Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji
|
|
- Adam Sawicki
- 7 lat temu
- Przeglądów:
Transkrypt
1 Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji 26 października 2011
2 Agenda Wprowadzenie 1 Wprowadzenie 2 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 3 4
3 Podstawowe informacje 1 Naśladowanie natury (podobnie jak algorytmy genetyczne, ewolucyjne, algorytmy rojowe odwołujace się do samoorganizacji mrówek, ptaków, itp.).
4 Podstawowe informacje 1 Naśladowanie natury (podobnie jak algorytmy genetyczne, ewolucyjne, algorytmy rojowe odwołujace się do samoorganizacji mrówek, ptaków, itp.). 2 Wykorzystanie mechanizmów działajacych w układzie odpornościowym.
5 Podstawowe informacje 1 Naśladowanie natury (podobnie jak algorytmy genetyczne, ewolucyjne, algorytmy rojowe odwołujace się do samoorganizacji mrówek, ptaków, itp.). 2 Wykorzystanie mechanizmów działajacych w układzie odpornościowym. 3 Rozproszony system przetwarzania, operowanie na chmurze rozwiazań możliwa lepsza eksploracja przestrzeni rozwiazań niż w przypadku algorytmów operujacych w każdym kroku na jednym rozwiazaniu (np. problem znalezienia minimum/maksimum funkcji wielomodalnej).
6 Przykładowe zastosowania optymalizacja,
7 Przykładowe zastosowania optymalizacja, eksploracyjna analiza danych (Sławomir Wierzchoń et al. wyodrębnianie jednorodnych grup tematycznych w dużych zbiorach dokumentów tekstowych inspirowane mechanizmem formowania pamięci immunologicznej),
8 Przykładowe zastosowania optymalizacja, eksploracyjna analiza danych (Sławomir Wierzchoń et al. wyodrębnianie jednorodnych grup tematycznych w dużych zbiorach dokumentów tekstowych inspirowane mechanizmem formowania pamięci immunologicznej), systemy uczace się (STARLAB rozwiazywanie zadań maszynowego uczenia się i wnioskowania w czasie rzeczywistym),
9 Przykładowe zastosowania optymalizacja, eksploracyjna analiza danych (Sławomir Wierzchoń et al. wyodrębnianie jednorodnych grup tematycznych w dużych zbiorach dokumentów tekstowych inspirowane mechanizmem formowania pamięci immunologicznej), systemy uczace się (STARLAB rozwiazywanie zadań maszynowego uczenia się i wnioskowania w czasie rzeczywistym), uniwersalne systemy antywirusowe (Symantec Digital Immune System,
10 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna,
11 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna, 2 czynniki fizjologiczne (ph, temperatura) stwarza niekorzystne warunki dla rozwoju obcych organizmów,
12 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna, 2 czynniki fizjologiczne (ph, temperatura) stwarza niekorzystne warunki dla rozwoju obcych organizmów, 3 odporność nieswoista (wrodzona) nie podlega modyfikacjom, jej rola jest natychmiastowe wszczęcie akcji obronnej, co daje czas na przygotowanie odpowiedzi przez adaptacyjna warstwę układu,
13 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego Naturalny system immunologiczny można przedstawić w strukturze warstwowej: 1 skóra podstawowa bariera ochronna, 2 czynniki fizjologiczne (ph, temperatura) stwarza niekorzystne warunki dla rozwoju obcych organizmów, 3 odporność nieswoista (wrodzona) nie podlega modyfikacjom, jej rola jest natychmiastowe wszczęcie akcji obronnej, co daje czas na przygotowanie odpowiedzi przez adaptacyjna warstwę układu, 4 odporność swoista (adaptacyjna) posiada zdolność do ciagłej adaptacji procesu rozpoznawania nowo pojawiajacych się antygenów, a także przechowywania informacji o już rozpoznanych antygenach (pamięć immunologiczna).
14 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Warstwowa struktura systemu immunologicznego
15 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz.
