Sieci komputerowe. Wykład 8: Wyszukiwarki internetowe. Marcin Bieńkowski. Instytut Informatyki Uniwersytet Wrocławski
|
|
- Urszula Mróz
- 8 lat temu
- Przeglądów:
Transkrypt
1 Sieci komputerowe Wykład 8: Wyszukiwarki internetowe Marcin Bieńkowski Instytut Informatyki Uniwersytet Wrocławski Sieci komputerowe (II UWr) Wykład 8 1 / 37
2 czyli jak znaleźć igłę w sieci Sieci komputerowe (II UWr) Wykład 8 2 / 37
3 Historia Wstęp Dawno, dawno temu... Sieć bez wyszukiwarek Statyczne zbiory zasobów (katalogi stron, nadal istnieja) Polskie Zasoby Sieciowe wydawane na CD! Obecnie: Cała gama wyszukiwarek: Google, Live Search, Yahoo! Search, A wyszukiwarki treści specjalistycznych Sieci komputerowe (II UWr) Wykład 8 3 / 37
4 Historia Wstęp Dawno, dawno temu... Sieć bez wyszukiwarek Statyczne zbiory zasobów (katalogi stron, nadal istnieja) Polskie Zasoby Sieciowe wydawane na CD! Obecnie: Cała gama wyszukiwarek: Google, Live Search, Yahoo! Search, A wyszukiwarki treści specjalistycznych Sieci komputerowe (II UWr) Wykład 8 3 / 37
5 Historia Wstęp Dawno, dawno temu... Sieć bez wyszukiwarek Statyczne zbiory zasobów (katalogi stron, nadal istnieja) Polskie Zasoby Sieciowe wydawane na CD! Obecnie: Cała gama wyszukiwarek: Google, Live Search, Yahoo! Search, A wyszukiwarki treści specjalistycznych Sieci komputerowe (II UWr) Wykład 8 3 / 37
6 Wyszukiwarki Wstęp Trzy etapy działania Przeszukiwanie sieci Indeksowanie treści Wyszukiwanie informacji Sieci komputerowe (II UWr) Wykład 8 4 / 37
7 Wyszukiwarki Wstęp Trzy etapy działania Przeszukiwanie sieci Indeksowanie treści Wyszukiwanie informacji Sieci komputerowe (II UWr) Wykład 8 4 / 37
8 Web crawling Przeszukiwanie sieci Web crawler działa jak przegladarka WWW podażaj aca za wszystkimi odnośnikami, które widzi. Sieci komputerowe (II UWr) Wykład 8 5 / 37
9 Problem Przeszukiwanie sieci Graf sieci WWW wyglada tak (stan na rok 2000, ok. 200 mln stron) Ok. 10% stron nie jest podłaczonych do głównej sieci WWW. Teraz jeszcze gorzej: 100mld stron (około 45mld zaindeksowane) Obrazek ze pracy Graph structure of the Web, Broder et al. Sieci komputerowe (II UWr) Wykład 8 6 / 37
10 Problem Przeszukiwanie sieci Graf sieci WWW wyglada tak (stan na rok 2000, ok. 200 mln stron) Ok. 10% stron nie jest podłaczonych do głównej sieci WWW. Teraz jeszcze gorzej: 100mld stron (około 45mld zaindeksowane) Obrazek ze pracy Graph structure of the Web, Broder et al. Sieci komputerowe (II UWr) Wykład 8 6 / 37
11 Problem Przeszukiwanie sieci Graf sieci WWW wyglada tak (stan na rok 2000, ok. 200 mln stron) Ok. 10% stron nie jest podłaczonych do głównej sieci WWW. Teraz jeszcze gorzej: 100mld stron (około 45mld zaindeksowane) Obrazek ze pracy Graph structure of the Web, Broder et al. Sieci komputerowe (II UWr) Wykład 8 6 / 37
12 Przeszukiwanie sieci Na które strony nie wchodzimy Webcrawlery (zazwyczaj) respektuja tzw. pliki robots.txt Przykładowy robots.txt User-agent: * Disallow: /cgi-bin/ Disallow: /images/ Disallow: /tmp/ Disallow: /private/ Sieci komputerowe (II UWr) Wykład 8 7 / 37
13 Przeszukiwanie sieci Dalsze problemy z przechodzeniem grafu sieci Strony generowane dynamicznie (wypełnianie formularzy) Obiekty nietekstowe (obrazki, filmy, strony we Flashu, programy w Javie,...) Często uaktualniane strony Sieci komputerowe (II UWr) Wykład 8 8 / 37
14 Wyszukiwarki Indeksowanie Trzy etapy działania Przeszukiwanie sieci Indeksowanie treści Wyszukiwanie informacji Sieci komputerowe (II UWr) Wykład 8 9 / 37
15 Indeksowanie Indeksowanie znalezionych stron Problemy: Liczba stron Ponad 100 różnych języków (różne alfabety!) 30% stron to kopie innych stron Sieci komputerowe (II UWr) Wykład 8 10 / 37
16 Indeksowanie Po czym możemy indeksować? Po zawartości (słowa w tekście) Po znacznikach meta Po tytule Czy to wystarcza? Sieci komputerowe (II UWr) Wykład 8 11 / 37
17 Indeksowanie Po czym możemy indeksować? Po zawartości (słowa w tekście) Po znacznikach meta Po tytule Czy to wystarcza? Sieci komputerowe (II UWr) Wykład 8 11 / 37
18 Indeksowanie Problemy z indeksowaniem po zawartości strony Na stronie nie występuje słowo car ani auto. Na stronie nie występuje słowo wyszukiwarka. Strona wortschatz.uni-leipzig.de/papers/top10000en.txt zawiera 10 tysięcy najpopularniejszych słów angielskich. Niektóre słowa, np. WWW, Web występuja na prawie każdej stronie. Sieci komputerowe (II UWr) Wykład 8 12 / 37
19 Indeksowanie Problemy z indeksowaniem po zawartości strony Na stronie nie występuje słowo car ani auto. Na stronie nie występuje słowo wyszukiwarka. Strona wortschatz.uni-leipzig.de/papers/top10000en.txt zawiera 10 tysięcy najpopularniejszych słów angielskich. Niektóre słowa, np. WWW, Web występuja na prawie każdej stronie. Sieci komputerowe (II UWr) Wykład 8 12 / 37
20 Pomysł Indeksowanie Możemy indeksować również po nazwach odnośników prowadzacych do danej strony. Istotniejsze jest to co o naszej stronie myśla inni niż my sami. Sieci komputerowe (II UWr) Wykład 8 13 / 37
21 Pomysł Indeksowanie Możemy indeksować również po nazwach odnośników prowadzacych do danej strony. Istotniejsze jest to co o naszej stronie myśla inni niż my sami. Sieci komputerowe (II UWr) Wykład 8 13 / 37
22 Wyszukiwarki Wyszukiwanie informacji Trzy etapy działania Przeszukiwanie sieci Indeksowanie treści Wyszukiwanie informacji Sieci komputerowe (II UWr) Wykład 8 14 / 37
23 Wyszukiwanie informacji Główny problem (dla jęz. angielskiego) 95% stron da się zbudować używajac tych samych słów. Wniosek: Wyszukanie niektórych słów, a nawet ich kombinacji, zwraca kilkadziesiat milionów trafień. Które trafienia zwrócić użytkownikowi jako pierwsze? Sieci komputerowe (II UWr) Wykład 8 15 / 37
