Recenzja rozprawy doktorskiej mgr inż. Szymona Lechwara
|
|
- Judyta Wieczorek
- 7 lat temu
- Przeglądów:
Transkrypt
1 Katowice, r. Recenzja rozprawy doktorskiej mgr inż. Szymona Lechwara pt. Opracowanie wizyjnego klasyfikatora wad powierzchni związanych z występowaniem zgorzeliny w procesie walcowania blach na gorąco Recenzja została opracowana za zlecenie Rady Wydziały Inżynierii Metali i Informatyki Przemysłowej AGH w Krakowie, uchwała z dnia r. Ocena wyboru tematu, tezy i celu pracy Praca dotyczy ważnej i aktualnej problematyki zastosowania metod sztucznej inteligencji (SI), które coraz powszechniej stają się w pełni użytecznymi i profesjonalnymi narzędziami informatycznymi. W szczególności wzrasta ilość ich praktycznych zastosowań w różnych dziedzinach. Ukierunkowanie opiniowanej pracy na zastosowanie SI do klasyfikowania wad powierzchni blach walcowanych na gorąco, jest zgodne z kierunkami badań prowadzonych na świecie. Ogromna ilość prac naukowych pojawiająca się na świecie w obszarze, zarówno teorii jak i zastosowań, metod sztucznej inteligencji świadczy o aktualności i ważności tej problematyki, ale także o tym że wiele zagadnień jest wciąż otwartych i oczekujących na rozwiązanie. Praca doktorska mgr inż. Szymona Lechwara mieści się w tym nurcie badawczym. Podjęta przez niego tematyka jest niewątpliwie ważna zarówno pod względem poznawczym, jak i utylitarnym. W związku z tym wybór tematu i przyjęty zakres rozprawy uważam za właściwy. Teza dysertacji została wyrażona w sposób jawny. Autor twierdzi, że zastosowanie hybrydowej klasyfikacji z wykorzystaniem metod sztucznej inteligencji pozwoli na znaczącą poprawę jakości klasyfikacji wad typu zgorzelina występujących w badanym procesie. Tak postawiona teza pracy nie budzi zastrzeżeń. Przedstawione przez autora wybrane wyniki klasyfikacji za pomocą systemu ASIS (tab.6.1) wskazują na niską jakość klasyfikacji systemowej. Dlatego jest prawie pewne, ze zastosowanie dodatkowego klasyfikatora poprawi jakość klasyfikacji.
2 Autor formułuje również dwa główne cele pracy, tj.: opracowanie hybrydowego klasyfikatora, porównanie obecnego stanu oceny jakości powierzchni blach i taśm do stanu po zastosowaniu opracowanego klasyfikatora. Z pewnością można stwierdzić, że zrealizowano cel dotyczący analizy porównawczej jakości klasyfikacji, natomiast pozostałe jedynie częściowo (opracowanemu klasyfikatorowi daleko do optymalności). Mimo przedstawionych uwag, co do stopnia realizacji celów pracy należy stwierdzić, że ich treść dobrze oddaje zakres rozprawy. Ocena wartości naukowej pracy Pierwsza część pracy (rozdz. 1 i 2) została poświecona opisowi stanu obecnego problematyki kontroli jakości blach i taśm oraz omówiono podstawy teoretyczne powstawania zgorzeliny w procesie walcowania stali na gorąco. Skoncentrowano się tu na opisie systemu ASIS do wizyjnej kontroli jakości powierzchni blach i taśm. Rozdział 2 przedstawia zagadnienia wykorzystania metod sztucznej inteligencji w przetwarzaniu i analizie obrazów. Autor prezentuje dobre rozeznanie literaturowe i jasno omawia podstawy teoretyczne rozpoznawania obrazów. Omawiana jest również problematyka wykorzystania metod sztucznej inteligencji w systemach typu ASIS, ze szczególnym uwzględnieniem klasyfikacji wad typu zgorzelina. Na podstawie wniosków wyciągniętych w tej części pracy możliwe było sformułowanie tezy oraz celów pracy prezentowanych w rozdziale 3. Ta część pracy napisana jest dość dobrze i syntetycznie. Dobór i wykorzystanie źródeł jest właściwe. W rozdziale 4 opisano przyjęta metodykę badań. Przedstawiono procedurę budowy systemu hybrydowej klasyfikacji. Przeanalizowano występowanie braków danych, występowanie cech o małej zmienności, postępowanie z wartościami odstającymi oraz transformacje zmiennych wejściowych. Omówiono metodykę wydobywania danych z bazy systemu ASIS oraz sposób przygotowania ciągów uczących. Dokonano przeglądu i wyboru oprogramowania wspomagającego proces klasyfikacji. Opracowana metodyka badań jest poprawna, a wybrane oprogramowanie jest jednym z najczęściej stosowanych do tego typu badań na świecie. Druga część pracy (rozdz. 5-8) zawiera wyniki badań własnych doktoranta. Autor najpierw, z ogromnej liczny różnych wad powierzchni klasyfikowanych przez system ASIS, wybiera osiem oddzielnych klas wad typu zgorzelina. 7 klas podlegało bezpośredniej klasyfikacji w pojedynczym akcie decyzyjnych, a ósma klasa, zgorzelina pasmowa, miała być 2
