WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte)
|
|
- Krystyna Bednarczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 WYKŁAD 10 Rozmyta reprezentacja danych (modelowanie i wnioskowanie rozmyte) Motywacje:! przezwyciężenie wad tradycyjnych algorytmów komputerowych, które zawodzą zwłaszcza w sytuacjach, w których człowiek jest w stanie rozwiązać postawiony problem bez większych trudności,! oczywistym pomysłem jest próba opisywania rzeczywistości w sposób naśladujący rozumowanie człowieka! na początku uwaga została skupiona na sieciach neuronowych bliskie zasadom przetwarzania informacji w ludzkim mózgu! co jest przyczyną sukcesów człowieka (względem maszyny)? godząc się na trochę niedokładności modeli osiągamy odporność Celem modelu jest uchwycenie funkcjonowania modelowanego systemu. Model jest relacją pomiędzy zbiorem obiektów: 1. opisujących własności systemu (zmienne, parametry) 2. opisujących relacje zachodzące między nimi (spójniki, funktory) Dwa rodzaje modeli:! matematyczne (analityczne) wykorzystują reprezentację liczbową, operacje algebraiczne: dodawanie, mnożenie, różniczkowanie, itd! logiczne reprezentacja binarna lub wielowartościowa prawda fałsz, operacje (spójniki) typu logicznego: i, lub, jeżeli-to, dla-każdego, itd Rozmyta reprezentacja zmiennych i parametrów złagodzenie żądania precyzji modelu. W realnym świecie wiele zjawisk opisywanych jest w sposób bardzo nieprecyzyjny: prawie identyczny trochę większy znacznie odmienny niska temperatura zadawalający poziom wiedzy 1
2 Konieczne jest odejście od binarnego widzenia świata. Dwuwartościowa logika Arystotelesa oraz teoria klasycznie pojmowanych zbiorów nie są w stanie rozwiązać wielu sprzeczności i niejednoznaczności, jakie występują przy przetwarzaniu rzeczywistych danych paradoks golibrody LOGIKA ROZMYTA (ang. fuzzy logic) - wielowartościowa logika wraz z opartym na niej systemem wnioskowania. Twórcy:! początki: polski matematyk Łukasiewicz! , Lotfi Zadeh,! później: E.Mamdani, M. Sugeno, T.Takagi, R. Yager Przykładowe zastosowania:! wszędzie tam, gdzie trudno jest utworzyć matematyczny model ale daje się opisać sytuację w sposób jakościowy,! systemem ogniskowania niektórych kamer wizyjnych (Cannon) podejmujący decyzję co jest fotografowanym obiektem,! helikopter sterowany głosem, rozumiejący polecenia postaci: leć trochę wyżej, skręć mocno w prawo,! sprzęt elektroniczny powszechnego użytku: np. AGD lodówki, pralki, mikrofalówki. Najważniejsze paradygmaty:! pojęcie zbioru rozmytego, algebra zbiorów rozmytych! powiązanie zbiorów rozmytych i miar prawdopodobieństwa,! zmienne lingwistyczne oraz wnioskowanie przybliżone,! inne: rozmyte programowanie dynamiczne, rozmyte podejmowanie decyzji, rozmyta interpretacja języka, rozmyta algebra, rozmyte procesy stochastyczne 2
3 POJĘCIE ZBIORU ROZMYTEGO Klasyczna teoria zbiorów: Każdy element należy albo do zbioru, albo do jego dopełnienia. Nie może należeć do obu naraz (prawo niesprzeczności, prawo wyłączonego środka) W teorii zbiorów rozmytych przyjmuje, że element może należeć częściowo do zbioru jak i do jego dopełnienia.. gdzie f(x) dowolna funkcja o wartościach z przedziału [0,1]. X - uniwersum, zbiór uniwersalny, przestrzeń elementów; x X A - zbiór rozmyty, koncepcja, zmienna lingwistyczna, µ A (x) - funkcja charakterystyczna (funkcja przynależności) określa stopień, w jakim element x należy do zbioru A. Sposoby definowania zbiorów rozmytych: o analityczna postać funkcji przynależności (np. krzywa Gaussa, trójkątna, trapezoidalna) o wyliczenie par (wartość, stopień przynależności) Funkcja przynależności to nie jest prawdopodobieństwo: o np. łysy w 80% to nie to samo, co łysy 1 na 5 razy. o prawdopodobieństwo jest unormowane do jedynki, a funkcja przynależności nie. Teoria zbiorów rozmytych jest uogólnieniem klasycznej teorii zbiorów. 3