16 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz. Eliminacja antygenów:
17 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz. Eliminacja antygenów: uszkodzenie powierzchni komórki antygenu, przez co ona obumiera,
18 Odporność wrodzona Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki wrodzonego układu odpornościowego to komórki żerne (makrofagi, granulocyty) oraz tzw. dopełniacz. Eliminacja antygenów: uszkodzenie powierzchni komórki antygenu, przez co ona obumiera, otoczenie antygenu przez przeciwciała, komórki żerne pochłaniaja obca komórkę, a następnie ja neutralizuja.
19 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T.
20 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T:
21 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych),
22 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych), cytotoksyczne (rozpoznaja komórki prezentujace obce lub nieprawidłowe białka i niszcza je),
23 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych), cytotoksyczne (rozpoznaja komórki prezentujace obce lub nieprawidłowe białka i niszcza je), supresyjne (hamuja nadmiernie aktywne komórki układu odpornościowego),
24 Odporność adaptacyjna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna Podstawowe składniki warstwy adaptacyjnej limfocyty B (produkcja przeciwciał rozpoznajacych określony antygen) oraz limfocyty T. Rodzaje limfocytów T: wspomagajace (decyduja o aktywacji limfocytów B oraz komórek żernych), cytotoksyczne (rozpoznaja komórki prezentujace obce lub nieprawidłowe białka i niszcza je), supresyjne (hamuja nadmiernie aktywne komórki układu odpornościowego), pamięciowe (pamięć immunologiczna).
25 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane.
26 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane. 2 Określony antygen może być rozpoznawany jedynie przez niewielka część limfocytów.
27 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane. 2 Określony antygen może być rozpoznawany jedynie przez niewielka część limfocytów. 3 Mechanizm selekcji klonalnej (namnożenie odpowiednich przeciwciał, bioracych udział w zwalczaniu antygenu).
28 Adaptacja i dywersyfikacja systemu immunologicznego Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Limfocyty występujace w systemie immunologicznym sa bardzo zróżnicowane. 2 Określony antygen może być rozpoznawany jedynie przez niewielka część limfocytów. 3 Mechanizm selekcji klonalnej (namnożenie odpowiednich przeciwciał, bioracych udział w zwalczaniu antygenu). 4 Mechanizm selekcji negatywnej (działa w stosunku do limfocytów rozpoznajacych własne komórki).
29 Selekcja klonalna i negatywna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna
30 Selekcja klonalna i negatywna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna 1 Selekcja negatywna usuwane sa te limfocyty, które ulegaja stymulacji poprzez komórki własne organizmu. 2 Selekcja klonalna: Uaktywnione limfocyty B zaczynaja się intensywnie dzielić, produkujac wiele krótko żyjacych klonów, Klony podlegaja hipermutacji, Populacja zmutowanych klonów jest poddawana ocenie stopnia dopasowania do antygenu; klony słabo wiaż ace antygen sa usuwane, natomiast klony o wysokim stopniu dopasowania przekształcaja się po pewnym czasie w komórki plazmatyczne lub komórki pamięciowe, Komórki plazmatyczne produkuja wolne przeciwciała, które łacz ac się z antygenem wskazuja go komórkom żernym do eliminacji, komórki pamięciowe pozostaja w organizmie przez dłuższy czas i biora aktywny udział we wtórnej odpowiedzi immunologicznej.
31 Pamięć immunologiczna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna FAKT System immunologiczny utrzymuje przez dłuższy czas informacje o rozpoznanym antygenie, tak, że przy kolejnym jego pojawieniu się jest on natychmiastowo rozpoznawany i likwidowany (wtórna odpowiedź immunologiczna).
32 Pamięć immunologiczna Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu immunologicznego Pamięć immunologiczna FAKT System immunologiczny utrzymuje przez dłuższy czas informacje o rozpoznanym antygenie, tak, że przy kolejnym jego pojawieniu się jest on natychmiastowo rozpoznawany i likwidowany (wtórna odpowiedź immunologiczna). TEORIE Okres życia komórek pamięciowych, w odróżnieniu od zwykłych limfocytów, może być porównywalny z okresem życia całego organizmu. Komórki immunologiczne sa bezustannie stymulowane, co pozwalala im zostać aktywnymi.
