do poprzedniego doświadczenia). Otworzyć arkusze danych, uruchomić sieć i odczytać (zapisać) aktualne średnie błędy względne dla danych uczących i testujących. 8. Analiza wyników otrzymanych błędów. a. Wyniki błędów dla danych uczących i testujących w funkcji kolejnych doświadczeń (oś x) należy zamieścić na jednym wykresie. b. Aby dokonać analizy wpływu liczby neuronów w warstwach na błąd dopasowania systemu do danych empirycznych w kolejnym wykresie zamiast numeru doświadczenia na osi x można zamieści również liczbę neuronów (w kolejnych warstwach) bądź też/i całkowitą liczbę neuronów w sieci. c. Na końcu należy zamieścić wnioski z analizy. Odpowiedzieć w nich na pytania dotyczące optymalnej struktury sieci neuronowej dla danego zastosowania, oraz wpływu liczby neuronów i współczynnika uczenia na błąd.
5 Temat zadania: SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) Data wykonania zadania:. Wykonawca:. WYNIKI ANALIZ (Wykresy) WNIOSKI Z ANALIZY:
SIEĆ 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 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 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 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 szczegółowoDokumentacja 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 szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
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 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 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 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 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 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 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 szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
Bardziej szczegółowoSieć przesyłająca żetony CP (counter propagation)
Sieci neuropodobne IX, specyficzne architektury 1 Sieć przesyłająca żetony CP (counter propagation) warstwa Kohonena: wektory wejściowe są unormowane jednostki mają unormowane wektory wag jednostki są
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 szczegółowoZadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.
tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowo1. Opis. 2. Wymagania sprzętowe:
1. Opis Aplikacja ARSOFT-WZ2 umożliwia konfigurację, wizualizację i rejestrację danych pomiarowych urządzeń produkcji APAR wyposażonych w interfejs komunikacyjny RS232/485 oraz protokół MODBUS-RTU. Aktualny
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 szczegółowoKARTA OCENY MERYTORYCZNEJ WNIOSKU O DOFINANSOWANIE PROJEKTU POZAKONKURSOWEGO
Załącznik nr 4 Karta oceny merytorycznej wniosku o dofinansowanie projektu pozakonkursowego w ramach RPO WP 2014-2020. KARTA OCENY MERYTORYCZNEJ WNIOSKU O DOFINANSOWANIE PROJEKTU POZAKONKURSOWEGO W RAMACH
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
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 szczegółowoWIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI
Posiedzenie Sekcji Podstaw Technologii Komitetu Budowy Maszyn Polskiej Akademii Nauk 20 kwietnia 2004 WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI prof. dr hab. inż. Krzysztof Jemieniak Plan prezentacji
Bardziej szczegółowoTemat: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w