4 WŁASNOŚCI ZBIORÓW ROZMYTYCH Nośnikiem zbioru rozmytego A nazywamy zbiór wartości x, dla których funkcja przynależności jest nieujemna: Support (baza) zbioru rozmytego A: supp(a) = { x X : µ A (x)>0 } Core (jądro) zbioru rozmytego A: core(a) = { x X : µ A (x)=1 } α-cut (α-cięcie) zbioru rozmytego A: A α = { x X : µ A (x)>a } singleton zbiór rozmyty, który stanowi tylko jeden punkt x z wartością µ A (x)>0 Dopełnienie zbioru A, to zbiór rozmyty A o funkcji przynależności: μ A () x = 1 - () x μ A 4
5 PODSTAWOWE OPERACJE NA ZBIORACH ROZMYTYCH Suma logiczna (ang. union) zbiorów A oraz B, o funkcjach przynależności µ A (x) µ B (x), to zbiór rozmyty C o funkcji przynależności stanowiącej maksimum: µ C (x) = µ A B (x) = max( µ A (x), µ B (x) ) Operację max można zastąpić S-normą S(a,b), niemalejącą dla obu argumentów, przemienną, łączną i taką że: S(a,0)=a, S(a,1)=1. Iloczyn logiczny (ang. intersection), to zbiór rozmyty C o funkcji przynależności równej minimum: µ C (x) = µ A B (x) = min( µ A (x), µ B (x) ) Operację min można zastąpić dowolną T-normą T(a,b), nierosnącą dla obu argumentów, przemienną, łączną i taką że: T(a,0)=0, T(a,1)=a 5
6 ZMIENNE LINGWISTYCZNE Zbiory rozmyte opisują najczęściej pojęcia lingwistyczne używane często w życiu codziennym jak np. chłodno, gorąco Możemy utworzyć zmienną lingwistyczną o nazwie temperatura, rozbudowując powyższy przykład następująco: x - temperatura - nazwa zmiennej lingwistycznej, X - przestrzeń temperatur, czyli przedział [-20, +40 ], - {Mróz, Zimno, Chłodno, Ciepło, Gorąco } - wartości zmiennej lingwistycznej, przy czym: - dla temperatur [-20, 0] zmienna lingwistyczna = mróz, - dla temperatur [-5, 10] zmienna lingwistyczna = zimno, - dla temperatur [5, 20] zmienna lingwistyczna = chłodno, - dla temperatur [15, 30] zmienna lingwistyczna = ciepło, - dla temperatur [25, 40] zmienna lingwistyczna = gorąco przykładowe wyrażenie: (temperatura=zimno or temperatura=ciepło) and not (temperatura=chłodno) 6
7 Przykład wyznaczania wysokości napiwku w restauracji Dane wejściowe: Jakość obsługi: o poor, o good, o excellent Jakość posiłku: o rancid, o good, o delicious Dane wyjściowe: Wysokość napiwku: o cheap o average o generous REGUŁY: IF service is poor or food is rancid THEN tip is cheap IF service is good THEN tip is average IF service is excellent or food is delicious THEN tip is generous 7
8 REGUŁOWY SYSTEM WNIOSKOWANIA ROZMYTEGO Praca systemu decyzyjnego opartego na logice rozmytej zależy od definicji reguł rozmytych, które są zawarte w bazie reguł. Reguły te mają postać IF...AND...THEN, np.: IF (a is A1) AND (b is B1) THEN (c is C1) IF (a is A2) AND (b is NOT B2) THEN (c is C2) gdzie a, b, c są tzw. zmiennymi lingwistycznymi, natomiast A1,..., C2 są podzbiorami rozmytymi odpowiadającymi poszczególnym wartościom tych zmiennych Moduł wnioskowania oczekuje na wejściu ciągu liczb rzeczywistych i zwraca również ciąg liczb rzeczywistych, określanych w nomenklaturze związanej z logiką rozmytą jako crisp values. Przetwarzanie wstępne (ang. preprocessing) polega na przekształceniu danych doprowadzonych do wejścia systemu do formatu akceptowanego przez moduł wnioskowania. 8
9 Przetwarzanie końcowe (ang. postprocessing) służy do konwersji danych wyjściowych z tego modułu do postaci zgodnej z wymogami układów zewnętrznych. Procedura fuzyfikacji (z ang. fuzzification), polega na transformacji wartości z dziedziny liczb rzeczywistych na wartości z dziedziny zbiorów rozmytych. W tym celu dokonuje się wyznaczenia wartości funkcji przynależności dla kolejnych zmiennych lingwistycznych i dla danej rzeczywistej wartości wejściowej. Interpretacja reguł rozmytych składa się z dwóch pod-etapów: W pierwszym etapie realizowany jest proces obliczania mocy reguł. W tym celu dla każdej zmiennej w przesłankach reguły wyznaczane są stopnie przynależności do odpowiedniego zbioru rozmytego. Jeśli moc reguły jest zerowa, wówczas uznaje się, że nie