AI 1: Wprowadzenie do uczenia maszynowego
|
|
- Józef Wójtowicz
- 7 lat temu
- Przeglądów:
Transkrypt
1 AI 1: do uczenia maszynowego Web Mining Lab, PJWSTK
2 Plan silna AI/sªaba AI test Turinga aspekty inteligencji zastosowania wspóªczesne AI pozytywne i negatywne aspekty rozwoju AI dla czªowieka do uczenia maszynowego Eksploracja danych i uczenie maszynowe: motywacja Na czym polega uczenie maszynowe Tablice decyzyjne: atrybuty i obserwacje z nadzorem i bez nadzoru Klasykacja i regresja
3 Sztuczna Inteligencja Gaª ¹ nauki maj ca na celu stworzenie systemu (maszyny, oprogramowania, etc.) posiadaj cego inteligencj co najmniej dorównuj c ludzkiej Wizja obecna w kulturze od wieków: mity i legendy (np. Golem) literatura (np. Cyberiada Stanisªawa Lema) nauka Wspóªczesny rozdziaª tej historii to lata 60-te, kiedy powstaªy odpowiednie komputery
4 Wiele w tków lozoczny (Czy maszyna mo»e my±le? itp.) teoretyczny (twierdzenie Godela) naturalny (obserwacja natury) praktyczny (rozwi zywanie problemów) algorytmiczny i obliczeniowy
5 Test Turinga A i B komunikuj si w j zyku naturalnym (tekst) jeden z nich to czªowiek drugi to maszyna udaj ca czªowieka C obserwuje komunikacj czy C potra rozró»ni czªowieka od maszyny?»aden system nie przeszedª testu Turinga (jak dot d)
6 Krótka subiektywna i uproszczona historia AI pre-historia (przed pierwsze nowoczesne komputery) romantyzm (60-65) - optymistyczna wiara,»e sztuczna inteligencja dorówna ludzkiej w 10 lat... ciemno± (65-70) - pesymizm renesans (70-75) - powstaj pierwsze praktyczne systemy eksperckie wspóªpraca (75-80) - badania interdyscyplinarne: nauki ±cisªe, przyrodnicze, humanistyczne; ±rodowiska akademickie i przemysªowe komercjalizacja (80-)
7 Literatura (przykªady) Neural Networks (e.g.): M. Negnevitsky Articial Intelligence Machine Learning (e.g.): P. Cichosz Ucz ce si Witten et al. Data Mining General AI (e.g.): G. Luger Articial Intelligence NP-completess (e.g.): Cormen et al. Introduction to algorithms Optimisation (e.g.): C.Papadimitriou Combinatorial Optimisation Approximation algorithms: V.Vasirani Approximation algorithms Complexity: C.Papadimitriou Complexity Theory
8 Silna i sªaba AI sªaba AI (w skie aspekty, konkretne wybrane problemy praktyczne) zdolno± do rozwi zywania zªo»onych problemów adaptacyjno± uczenie silna AI (inteligencja uniwersalna) powy»sze, oraz: ±wiadomo± kreatywno± auto-reeksja (nt. wªasnych ogranicze«, itp.) ewolucja Silna AI jest wci» tylko marzeniem... Tutaj skupiamy si na sªabej AI.
9 Aspekty AI percepcja (sztuczne zmysªy: systemy widz ce, rozpoznawanie mowy i pisma, etc.) wiedza (reprezentacja wiedzy: reguªy, tabele decyzyjne, drzewa decyzyjne, ontologie) rozumowanie (logika, automatyczne wyci ganie wniosków, dowodzenie twierdze«) uczenie si uczenie maszynowe: (ang. machine learning (ML)): z nadzorem (klasykacja, regresja), bez nadzoru (np. grupowanie)) komunikacja przetwarzanie j zyka naturalnego (natural language processing (NLP)): inteligentne wyszukiwanie informacji tekstowej, text mining, odpowiadanie na zapytania, tªumaczenie maszynowe, automatyczne zdobywanie wiedzy planowanie i rozwi zywanie zada«(przeszukiwanie, heurystyki, systemy wielo-agentowe, ewolucyjne, etc.)
10 do uczenia maszynowego
11 Zalew danych W ka»dej sekundzie produkowane s ogromne ilo±ci danych: ceny papierów warto±ciowych ceny towarów na rynku warto±ci transakcji klikni cia (logi serwerów WWW) zamówienia towarów w sklepach internetowych rachunki w elektronicznych kasach sklepowych wyniki pomiarów astronomicznych, zycznych, etc...
12 Motywacja dla eksploracji danych Obserwacje: 1 te dane s interesuj ce i warte bada«2 s zapisane w formie elektronicznej (ªatwe do automatycznej analizy) 3 jest ich za du»o by mogªy by zanalizowane bez pomocy komputerów
13 Gªówne cele rozpoznawanie istotnych wzorców w danych wykrywanie trendów w danych (np. wczesne wykrycie kryzysów ekonomicznych, itp.) przewidywanie przyszªo±ci na podstawie poprzednich obserwacji klasykacja nowo-obserwowanych przypadków grupowanie obiektów podobnych W uczeniu maszynowym powy»sze cele realizowane s automatycznie lub przy niewielkim wsparciu czªowieka
14 Idea uczenia z nadzorem 1 nadzór polega na podawaniu prawidªowych rozwi za«dla danych trenuj cych 2 system uczy si uogólni sposób rozwi zania zadania poprzez automatyczne wykrycie zwi zków pomi dzy danymi a prawidªowymi rozwi zaniami (automatyczne budowanie modelu prawidªowego rozwi zania) 3 automatycznie wyuczony model jest stosowany do nowych przypadków (nie trenuj cych)
15 Przykªad: pewna gra na powietrzu, mo»liwa tylko przy pewnych specycznych warunkach atmosferycznych (nie wiemy jakich): pogoda temperatura wilgotno± wiatr GRA? sªonecznie ciepªo wysoka brak nie sªonecznie ciepªo wysoka jest nie pochmurno ciepªo wysoka brak tak deszczowo normalnie wysoka brak tak deszczowo chªodno normalna brak tak deszczowo chªodno normalna jest nie pochmurno chªodno normalna jest tak sªonecznie normalnie wysoka brak nie sªonecznie chªodno normalna brak tak deszczowo normalnie normalna brak tak sªonecznie normalnie normalna jest tak pochmurno normalnie wysoka jest tak pochmurno ciepªo normalna brak tak deszczowo normalnie wysoka jest nie
16 Przykªad, cd Podstawowe pytanie: Przy jakich warunkach gra si w t gr ogólnie? Je±li odpowied¹ nie jest znana mo»na posªu»y si wieloma zaobserwowanymi przypadkami i sprawi aby system wychwyciª ogóln reguª. Je±li uda si w ten automatyczny sposób pozyska wiedz o reguªach gry z obserwacji znanych przypadków mo»na j nast pnie zastosowa do przypadków nieznanych
17 Nowy przypadek outlook temperature humidity windy PLAY? sªonecznie ciepªo wysoka brak nie sªonecznie ciepªo wysoka jest nie pochmurno ciepªo wysoka brak tak deszczowo normalnie wysoka brak tak deszczowo chªodno normalna brak tak deszczowo chªodno normalna jest nie pochmurno chªodno normalna jest tak sªonecznie normalnie wysoka brak nie sªonecznie chªodno normalna brak tak deszczowo normalnie normalna brak tak sªonecznie normalnie normalna jest tak pochmurno normalnie wysoka jest tak pochmurno ciepªo normalna brak tak deszczowo normalnie wysoka jest nie pochmurno chªodno wysoka jest???
