ZESZYTY NAUKOWE WSOWL. Nr 4 (162) 2011 ISSN NAUKI EKONOMICZNE
|
|
- Dawid Kołodziejczyk
- 6 lat temu
- Przeglądów:
Transkrypt
1 ZESZYTY NAUKOWE WSOWL Nr 4 (162) 2011 ISSN NAUKI EKONOMICZNE Artur DUCHACZEK Dariusz SKORUPKA ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W SYSTEMACH WSPOMAGANIA DECYZJI Z OBSZARU ZARZĄDZANIA LOGISTYKĄ W artykule przedstawiono możliwości wykorzystania komponentu TFannNetwork, opartego na bibliotece FANN wersja 2.0, do budowy aplikacji komputerowych wykorzystywanych w procesie zarządzania logistyką. Możliwości komponentu zaprezentowano na przykładzie zastosowania sztucznych sieci neuronowych do szacowania ładowności pojazdów transportowych na podstawie ich gabarytów. Słowa kluczowe: zarządzanie logistyczne, sztuczne sieci neuronowe, sieci neuronowe, biblioteka FANN WSTĘP Zarządzanie logistyką obejmuje obszary zarządzania związane z przepływem materiałów od źródeł zaopatrzenia do użytkownika gotowych wyrobów. Uwzględnia ono zarówno elementy planowania, integrowania i koordynowania, jak i kontroli działań z zakresu logistyki, tak aby rynki zbytu były zaopatrywane najbardziej efektywnie z punktu widzenia kosztów [1]. Można przyjąć, że logistyka jest działalnością wspomagającą wszystkie celowe procesy, w takim zakresie, aby środki niezbędne do realizacji zadań wytwórczych i usługowych były dostępne w odpowiedniej ilości, jakości i we właściwym czasie oraz miejscu [2]. Transport jest oczywiście integralną część procesu logistycznego, gdyż stanowi on działalność polegającą na zaplanowanym przemieszczaniu ładunków oraz osób [3]. Pojęciem związanym z transportem jest spedycja. Jest to działalność oparta na organizowaniu przewozu ładunków na zlecenie osoby prawnej mjr dr inż. Artur DUCHACZEK, płk dr hab. inż. Dariusz SKORUPKA, prof. nadzw. WSOWL Wydział Zarządzania Wyższej Szkoły Oficerskiej Wojsk Lądowych
2 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W SYSTEMACH lub fizycznej i na wykonaniu czynności dodatkowych, które wynikają ze specyfiki danego zlecenia [4]. Ze względu na szeroki zakres działalności firm podczas realizacji zadań związanych z transportem i spedycją pomocne mogą okazać się nowoczesne systemy wspomagania decyzji (SWD). Pozwalają one decydentowi wykorzystać dane i modele dla rozpoznania, zrozumienia i sformułowania problemu [5]. Wspomagają one także tworzenie rozwiązań, umożliwiają wielokierunkowe prognozy i analizy ich efektywności, niezbędne do oceny wariantów i wyboru wariantu optymalnego. Zadaniem SWD jest jednak przede wszystkim wspieranie procesu rozumowania, a nie eliminowanie go [5]. W praktyce w przypadku zadań nieustrukturalizowanych lub słabo ustrukturalizowanych celowe może być stosowanie w SWD sztucznych sieci neuronowych (SSN). Jak podaje B. Bartkowski [6], jedną z najważniejszych zalet SSN jest fakt, że nie wymagają one programowania. Stworzona sieć uczy się sama, a rola użytkownika ogranicza się do zaprojektowania takiej struktury sieci, która najlepiej będzie nadawała się do rozwiązania danego problemu, a następnie do umiejętnego pokierowania procesem uczenia sieci. W zwykłym programie najmniejszy błąd może doprowadzić do wadliwego działania systemu, utraty danych, oraz do innych problemów. Jeśli chodzi o sieci neuronowe to nawet w przypadku poważnego uszkodzenia działa ona nadal [6]. W artykule zaprezentowane zostaną możliwości wykorzystania komponentu TFannNetwork, opartego na bibliotece FANN wersja 2.0, do budowy aplikacji komputerowej wspomagającej procesy podejmowania decyzji w obrębie działalności związanej z szeroko rozumianym transportem. 