24 Wyszukiwanie informacji Główny problem (dla jęz. angielskiego) 95% stron da się zbudować używajac tych samych słów. Wniosek: Wyszukanie niektórych słów, a nawet ich kombinacji, zwraca kilkadziesiat milionów trafień. Które trafienia zwrócić użytkownikowi jako pierwsze? Sieci komputerowe (II UWr) Wykład 8 15 / 37
25 Wyszukiwanie informacji Główny problem (dla jęz. angielskiego) 95% stron da się zbudować używajac tych samych słów. Wniosek: Wyszukanie niektórych słów, a nawet ich kombinacji, zwraca kilkadziesiat milionów trafień. Które trafienia zwrócić użytkownikowi jako pierwsze? Sieci komputerowe (II UWr) Wykład 8 15 / 37
26 Sortowanie wyników Oczywiste: najpierw wyświetlamy strony sponsorowane. Ale żeby nam płacono, musimy zwracać też dobre wyniki dla niesponsorowanych stron. Sieci komputerowe (II UWr) Wykład 8 16 / 37
27 Sortowanie wyników Oczywiste: najpierw wyświetlamy strony sponsorowane. Ale żeby nam płacono, musimy zwracać też dobre wyniki dla niesponsorowanych stron. Sieci komputerowe (II UWr) Wykład 8 16 / 37
28 Sortowanie wyników, cd. Stara strategia (do ok. roku 1998): Jeśli użytkownik szuka słowa X zwracamy stronę, która zawiera jak najwięcej X Patologie: Mnóstwo słów (często niezwiazanych z treścia) w znacznikach meta. Niewyświetlane napisy (np. w kolorze tła). Sieci komputerowe (II UWr) Wykład 8 17 / 37
29 Sortowanie wyników, cd. Stara strategia (do ok. roku 1998): Jeśli użytkownik szuka słowa X zwracamy stronę, która zawiera jak najwięcej X Patologie: Mnóstwo słów (często niezwiazanych z treścia) w znacznikach meta. Niewyświetlane napisy (np. w kolorze tła). Sieci komputerowe (II UWr) Wykład 8 17 / 37
30 Które strony sa ważne? Brin, Page 98 - Algorytm Algorytm przypisujacy ważność poszczególnym stronom (jedna wartość dla każdej strony). Sieci komputerowe (II UWr) Wykład 8 18 / 37
31 Wyszukiwanie informacji Główna idea: Ważne strony wskazuja (maja odnośniki) na inne ważne strony. Każdej stronie P i przypisujemy rangę R(P i ) [0, 1]. Jeśli strona P i ma l i sasiadów, to każdemu przekazuje 1/l i swojej rangi: R(P i ) = R(P j ), l j P j B i gdzie B i jest zbiorem stron, z których prowadzi krawędź do P i. Sieci komputerowe (II UWr) Wykład 8 19 / 37
32 Żeby zrozumieć rekurencję, trzeba zrozumieć rekurencję Mamy rekurencyjna zależność: Uproszczony algorytm : R(P i ) = P j B i R(P j ) l j Żeby policzyć rangę (ważność) danej strony trzeba policzyć rangi stron do niej prowadzacych A zatem rangi stron do nich prowadzacych... itd. Oczywiście można też obliczyć R(P i ) rozwiazuj ac układ równań (dużo stron niepraktyczne) Sieci komputerowe (II UWr) Wykład 8 20 / 37
33 Żeby zrozumieć rekurencję, trzeba zrozumieć rekurencję Mamy rekurencyjna zależność: Uproszczony algorytm : R(P i ) = P j B i R(P j ) l j Żeby policzyć rangę (ważność) danej strony trzeba policzyć rangi stron do niej prowadzacych A zatem rangi stron do nich prowadzacych... itd. Oczywiście można też obliczyć R(P i ) rozwiazuj ac układ równań (dużo stron niepraktyczne) Sieci komputerowe (II UWr) Wykład 8 20 / 37
34 Żeby zrozumieć rekurencję, trzeba zrozumieć rekurencję Mamy rekurencyjna zależność: Uproszczony algorytm : R(P i ) = P j B i R(P j ) l j Żeby policzyć rangę (ważność) danej strony trzeba policzyć rangi stron do niej prowadzacych A zatem rangi stron do nich prowadzacych... itd. Oczywiście można też obliczyć R(P i ) rozwiazuj ac układ równań (dużo stron niepraktyczne) Sieci komputerowe (II UWr) Wykład 8 20 / 37
35 Żeby zrozumieć rekurencję, trzeba zrozumieć rekurencję Mamy rekurencyjna zależność: Uproszczony algorytm : R(P i ) = P j B i R(P j ) l j Żeby policzyć rangę (ważność) danej strony trzeba policzyć rangi stron do niej prowadzacych A zatem rangi stron do nich prowadzacych... itd. Oczywiście można też obliczyć R(P i ) rozwiazuj ac układ równań (dużo stron niepraktyczne) Sieci komputerowe (II UWr) Wykład 8 20 / 37
36 Żeby zrozumieć rekurencję, trzeba zrozumieć rekurencję Mamy rekurencyjna zależność: Uproszczony algorytm : R(P i ) = P j B i R(P j ) l j Żeby policzyć rangę (ważność) danej strony trzeba policzyć rangi stron do niej prowadzacych A zatem rangi stron do nich prowadzacych... itd. Oczywiście można też obliczyć R(P i ) rozwiazuj ac układ równań (dużo stron niepraktyczne) Sieci komputerowe (II UWr) Wykład 8 20 / 37
37 Rozwiazanie Zacznijmy od dowolnych rang R i obliczajmy kolejne wartości ze wzoru R(P i ) P j B i R(P j ) l j, Sieci komputerowe (II UWr) Wykład 8 21 / 37
38 Przykład Wyszukiwanie informacji R(P i ) P j B i R(P j ) l j, Obrazki ze strony Sieci komputerowe (II UWr) Wykład 8 22 / 37
39 Przykład, cd. Wyszukiwanie informacji R(P i ) P j B i R(P j ) l j Dochodzimy do stanu stacjonarnego: R(a) = 1.2, R(b) = 1.2, R(c) = 0.6 Możemy go przeskalować: Jeśli zaczniemy od R(a) = R(b) = R(c) = 1/3, to dojdziemy do R(a) = 0.4, R(b) = 0.4, R(c) = 0.2. Sieci komputerowe (II UWr) Wykład 8 23 / 37
40 Czy to zawsze działa? W szczególności, czy: 1 wektor rang zawsze zbiega do stanu stacjonarnego? 2 ostateczna wartość zależy od stanu poczatkowego? 3 rangi faktycznie odpowiadaja ważności stron? Rangi a ważność strony ranga pojedynczy wskaźnik (co ze słowami o wielu znaczeniach?) możliwość nadużywania systemu przez tworzenie zbiorów stron, które wskazuja na nasza (ćwiczenie) Sieci komputerowe (II UWr) Wykład 8 24 / 37
41 Czy to zawsze działa? W szczególności, czy: 1 wektor rang zawsze zbiega do stanu stacjonarnego? Nie 2 ostateczna wartość zależy od stanu poczatkowego? 3 rangi faktycznie odpowiadaja ważności stron? Rangi a ważność strony ranga pojedynczy wskaźnik (co ze słowami o wielu znaczeniach?) możliwość nadużywania systemu przez tworzenie zbiorów stron, które wskazuja na nasza (ćwiczenie) Sieci komputerowe (II UWr) Wykład 8 24 / 37