33 (De Castro, Von Zuben, Timmis) Generacja nowej populacji P osobników (komórek) rozwiazań kandydujacych, zawierajacej podzbiór komórek pamięciowych + pozostała populacja,
34 (De Castro, Von Zuben, Timmis) Generacja nowej populacji P osobników (komórek) rozwiazań kandydujacych, zawierajacej podzbiór komórek pamięciowych + pozostała populacja, Wybór n-osobników z najwyższym stopniem dopasowania,
35 (De Castro, Von Zuben, Timmis) Generacja nowej populacji P osobników (komórek) rozwiazań kandydujacych, zawierajacej podzbiór komórek pamięciowych + pozostała populacja, Wybór n-osobników z najwyższym stopniem dopasowania, Klonowanie każdego z wybranych osobników w ilości proporcjonalnej do jego stopnia dopasowania (liczba klonów wytwarzana przez pojedyncza komórkę jest zazwyczaj proporcjonalna do jej stopnia dopasowana, jednakże istnieja także rozwiazania, w których ilość ta jest stała dla każdej z wybranych komórek),
36 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania:
37 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu,
38 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji,
39 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji, probabilistyczna każda pozycja jest mutowana z określonym prawdopodobieństwem,
40 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji, probabilistyczna każda pozycja jest mutowana z określonym prawdopodobieństwem, Ponowny wybór ulepszonych osobników, utworzenie z nich zbioru komórek pamięciowych M,
41 (De Castro, Von Zuben, Timmis) Hipermutacja sklonowanych osobników odwrotnie proporcjonalnie do stopnia dopasowania: punktowa zmiana pojedynczego, losowo wybranego elementu, wielopunktowa zmiana kilku losowych pozycji, probabilistyczna każda pozycja jest mutowana z określonym prawdopodobieństwem, Ponowny wybór ulepszonych osobników, utworzenie z nich zbioru komórek pamięciowych M, Zastapienie określonej liczby d osobników z populacji P lepszymi klonami, osobniki z niższym stopniem dopasowania maja większe prawdopodobieństwo zastapienia.
42 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności,
43 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności, Dobrze przystosowane do przeszukiwania wielowymiarowej, złożonej przestrzeni rozwiazań,
44 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności, Dobrze przystosowane do przeszukiwania wielowymiarowej, złożonej przestrzeni rozwiazań, Łatwe w implementacji,
45 Zalety sztucznych systemów immunologicznych Uniwersalne narzędzie do rozwiazywania problemów o różnym stopniu złożoności, Dobrze przystosowane do przeszukiwania wielowymiarowej, złożonej przestrzeni rozwiazań, Łatwe w implementacji, Algorytmy immunologiczne sa z natury równoległe.
46 Wady sztucznych systemów immunologicznych Brak gwarancji osiagnięcia optimum w określonym czasie,
47 Wady sztucznych systemów immunologicznych Brak gwarancji osiagnięcia optimum w określonym czasie, Dla każdego problemu konieczne strojenie algorytmu; niewłaściwie dobrane parametery powoduja, że algorytm "utyka",
48 Wady sztucznych systemów immunologicznych Brak gwarancji osiagnięcia optimum w określonym czasie, Dla każdego problemu konieczne strojenie algorytmu; niewłaściwie dobrane parametery powoduja, że algorytm "utyka", Brak formalnego aparatu matematycznego umożliwiajacego precyzyjna analizę ich własności (stosuje się np. analizę probabilistyczna).
49 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001
50 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf
51 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf Anna Świtalska, Sztuczne systemy immunologiczne zastosowanie w optymalizacji kombinatorycznej, stw/ais/ks/index.html
52 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf Anna Świtalska, Sztuczne systemy immunologiczne zastosowanie w optymalizacji kombinatorycznej, stw/ais/ks/index.html Joanna Kołodziejczyk, Obliczenia z wykorzystaniem sztucznej inteligencji, wykład V Sztuczne systemy immunologiczne,
53 Źródła Wprowadzenie Sławomir Wierzchoń, Sztuczne systemy immunologiczne. Teoria i zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001 Sławomir Wierzchoń, Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych, stw/ais/pubs/szi2001.pdf Anna Świtalska, Sztuczne systemy immunologiczne zastosowanie w optymalizacji kombinatorycznej, stw/ais/ks/index.html Joanna Kołodziejczyk, Obliczenia z wykorzystaniem sztucznej inteligencji, wykład V Sztuczne systemy immunologiczne,