Bardziej szczegółowoZapytanie ofertowe nr 7/POIG 8.1/2013
Warszawa, dnia 13.09.2013 roku Siedziba: edufinance.pl Paweł Kardacz ul. Narutowicza 74 08-200 Łosice Zapytanie ofertowe nr 7/POIG 8.1/2013 W związku z realizacją projektu pn. Stworzenie pierwszej na polskim
Bardziej szczegółowoREPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH
REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Reprezentacja
Bardziej szczegółowoRozdział 7 ZARZĄDZANIE PROJEKTAMI
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 7 ZARZĄDZANIE PROJEKTAMI 7.2. Ćwiczenia komputerowe Ćwiczenie 7.1 Wykorzystując
Bardziej szczegółowosieci jednowarstwowe w MATLABie LABORKA Piotr Ciskowski
sieci jednowarstwowe w ATLABie LABORKA Piotr Ciskowski trzy funkcje do obsługi sieci jednowarstwowej : init1.m - tworzy sieć, inicjuje wagi (losowo) dzialaj1.m symuluje działanie sieci (na pojedynczym
Bardziej szczegółowoAbacus Tychy, ul. Pod Lasem 20 tel
Abacus Tychy, ul. Pod Lasem 20 www.abacus.tychy.pl adam.lazarski@abacus.tychy.pl tel. 601 411 384 Tychy 2014 Program komputerowy PAW, PUNKTOWA ANALIZA WARTOŚCIOWANIA STANOWISK PRACY jest narzędziem wspomagającym
Bardziej szczegółowoKolumna Zeszyt Komórka Wiersz Tabela arkusza Zakładki arkuszy
1 Podstawowym przeznaczeniem arkusza kalkulacyjnego jest najczęściej opracowanie danych liczbowych i prezentowanie ich formie graficznej. Ale formuła arkusza kalkulacyjnego jest na tyle elastyczna, że
Bardziej szczegółowoOcena adekwatności alokowanych środków finansowych w ramach POPT 2014-2020
Ocena adekwatności alokowanych środków finansowych w ramach POPT 2014-2020 Zgodnie z przekazanymi informacjami, wysokość środków finansowych przeznaczonych na realizację POPT wyniesie 700,1 mln EUR wkładu
Bardziej szczegółowoTYTUŁ PROJEKTU:. NAZWA WNIOSKODAWCY:.. WNIOSKOWANA KWOTA Z EFRR:. DATA WPŁYNIĘCIA WNIOSKU: OCENIAJĄCY:. DATA:
Karta oceny merytorycznej wniosku o dofinansowanie projektu współfinansowanego ze środków Regionalnego Programu Operacyjnego Województwa Kujawsko-Pomorskiego na lata 2007-2013 W ramach 4 osi Rozwój infrastruktury
Bardziej szczegółowoUczeń otrzymuje ocenę z przedmiotu uzależnioną od opanowania przez niego wymagań edukacyjnych na określonym poziomie.
Wymagania edukacyjne w klasie III z przedmiotu Informatyka obowiązujące w Gimnazjum Nr 4 w Bielsku-Białej. Uczeń otrzymuje ocenę z przedmiotu uzależnioną od opanowania przez niego wymagań edukacyjnych
Bardziej szczegółowoPriorytetyzacja przypadków testowych za pomocą macierzy
Priorytetyzacja przypadków testowych za pomocą macierzy W niniejszym artykule przedstawiony został problem przyporządkowania priorytetów do przypadków testowych przed rozpoczęciem testów oprogramowania.
Bardziej szczegółowo1. Opis aplikacji. 2. Przeprowadzanie pomiarów. 3. Tworzenie sprawozdania
1. Opis aplikacji Interfejs programu podzielony jest na dwie zakładki. Wszystkie ustawienia znajdują się w drugiej zakładce, są przygotowane do ćwiczenia i nie można ich zmieniac bez pozwolenia prowadzącego
Bardziej szczegółowoInstrukcja realizacji ćwiczenia
SIEĆ KOHONENA ROZPOZNAWANIE OBRAZÓW Cel ćwiczenia: zapoznanie się ze sposobem reprezentacji wiedzy w sieciach Kohonena i mechanizmami sąsiedztwa i sumienia neuronów. Zadanie do analizy: analizujemy sieć
Bardziej szczegółowoTEMAT : Przykłady innych funkcji i ich wykresy.