nastąpiła aktywacja reguły. Jednocześnie wyznaczany jest zbiór rozmyty będący rezultatem uaktywnienia reguły. Zależy on od kształtu odpowiedniej funkcji przynależności oraz obliczonej mocy reguły. W drugim etapie następuje agregacja aktywnych reguł. Polega ona na sumowaniu rozmytych zbiorów wynikowych ze wszystkich reguł. Otrzymany w ten sposób zbiór rozmyty jest zbiorem wynikowym wnioskowania rozmytego. Wynikiem wnioskowania jest zbiór rozmyty. Defuzyfikacja (ang. defuzzification), zwana również wyostrzaniem, jest przekształceniem odwrotnym do rozmywania, czyli transformacją informacji zawartej w zbiorze rozmytym do postaci pojedynczej wartości (crisp value) Etapy projektowania systemu rozmytego: 1. Określenie zmiennych lingwistycznych i odpowiadających im atrybutów rozmytych 2. Określenie funkcji przynależności w/w zbiorów 3. Zdefiniowanie bazy rozmytych reguł 4. Wybór metody defuzyfikacji 9
Sztuczna inteligencja: zbiory rozmyte
Instytut Informatyki Uniwersytetu Śląskiego lab 1 1 Klasyczna teoria zbiorów 2 Teoria zbiorów rozmytych 3 Zmienne lingwistyczne i funkcje przynależności 4 System rozmyty 5 Preprocesing danych Każdy element
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:
Bardziej szczegółowoJeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
Bardziej szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.
METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI
Bardziej szczegółowoZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE
SYSTEMY ROZMYTE ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 2 965 Lotfi A. Zadeh: Fuzzy sets Metoda reprezentacji wiedzy wyrażonej w języku naturalnym: Temperatura wynosi 29 o C informacja liczbowa - naturalna
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 4 (Fuzzy logic) 23 listopad 2011 Plan wykładu 1 Systemy wnioskowania z danymi niepewnymi 2 3 Inteligentne systemy z wiedzą Systemy z wiedzą składają się z dwóch części: 1 Baza wiedzy (KB): zbioru
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Logika rozmyta dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Wyostrzanie Ostateczna, ostra wartość
Bardziej szczegółowoPiotr Sobolewski Krzysztof Skorupski
Plan prezentacji Logika rodzaje Logika klasyczna Logika wielowartościowa Logika rozmyta Historia powstania Definicje Zbiory rozmyte Relacje rozmyte Systemy rozmyte Modele Zastosowanie w optymalizacji przykłady
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
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 szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoWnioskowanie rozmyte. Krzysztof Patan
Wnioskowanie rozmyte Krzysztof Patan Wprowadzenie Informacja precyzyjna jest to jedyna postać informacji akceptowanej przez konwencjonalne metody matematyczne, najczęściej dostarczana jest przez precyzyjne
Bardziej szczegółowoUkłady logiki rozmytej. Co to jest?
PUAV Wykład 14 Co to jest? Co to jest? Logika rozmyta (fuzzy logic) jest to dział matematyki precyzyjnie formalizujący nieprecyzyjne, nieformalne ludzkie rozumowanie. Co to jest? Logika rozmyta (fuzzy
Bardziej szczegółowoSystemy uczące się wykład 1
Systemy uczące się wykład 1 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 5 X 2018 e-mail: przemyslaw.juszczuk@ue.katowice.pl Konsultacje: na stronie katedry + na stronie domowej
Bardziej szczegółowoMETODY INTELIGENCJI OBLICZENIOWEJ wykład 6
METODY INTELIGENCJI OBLICZENIOWEJ wykład 6 2 ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 965 Lotfi A. Zadeh: : Fuzzy sets In almost every case you can build the same product without fuzzy logic, but fuzzy
Bardziej szczegółowoRozmyte systemy doradcze
Systemy ekspertowe Rozmyte systemy doradcze Plan. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte (systemy doradcze). typu
Bardziej szczegółowoProblemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonych przypadkach daje się opisać tylko w sposób nieprecyzyjny, np.
