Przykładowa prezentacja

Wielkość: px
Rozpocząć pokaz od strony:

Download "Przykładowa prezentacja"

Transkrypt

1 Przykładowa prezentacja Teodor Niżyński 1 1 Department of Automatics, Mechatronics and Control Systems Faculty of Electronics Wrocław University of Technology December 5, / 19 T. Niżyński Przykładowa prezentacja

2 Agenda Definicja 1 Definicja Definicja Definicja z obrazkiem Wykorzystanie otoczenia block 2 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz 3 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem 4 2 / 19 T. Niżyński Przykładowa prezentacja

3 neuronu Definicja Definicja Definicja z obrazkiem Wykorzystanie otoczenia block Neuron, komórka nerwowa rodzaj elektrycznie pobudliwej komórki zdolnej do przetwarzania i przewodzenia informacji w postaci sygnału elektrycznego. Neurony są podstawowym elementem układu nerwowego zwierząt. Najwięcej neuronów znajduje się w ośrodkowym układzie nerwowym w skład którego wchodzi mózgowie oraz rdzeń kręgowy. 3 / 19 T. Niżyński Przykładowa prezentacja

4 neuronu Definicja Definicja Definicja z obrazkiem Wykorzystanie otoczenia block Neuron, komórka nerwowa rodzaj elektrycznie pobudliwej komórki zdolnej do przetwarzania i przewodzenia informacji w postaci sygnału elektrycznego. Neurony są podstawowym elementem układu nerwowego zwierząt. Najwięcej neuronów znajduje się w ośrodkowym układzie nerwowym w skład którego wchodzi mózgowie oraz rdzeń kręgowy. 4 / 19 T. Niżyński Przykładowa prezentacja

5 neuronu Definicja Definicja Definicja z obrazkiem Wykorzystanie otoczenia block Neuron, komórka nerwowa rodzaj elektrycznie pobudliwej komórki zdolnej do przetwarzania i przewodzenia informacji w postaci sygnału elektrycznego. Neurony są podstawowym elementem układu nerwowego zwierząt. Najwięcej neuronów znajduje się w ośrodkowym układzie nerwowym w skład którego wchodzi mózgowie oraz rdzeń kręgowy. Źródło: 5 / 19 T. Niżyński Przykładowa prezentacja

6 neuronu Definicja Definicja Definicja z obrazkiem Wykorzystanie otoczenia block Neuron, komórka nerwowa rodzaj elektrycznie pobudliwej komórki zdolnej do przetwarzania i przewodzenia informacji w postaci sygnału elektrycznego. Neurony są podstawowym elementem układu nerwowego zwierząt. Najwięcej neuronów znajduje się w ośrodkowym układzie nerwowym w skład którego wchodzi mózgowie oraz rdzeń kręgowy. Typowy neuron jest zbudowany z ciała komórki (perikarion) oraz odchodzących od niego wypustek: aksonu i dendrytów. Neurony kontaktują się między sobą poprzez synapsy tworząc sieci neuronowe. Informacje od innych neuronów są obierane przez synapsy położone na dendrytach, przewodzone wzdłuż neuronu i przekazywane dalej do synaps na zakończeniach aksonu. Źródło: 6 / 19 T. Niżyński Przykładowa prezentacja

7 Losowa tabelka Definicja Definicja Definicja z obrazkiem Wykorzystanie otoczenia block header 1 header 2 header 4 header 5 header 4 cell 1 cell 2 cell 3 cell 4 header 5 cell 5 cell 6 cell 7 cell 8 header 6 cell 9 cell 10 cell 11 cell 12 Prezentacja z wstępem do Beamera może okazać się bardziej niż przydatna! 7 / 19 T. Niżyński Przykładowa prezentacja

8 Definicja Definicja z obrazkiem Wykorzystanie otoczenia block Definicja neuronu ze źle wklejonym obrazkiem Neuron, komórka nerwowa rodzaj elektrycznie pobudliwej komórki zdolnej do przetwarzania i przewodzenia informacji w postaci sygnału elektrycznego. Neurony są podstawowym elementem układu nerwowego zwierząt. Najwięcej neuronów znajduje się w ośrodkowym układzie nerwowym w skład którego wchodzi mózgowie oraz rdzeń kręgowy. 8 / 19 T. Niżyński Przykładowa prezentacja

9 Definicja Definicja z obrazkiem Wykorzystanie otoczenia block Funkcja aktywacji to pojęcie używane w sztucznej inteligencji do określenia funkcji, według której obliczana jest wartość wyjścia neuronów sieci neuronowej. Liniowa funkcja aktywacji y(x) = ax + b 9 / 19 T. Niżyński Przykładowa prezentacja

10 Najprostsze kolumny Definicja Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz 10 / 19 T. Niżyński Przykładowa prezentacja

11 z tekstem pod i nad Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz Tytuł zapowiadający zawartość obu kolumn. I jeszcze trochę dodatkowego zbędnego tekstu, bla bla bla bla bla bla bla bla bla bla bla bla. One billion searches per second 36 yrs All this to recover only 10 bits! 11 / 19 T. Niżyński Przykładowa prezentacja