1. KRÓTKI OPIS BIBLIOTEKI FANN Biblioteka FANN (Fast Artificial Neural Network) jest projektem open-source implementującym wielowarstwową, jednokierunkową sieć neuronową z obsługą zarówno w pełni, jak i słabo połączonych sieci [7]. FANN jest łatwa w użyciu, wszechstronna, dobrze udokumentowana i szybka w działaniu. Dostępne są powiązania z ponad 15 językami programowania [8], w tym również z programem Delphi 7, który to zostanie omówiony w niniejszym artykule. TFannNetwork jest komponentem Delphi (stworzonym przez Pereira Maia), który łączy naszą aplikację z biblioteką FANN. Oczywiście nie trzeba instalować TFannNetwork, aby używać FANN w Delphi, ale komponent ten sprawia, że biblioteka jest bardziej przyjazną dla środowiska Delphi [7]. Rys. 1. Możliwości wyboru wartości wybranych właściwości komponentu FannNetwork Źródło: Opracowanie własne zrzut ekranu z programu Delphi 7 271
3 Artur DUCHACZEK, Dariusz SKORUPKA Komponent TFannNetwork posiada możliwość ustawienia (z poziomu aplikacji) dziewięciu podstawowych właściwości, dzięki którym, w błyskawiczny sposób, użytkownik może stworzyć prostą aplikację wykorzystującą sztuczną inteligencję. Właściwości te mogą być ustawiane na stałe bezpośrednio w ObjectInspector (rys. 1) lub w czasie uruchomienia aplikacji zmieniane programowo za pomocą odpowiednich procedur (funkcji). Do właściwości tych zaliczamy m.in. [8]: wybór funkcji aktywacji warstwy ukrytej (ActivationFunctionHidden) i warstwy wyjściowej (ActivationFunctionHidden); określenie wartości współczynnika kontrolującego ilość połączeń wewnątrz sieci (ConnectionRate); budowa struktury sieci, tj. ustalenie liczby warstw ukrytych i liczby neuronów w każdej z nich (Layers); ustalenie wartości współczynnika bezwładności (LearningMomentum); ustalenie wartości współczynnika uczenia (LearningRate); wybór algorytmu uczenia (TrainingAlgorithm). Kompotent TFannNetwork nie daje nam natomiast możliwości ustawienia wartość stromizny funkcji aktywacji, czyli wartość parametru s (steepness). Podczas tworzenia nowej sieci jego wartość jest automatycznie ustawiana na 0,5. Oczywiście pobranie lub ustawienie tego parametru dla warstw ukrytych i warstwy wyjściowej można zrealizować za pomocą funkcji i procedur dostępnych z poziomu biblioteki FANN, takich jak np. funkcja fann_get_activation_steepness_hidden, czy procedura fann_set_activation_steepness_hidden [7]. Niewątpliwą zaletą omawianej biblioteki jest fakt, że jest to produkt typu opensource, a mimo to zarówno sama biblioteka, jak i omawiany komponent posiadają dość profesjonalną i zwięzłą dokumentację [7]. Zdaniem autorów pracy, komponent TFannNetwork jest idealny zarówno do testów, porównania wyników uzyskanych z innych programów (np. Statistica, czy Matlab), jak i zastosowań dydaktycznych zaprezentowanych m. in. w niniejszej pracy. Niestety biblioteka FANN, a przez to i omawiany komponent aktualnie umożliwia implementacje jedynie sieci jednokierunkowych [7]. Tak naprawdę jednak z dotychczasowego doświadczenia autorów wynika, że w większości przypadków występujących w praktyce inżynierskiej jest to wystarczające. 