42 Czy to zawsze działa? W szczególności, czy: 1 wektor rang zawsze zbiega do stanu stacjonarnego? Nie 2 ostateczna wartość zależy od stanu poczatkowego? Nie 3 rangi faktycznie odpowiadaja ważności stron? Rangi a ważność strony ranga pojedynczy wskaźnik (co ze słowami o wielu znaczeniach?) możliwość nadużywania systemu przez tworzenie zbiorów stron, które wskazuja na nasza (ćwiczenie) Sieci komputerowe (II UWr) Wykład 8 24 / 37
43 Czy to zawsze działa? W szczególności, czy: 1 wektor rang zawsze zbiega do stanu stacjonarnego? Nie 2 ostateczna wartość zależy od stanu poczatkowego? Nie 3 rangi faktycznie odpowiadaja ważności stron? Nie Rangi a ważność strony ranga pojedynczy wskaźnik (co ze słowami o wielu znaczeniach?) możliwość nadużywania systemu przez tworzenie zbiorów stron, które wskazuja na nasza (ćwiczenie) Sieci komputerowe (II UWr) Wykład 8 24 / 37
44 Czy to zawsze działa? W szczególności, czy: 1 wektor rang zawsze zbiega do stanu stacjonarnego? Nie 2 ostateczna wartość zależy od stanu poczatkowego? Nie 3 rangi faktycznie odpowiadaja ważności stron? Nie Rangi a ważność strony ranga pojedynczy wskaźnik (co ze słowami o wielu znaczeniach?) możliwość nadużywania systemu przez tworzenie zbiorów stron, które wskazuja na nasza (ćwiczenie) Sieci komputerowe (II UWr) Wykład 8 24 / 37
45 Problem nr 1: strony bez odnośników Kolejne wartości rang: R(1) R(2) Strony bez odnośników wysysaja cała wagę przeznaczona na rangi. Tymczasowe rozwiazanie: dodajmy pętle do stron bez odnośników. Obrazki ze strony Sieci komputerowe (II UWr) Wykład 8 25 / 37
46 Problem nr 1: strony bez odnośników Kolejne wartości rang: R(1) R(2) Strony bez odnośników wysysaja cała wagę przeznaczona na rangi. Tymczasowe rozwiazanie: dodajmy pętle do stron bez odnośników. Obrazki ze strony Sieci komputerowe (II UWr) Wykład 8 25 / 37
47 Problem nr 1: strony bez odnośników Kolejne wartości rang: R(1) R(2) Strony bez odnośników wysysaja cała wagę przeznaczona na rangi. Tymczasowe rozwiazanie: dodajmy pętle do stron bez odnośników. Obrazki ze strony Sieci komputerowe (II UWr) Wykład 8 25 / 37
48 Problem nr 2 (nawet pętle nie pomagaja) Kolejne wartości rang: R(1) R(2) R(3) Wynik (stan stacjonarny) zależy od wartości poczatkowej! Sieci komputerowe (II UWr) Wykład 8 26 / 37
49 Problem nr 2 (nawet pętle nie pomagaja) Kolejne wartości rang: R(1) R(2) R(3) Ale jeśli zaczniemy od innych: R(1) R(2) R(3) Wynik (stan stacjonarny) zależy od wartości poczatkowej! Sieci komputerowe (II UWr) Wykład 8 26 / 37
50 Problem nr 2, cd. Wyszukiwanie informacji Dlaczego? Problem zbiegania do różnych stanów stacjonarnych pojawia się, bo graf nie jest silnie spójny Gdyby nie był spójny, byłoby jeszcze gorzej Czy silna spójność wystarcza? Sieci komputerowe (II UWr) Wykład 8 27 / 37
51 Problem nr 2, cd. Wyszukiwanie informacji Dlaczego? Problem zbiegania do różnych stanów stacjonarnych pojawia się, bo graf nie jest silnie spójny Gdyby nie był spójny, byłoby jeszcze gorzej Czy silna spójność wystarcza? Sieci komputerowe (II UWr) Wykład 8 27 / 37
52 Problem nr 2, cd. Wyszukiwanie informacji Dlaczego? Problem zbiegania do różnych stanów stacjonarnych pojawia się, bo graf nie jest silnie spójny Gdyby nie był spójny, byłoby jeszcze gorzej Czy silna spójność wystarcza? Nie! Sieci komputerowe (II UWr) Wykład 8 27 / 37
53 Problem nr 3: okresowość Kolejne wartości rang: R(1) R(2) R(3) R(4) R(5) Ale jeśli zaczniemy od innych: R(1) R(2) R(3) R(4) R(5) Obrazki ze strony Sieci komputerowe (II UWr) Wykład 8 28 / 37
54 Problem nr 3: okresowość Kolejne wartości rang: R(1) R(2) R(3) R(4) R(5) Ale jeśli zaczniemy od innych: R(1) R(2) R(3) R(4) R(5) Obrazki ze strony Sieci komputerowe (II UWr) Wykład 8 28 / 37
55 Problem 3, cd. Wyszukiwanie informacji Okresowość wierzchołka Okres wierzchołka s = GCD długości wszystkich cykli zawierajacych s Okresowość grafu Graf jest okresowy jeśli wszystkie wierzchołki maja okres > 1. Sieci komputerowe (II UWr) Wykład 8 29 / 37
56 Problem 3, cd. Wyszukiwanie informacji Okresowość wierzchołka Okres wierzchołka s = GCD długości wszystkich cykli zawierajacych s Okresowość grafu Graf jest okresowy jeśli wszystkie wierzchołki maja okres > 1. Sieci komputerowe (II UWr) Wykład 8 29 / 37
57 Co nam daje silna spójność i nieokresowość? Uogólnijmy nasz graf: dodajemy do krawędzi wagi; wymagamy, żeby suma wag krawędzi w ij wychodzacych ze strony P i była równa 1. Obliczamy R(P i ) P j w ij R(P j ) własności silna spójność i okresowość dotycza grafu, w którym patrzymy na krawędzie o niezerowych wagach Twierdzenie Jeśli graf jest silnie spójny i nieokresowy, to istnieje tylko jeden stan stacjonarny i uproszczony algorytm do niego zbiega. Sieci komputerowe (II UWr) Wykład 8 30 / 37
58 Co nam daje silna spójność i nieokresowość? Uogólnijmy nasz graf: dodajemy do krawędzi wagi; wymagamy, żeby suma wag krawędzi w ij wychodzacych ze strony P i była równa 1. Obliczamy R(P i ) P j w ij R(P j ) własności silna spójność i okresowość dotycza grafu, w którym patrzymy na krawędzie o niezerowych wagach Twierdzenie Jeśli graf jest silnie spójny i nieokresowy, to istnieje tylko jeden stan stacjonarny i uproszczony algorytm do niego zbiega. Sieci komputerowe (II UWr) Wykład 8 30 / 37
59 Co nam daje silna spójność i nieokresowość? Uogólnijmy nasz graf: dodajemy do krawędzi wagi; wymagamy, żeby suma wag krawędzi w ij wychodzacych ze strony P i była równa 1. Obliczamy R(P i ) P j w ij R(P j ) własności silna spójność i okresowość dotycza grafu, w którym patrzymy na krawędzie o niezerowych wagach Twierdzenie Jeśli graf jest silnie spójny i nieokresowy, to istnieje tylko jeden stan stacjonarny i uproszczony algorytm do niego zbiega. Sieci komputerowe (II UWr) Wykład 8 30 / 37