18 Tablica decyzyjna: obserwacje i atrybuty Wiedza mo»e by budowana w oparciu o poprzednio zaobserwowane dane: Ka»da obserwacja (przypadek) opisana za pomoc atrybutów okre±lonego typu (nominalnego albo numerycznego) Tablica Decyzyjna: wiersze = obserwacje (przypadki) kolumny = atrybuty
19 Reprezentacja wiedzy: atrybuty nominalne pogoda temperatura wilgotno± wiatr GRA? sªonecznie ciepªo wysoka brak nie sªonecznie ciepªo wysoka jest nie pochmurno ciepªo wysoka brak tak deszczowo normalnie wysoka brak tak deszczowo chªodno normalna brak tak deszczowo chªodno normalna jest nie pochmurno chªodno normalna jest tak sªonecznie normalnie wysoka brak nie sªonecznie chªodno normalna brak tak deszczowo normalnie normalna brak tak sªonecznie normalnie normalna jest tak pochmurno normalnie wysoka jest tak pochmurno ciepªo normalna brak tak deszczowo normalnie wysoka jest nie
20 Reprezentacja wiedzy: atrybuty numeryczne pogoda temperatura wilgotno± wiatr GRA? sªonecznie brak nie sªonecznie jest nie pochmurno brak tak deszczowo brak tak deszczowo brak tak deszczowo jest nie pochmurno jest tak sªonecznie brak nie sªonecznie brak tak deszczowo brak tak sªonecznie jest tak pochmurno jest tak pochmurno brak tak deszczowo jest nie (w powy»szej tabeli temperatura: Fahrenheit)
21 Zadanie: nauczy si relacji pomi dzy warto±ciami atrybutów Dwa gªówne podej±cia: 1 z nadzorem 2 bez nadzoru
22 z nadzorem 1 atrybut decyzyjny: wyszczególniony atrybut w tabeli decyzyjnej (np. GRA?) 2 Zadanie: przewidzie prawidªow (nieznan ) warto± atrybutu decyzyjnego na podstawie (znanych) warto±ci pozostaªych atrybutów 3 Wykorzysta do tego zbiór treningowy - tj taki zbiór obserwacji (przypadków), dla których prawidªowa warto± atrybutu decyzyjnego (oraz wszystkich pozostaªych atrybutów) jest znana z nadzorem nazywane jest: klasykacj, gdy przewidywany atrybut decyzyjny jest nominalny regresj, gdy przewidywany atrybut decyzyjny jest numeryczny
23 idei uczenia z nadzorem Cel: input: nowy przypadek (obserwacja) z nieznan warto±ci atrybutu decyzyjnego output: prawidªowa warto± atrybutu decyzyjnego System mo»e uczy si tylko na ograniczonej liczbie znanych przypadków (zbiór treningowy) dodstarczonych przez nadzoruj cego W praktyce: warto±ci niektórych atrybutów mog by nieznane, bª dne albo znieksztaªcone zbiór ucz cy mo»e by cz ±ciowo sprzeczny
24 Klasykacja, przykªad 2 Botanika: rozpoznawanie gatunków ro±lin Rozpatrzmy 3 ró»ne podgatunki kwiatu o ªac. nazwie Iris: Iris-setosa Iris-versicolor Iris-virginica Task: nauczy si rozpoznawa gatunek ro±liny na podstawie rozmiarów li±ci i pªatków (atrybuty): dªugo± listka (cm) szeroko± listka (cm) dªugo± pªatka (cm) szeroko± pªatka (cm)
25 Rozpoznawanie ro±lin, cont. Zbiór trenuj cy: 150 znanych przypadków (zmierzone cz ±ci ro±lin i znana prawidªowa klasykacja) System uczy si na zbiorze treningowym Nast pnie, ka»dy nowy (nieznany) przypadek jest klasykowany na podstawie pomiarów pªatków i listków Automatycznie wyuczona wiedza jest stosowana do klasykacji nowych przypadków (dla których prawidªowa odpowied¹ nie musi by znana przez nadzoruj cego proces)
26 Zbiór danych (fragment) S - iris setosa, V - iris versicolor, VG - iris virginica ll lw pl pw? ll lw pl pw? ll lw pl pw? S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG S V VG
27 Wizualizacja zbioru danych: rzut na pªaszczyzn 2-wym. (zbiór jest 4-wymiarowy) np.: szeroko± /dªugo± listka - nie jest to wystarczaj ca informacja
28 Inna wizualizacja rzutu na pªaszczyzn 2-wym. szeroko± listka/dªugo± pªatka - niesie du»o wiedzy (tzw. dobry dyskriminant)
29 W jaki sposób system sam uczy si zale»no±ci? Istnieje wiele podej± /modeli, przykªady: metoda k najbli»szych s siadów (knn) Oparte na reguªach decyzyjnych Drzewa decyzyjne Podej±cie Bayesowskie Regresja liniowa Sztuczne Sieci Neuronowe (Perceptron, sieci wielo-wartswowe) SVM (support vector machines) wiele innych...