3 klasyfikowana wieloetapowo, wg. algorytmu zaproponowanego przez autora. Tak więc, opracowany system miał rozpoznawać tylko siedem typów wad. Dla opracowania modelu klasyfikacyjnego dokonano selekcji cech (840 cech przypisywał do każdego obrazu system ASIS). Przyjęto, że cechy których odchylenie standardowe było mniejsze lub równe 0,08 były nadmiarowe. Usuwanie zmiennych na podstawie odchylenia standardowego nie jest właściwą metodą, gdyż odchylenie standardowe jest funkcją liniowo zależną od skali. Byłoby lepiej, gdyby najpierw dokonano normalizacji atrybutów, ale niestety w ramach wstępnej redukcji cech nie dokonano żadnych przekształceń i transformacji. W kolejnym kroku usunięto silnie skorelowane cechy o korelacji większej lub równej 0,95. Nie wiadomo jednak, czy usunięte zostały obydwie skorelowane cechy, czy jedna z nich. Cała ta operacja nie jest jednak w ogóle potrzebna, gdyż dalej autor dokonuje redukcji wymiarowości zagadnienia, w której to metodzie cechy silnie skorelowane zostaną automatycznie usunięte. Autor do redukcji wymiarowości stosuje metodę PCA. Wyniki na rys.29 mają potwierdzać odrzucenie przez autora metody redukcji wymiarowości w oparciu o grupowanie cech. Wniosek taki trudno jest uzasadnić w oparciu o zamieszczone wyniki. Trudno bowiem potwierdzić lub odrzucić tę hipotezę, gdy na wykresie brak informacji o występujących odchyleniach standardowych. Może się bowiem okazać, że widoczne różnice są jedynie błędami procesu testowania. Tym bardziej, że przy tak niskim poziomie klasyfikacji (ok. 50%) odchylenia standardowe mogą być duże. Jeśli autor chciał już koniecznie odrzucić metody redukcji wymiarowości lepiej byłoby do porównania rezultatów zastosować podejście oparte na testowaniu hipotez statystycznych. Poza tym, jeśli chcemy porównać dokładności uzyskane na zredukowanych cechach z oryginalnymi (str.86) powinny być przeprowadzone testy na wszystkich 840 cechach, gdyż przez arbitralną selekcję autor mógł usunąć cechy istotne. Najważniejsza niejasność wynika z braku informacji, czy autor przeprowadził normalizację cech przed ich grupowaniem. W sposób istotny wpłynie to na późniejsze działanie klasyfikatora. Przeprowadzona w rozdz i dalszych selekcja cech wymaga dodatkowych wyjaśnień. Po pierwsze, sposób podziału zbioru danych na część treningową i testową może istotnie wpłynąć na dokładność klasyfikacji. Autor stwierdza, że przydzielono cechom odpowiednie wagi, brak jednak informacji, czy zrobiono to tylko na części treningowej, czy na całym zbiorze danych, przed dokonaniem podziału. Ta różnica ma istotny wpływ na jakość wyników. Duże zastrzeżenia budzi selekcja cech przeprowadzona z wykorzystaniem algorytmu SVM (rozdz.6.4.3). Przyjęcie c=0.0 i γ=0.0 powoduje, że funkcja jądrowa (autor 3