60 Modyfikacja algorytmu Nie modyfikujemy samego algorytmu, tylko uruchamiamy go na lekko zmodyfikowanym grafie. Chcemy, żeby graf po modyfikacji był silnie spójny był nieokresowy możliwie najmniej różnił się od oryginalnego Sieci komputerowe (II UWr) Wykład 8 31 / 37
61 Interpretacja probabilistyczna Inne spojrzenie na proces obliczania stanu stacjonarnego ranga = prawdopodobieństwo, że jesteśmy w danym wierzchołku na poczatku losujemy sobie dowolna stronę potem klikamy losowo w odnośniki po wielu kliknięciach prawdpodobieństwo jest dyktowane przez coś podobnego do stanu stacjonarnego w ważnych stronach jesteśmy z większym prawdopodobieństwem Pomysł: niech nasz losowy klikacz jeśli nie ma wyjścia z danej strony, zaczyna od nowa nawet jeśli wyjście jest to zaczyna od nowa z prawdopodobieństwem 1 α. Jak to przełożyć na modyfikację grafu? Sieci komputerowe (II UWr) Wykład 8 32 / 37
62 Interpretacja probabilistyczna Inne spojrzenie na proces obliczania stanu stacjonarnego ranga = prawdopodobieństwo, że jesteśmy w danym wierzchołku na poczatku losujemy sobie dowolna stronę potem klikamy losowo w odnośniki po wielu kliknięciach prawdpodobieństwo jest dyktowane przez coś podobnego do stanu stacjonarnego w ważnych stronach jesteśmy z większym prawdopodobieństwem Pomysł: niech nasz losowy klikacz jeśli nie ma wyjścia z danej strony, zaczyna od nowa nawet jeśli wyjście jest to zaczyna od nowa z prawdopodobieństwem 1 α. Jak to przełożyć na modyfikację grafu? Sieci komputerowe (II UWr) Wykład 8 32 / 37
63 Interpretacja probabilistyczna Inne spojrzenie na proces obliczania stanu stacjonarnego ranga = prawdopodobieństwo, że jesteśmy w danym wierzchołku na poczatku losujemy sobie dowolna stronę potem klikamy losowo w odnośniki po wielu kliknięciach prawdpodobieństwo jest dyktowane przez coś podobnego do stanu stacjonarnego w ważnych stronach jesteśmy z większym prawdopodobieństwem Pomysł: niech nasz losowy klikacz jeśli nie ma wyjścia z danej strony, zaczyna od nowa nawet jeśli wyjście jest to zaczyna od nowa z prawdopodobieństwem 1 α. Jak to przełożyć na modyfikację grafu? Sieci komputerowe (II UWr) Wykład 8 32 / 37
64 Interpretacja probabilistyczna Inne spojrzenie na proces obliczania stanu stacjonarnego ranga = prawdopodobieństwo, że jesteśmy w danym wierzchołku na poczatku losujemy sobie dowolna stronę potem klikamy losowo w odnośniki po wielu kliknięciach prawdpodobieństwo jest dyktowane przez coś podobnego do stanu stacjonarnego w ważnych stronach jesteśmy z większym prawdopodobieństwem Pomysł: niech nasz losowy klikacz jeśli nie ma wyjścia z danej strony, zaczyna od nowa nawet jeśli wyjście jest to zaczyna od nowa z prawdopodobieństwem 1 α. Jak to przełożyć na modyfikację grafu? Sieci komputerowe (II UWr) Wykład 8 32 / 37
65 Rozwiazanie Wyszukiwanie informacji Jak radzić sobie z okresowościa i brakiem silnej spójności? Mnożymy wagi istniejacych krawędzi przez α Z wierzchołków z których wychodza krawędzie dodajemy sztuczne krawędzie (z wagami 1 α n ) od każdego innego wierzchołka (w tym także pętle). Z wierzchołków z których nie wychodza krawędzie dodajemy sztuczne krawędzie (z wagami 1 n ) od każdego innego wierzchołka. Sieci komputerowe (II UWr) Wykład 8 33 / 37
66 Przykładowa modyfikacja Przed: Po: 1 α α + 1 α 2 Sieci komputerowe (II UWr) Wykład 8 34 / 37
67 Własności Wyszukiwanie informacji Twierdzenie Po powyższej modyfikacji otrzymujemy graf silnie spójny i nieokresowy. Dowód Po pominięciu wag, otrzymany graf jest grafem pełnym. Sieci komputerowe (II UWr) Wykład 8 35 / 37
68 Algorytm Wyszukiwanie informacji Algorytm Zaczynamy od R(u) = 1 n. W każdym kroku obliczamy R(P i ) = P j w ij R(P j ) = 1 α n + α P j nie ma odnosnikow R(P j) n + R(P j ) l j P j B i Sieci komputerowe (II UWr) Wykład 8 36 / 37
69 Uwagi końcowe Wyszukiwanie informacji Google używa(ł) z α = Im większa wartość α, tym graf jest bliższy oryginalnemu: dla α = 0 otrzymujemy graf pełny (z ppb. 1/n na wszystkich krawędziach). Im mniejsza wartość α, tym szybsza zbieżność do stanu stacjonarnego Sieci komputerowe (II UWr) Wykład 8 37 / 37
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova
Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa
Wstęp do sieci neuronowych, wykład 12 Łańcuchy Markowa M. Czoków, J. Piersa 2012-01-10 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego 3 1 Łańcucha Markowa 2 Istnienie Szukanie stanu stacjonarnego
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Dane w postaci grafów Przykład: social network 3 Przykład: media network 4 Przykład: information network
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej szczegółowoBadanie struktury sieci WWW
Eksploracja zasobów internetowych Wykład 1 Badanie struktury sieci WWW mgr inż. Maciej Kopczyński Białystok 214 Rys historyczny Idea sieci Web stworzona została w 1989 przez Tima BernersaLee z CERN jako
Bardziej szczegółowoPorównanie algorytmów wyszukiwania najkrótszych ścieżek międz. grafu. Daniel Golubiewski. 22 listopada Instytut Informatyki
Porównanie algorytmów wyszukiwania najkrótszych ścieżek między wierzchołkami grafu. Instytut Informatyki 22 listopada 2015 Algorytm DFS w głąb Algorytm przejścia/przeszukiwania w głąb (ang. Depth First
Bardziej szczegółowoZastosowanie wartości własnych macierzy
Uniwersytet Warszawski 15 maja 2008 Agenda Postawienie problemu 1 Postawienie problemu Motywacja Jak zbudować wyszukiwarkę? Dlaczego to nie jest takie trywialne? Możliwe rozwiazania Model 2 3 4 Motywacja
Bardziej szczegółowoInstytut Informatyki Uniwersytet Wrocławski. Dane w sieciach. (i inne historie) Marcin Bieńkowski
Dane w sieciach (i inne historie) Marcin Bieńkowski Jak przechowywać dane w sieciach (strony WWW, bazy danych, ) tak, żeby dowolne ciągi odwołań do (części) tych obiektów mogły być obsłużone małym kosztem?