30 Inne przykªady problemu klasykacji rozpoznawanie r cznie pisanych cyfr na formularzach Klasykacja zdolno±ci kredytowej klienta banku Identykacja chªamu pocztowego (ang. spam) Automatyczne rozró»nianie wycieków oleju z tankowców od ciepªych pr dów na podstawie zdj satelitarnych Maszynowa identykacja j zyka w dokumentach tekstowych (np. portugalski czy hiszpa«ski, itp.) Automatyczna klasykacja tematu dokumentu elektronicznego (do jednej z kilku kategorii) Identykacja tzw. chªamu wyszukiwarkowego (ang. Search Engine Spam)
31 Zadanie Regresji W zadaniu klasykacji system przewidywaª warto± atrybutu decyzyjnego typu nominalnego. Je±li natomiast przewidujemy atrybut numerycznego mówimy o regresji Przykªady zadania regresji: przewidzie warto± (cen ) papieru warto±ciowego na podstawie poprzednich notowa«i innych czynników (ekonomicznych, politycznych, etc.) oszacowa ilo±ciowe zapotrzebowanie na dany towar (np. woda mineralna) w przyszªym tygodniu w supermarkecie na podstawie bie» cej sprzeda»y, pory roku, pogody, etc. przewidzie temperatur powietrza w nast pnym dniu
32 Przykªad zadania regresji Przewidywana skuteczno± procesora na podstawie jego parametrów technicznych Przykªadowe atrybuty: MYCT cycle time (ns) MMIN main memory min MMAX main memory max CACH cache CHMIN channels min CHMAX channels max
33 Example: regression MYCT MMIN MMAX CACH CHMIN CHMAX performance
34 bez Nadzoru Nie dajemy systemowi przykªadów (nie dysponujemy). System musi automatycznie odkry zale»no±ci pomi dzy danymi. Podstawowe zadania uczenia bez nadzoru: grupowanie (ang. clustering) wykrywanie przypadków nietypowych (ang. outliers) odkrywanie reguª asocjacyjnych
35 Grupowanie (ang. clustering) Nale»y podzieli wszystkie badane przypadki na grupy obiektów podobnych do siebie (wewn trz ka»dej grupy), przy czym obiekty z ró»nych grup powinny si jak najbardziej ró»ni mi dzy sob. Nie wiemy jaka jest faktyczna kategoria odpowiadaj ca ka»dej grupie - nie mamy przykªadów. Jest to cz sto wst pny etap analizy danych. Popularny algorytm grupowania: K-means
36 Wykrywanie przypadków nietypowych (ang. outliers) Nale»y automatycznie wykry obiekty, które z jakich± powodów odstaj od pozostaªych elementów. Mamy tu tylko do dyspozycji same warto±ci atrybutów. Obiekty wyra¹nie odstaj ce od ogóªu s w pewnym sensie podejrzane. Zastosowania: automatyczne wykrywanie wªama«do systemów komputerowych wykrywanie nadu»y (ang. fraud) w handlu elektronicznym wykrywanie prania brudnych pieni dzy na podstawie analizy transferów bankowych wykrywanie bª dów w danych i bª dów urz dze«pomiarowych czyszczenie danych
37 Problemy kontrolne: silna AI/sªaba AI test Turinga aspekty inteligencji zastosowania wspóªczesne AI pozytywne i negatywne aspekty rozwoju AI dla czªowieka do uczenia maszynowego Reprezentacja danych w Uczeniu Maszynowym Schemat Uczenia go (w krokach) Na czym polega podziaª: z nadzorem i bez nadzoru Co to jest klasykacja a co to jest regresja Przykªady zada«klasykacji i regresji (po 3) Przykªady zada«uczenia bez nadzoru Na czym polega zadanie grupowania (ang. clustering)? Przykªady technik uczenia z nadzorem
38 Dzi kuj za uwag Dzi kuj za uwag.
Eksploracja Danych. Wprowadzenie. (c) Marcin Sydow
Wprowadzenie Proponowane podr czniki T.Hastie, R.Tibshirani et al. An Introduction to Statistical Learning I.Witten et al. Data Mining S.Marsland Machine Learning J.Koronacki, J.Mielniczuk Statystyka dla
Bardziej szczegółowoUczenie Maszynowe: Wprowadzenie. (c) Marcin Sydow
Plan Dane Eksploracja danych i uczenie maszynowe: motywacja Na czym polega uczenie z danych Tablice decyzyjne: atrybuty i obserwacje z nadzorem i bez nadzoru Klasykacja i regresja Przykªady Dane: Motywacja
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Wprowadzenie PWSZ Gªogów, 2009 Plan wykªadów Wprowadzenie, podanie zagadnie«, poj cie metody numerycznej i algorytmu numerycznego, obszar zainteresowa«i stosowalno±ci
Bardziej szczegółowoJednowarstwowe Sieci Neuronowe jako. klasykatory do wielu klas. (c) Marcin Sydow
Plan dyskretny perceptron i jego ograniczenia inne funkcje aktywacji wielo-klasykacja przy pomocy jedno-warstwowe sieci neuronowej ograniczenia jedno-warstwowej sieci neuronowej miary ewaluacyjne dla klasykacji
Bardziej szczegółowoEksploracja Danych. (c) Marcin Sydow. Wst p. Data Science. Wprowadzenie. Cykl eksperymentu. Uczenie maszynowe. Zasoby.
