WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
|
|
- Przybysław Pawłowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul
2 15. WNIOSKOWANIE PROBABILISTYCZNE EWOLUCYJNE
3 Wnioskowanie probabilistyczne ewolucyjne Pokażemy, że agent wnioskujący probabilistycznie może, mimo niepewności, zrozumieć co działo się w przeszłości, właściwie zinterpretować teraźniejszość, a nawet przewidzieć przyszłość.
4 15.1. Niepewność i czas Świat jest niepewny i zmienia się w czasie. Opis probabilistyczny zjawisk zmieniających się w czasie polega na wyznaczeniu w każdej chwili czasu zmiennych losowych, z których pewne są obserwowalne, a inne nie: X t zmienne stanu, nieobserwowane, E t zmienne obserwowanle (evidence variables). Zbiór wartości E t = e t w chwili t określa zmienne obserwowalne. Procesy stacjonarne Procesy stacjonarne to takie, w których rozkłady gęstości prawdopodobieństwa zmiennych losowych X nie zmieniają się wraz z czasem. Parametry procesu stacjonarnego, takie jak wartość średnia m X i wariancja W X nie zależą od czasu. x(t) t W X = const m X = 0
5 15.1. Niepewność i czas Procesy Markowa Założenie Markowa stan bieżący zależy tylko od skończonej liczby stanów poprzednich. Proces (łańcuch) Markowa pierwszego rzędu taki w którym stan bieżący zależy tylko od stanu poprzedniego i nie zależy od innych stanów wcześniejszych. Sieć Bayesa dla procesu Markowa pierwszego rzędu X t-2 X t-1 X t X t+1 X t+2 Sieć Bayesa dla procesu Markowa drugiego rzędu X t-2 X t-1 X t X t+1 X t+2 Prawdopodobieństwo warunkowe dla łańcucha Markowa pierwszego rzędu t P( Xt X0: t 1) = P( Xt Xt 1) Ewolucja stanu w procesie Markowa jest opisana całkowicie rozkładem warunkowym P(X t X t-1 ), który jest nazywany modelem przejścia.
6 15.1. Niepewność i czas Założenie dla procesu Markowa: zmienne obserwowalne E t zależą tylko od stanu bieżącego X t P E X, E ) = P( E X ) ( t 0: t 0: t 1 t t Rozkład warunkowy P(E t X t ) nazywany jest modelem czujników lub modelem obserwacji. Rozkład łączny prawdopodobieństwa zmiennych stanu i obserwowalnych dla procesu Markowa pierwszego rzędu jest iloczynem obu modeli, t 0, X1,..., Xt, E0, E1,..., Et ) = P( Xi Xi 1) P( Ei i ) i= 1 P( X X Proces Markowa pierwszego rzędu jest jedynie przybliżeniem procesów rzeczywistych. Ukryte modele Markowa (Hidden Markov Models, HMM) są to modele probabilistyczne w których stan procesu opisuje pojedyńcza dyskretna zmienna losowa X t. T ij = t t = P( X = j X 1 i) O ii = t t = P( e X i)
7 15.2. Wnioskowanie w modelach czasowych Główne zadania wnioskowania probabilistycznego w czasie: Filtracja (monitorowanie) Wyznaczenie stanu wiarygodnego - rozkładu a posteriori stanu bieżącego na podstawie wszystkich obserwacji do chwili bieżącej, P(X t e 1:t ). Predykcja (prognozowanie) Wyznaczenie rozkładu a posteriori stanu przyszłego na podstawie wszystkich obserwacji do chwili bieżącej, P(X t+k e 1:t ), k > 0. Wygładzanie Wyznaczenie rozkładu a posteriori stanu przeszłego na podstawie wszystkich obserwacji do chwili bieżącej, P(X k e 1:t ), 1 k < t. Najbardziej wiarygodne wyjaśnienie Wyznaczenie stanów najbardziej wiarygodnie generujących dane obserwacje, m : t = arg max x P( x1: t e1 : ). t 1 1: t
8 15.4. Filtracja Kalmana W technice często spotyka się zagadnienia dynamiczne obarczone niepewnością modelu lub obserwacji, np: wyznaczanie trajektorii ciał niebieskich na podstawie niedokładnych obserwacji; śledzenie ruchu obiektów przy silnie zakłóconych obserwacjach; nawigacja pojazdami Program Apollo - lot na Księżyc! Rudolph E. Kalman Są to problemy estymacji stanu obiektów (położenia i prędko- ści) na podstawie zakłóconych (zaszumionch) obserwacji. Do analizy takich dynamicznych zagadnień stochastycznych używa się powszechnie filtracji Kalmana. Filtracja Kalmana jest to wnioskowanie w probabilistycznym modelu dynamicznym złożonym z losowego modelu zjawiska fizycznego i losowego modelu obserwacji (pomiarów). Idea filtracji Kalmana Oszacowanie stanu układu x(t) na podstawie modelu układu, znanego stanu poprzedniego x(t t) oraz aktualnej obserwacji z(t).