12 Kolumna z tekstem i grafiką Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz Neuron, komórka nerwowa rodzaj elektrycznie pobudliwej komórki zdolnej do przetwarzania i przewodzenia informacji w postaci sygnału elektrycznego. Neurony są podstawowym elementem układu nerwowego zwierząt. Najwięcej neuronów znajduje się w ośrodkowym układzie nerwowym w skład którego wchodzi mózgowie oraz rdzeń kręgowy. 12 / 19 T. Niżyński Przykładowa prezentacja

13 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz Nic tu nie ma? item3 lazy item lazy Proszę zwrócić uwagę na numeracje slajdów, to jest ciągle ten sam slajd! 13 / 19 T. Niżyński Przykładowa prezentacja

14 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz Jednak jest! item3 lazy item lazy 13 / 19 T. Niżyński Przykładowa prezentacja

15 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 lazy item lazy 13 / 19 T. Niżyński Przykładowa prezentacja

16 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 lazy item lazy 13 / 19 T. Niżyński Przykładowa prezentacja

17 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 lazy item lazy 13 / 19 T. Niżyński Przykładowa prezentacja

18 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 A tu sie raz pojawia a raz nie? lazy item item4 lazy 13 / 19 T. Niżyński Przykładowa prezentacja

19 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 A tu sie raz pojawia a raz nie? lazy item item5 item6 lazy 13 / 19 T. Niżyński Przykładowa prezentacja

20 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 A tu sie raz pojawia a raz nie? lazy item item4 item5 lazy 13 / 19 T. Niżyński Przykładowa prezentacja

21 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 A tu sie raz pojawia a raz nie? lazy item item4 item5 item6 lazy 13 / 19 T. Niżyński Przykładowa prezentacja

22 Najprostsze Dwie kolumny Kolumna z grafiką Dużo slajdów na raz item3 A tu sie raz pojawia a raz nie? lazy item item5 lazy Proszę zwrócić uwagę na numeracje slajdów, to jest ciągle ten sam slajd! 13 / 19 T. Niżyński Przykładowa prezentacja

23 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem źródło: 14 / 19 T. Niżyński Przykładowa prezentacja

24 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem v 100 c 100 D v / 19 T. Niżyński Przykładowa prezentacja

25 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem HOW? - Research routine in Cyclic Scheduling Problem Mathematical model Real world problems. Well known theoretical problems. Problem properities Algorithm Parallelization Computational experiments 16 / 19 T. Niżyński Przykładowa prezentacja

26 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem HOW? - Research routine in Cyclic Scheduling Problem Mathematical model Problem properities Systems of equations. Graph theory. Algorithm Parallelization Computational experiments 16 / 19 T. Niżyński Przykładowa prezentacja

27 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem HOW? - Research routine in Cyclic Scheduling Problem Mathematical model Problem properities Algorithm Finding properities. Formulating theorems. Parallelization Computational experiments 16 / 19 T. Niżyński Przykładowa prezentacja

28 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem HOW? - Research routine in Cyclic Scheduling Problem Mathematical model Problem properities Algorithm Parallelization Metaheuristics. Dedicated algorithms. Solvers. Computational experiments 16 / 19 T. Niżyński Przykładowa prezentacja

29 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem HOW? - Research routine in Cyclic Scheduling Problem Mathematical model Problem properities Algorithm Parallelization Computational experiments Finding efficient parallelization strategies. 16 / 19 T. Niżyński Przykładowa prezentacja

30 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem HOW? - Research routine in Cyclic Scheduling Problem Mathematical model Problem properities Algorithm Parallelization Computational experiments Verifying algorithm performance. 16 / 19 T. Niżyński Przykładowa prezentacja

31 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem / 19 T. Niżyński Przykładowa prezentacja

32 Po prostu grafika Zły i straszny tikz Wykres rysowany z pliku Wykres z błędem / 19 T. Niżyński Przykładowa prezentacja

33 Dziękuję za uwagę. 19 / 19 T. Niżyński Przykładowa prezentacja

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU HALO, NEURON. ZGŁOŚ SIĘ.

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU HALO, NEURON. ZGŁOŚ SIĘ. SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU HALO, NEURON. ZGŁOŚ SIĘ. SPIS TREŚCI: I. Wprowadzenie. II. Części lekcji. 1. Część wstępna. 2. Część realizacji. 3. Część podsumowująca. III. Karty pracy.

Bardziej szczegółowo

biologia w gimnazjum OBWODOWY UKŁAD NERWOWY

biologia w gimnazjum OBWODOWY UKŁAD NERWOWY biologia w gimnazjum 2 OBWODOWY UKŁAD NERWOWY BUDOWA KOMÓRKI NERWOWEJ KIERUNEK PRZEWODZENIA IMPULSU NEROWEGO DENDRYT ZAKOŃCZENIA AKSONU CIAŁO KOMÓRKI JĄDRO KOMÓRKOWE AKSON OSŁONKA MIELINOWA Komórka nerwowa

Bardziej szczegółowo

Budowa i zróżnicowanie neuronów - elektrofizjologia neuronu

Budowa i zróżnicowanie neuronów - elektrofizjologia neuronu Budowa i zróżnicowanie neuronów - elektrofizjologia neuronu Neuron jest podstawową jednostką przetwarzania informacji w mózgu. Sygnał biegnie w nim w kierunku od dendrytów, poprzez akson, do synaps. Neuron

Bardziej szczegółowo

Metody Sztucznej Inteligencji II

Metody Sztucznej Inteligencji II 17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału

Bardziej szczegółowo

Wstęp do sztucznych sieci neuronowych

Wstęp do sztucznych sieci neuronowych Wstęp do sztucznych sieci neuronowych Michał Garbowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Informatyki 15 grudnia 2011 Plan wykładu I 1 Wprowadzenie Inspiracja biologiczna

Bardziej szczegółowo

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-03 Projekt pn. Wzmocnienie potencjału

Bardziej szczegółowo

Wstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.

Wstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów. Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I

Bardziej szczegółowo

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD X: Sztuczny neuron Koneksjonizm: wprowadzenie 1943: Warren McCulloch, Walter Pitts: ogólna teoria przetwarzania informacji oparta na sieciach binarnych

Bardziej szczegółowo

Zastosowania sieci neuronowych

Zastosowania sieci neuronowych Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką

Bardziej szczegółowo

Co to są wzorce rytmów?

Co to są wzorce rytmów? Sieci neuropodobne XII, Centralne generatory wzorców 1 Co to są wzorce rytmów? Centralne generatory rytmów są układami neuronowymi powodujących cykliczną aktywację odpowiednich mięśni, mogą działać w pewnym

Bardziej szczegółowo

Podstawy sztucznej inteligencji

Podstawy sztucznej inteligencji wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,

Bardziej szczegółowo

8. Neuron z ciągłą funkcją aktywacji.

8. 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 szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe www.math.uni.lodz.pl/ radmat Cel wykładu Celem wykładu jest prezentacja różnych rodzajów sztucznych sieci neuronowych. Biologiczny model neuronu Mózg człowieka składa się z około 10 11 komórek nerwowych,

Bardziej szczegółowo

Temat: Sieci neuronowe oraz technologia CUDA

Temat: Sieci neuronowe oraz technologia CUDA Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w

Bardziej szczegółowo

Podstawy Sztucznej Inteligencji (PSZT)

Podstawy 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 szczegółowo

Sztuczna Inteligencja Tematy projektów Sieci Neuronowe

Sztuczna 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 szczegółowo

SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe

SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA BUDOWA RZECZYWISTEGO NEURONU

Bardziej szczegółowo

1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda

1. 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 szczegółowo

TWORZENIE PREZENTACJI MS POWERPOINT

TWORZENIE PREZENTACJI MS POWERPOINT TWORZENIE PREZENTACJI MS POWERPOINT Wstęp TWORZENIE PREZENTACJI MS POWERPOINT Czasami zdarza się, że zostajemy poproszeni o poprowadzenia spotkania czy szkolenia w firmie, w której pracujemy lub po prostu

Bardziej szczegółowo

inż. Konrad Postawa Akademia Aktywnego Seniora Wolontariusza

inż. Konrad Postawa Akademia Aktywnego Seniora Wolontariusza inż. Konrad Postawa Akademia Aktywnego Seniora Wolontariusza W ramach programu: Organizator: Wrocław 2012 Tworzenie prezentacji MS PowerPoint Wstęp TWORZENIE PREZENTACJI MS POWERPOINT Czasami zdarza się,

Bardziej szczegółowo

Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI

Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI 1 Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI 1. Obliczenia w arkuszu kalkulacyjnym Rozwiązywanie problemów z wykorzystaniem aplikacji komputerowych obliczenia w arkuszu kalkulacyjnym wykonuje

Bardziej szczegółowo

SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH. Jakub Karbowski Gimnazjum nr 17 w Krakowie

SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH. Jakub Karbowski Gimnazjum nr 17 w Krakowie SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH Jakub Karbowski Gimnazjum nr 17 w Krakowie KRAKÓW 2017 1. Spis treści 2. WSTĘP 2 3. SIECI NEURONOWE 2 3.1. Co to są sieci neuronowe... 2

Bardziej szczegółowo

Inteligentne systemy przeciw atakom sieciowym

Inteligentne systemy przeciw atakom sieciowym Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne

Bardziej szczegółowo

Inteligentne systemy informacyjne

Inteligentne systemy informacyjne Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz

Bardziej szczegółowo

Wstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.

Wstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych. Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji

Bardziej szczegółowo

Sztuczna inteligencja

Sztuczna inteligencja Sztuczna inteligencja Wykład 6. Sieci biologiczne. Wstęp do sztucznych sieci neuronowych. źródła informacji: G. Fischbach Mind and Brain, Scientific American 1994 S. Silbernagl, A. Despopoulos Atlas fizjologii,

Bardziej szczegółowo

Wykład 1: Wprowadzenie do sieci neuronowych

Wykład 1: Wprowadzenie do sieci neuronowych Wykład 1: Wprowadzenie do sieci neuronowych Historia badań nad sieciami neuronowymi. - początki: badanie komórek ośrodkowego układu nerwowego zwierząt i człowieka, czyli neuronów; próby wyjaśnienia i matematycznego

Bardziej szczegółowo

Wymagania edukacyjne z informatyki dla uczniów klas VI SP nr 53 w Krakowie w roku szkolnym 2019/2020

Wymagania edukacyjne z informatyki dla uczniów klas VI SP nr 53 w Krakowie w roku szkolnym 2019/2020 Prowadzący: Elwira Kukiełka Ewa Pawlak-Głuc 1 Opracowano na podstawie: 1. Podstawa programowa(dz.u. z 017r. poz. ) Rozporządzenie Ministra Edukacji Narodowej z dnia 1 lutego 017 r. w sprawie podstawy programowej