2. PRZYKŁAD ZASTOSOWANIA SSN W ZAGADNIENIACH ZWIĄZANYCH Z ZARZĄDZANIEM LOGISTYKĄ W pracy przedstawiono możliwość zastosowania SSN do oceny ładowności pojazdów transportowych na podstawie ich gabarytów. Organizacja przewozu ładunków uzależniona jest od posiadanego taboru, a szczególnie od jego ładowności. W czasie działań wojennych, bądź innych sytuacjach kryzysowych może dojść do sytuacji, że osoba funkcyjna (kierownik itp.) odpowiedzialna za organizację ewakuacji osób i mienia będzie musiała szybko oszacować ładowność posiadanych, a przede wszystkim pozyskanych z gospodarki narodowej środków transportowych. Wydaje się, że z pomocą mogą tu przyjść przygotowane zawczasu SWD wykorzystujące SSN. W pracy wykorzystano materiały firmy HINET - Transport i Spedycja, 272
4 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W SYSTEMACH dostępnych na stronie www omawianej firmy [9]. Analizie poddano tylko pojazdy, które nie posiadały przyczep lub naczep (tabela 1). W analizowanym zagadnieniu regresyjnym celem jest oszacowanie wartości ciągłej zmiennej wyjściowej, w sytuacji gdy znane są wartości zmiennych wejściowych. Problemy regresyjne reprezentowane są przez zbiory danych, w których zmienna wyjściowa nie jest zmienną nominalną, lecz ma charakter numeryczny [10]. W analizowanym przypadku wektor uczący składał się z czterech argumentów: W={D, S, W, Ł} (1) Pierwsze trzy to dane wejściowe niezależne: D - długość pojazdu, S szerokość pojazdu i W - wysokość pojazdu. Czwartą wielkością była ładowność pojazdu (Ł) jako wielkość zależna (wyjściowa). Tabela1. Rodzaje pojazdów transportowych użytych do badań [9] Nazwa pojazdu Długość [m] Szerokość [m] Wysokość [m] Ładowność [T] Bus 3,6 1,8 1,7 1,5 Dostawczy 3,6 1,7 1,7 0,9 3-tonowy 5,2 2,3 2,3 3,0 Mała ubraniówka 6,0 2,4 2,6 2,5 8-tonowy solówka 7,8 2,4 2,4 8,0 Naczepa duży TIR 13,6 2,4 2,7 24,0 Źródło: [9] Zarówno zmienne niezależne, jak i zależne należało przeskalować, ponieważ w przypadku użycia funkcji logistycznej wartość wyjściowa neuronu znajduje się zawsze w przedziale (0; 1), zaś przedział wartości wejściowych, na które funkcja jest wrażliwa jest niewiele większy od przedziału (-1; +1) [10]. Omawiane wartości przeskalowano liniowo według zależności (2) i przedstawiono w tabeli 2, wykorzystując je w procesie uczenia i walidacji sieci neuronowej. gdzie: Y = (X - Min) / (Max - Min); (2) Y - to wartość przeskalowana (tabela 2), a X wartość oryginalna danej uczącej (tabela 1). Natomiast Min to wartość najmniejsza, a Max to wartość największa spośród danych w zbiorze uczącym. W analizowanym zadaniu było to odpowiednio 0,9 i 24. Tabela 2. Zestaw danych używanych w procesie uczenia i walidacji Lp. Zmienne wejściowe Zmienna zależna D S W Ł 1 0,117 0,039 0,035 0, ,117 0,035 0,035 0, ,186 0,061 0,061 0, ,221 0,065 0,074 0, ,299 0,065 0,065 0, ,550 0,065 0,078 1,000 Źródło: Opracowanie własne 273
5 Artur DUCHACZEK, Dariusz SKORUPKA Jak podaje M. Szaleniec [11], w skrajnej sytuacji gdy dysponujemy bardzo małą liczbą przypadków (wzorców), można zrezygnować z grupy testowej. Zdecydowano się zatem wyłącznie na podział danych tylko na zbiory uczący i walidacyjny w stosunku 2:1. Parametrami, które mówiły o jakości sieci, były błędy predykcji dla grupy przypadków uczących i walidacyjnych. Istotne jest, aby błędy walidacyjne nie były znacząco większe od błędów uczących, gdyż taki objaw wskazuje na słabą zdolność sieci do generalizowania. Jeżeli sieć zaczyna się przeuczać, tzn. jest zbyt dobrze dopasowywana do danych