9 15.4. Filtracja Kalmana Sieć Bayesa dla filtru Kalmana Część widoczna: obserwacje Z(t), sterowanie U(t). t - t (k 1) Z( t t) U(t) t (k) Z(t) t + t (k+1) Część ukryta: stan X(t), zakłócenia stanu n(q t ), zakłócenia obserwacji w(r t ). H B H F X ( t t) X(t ) X & ( t t) X & (t) w( Rt n( Qt ) ) Modele układu i obserwacji mają postać x ( t) = Fx( t t) + n( Qt ) z t) = Hx( t) + w( R ) ( t + Bu(t)
10 15.4. Filtracja Kalmana Filtracja Kalmana składa się z dwóch faz: predykcji, która polega na wyznaczeniu estymat stanu i macierzy kowariancji błędu na podstawie ich wartości w chwili poprzedniej. x ˆ + B k k = Fk xˆ 1 k 1 k 1 P F + Q k k 1 = Fk Pk 1 k 1 T k k u k k (predykcja stanu) (predykcja macierzy kowariancji) aktualizacji, w której wykorzystuje się pomiary w chwili bieżącej do poprawienia estymat uzyskanych w predykcji w celu otrzymania dokładniejszych wartości stanu i macierzy kowariancji błędu. e z H xˆ (aktualizacja błędu pomiaru) k S H + K P k k = k k k k 1 = HkPk k 1 x ˆ + k k = xˆ k k 1 K T k T 1 = Pk k 1H ksk R k k = ( I K khk ) Pk k 1 k e k k (aktualizacja kowariancji błędu pomiaru) (macierz wzmocnienia optymalnego) (aktualizacja estymacji stanu) (aktualizacja kowariancji błędu stanu)
11 15.4. Filtracja Kalmana Przykład Zastosowanie filtracji Kalmana do śledzenia ruchu obiektu w płaszczyźnie X-Y. Stan obiektu - X(t) = [ X, Y, V X,V Y ] T. Filtracja Filtracja Kalmana zapewnia poprawne śledzenie ruchu. Wariancja błędów pomiaru szybko się stabilizuje. Wygładzanie Filtracja Kalmana zapewnia wygładzenie toru i znaczną redukcję wariancji błędów pomiaru.
12 15.4. Filtracja Kalmana Zastosowania filtracji Kalmana Nawigacja kosmiczna, lotnicza, lądowa i morska. Systemy nawigacji satelitarnej. Systemy naprowadzania bezwładnościowego. Systemy autopilotów. Układy śledzenia radarowego i sonarowego. Wyznaczanie trajektorii cząstek elementarnych. Numeryczne prognozowanie pogody. Modelowanie cyrkulacji oceanów i atmosfery na podstawie obrazów satelitarnych. Rozpoznawanie obrazów. Równoczesna lokalizacja i tworzenie mapy (eksploracja przez roboty nieznanego środowiska). Sterowanie procesami produkcyjnymi. Nadzór elektrowni atomowych. Modelowanie demografii. Uczenie w logice rozmytej i sieciach neuronowych. Ekonomia, w szczególności makroekonomia, ekonometria....
13 15.4. Filtracja Kalmana Ograniczenia klasycznej filtracji Kalmana Mimo swoich niezaprzeczalnych zalet klasyczny filtr Kalmana ma dwa poważne ograniczenia: model obiektu musi być liniowy, błędy modelu i pomiarów muszą mieć rozkład normalny Gaussa. Rozszerzony filtr Kalmana (extended Kalman filter) pozwala analizować modele nieliniowe o ile nieliniowości nie są zbyt silne. Ograniczenia filtracji Kalmana można ominąć stosując bardziej ogólne dynamiczne sieci Bayesa.
14 15.5. Dynamiczne sieci Bayesa Dynamiczna sieć Bayesa (dynamic Bayesian network, DBN) służy do reprezentacji dowolnych dynamicznych modeli probabilistycznych. Każdy ukryty model Markowa może być reprezentowany przez dynamiczną sieć Bayesa. Każdy filtr Kalmana może być reprezentowany przez dynamiczną sieć Bayesa, ale nie na odwrót. Dynamczne sieci Bayesa Filtr Kalmana Ukryte modele Markowa Dynamiczna sieć Bayesa może reprezentować zmienne losowe z wieloma maksimami lokalnymi, czego nie można osiągnąć przy pomocy rozkładu Gaussa.