Bardziej szczegółowo

Wprowadzenie do teorii systemów ekspertowych

Wprowadzenie 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 szczegółowo

Zastosowania sieci neuronowych

Zastosowania 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 szczegółowo

Prezentacja multimedialna MS PowerPoint 2010 (podstawy)

Prezentacja multimedialna MS PowerPoint 2010 (podstawy) Prezentacja multimedialna MS PowerPoint 2010 (podstawy) Cz. 1. Tworzenie slajdów MS PowerPoint 2010 to najnowsza wersja popularnego programu do tworzenia prezentacji multimedialnych. Wygląd programu w

Bardziej szczegółowo

Możliwości programu Power Point

Możliwości programu Power Point 1 Szablon projektu Możliwości programu Power Point Zaczynamy od wybrania szablonu projektu (Format/Projekt Slajdu lub z paska narzędzi). Wybieramy szablon Szczelina. 2 Slajd tytułowy Następnie dodajemy

Bardziej szczegółowo

Egzamin zawodowy: Technik Informatyk 312[01] Oprogramowanie biurowe pytania i odpowiedzi

Egzamin zawodowy: Technik Informatyk 312[01] Oprogramowanie biurowe pytania i odpowiedzi Egzamin zawodowy: Technik Informatyk 312[01] Oprogramowanie biurowe pytania i odpowiedzi 1. Obiekt bazy danych, który w programie Microsoft Access służy do tworzenia zestawień i sprawozdań, ale nie daje

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 01 Neuron biologiczny. Model perceptronu prostego.

Wstęp do sieci neuronowych, wykład 01 Neuron biologiczny. Model perceptronu prostego. Wstęp do sieci neuronowych, wykład 01. Model perceptronu prostego. M. Czoków, J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-04 In memoriam prof. dr hab. Tomasz Schreiber

Bardziej szczegółowo

Fizjologia czlowieka seminarium + laboratorium. M.Eng. Michal Adam Michalowski

Fizjologia czlowieka seminarium + laboratorium. M.Eng. Michal Adam Michalowski Fizjologia czlowieka seminarium + laboratorium M.Eng. Michal Adam Michalowski michal.michalowski@uwr.edu.pl michaladamichalowski@gmail.com michal.michalowski@uwr.edu.pl https://mmichalowskiuwr.wordpress.com/

Bardziej szczegółowo

TEST - BIOLOGIA WERONIKA GMURCZYK

TEST - BIOLOGIA WERONIKA GMURCZYK TEST - BIOLOGIA WERONIKA GMURCZYK Temat: Układ nerwowy i hormonalny Zadanie 1. Zaznacz poprawną odpowiedź. Co to są hormony? a) związki chemiczne wytwarzane w gruczołach łojowych, które regulują pracę

Bardziej szczegółowo

Systemy Inteligentnego Przetwarzania wykład 1: sieci elementarne

Systemy Inteligentnego Przetwarzania wykład 1: sieci elementarne Systemy Inteligentnego Przetwarzania wykład 1: sieci elementarne Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej e-mail: Jacek.Mazurkiewicz@pwr.edu.pl Sprawy formalne konsultacje, p. 225 C-3:

Bardziej szczegółowo

Wymagania na poszczególne oceny szkolne dla klasy VI. (na podstawie Grażyny Koba, Teraz bajty. Informatyka dla szkoły podstawowej.

Wymagania na poszczególne oceny szkolne dla klasy VI. (na podstawie Grażyny Koba, Teraz bajty. Informatyka dla szkoły podstawowej. 1 Wymagania na poszczególne oceny szkolne dla klasy VI (na podstawie Grażyny Koba, Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI ) 2 1. Obliczenia w arkuszu kalkulacyjnym słucha poleceń nauczyciela

Bardziej szczegółowo

Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI

Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI 1 Teraz bajty. Informatyka dla szkoły podstawowej. Klasa VI Opis założonych osiągnięć ucznia przykłady wymagań na poszczególne oceny szkolne dla klasy VI Grażyna Koba Spis treści 1. Obliczenia w arkuszu

Bardziej szczegółowo

Zasady tworzenia dobrych prezentacji. --------------- m.banaszak@prokonto.pl

Zasady tworzenia dobrych prezentacji. --------------- m.banaszak@prokonto.pl Zasady tworzenia dobrych prezentacji --------------- m.banaszak@prokonto.pl Przygotowanie do prezentacji Zebranie materiałów na temat tworzonej prezentacji. Analiza audytorium i ustalenie celu pokazu.

Bardziej szczegółowo

Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2013/2014

Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2013/2014 Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2013/2014 Sieci neuronowe Sieci neuronowe W XIX wieku sformułowano teorię opisującą podstawowe

Bardziej szczegółowo

Ćwiczenia - MS Power Point

Ćwiczenia - MS Power Point Wprowadzenie: PowerPoint to program graficzny, służący do przygotowania profesjonalnej prezentacji. Daje możliwość wykorzystania elementów graficznych (rysunki, tabele, wykresy, efekty wizualne itd.).