Wprowadzenie Zawarto± wykªadu wst p cykl eksperymentu uczenie zasoby podsumowanie Zawarto± kursu Kurs eksploracji danych mo»na podzieli na nast puj ce cz ±ci: 1 zagadnienia zwi zane z przygotowaniem i
Bardziej szczegółowodata mining machine learning data science
data mining machine learning data science deep learning, AI, statistics, IoT, operations research, applied mathematics KISIM, WIMiIP, AGH 1 Machine Learning / Data mining / Data science Uczenie maszynowe
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 szczegółowoUczenie Maszynowe: reprezentacja wiedzy, wybór i ocena modelu, drzewa decyzjne
Uczenie Maszynowe: reprezentacja, wybór i ocena modelu, drzewa decyzjne Plan reprezentacja reguªy decyzyjne drzewa decyzyjne i algorytm ID3 zªo»ono± modelu wybór i ocena modelu przetrenowanie i sposoby
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
Bardziej szczegółowoZastosowania matematyki
Zastosowania matematyki Monika Bartkiewicz 1 / 126 ...czy«cie dobrze i po»yczajcie niczego si nie spodziewaj c(šk. 6,34-35) Zagadnienie pobierania procentu jest tak stare jak gospodarka pieni»na. Procent
Bardziej szczegółowoSpecjalizacja Web Mining
Laboratorium Web Mining Katedra Systemów Inteligentnych PJWSTK 15.11.07 Co to jest Web Mining? Jest to poª czenie 2 dziedzin: 1 Web Information Retrieval 2 Data Mining Co to jest Web Mining? Jest to poª
Bardziej szczegółowoprzewidywania zapotrzebowania na moc elektryczn
do Wykorzystanie do na moc elektryczn Instytut Techniki Cieplnej Politechnika Warszawska Slide 1 of 20 do Coraz bardziej popularne staj si zagadnienia zwi zane z prac ¹ródªa energii elektrycznej (i cieplnej)
Bardziej szczegółowoWzorce projektowe kreacyjne
Wzorce projektowe kreacyjne Krzysztof Ciebiera 14 pa¹dziernika 2005 1 1 Wst p 1.1 Podstawy Opis Ogólny Podstawowe informacje Wzorce kreacyjne sªu» do uabstrakcyjniania procesu tworzenia obiektów. Znaczenie
Bardziej szczegółowoW zadaniach na procenty wyró»niamy trzy typy czynno±ci: obliczanie, jakim procentem jednej liczby jest druga liczba,
2 Procenty W tej lekcji przypomnimy sobie poj cie procentu i zwi zane z nim podstawowe typy zada«. Prosimy o zapoznanie si z regulaminem na ostatniej stronie. 2.1 Poj cie procentu Procent jest to jedna
Bardziej szczegółowoWst p. Elementy systemów decyzyjnych Sprawy organizacyjne. Wprowadzenie Przegl d metod klasykacji
Wst p 1 Wprowadzenie do systemów decyzyjnych Elementy systemów decyzyjnych Sprawy organizacyjne 2 Problem klasykacji i klasykatory Wprowadzenie Przegl d metod klasykacji 3 Metody oceny klasykatorów Skuteczno±
Bardziej szczegółowoBaza danych - Access. 2 Budowa bazy danych
Baza danych - Access 1 Baza danych Jest to zbiór danych zapisanych zgodnie z okre±lonymi reguªami. W w»szym znaczeniu obejmuje dane cyfrowe gromadzone zgodnie z zasadami przyj tymi dla danego programu
Bardziej szczegółowoSystemy decyzyjne Wprowadzenie
Hung Son Nguyen (UW) Systemy decyzyjne Wprowadzenie 2007 1 / 34 Systemy decyzyjne Wprowadzenie Hung Son Nguyen Institute of Mathematics, Warsaw University son@mimuw.edu.pl 2007 Hung Son Nguyen (UW) Systemy
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoANALIZA NUMERYCZNA. Grzegorz Szkibiel. Wiosna 2014/15
ANALIZA NUMERYCZNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Metoda Eulera 3 1.1 zagadnienia brzegowe....................... 3 1.2 Zastosowanie ró»niczki...................... 4 1.3 Output do pliku
Bardziej szczegółowoElementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13
Elementarna statystyka Wnioskowanie o regresji (Inference for regression) Alexander Bendikov Uniwersytet Wrocªawski 2 czerwca 2016 Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for
Bardziej szczegółowoLab. 02: Algorytm Schrage
Lab. 02: Algorytm Schrage Andrzej Gnatowski 5 kwietnia 2015 1 Opis zadania Celem zadania laboratoryjnego jest zapoznanie si z jednym z przybli»onych algorytmów sªu» cych do szukania rozwi za«znanego z
Bardziej szczegółowoPodstawy modelowania w j zyku UML
Podstawy modelowania w j zyku UML dr hab. Bo»ena Wo¹na-Szcze±niak Akademia im. Jan Dªugosza bwozna@gmail.com Wykªad 8 Diagram pakietów I Diagram pakietów (ang. package diagram) jest diagramem strukturalnym,
Bardziej szczegółowoWnioskowanie Boolowskie i teoria zbiorów przybli»onych
Wnioskowanie Boolowskie i teoria zbiorów przybli»onych 4 Zbiory przybli»one Wprowadzenie do teorii zbiorów przybli»onych Zªo»ono± problemu szukania reduktów 5 Wnioskowanie Boolowskie w obliczaniu reduktów
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 szczegółowoAUTO-ENKODER JAKO SKŠADNIK ARCHITEKTURY DEEP LEARNING
AUTO-ENKODER JAKO SKŠADNIK ARCHITEKTURY DEEP LEARNING Magdalena Wiercioch Uniwersytet Jagiello«ski 3 kwietnia 2014 Plan Uczenie gª bokie (deep learning) Auto-enkodery Rodzaje Zasada dziaªania Przykªady
Bardziej szczegółowoMetody numeryczne. Wst p do metod numerycznych. Dawid Rasaªa. January 9, 2012. Dawid Rasaªa Metody numeryczne 1 / 9
Metody numeryczne Wst p do metod numerycznych Dawid Rasaªa January 9, 2012 Dawid Rasaªa Metody numeryczne 1 / 9 Metody numeryczne Czym s metody numeryczne? Istota metod numerycznych Metody numeryczne s
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoi, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski 5 kwietnia 2017
i, lub, nie Cegieªki buduj ce wspóªczesne procesory. Piotr Fulma«ski Uniwersytet Šódzki, Wydziaª Matematyki i Informatyki UŠ piotr@fulmanski.pl http://fulmanski.pl/zajecia/prezentacje/festiwalnauki2017/festiwal_wmii_2017_
Bardziej szczegółowoMetody numeryczne i statystyka dla in»ynierów
Kierunek: Automatyka i Robotyka, II rok Interpolacja PWSZ Gªogów, 2009 Interpolacja Okre±lenie zale»no±ci pomi dzy interesuj cymi nas wielko±ciami, Umo»liwia uproszczenie skomplikowanych funkcji (np. wykorzystywana
Bardziej szczegółowoALGORYTMIKA Wprowadzenie do algorytmów
ALGORYTMIKA Wprowadzenie do algorytmów Popularne denicje algorytmu przepis opisuj cy krok po kroku rozwi zanie problemu lub osi gni cie jakiego± celu. (M. Sysªo, Algorytmy, ±ci±lejszej denicji w ksi»ce
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoPodstawy modelowania w j zyku UML
Podstawy modelowania w j zyku UML dr hab. Bo»ena Wo¹na-Szcze±niak Akademia im. Jan Dªugosza bwozna@gmail.com Wykªad 2 Zwi zki mi dzy klasami Asocjacja (ang. Associations) Uogólnienie, dziedziczenie (ang.