15 15.5. Dynamiczne sieci Bayesa Przykłady dynamicznych sieci Bayesa Do budowy DBN potrzebne są: rozkład prawdopodobieństwa początkowego zmiennej stanu P(X 0 ), model przejścia P(X t X t-1 ), model obserwacji P(E t X t ), topologia sieci. DBN dla ruchu robota w płaszczyźnie X-Y Strażnik tajnych instalacji ukrytych pod ziemią może wnioskować o pogodzie wyłącznie na podstawie obserwacji czy szef przychodzi rano z parasolem, czy też nie. Bateria 0 DBN dla zadania wnioskowania o pogodzie MiernikB 1 Bateria 1 V 0 V 1 X 0 X 1 Z 1 Deszcz 0 Deszcz 1 Rt P(Ut ) R 0 P(U 0 ) t 0.70 t f Parasol
16 15.5. Dynamiczne sieci Bayesa Wnioskowane ścisłe w dynamicznych sieciach Bayesa Wnioskowanie w DBN prowadzi się poprzez rozwinięcie sieci P(R 0 ) 0.70 Deszcz 0 R -0 P(R0 ) t 0.70 f 0.30 Deszcz 1 R -0 P(R0 ) t f Deszcz 2 R -0 P(R0 ) t f Deszcz 3... R 1 P(U 1 ) t 0.90 f 0.20 R 1 P(U 1 ) t 0.90 f 0.20 R 1 P(U 1 ) t 0.90 f 0.20 Parasol 1 Parasol 2 Parasol 3 Rozwinięta DBN umożliwia reprezentowanie w zwięzły sposób nawet bardzo złożonych procesów. Wnioskowanie ścisłe w sieci rozwiniętej jest jednak bardzo kosztowne, co praktycznie uniemożliwia użycie metod stosowanych w zwykłych sieciach Bayesa. Do wnioskowania przybliżonego służą algorytmy filtrowania cząstkowego używające zbioru próbek X 0 (i), i = 1,...N. Przy wystarczającej liczbie N próbek wnioskowanie przybliżone prowadzi do wyników ścisłych, N(x t e 1:t )/N = P(x t e 1:t ).
17 15.6. Rozpoznawanie mowy Rozpoznawanie mowy pozwala komputerowi wyposażonemu w urządzenie rejestracji dźwięku interpretować mowę ludzką. Rozpoznawanie mowy pełni ważną rolę w wielu dziedzinach: interakcja człowieka z systemami komputerowymi, sterowanie pojazdami samochodami, samolotami, statkami kosmicznymi,... obsługa urządzeń gospodarstwa domowego, automatyczne notowanie. Rozpoznawanie mowy polega na identyfikacji ciągu słów wypowiedzianych przez mówcę na podstawie zarejestrowanego sygnału akustycznego. Następnym, dużo trudniejszym krokiem, jest zrozumienie wypowiedzi.
18 15.6. Rozpoznawanie mowy Mowa naturalna jest bardzo trudna do analizy, gdyż: ten sam mówca może różnie wypowiadać to samo słowo, różne słowa mogą brzmieć podobnie, różni mówcy mogą wymawiać słowo w różny sposób, tempo, intonacja i głośność mogą zmieniać się nawet w tej samej wypowiedzi, gdy mówi wiele osób pojawiają się interferencje słów, w płynnej wypowiedzi słowa zlewają się, mowa może być zaszumiona, zniekształcona. Rozpoznawanie mowy jest więc zadaniem wnioskowania probabilistycznego.
19 15.6. Rozpoznawanie mowy Sformułowanie probabilistyczne zadania rozpoznawania mowy Ciąg sygnałów akustycznych należy przypisać słowom a następnie wypowiedziom. Words zmienna losowa opisująca wszystkie możliwe słowa. signal zarejestrowany ciąg sygnałów akustycznych. Najbardziej prawdopodobną interpretacją słów jest wartość zmiennej Words maksymalizująca P(Words signal). words _ max_ prob = arg max P( Words signal ) Z reguły Bayesa P( Words signal ) = α P( signal Words) P( Words) P(Signal Words) określa model akustyczny opisujący brzmienie zarejestrowanych słów. P(Words) określa model języka prawdopodobieństwo każdej wypowiedzi złożonej ze słów.