Elżbieta Kołodziej e-mail: efreet@pf.pl matematyka, informatyka Gimnazjum Nr 5 37-450 Stalowa Wola ul. Poniatowskiego 55 SCENARIUSZ LEKCJI PRZEPROWADZONEJ W KLASIE III TEMAT : Przykłady innych funkcji
Bardziej szczegółowoJakość uczenia i generalizacja
Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które
Bardziej szczegółowoNOSEK ( Narzędzie Oceny Systemu Efektywnej Kontroli ) Sporządzili: Bożena Grabowska Bogdan Rajek Anna Tkaczyk Urząd Miasta Częstochowy
NOSEK ( Narzędzie Oceny Systemu Efektywnej Kontroli ) Sporządzili: Bożena Grabowska Bogdan Rajek Anna Tkaczyk Urząd Miasta Częstochowy Dziękujemy za współpracę uczestnikom GRUPY INOWACJI SAMORZĄDOWYCH:
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 szczegółowoKonspekt lekcji matematyki kl. I gimnazjum Temat: Funkcje - powtórzenie
Maria Żylska ul. Krasickiego 9/78-55 Kraków zyluska@interia.pl Konspekt lekcji matematyki kl. I gimnazjum Temat: Funkcje - powtórzenie Autor: Maria Żylska Gimnazjum 7 Kraków Temat: Funkcje powtórzenie
Bardziej szczegółowo7. Identyfikacja defektów badanego obiektu
7. Identyfikacja defektów badanego obiektu Pierwszym krokiem na drodze do identyfikacji defektów było przygotowanie tzw. odcisku palca poszczególnych defektów. W tym celu został napisany program Gaussian
Bardziej szczegółowoPolitechnika Lubelska
Politechnika Lubelska Wydział Zarządzania i Podstaw Techniki Temat: Sieć neuronowa do klasyfikacji rodzaju węgla kamiennego. Prowadzący: Wykonał: Dr Popko Artur Marek Harasimiuk ETI 5.3. (gr. lab. 5.5)
Bardziej szczegółowoUsługi Informatyczne "SZANSA" - Gabriela Ciszyńska-Matuszek ul. Świerkowa 25, Bielsko-Biała
Usługi Informatyczne "SZANSA" - Gabriela Ciszyńska-Matuszek ul. Świerkowa 25, 43-305 Bielsko-Biała NIP 937-22-97-52 tel. +48 33 488 89 39 zwcad@zwcad.pl www.zwcad.pl Aplikacja do rysowania wykresów i oznaczania
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 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 szczegółowoAnaliza ilościowa w przetwarzaniu równoległym
Komputery i Systemy Równoległe Jędrzej Ułasiewicz 1 Analiza ilościowa w przetwarzaniu równoległym 10. Analiza ilościowa w przetwarzaniu równoległym...2 10.1 Kryteria efektywności przetwarzania równoległego...2
Bardziej szczegółowoLekcja 5: Sieć Kohonena i sieć ART
Lekcja 5: Sieć Kohonena i sieć ART S. Hoa Nguyen 1 Materiał Sieci Kohonena (Sieć samo-organizująca) Rysunek 1: Sieć Kohonena Charakterystyka sieci: Jednowarstwowa jednokierunkowa sieć. Na ogół neurony
Bardziej szczegółowoZadanie A. Pestycydy. Wejście. Wyjście. Przykłady. Techniki optymalizacyjne Sosnowiec, semestr zimowy 2016/2017
Zadanie A. Pestycydy Aby uprawiać pewną roślinę musimy ją nawozić mieszanką zawierającą wszystkie potrzebne składniki odżywcze w ilości (podawanej w gramach) nie mniejszej niż przewiduje norma. Taką mieszankę
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoOcena błędów systematycznych związanych ze strukturą CCD danych astrometrycznych prototypu Pi of the Sky
Ocena błędów systematycznych związanych ze strukturą CCD danych astrometrycznych prototypu Pi of the Sky Maciej Zielenkiewicz 5 marca 2010 1 Wstęp 1.1 Projekt Pi of the Sky Celem projektu jest poszukiwanie
Bardziej szczegółowoZarządzanie projektami
Dr Adam Kucharski Spis treści Podstawowe pojęcia Metoda CPM 3 3 Przykład analizy metodą CPM 5 Podstawowe pojęcia Przedsięwzięcia złożone z wielu czynności spotykane są na każdym kroku. Jako przykład może
Bardziej szczegółowoĆwiczenie 2 arkusze kalkulacyjne użycie funkcji logicznych
Ćwiczenie 2 arkusze kalkulacyjne użycie funkcji logicznych 0. W pliku wiek_staz.xlsx znajduje się tabela z danymi uzyskanymi z ankietowania pracowników zakładu pracy (210 osób); w kolumnie B podano wiek,
Bardziej szczegółowoWstęp do sztucznych sieci neuronowych
Wstęp do sztucznych sieci neuronowych Michał Garbowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Informatyki 15 grudnia 2011 Plan wykładu I 1 Wprowadzenie Inspiracja biologiczna
Bardziej szczegółowoZad.2. Korelacja - szukanie zależności.