54 Dziękuję za uwagę!
Plan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny
Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny
Bardziej szczegółowoSztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010
Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoObliczenia Naturalne - Algorytmy immunologiczne
Literatura Podstawowe pojęcia Obliczenia Naturalne - immunologiczne Paweł Paduch Politechnika Świętokrzyska 10 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - immunologiczne 1 z 44 Plan wykładu Literatura
Bardziej szczegółowoALGORYTMY IMMUNO- LOGICZNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome wykład AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS 7 VALUE fitness
Bardziej szczegółowoLp. tydzień wykłady seminaria ćwiczenia
Lp. tydzień wykłady seminaria ćwiczenia 21.02. Wprowadzeniedozag adnieńzwiązanychzi mmunologią, krótka historiaimmunologii, rozwójukładuimmun ologicznego. 19.02. 20.02. Wprowadzenie do zagadnień z immunologii.
Bardziej szczegółowoMOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ. Anna Kempa. Wprowadzenie
MOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ Anna Kempa Wprowadzenie Liczne podobieństwa grup społecznych do Ŝywego organizmu zauwa- Ŝane były przez ludzi juŝ
Bardziej szczegółowoPODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej)
PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej) Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt do wykładu
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
Bardziej szczegółowoObliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład V Sztuczne systemy immunologiczne Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Obliczenia z wykorzystaniem sztucznej inteligencji 2016 1 / 51
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowooporność odporność oporność odporność odporność oporność
oporność odporność odporność nieswoista bierna - niskie ph na powierzchni skóry (mydła!) - enzymy - lizozym, pepsyna, kwas solny żołądka, peptydy o działaniu antybakteryjnym - laktoferyna- przeciwciała
Bardziej szczegółowoAlgorytmy ewolucyjne 1
Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz
Bardziej szczegółowoCzy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar
Czy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar Zakład Immunologii Klinicznej Katedra Immunologii Klinicznej i Transplantologii Uniwersytet Jagielloński Collegium Medicum, oraz Uniwersytecki
Bardziej szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
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 szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA
PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana
Bardziej szczegółowoMETODY HEURYSTYCZNE wykład 7
METODY HEURYSTYCZNE wykład 7 PROJEKTOWANIE BAZ REGUŁ 2 Informacja niezbędna do zaprojektowania sterownika: numeryczna (ilościowa) z czujników pomiarowych; lingwistyczna (jakościowa) od eksperta. Stworzenie
Bardziej szczegółowoWyklady IIIL 2016/ :00-16:30 środa Wprowadzenie do immunologii Prof. dr hab. med. ML Kowalski
III rok Wydział Lekarski Immunologia ogólna z podstawami immunologii klinicznej i alergologii rok akademicki 2016/17 PROGRAM WYKŁADÓW Nr data godzina dzień tygodnia Wyklady IIIL 2016/2017 tytuł Wykladowca
Bardziej szczegółowoOD IMMUNOLOGII DO MODELOWANIA, PRZETWARZANIA I ANALIZ DANYCH
INFORMATYKA EKONOMICZNA BUSINESS INFORMATICS 4(30) 2013 ISSN 1507-3858 Mirosława Lasek Uniwersytet Warszawski e-mail: mlasek@wne.uw.edu.pl Witold Lasek Warszawski Uniwersytet Medyczny e-mail: witold.lasek@wum.edu.pl
Bardziej szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoCZYM SĄ OBLICZENIA NAT A URALNE?