ZBIORY ROZMYTE Problemy złożone trudno jest analizować precyzyjnie Wiedza eksperta w złożonyc przypadkac daje się opisać tylko w sposób nieprecyzyjny, np. W dużym mieście, powinien istnieć regionalny port
Bardziej szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Niepewność wiedzy. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Niepewność wiedzy dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Logika Rozmyta (Fuzzy Logic) Mimo
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. III
Instytut Informatyki Uniwersytetu Śląskiego lab 3 Notacja Zadeha: symboliczny zapis zbioru rozmytego dla przestrzeni dyskretnej. Dla X jest przestrzenią o skończonej liczbie elementów X = {x 1, x 2,...,
Bardziej szczegółowoZasada rozszerzania. A U A jest zbiorem rozmytym, B jest obrazem zbioru A Przeniesienie rozmytości A w odwzorowaniu f na zbiór B. sup.
Zasada rozszerzania f U V U jest zbiorem rozmytym V = f( ), jest obrazem zbioru Przeniesienie rozmytości w odwzorowaniu f na zbiór v) = ( v)? ( f ( ) = sup ( u) gdy ( v) 0 1 = 1 u f ( v) f( ) ( v) 1 0
Bardziej szczegółowoReprezentacja rozmyta - zastosowania logiki rozmytej
17.06.2009 Wrocław Bartosz Chabasinski 148384 Reprezentacja rozmyta - zastosowania logiki rozmytej 1. Wstęp Celem wprowadzenia pojęcia teorii zbiorów rozmytych była potrzeba matematycznego opisania tych
Bardziej szczegółowoSID Wykład 7 Zbiory rozmyte
SID Wykład 7 Zbiory rozmyte Wydział Matematyki, Informatyki i Mechaniki UW slezak@mimuw.edu.pl Wstęp Language Ontological Commitment Epistemological Commitment (What exists in the world) (What an agent
Bardziej szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 1 Zbiory rozmyte logika rozmyta Tworzenie: termów zmiennej lingwistycznej o różnych kształtach, modyfikatorów, zmiennych o wielu termach; operacje przecięcia, połączenia i dopełnienia 1. Wprowadzenie
Bardziej szczegółowoALGORYTM PROJEKTOWANIA ROZMYTYCH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO
Szybkobieżne Pojazdy Gąsienicowe (2) Nr 2, 24 Mirosław ADAMSKI Norbert GRZESIK ALGORYTM PROJEKTOWANIA CH SYSTEMÓW EKSPERCKICH TYPU MAMDANI ZADEH OCENIAJĄCYCH EFEKTYWNOŚĆ WYKONANIA ZADANIA BOJOWEGO. WSTĘP
Bardziej szczegółowoPiegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999 r.
Metody prognozowania: Podstawy logiki rozmytej Literatura do wykładu: Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa 1999 r. D. Rutkowska, M. Pilinski, L. Rutkowski,
Bardziej szczegółowoSterowanie z wykorzystaniem logiki rozmytej
Sterowanie z wykorzystaniem logiki rozmytej konspekt seminarium Paweł Szołtysek 24 stycznia 2009 1 Wstęp 1.1 Podstawy logiki rozmytej Logika rozmyta jest rodzajem logiki wielowartościowej, stanowi uogólnienie
Bardziej szczegółowoZadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą
Zadanie 0 gdy nie mamy logiki rozmytej Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad
Bardziej szczegółowo6. Zagadnienie parkowania ciężarówki.
6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoTechnologie i systemy oparte na logice rozmytej
Zagadnienia I Technologie i systemy oparte na logice rozmytej Mają zastosowania w sytuacjach kiedy nie posiadamy wystarczającej wiedzy o modelu matematycznym rządzącym danym zjawiskiem oraz tam gdzie zbudowanie
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 szczegółowoLogika rozmyta. Agnieszka Nowak - Brzezińska
Logika rozmyta Agnieszka Nowak - Brzezińska Geneza Logiki rozmytej Za twórcę teorii zbiorów rozmytych i logiki rozmytej uważa się Lotfiego A. Zadeha, który w 1965 roku opublikował artykuł Fuzzy Sets (Information
Bardziej szczegółowoZadanie 0 gdy nie mamy logiki rozmytej
Zadanie 0 gdy nie mamy logiki rozmytej Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad
Bardziej szczegółowoKurs logiki rozmytej - zadania. Wojciech Szybisty
Kurs logiki rozmytej - zadania Wojciech Szybisty 2009 Spis treści 1 Zadania - zbiory rozmyte 3 2 Zadania - relacje rozmyte 6 3 Zadania - logika rozmyta 11 1 Zadania - zbiory rozmyte 3 Przykłady rozwiązywania
Bardziej szczegółowoW narzędziu typu Excel, Calc czy Gnumeric napisz formułę logiczną która wyznaczy wartośd przynależności dla podanej temperatury do zbioru gorąco.