Bardziej szczegółowoReprezentacje grafów nieskierowanych Reprezentacje grafów skierowanych. Wykład 2. Reprezentacja komputerowa grafów
Wykład 2. Reprezentacja komputerowa grafów 1 / 69 Macierz incydencji Niech graf G będzie grafem nieskierowanym bez pętli o n wierzchołkach (x 1, x 2,..., x n) i m krawędziach (e 1, e 2,..., e m). 2 / 69
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 6. Piotr Syga
Algorytmy metaheurystyczne Wykład 6 Piotr Syga 10.04.2017 Wprowadzenie Inspiracje Wprowadzenie ACS idea 1 Zaczynamy z pustym rozwiązaniem początkowym 2 Dzielimy problem na komponenty (przedmiot do zabrania,
Bardziej szczegółowoAlgorytm Dijkstry znajdowania najkrótszej ścieżki w grafie
Algorytm Dijkstry znajdowania najkrótszej ścieżki w grafie Używane struktury danych: V - zbiór wierzchołków grafu, V = {1,2,3...,n} E - zbiór krawędzi grafu, E = {(i,j),...}, gdzie i, j Î V i istnieje
Bardziej szczegółowoEdytor Edit+ - dodawanie zdjęć i. załączników. Instrukcja użytkownika
Edytor Edit+ - dodawanie zdjęć i załączników Instrukcja użytkownika Maj 2015 SPIS TREŚCI SPIS TREŚCI... 2 Tworzenie zdjęć... 3 Tworzenie załączników... 6 Strona 2 z 10 Tworzenie zdjęć Aby dodać do strony
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoSposoby wyszukiwania multimedialnych zasobów w Internecie
Sposoby wyszukiwania multimedialnych zasobów w Internecie Lidia Derfert-Wolf Biblioteka Główna Uniwersytetu Technologiczno-Przyrodniczego w Bydgoszczy e-mail: lidka@utp.edu.pl III seminarium z cyklu INFOBROKER:
Bardziej szczegółowoTeoria grafów dla małolatów. Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska
Teoria grafów dla małolatów Andrzej Przemysław Urbański Instytut Informatyki Politechnika Poznańska Wstęp Matematyka to wiele różnych dyscyplin Bowiem świat jest bardzo skomplikowany wymaga rozważenia
Bardziej szczegółowoSpis treúci. Księgarnia PWN: Paweł Kobis - Marketing z Google. Podziękowania O Autorze Wstęp... 13
Spis treúci Księgarnia PWN: Paweł Kobis - Marketing z Google Podziękowania... 9 O Autorze... 11 Wstęp... 13 1. Pozycjonowanie stron... 15 1.1. Dlaczego warto pozycjonować strony?... 16 1.2. Dlaczego pozycjonowanie,
Bardziej szczegółowoDigraf. 13 maja 2017
Digraf 13 maja 2017 Graf skierowany, digraf, digraf prosty Definicja 1 Digraf prosty G to (V, E), gdzie V jest zbiorem wierzchołków, E jest rodziną zorientowanych krawędzi, między różnymi wierzchołkami,
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoZad. 1 Zad. 2 Zad. 3 Zad. 4 Zad. 5 SUMA
Zad. 1 Zad. 2 Zad. 3 Zad. 4 Zad. 5 SUMA Zad. 1 (12p.)Niech n 3k > 0. Zbadać jaka jest najmniejsza możliwa liczba krawędzi w grafie, który ma dokładnie n wierzchołków oraz dokładnie k składowych, z których
Bardziej szczegółowoMinimalne drzewa rozpinające
KNM UŚ 26-28 listopada 2010 Ostrzeżenie Wprowadzenie Motywacja Definicje Niektóre pojęcia pojawiające się podczas tego referatu są naszymi autorskimi tłumaczeniami z języka angielskiego. Nie udało nam
Bardziej szczegółowoTomasz Boiński: 1. Pozycjonowanie stron i zastosowanie mod_rewrite
Tomasz Boiński: 1 Pozycjonowanie stron i zastosowanie mod_rewrite Pozycjonowanie stron Promocja strony odbywa się poprzez umiejscowienie jej jak najwyżej w wynikach wyszukiwania Wyszukiwarki indeksują
Bardziej szczegółowoOgłoszenia parafialne nie tylko z ambony
Ogłoszenia parafialne nie tylko z ambony Nota Materiał powstał w ramach realizacji projektu e-kompetencje bez barier dofinansowanego z Programu Operacyjnego Polska Cyfrowa działanie 3.1 Działania szkoleniowe
Bardziej szczegółowoWyszukiwarki stosują różne metody oceny stron i algorytmy oceniające za indeksowane strony różnią się w poszczególnych wyszukiwarkach, ale można
Wyszukiwarki stosują różne metody oceny stron i algorytmy oceniające za indeksowane strony różnią się w poszczególnych wyszukiwarkach, ale można jednak wyróżnić 3 główne elementy, które brane są pod uwagę:
Bardziej szczegółowoMetody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2
Metody teorii gier ALP520 - Wykład z Algorytmów Probabilistycznych p.2 Metody teorii gier Cel: Wyprowadzenie oszacowania dolnego na oczekiwany czas działania dowolnego algorytmu losowego dla danego problemu.