CZYM SĄ OBLICZENIA NATURALNE? Co to znaczy obliczać (to compute)? Co to znaczy obliczać (to compute)? wykonywać operacje na liczbach? (komputer = maszyna licząca) wyznaczać wartości pewnych funkcji? (program
Bardziej szczegółowoOdporność nabyta: Nadzieja Drela Wydział Biologii UW, Zakład Immunologii
Odporność nabyta: Komórki odporności nabytej: fenotyp, funkcje, powstawanie, krążenie w organizmie Cechy odporności nabytej Rozpoznawanie patogenów przez komórki odporności nabytej: receptory dla antygenu
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoGenerowanie i optymalizacja harmonogramu za pomoca
Generowanie i optymalizacja harmonogramu za pomoca na przykładzie generatora planu zajęć Matematyka Stosowana i Informatyka Stosowana Wydział Fizyki Technicznej i Matematyki Stosowanej Politechnika Gdańska
Bardziej szczegółowoMETODY HEURYSTYCZNE 7
METODY HEURYSTYCZNE wykład 7 PROJEKTOWANIE BAZ REGUŁ 2 Informacja niezbędna do zaprojektowania sterownika: numeryczna (ilościowa) z czujników pomiarowych; lingwistyczna (jakościowa) od eksperta. Stworzenie
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoObliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład V Sztuczne systemy immunologiczne Joanna Kołodziejczyk 18 maja 2014 Plan wykładu 1 Wprowadzenie Definicje Historia 2 Elementy IS 3 Działanie IS
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoPlan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji
Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji
Bardziej szczegółowoModel Marczuka przebiegu infekcji.
Model Marczuka przebiegu infekcji. Karolina Szymaniuk 27 maja 2013 Karolina Szymaniuk () Model Marczuka przebiegu infekcji. 27 maja 2013 1 / 17 Substrat Związek chemiczny, który ulega przemianie w wyniku
Bardziej szczegółowoAlgorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych
Algorytmy immunologiczne w działaniu: Optymalizacja funkcji niestacjonarnych S.T. Wierzchoń Instytut Podstaw Informatyki PAN, Warszawa Instytut Informatyki Politechniki Białostockiej, Białystok e-mail:
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoJak żywiciel broni się przed pasożytem?
https://www. Jak żywiciel broni się przed pasożytem? Autor: Anna Bartosik Data: 12 kwietnia 2019 W poprzedniej części naszego kompendium wiedzy o pasożytach świń omówiliśmy, w jaki sposób pasożyt dostaje
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoWykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych
Wykorzystanie metod ewolucyjnych w projektowaniu algorytmów kwantowych mgr inż. Robert Nowotniak Politechnika Łódzka 1 października 2008 Robert Nowotniak 1 października 2008 1 / 18 Plan referatu 1 Informatyka
Bardziej szczegółowoSYSTEMY (ALGORYTMY) MRÓWKOWE
OLIZNI WOLUYJN ITNSS. STRT OMPUTTION ITNSS. OMPUTTION INITIL SUGenration SNING HROM. TO OMPUTRS chromosome VOLUTIONRY OPRTORS N RIVING ITNSS. wykład 7 VLU fitness f. value MIGRTION PHS ITNSS. communication
Bardziej szczegółowoAutoreferat. przedstawiający opis dorobku i osiągnięć naukowych, w szczególności określonych w art. 16 ust. 2 ustawy,
Autoreferat przedstawiający opis dorobku i osiągnięć naukowych, w szczególności określonych w art. 16 ust. 2 ustawy, w formie papierowej w języku polskim i angielskim (wersja polska) Załącznik 2 do Wniosku
Bardziej szczegółowoPRZYKŁADOWY EGZAMIN MATURALNY Z BIOLOGII POZIOM ROZSZERZONY MAJ Czas pracy: 180 minut. Liczba punktów do uzyskania : 60
1 PRZYKŁADOWY EGZAMIN MATURALNY Z BIOLOGII MAJ 2015 POZIOM ROZSZERZONY Czas pracy: 180 minut Instrukcja dla zdającego 1. Sprawdź, czy arkusz egzaminacyjny zawiera strony 1-19 (zadania 1 21). 2. Odpowiedzi
Bardziej szczegółowoS YL AB US MODUŁ U ( I MMUNOLOGIA ) I nforma cje ogólne
Załącznik Nr 3 do Uchwały Nr /2012 S YL AB US MODUŁ U ( I MMUNOLOGIA ) I nforma cje ogólne Kod modułu Rodzaj modułu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów Rok studiów Nazwa
Bardziej szczegółowoAutomatyczny dobór parametrów algorytmu genetycznego
Automatyczny dobór parametrów algorytmu genetycznego Remigiusz Modrzejewski 22 grudnia 2008 Plan prezentacji Wstęp Atrakcyjność Pułapki Klasyfikacja Wstęp Atrakcyjność Pułapki Klasyfikacja Konstrukcja
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 szczegółowoTeoria ewolucji. Podstawowe pojęcia. Wspólne pochodzenie.