Zadanie 0 Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad wartośd funkcji przynależności
Bardziej szczegółowoInterwałowe zbiory rozmyte
Interwałowe zbiory rozmyte 1. Wprowadzenie. Od momentu przedstawienia koncepcji klasycznych zbiorów rozmytych (typu 1), były one krytykowane za postać jaką przybiera funkcja przynależności. W przypadku
Bardziej szczegółowo0.1. Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek zdań.
Wykłady z Analizy rzeczywistej i zespolonej w Matematyce stosowanej Wykład ELEMENTY LOGIKI ALGEBRA BOOLE A Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek
Bardziej szczegółowoTemat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
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 szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 3 Zbiory rozmyte logika rozmyta Sterowniki wielowejściowe i wielowyjściowe, relacje rozmyte, sposoby zapisu reguł, aproksymacja funkcji przy użyciu reguł rozmytych, charakterystyki przejściowe
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 szczegółowoTemat: Model SUGENO. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model SUGENO Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
Bardziej szczegółowoPodstawy Automatyki. Wykład 9 - Podstawy matematyczne automatyki procesów dyskretnych. dr inż. Jakub Możaryn. Instytut Automatyki i Robotyki
Wykład 9 - Podstawy matematyczne automatyki procesów dyskretnych Instytut Automatyki i Robotyki Warszawa, 2015 Kody liczb całkowitych nieujemnych Kody liczbowe dzielimy na analityczne nieanalityczne (symboliczne)
Bardziej szczegółowoLogika Stosowana. Wykład 5 - Zbiory i logiki rozmyte Część 1. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 5 - Zbiory i logiki rozmyte Część 1 Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 36 Plan
Bardziej szczegółowo7. Zagadnienie parkowania ciężarówki.
7. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I IDENTYFIKACJA Logika rozmyta podstawy wnioskowania w GUI Fuzzy. Materiały pomocnicze do laboratorium
Bardziej szczegółowoJeśli przeszkoda jest blisko to przyhamuj
Rozmyte systemy regułowe Informacja, którą przetwarzają ludzie często (prawie zawsze) jest nieprecyzyjna, a mimo to potrafimy poprawnie wnioskować i podejmować decyzję, czego klasyczne komputery nie potrafią.
Bardziej szczegółowoKurs logiki rozmytej. Wojciech Szybisty
Kurs logiki rozmytej Wojciech Szybisty 2009 Spis treści 1 Co to jest logika rozmyta 3 1.1 Podstawy teorii zbiorów rozmytych........................ 3 1.2 Historia.......................................
Bardziej szczegółowoMet Me ody numer yczne Wykład ykład Dr inż. Mic hał ha Łanc Łan zon Instyt Ins ut Elektr Elektr echn iki echn i Elektrot Elektr echn olo echn
Metody numeryczne Wykład 3 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Pojęcia podstawowe Algebra
Bardziej szczegółowoTemat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model TS + ANFIS Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
Bardziej szczegółowoPODSTAWY AUTOMATYKI. MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
WYDZIAŁ ELEKTROTECHNIKI I AUTOMATYKI Katedra Inżynierii Systemów Sterowania PODSTAWY AUTOMATYKI MATLAB - komputerowe środowisko obliczeń naukowoinżynierskich - podstawowe operacje na liczbach i macierzach.
Bardziej szczegółowoELEMENTY SZTUCZNEJ INTELIGENCJI. Wstęp do logiki rozmytej
ELEMENTY SZTUCZNEJ INTELIGENCJI 1 Wstęp do logiki rozmytej PLN 1. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte: 1. typu
Bardziej szczegółowoSystemy ekspertowe i ich zastosowania. Katarzyna Karp Marek Grabowski
Systemy ekspertowe i ich zastosowania Katarzyna Karp Marek Grabowski Plan prezentacji Wstęp Własności systemów ekspertowych Rodzaje baz wiedzy Metody reprezentacji wiedzy Metody wnioskowania Języki do
Bardziej szczegółowoPrzetwarzanie obrazów wykład 4
Przetwarzanie obrazów wykład 4 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Filtry nieliniowe Filtry nieliniowe (kombinowane)
Bardziej szczegółowoĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH
Politechnika Białostocka Wydział Elektryczny Katedra Automatyki i Elektroniki ĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH Pracownia
Bardziej szczegółowoPolitechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki
Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki http://www.ipbm.simr.pw.edu.pl/ Teoria maszyn i podstawy automatyki semestr zimowy 2017/2018
Bardziej szczegółowoTemat: Sterowanie mobilnością robota z wykorzystaniem algorytmu logiki rozmytej
Wrocław, 13.01.2016 Metody sztucznej inteligencji Prowadzący: Dr hab. inż. Ireneusz Jabłoński Temat: Sterowanie mobilnością robota z wykorzystaniem algorytmu logiki rozmytej Wykonał: Jakub Uliarczyk, 195639
Bardziej szczegółowoLogika rozmyta. Agnieszka Nowak - Brzezińska
Logika rozmyta Agnieszka Nowak - Brzezińska Geneza Logiki rozmytej Za twórcę teorii zbiorów rozmytych i logiki rozmytej uważa się Lotfiego A. Zadeha, który w 1965 roku opublikował artykuł Fuzzy Sets (Information
Bardziej szczegółowoCel projektu: Wymogi dotyczące sprawozdania:
W ramach zajęć proszę wykonać sprawozdanie z logiki rozmytej. Sprawozdanie powinno realizować zadanie wnioskowania rozmytego. Cel projektu: Student projektuje bazę wiedzy wnioskowania rozmytego (kilka,
Bardziej szczegółowoRACHUNEK MACIERZOWY. METODY OBLICZENIOWE Budownictwo, studia I stopnia, semestr 6. Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska
RACHUNEK MACIERZOWY METODY OBLICZENIOWE Budownictwo, studia I stopnia, semestr 6 Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Czym jest macierz? Definicja Macierzą A nazywamy
Bardziej szczegółowoLogika binarna. Prawo łączności mówimy, że operator binarny * na zbiorze S jest łączny gdy (x * y) * z = x * (y * z) dla każdego x, y, z S.