Bardziej szczegółowoMaszyny Turinga i problemy nierozstrzygalne. Maszyny Turinga i problemy nierozstrzygalne
Maszyny Turinga Maszyna Turinga jest automatem ta±mowym, skª da si z ta±my (tablicy symboli) potencjalnie niesko«czonej w prawo, zakªadamy,»e w prawie wszystkich (tzn. wszystkich poza sko«czon liczb )
Bardziej szczegółowoEwolucja Ró»nicowa - Wprowadzenie
15 grudnia 2016 Klasykacja Algorytmy Ewolucyjne Strategie Ewolucyjne Ewolucja Ró»nicowa Autorzy : Storn i Price [1994-97] Cechy charakterystyczne Algorytm oparty na populacji Osobniki s opisane za pomoc
Bardziej szczegółowoListy i operacje pytania
Listy i operacje pytania Iwona Polak iwona.polak@us.edu.pl Uniwersytet l ski Instytut Informatyki pa¹dziernika 07 Który atrybut NIE wyst puje jako atrybut elementów listy? klucz elementu (key) wska¹nik
Bardziej szczegółowoMiASI. Modelowanie analityczne. Piotr Fulma«ski. 18 stycznia Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska
MiASI Modelowanie analityczne Piotr Fulma«ski Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska 18 stycznia 2010 Spis tre±ci 1 Czym jest modelowanie analityczne? 2 Podstawowe kategorie poj ciowe
Bardziej szczegółowoSystemy decyzyjne Wykªad 5: Drzewa decyzyjne
Nguyen Hung Son () W5: Drzewa decyzyjne 1 / 38 Systemy decyzyjne Wykªad 5: Drzewa decyzyjne Nguyen Hung Son Przykªad: klasyfikacja robotów Nguyen Hung Son () W5: Drzewa decyzyjne 2 / 38 Przykªad: drzewo
Bardziej szczegółowoWykorzystanie lokalnej geometrii danych w Maszynie Wektorów No±nych
WM Czarnecki (GMUM) Lokalna geometria w SVM 13 Listopada 2013 1 / 26 Wykorzystanie lokalnej geometrii danych w Maszynie Wektorów No±nych Wojciech Marian Czarnecki Jacek Tabor GMUM Grupa Metod Uczenia Maszynowego
Bardziej szczegółowoAlgorytm grupowania K-Means Reprezentacja wiedzy Selekcja i ocena modeli
Algorytm grupowania K-Means wiedzy modeli Web Mining Lab PJWSTK Plan Algorytm grupowania wiedzy reguªy decyzyjne drzewa decyzyjne i algorytm ID3 wybór i zªo»ono± przetrenowanie i sposoby omini cia walidacja
Bardziej szczegółowoAplikacje bazodanowe. Laboratorium 1. Dawid Poªap Aplikacje bazodanowe - laboratorium 1 Luty, 22, / 37
Aplikacje bazodanowe Laboratorium 1 Dawid Poªap Aplikacje bazodanowe - laboratorium 1 Luty, 22, 2017 1 / 37 Plan 1 Informacje wst pne 2 Przygotowanie ±rodowiska do pracy 3 Poj cie bazy danych 4 Relacyjne
Bardziej szczegółowoEksploracja danych w środowisku R
Eksploracja danych w środowisku R Moi drodzy, niniejszy konspekt nie omawia eksploracji danych samej w sobie. Nie dowiecie się tutaj o co chodzi w generowaniu drzew decyzyjnych czy grupowaniu danych. Te
Bardziej szczegółowoPOLITECHNIKA WROCŠAWSKA WYDZIAŠ ELEKTRONIKI PRACA DYPLOMOWA MAGISTERSKA
POLITECHNIKA WROCŠAWSKA WYDZIAŠ ELEKTRONIKI Kierunek: Specjalno± : Automatyka i Robotyka (AIR) Robotyka (ARR) PRACA DYPLOMOWA MAGISTERSKA Podatny manipulator planarny - budowa i sterowanie Vulnerable planar
Bardziej szczegółowoSzeregowanie zada« Przedmiot fakultatywny 15h wykªadu + 15h wicze« dr Hanna Furma«czyk. 7 pa¹dziernika 2013
Przedmiot fakultatywny 15h wykªadu + 15h wicze«7 pa¹dziernika 2013 Zasady zaliczenia 1 wiczenia (ocena): kolokwium, zadania dodatkowe (implementacje algorytmów), praca na wiczeniach. 2 Wykªad (zal): zaliczone
Bardziej szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Zastosowanie eliptycznych równa«ró»niczkowych
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdziaª 9 RÓWNANIA ELIPTYCZNE 9.1 Zastosowanie eliptycznych równa«ró»niczkowych cz stkowych 9.1.1 Problemy z warunkami brzegowymi W przestrzeni dwuwymiarowej
Bardziej szczegółowo1 Metody iteracyjne rozwi zywania równania f(x)=0
1 Metody iteracyjne rozwi zywania równania f()=0 1.1 Metoda bisekcji Zaªó»my,»e funkcja f jest ci gªa w [a 0, b 0 ]. Pierwiastek jest w przedziale [a 0, b 0 ] gdy f(a 0 )f(b 0 ) < 0. (1) Ustalmy f(a 0
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 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 szczegółowoProjekt konceptualny z Baz Danych "Centralny system zarz dzania salami na AGH"
Projekt konceptualny z Baz Danych "Centralny system zarz dzania salami na AGH" Autorzy: Adrian Stanula Grzegorz Stopa Mariusz Sasko Data: 14 XI 2008 rok Spis tre±ci 1 Sformuªowanie zadania projektowego.