Teoria ewolucji Podstawowe pojęcia. Wspólne pochodzenie. Informacje Kontakt: Paweł Golik Instytut Genetyki i Biotechnologii, Pawińskiego 5A pgolik@igib.uw.edu.pl Informacje, materiały: http://www.igib.uw.edu.pl/
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoAlgorytmy immunologiczne. Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki
Algorytmy immunologiczne Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Metody uczenia maszynowego Uczenie z nauczycielem Uczenie
Bardziej szczegółowoKierunek: Informatyka Poziom studiów: Studia I stopnia Forma studiów: Stacjonarne. audytoryjne. Wykład Ćwiczenia
Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma studiów: Stacjonarne Rocznik: 2019/2020 Język wykładowy: Polski Semestr 1 z Kierunkowe 10
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoAlgorytmy ewolucyjne NAZEWNICTWO
Algorytmy ewolucyjne http://zajecia.jakubw.pl/nai NAZEWNICTWO Algorytmy ewolucyjne nazwa ogólna, obejmująca metody szczegółowe, jak np.: algorytmy genetyczne programowanie genetyczne strategie ewolucyjne
Bardziej szczegółowoWpływ opioidów na układ immunologiczny
Wpływ opioidów na układ immunologiczny Iwona Filipczak-Bryniarska Klinika Leczenia Bólu i Opieki Paliatywnej Katedry Chorób Wewnętrznych i Gerontologii Collegium Medicum Uniwersytet Jagielloński Kraków
Bardziej szczegółowoCzęść praktyczna: Metody pozyskiwania komórek do badań laboratoryjnych cz. I
Ćwiczenie 1 Część teoretyczna: Budowa i funkcje układu odpornościowego 1. Układ odpornościowy - główne funkcje, typy odpowiedzi immunologicznej, etapy odpowiedzi odpornościowej. 2. Komórki układu immunologicznego.
Bardziej szczegółowoImmunologia - opis przedmiotu
Immunologia - opis przedmiotu Informacje ogólne Nazwa przedmiotu Immunologia Kod przedmiotu 12.9-WL-Lek-Imm Wydział Wydział Lekarski i Nauk o Zdrowiu Kierunek Lekarski Profil praktyczny Rodzaj studiów
Bardziej szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
Bardziej szczegółowoRój cząsteczek. Particle Swarm Optimization. Adam Grycner. 18 maja Instytut Informatyki Uniwersytetu Wrocławskiego
Rój cząsteczek Particle Swarm Optimization Adam Grycner Instytut Informatyki Uniwersytetu Wrocławskiego 18 maja 2011 Adam Grycner Rój cząsteczek 1 / 38 Praca Kennedy ego i Eberhart a Praca Kennedy ego
Bardziej szczegółowoAlgorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
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 szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Podstawowe operatory genetyczne Plan wykładu Przypomnienie 1 Przypomnienie Metody generacji liczb
Bardziej szczegółowoPomiary Automatyka Robotyka 2/2010
dr in. Bogumi a Mrozek Instytut Modelowania Komputerowego Wydzia Fizyki, Matematyki i Informatyki Stosowanej Politechnika Krakowska 31-155 Kraków, ul. Warszawska 24 ALGORYTM SELEKCJI KLONALNEJ W ZASTOSOWANIU
Bardziej szczegółowoII. MODUŁY KSZTAŁCENIA
PROGRAM STUDIÓW I. INFORMACJE OGÓLNE 1. Nazwa jednostki prowadzącej kierunek: W y d z i a ł M a t e m a t y k i i I n f o r m a t y k i 2. Nazwa kierunku: I n f o r m a t y k a 3. Poziom kształcenia: s
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie
Bardziej szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
Bardziej szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
Bardziej szczegółowoUniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka
Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA Studia III stopnia (doktoranckie) kierunek Informatyka (przyjęty przez Radę Wydziału Informatyki i Nauki o Materiałach w
Bardziej szczegółowoImmunologia komórkowa