Bardziej szczegółowo

Dr inż. Marta Kamińska

Dr inż. Marta Kamińska Nowe techniki i technologie dla medycyny Dr inż. Marta Kamińska Układ nerwowy Układ nerwowy zapewnia łączność organizmu ze światem zewnętrznym, zezpala układy w jedną całość, zprawując jednocześnie nad

Bardziej szczegółowo

ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE

ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których

Bardziej szczegółowo

Laboratorium nr 4. Tworzenie prezentacji multimedialnych.

Laboratorium nr 4. Tworzenie prezentacji multimedialnych. TECHNOLOGIE INFORMACYJNE - laboratoria Laboratorium nr 4. Tworzenie prezentacji multimedialnych. Spis treści OpenOffice Impress program do tworzenia prezentacji multimedialnych... 2 Ćwiczenie 1: Kreator

Bardziej szczegółowo

Elementy inteligencji obliczeniowej

Elementy 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 szczegółowo

OBLICZENIA ZA POMOCĄ PROTEIN

OBLICZENIA ZA POMOCĄ PROTEIN OBLICZENIA ZA POMOCĄ PROTEIN KODOWANIE I PRZETWARZANIE INFORMACJI W ORGANIZMACH Informacja genetyczna jest przechowywana w DNA i RNA w postaci liniowych sekwencji nukleotydów W genach jest przemieniana

Bardziej szczegółowo

Temat: Prezentacje ciąg dalszy

Temat: Prezentacje ciąg dalszy technologia informacyjna (semestr 5 / LO nr 1) Lekcja numer 24 Temat: Prezentacje ciąg dalszy W tej lekcji spróbujemy ulepszyć naszą prezentację. Na początek zmienimy tła kilku slajdów. W lewej ramce (Slajdy)

Bardziej szczegółowo

Wymagania dotyczące sprawozdań. Proszę przeczytać uważnie i zastosować się do niżej wymienionych wskazówek.

Wymagania dotyczące sprawozdań. Proszę przeczytać uważnie i zastosować się do niżej wymienionych wskazówek. Wymagania dotyczące sprawozdań. Proszę przeczytać uważnie i zastosować się do niżej wymienionych wskazówek. Treść sprawozdania powinna być ułożona logicznie i chronologicznie. Na początku:. Imię i Nazwisko,

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline. Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2

Bardziej szczegółowo

SUM Edukacja Techniczno Informatyczna Języki i Systemy Programowania. ł ęść. dr Artur Bartoszewski - WYKŁAD: Języki i Systemy Programowania,

SUM Edukacja Techniczno Informatyczna Języki i Systemy Programowania. ł ęść. dr Artur Bartoszewski - WYKŁAD: Języki i Systemy Programowania, SUM Edukacja Techniczno Informatyczna Języki i Systemy Programowania ł ęść 1 SUM Edukacja Techniczno Informatyczna Języki i Systemy Programowania 2 I. Aimowany baner Animowany Baner 3 I. Aimowany baner

Bardziej szczegółowo

Jak wspomagać pasje poznawcze dzieci i nauczycieli neurodydaktyka w praktyce

Jak wspomagać pasje poznawcze dzieci i nauczycieli neurodydaktyka w praktyce Jak wspomagać pasje poznawcze dzieci i nauczycieli neurodydaktyka w praktyce dr Renata Jagodzińska Wojewódzki Ośrodek Doskonalenia Nauczycieli w Łodzi renatajagodzinska@poczta.fm KILKA WAŻNYCH SŁÓW POTENCJAŁ

Bardziej szczegółowo

IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ

IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,

Bardziej szczegółowo

ALGORYTMY SZTUCZNEJ INTELIGENCJI

ALGORYTMY 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 szczegółowo

Neurologia dla studentów wydziału pielęgniarstwa. Bożena Adamkiewicz Andrzej Głąbiński Andrzej Klimek

Neurologia dla studentów wydziału pielęgniarstwa. Bożena Adamkiewicz Andrzej Głąbiński Andrzej Klimek Neurologia dla studentów wydziału pielęgniarstwa Bożena Adamkiewicz Andrzej Głąbiński Andrzej Klimek Spis treści Wstęp... 7 Część I. Wiadomości ogólne... 9 1. Podstawy struktury i funkcji układu nerwowego...

Bardziej szczegółowo

Wymagania edukacyjne z informatyki w klasie VIII

Wymagania edukacyjne z informatyki w klasie VIII Wymagania edukacyjne z informatyki w klasie VIII Wymagania konieczne K dotyczą zagadnień elementarnych, stanowiących swego rodzaju podstawę, powinien je zatem opanować każdy uczeń. Wymagania podstawowe

Bardziej szczegółowo

5.4. Efekty specjalne

5.4. Efekty specjalne 5.4. Efekty specjalne Przedstawiliśmy już sobie sporo kwestii związanych z dodawaniem, edytowaniem czy usuwaniem elementów, które możemy zamieścić w prezentacji. Ale pomyłką było by stwierdzenie, że więcej

Bardziej szczegółowo

Badacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe.

Badacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe. Naśladując w komputerze ludzki mózg staramy się połączyć zalety komputera (dostępność i szybkość działania) z zaletami mózgu (zdolność do uczenia się) informatyka + 2 Badacze zbudowali wiele systemów technicznych,

Bardziej szczegółowo

1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej:

1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej: Metoda analizy macierzy współczynników korelacji Idea metody sprowadza się do wyboru takich zmiennych objaśniających, które są silnie skorelowane ze zmienną objaśnianą i równocześnie słabo skorelowane

Bardziej szczegółowo

w kontekście percepcji p zmysłów

w kontekście percepcji p zmysłów Układ nerwowy człowieka w kontekście percepcji p zmysłów Układ nerwowy dzieli się ę na ośrodkowy i obwodowy. Do układu nerwowego ośrodkowego zalicza się mózgowie (mózg, móżdżek i pień mózgu) oraz rdzeń

Bardziej szczegółowo

Matematyka Stosowana na Politechnice Wrocławskiej. Komitet Matematyki PAN, luty 2017 r.

Matematyka Stosowana na Politechnice Wrocławskiej. Komitet Matematyki PAN, luty 2017 r. Matematyka Stosowana na Politechnice Wrocławskiej Komitet Matematyki PAN, luty 2017 r. Historia kierunku Matematyka Stosowana utworzona w 2012 r. na WPPT (zespół z Centrum im. Hugona Steinhausa) studia

Bardziej szczegółowo

ELEMENTY SZTUCZNEJ INTELIGENCJI. Sztuczne sieci neuronowe

ELEMENTY SZTUCZNEJ INTELIGENCJI. Sztuczne sieci neuronowe ELEMENTY SZTUCZNEJ INTELIGENCJI Sztuczne sieci neuronowe Plan 2 Wzorce biologiczne. Idea SSN - model sztucznego neuronu. Perceptron prosty i jego uczenie regułą delta Perceptron wielowarstwowy i jego uczenie

Bardziej szczegółowo

PLAN WYNIKOWY Z INFORMATYKI DLA KLASY VI

PLAN WYNIKOWY Z INFORMATYKI DLA KLASY VI PLAN WYNIKOWY Z INFORMATYKI DLA KLASY VI Program Informatyka 2000 DKW-4014-56/99 2 godziny tygodniowo Ok. 60 godzin lekcyjnych Lp. Zagadnienie Ilość lekcji Tematy lekcji 1. Technika 5 1. Lekcja komputerowa

Bardziej szczegółowo

INFORMATYKA W SELEKCJI

INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI INFORMATYKA W SELEKCJI - zagadnienia 1. Dane w pracy hodowlanej praca z dużym zbiorem danych (Excel) 2. Podstawy pracy z relacyjną bazą danych w programie MS Access 3. Systemy statystyczne

Bardziej szczegółowo

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU DOBRZE MIEĆ O(G)LEJ W GŁOWIE. O KOMÓRKACH UKŁADU NERWOWEGO.

SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU DOBRZE MIEĆ O(G)LEJ W GŁOWIE. O KOMÓRKACH UKŁADU NERWOWEGO. SCENARIUSZ LEKCJI BIOLOGII Z WYKORZYSTANIEM FILMU DOBRZE MIEĆ O(G)LEJ W GŁOWIE. O KOMÓRKACH UKŁADU NERWOWEGO. SPIS TREŚCI: I. Wprowadzenie. II. Części lekcji. 1. Część wstępna. 2. Część realizacji. 3.

Bardziej szczegółowo

sieci jednowarstwowe w MATLABie LABORKA Piotr Ciskowski

sieci jednowarstwowe w MATLABie LABORKA Piotr Ciskowski sieci jednowarstwowe w ATLABie LABORKA Piotr Ciskowski trzy funkcje do obsługi sieci jednowarstwowej : init1.m - tworzy sieć, inicjuje wagi (losowo) dzialaj1.m symuluje działanie sieci (na pojedynczym

Bardziej szczegółowo

Tytuł pracy dyplomowej

Tytuł pracy dyplomowej Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie AGH University of Science and Technology Tytuł pracy dyplomowej Twoje imię i nazwisko W ydział M atematyki S tosowanej Dzisiejsza data Twoje

Bardziej szczegółowo

Biologiczne mechanizmy zachowania - fizjologia. zajecia 1 :

Biologiczne mechanizmy zachowania - fizjologia. zajecia 1 : Biologiczne mechanizmy zachowania - fizjologia zajecia 1 : 8.10.15 Kontakt: michaladammichalowski@gmail.com https://mmichalowskiuwr.wordpress.com/ II gr 08:00 10:0 III gr 10:15 11:45 IV gr 12:00 13:30

Bardziej szczegółowo

Tematy lekcji informatyki klasa 4a listopad 2012

Tematy lekcji informatyki klasa 4a listopad 2012 Tematy lekcji informatyki klasa 4a listopad 2012 temat 4. z podręcznika (str. 42-48); Czym jest i do czego służy system operacyjny? 10, 11 Działanie komputera i sieci komputerowej pytania 8-12 (str. 46);

Bardziej szczegółowo

Podstawy tworzenia prezentacji w programie Microsoft PowerPoint 2007

Podstawy tworzenia prezentacji w programie Microsoft PowerPoint 2007 Podstawy tworzenia prezentacji w programie Microsoft PowerPoint 2007 opracowanie: mgr Monika Pskit 1. Rozpoczęcie pracy z programem Microsoft PowerPoint 2007. 2. Umieszczanie tekstów i obrazów na slajdach.

Bardziej szczegółowo

Field of study: Computational Engineering Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes.