4 przyjął gaussowską) jest stała ( 1) i brak jest regularyzacji. C jest stałą, zadaną przez użytkownika, zmieniającą udział błędu uczenia w stosunku do wielkości wektora wag. Wzrost c karze duże błędy, więc w konsekwencji prowadzi do poprawy dokładności klasyfikacji. Przyjęcie c=0 powoduje, że możliwa jest minimalizacja wektora wag przy dużych błędach. Brak również, w dalszym ciągu pracy, informacji przy jakich wartościach wymienionych parametrów był stosowany SVM w podejściu filter. Zastrzeżenia budzi także przyjęcie w podejściu wrapper 13 cech (80% dokładności), skoro przy 18 cechach dokładność wynosi 92%. Selekcję cech w podejściu filter przeprowadzono na wszystkich przykładach uczących, natomiast powinna być wykonana tylko na danych treningowych (prowadzi to do przeszacowania wyników). Optymalizacja parametru ε (rozdz.6.5.1), to także przykład niewłaściwego zastosowania algorytmu SVM. Epsilon to kryterium stopu procesu optymalizacji. Ustawianie tego parametru na duże wartości (do 2000) oznacza, że algorytm praktycznie natychmiast skończy swoje działanie. W całej pracy nie można się doszukać informacji, czy dane były znormalizowane. Ten element będzie miał bardzo duży wpływ na jakość predykcji SVM, bo jeśli atrybuty nie były znormalizowane do wyniki są mało wiarygodne. Całość badań przeprowadzonych z wykorzystaniem algorytmu SVM wskazuje na wiele braków i niejasności i wymaga dodatkowych wyjaśnień. Selekcja cech przeprowadzona z wykorzystaniem modeli ANN i DT budzi podobne zastrzeżenia jak w przypadku modelu SVM. Jednym z najważniejszych parametrów architektury sztucznych sieci neuronowych jest liczba neuronów ukrytych. Autor podobnie jak w przypadku SVM przyjmuje dyfoltowe wartości występujące w oprogramowaniu RapidMiner, nie próbując nawet optymalizować ich. Jeśli wyniki przedstawione na rys.31 uzyskano robiąc selekcję na całym zbiorze danych, a model klasyfikacyjny sprawdzając jedynie na danych testowych, to oznacza że wyniki te są przeszacowane. Autor myli także bias (str.90, 97) z neuronami wejściowymi (jeśli mamy 6 cech to mamy również 6 neuronów wejściowych). Tzw. węzeł progowy to nic innego jak wyraz wolny lub bias w neuronach sieci neuronowej. Autorzy RapidMinera dodali wyraz wolny w postaci dodatkowego neuronu, na wejściu którego zawsze jest wartość równa 1. W rozdz autor optymalizuje liczbę cykli uczenia. Liczba cykli może być jedynie dodatkowym warunkiem zakończenia uczenia, po osiągnięciu odpowiedniej dokładności. Przecież jeśli przyjmiemy zbyt małą liczbę epok uczenia (cykli), to sieć w ogóle się nie nauczy, a jeśli zbyt dużą to nastąpi przeuczenie (ang. overtraining). Potwierdzają to wyniki z rys.36. Widoczne różnice to efekt zwykłych fluktuacji i wyboru punktu startu sieci, a nie wpływu zmian parametrów modelu. 4
5 Z kolei stosowanie selekcji cech z wykorzystaniem drzew decyzji ma niewielkie zastosowanie praktyczne, gdyż drzewa decyzji same wybierają podzbiór cech na etapie budowy drzewa. Drzewa decyzji należą do tak zwanych metod wbudowanych selekcji cech, gdzie selekcja cech jest wbudowana w model uczący się. Również przyjęte w rozdz podejście budzi zastrzeżenia. Nazwane przez autora min. wzmocnienie (ang. min. gain) oznacza, że nowy węzeł zostanie wygenerowany, gdy zysk informacyjny z jego powstania będzie większy, niż wartość tego parametru. Ustawianie go na 0 lub100 raczej nie ma sensu. Interesujące byłoby raczej wyjaśnienie osiągniętego wyniku, że dla jedynie 2 cech wejściowych jakość i precyzja klasyfikacji wyniosła 88.4% (str.106). Co to za cechy i jak wyglądało drzewo? Ogólnie uwagi dotyczące drzew decyzji jako klasyfikatorów można przedstawić następująco. Drzewa decyzji mogą jedynie robić cięcia na pojedynczych cechach - tak samo działają też drzewa wzmacniane. Powoduje to, że jeśli dane których używał autor są typu obraz (zdjęcie) (lub cechy wyekstrahowane ze zdjęcia) to drzewa są kiepskim klasyfikatorem (do danych typu obraz używa się modeli "patrzących" na wiele atrybutów razem np. SVM, MLP, knn itp.). Dzieję się tak dlatego, że w danych tego typu zwykle konieczne jest wystąpienie wielu wartości jednocześnie, aby decyzja była jednoznaczna. Robiąc podział na jednym naraz atrybucie, nie jesteśmy tego w stanie wyłapać. Co więcej, różnice na pojedynczym atrybucie mogą być wynikiem błędów pomiarowych, co spowoduje że drzewo przy zastosowaniu standardowych kryteriów ma problem, aby wybrać dobry atrybut do wykonania