Immunologia komórkowa ocena immunofenotypu komórek Mariusz Kaczmarek Immunofenotyp Definicja I Charakterystyczny zbiór antygenów stanowiących elementy różnych struktur komórki, związany z jej różnicowaniem,
Bardziej szczegółowoAlgorytmy dla maszyny PRAM
Instytut Informatyki 21 listopada 2015 PRAM Podstawowym modelem służącym do badań algorytmów równoległych jest maszyna typu PRAM. Jej głównymi składnikami są globalna pamięć oraz zbiór procesorów. Do rozważań
Bardziej szczegółowoZagadnienia egzaminacyjne INFORMATYKA. Stacjonarne. I-go stopnia. (INT) Inżynieria internetowa STOPIEŃ STUDIÓW TYP STUDIÓW SPECJALNOŚĆ
(INT) Inżynieria internetowa 1. Tryby komunikacji między procesami w standardzie Message Passing Interface 2. HTML DOM i XHTML cel i charakterystyka 3. Asynchroniczna komunikacja serwerem HTTP w technologii
Bardziej szczegółowoTechniki optymalizacji
Techniki optymalizacji Algorytm kolonii mrówek Idea Smuga feromonowa 1 Sztuczne mrówki w TSP Sztuczna mrówka agent, który porusza się z miasta do miasta Mrówki preferują miasta połączone łukami z dużą
Bardziej szczegółowoS YL AB US MODUŁ U ( PRZEDMIOTU) I nforma cje ogólne. Immunologia
S YL AB US MODUŁ U ( PRZEDMIOTU) I nforma cje ogólne Kod modułu Rodzaj modułu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów Rok studiów Nazwa modułu Immunologia Obowiązkowy Wydział
Bardziej szczegółowoAlgorytmy ewolucyjne Część II
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Część II Metaheurystyki Treść wykładu Zastosowania Praktyczne aspekty GA Reprezentacja Funkcja dopasowania Zróżnicowanie dopasowania
Bardziej szczegółowoM T E O T D O ZI Z E E A LG L O G R O Y R TM
O ALGORYTMACH I METODZIE ALGORYTMICZNEJ Czym jest algorytm? Czym jest algorytm? przepis schemat zestaw reguł [ ] program ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające
Bardziej szczegółowo2.1.M.06: Modelowanie i wspomaganie komputerowe w inżynierii powierzchni
2nd Workshop on Foresight of surface properties formation leading technologies of engineering materials and biomaterials in Białka Tatrzańska, Poland 29th-30th November 2009 1 Panel nt. Procesy wytwarzania
Bardziej szczegółowoSieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte
Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,
Bardziej szczegółowoPODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz. III): Aktywacja i funkcje efektorowe limfocytów B
PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz. III): Aktywacja i funkcje efektorowe limfocytów B Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt wykładu Rozpoznanie antygenu
Bardziej szczegółowoKatedra Informatyki Stosowanej. Algorytmy ewolucyjne. Inteligencja obliczeniowa
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Algorytmy ewolucyjne Treść wykładu Wprowadzenie Zasada działania Podział EA Cechy EA Algorytm genetyczny 2 EA - wprowadzenie Algorytmy ewolucyjne
Bardziej szczegółowoSTRUKTURA PROGRAMU NAUCZANIA W UKŁADZIE GODZINOWYM. Algorytmy ewolucyjne ARES Rozproszone systemy automatyki AREU
Studia : Stacjonarne stopnia ARK Obowiązuje od : Specjalność : Komputerowe sieci AREU00 0 E AREU00 0 AREU00 0 AREU00 000 E Zajęcia sportowe 000 K.społ. FLEU00 0000 Fizyka FZP0 000 Mat. MAT0 000 Język obcy
Bardziej szczegółowoBadania marketingowe. Omówione zagadnienia. Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania
Społeczna Wyższa Szkoła Przedsiębiorczości i Zarządzania kierunek: Zarządzanie Badania marketingowe Wykład 5 Opracowanie: dr Joanna Krygier 1 Omówione zagadnienia Ograniczenia wtórnych źródeł informacji
Bardziej szczegółowoo cechach dziedziczonych decyduje środowisko, a gatunki mogą łatwo i spontanicznie przechodzić jedne w drugie