Field of study: Computational Engineering Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes. Faculty of: Metals and Industrial Computer Science Field of study: Computational Study level: First-cycle studies Form and type of study: Full-time studies Annual: 2014/2015 Lecture language: Polish Project

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe Wydział Zarządzania AGH Katedra Informatyki Stosowanej Sztuczne sieci neuronowe Sztuczne sieci neuronowe Wprowadzenie Trochę historii Podstawy działania Funkcja aktywacji Typy sieci 2 Wprowadzenie Zainteresowanie

Bardziej szczegółowo

Sieci neuronowe (wprowadzenie)

Sieci neuronowe (wprowadzenie) Sieci neuronowe (wprowadzenie) Ryszard Tadeusiewicz Laboratorium Biocybernetyki Katedra Automatyki AGH Zacznijmy od formalnej definicji: sieć neuronowa to urządzenie techniczne lub algorytm, którego działanie

Bardziej szczegółowo

Wymagania na poszczególne oceny w klasach 3 gimnazjum

Wymagania na poszczególne oceny w klasach 3 gimnazjum Wymagania na poszczególne oceny w klasach 3 gimnazjum Znaczenie komputera we współczesnym świecie Przypomnienie wiadomości na temat języka HTML Wstawianie tabeli na stronę WWW Wstawianie listy punktowanej

Bardziej szczegółowo

Daniel Kierepka. Kompresja obrazów za pomoc sztucznych sieci neuronowych

Daniel Kierepka. Kompresja obrazów za pomoc sztucznych sieci neuronowych Daniel Kierepka Kompresja obrazów za pomoc sztucznych sieci neuronowych We współczesnym wiecie do duym problemem jest przesyłanie danych o znacznej wielkoci w sieciach telekomunikacyjnych. W tej pracy

Bardziej szczegółowo

Slajdy. 1. STRONA uruchom program PowerPoint usuń ramki z napisami Narzędzia główne Układ Pusty

Slajdy. 1. STRONA uruchom program PowerPoint usuń ramki z napisami Narzędzia główne Układ Pusty Prezentacja na tablicę multimedialną przygotowana w PowerPoint Zrzuty ekranowe Pobieranie grafik z internetu Kadrowanie i skalowanie Pobieranie linków z internetu Slajdy 1. STRONA uruchom program PowerPoint

Bardziej szczegółowo

ANALIZA WŁAŚCIWOŚCI FILTRU PARAMETRYCZNEGO I RZĘDU

ANALIZA WŁAŚCIWOŚCI FILTRU PARAMETRYCZNEGO I RZĘDU POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 78 Electrical Engineering 2014 Seweryn MAZURKIEWICZ* Janusz WALCZAK* ANALIZA WŁAŚCIWOŚCI FILTRU PARAMETRYCZNEGO I RZĘDU W artykule rozpatrzono problem

Bardziej szczegółowo

MODELOWANIE RZECZYWISTOŚCI

MODELOWANIE RZECZYWISTOŚCI MODELOWANIE RZECZYWISTOŚCI Daniel Wójcik Instytut Biologii Doświadczalnej PAN d.wojcik@nencki.gov.pl tel. 022 5892 424 http://www.neuroinf.pl/members/danek/swps/ Podręcznik Iwo Białynicki-Birula Iwona

Bardziej szczegółowo

Sztuczne sieci neuronowe (SNN)

Sztuczne sieci neuronowe (SNN) Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

Rozdział 1 Sztuczne sieci neuronowe. Materiały do zajęć dydaktycznych - na podstawie dokumentacji programu Matlab opracował Dariusz Grzesiak

Rozdział 1 Sztuczne sieci neuronowe. Materiały do zajęć dydaktycznych - na podstawie dokumentacji programu Matlab opracował Dariusz Grzesiak 2 Rozdział 1 Sztuczne sieci neuronowe. 3 Sztuczna sieć neuronowa jest zbiorem prostych elementów pracujących równolegle, których zasada działania inspirowana jest biologicznym systemem nerwowym. Sztuczną

Bardziej szczegółowo

Najprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;

Najprostsze 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 szczegółowo

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski

Bardziej szczegółowo

Harmonogram szkolenia Kurs umiejętności komputerowych ECDL na poziomie BASE

Harmonogram szkolenia Kurs umiejętności komputerowych ECDL na poziomie BASE Harmonogram szkolenia Kurs umiejętności komputerowych ECDL na poziomie BASE 9.08-19.09.016 Poszczególne daty zajęć Godziny realizacji zajęć (od-do) Osoba prowadząca zajęcia Temat zajęć edukacyjnych Opis

Bardziej szczegółowo

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

Zagadnienia 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 szczegółowo

ZAJĘCIA KOMPUTEROWE - PLAN PRACY W KL. 3. Uczeń: - zna pojęcie Internet,

ZAJĘCIA KOMPUTEROWE - PLAN PRACY W KL. 3. Uczeń: - zna pojęcie Internet, ZAJĘCIA KOMPUTEROWE - PLAN PRACY W KL. 3 MIESIĄC Nr lekcji L.p. TEMAT ZAJĘĆ CELE ODNIESIENIA DO PP wrzesień 1 2 Witaj, w trzeciej klasie! Wakacyjny pamiętnik Uczeń: - zna zasady obowiązujące w pracowni

Bardziej szczegółowo

Field of study: Computer Science Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes.