cięcia. Zbudowane modele DT wyglądają na przeuczone. Nie przeprowadzono żadnych badań stabilności drzew. Drzewa są zwykle niezbyt stabilnymi klasyfikatorami (wymiana, czasem 1 wektora uczącego może prowadzić do zupełnie innego drzewa). Ocena opracowania redakcyjnego rozprawy Rozprawa została napisana w układzie typowym dla prac doktorskich. Na całość składa się 130 stron zasadniczego tekstu pracy, podzielonego na 8 rozdziałów, w tym 43 rysunki i spis literatury (nienumerowany). Dodatkowo pracę uzupełniono o trzy załączniki zawierające częściowe wyniki klasyfikacji. Redakcja rozprawy jest staranna, zamieszczone rysunki są dobrej jakości. Rozprawa zawiera niewiele błędów o charakterze edycyjnym. Na kilka jednak uchybień chce zwrócić uwagę, gdyż mogą one rzutować na dalsze publikacje autora: autor często powołuje się na wczesne prace z jakiegoś obszaru, w których pojawiały się po raz pierwszy pewne idee (np. Pearson 1901), (Pareto, 1935), natomiast w praktyce korzysta ze znacznie późniejszych, powstałych na ich podstawie opracowań, 5
6 często używane żargonowe sformułowanie ręczna (klasyfikacja, dobór i in.), przecież jednak nie w znaczeniu manualna, ale w znaczeniu nie automatyczna, używanie skrótów np.: model ANN, model DT itp. które pochodzą od nazw angielskich, a równocześnie obok pisanie pełnych nazw po polsku. Podsumowanie rozprawy i wnioski w ogólności potwierdzają uzyskane wyniki. Należy zgodzić się z autorem, że klasyfikator został zbudowany. Było to głównym celem pracy i przedmiotem pierwszej części tezy. Trudniej już zgodzić się, że jest to najlepszy z możliwych do zbudowania klasyfikatorów. Jak przedstawiono wyżej, autor nie przeprowadził optymalizacji badanych rozwiązań. W najlepszym razie można przyjąć, że opracowano pewien zarys metodyki hybrydowej klasyfikacji wad typu zgorzelina. Przeprowadzona natomiast w rozdz. 7 implementacja pozwoliła na wykonanie weryfikacji jakości klasyfikacji systemu hybrydowej klasyfikacji i porównanie stanu możliwości oceny wadliwości pasma przed i po wdrożeniu opisywanych w pracy rozwiązań. Uzyskane wyniki potwierdzają postawioną tezę pracy i drugi z celów pracy. Podsumowując chciałbym stwierdzić, że praca mimo pewnych braków, niedociągnięć i uproszczonej analizy modelowej wnosi pewne nowe elementy do problematyki inteligentnego modelowania procesów metalurgicznych. Doktorant wykazał przygotowanie, szczególnie od strony praktycznej, do modelowania procesów technologicznych związanych z metalurgią. Dla zrealizowania postawionej tezy poprawnie zaplanował badania, opracował modele i rozwiązał je. Umożliwiło mu to dokonanie analizy badanego procesu technologicznego. Ocena końcowa pracy Wykonana praca stanowi wkład Doktoranta w poznanie zjawisk i modelowanie z wykorzystaniem metod sztucznej inteligencji procesów metalurgicznych. Doktorant rozwiązał podjęte zadania badawcze. Opiniowana praca spełnia wymagania stawiane rozprawom doktorskim przez odnośne ustawy i na tej podstawie wnioskuje o dopuszczenie mgr inż. Szymona Lechwara do publicznej obrony rozprawy przed Radą Wydziału Inżynierii Metali i Informatyki Przemysłowej AGH w Krakowie. 6
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
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 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 szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowoRECENZJA. 1. Ogólna charakterystyka rozprawy
Dr hab. inż. Tomasz Dyl Akademia Morska w Gdyni Wydział Mechaniczny Gdynia, 18.05.2015r. RECENZJA Rozprawy doktorskiej mgr inż. Dominiki Strycharskiej pt. Techniczno-ekonomiczne aspekty wielożyłowego walcowania
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 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 szczegółowoOPINIA. o rozprawie doktorskiej mgr inż. Beaty Potrzeszcz-Sut, pt. Sieci neuronowe w wybranych zagadnieniach mechaniki konstrukcji i materiałów".