uczących, następuje wzrost błędu walidacji przy jednoczesnym dalszym obniżaniu błędu uczenia. [11] Podział dostępnych wzorców (6 przypadków) na zbiór uczący i walidacyjny odbywał się na początku procesu uczenia sieci, w oparciu o tzw. próbkowanie typu bootstrapowego, procedurę opisaną w instrukcji programu STATISTICA Sieci Neuronowe [10]. W pierwszej kolejności losowano bez zwracania dwa przypadki do zbioru walidacyjnego. Następnie z pozostałych czterech przypadków bootstrapowo (tzn. ze zwracaniem) losowano podzbiór uczący. Założono, że podzbiór uczący ma dwanaście przypadków, gdyż przyjęto podwójną liczbę wszystkich wzorców. Było to możliwe ponieważ losowano ze zwracaniem, a więc podzbiór ten mógł być dowolnie duży. W standardowej procedurze [10] podzbiór testowy tworzony jest z przypadków, które pozostały po bootstrap. Ponieważ jednak w naszym przypadku zbiór ten nie był tworzony więc automatycznie te przypadki były wprowadzane do zbioru uczącego, w miejsce ostatnich wylosowanych. W wyniku przeprowadzonych analiz zdecydowano się przyjąć sieć MLP o strukturze 3:3-3-1:1. Zakładając maksymalną liczbę epok równą 1000 do analiz wybrano sigmoidalną funkcję aktywacji warstwy ukrytej i warstwy wyjściowej (fann_sigmoid) i algorytm uczenia fann_train_batch. Jak podaje Ł. Frankowski [7], jest to standardowy algorytm propagacji wstecznej, który aktualizuje wagi neuronów po obliczeniu średniego błędu kwadratowego dla wszystkich zestawów treningowych (w jednej iteracji), czyli wagi są aktualizowane tylko raz na epokę. Wynika z tego, że średni błąd kwadratowy jest tutaj obliczany precyzyjniej niż w metodzie standardowej (fann_train_incremental) [7]. Wartość współczynnika bezwładności (LearningMomentum) wynosiła 0,01, natomiast wartość współczynnika uczenia (LearningRate) 0,3. Przyjęto wartości współczynnika kontrolującego ilość połączeń wewnątrz sieci (ConnectionRate) równą 1. Przyjęta w procesie modelowania struktura sieci (architektura, funkcja aktywacji neuronów ukrytych oraz algorytm uczenia) charakteryzuje się najniższą wartością błędu RMS (Root Square Error). Na rysunku 2 zaprezentowano przebieg zmian wartości błędu RMS podczas uczenia i walidacji sieci MLP, w kolejnych epokach uczenia algorytmem wstecznej propagacji błędu. Obliczenia wykonano autorskim programem stworzonym w programie Delphi 7, wykorzystaniem komponentu TFannNetwork. Wartość błędu RMS wraz z postępem uczenia maleje, a obserwowana zbieżność wartości błędów dla zbioru walidacji i uczenia świadczy z całą pewnością o prawidłowym przebiegu procesu uczenia. 274
6 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W SYSTEMACH Rys. 2. Okno autorskiej aplikacji komputerowej realizującej proces uczenia sieci i rejestrującej przebieg zmian wartości błędu RMS podczas uczenia i walidacji Źródło: Opracowanie własne W tabeli 3 przedstawiono wyniki obliczeń parametrów regresji zmiennej wyjściowej modelu bazującego na sieci MLP, uczonej algorytmem wstecznej propagacji błędu. Zaprezentowane charakterystyki regresyjne wyznaczono łącznie dla wszystkich zbiorów jednocześnie (tzn. uczącego i walidacyjnego). Na podstawie danych wartości zmiennej, określono charakterystyki regresyjne, z których najważniejszą jest iloraz odchyleń standardowych [12]. Wyznacza się go jako iloraz odchylenia standardowego błędów predykcji i odchylenia standardowego zmiennej wyjściowej [10]. Iloraz ten stanowi główny wskaźnik