Bardziej szczegółowoSPOTKANIE 1: Wprowadzenie do uczenia maszynowego
Wrocław University of Technology SPOTKANIE 1: Wprowadzenie do uczenia maszynowego Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.wroc.pl 18.10.2013 Początki uczenia maszynowego Cybernetyka
Bardziej szczegółowoModelowanie i analiza systemów informatycznych
Modelowanie i analiza systemów informatycznych Przedmiot Modelowanie i analiza systemów informatycznych? Tak, ale w odniesieniu do systemów (wielo)agentowych Idea systemów (wielo)agentowych i ich podstawy
Bardziej szczegółowoSubversion - jak dziaªa
- jak dziaªa Krótka instrukcja obsªugi lstelmach@gmail.com Stelmisoft 12/07/2010 1 1 2 1 2 3 1 2 3 4 1 2 3 4 5 1 2 3 4 5 6 Spis tre±ci Czym jest Czym jest repozytorium 1 Czym jest Czym jest repozytorium
Bardziej szczegółowoJAO - J zyki, Automaty i Obliczenia - Wykªad 1. JAO - J zyki, Automaty i Obliczenia - Wykªad 1
J zyki formalne i operacje na j zykach J zyki formalne s abstrakcyjnie zbiorami sªów nad alfabetem sko«czonym Σ. J zyk formalny L to opis pewnego problemu decyzyjnego: sªowa to kody instancji (wej±cia)
Bardziej szczegółowoLekcja 1: Wst p do sztucznej inteligencji i systemów ucz cych si
Lekcja 1: Wst p do sztucznej inteligencji i systemów ucz cych si S. Hoa Nguyen Posªuguj c si a) wiedz zdobyt z wykªadu, b) materiaªami dostarczanymi przez sªownik Wikipedia (hasªo sztuczna inteligencja
Bardziej szczegółowoZmiany w Podstawie programowej przedmiotów informatycznych
Spotkania Koordynatorów ds. Innowacji w Edukacji, 8 kwietnia 2016, MEN Zmiany w Podstawie programowej przedmiotów informatycznych dr Anna Beata Kwiatkowska Rada ds. Informatyzacji Edukacji Motto dla działań
Bardziej szczegółowoSzeregowanie zada« Wykªad nr 5. dr Hanna Furma«czyk. 4 kwietnia 2013
Wykªad nr 5 4 kwietnia 2013 Procesory dedykowane Przypomnienie: zadania s podzielone na operacje (zadanie Z j skªada si z operacji O ij do wykonania na maszynach M i, o dªugo±ciach czasowych p ij ); zadanie
Bardziej szczegółowoPropozycja integracji elementów ±wiata gry przy u»yciu drzew zachowa«
Praca cz ±ciowo sponsorowana przez Ministerstwo Nauki i Szkolnictwa Wy»szego, grant nr N N519 172337, Integracyjna metoda wytwarzania aplikacji rozproszonych o wysokich wymaganiach wiarygodno±ciowych.
Bardziej szczegółowoWst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe
Wst p do sieci neuronowych, wykªad 14 Zespolone sieci neuronowe M. Czoków, J. Piersa Faculty of Mathematics and Computer Science, Nicolaus Copernicus University, Toru«, Poland 2011-18-02 Motywacja Liczby
Bardziej szczegółowoPrzetwarzanie sygnaªów
Przetwarzanie sygnaªów Wykªad 8 - Wst p do obrazów 2D Marcin Wo¹niak, Dawid Poªap Przetwarzanie sygnaªów Pa¹dziernik, 2018 1 / 27 Plan wykªadu 1 Informacje wstepne 2 Przetwarzanie obrazu 3 Wizja komputerowa
Bardziej szczegółowoPodziaª pracy. Cz ± II. 1 Tablica sortuj ca. Rozwi zanie
Cz ± II Podziaª pracy 1 Tablica sortuj ca Kolejka priorytetowa to struktura danych udost pniaj ca operacje wstawienia warto±ci i pobrania warto±ci minimalnej. Z kolejki liczb caªkowitych, za po±rednictwem
Bardziej szczegółowoWykaz tematów prac magisterskich w roku akademickim 2018/2019 kierunek: informatyka
Wykaz tematów prac magisterskich w roku akademickim 2018/2019 kierunek: informatyka L.p. Nazwisko i imię studenta Promotor Temat pracy magisterskiej 1. Wojciech Kłopocki dr Bartosz Ziemkiewicz Automatyczne
Bardziej szczegółowoZarz dzanie rm. Zasada 2: samoorganizuj ce si zespoªy. Piotr Fulma«ski. March 17, 2015
Zarz dzanie rm Zasada 2: samoorganizuj ce si zespoªy Piotr Fulma«ski Instytut Nauk Ekonomicznych i Informatyki, Pa«stwowa Wy»sza Szkoªa Zawodowa w Pªocku, Polska March 17, 2015 Table of contents Ludzie
Bardziej szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
Bardziej szczegółowoData Mining Wykład 1. Wprowadzenie do Eksploracji Danych. Prowadzący. Dr inż. Jacek Lewandowski
Data Mining Wykład 1 Wprowadzenie do Eksploracji Danych Prowadzący Dr inż. Jacek Lewandowski Katedra Genetyki Wydział Biologii i Hodowli Zwierząt Uniwersytet Przyrodniczy we Wrocławiu ul. Kożuchowska 7,
Bardziej szczegółowoWyznaczanie krzywej rotacji Galaktyki na podstawie danych z teleskopu RT3
Wyznaczanie krzywej rotacji Galaktyki na podstawie danych z teleskopu RT3 Michaª Litwicki, Michalina Grubecka, Ewelina Obrzud, Tomasz Dziaªa, Maciej Winiarski, Dajana Olech 27 sierpnia 2012 Prowadz cy:
Bardziej szczegółowoLaboratorium 11. Regresja SVM.