Logika binarna Logika binarna zajmuje się zmiennymi mogącymi przyjmować dwie wartości dyskretne oraz operacjami mającymi znaczenie logiczne. Dwie wartości jakie mogą te zmienne przyjmować noszą przy tym
Bardziej szczegółowoTworzenie rozmytego systemu wnioskowania
Tworzenie rozmytego systemu wnioskowania Wstęp W odróżnieniu od klasycznych systemów regałowych modele rozmyte pozwalają budowad modele wnioskujące oparte o język naturalny, dzieki czemu inżynierom wiedzy
Bardziej szczegółowoElementy logiki matematycznej
Elementy logiki matematycznej Przedmiotem logiki matematycznej jest badanie tzw. wyrażeń logicznych oraz metod rozumowania i sposobów dowodzenia używanych w matematyce, a także w innych dziedzinach, w
Bardziej szczegółowoDefinicja macierzy Typy i właściwości macierzy Działania na macierzach Wyznacznik macierzy Macierz odwrotna Normy macierzy RACHUNEK MACIERZOWY
Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Adam Wosatko Ewa Pabisek Czym jest macierz? Definicja Macierzą A nazywamy funkcję
Bardziej szczegółowoW naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.
1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy
Bardziej szczegółowoWstęp do Techniki Cyfrowej... Algebra Boole a
Wstęp do Techniki Cyfrowej... Algebra Boole a Po co AB? Świetne narzędzie do analitycznego opisu układów logicznych. 1854r. George Boole opisuje swój system dedukcyjny. Ukoronowanie zapoczątkowanych w
Bardziej szczegółowoPODSTAWY INŻYNIERI WIEDZY
Z1-PU7 WYDANIE N1 Strona 1 z 4 (pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: PODSTAWY INŻYNIERI WIEDZY 2. Kod przedmiotu: PIW 3. Karta przedmiotu ważna od roku akademickiego: 2012/2013 4. Forma
Bardziej szczegółowoMatematyka dla studentów ekonomii : wykłady z ćwiczeniami/ Ryszard Antoniewicz, Andrzej Misztal. Wyd. 4 popr., 6 dodr. Warszawa, 2012.