POLITECHNIKA RZESZO KA im. IGNACEGO ł.ukasiewitza e WYDZIAŁ BUDOWNICTWA. INŻYNlERII ŚRODOWISKA I ARCHITEKTURY f'olitttl!ntli.i llzłllilow!>juij Prof. dr hab. inż. Leonard Ziemiański Katedra Mechaniki Konstrukcji
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej 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 szczegółowoMetody selekcji cech
Metody selekcji cech A po co to Często mamy do dyspozycji dane w postaci zbioru cech lecz nie wiemy które z tych cech będą dla nas istotne. W zbiorze cech mogą wystąpić cechy redundantne niosące identyczną
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowodr hab. inż. Krzysztof Zatwarnicki, prof. PO Opole, r. Wydział Elektrotechniki, Automatyki i Informatyki Politechnika Opolska
dr hab. inż. Krzysztof Zatwarnicki, prof. PO Opole, 26.05.2018 r. Wydział Elektrotechniki, Automatyki i Informatyki Politechnika Opolska RECENZJA rozprawy doktorskiej Pana mgr inż. Adama Dudka pt. Model
Bardziej szczegółowoRECENZJA rozprawy doktorskiej mgr inż. Sebastiana Schaba pod tytułem Technologia wytwarzania granulowanych nawozów wieloskładnikowych typu NP i NPK
Prof. dr hab. inż. Zygmunt Kowalski Kraków 2017-07-09 Instytut Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk RECENZJA rozprawy doktorskiej mgr inż. Sebastiana Schaba pod tytułem Technologia
Bardziej szczegółowoSpis treści. Analiza i modelowanie_nowicki, Chomiak_Księga1.indb :03:08
Spis treści Wstęp.............................................................. 7 Część I Podstawy analizy i modelowania systemów 1. Charakterystyka systemów informacyjnych....................... 13 1.1.
Bardziej szczegółowoRecenzja mgr Anny ŚLIWIŃSKIEJ Ilościowa ocena obciążeń środowiskowych w procesie skojarzonego wytwarzania metanolu i energii elektrycznej
Dr hab. inż. Jolanta Biegańska, prof. nzw. w Pol. Śl. Gliwice, 25.07.2013 Politechnika Śląska Wydział Inżynierii Środowiska i Energetyki Katedra Technologii i Urządzeń Zagospodarowania Odpadów ul. Konarskiego
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoKatedra Energoelektroniki i Automatyki Systemów Przetwarzania Energii Akademia Górniczo-Hutnicza im. St. Staszica al. Mickiewicza Kraków
dr hab. inż. Andrzej Bień prof. n. AGH Kraków 2015-08-31 Katedra Energoelektroniki i Automatyki Systemów Przetwarzania Energii Akademia Górniczo-Hutnicza im. St. Staszica al. Mickiewicza 30 30-059 Kraków
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 szczegółowoRecenzja rozprawy doktorskiej mgr Łukasza Gadomera pt. Rozmyte lasy losowe oparte na modelach klastrowych drzew decyzyjnych w zadaniach klasyfikacji
Prof. dr hab. inż. Eulalia Szmidt Instytut Badań Systemowych Polskiej Akademii Nauk ul. Newelska 6 01-447 Warszawa E-mail: szmidt@ibspan.waw.pl Warszawa, 30.04.2019r. Recenzja rozprawy doktorskiej mgr
Bardziej szczegółowoPodstawa formalna recenzji: pismo Pana Dziekana Wydziału Inżynierii Zarządzania Politechniki Poznańskiej z dnia 25.02.2013 r.
Prof. dr hab. inż. Tomasz Nowakowski Politechnika Wrocławska Instytut Konstrukcji i Eksploatacji Maszyn Zakład Logistyki i Systemów Transportowych Wyb. Wyspiańskiego 27 50-370 Wrocław Wrocław, 1.05.2013
Bardziej szczegółowoInformacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów
Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie
Bardziej szczegółowoPrzedstawiona do recenzji rozprawa doktorska Pana mgra inż. Adama Dudka pt. :
Wrocław, dnia 30 maja 2018 r. Dr hab. inż. Ireneusz Jóźwiak, prof. PWr. Wydział Informatyki i Zarządzania Politechnika Wrocławska Wybrzeże Wyspiańskiego 27 50-370 Wrocław Recenzja rozprawy doktorskiej
Bardziej szczegółowoSummary in Polish. Fatimah Mohammed Furaiji. Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling
Summary in Polish Fatimah Mohammed Furaiji Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling Zastosowanie symulacji wieloagentowej w modelowaniu zachowania konsumentów Streszczenie
Bardziej szczegółowoOpinia o pracy doktorskiej pt. On active disturbance rejection in robotic motion control autorstwa mgr inż. Rafała Madońskiego
Prof. dr hab. inż. Tadeusz Uhl Katedra Robotyki i Mechatroniki Akademia Górniczo Hutnicza Al. Mickiewicza 30 30-059 Kraków Kraków 09.06.2016 Opinia o pracy doktorskiej pt. On active disturbance rejection
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgr inż. Joanny Wróbel
Prof. dr hab. inż. Tadeusz BURCZYŃSKI, czł. koresp. PAN Instytut Podstawowych Problemów Techniki PAN ul. A. Pawińskiego 5B 02-106 Warszawa e-mail: tburczynski@ippt.pan.pl Warszawa, 15.09.2017 Recenzja
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej 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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się algorytmem gradientu prostego