Bardziej szczegółowoDrzewa spinające MST dla grafów ważonych Maksymalne drzewo spinające Drzewo Steinera. Wykład 6. Drzewa cz. II
Wykład 6. Drzewa cz. II 1 / 65 drzewa spinające Drzewa spinające Zliczanie drzew spinających Drzewo T nazywamy drzewem rozpinającym (spinającym) (lub dendrytem) spójnego grafu G, jeżeli jest podgrafem
Bardziej szczegółowoNierówność Krafta-McMillana, Kodowanie Huffmana
Nierówność Krafta-McMillana, Kodowanie Huffmana Kodowanie i kompresja informacji - Wykład 2 1 marca 2010 Test na jednoznaczna dekodowalność Kod a jest prefiksem kodu b jeśli b jest postaci ax. x nazywamy
Bardziej szczegółowoInternet, jako ocean informacji. Technologia Informacyjna Lekcja 2
Internet, jako ocean informacji Technologia Informacyjna Lekcja 2 Internet INTERNET jest rozległą siecią połączeń, między ogromną liczbą mniejszych sieci komputerowych na całym świecie. Jest wszechstronnym
Bardziej szczegółowoKompresja danych Streszczenie Studia Dzienne Wykład 10,
1 Kwantyzacja wektorowa Kompresja danych Streszczenie Studia Dzienne Wykład 10, 28.04.2006 Kwantyzacja wektorowa: dane dzielone na bloki (wektory), każdy blok kwantyzowany jako jeden element danych. Ogólny
Bardziej szczegółowoKompresja bezstratna. Entropia. Kod Huffmana
Kompresja bezstratna. Entropia. Kod Huffmana Kodowanie i bezpieczeństwo informacji - Wykład 10 29 kwietnia 2013 Teoria informacji Jeśli P(A) jest prawdopodobieństwem wystapienia informacji A to niech i(a)
Bardziej szczegółowoGrafy Alberta-Barabasiego
Spis treści 2010-01-18 Spis treści 1 Spis treści 2 Wielkości charakterystyczne 3 Cechy 4 5 6 7 Wielkości charakterystyczne Wielkości charakterystyczne Rozkład stopnie wierzchołków P(deg(x) = k) Graf jest
Bardziej szczegółowoInternetowa strategia marketingowa
Strategie Marketingowe Marketing Internetowy dr Grzegorz Szymański Internetowa strategia marketingowa Pozycjonowanie Jest to jedna z najskuteczniejszych i najtańszych metod reklamy w Internecie. Skuteczne
Bardziej szczegółowoInternet wyszukiwarki internetowe
Internet wyszukiwarki internetowe 1. WYSZUKIWARKI INTERNETOWE to doskonały sposób na znalezienie potrzebnych informacji w Internecie. Najpopularniejsze wyszukiwarki to: http://www.google.pl/ http://www.netsprint.pl/
Bardziej szczegółowoSprzedaż online. Piotr Sankowski Uniwersytet Warszawski Warszawa p. 1/40
Sprzedaż online Piotr Sankowski Uniwersytet Warszawski Warszawa 18.04.2013 - p. 1/40 Plan wykładu Problem skojarzeń online Algorytm zachłanny Algorytm losowo rankujacy Dolne ograniczenie Problem aukcji
Bardziej szczegółowoAlgorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation)
Algorytmy mrówkowe (optymalizacja kolonii mrówek, Ant Colony optimisation) Jest to technika probabilistyczna rozwiązywania problemów obliczeniowych, które mogą zostać sprowadzone do problemu znalezienie
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 13. wykład z algebry liniowej Warszawa, styczeń 2018 Mirosław Sobolewski (UW) Warszawa, 2018 1 /
Bardziej szczegółowoWykład 8. Drzewo rozpinające (minimum spanning tree)
Wykład 8 Drzewo rozpinające (minimum spanning tree) 1 Minimalne drzewo rozpinające - przegląd Definicja problemu Własności minimalnych drzew rozpinających Algorytm Kruskala Algorytm Prima Literatura Cormen,
Bardziej szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowoMatematyka dyskretna - 7.Drzewa
Matematyka dyskretna - 7.Drzewa W tym rozdziale zajmiemy się drzewami: specjalnym przypadkiem grafów. Są one szczególnie przydatne do przechowywania informacji, umożliwiającego szybki dostęp do nich. Definicja
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej
Wstęp do sieci neuronowych, wykład 12 Wykorzystanie sieci rekurencyjnych w optymalizacji grafowej Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2013-01-09
Bardziej szczegółowoGraf. Definicja marca / 1
Graf 25 marca 2018 Graf Definicja 1 Graf ogólny to para G = (V, E), gdzie V jest zbiorem wierzchołków (węzłów, punktów grafu), E jest rodziną krawędzi, które mogą być wielokrotne, dokładniej jednoelementowych
Bardziej szczegółowoWyszukiwanie informacji
Wyszukiwanie informacji Informatyka Temat 1 Krotoszyn, wrzesień 2015 r. 1 Informatyka 1 Przeszukiwanie zasobów internetowych Krotoszyn, 2015 r. Spis treści prezentacji 1. Wprowadzenie 2. Gdzie szukać informacji?
Bardziej szczegółowoPozycjonowanie stron w wyszukiwarkach internetowych. Szansa dla małych i średnich firm na konkurowanie z największymi
Pozycjonowanie stron w wyszukiwarkach internetowych Szansa dla małych i średnich firm na konkurowanie z największymi Podstawowe informacje na temat pozycjonowania Według badań Search Engine Watch 81% internautów
Bardziej szczegółowoProgramowanie dynamiczne i algorytmy zachłanne
Programowanie dynamiczne i algorytmy zachłanne Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii
Bardziej szczegółowoInteligentne systemy informacyjne
Filip Graliński Inteligentne systemy informacyjne Między stronami Wewnętrzna Ocena strony Zewnętrzna adversarial information retrieval = wyszukiwanie informacji we wrogim środowisku (spamerzy!) Unigram
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda
Wstęp do sieci neuronowych, wykład 9. M. Czoków, J. Piersa 2010-12-07 1 Sieci skierowane 2 Modele sieci rekurencyjnej Energia sieci 3 Sieci skierowane Sieci skierowane Sieci skierowane graf połączeń synaptycznych
Bardziej szczegółowoPodstawowe własności grafów. Wykład 3. Własności grafów
Wykład 3. Własności grafów 1 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2). 2 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2).