Matematyka dla studentów ekonomii : wykłady z ćwiczeniami/ Ryszard Antoniewicz, Andrzej Misztal. Wyd. 4 popr., 6 dodr. Warszawa, 2012 Spis treści Przedmowa 9 CZĘŚĆ I. WSTĘP DO MATEMATYKI 11 Wykład 1. Rachunek
Bardziej szczegółowoMetody sterowania sterowanie rozmyte System rozmyty (patrz MiPI) użyty jako sterownik/regulator nazywamy sterownikiem/regulatorem rozmytym
System rozmyty (patrz MiPI) użyty jako sterownik/regulator nazywamy sterownikiem/regulatorem rozmytym Sterowanie rozmyte jest sterowaniem za pomocą reguł Sterowanie rozmyte można sklasyfikować jako: -
Bardziej szczegółowoWykład Ćwiczenia Laboratorium Projekt Seminarium Liczba godzin zajęć zorganizowanych w Uczelni ,5 1
Zał. nr 4 do ZW WYDZIAŁ ***** KARTA PRZEDMIOTU Nazwa w języku polskim ALGEBRA Z GEOMETRIĄ ANALITYCZNĄ B Nazwa w języku angielskim Algebra and Analytic Geometry B Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoZasady krytycznego myślenia (1)
Zasady krytycznego myślenia (1) Andrzej Kisielewicz Wydział Matematyki i Informatyki 2017 Przedmiot wykładu krytyczne myślenie vs logika praktyczna (vs logika formalna) myślenie jasne, bezstronne, oparte
Bardziej szczegółowoArytmetyka liczb binarnych
Wartość dwójkowej liczby stałoprzecinkowej Wartość dziesiętna stałoprzecinkowej liczby binarnej Arytmetyka liczb binarnych b n-1...b 1 b 0,b -1 b -2...b -m = b n-1 2 n-1 +... + b 1 2 1 + b 0 2 0 + b -1
Bardziej szczegółowoLogika rozmyta typu 2
Logika rozmyta typu 2 Zbiory rozmyte Funkcja przynależności Interwałowe zbiory rozmyte Funkcje przynależności przedziałów Zastosowanie.9.5 Francuz Polak Niemiec Arytmetyka przedziałów Operacje zbiorowe
Bardziej szczegółowoTHE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS
Journal of KONES Internal Combustion Engines 2005, vol. 12, 3-4 THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS Mariusz Topolski Politechnika Wrocławska,
Bardziej szczegółowoLogika Stosowana Ćwiczenia
Logika Stosowana Ćwiczenia Systemy sterowania wykorzystujące zbiory rozmyte Marcin Szczuka Instytut Matematyki, Uniwersytet Warszawski Semestr letni 2014/15 Marcin Szczuka (MIMUW) Logika Stosowana 2014/15
Bardziej szczegółowoKOMPUTERY W STEROWANIU. Ćwiczenie 6 Projektowanie układu regulacji rozmytej
Wydział Elektryczny Zespół Automatyki (ZTMAiPC) KOMPUTERY W STEROWANIU Ćwiczenie 6 Projektowanie układu regulacji rozmytej 1. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z procedurą projektowania
Bardziej szczegółowoKurs logiki rozmytej - pomoc. Wojciech Szybisty
Kurs logiki rozmytej - pomoc Wojciech Szybisty 2009 Spis treści 1 Wymagania 3 2 Zawartość strony internetowej 3 3 Obsługa apletów 6 3.1 Aplet Rodzaje funkcji przynależności...................... 6 3.2
Bardziej szczegółowoPodstawowe operacje arytmetyczne i logiczne dla liczb binarnych
1 Podstawowe operacje arytmetyczne i logiczne dla liczb binarnych 1. Podstawowe operacje logiczne dla cyfr binarnych Jeśli cyfry 0 i 1 potraktujemy tak, jak wartości logiczne fałsz i prawda, to działanie
Bardziej szczegółowoTworzenie gier na urządzenia mobilne
Katedra Inżynierii Wiedzy Wykład 8 Przekształcenia wiedzy generalizacja/specjalizacja; abstrakcja/konkretyzacja; podobieństwo/kontrastowanie; wyjaśnianie/predykcja. Przetwarzanie danych Przetwarzanie wstępne
Bardziej szczegółowoSystemy rozmyte i ich zastosowania. Krzysztof Rykaczewski
Systemy rozmyte i ich zastosowania Krzysztof Rykaczewski 21 czerwca 2006 SPIS TREŚCI Spis treści 1 Wstęp 1 2 Podstawowe pojęcia i definicje logiki rozmytej 1 2.1 Przykłady funkcji przynależności..................
Bardziej szczegółowoInformatyka I. Typy danych. Operacje arytmetyczne. Konwersje typów. Zmienne. Wczytywanie danych z klawiatury. dr hab. inż. Andrzej Czerepicki
Informatyka I Typy danych. Operacje arytmetyczne. Konwersje typów. Zmienne. Wczytywanie danych z klawiatury. dr hab. inż. Andrzej Czerepicki Politechnika Warszawska Wydział Transportu 2019 1 Plan wykładu
Bardziej szczegółowoECTS Razem 30 Godz. 330
3-letnie stacjonarne studia licencjackie kier. Matematyka profil: ogólnoakademicki Semestr 1 Przedmioty wspólne Algebra liniowa z geometrią analityczną I 7 30 30 E Analiza matematyczna I 13 60 60 E Technologie
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 szczegółowoREGUŁOWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE
REGUŁOWO-MODELOWE SKORUPOWE SYSTEMY EKSPERTOWE Część 3: Systemy elementarne i rozwinięte z ocenami Antoni Niederliński Uniwersytet Ekonomiczny w Katowicach antoni.niederlinski@ue.katowice. pl Koniec pewnego
Bardziej szczegółowoSystemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta
Systemy Inteligentnego Przetwarzania wykład 4: algorytmy genetyczne, logika rozmyta Dr inż. Jacek Mazurkiewicz Katedra Informatyki Technicznej e-mail: Jacek.Mazurkiewicz@pwr.edu.pl Wprowadzenie Problemy
Bardziej szczegółowoSystemy ekspertowe. Wnioskowanie w systemach regułowych. Część piąta. Autor Roman Simiński.