Iwan Miczurin (1855-1935) Trofim Denisowicz Łysenko (1898-1976) przy interwencji człowieka możliwe jest zmuszenie każdej formy zwierzęcia lub rośliny do znacznie szybszych zmian, w kierunku pożądanym przez
Bardziej szczegółowoZadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoKlub Honorowych Dawców Krwi PCK
O krwi Czym jest krew? Krew to płynna tkanka w skład której wchodzą: - Krwinki czerwone(erytrocyty) są to komórkowe składniki krwi nie zawierające jądra, zawierające barwnik krwi hemoglobinę, odpowiedzialne
Bardziej szczegółowoKierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 217/218 Język wykładowy: Polski Semestr 1 IIN-1-13-s
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
Bardziej szczegółowoZalew danych skąd się biorą dane? są generowane przez banki, ubezpieczalnie, sieci handlowe, dane eksperymentalne, Web, tekst, e_handel
według przewidywań internetowego magazynu ZDNET News z 8 lutego 2001 roku eksploracja danych (ang. data mining ) będzie jednym z najbardziej rewolucyjnych osiągnięć następnej dekady. Rzeczywiście MIT Technology
Bardziej szczegółowoUkład odpornościowy, układ immunologiczny to układ struktur umożliwiających działanie mechanizmom odporności. Struktury te to: narządy limfoidalne
Układ odpornościowy, układ immunologiczny to układ struktur umożliwiających działanie mechanizmom odporności. Struktury te to: narządy limfoidalne naczynie chłonne komórki uczestniczące w reakcjach immunologicznych
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoSI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu
SI w procesach przepływu i porządkowania informacji Paweł Buchwald Wyższa Szkoła Biznesu Początki SI John MC Carthy prekursor SI Alan Thuring pomysłodawca testu na określenie inteligencji maszyn Powolny
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoWSKAŹNIKI ILOŚCIOWE - Punkty ECTS w ramach zajęć: Efekty kształcenia. Wiedza Umiejętności Kompetencje społeczne (symbole) MK_1. Analiza matematyczna
PROGRAM STUDIÓW I INFORMACJE OGÓLNE 1. Nazwa jednostki prowadzącej kierunek: Wydział Matematyki i Informatyki 2. Nazwa kierunku: Informatyka 3. Oferowane specjalności: 4. Poziom kształcenia: studia pierwszego
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoAlgorytmy stochastyczne, wykład 01 Podstawowy algorytm genetyczny
Algorytmy stochastyczne, wykład 01 J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2014-02-21 In memoriam prof. dr hab. Tomasz Schreiber (1975-2010) 1 2 3 Różne Orientacyjny
Bardziej szczegółowoEfektywność algorytmów
Efektywność algorytmów Algorytmika Algorytmika to dział informatyki zajmujący się poszukiwaniem, konstruowaniem i badaniem własności algorytmów, w kontekście ich przydatności do rozwiązywania problemów
Bardziej szczegółowoEwolucja Różnicowa Differential Evolution
Ewolucja Różnicowa Differential Evolution Obliczenia z wykorzystaniem metod sztucznej inteligencji Arkadiusz Kalinowski Szczecin, 2016 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie 1 / 22 Plan
Bardziej szczegółowoZakres pytań obowiązujący w roku akad. 2015/2016
Akademia Górniczo-Hutnicza IM. STANISŁAWA STASZICA W KRAKOWIE Wydział: Górnictwa i Geoinżynierii Rodzaj studiów: stacjonarne i niestacjonarne II stopnia Kierunek studiów: Zarządzanie i inżynieria produkcji
Bardziej szczegółowoWykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012
Wykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012 - prof. dr hab. Wojciech Rytter: Algorytmika kombinatoryczno-grafowa (30 g. semestr zimowy
Bardziej szczegółowoO ALGORYTMACH I MASZYNACH TURINGA
O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego
Bardziej szczegółowo