Bardziej szczegółowoGrafy co o ich rysowaniu wiedzą przedszkolaki i co z tego wynika dla matematyków
Wykłady popularne z matematyki Grafy co o ich rysowaniu wiedzą przedszkolaki i co z tego wynika dla matematyków Joanna Jaszuńska Politechnika Warszawska, 6 maja 2010 Grafy Wykłady popularne z matematyki,
Bardziej szczegółowo1. Promocja sklepu. 1.1. Wysokość pozycjonowania.
1. Promocja sklepu Według Forrester Research ponad 80 proc. użytkowników sieci wykorzystuje wyszukiwarki internetowe do dotarcia do informacji dotyczących produktów i usług. Przeciętny internauta częściej
Bardziej szczegółowoAlgorytmy wyznaczania centralności w sieci Szymon Szylko
Algorytmy wyznaczania centralności w sieci Szymon Szylko Zakład systemów Informacyjnych Wrocław 10.01.2008 Agenda prezentacji Cechy sieci Algorytmy grafowe Badanie centralności Algorytmy wyznaczania centralności
Bardziej szczegółowoAlgorytmy mrówkowe w dynamicznych problemach transportowych
y w dynamicznych problemach transportowych prof. dr hab Jacek Mandziuk MiNI, PW 3 czerwca 2013 Cel pracy Zbadanie zachowania algorytmu go zwykłego oraz z zaimplementowanymi optymalizacjami dla problemów
Bardziej szczegółowoKsięgarnia internetowa Lubię to!» Nasza społeczność
Kup książkę Poleć książkę Oceń książkę Księgarnia internetowa Lubię to!» Nasza społeczność SPIS TREŚCI Drodzy Uczniowie!........................................... 5 Rozdział 1. Bezpieczne posługiwanie
Bardziej szczegółowoMATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY
ERIAŁY DO WYKŁADU GRAFY Graf nieskierowany Grafem nieskierowanym nazywamy parę G = (V, E), gdzie V jest pewnym zbiorem skończonym (zwanym zbiorem wierzchołków grafu G), natomiast E jest zbiorem nieuporządkowanych
Bardziej szczegółowoE: Rekonstrukcja ewolucji. Algorytmy filogenetyczne
E: Rekonstrukcja ewolucji. Algorytmy filogenetyczne Przypominajka: 152 drzewo filogenetyczne to drzewo, którego liśćmi są istniejące gatunki, a węzły wewnętrzne mają stopień większy niż jeden i reprezentują
Bardziej szczegółowoWokół wyszukiwarek internetowych
Wokół wyszukiwarek internetowych Bartosz Makuracki 23 stycznia 2014 Przypomnienie Wzór x 1 = 1 d N x 2 = 1 d N + d N i=1 p 1,i x i + d N i=1 p 2,i x i. x N = 1 d N + d N i=1 p N,i x i Oznaczenia Gdzie:
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoDrzewa. Jeżeli graf G jest lasem, który ma n wierzchołków i k składowych, to G ma n k krawędzi. Własności drzew
Drzewa Las - graf, który nie zawiera cykli Drzewo - las spójny Jeżeli graf G jest lasem, który ma n wierzchołków i k składowych, to G ma n k krawędzi. Własności drzew Niech T graf o n wierzchołkach będący
Bardziej szczegółowoJak pisać publikacje naukowe? Nie o naukowej, a technicznej stronie pisania artykułu
XXVIII Letnia Szkoła Naukowa Metodologii Nauk Empirycznych Zakopane, 12-14.05.2014 Jak pisać publikacje naukowe? Nie o naukowej, a technicznej stronie pisania artykułu Maciej Zaborowicz Instytut Inżynierii
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoMateriały do projektów dostępne w Internecie
Internet pełen jest treści, których użycie może znacznie uatrakcyjnić lekcje. Podpowiadamy, jak je znaleźć i nie narazić się przy tym na zarzuty o łamanie prawa. Często przygotowując się do lekcji czy
Bardziej szczegółowoMatematyka dyskretna
Matematyka dyskretna Wykład 13: Teoria Grafów Gniewomir Sarbicki Literatura R.J. Wilson Wprowadzenie do teorii grafów Definicja: Grafem (skończonym, nieskierowanym) G nazywamy parę zbiorów (V (G), E(G)),
Bardziej szczegółowoROZDZIAŁ 2. INTERNET. Lekcja 5. Temat: Przeglądanie stron internetowych
ROZDZIAŁ 2. INTERNET Lekcja 5. Przeglądanie stron internetowych.................21 Lekcja 6. Wyszukiwanie informacji w internecie...............24 Lekcja 7. Gry w internecie...........................26
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Informacje podstawowe 1. Konsultacje: pokój
Bardziej szczegółowoProgramowanie liniowe metoda sympleks
Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2009 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 13
Bardziej szczegółowoINTERNET - NOWOCZESNY MARKETING
STRONA INTERNETOWA TO JUŻ ZBYT MAŁO! INTERNET ROZWIJA SIĘ Z KAŻDYM DNIEM MÓWIMY JUŻ O: SEM Search Engine Marketing, czyli wszystko co wiąże się z marketingiem internetowym w wyszukiwarkach. SEM jest słowem
Bardziej szczegółowoOdwrotna Notacja Polska
Odwrotna Notacja Polska Odwrotna Notacja Polska w skrócie ONP) jest sposobem zapisu wyrażeń arytmetycznych. Znak wykonywanej operacji umieszczany jest po operandach, argumentach tzw. zapis postfiksowy).
Bardziej szczegółowoDziałanie algorytmu oparte jest na minimalizacji funkcji celu jako suma funkcji kosztu ( ) oraz funkcji heurystycznej ( ).
Algorytm A* Opracowanie: Joanna Raczyńska 1.Wstęp Algorytm A* jest heurystycznym algorytmem służącym do znajdowania najkrótszej ścieżki w grafie. Jest to algorytm zupełny i optymalny, co oznacza, że zawsze
Bardziej szczegółowo5c. Sieci i przepływy
5c. Sieci i przepływy Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2016/2017 rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 5c. Sieci i przepływy zima 2016/2017 1 / 40 1 Definicje
Bardziej szczegółowoWyszukiwanie boolowskie i strukturalne. Adam Srebniak
Wyszukiwanie boolowskie i strukturalne Adam Srebniak Wyszukiwanie boolowskie W wyszukiwaniu boolowskim zapytanie traktowane jest jako zdanie logiczne. Zwracane są dokumenty, dla których to zdanie jest
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 14c 2 Definicje indukcyjne Twierdzenia dowodzone przez indukcje Definicje indukcyjne Definicja drzewa
Bardziej szczegółowoPoradnik SEO. Ilu z nich szuka Twojego produktu? Jak skutecznie to wykorzystać?