Część piąta Autor Roman Simiński Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót treści wykładu, lektura tych materiałów nie zastąpi uważnego w nim uczestnictwa.
Bardziej szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowohttp://www-users.mat.umk.pl/~pjedrzej/matwyz.html 1 Opis przedmiotu Celem przedmiotu jest wykształcenie u studentów podstaw języka matematycznego i opanowanie przez nich podstawowych pojęć dotyczących
Bardziej szczegółowoWprowadzenie do metod numerycznych. Krzysztof Patan
Wprowadzenie do metod numerycznych Krzysztof Patan Metody numeryczne Dział matematyki stosowanej Każde bardziej złożone zadanie wymaga opracowania indywidualnej metody jego rozwiązywania na maszynie cyfrowej
Bardziej szczegółowo15. Macierze. Definicja Macierzy. Definicja Delty Kroneckera. Definicja Macierzy Kwadratowej. Definicja Macierzy Jednostkowej
15. Macierze Definicja Macierzy. Dla danego ciała F i dla danych m, n IN funkcję A : {1,...,m} {1,...,n} F nazywamy macierzą m n ( macierzą o m wierszach i n kolumnach) o wyrazach z F. Wartość A(i, j)
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 szczegółowoKONSPEKT FUNKCJE cz. 1.
KONSPEKT FUNKCJE cz. 1. DEFINICJA FUNKCJI Funkcją nazywamy przyporządkowanie, w którym każdemu elementowi zbioru X odpowiada dokładnie jeden element zbioru Y Zbiór X nazywamy dziedziną, a jego elementy
Bardziej szczegółowoMacierze. Rozdział Działania na macierzach
Rozdział 5 Macierze Funkcję, która każdej parze liczb naturalnych (i, j) (i 1,..., n; j 1,..., m) przyporządkowuje dokładnie jedną liczbę a ij F, gdzie F R lub F C, nazywamy macierzą (rzeczywistą, gdy
Bardziej szczegółowoWykład 2. Informatyka Stosowana. 8 października 2018, M. A-B. Informatyka Stosowana Wykład 2 8 października 2018, M. A-B 1 / 41
Wykład 2 Informatyka Stosowana 8 października 2018, M. A-B Informatyka Stosowana Wykład 2 8 października 2018, M. A-B 1 / 41 Elementy logiki matematycznej Informatyka Stosowana Wykład 2 8 października
Bardziej szczegółowoKlasa 1 technikum. Poniżej przedstawiony został podział wymagań na poszczególne oceny szkolne:
Klasa 1 technikum Przedmiotowy system oceniania wraz z wymaganiami edukacyjnymi Wyróżnione zostały następujące wymagania programowe: konieczne (K), podstawowe (P), rozszerzające (R), dopełniające (D) i
Bardziej szczegółowoStan wysoki (H) i stan niski (L)
PODSTAWY Przez układy cyfrowe rozumiemy układy, w których w każdej chwili występują tylko dwa (zwykle) możliwe stany, np. tranzystor, jako element układu cyfrowego, może być albo w stanie nasycenia, albo
Bardziej szczegółowoTeoretyczne podstawy informatyki
Teoretyczne podstawy informatyki Wykład 12a: Prawdopodobieństwo i algorytmy probabilistyczne http://hibiscus.if.uj.edu.pl/~erichter/dydaktyka2010/tpi-2010 Prof. dr hab. Elżbieta Richter-Wąs 1 Teoria prawdopodobieństwa
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 szczegółowoMatematyka liczby zespolone. Wykład 1
Matematyka liczby zespolone Wykład 1 Siedlce 5.10.015 Liczby rzeczywiste Zbiór N ={0,1,,3,4,5, } nazywamy zbiorem Liczb naturalnych, a zbiór N + ={1,,3,4, } nazywamy zbiorem liczb naturalnych dodatnich.
Bardziej szczegółowoKształcenie w zakresie podstawowym. Klasa 2
Kształcenie w zakresie podstawowym. Klasa 2 Poniżej podajemy umiejętności, jakie powinien zdobyć uczeń z każdego działu, aby uzyskać poszczególne stopnie. Na ocenę dopuszczającą uczeń powinien opanować
Bardziej szczegółowo