jakości zbudowanego modelu, gdyż wskazuje na stopień dokładności predykcji. Małe wartości ilorazu odchyleń standardowych dla błędów mogą świadczyć o zadowalającej realizacji regresji przez sieć [12]. Tabela 3. Parametry regresji zmiennej wyjściowej modelu bazującego na sieci MLP Lp. Wyszczególnienie Sieć MLP 3:3-2-1: l Lp. Wyszczególnienie Sieć MLP 3:3-2-1: l 1. Średnia 6, Odchylenie standardowe błędu 0, Odchylenie standardowe 7, Iloraz odchyleń 0, Średni błąd 0, Korelacja 0,998 Źródło: Opracowanie własne Wydaje się, że ostatnie dwa parametry z tabeli 3 potwierdzają dobrą jakość stworzonego modelu MLP. Iloraz odchyleń standardowych (błędów i danych) dla stworzonego zbioru (podzbioru uczącego i walidacyjnego) osiągnął wartość 0,103. Odchylenie standardowe danych (występujące w mianowniku ilorazu) jest określone dla 275
7 Artur DUCHACZEK, Dariusz SKORUPKA danych podlegających analizie zarówno w procesie uczenia, jak i walidacji. Jak podaje T. A. Grzeszczyk [13], stosunkowo mała wartość ilorazu świadczy o niedużej wartości odchylenia standardowego błędów (znajdującego się w liczniku ilorazu) w relacji do odchylenia danych rzeczywistych. Z tego względu można uznać tę wartość ilorazu za zadowalającą. Współczynniki korelacji między wartościami rzeczywistymi i wyznaczonymi za pomocą modelu MLP dla stworzonego zbioru osiągnęły również bardzo dobrą wartość, tj. 0,998. PODSUMOWANIE Analiza przeprowadzona na opisanym przykładzie umożliwia zaprezentowanie zalet stosowania SSN do rozwiązywania zadań słabo strukturalizowanych, jak również przedstawienie możliwości wykorzystania samego komponentu TFannNetwork. Zastosowanie stworzonej i wyuczonej w ten sposób sieci SSN w autorskich SWD jest bardzo proste i nie powinno nastręczać większych kłopotów osobom, które zajmują się programowaniem w Delphi tylko w sposób amatorski. Oczywiście, że zaimplementowanie w aplikacjach sieci stworzonych w programach profesjonalnych, takich jak np. Statistica Sieci Neuronowe jest również możliwe [10], ale wymaga od programisty znacznie większych umiejętności, jak również dodatkowej licencji, np. na produkt firmy StatSoft Polska Sp. z o.o. Wydaje się zatem, że przybliżenie możliwości komponentu TFannNetwork było jak najbardziej uzasadnione. Tym bardziej, że ze względu na prostotę jego obsługi, wydaje się, że powinien być on często stosowany przez inżynierów i kierowników do rozwiązywania problemów wymagających wsparcia sztucznej inteligencji, a niedających się zlogarytmizować w prosty sposób. Obszarem takim będą na pewno wszelkie zagadnienia związane z szeroko rozumianym zarządzaniem logistyką. Znajomość biblioteki FANN, jak i samego komponentu TFannNetwork, może znacznie ułatwić rozpoczęcie zabawy z sieciami neuronowymi. Oczywiście FANN wymaga jeszcze dopracowania w wielu szczegółach, o których pisze bardzo obszernie m.in. Ł. Frankowski w pracy [7]. Wydaje się jednak, że w przyszłości może stać się w pełni profesjonalnym produktem, jak i inne programy typu open-source. LITERATURA: [1] Pastuszak Z., Zarządzanie logistyczne. Podstawowe definicje, [online]. [dostęp: ]. Dostępny w Internecie: Attach& type=post&id=2800. [2] Chaberek M., Główne problemy badawcze w zakresie rozwoju logistyki na obszarze Unii Europejskiej, Współczesne problemy ekonomiki transportu, [w:] Zeszyty Naukowe, nr 435, Wydawnictwo Uniwersytetu Szczecińskiego, Szczecin, [3] Marszałek S., Ekonomika, organizacja i zarządzanie w transporcie, Wydawnictwo Śląskiej Wyższej Szkoły Zarządzania, Katowice, [4] Rydzykowski W., Wojewódzka-Król K., Transport, Wydawnictwo Naukowe PWN, Warszawa [5] System Wspomagania Decyzji. [online]. [dostęp: ]. Dostępny w Internecie: 276