Ćw. III. MSExcel obliczenia zarządcze Spis zagadnień: Funkcje statystyczne Funkcje finansowe Tworzenie prognoz Scenariusze >>>Otwórz plik: excel_02.xls> przejdź do arkusza
Bardziej szczegółowoBazy danych w arkuszu
Bazy danych w arkuszu 1. Przygotuj bazę wydatków zawierającą następujące pola: miesiąc (1 do 12) wartość obrotów ze stawką VAT 0% (1000 do 3000 zł) wartość obrotów ze stawką VAT 7% (1000 do 3000 zł) wartość
Bardziej szczegółowoTemat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
Bardziej szczegółowoREPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH
REPREZENTACJA LICZBY, BŁĘDY, ALGORYTMY W OBLICZENIACH Transport, studia I stopnia rok akademicki 2012/2013 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Pojęcie
Bardziej szczegółowoliczba punktów 0 dopuszczająca 4 dostateczna 6 dobra 8 bardzo dobra 10 celująca
Wiązka zadań Punkty rekrutacyjne W postępowaniu rekrutacyjnym przy przyjmowaniu do pierwszej klasy szkoły ponadgimnazjalnej bierze się pod uwagę wyniki egzaminu gimnazjalnego, oceny ze świadectwa ukończenia
Bardziej szczegółowoRyzyko i zarządzanie ryzykiem w projektach
Wykład objęty jest prawami autorskimi Prof.dr hab. Małgorzata Duczkowska-Piasecka Przedmiot: Zarządzanie projektami biznesowymi Ryzyko i zarządzanie ryzykiem w projektach Ryzyko może być definiowane jako
Bardziej szczegółowoIwona Konarzewska Programowanie celowe - wprowadzenie. Katedra Badań Operacyjnych UŁ
1 Iwona Konarzewska Programowanie celowe - wprowadzenie Katedra Badań Operacyjnych UŁ 2 Programowanie celowe W praktycznych sytuacjach podejmowania decyzji często występuje kilka celów. Problem pojawia
Bardziej szczegółowoPrzedmiotowy system oceniania z informatyki
Przedmiotowy system oceniania z informatyki 1. Cel. 2. Założenia ogólne. 3. Zakres aktywności a ocena. 4. Ocena bieżąca. 5. Ocena semestralna. 6. Kryteria wymagań klasy II do III 7. Szczegółowy opis wymagań
Bardziej szczegółowoUczenie się pojedynczego neuronu. Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z<0 y=1 gdy z>=0. Wówczas: W 1 x 1 + w 2 x 2 + = 0
Uczenie się pojedynczego neuronu W0 X0=1 W1 x1 W2 s f y x2 Wp xp p x i w i=x w+wo i=0 Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z=0 Wówczas: W 1 x 1 + w 2 x 2 + = 0 Algorytm
Bardziej szczegółowoBudżetowanie by CTI Instrukcja
Budżetowanie by CTI Instrukcja 1 Spis treści 1. Opis programu...3 2. Pierwsze uruchomienie...4 3. Logowanie, okno główne...5 4. Konfiguracja...6 4.1. Zarządzenie użytkownikami...7 5. Obsługa programu...8
Bardziej szczegółowoObjaśnienia przyjętych wartości do Wieloletniej Prognozy Finansowej Gminy Santok na lata
Załącznik Nr 2 do UCHWAŁY Nr XVI/114/15 RADY GMINY SANTOK z dnia 29 grudnia 2015 r. Objaśnienia przyjętych wartości do Wieloletniej Prognozy Finansowej Gminy Santok na lata 2016-2020. Obowiązek sporządzenia
Bardziej szczegółowoArkusz kalkulacyjny MS EXCEL - ĆWICZENIA
Arkusz kalkulacyjny MS EXCEL - ĆWICZENIA Uwaga! Każde ćwiczenie rozpoczynamy od stworzenia w katalogu Moje dokumenty swojego własnego katalogu roboczego, w którym będziecie Państwo zapisywać swoje pliki.