20 15.6. Rozpoznawanie mowy Fonem (phoneme) jest najmniejszą jednostką mowy rozróżnianą przez użytkowników danego języka. Alfabet języka liczy zwykle fonemów, np. International Phonetic Alphabet (IPA), czy ARPAbet (American English): [t] ten, [ow] boat, [m] met, [aa] cot,... Słowo tomato ma reprezentację fonetyczną [t ow m aa t ow ]. Rejestracja sygnałów analogowych, próbkowanie, ramki. Sygnał analogowy Sygnał próbkowany dyskretny Ramki z własnościami Ramki reprezentują mowę opisując własności sygnału w małych przedziałach czasu (~ próbek): energię dźwięku, formant (barwa dźwieku), itp. Słowo jest określone rozkładem prawdopodobieństwa P(X 1:t word ) w którym X i jest fonemem w i-tej ramce.
21 15.6. Rozpoznawanie mowy Model słowa - rozkład prawdopodobieństwa dla słowa - określony jest przez model wymowy oraz model fonemu. Model wymowy określa rozkład prawdopodobieństwa dla słowa względem fonemów. Słowo może mieć kilka modeli wymowy, np. słowo tomato : P( [t ow m ey t ow] tomato ) = 0.1 P( [t ow m aa t ow] tomato ) = 0.1 P( [t ah m ey t ow] tomato ) = 0.4 P([t ah m aa t ow] tomato ) = 0.4 Model fonemów określa fonemy jako odwzorowanie sygnałów akustycznych na ramki poprzez prawdopodobieństwo wystąpienia w sygnale własności E t jeżeli wypowiedziany został fonem X t, P(Features Phone) = P(E t X t ). Przykład tzw. modelu trójstanowego dla fonemu [m] Modele stanów Onset, Mid i End określające realizację akustyczną fonemu poprzez prawdopodobieństwa trwania stanów (pętle).
22 15.6. Rozpoznawanie mowy Model słowa w połączeniu z modelem fonemu określa wiarygodność słowa izolowanego, P(word e 1:t ) = α P(e 1:t word ) P(word ) Prawdopodobieństwo a priori P(word ) wyznacza się zliczając częstość występowania słowa. Dialog wymaga zrozumienia wypowiedzi ciągłej. Wypowiedź ciągła nie jest jednak prostą sumą ciągu słów sekwencja najbardziej prawdopodobnych słów nie jest najbardziej prawdopodobną sekwencją słów. Zrozumienie ciągłej wypowiedzi wymaga segmentacji właściwego podziału łańcucha wypowiedzi na słowa. Model języka określa prawdopodobieństwo łańcucha jako ciągu kolejnych słów (przybliżenie bigram dla dwóch słów) P( w1... wn ) = P( w1 ) P( w2 w1 )... P( wn w1... wn 1) = P ( w w i i Modele języka określają prawdopodobieństwa wystąpienia ciągu słów, np: P( It is ) = 0.96, P( It this ) = Prawdopodobieństwa modelu bigram mogą być wyznaczone poprzez zliczanie wystąpień w dużym zbiorze wypowiedzi. n i 1 1 )
23 15.6. Rozpoznawanie mowy Model wypowiedzi ma postać ukrytego modelu Markowa: Model wypowiedzi Model języka Model słów Ramki Własności Model fonemów Model wymowy Model trójstanowy Model trójfonemowy
24 15.6. Rozpoznawanie mowy Budowa systemów rozpoznawania mowy Jakość systemów rozpoznawania mowy zależy od jakości wszystkich elementów: - modelu języka, - modeli wymowy słów, - modeli fonemów, - algorytmów przetwarzania sygnałów mowy oraz - obszerności słowników wymowy słów. Rozkłady prawdopodobieństw mogą zawierać nawet miliony parametrów definiujących modele sygnałów. Najlepsze rezultaty osiąga się poprzez uczenie modelu. Uczenie polega na dostrajaniu parametrów na podstawie dużej często ogromnej liczby wypowiedzi.
25 15.6. Rozpoznawanie mowy Systemy rozpoznawania mowy, rozwijane intensywnie zwłaszcza w ostatniej dekadzie, nie osiągnęły jednak jeszcze zadowalającej skuteczności. Niezawodność systemów rozpoznawania mowy zależy od warunków akustycznych i sposobu wypowiedzi. Wypowiedź jednej osoby, złożona z pojedyńczych słów z niewielkiego słownika, odbywająca się w dobrych warunkach akustycznych, bez dużych zakłóceń, rozpoznawana jest z dokładnością 95-99%. W przypadku dowolnych wypowiedzi wielu osób typowa dokładność rozpoznania wynosi 60-80%, nawet w dobrych warunkach akustycznych. Gdy warunki akustyczne są złe, dokładność jest mniejsza. Niektóre systemy rozpoznawania mowy: w medycznych systemach diagnostycznych, w pakiecie Microsft Office, w telefonii komórkowej, bankowości, itp., w lotnictwie wojskowym.