8 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W SYSTEMACH [6] Bartkowski B., Zalety i wady sieci neuronowej, [online]. [dostęp: ]. Dostępny w Internecie: [7] Frankowski Ł., Fast Artifical Neural Network. Opis biblioteki FANN. Bydgoszcz 2005, [online]. [dostęp: ]. Dostępny w Internecie: webpark.pl/edu/fann/fann_ref.pdf. [8] FANN - Fast Artificial Neural Network Library. [online]. [dostęp: ]. Dostępny w Internecie: [9] [online]. [dostęp: ]. Dostępny w Internecie: rodzaje.html. [10] Instrukcja obsługi programu STATISTICA Sieci Neuronowe.(pliki pomocy z programu STATISTICA Sieci Neuronowe - wersja 6.0). [11] Szaleniec M., Sieci neuronowe i regresja wieloraka czyli jak okiełznać złożoność w badaniach naukowych? [online]. [dostęp: ]. Dostępny w Internecie: [12] Grzeszczyk T. A., Zintegrowana metoda prognozowania w zarzadzaniu przedsiębiorstwem, StatSoft, Kraków [13] [online]. [dostęp: ]. Dostępny w Internecie: badanianaukowe/d2ekon/zintegrowanametoda.pdf. [14] Czoków M., Piersa J., Wstęp do sieci neuronowych, wykład 13-14, Walidacja jakości uczenia. Metody statystyczne. [online]. [dostęp: ]. Dostępny w Internecie: www-users.mat.umk.pl/~piersaj/content/wsn2010/wsn-lec13-wali dacja.pdf. APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN DECISION SUPPORT SYSTEMS IN LOGISTICS MANAGEMENT Summary The article presents the possibility of using a TFannNetwork component, based on the FANN library (version 2.0), for building computer applications used in logistics management. The potential of the component is exemplified with the application of artificial neural networks to estimate the capacity of transport vehicles based on their dimensions. Key words: logistic management, artificial neural networks, neural networks, FANN library 277
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 szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoIMPLEMENTACJA 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 szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej 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 szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej 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 szczegółowoZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Bardziej szczegółowoWYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Bardziej szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoZastosowania 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 szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoThis copy is for personal use only - distribution prohibited.
ZESZYTY NAUKOWE WSOWL Nr 2 (160) 2011 ISSN 1731-8157 Dariusz SKORUPKA Artur DUCHACZEK Zbigniew KAMYK ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OKREŚLENIA KLASY OBCIĄŻENIA POJAZDU W artykule podjęto
Bardziej szczegółowoUczenie 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 szczegółowoWstęp 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 szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW
Bardziej szczegółowoDodatkowo planowane jest przeprowadzenie oceny algorytmów w praktycznym wykorzystaniu przez kilku niezależnych użytkowników ukończonej aplikacji.