Field of study: Computer Science Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes. Faculty of: Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering Field of study: Computer Science Study level: First-cycle studies Form and type of study: Full-time

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA Stefan Sokołowski SZTUCZNA INTELIGENCJA Inst Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://infugedupl/ stefan/dydaktyka/sztintel/

Bardziej szczegółowo

Błona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne

Błona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne Błona komórkowa grubość od 50 do 100 A Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne napięcie elektryczne, zwane napięciem na błonie. Różnica potencjałów to ok.

Bardziej szczegółowo

Błona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne

Błona komórkowa grubość od 50 do 100 A. Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne Błona komórkowa grubość od 50 do 100 A Istnieje pewna różnica potencjałów, po obu stronach błony, czyli na błonie panuje pewne napięcie elektryczne, zwane napięciem na błonie. Różnica potencjałów to ok.

Bardziej szczegółowo

Uczenie sieci typu MLP

Uczenie sieci typu MLP Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik

Bardziej szczegółowo

Uczenie sieci neuronowych i bayesowskich

Uczenie sieci neuronowych i bayesowskich Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10

Bardziej szczegółowo

Semestr 1 suma pkt ECTS dla wszystkich kursów w semestrze: 30

Semestr 1 suma pkt ECTS dla wszystkich kursów w semestrze: 30 1. Zestaw kursów i grup kursów obowiązkowych i wybieralnych w układzie semestralnym Załącznik nr3 Semestr 1 suma pkt dla wszystkich kursów w semestrze: 30 Kursy obowiązkowe suma pkt : 30 Lp Kod kursu pkt

Bardziej szczegółowo

Praca z widokami i nawigacja w pokazie

Praca z widokami i nawigacja w pokazie Poniższe ćwiczenie ma na celu zapoznanie z ogólnymi zasadami pracy w środowisku MS PowerPoint oraz najczęściej wykorzystywanymi mechanizmami służącymi do dodawania i edycji slajdów. Należy pobrać ze wskazanej

Bardziej szczegółowo

konspekt pojedynczy slajd sortowanie slajdów strona notatek 1. Widok normalny/konspekt 2. Widok sortowania slajdów 3.

konspekt pojedynczy slajd sortowanie slajdów strona notatek 1. Widok normalny/konspekt 2. Widok sortowania slajdów 3. Poniższe ćwiczenie ma na celu zapoznanie z ogólnymi zasadami pracy w środowisku MS PowerPoint oraz najczęściej wykorzystywanymi mechanizmami służącymi do dodawania i edycji slajdów. Należy pobrać ze wskazanej

Bardziej szczegółowo

Copyright by Wydawnictwo EPROFESS. Żory Wydanie I ISBN: Projekt okładki: Jacek Piekarczyk. Fotografia: Łukasz Malcharek

Copyright by Wydawnictwo EPROFESS. Żory Wydanie I ISBN: Projekt okładki: Jacek Piekarczyk. Fotografia: Łukasz Malcharek Copyright by Wydawnictwo EPROFESS Żory 2010 Wydanie I ISBN: 978-83-930208-5-0 Projekt okładki: Jacek Piekarczyk Fotografia: Łukasz Malcharek Skład: EPROFESS, Żory Wydawnictwo EPROFESS Żory www.eprofess.pl

Bardziej szczegółowo

Politechnika Lubelska

Politechnika Lubelska Politechnika Lubelska Wydział Zarządzania i Podstaw Techniki Temat: Sieć neuronowa do klasyfikacji rodzaju węgla kamiennego. Prowadzący: Wykonał: Dr Popko Artur Marek Harasimiuk ETI 5.3. (gr. lab. 5.5)

Bardziej szczegółowo

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl

Uniwersytet Mikołaja Kopernika. Wydział Matematyki i Informatyki. Jarosław Piersa piersaj(at)mat.uni.torun.pl Uniwersytet Mikołaja Kopernika Wydział Matematyki i Informatyki Jarosław Piersa piersaj(at)mat.uni.torun.pl Abstrakt Poniższy referat dotyczy zagadnień uczenia w sieciach neuronowych i bayesowskich(sieciach

Bardziej szczegółowo

Rozkład materiału realizacji informatyki w szkole podstawowej w wymiarze 2 godzin w cyklu trzyletnim

Rozkład materiału realizacji informatyki w szkole podstawowej w wymiarze 2 godzin w cyklu trzyletnim Rozkład materiału realizacji informatyki w szkole podstawowej w wymiarze 2 godzin w cyklu trzyletnim Autor: Danuta Kiałka Podręcznik: Informatyka Europejczyka (149/05) Danuta Kiałka z zespołem Program

Bardziej szczegółowo

ROZKŁAD MATERIAŁU Z PRZEDMIOTU INFORMATYKA dla LICEUM

ROZKŁAD MATERIAŁU Z PRZEDMIOTU INFORMATYKA dla LICEUM Urszula Wrzaskowska ROZKŁAD MATERIAŁU Z PRZEDMIOTU INFORMATYKA dla LICEUM Lp BLOK TEMATYCZNY Ilość Temat zajęć godzin. Zapoznanie z programem nauczania. Regulamin pracowni i zasady pracy z komputerem.

Bardziej szczegółowo