26 15.6. Rozpoznawanie mowy Zastosowanie w lotnictwie wojskowym W samolotach myśliwskich (F-16 VISTA, Mirage, Eurofighter Typhoon ) systemy rozpoznawania mowy służą do: wyboru częstości radiowych i obsługi wyświetlaczy, obsługi systemów FCS i autopilota, trymowania sterów, definiowania parametrów użycia broni. Systemy takie używają ograniczonych słowników z niewielkim zasobem specjalistycznych słów. Najważniejszym wymaganiem dla takich systemów jest osiągnięcie dokładności rozpoznawania wypowiedzi większej niż 95% - w przeciwnym razie piloci nie chcą ich używać. Ustalono, że: duże przeciążenia (G-force) mają istotny wpływ na dokładność rozpoznawania, ważne jest uwzględnienie modelu oddychania, wbrew przewidywaniom, użycie słabego angielskiego nie wpływa znacząco na dokładność rozpoznania mowy. Systemy te pozwalają znacznie zredukować wysiłek pilota, ale nie są jeszcze w pełni dopracowane.
27 Podsumowanie Zmiany stanu świata w czasie mogą być opisane zmiennymi losowymi zależnymi od czasu. Modele procesów Markowa pozwalają zwięźle modelować stacjonarne procesy stochastyczne. Stochastyczny model dynamiczny składa się z modelu przejścia i modelu obserwacji. Głównymi zadaniami wnioskowania stochastycznego w czasie są: filtracja, predykcja, wygładzanie oraz wyznaczanie najbardziej wiarygodnego wyjaśnienia. Podstawowymi modelami dynamicznymi są sieci Bayesa oraz ich szczególne przypadki: ukryte modele Markowa oraz filtr Kalmana. Filtr Kalmana stanowi podstawowe narzędzie wnioskowania stochastycznego dla układów dynamicznych. Zastosowanie Filtrów Kalmana jest bardzo szerokie: nawigacja, sterowanie, uczenie, rozpoznawanie obrazów, Ważnym zadaniem wnioskowania stochastycznego jest rozpoznawanie mowy.
Fuzja sygnałów i filtry bayesowskie
Fuzja sygnałów i filtry bayesowskie Roboty Manipulacyjne i Mobilne dr inż. Janusz Jakubiak Katedra Cybernetyki i Robotyki Wydział Elektroniki, Politechnika Wrocławska Wrocław, 10.03.2015 Dlaczego potrzebna
Bardziej szczegółowoAutomatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści
Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoUkłady stochastyczne
Instytut Informatyki Uniwersytetu Śląskiego 21 stycznia 2009 Definicja Definicja Proces stochastyczny to funkcja losowa, czyli funkcja matematyczna, której wartości leżą w przestrzeni zdarzeń losowych.
Bardziej szczegółowoModele zapisane w przestrzeni stanów
Modele zapisane w przestrzeni stanów Modele Przestrzeni Stanów (State Space Models) sa to modele, w których część parametrów jest nieobserwowalna i losowa. Zachowanie wielowymiarowej zmiennej y t zależy
Bardziej szczegółowoPodstawowe modele probabilistyczne
Wrocław University of Technology Podstawowe modele probabilistyczne Maciej Zięba maciej.zieba@pwr.edu.pl Rozpoznawanie Obrazów, Lato 2018/2019 Pojęcie prawdopodobieństwa Prawdopodobieństwo reprezentuje
Bardziej szczegółowoSpacery losowe generowanie realizacji procesu losowego
Spacery losowe generowanie realizacji procesu losowego Michał Krzemiński Streszczenie Omówimy metodę generowania trajektorii spacerów losowych (błądzenia losowego), tj. szczególnych procesów Markowa z
Bardziej 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 szczegółowoKATEDRA SYSTEMÓW MULTIMEDIALNYCH. Inteligentne systemy decyzyjne. Ćwiczenie nr 12:
KATEDRA SYSTEMÓW MULTIMEDIALNYCH Inteligentne systemy decyzyjne Ćwiczenie nr 12: Rozpoznawanie mowy z wykorzystaniem ukrytych modeli Markowa i pakietu HTK Opracowanie: mgr inż. Kuba Łopatka 1. Wprowadzenie
Bardziej szczegółowoAlgorytmy estymacji stanu (filtry)
Algorytmy estymacji stanu (filtry) Na podstawie: AIMA ch15, Udacity (S. Thrun) Wojciech Jaśkowski Instytut Informatyki, Politechnika Poznańska 21 kwietnia 2014 Problem lokalizacji Obserwowalność? Determinizm?