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoRozprawy doktorskiej mgr Anny Marii Urbaniak-Brekke. pt.: Aktywność społeczności lokalnych w Polsce i Norwegii
dr hab. Andrzej Rokita, prof. nadzw. Akademia Wychowania Fizycznego we Wrocławiu Recenzja Rozprawy doktorskiej mgr Anny Marii Urbaniak-Brekke pt.: Aktywność społeczności lokalnych w Polsce i Norwegii w
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgr Bartosza Rymkiewicza pt. Społeczna odpowiedzialność biznesu a dokonania przedsiębiorstwa
Prof. dr hab. Edward Nowak Uniwersytet Ekonomiczny we Wrocławiu Katedra Rachunku Kosztów, Rachunkowości Zarządczej i Controllingu Recenzja rozprawy doktorskiej mgr Bartosza Rymkiewicza pt. Społeczna odpowiedzialność
Bardziej szczegółowoRecenzja Pracy Doktorskiej
Politechnika Częstochowska Wydział Inżynierii Produkcji i Technologii Materiałów Instytut Inżynierii Materiałowej Dr hab. inż. Michał Szota, Prof. P.Cz. Częstochowa, 15.10.2014 roku Recenzja Pracy Doktorskiej
Bardziej szczegółowoUCZENIE MASZYNOWE I SZTUCZNA INTELIGENCJA Jako narzędzia wspomagania decyzji w zarządzaniu kapitałem ludzkim organizacji
UCZENIE MASZYNOWE I SZTUCZNA INTELIGENCJA Jako narzędzia wspomagania decyzji w zarządzaniu kapitałem ludzkim organizacji Filip Wójcik Wydział Zarządzania, Informatyki i Finansów Instytut Informatyki Ekonomicznej
Bardziej szczegółowoWprowadzenie do uczenia maszynowego
Wprowadzenie do uczenia maszynowego Agnieszka Ławrynowicz 12 stycznia 2017 Co to jest uczenie maszynowe? dziedzina nauki, która zajmuje się sprawianiem aby komputery mogły uczyć się bez ich zaprogramowania
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoIdentyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji
Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody
Bardziej szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowodr hab. inż. Andrzej Żyluk, prof. ITWL Warszawa r. Instytut Techniczny Wojsk Lotniczych ul. Ks. Bolesława Warszawa RECENZJA
dr hab. inż. Andrzej Żyluk, prof. ITWL Warszawa 14.01.2015 r. Instytut Techniczny Wojsk Lotniczych ul. Ks. Bolesława 6 01-494 Warszawa RECENZJA rozprawy doktorskiej Pana mgr inż. Tadeusza MIKUTELA p.t.
Bardziej szczegółowo8. Drzewa decyzyjne, bagging, boosting i lasy losowe
Algorytmy rozpoznawania obrazów 8. Drzewa decyzyjne, bagging, boosting i lasy losowe dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Drzewa decyzyjne Drzewa decyzyjne (ang. decision trees), zwane
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoRECENZJA rozprawy doktorskiej mgr inż. Oleny Stryhunivskiej pt.: Integracja wizualizacji 3D z metodami projektowania procesów wytwarzania
dr hab. Agnieszka Tubis, prof. PWr Politechnika Wrocławska Wydział Mechaniczny Katedra Eksploatacji Systemów Logistycznych, Systemów Transportowych i Układów Hydraulicznych Wyb. Wyspiańskiego 27 50-370
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 szczegółowoRECENZJA ROZPRAWY DOKTORSKIEJ DLA RADY WYDZIAŁU ELEKTRONIKI I TECHNIK INFORMACYJNYCH POLITECHNIKI WARSZAWSKIEJ
Prof. dr hab. inż. Franciszek Seredyński Warszawa, 30.09.2016 Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie Instytut Informatyki Wydział Matematyczno-Przyrodniczy. Szkoła Nauk Ścisłych Ul. Wóycickiego
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 szczegółowoOpinia o pracy doktorskiej pt. Komputerowo wspomagana analiza przebiegów ph metrii i ph metrii z impedancją autorstwa mgr inż. Piotra Mateusza Tojzy
Prof. dr hab. inż. Tadeusz Uhl Katedra Robotyki i Mechatroniki Akademia Górniczo Hutnicza Al. Mickiewicza 30 30-059 Kraków Kraków 02.05.2016 Opinia o pracy doktorskiej pt. Komputerowo wspomagana analiza
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgr inż. Jarosława Błyszko
Prof. dr hab. inż. Mieczysław Kamiński Wrocław, 5 styczeń 2016r. Ul. Norwida 18, 55-100 Trzebnica Recenzja rozprawy doktorskiej mgr inż. Jarosława Błyszko pt.: Porównawcza analiza pełzania twardniejącego
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgr Mirona Bartosza Kursy p/t. Robust and Efficient Approach to Feature Selection and Machine Learning
Warszawa, 30.01.2017 Prof. Dr hab. Henryk Rybinski Instytut Informatyki Politechniki Warszawskiej hrb@ii.pw.edu.pl Recenzja rozprawy doktorskiej mgr Mirona Bartosza Kursy p/t. Robust and Efficient Approach
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoProf. dr hab. inż. Zygmunt Kowalski Kraków Instytut Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk
Prof. dr hab. inż. Zygmunt Kowalski Kraków 2017-03-01 Instytut Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk RECENZJA rozprawy doktorskiej mgr inż. Anny Podolak pod tytułem Badanie
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoRECENZJA. Rozprawy doktorskiej mgr inż. Kamila Lubikowskiego pt.