Poradnik SEO Poradnik SEO Internet to najszybciej rozwijające się medium. W Polsce jest już 15 mln użytkowników, ponad 90% z nich używa wyszukiwarki Google. Dziennie użytkownicy zadają ponad 130 milionów
Bardziej szczegółowoMetody Programowania
POLITECHNIKA KRAKOWSKA - WIEiK KATEDRA AUTOMATYKI i TECHNIK INFORMACYJNYCH Metody Programowania www.pk.edu.pl/~zk/mp_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 8: Wyszukiwanie
Bardziej szczegółowoWstęp do programowania
Wstęp do programowania Algorytmy zachłanne, algoritme Dijkstry Paweł Daniluk Wydział Fizyki Jesień 2013 P. Daniluk(Wydział Fizyki) WP w. XI Jesień 2013 1 / 25 Algorytmy zachłanne Strategia polegająca na
Bardziej szczegółowoSpis treści. Rozdział 1. Wprowadzenie, czyli kilka słów o komputerze / 11
Spis treści Rozdział 1. Wprowadzenie, czyli kilka słów o komputerze / 11 Spis treści 1.1. Czym zajmuje się informatyka? / 12 1.1.1. Bezpieczna praca z komputerem / 13 Pytania i zadania / 15 1.2. Komputer
Bardziej szczegółowoPageRank i HITS. Mikołajczyk Grzegorz
PageRank i HITS Mikołajczyk Grzegorz PageRank Metoda nadawania indeksowanym stronom internetowym określonej wartości liczbowej, oznaczającej jej jakość. Algorytm PageRank jest wykorzystywany przez popularną
Bardziej szczegółowoDrzewa rozpinajace, zbiory rozłaczne, czas zamortyzowany
, 1 2 3, czas zamortyzowany zajęcia 3. Wojciech Śmietanka, Tomasz Kulczyński, Błażej Osiński rozpinajace, 1 2 3 rozpinajace Mamy graf nieskierowany, ważony, wagi większe od 0. Chcemy wybrać taki podzbiór
Bardziej szczegółowoAlgorytmy grafowe. Wykład 1 Podstawy teorii grafów Reprezentacje grafów. Tomasz Tyksiński CDV
Algorytmy grafowe Wykład 1 Podstawy teorii grafów Reprezentacje grafów Tomasz Tyksiński CDV Rozkład materiału 1. Podstawowe pojęcia teorii grafów, reprezentacje komputerowe grafów 2. Przeszukiwanie grafów
Bardziej szczegółowoAlgorytmiczna teoria grafów
Przedmiot fakultatywny 20h wykładu + 20h ćwiczeń 21 lutego 2014 Zasady zaliczenia 1 ćwiczenia (ocena): kolokwium, zadania programistyczne (implementacje algorytmów), praca na ćwiczeniach. 2 Wykład (egzamin)
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 szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY Metoda K Najbliższych Sąsiadów K-Nearest Neighbours (KNN) ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowo1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb.
1. Algorytmy przeszukiwania. Przeszukiwanie wszerz i w głąb. Algorytmy przeszukiwania w głąb i wszerz są najczęściej stosowanymi algorytmami przeszukiwania. Wykorzystuje się je do zbadania istnienia połączenie
Bardziej szczegółowoSieci komputerowe. Wykład 0: O czym jest ten przedmiot. Marcin Bieńkowski. Instytut Informatyki Uniwersytet Wrocławski
Sieci komputerowe Wykład 0: O czym jest ten przedmiot Marcin Bieńkowski Instytut Informatyki Uniwersytet Wrocławski Sieci komputerowe (II UWr) Wykład 0 1 / 17 Wprowadzenie Co o sieci wie sama sieć Sieć
Bardziej szczegółowoProcesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku.
Procesy Markowa zawdzięczają swoją nazwę ich twórcy Andriejowi Markowowi, który po raz pierwszy opisał problem w 1906 roku. Uogólnienie na przeliczalnie nieskończone przestrzenie stanów zostało opracowane
Bardziej szczegółowoAlgorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP
Algorytm dyskretnego PSO z przeszukiwaniem lokalnym w problemie dynamicznej wersji TSP Łukasz Strąk lukasz.strak@gmail.com Uniwersytet Śląski, Instytut Informatyki, Będzińska 39, 41-205 Sosnowiec 9 grudnia
Bardziej szczegółowoGrafy dla każdego. dr Krzysztof Bryś. Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska.
Grafy dla każdego dr Krzysztof Bryś brys@mini.pw.edu.pl Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska www.mini.pw.edu.pl Warszawa, 28 marca 2015 Graf składa się z elementów pewnego zbioru
Bardziej szczegółowoLingwistyczny system definicyjny wykorzystujący korpusy tekstów oraz zasoby internetowe.
Lingwistyczny system definicyjny wykorzystujący korpusy tekstów oraz zasoby internetowe. Autor: Mariusz Sasko Promotor: dr Adrian Horzyk Plan prezentacji 1. Wstęp 2. Cele pracy 3. Rozwiązanie 3.1. Robot
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 szczegółowoMapa witryny - Poradnik od A do Z
Mapa witryny - Poradnik od A do Z Submit URL czy mapa Google? Istnieje specjalny formularz Google do zgłaszania nowych podstron w serwisie, który potrafi błyskawicznie dodać adres URL do indeksu wyszukiwarki:
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 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 szczegółowoAlgorytmika Internetu
Algorytmika Internetu Krzysztof Diks Instytut Informatyki Uniwersytet Warszawski informatyka + 2 Czym jest algorytmika? Przepisy określiliśmy mianem algorytmów, obszar zaś ludzkich dociekań, wiedzy i doświadczeń
Bardziej szczegółowoEdytor materiału nauczania
Edytor materiału nauczania I. Uruchomienie modułu zarządzania rozkładami planów nauczania... 2 II. Opuszczanie elektronicznej biblioteki rozkładów... 5 III. Wyszukiwanie rozkładu materiałów... 6 IV. Modyfikowanie
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoPodręcznik użytkownika Platformy Edukacyjnej Zdobywcy Wiedzy (zdobywcywiedzy.pl)
Podręcznik użytkownika Platformy Edukacyjnej Zdobywcy Wiedzy (zdobywcywiedzy.pl) Spis treści Wstęp... 4 Strona główna platformy... 4 Logowanie do aplikacji... 5 Logowanie poprzez formularz logowania...
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 szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoALHE. prof. Jarosław Arabas semestr 15Z
ALHE prof. Jarosław Arabas semestr 15Z Wykład 5 Błądzenie przypadkowe, Algorytm wspinaczkowy, Przeszukiwanie ze zmiennym sąsiedztwem, Tabu, Symulowane wyżarzanie 1. Błądzenie przypadkowe: Pierwszym krokiem
Bardziej szczegółowoLiczby losowe i pętla while w języku Python
Liczby losowe i pętla while w języku Python Mateusz Miotk 17 stycznia 2017 Instytut Informatyki UG 1 Generowanie liczb losowych Na ogół programy są spójne i prowadzą do przewidywanych wyników. Czasem jednak
Bardziej szczegółowo