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 szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowo4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...
Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIII: Prognoza. 26 stycznia 2015 Wykład XIII: Prognoza. Prognoza (predykcja) Przypuśćmy, że mamy dany ciąg liczb x 1, x 2,..., x n, stanowiących wyniki pomiaru pewnej zmiennej w czasie wielkości
Bardziej szczegółowoPrognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania
Prognozowanie i Symulacje. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Szeregi czasowe 1 Szeregi czasowe 2 3 Szeregi czasowe Definicja 1 Szereg czasowy jest to proces stochastyczny z czasem dyskretnym
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 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 szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA
STATYSTYKA MATEMATYCZNA ZESTAW 0 (POWT. RACH. PRAWDOPODOBIEŃSTWA) ZADANIA Zadanie 0.1 Zmienna losowa X ma rozkład określony funkcją prawdopodobieństwa: x k 0 4 p k 1/3 1/6 1/ obliczyć EX, D X. (odp. 4/3;
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Matematyka ubezpieczeń majątkowych 3..007 r. Zadanie. Każde z ryzyk pochodzących z pewnej populacji charakteryzuje się tym że przy danej wartości λ parametru ryzyka Λ rozkład wartości szkód z tego ryzyka
Bardziej szczegółowo1.7. Eksploracja danych: pogłębianie, przeszukiwanie i wyławianie
Wykaz tabel Wykaz rysunków Przedmowa 1. Wprowadzenie 1.1. Wprowadzenie do eksploracji danych 1.2. Natura zbiorów danych 1.3. Rodzaje struktur: modele i wzorce 1.4. Zadania eksploracji danych 1.5. Komponenty
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji ML Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoMetoda największej wiarygodności
Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 7 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Modelowanie systemów mechatronicznych Platformy przetwarzania danych
Mechatronika i inteligentne systemy produkcyjne Modelowanie systemów mechatronicznych Platformy przetwarzania danych 1 Sterowanie procesem oparte na jego modelu u 1 (t) System rzeczywisty x(t) y(t) Tworzenie
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 szczegółowoWYKŁAD 2. Problem regresji - modele liniowe
Wrocław University of Technology WYKŁAD 2 Problem regresji - modele liniowe Maciej Zięba Politechnika Wrocławska Regresja Regresja (ang. Regression): Dysponujemy obserwacjami z odpowiadającymi im wartościami
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoV Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" - relacja
V Seminarium Naukowe "Inżynierskie zastosowania technologii informatycznych" - relacja W dniu 27.06.2015 odbyło się V Seminarium Naukowe Inżynierskie zastosowania technologii informatycznych. Organizatorzy
Bardziej szczegółowoSPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization
Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne
Bardziej szczegółowoStatystyczna analiza danych
Statystyczna analiza danych ukryte modele Markowa, zastosowania Anna Gambin Instytut Informatyki Uniwersytet Warszawski plan na dziś Ukryte modele Markowa w praktyce modelowania rodzin białek multiuliniowienia
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. 2 Łańcuchem Markowa nazywamy proces będący ciągiem zmiennych
Bardziej szczegółowoMODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH
Inżynieria Rolnicza 7(105)/2008 MODELOWANIE STANÓW CZYNNOŚCIOWYCH W JĘZYKU SIECI BAYESOWSKICH Katedra Podstaw Techniki, Uniwersytet Przyrodniczy w Lublinie Streszczenie. Zastosowanie sieci bayesowskiej
Bardziej szczegółowoPODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA. Piotr Wiącek
PODSTAWOWE ROZKŁADY PRAWDOPODOBIEŃSTWA Piotr Wiącek ROZKŁAD PRAWDOPODOBIEŃSTWA Jest to miara probabilistyczna określona na σ-ciele podzbiorów borelowskich pewnej przestrzeni metrycznej. σ-ciało podzbiorów
Bardziej szczegółowoWeryfikacja hipotez statystycznych. KG (CC) Statystyka 26 V / 1
Weryfikacja hipotez statystycznych KG (CC) Statystyka 26 V 2009 1 / 1 Sformułowanie problemu Weryfikacja hipotez statystycznych jest drugą (po estymacji) metodą uogólniania wyników uzyskanych w próbie
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 5 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoWnioskowanie bayesowskie
Wnioskowanie bayesowskie W podejściu klasycznym wnioskowanie statystyczne oparte jest wyłącznie na podstawie pobranej próby losowej. Możemy np. estymować punktowo lub przedziałowo nieznane parametry rozkładów,
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Łańcuchy Markowa: zagadnienia graniczne. Ukryte modele Markowa. Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ KLASYFIKACJA STANÓW Stan i jest osiągalny