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa cz.2
Wielokryteriowa optymalizacja liniowa cz.2 Metody poszukiwania końcowych rozwiązań sprawnych: 1. Metoda satysfakcjonujących poziomów kryteriów dokonuje się wyboru jednego z kryteriów zadania wielokryterialnego
Bardziej szczegółowoRuch jednostajnie przyspieszony wyznaczenie przyspieszenia
Doświadczenie: Ruch jednostajnie przyspieszony wyznaczenie przyspieszenia Cele doświadczenia Celem doświadczenia jest zbadanie zależności drogi przebytej w ruchu przyspieszonym od czasu dla kuli bilardowej
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoZadanie 1 Różnica pomiędzy przestrzenia względną DN a przestrzenia spektralną (wartość przypisana pikselowi to współczynnik odbicia).
Zadanie 1 Różnica pomiędzy przestrzenia względną DN a przestrzenia spektralną (wartość przypisana pikselowi to współczynnik odbicia). W tym celu dokonamy pomiaru właściwości spektralnych w kanałach spektralnych
Bardziej szczegółowoInstrukcja korzystania ze skryptu kroswalidacja.py
Instrukcja korzystania ze skryptu kroswalidacja.py 1) Wczytać do SGeMS plik z danymi pomiarowymi dwukrotnie (Menu Objects Load Object): raz jako dane, a za drugim razem pod inną nazwą, np. punkty jako
Bardziej szczegółowoWstęp do głębokich sieci neuronowych. Paweł Morawiecki IPI PAN
Wstęp do głębokich sieci neuronowych Paweł Morawiecki IPI PAN Liczba projektów z głębokim uczeniem rośnie bardzo szybko liczba projektów w firmie Google 4000 3000 2000 1000 2012 2013 2014 2015 2016 2017
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoFaza strategiczna. Synteza. Analiza. Instalacja. Faza strategiczna. Dokumentacja. kodowanie implementacja. produkt konserwacja
Faza strategiczna określenie wymagań specyfikowanie projektowanie kodowanie implementacja testowanie produkt konserwacja Faza strategiczna Analiza Synteza Dokumentacja Instalacja Faza strategiczna (ang.
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 szczegółowow sieciach szerokopasmowych CATV i ISP - Model OSI
Technologie VoIP wykorzystywane w sieciach szerokopasmowych CATV i ISP - Model OSI mgr inż. Zbigniew Papuga Stowarzyszenie Elektryków Polskich W celu ujednolicenia struktury oprogramowania sieci komputerowych
Bardziej szczegółowoDodatek 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 szczegółowoW.Stachowski Wielkości w analizie kosztowej Strona 1
W.Stachowski Wielkości w analizie kosztowej Strona 1 BKPH Opis Pole BKPH (budżetowy koszt pracy według harmonogramu) zawiera skumulowane okresowe koszty według planu bazowego, poniesione do daty stanu
Bardziej szczegółowoW tym celu korzystam z programu do grafiki wektorowej Inkscape 0.46.
1. Wprowadzenie Priorytetem projektu jest zbadanie zależności pomiędzy wartościami średnich szybkości przemieszczeń terenu, a głębokością eksploatacji węgla kamiennego. Podstawowe dane potrzebne do wykonania
Bardziej szczegółowoWprowadzenie do zarządzania projektami
Wprowadzenie do zarządzania projektami Project Management dr Marek Wąsowicz Katedra Projektowania Systemów Zarządzania, UE Wrocław Wrocław, 23 października 2012 r. Zawartość modułu (4h): wskazanie możliwości
Bardziej szczegółowoBADANIE TRANZYSTORA BIPOLARNEGO
BADANIE TRANZYSTORA BIPOLARNEGO CEL poznanie charakterystyk tranzystora bipolarnego w układzie WE poznanie wybranych parametrów statycznych tranzystora bipolarnego w układzie WE PRZEBIEG ĆWICZENIA: 1.