Spis Treści 1. Wprowadzenie... 2 1.1 Wstęp... 2 1.2 Cel pracy... 2 1.3 Zakres pracy... 2 1.4 Użyte technologie... 2 1.4.1 Unity 3D... 3 2. Sztuczna inteligencja w grach komputerowych... 4 2.1 Zadanie sztucznej
Bardziej szczegółowoI EKSPLORACJA DANYCH
I EKSPLORACJA DANYCH Zadania eksploracji danych: przewidywanie Przewidywanie jest podobne do klasyfikacji i szacowania, z wyjątkiem faktu, że w przewidywaniu wynik dotyczy przyszłości. Typowe zadania przewidywania
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 szczegółowoPrognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu
Bardziej szczegółowoAlgorytmy 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 szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,
Bardziej szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoOPTYMALIZACJA NASTAW UKŁADU NAPĘDOWEGO STATKU ZE ŚRUBĄ NASTAWNĄ
Krzysztof Rudzki, Wiesław Tarełko 1 OPTYMALIZACJA NASTAW UKŁADU NAPĘDOWEGO STATKU ZE ŚRUBĄ NASTAWNĄ Wstęp Układy napędowe dużych statków żaglowych są najczęściej wyposażone w śruby nastawne. W przypadku
Bardziej szczegółowoZACHODNIOPOMORSKI 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 szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowo8. 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 szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoInteligentne 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 szczegółowoTadeusz A. Grzeszczyk
ZINTEGROWANA METODA PROGNOZOWANIA W ZARZĄDZANIU PRZEDSIĘBIORSTWEM Tadeusz A. Grzeszczyk Instytut Organizacji Systemów Produkcyjnych, Politechnika Warszawska, Warszawa 1 WPROWADZENIE I SFORMUŁOWANIE PROBLEMU
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoTypy systemów informacyjnych
Typy systemów informacyjnych Information Systems Systemy Informacyjne Operations Support Systems Systemy Wsparcia Operacyjnego Management Support Systems Systemy Wspomagania Zarzadzania Transaction Processing
Bardziej szczegółowoPodstawy 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 szczegółowoMETODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 6(115)/2009 METODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy w Krakowie
Bardziej szczegółowoMetody 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 szczegółowoZastosowanie 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 szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoElektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych
Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-21 Koncepcja kursu Koncepcja
Bardziej szczegółowoSIECI RBF (RADIAL BASIS FUNCTIONS)
SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,
Bardziej szczegółowoDEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Engineering 2014 Stanisław PŁACZEK* DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI W artykule
Bardziej szczegółowoUczenie 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 szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoKARTA PRZEDMIOTU. Dyscyplina:
KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej szczegółowoPROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2
PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoSztuczne 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 szczegółowoSztuczne sieci neuronowe. Uczenie, zastosowania
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Sztuczne sieci neuronowe. Uczenie, zastosowania Inteligencja Sztuczne sieci neuronowe Metody uczenia Budowa modelu Algorytm wstecznej propagacji błędu
Bardziej szczegółowodoc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.
doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoEfekty kształcenia dla kierunku studiów INFORMATYKA, Absolwent studiów I stopnia kierunku Informatyka WIEDZA
Symbol Efekty kształcenia dla kierunku studiów INFORMATYKA, specjalność: 1) Sieciowe systemy informatyczne. 2) Bazy danych Absolwent studiów I stopnia kierunku Informatyka WIEDZA Ma wiedzę z matematyki
Bardziej szczegółowoEfekt kształcenia. Ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną w zakresie algorytmów i ich złożoności obliczeniowej.
Efekty dla studiów pierwszego stopnia profil ogólnoakademicki na kierunku Informatyka w języku polskim i w języku angielskim (Computer Science) na Wydziale Matematyki i Nauk Informacyjnych, gdzie: * Odniesienie-
Bardziej szczegółowoMODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY
MODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY WYKORZYSTANIU METOD STATYSTYCZNYCH mgr Małgorzata Pelczar 6 Wprowadzenie Reforma służby zdrowia uwypukliła problem optymalnego ustalania kosztów usług zdrowotnych.