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH
Transport, studia I stopnia Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Postać ogólna równania nieliniowego Często występującym, ważnym problemem obliczeniowym
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoWażne rozkłady i twierdzenia
Ważne rozkłady i twierdzenia Rozkład dwumianowy i wielomianowy Częstość. Prawo wielkich liczb Rozkład hipergeometryczny Rozkład Poissona Rozkład normalny i rozkład Gaussa Centralne twierdzenie graniczne
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoFiltr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz
Filtr Kalmana Struktury i Algorytmy Sterowania Wykład 1-2 prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz Politechnika Gdańska, Wydział Elektortechniki i Automatyki 2013-10-09, Gdańsk Założenia
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowoAnaliza zawartości dokumentów za pomocą probabilistycznych modeli graficznych
Analiza zawartości dokumentów za pomocą probabilistycznych modeli graficznych Probabilistic Topic Models Jakub M. TOMCZAK Politechnika Wrocławska, Instytut Informatyki 30.03.2011, Wrocław Plan 1. Wstęp
Bardziej szczegółowoUkłady równań liniowych. Krzysztof Patan
Układy równań liniowych Krzysztof Patan Motywacje Zagadnienie kluczowe dla przetwarzania numerycznego Wiele innych zadań redukuje się do problemu rozwiązania układu równań liniowych, często o bardzo dużych
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 4. UCZENIE SIĘ INDUKCYJNE Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WSTĘP Wiedza pozyskana przez ucznia ma charakter odwzorowania
Bardziej szczegółowoW2 Podstawy rachunku prawdopodobieństwa (przypomnienie)
W2 Podstawy rachunku prawdopodobieństwa (przypomnienie) Henryk Maciejewski Jacek Jarnicki Marek Woda www.zsk.iiar.pwr.edu.pl Rachunek prawdopodobieństwa - przypomnienie 1. Zdarzenia 2. Prawdopodobieństwo
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11; środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoOpenAI Gym. Adam Szczepaniak, Kamil Walkowiak
OpenAI Gym Adam Szczepaniak, Kamil Walkowiak Plan prezentacji Programowanie agentowe Uczenie przez wzmacnianie i problemy związane z rozwojem algorytmów Charakterystyka OpenAI Gym Biblioteka gym Podsumowanie
Bardziej szczegółowoSPOTKANIE 11: Reinforcement learning
Wrocław University of Technology SPOTKANIE 11: Reinforcement learning Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.edu.pl 19.01.2016 Uczenie z nadzorem (ang. supervised learning)
Bardziej szczegółowoMetody probabilistyczne klasyfikatory bayesowskie
Konwersatorium Matematyczne Metody Ekonomii narzędzia matematyczne w eksploracji danych First Prev Next Last Go Back Full Screen Close Quit Metody probabilistyczne klasyfikatory bayesowskie Wykład 8 Marcin
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoMetody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1
Normy wektorów i macierzy (5.3.1) Niech 1 X =[x x Y y =[y1 x n], oznaczają wektory przestrzeni R n, a yn] niech oznacza liczbę rzeczywistą. Wyrażenie x i p 5.3.1.a X p = p n i =1 nosi nazwę p-tej normy
Bardziej szczegółowoDokładność pozycji. dr inż. Stefan Jankowski
Dokładność pozycji dr inż. Stefan Jankowski s.jankowski@am.szczecin.pl Nawigacja Nawigacja jest gałęzią nauki zajmującą się prowadzeniem statku bezpieczną i optymalną drogą. Znajomość nawigacji umożliwia
Bardziej szczegółowoRozkłady wielu zmiennych
Rozkłady wielu zmiennych Uogólnienie pojęć na rozkład wielu zmiennych Dystrybuanta, gęstość prawdopodobieństwa, rozkład brzegowy, wartości średnie i odchylenia standardowe, momenty Notacja macierzowa Macierz
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student
Bardziej szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoMetody Prognozowania
Wprowadzenie Ewa Bielińska 3 października 2007 Plan 1 Wprowadzenie Czym jest prognozowanie Historia 2 Ciągi czasowe Postępowanie prognostyczne i prognozowanie Predykcja długo- i krótko-terminowa Rodzaje
Bardziej szczegółowoAlgorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa
Algorytmy MCMC (Markowowskie Monte Carlo) dla skokowych procesów Markowa Wojciech Niemiro 1 Uniwersytet Warszawski i UMK Toruń XXX lat IMSM, Warszawa, kwiecień 2017 1 Wspólne prace z Błażejem Miasojedowem,
Bardziej szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
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 szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
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 szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoModelowanie komputerowe
Modelowanie komputerowe wykład 1- Generatory liczb losowych i ich wykorzystanie dr Marcin Ziółkowski Instytut Matematyki i Informatyki Akademia im. Jana Długosza w Częstochowie 5,12 października 2016 r.