Dr hab. inż. Łukasz Konieczny, prof. P.Ś. Wydział Transportu Politechnika Śląska 20.08.2018 r. RECENZJA Rozprawy doktorskiej mgr inż. Kamila Lubikowskiego pt. Zastosowanie generatorów termoelektrycznych
Bardziej szczegółowoMetody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów
Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej
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 szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
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 szczegółowokwestionariusze badania ankietowego, karta badania, broszura informacyjna dla pacjentek,
Dr hab. o. med. Jerzy Krupiński, emeryt. profesor oadzw. ŚUM Katedra i Zakład Stomatologii Zachowawczej z Endodoocją ŚUM w Katowicach Kraków, 5 kwietnia 2018 Recenzja pracy doktorskiej lek. dent. Marty
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych klasyfikacja LABORKA Piotr Ciskowski zadanie 1. klasyfikacja zwierząt sieć jednowarstwowa żródło: Tadeusiewicz. Odkrywanie własności sieci neuronowych, str. 159 Przykład
Bardziej szczegółowoOntogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę
Norbert Jankowski Ontogeniczne sieci neuronowe O sieciach zmieniających swoją strukturę Warszawa 2003 Opracowanie książki było wspierane stypendium Uniwersytetu Mikołaja Kopernika Spis treści Wprowadzenie
Bardziej szczegółowoRECENZJA. Promotor: dr hab. inż. Mieczysław Zając
Bielsko-Biała, 14.11.2018 r. Prof. dr hab. inż. Mikołaj Karpiński Kierownik Katedry Informatyki i Automatyki Wydział Budowy Maszyn i Informatyki Akademia Techniczno-Humanistyczna w Bielsku-Białej RECENZJA
Bardziej szczegółowoRecenzja rozprawy doktorskiej
Dr hab. inż. Henryk Kocot, prof. PŚ Gliwice, 24 stycznia 2019 r. Instytut Elektroenergetyki i Sterowania Układów Wydział Elektryczny Politechniki Śląskiej Henryk.Kocot@polsl.pl Tel. 32 237 26 40 Recenzja
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY WALIDACJA KRZYŻOWA dla ZAAWANSOWANEGO KLASYFIKATORA KNN ĆWICZENIA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoprzetworzonego sygnału
Synteza falek ortogonalnych na podstawie oceny przetworzonego sygnału Instytut Informatyki Politechnika Łódzka 28 lutego 2012 Plan prezentacji 1 Sformułowanie problemu 2 3 4 Historia przekształcenia falkowego
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 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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z liniowym zadaniem najmniejszych
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej 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 szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
Bardziej szczegółowoMetodologia badań psychologicznych
Metodologia badań psychologicznych Lucyna Golińska SPOŁECZNA AKADEMIA NAUK Psychologia jako nauka empiryczna Wprowadzenie pojęć Wykład 5 Cele badań naukowych 1. Opis- (funkcja deskryptywna) procedura definiowania
Bardziej szczegółowoRecenzja pracy doktorskiej Mgr Macieja Chrzanowskiego pt.: Wykorzystanie otwartych innowacji w polskich przedsiębiorstwach
Warszawa, dn. 28.04.2017 r. Prof. dr hab. Andrzej Piotr Wiatrak Uniwersytet Warszawski, Wydział Zarządzania, Katedra Teorii Organizacji i Zarządzania Recenzja pracy doktorskiej Mgr Macieja Chrzanowskiego
Bardziej szczegółowo1. Analiza i ocena rozprawy
Prof. dr hab. inż. Marian Mazur Akademia Górniczo- Hutnicza im. St. Staszica Wydział Geodezji Górniczej i Inżynierii Środowiska Katedra Kształtowania i Ochrony Środowiska 30-059 Kraków, al. Mickiewicza
Bardziej szczegółowoOpinia o pracy doktorskiej pt. Damage Identification in Electrical Network for Structural Health Monitoring autorstwa mgr inż.