Bardziej szczegółowoWalidacja metod analitycznych Raport z walidacji
Walidacja metod analitycznych Raport z walidacji Małgorzata Jakubowska Katedra Chemii Analitycznej WIMiC AGH Walidacja metod analitycznych (według ISO) to proces ustalania parametrów charakteryzujących
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoSZTUCZNA INTELIGENCJA WE WSPOMAGANIU PROCESU PROGNOZOWANIA W PRZEDSIĘBIORSTWIE
SZTUCZNA INTELIGENCJA WE WSPOMAGANIU PROCESU PROGNOZOWANIA W PRZEDSIĘBIORSTWIE Tadeusz A. Grzeszczyk, Politechnika Warszawska, Instytut Organizacji Systemów Produkcyjnych Autor bada zintegrowane systemy
Bardziej szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoANALIZA OBSZARÓW LEŚNYCH W SYSTEMACH INFORMACJI PRZESTRZENNEJ WSPOMAGANYCH SYSTEMAMI EKSPERTOWYMI I SZTUCZNYMI SIECIAMI NEURONOWYMI
ANALIZA OBSZARÓW LEŚNYCH W SYSTEMACH INFORMACJI PRZESTRZENNEJ WSPOMAGANYCH SYSTEMAMI EKSPERTOWYMI I SZTUCZNYMI SIECIAMI NEURONOWYMI Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa,
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoTemat: 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 szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI W LOGISTYCE
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 117 Transport 2017 Arkadiusz Jóźwiak Wojskowa Akademia Techniczna, Wydział Logistyki, Instytut Logistyki Andrzej Świderski Instytut Transportu Samochodowego ALGORYTMY
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoInżynieria Rolnicza 5(114)/2009
Inżynieria Rolnicza 5(114)/2009 MODELE ROZMYTE ZAPOTRZEBOWANIA NA MOC DLA POTRZEB KRÓTKOTERMINOWEGO PROGNOZOWANIA ZUŻYCIA ENERGII ELEKTRYCZNEJ NA WSI CZĘŚĆ I. ALGORYTMY WYZNACZANIA MODELI ROZMYTYCH Jerzy
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 szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoZastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie
Adam Stawowy Paweł Jastrzębski Wydział Zarządzania AGH Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Jedną z najczęściej podejmowanych decyzji w działalności
Bardziej szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ
Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii
Bardziej szczegółowoDOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY PROGRAMU AGREGAT - 2
InŜynieria Rolnicza 14/2005 Michał Cupiał, Maciej Kuboń Katedra InŜynierii Rolniczej i Informatyki Akademia Rolnicza im. Hugona Kołłątaja w Krakowie DOBÓR ŚRODKÓW TRANSPORTOWYCH DLA GOSPODARSTWA PRZY POMOCY
Bardziej szczegółowoZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII
Scientific Bulletin of Che lm Section of Mathematics and Computer Science No. 1/2008 ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH W DYNAMICZNYCH PROCESACH NIESTANDARDOWEJ EKONOMII WACŁAW FRYDRYCHOWICZ, KATARZYNA
Bardziej szczegółowoPodstawy Sztucznej Inteligencji
Politechnika Łódzka Katedra Informatyki Stosowanej Podstawy Sztucznej Inteligencji Laboratorium Ćwiczenie 2 Wykorzystanie środowiska Matlab do modelowania sztucznych sieci neuronowych Opracowali: Dr hab
Bardziej szczegółowoPRZEWODNIK DYDAKTYCZNY I PROGRAM NAUCZANIA PRZEDMIOTU FAKULTATYWNEGO NA KIERUNKU LEKARSKIM ROK AKADEMICKI 2016/2017
PRZEWODNIK DYDAKTYCZNY I PROGRAM NAUCZANIA PRZEDMIOTU FAKULTATYWNEGO NA KIERUNKU LEKARSKIM ROK AKADEMICKI 2016/2017 1. NAZWA PRZEDMIOTU: SZTUCZNA INTELIGENCJA W MEDYCYNIE 2. NAZWA JEDNOSTKI (jednostek
Bardziej szczegółowoAlgorytmy wstecznej propagacji sieci neuronowych
Algorytmy wstecznej propagacji sieci neuronowych Mateusz Nowicki, Krzysztof Jabłoński 1 Wydział Inżynierii Mechanicznej i Informatyki Politechnika Częstochowska Kierunek Informatyka, Rok III 1 krzysztof.jablonski@hotmail.com
Bardziej szczegółowoSieci neuronowe - dokumentacja projektu
Sieci neuronowe - dokumentacja projektu Predykcja finansowa, modelowanie wskaźnika kursu spółki KGHM. Piotr Jakubas Artur Kosztyła Marcin Krzych Kraków 2009 1. Sieci neuronowe - dokumentacja projektu...
Bardziej szczegółowo