Bardziej szczegółowoTeoria przetwarzania A/C i C/A.
Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych
Bardziej szczegółowoOFERTA PRACY DYPLOMOWEJ
Poszukiwanie optymalnych rozwiązań zastosowania w systemie ciepłowniczym źródeł odnawialnych wspomagających lokalnie pracę sieci. Celem pracy dyplomowej jest poszukiwanie miejsc systemu ciepłowniczego,
Bardziej szczegółowo1.5. Sygnały. Sygnał- jest modelem zmian w czasie pewnej wielkości fizycznej lub stanu obiektu fizycznego
Sygnał- jest modelem zmian w czasie pewnej wielkości fizycznej lub stanu obiektu fizycznego Za pomocąsygnałów przekazywana jest informacja. Sygnałjest nośnikiem informacji. Za pomocą sygnału moŝna: badać
Bardziej szczegółowoRachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych
Rachunek prawdopodobieństwa projekt Ilustracja metody Monte Carlo obliczania całek oznaczonych Autorzy: Marta Rotkiel, Anna Konik, Bartłomiej Parowicz, Robert Rudak, Piotr Otręba Spis treści: Wstęp Cel
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia II stopnia (magisterskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia II stopnia (magisterskie) Temat: Analiza właściwości pilotażowych samolotu Specjalność: Pilotaż lub Awionika 1. Analiza stosowanych kryteriów
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoStacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła
Stacjonarne procesy gaussowskie, czyli o zwiazkach pomiędzy zwykła autokorelacji Łukasz Dębowski ldebowsk@ipipan.waw.pl Instytut Podstaw Informatyki PAN autokorelacji p. 1/25 Zarys referatu Co to sa procesy
Bardziej szczegółowoSYLABUS. Nazwa jednostki prowadzącej Wydział Matematyczno Przyrodniczy Centrum Mikroelektroniki i Nanotechnologii
SYLABUS Nazwa Wprowadzenie do metrologii Nazwa jednostki prowadzącej Wydział Matematyczno Przyrodniczy przedmiot Centrum Mikroelektroniki i Nanotechnologii Kod Studia Kierunek studiów Poziom kształcenia
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,
Bardziej szczegółowoRozkłady statystyk z próby
Rozkłady statystyk z próby Rozkłady statystyk z próby Przypuśćmy, że wykonujemy serię doświadczeń polegających na 4 krotnym rzucie symetryczną kostką do gry, obserwując liczbę wyrzuconych oczek Nr kolejny
Bardziej szczegółowoEtapy modelowania ekonometrycznego
Etapy modelowania ekonometrycznego jest podstawowym narzędziem badawczym, jakim posługuje się ekonometria. Stanowi on matematyczno-statystyczną formę zapisu prawidłowości statystycznej w zakresie rozkładu,
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 1. Wstęp a) Binarne zmienne zależne b) Interpretacja ekonomiczna c) Interpretacja współczynników 2. Liniowy model prawdopodobieństwa a) Interpretacja współczynników
Bardziej szczegółowo2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Sprawdzanie założeń przyjętych o modelu (etap IIIC przyjętego schematu modelowania regresyjnego) 1. Szum 2. Założenie niezależności zakłóceń modelu - autokorelacja składnika losowego - test Durbina - Watsona
Bardziej szczegółowoProcesy stochastyczne WYKŁAD 2-3. Łańcuchy Markowa. Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi.
Procesy stochastyczne WYKŁAD 2-3 Łańcuchy Markowa Łańcuchy Markowa to procesy "bez pamięci" w których czas i stany są zbiorami dyskretnymi. Przykład Symetryczne błądzenie przypadkowe na prostej. 1 2 Łańcuchem
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowoKADD Minimalizacja funkcji
Minimalizacja funkcji Poszukiwanie minimum funkcji Foma kwadratowa Metody przybliżania minimum minimalizacja Minimalizacja w n wymiarach Metody poszukiwania minimum Otaczanie minimum Podział obszaru zawierającego
Bardziej szczegółowo