Prof. dr hab. inż. Tadeusz Uhl Katedra Robotyki i Mechatroniki Akademia Górniczo Hutnicza Al. Mickiewicza 30 30-059 Kraków Kraków 26.05.2011 Opinia o pracy doktorskiej pt. Damage Identification in Electrical
Bardziej szczegółowoPodstawa formalna recenzji Uwagi ogólne Ocena rozprawy
Prof. dr hab. Grzegorz Kończak Katowice 2018.04.16 Katedra Statystyki, Ekonometrii i Matematyki Uniwersytet Ekonomiczny w Katowicach ul. 1 Maja 50 40-287 Katowice Email: grzegorz.konczak@ue.katowice.pl
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.
mgr inż. Magdalena Deckert Poznań, 30.11.2010r. Metody przyrostowego uczenia się ze strumieni danych. Plan prezentacji Wstęp Concept drift i typy zmian Algorytmy przyrostowego uczenia się ze strumieni
Bardziej szczegółowodr hab. inż. Piotr Krawiec prof. PP Poznań, r. RECENZJA
dr hab. inż. Piotr Krawiec prof. PP Poznań, 10.05.2019 r. Wydział Inżynierii Transportu Katedra Podstaw Konstrukcji Maszyn Politechnika Poznańska ul. Piotrowo 3 60-965 Poznań piotr.krawiec@put.poznan.pl
Bardziej szczegółowoPromotorem rozprawy jest prof. dr hab. inż. Barbara Białecka, prof. GIG, a promotorem pomocniczym dr inż. Jan Bondaruk GIG.
Prof. dr hab. inż. Jolanta Biegańska Kraków, 28.07.2017 r. Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie al. Mickiewicza 30, 30-059 Kraków Wydział Górnictwa i Geoinżynierii Katedra Górnictwa
Bardziej szczegółowotel. (+4861) fax. (+4861)
dr hab. inż. Michał Nowak prof. PP Politechnika Poznańska, Instytut Silników Spalinowych i Transportu Zakład Inżynierii Wirtualnej ul. Piotrowo 3 60-965 Poznań tel. (+4861) 665-2041 fax. (+4861) 665-2618
Bardziej szczegółowoWybór / ocena atrybutów na podstawie oceny jakości działania wybranego klasyfikatora.
Wprowadzenie do programu RapidMiner Studio 7.6, część 7 Podstawy metod wyboru atrybutów w problemach klasyfikacyjnych, c.d. Michał Bereta www.michalbereta.pl Wybór / ocena atrybutów na podstawie oceny
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 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 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 szczegółowoUczenie maszynowe w zastosowaniu do fizyki cząstek
Uczenie maszynowe w zastosowaniu do fizyki cząstek Wykorzystanie uczenia maszynowego i głębokich sieci neuronowych do ćwiczenia 3. M. Kaczmarczyk, P. Górski, P. Olejniczak, O. Kosobutskyi Instytut Fizyki
Bardziej szczegółowoTytuł rozprawy: Metody semantycznej kategoryzacji w zadaniach analizy dokumentów tekstowych.
dr hab. inż. Piotr Gawrysiak, prof. PW Instytut Informatyki Wydział Elektroniki i Technik Informacyjnych Politechnika Warszawska Warszawa, 29 marca 2019 RECENZJA ROZPRAWY DOKTORSKIEJ MGR. PIOTRA BORKOWSKIEGO
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
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 szczegółowoImplementacja filtru Canny ego
ANALIZA I PRZETWARZANIE OBRAZÓW Implementacja filtru Canny ego Autor: Katarzyna Piotrowicz Kraków,2015-06-11 Spis treści 1. Wstęp... 1 2. Implementacja... 2 3. Przykłady... 3 Porównanie wykrytych krawędzi
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania
Bardziej szczegółowodr hab. inż. Sławomir FRANCIK Kraków, r.
WPŁYNĘŁO dr hab. inż. Sławomir FRANCIK Kraków, 11.10.2018 r. Katedra Inżynierii Mechanicznej i Agrofizyki Wydział Inżynierii Produkcji i Energetyki Uniwersytet Rolniczy w Krakowie Recenzja rozprawy doktorskiej
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. Algorytmy konstrukcyjne dla sieci skierowanych
Wstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. dla sieci skierowanych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-25 1 Motywacja
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 szczegółowo