Laboratorium 11 Regresja SVM. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk Dalej>. 3. Z
Bardziej szczegółowow ekonomii, finansach i towaroznawstwie
w ekonomii, finansach i towaroznawstwie spotykane określenia: zgłębianie danych, eksploracyjna analiza danych, przekopywanie danych, męczenie danych proces wykrywania zależności w zbiorach danych poprzez
Bardziej szczegółowoWojewódzki Konkurs Matematyczny
Wojewódzki Konkurs Matematyczny dla uczniów gimnazjów ETAP SZKOLNY 16 listopada 2012 Czas 90 minut Instrukcja dla Ucznia 1. Otrzymujesz do rozwi zania 10 zada«zamkni tych oraz 5 zada«otwartych. 2. Obok
Bardziej szczegółowoPrzykªady problemów optymalizacji kombinatorycznej
Przykªady problemów optymalizacji kombinatorycznej Problem Komiwoja»era (PK) Dane: n liczba miast, n Z +, c ji, i, j {1,..., n}, i j odlegªo± mi dzy miastem i a miastem j, c ji = c ij, c ji R +. Zadanie:
Bardziej szczegółowoModele wielorównaniowe. Problem identykacji
Modele wielorównaniowe. Problem identykacji Ekonometria Szeregów Czasowych SGH Identykacja 1 / 43 Plan wykªadu 1 Wprowadzenie 2 Trzy przykªady 3 Przykªady: interpretacja 4 Warunki identykowalno±ci 5 Restrykcje
Bardziej szczegółowoUniwersalne Maszyny Ucz ce. Tomasz Maszczyk. opiekun naukowy: prof. Wªodzisªaw Duch
opiekun naukowy: prof. Wªodzisªaw Duch Katedra Informatyki Stosowanej Wydziaª Fizyki Astronomii i Informatyki Stosowanej Uniwersytet Mikoªaja Kopernika w Toruniu 29 Pa¹dziernik 2009, IPIPAN, Warszawa Plan
Bardziej szczegółowoMetody bioinformatyki (MBI)
Metody bioinformatyki (MBI) Wykªad 9 - mikromacierze DNA, analiza danych wielowymiarowych Robert Nowak 2016Z Metody bioinformatyki (MBI) 1/42 mikromacierze DNA Metoda badawcza, pozwalaj ca bada obecno±
Bardziej szczegółowoUkªady równa«liniowych
dr Krzysztof yjewski Mechatronika; S-I 0 in» 7 listopada 206 Ukªady równa«liniowych Informacje pomocnicze Denicja Ogólna posta ukªadu m równa«liniowych z n niewiadomymi x, x, x n, gdzie m, n N jest nast
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 szczegółowoPortretowanie zdolności i ich rozwój. Projekt współfinansowany z Unii Europejskiej w ramach Europejskiego Funduszu Społecznego
Portretowanie zdolności i ich rozwój Projekt współfinansowany z Unii Europejskiej w ramach Europejskiego Funduszu Społecznego Jeśli chcesz nauczyć Jasia matematyki, to musisz znać matematykę i Jasia ks.
Bardziej szczegółowoWST P DO TEORII INFORMACJI I KODOWANIA. Grzegorz Szkibiel. Wiosna 2013/14
WST P DO TEORII INFORMACJI I KODOWANIA Grzegorz Szkibiel Wiosna 203/4 Spis tre±ci Kodowanie i dekodowanie 4. Kodowanie a szyfrowanie..................... 4.2 Podstawowe poj cia........................
Bardziej szczegółowo1 Klasy. 1.1 Denicja klasy. 1.2 Skªadniki klasy.
1 Klasy. Klasa to inaczej mówi c typ który podobnie jak struktura skªada si z ró»nych typów danych. Tworz c klas programista tworzy nowy typ danych, który mo»e by modelem rzeczywistego obiektu. 1.1 Denicja
Bardziej szczegółowoProblemy optymalizacyjne - zastosowania
Problemy optymalizacyjne - zastosowania www.qed.pl/ai/nai2003 PLAN WYKŁADU Zło ono obliczeniowa - przypomnienie Problemy NP-zupełne klika jest NP-trudna inne problemy NP-trudne Inne zadania optymalizacyjne
Bardziej szczegółowoUczenie się maszyn. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Machine Learning (uczenie maszynowe, uczenie się maszyn, systemy uczące się) interdyscyplinarna nauka, której celem jest stworzenie
Bardziej szczegółowoI rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.
Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu
Bardziej szczegółowoMail: Pokój 214, II piętro
Wykład 2 Mail: agnieszka.nowak@us.edu.pl Pokój 214, II piętro http://zsi.tech.us.edu.pl/~nowak Predykcja zdolność do wykorzystania wiedzy zgromadzonej w systemie do przewidywania wartości dla nowych danych,
Bardziej szczegółowoARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15
ARYTMETYKA MODULARNA Grzegorz Szkibiel Wiosna 2014/15 Spis tre±ci 1 Denicja kongruencji i jej podstawowe wªasno±ci 3 2 Systemy pozycyjne 8 3 Elementy odwrotne 12 4 Pewne zastosowania elementów odwrotnych
Bardziej szczegółowoPodstawa programowa kształcenia ogólnego informatyki w gimnazjum
1 Podstawa programowa kształcenia ogólnego informatyki w gimnazjum Obowiązująca podstawa programowa nauczania informatyki w gimnazjum, w odniesieniu do propozycji realizacji tych zagadnień w podręcznikach
Bardziej szczegółowoMakroekonomia Zaawansowana
Makroekonomia Zaawansowana wiczenia 1 Stan ustalony i log-linearyzacja MZ 1 / 27 Plan wicze«1 Praca z modelami DSGE 2 Stan ustalony 3 Log-linearyzacja 4 Zadania MZ 2 / 27 Plan prezentacji 1 Praca z modelami
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 szczegółowoROCZNY PLAN PRACY SIECI WSPÓŁPRACY I SAMOKSZTAŁCENIA NA ROK SZKOLNY 2013/2014
ROCZNY PLAN PRACY SIECI WSPÓŁPRACY I SAMOKSZTAŁCENIA NA ROK SZKOLNY 2013/2014 NAZWA SIECI: JAK ROZWIJAĆ TWÓRCZE MYŚLENIE UCZNIÓW? Zadanie nr 2 Projektu realizowanego przez powiat gryfiński pn. Bezpośrednie
Bardziej szczegółowoWst p do informatyki. Systemy liczbowe. Piotr Fulma«ski. 21 pa¹dziernika 2010. Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska
Wst p do informatyki Systemy liczbowe Piotr Fulma«ski Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska 21 pa¹dziernika 2010 Spis tre±ci 1 Liczby i ich systemy 2 Rodzaje systemów liczbowych
Bardziej szczegółowoBazy danych. Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl www.uj.edu.pl/web/zpgk/materialy 9/15
Bazy danych Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl www.uj.edu.pl/web/zpgk/materialy 9/15 Przechowywanie danych Wykorzystanie systemu plików, dostępu do plików za pośrednictwem systemu operacyjnego
Bardziej szczegółowoEGZAMIN MATURALNY Z INFORMATYKI CZERWIEC 2011 POZIOM ROZSZERZONY WYBRANE: CZĘŚĆ I. Czas pracy: 90 minut. Liczba punktów do uzyskania: 20
Centralna Komisja Egzaminacyjna Arkusz zawiera informacje prawnie chronione do momentu rozpoczęcia egzaminu. Układ graficzny CKE 2010 KOD WISUJE ZDAJĄCY ESEL Miejsce na naklejkę z kodem EGZAMIN MATURALNY
Bardziej szczegółowoepuap Ogólna instrukcja organizacyjna kroków dla realizacji integracji
epuap Ogólna instrukcja organizacyjna kroków dla realizacji integracji Projekt współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego Innowacyjna Gospodarka
Bardziej szczegółowoWarszawa, 24.05.2012 r.
Relacje administracji rz dowej z otoczeniem na przyk adzie dwóch projektów realizowanych przez Departament S by Cywilnej KPRM Warszawa, 24.05.2012 r. Zakres projektów realizowanych przez DSC KPRM W latach
Bardziej szczegółowoMiASI. Modelowanie integracji systemów. Piotr Fulma«ski. 26 stycznia Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska
MiASI Modelowanie integracji systemów Piotr Fulma«ski Wydziaª Matematyki i Informatyki, Uniwersytet Šódzki, Polska 26 stycznia 2010 Spis tre±ci 1 Czym jest integracja systemów informatycznych? 2 Integracja
Bardziej szczegółowoCAŠKOWANIE METODAMI MONTE CARLO Janusz Adamowski
III. CAŠKOWAIE METODAMI MOTE CARLO Janusz Adamowski 1 1 azwa metody Podstawowym zastosowaniem w zyce metody Monte Carlo (MC) jest opis zªo-»onych ukªadów zycznych o du»ej liczbie stopni swobody. Opis zªo»onych
Bardziej szczegółowoEkonometria - wykªad 8
Ekonometria - wykªad 8 3.1 Specykacja i werykacja modelu liniowego dobór zmiennych obja±niaj cych - cz ± 1 Barbara Jasiulis-Goªdyn 11.04.2014, 25.04.2014 2013/2014 Wprowadzenie Ideologia Y zmienna obja±niana
Bardziej szczegółowoBlockchain. Modelowanie zachowa«oraz odkrywanie wzorców w grae transakcji Ethereum. Mateusz Zaborski
Modelowanie zachowa«oraz odkrywanie wzorców w grae transakcji Ethereum Mateusz M.@mini.pw.edu.pl Wydziaª Matematyki i Nauk Informacyjnych Politechnika Warszawska Seminarium z Metod Inteligencji Obliczeniowej
Bardziej szczegółowoMetodydowodzenia twierdzeń
1 Metodydowodzenia twierdzeń Przez zdanie rozumiemy dowolne stwierdzenie, które jest albo prawdziwe, albo faªszywe (nie mo»e by ono jednocze±nie prawdziwe i faªszywe). Tradycyjnie b dziemy u»ywali maªych
Bardziej szczegółowoSPOTKANIE 2: Wprowadzenie cz. I
Wrocław University of Technology SPOTKANIE 2: Wprowadzenie cz. I Piotr Klukowski Studenckie Koło Naukowe Estymator piotr.klukowski@pwr.edu.pl 17.10.2016 UCZENIE MASZYNOWE 2/27 UCZENIE MASZYNOWE = Konstruowanie
Bardziej szczegółowoEkonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Ekonometria wiczenia 1 Regresja liniowa i MNK (1) Ekonometria 1 / 25 Plan wicze«1 Ekonometria czyli...? 2 Obja±niamy ceny wina 3 Zadania z podr cznika (1) Ekonometria 2 / 25 Plan prezentacji 1 Ekonometria
Bardziej szczegółowox y x y x y x + y x y
Algebra logiki 1 W zbiorze {0, 1} okre±lamy dziaªania dwuargumentowe,, +, oraz dziaªanie jednoargumentowe ( ). Dziaªanie x + y nazywamy dodawaniem modulo 2, a dziaªanie x y nazywamy kresk Sheera. x x 0
Bardziej szczegółowoNarzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)
Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji
Bardziej szczegółowo