Bardziej szczegółowoGenerator odnajdywania optymalnych i prawidłowych połączeń pomiędzy punktami, na płytach konstrukcyjnych dla urządzeń testujących układy elektroniczne
Dokumentacja oprogramowania e-cad dla Klienta indywidualnego Generator odnajdywania optymalnych i prawidłowych połączeń pomiędzy punktami, na płytach konstrukcyjnych dla urządzeń testujących układy elektroniczne
Bardziej szczegółowoĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH
Politechnika Białostocka Wydział Elektryczny Katedra Automatyki i Elektroniki ĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH Pracownia
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 szczegółowoTestowanie I. Celem zajęć jest zapoznanie studentów z podstawami testowania ze szczególnym uwzględnieniem testowania jednostkowego.
Testowanie I Cel zajęć Celem zajęć jest zapoznanie studentów z podstawami testowania ze szczególnym uwzględnieniem testowania jednostkowego. Testowanie oprogramowania Testowanie to proces słyżący do oceny
Bardziej szczegółowoObliczenia inżynierskie arkusz kalkulacyjny. Technologie informacyjne
Obliczenia inżynierskie arkusz kalkulacyjny Technologie informacyjne Wprowadzanie i modyfikacja danych Program Excel rozróżnia trzy typy danych: Etykiety tak określa sie wpisywany tekst: tytuł tabeli,
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 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 szczegółowoPEW IAK 2007: eurotechnology. Autor: Aleksander Netzel
PEW IAK 2007: eurotechnology Autor: Aleksander Netzel OPIS PROGRAMU: Pewniak 2007: Neurotechnology jest narzędziem, które ma pomagać przy typowaniu wyników meczów, a co za tym idzie ułatwiać życie bukmacherom.
Bardziej szczegółowoUsługa: Audyt kodu źródłowego
Usługa: Audyt kodu źródłowego Audyt kodu źródłowego jest kompleksową usługą, której głównym celem jest weryfikacja jakości analizowanego kodu, jego skalowalności, łatwości utrzymania, poprawności i stabilności
Bardziej szczegółowoMiejski System Zarządzania - Katowicka Infrastruktura Informacji Przestrzennej
Miejski System Zarządzania - Katowicka Infrastruktura Informacji Przestrzennej Budownictwo Administracja Instrukcja użytkownika Historia zmian Wersja Data Kto Opis zmian 1.0 2014-10-20 Sygnity S.A. Utworzenie
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 szczegółowoWspomaganie Zarządzania Przedsiębiorstwem Laboratorium 02
Optymalizacja całkowitoliczbowa Przykład. Wspomaganie Zarządzania Przedsiębiorstwem Laboratorium 02 Firma stolarska produkuje dwa rodzaje stołów Modern i Classic, cieszących się na rynku dużym zainteresowaniem,
Bardziej szczegółowoRys Szkic sieci kątowo-liniowej. Nr X [m] Y [m]
5.14. Ścisłe wyrównanie sieci kątowo-liniowej z wykorzystaniem programu komputerowego B. Przykłady W prezentowanym przykładzie należy wyznaczyć współrzędne płaskie trzech punktów (1201, 1202 i 1203) sieci
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoEstymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
Bardziej szczegółowoPROJEKTOWANIE SYSTEMÓW LOGISTYCZNYCH PROJEKT PODSYSTEM LOGISTYCZNY PRZETWARZANIE ZAMÓWIEŃ
1 PROJEKTOWANIE SYSTEMÓW LOGISTYCZNYCH PROJEKT PODSYSTEM LOGISTYCZNY PRZETWARZANIE ZAMÓWIEŃ PUNKT 1 PROJEKTU: CHARAKTERYSTYKA PRZEDSIĘBIORSTWA OPIS WŁASNY 2 Zamieścić przygotowany przez grupę projektową
Bardziej szczegółowoNa podstawie: MS Project 2010 i MS Project Server Efektywne zarządzanie projektem i portfelem projektów, Wilczewski S.
Praca z planami bazowymi, Wizualizacja planów bazowych, Plany pośrednie, Wprowadzanie wartości rzeczywistych, Przedstawianie informacji o postępie prac, Analiza odchyleń. zarządzanie projektem i portfelem
Bardziej szczegółowo